AI for Precision Fertilizer and Pesticide Application: An Integrated Real-Time Deep Learning and IoT-Driven Field Management System

Resumo Técnico: IA para Aplicação de Precisão de Fertilizantes e Pesticidas

Definição do Problema
O artigo aborda as ineficiências do escalonamento de agroquímicos de "taxa uniforme" (blanket-rate), uma prática dominante nas zonas rurais da Índia e do Sul da Ásia, onde quantidades uniformes de fertilizantes e pesticidas são aplicadas independentemente das necessidades espaciais ou temporais das culturas. Essa abordagem leva a resultados negativos em cascata: escoamento de nutrientes para cursos d'água, danos por pesticidas em alvos não pretendidos (como polinizadores), erosão das margens de lucro dos agricultores e aceleração das emissões de gases de efeito estufa provenientes da atividade microbiana do solo. Embora sistemas de taxa variável existam, eles têm sido historicamente limitados a grandes fazendas mecanizadas na América do Norte e na Europa devido aos altos custos de equipamentos e à falta de inteligência computacional para atualizar recomendações dinamicamente. Além disso, a literatura existente frequentemente estuda detecção, previsão de rendimento ou roteamento de forma isolada, carecendo de um pipeline operacional de ponta a ponta validado e testado ao longo de múltiplas temporadas em pequenas propriedades agrícolas no sul da península indiana.

Metodologia
O estudo propõe e implanta uma plataforma de gestão de campo inteligente de quatro camadas e ciclo fechado:

1. Camada 1: Aquisição de Dados

   • Aérea: Um UAV DJI Agras T40 equipado com um sensor Micasense Altum-PT captura seis canais espectrais (Azul, Verde, Vermelho, Red-Edge, NIR, Térmico) a 10m de altitude.
   • Terrestre: Oito sondas multi-profundidade EnviroPro EP100 monitoram o conteúdo volumétrico de água, nitrato de nitrogênio e temperatura do solo nas profundidades de 15, 30 e 60 cm via LoRaWAN.
   • Meteorológica/Satélite: Uma estação meteorológica Davis Vantage Pro2 fornece dados locais, enquanto imagens de satélite Sentinel-2 são recuperadas a cada 5–7 dias.

2. Camada 2: Mecanismo de Processamento de IA

   • Localização de Pragas/Doenças: Um modelo YOLOv8-L ajustado (68,2 milhões de parâmetros) detecta 23 categorias de pragas e doenças (ex: Planthopper Marrom, Leaf Blast) em uma resolução de 640×640, alcançando inferência em tempo real em hardware NVIDIA Jetson AGX Orin.
   • Classificação de Saúde do Dossel: Um backbone ResNet-50 classifica o estresse do dossel em cinco níveis (Sem Estresse a Crítico) usando tiles de 256×256 pixels extraídos de ortomosaicos.
   • Previsão de Rendimento: Uma rede LSTM empilhada de duas camadas (256 unidades ocultas) prevê trajetórias de rendimento de 7 dias usando 18 variáveis de entrada, incluindo índices de vegetação, umidade do solo e dados meteorológicos.

3. Camada 3: Decisão e Controle

   • Geração de Prescrição: Os outputs dos modelos de IA são fundidos com os dados dos sensores de solo. Um regressor XGBoost calcula prescrições de fertilizantes de taxa variável (N, P, K) baseadas no status atual do solo, estágio de crescimento e previsões de rendimento.
   • Sinalização de Pesticidas: Um mapa binário identifica células de grade onde a cobertura de pragas excede 15% da área foliar visível (limiar de dano econômico).
   • Otimização de Rota: Um agente de Deep Q-Network (DQN) planeja rotas de pulverização autônomas de drones. Treinado em uma simulação customizada do OpenAI Gym, o agente otimiza a cobertura enquanto penaliza visitas redundantes, violações de limites e esgotamento de bateria.

4. Camada 4: Atuação e Feedback

   • O sistema executa a pulverização autônoma de drones com base nos mapas de prescrição gerados. A telemetria de desempenho é roteada de volta para a camada de aquisição de dados para refinar modelos futuros.

Principais Contribuições

• Arquitetura Integrada: O design e a implantação física de um sistema de ponta a ponta de quatro camadas que vincula sensoriamento por UAV, IA de borda-nuvem, geração de prescrição e atuação autônoma em um único ciclo.
• Criação de Dataset: Montagem e liberação pública de um conjunto de dados anotado contendo 14.300 imagens de campo em 23 categorias de pragas e doenças, representando a maior coleção do gênero para sistemas trigo-arroz indianos.
• Pipeline de Detecção Híbrido: Uma fusão de YOLOv8-L e ResNet-50 que alcança uma média de precisão média (mAP) de 95,6% em dados de campo, superando cinco algoritmos de base.
• Roteamento Otimizado: Um planejador de pulverização baseado em DQN que transfere com sucesso da simulação para campos físicos, reduzindo o comprimento da trajetória de voo em 31,4% em comparação com trajetórias convencionais de "corte de grama".
• Validação Multitemporal: Testes de campo realizados ao longo de duas temporadas consecutivas de cultivo (Rabi 2022–23 e Kharif 2023–24) em seis parcelas (4,8 ha no total) em Baramati, Maharashtra, confirmando robustez entre tipos de cultura e variabilidade climática.

Resultados Experimentais
O sistema foi comparado contra um controle de taxa uniforme convencional (CTRL) e um tratamento manual de prescrição por IA (AI-MAN). Os principais resultados para o sistema autônomo (AI-AUTO) incluíram:

• Precisão de Detecção: 95,6% mAP em todas as 23 classes; classes de alto desempenho específicas incluíram o Planthopper Marrom (97,8% AP) e o Leaf Blast (96,3% AP).
• Redução de Insumos:
  • A aplicação de Nitrogênio reduziu em 47,3% (economizando 103,4 kg N/ha).
  • O volume de pesticida reduziu em 38,1%, com economias de fungicida atingindo 42,4% devido à detecção precoce (11,3 dias antes dos limiares convencionais).
  • Fósforo e Potássio foram reduzidos em 29,2% e 33,8%, respectivamente.
• Melhoria de Rendimento:
  • O rendimento do trigo aumentou em 22,4% (5,84 t/ha vs. 4,79 t/ha).
  • O rendimento do arroz aumentou em 22,0% (6,21 t/ha vs. 5,09 t/ha).
  • A análise estatística (ANOVA, Tukey's HSD) confirmou que esses ganhos foram significativos ao nível de confiança de 99% e não decorrentes de artefatos sazonais.
• Latência do Sistema: A latência de ponta a ponta, desde a captura da imagem até a atualização da prescrição, average de 4,2 segundos, com inferência ao nível de frame a 35 FPS, atendendo aos requisitos operacionais de tempo real.

Significância e Alegações
O artigo afirma fornecer a implementação de campo mais integralmente validada de agricultura de precisão integrada com IA em sistemas trigo-arroz indianos relatada na literatura aberta até o momento. Demonstra que um sistema de IA de ponta a ponta pode simultaneamente reduzir o consumo de agroquímicos e aumentar o rendimento colhido em parcelas de escala de pequenos produtores sem aumentar as quantidades totais de insumos.

Os autores enfatizam que a capacidade do sistema de atualizar as prescrições dinamicamente com base na absorção em tempo real das culturas e no clima, em vez de depender de mapas estáticos pré-temporada, é o principal motor das significativas economias de nitrogênio (47,3%) observadas, que excedem as reduções típicas de testes de taxa variável convencionais. O estudo conclui que a convergência de hardware de IA acessível, conectividade ubíqua e eficácia agronômica demonstrada cria condições para que a agricultura de precisão atuada por IA transicione de uma novidade de pesquisa para uma ferramenta escalável para a resiliência dos sistemas alimentares dentro da década atual. No entanto, os autores notam modestamente que a propriedade direta pelo agricultor individual ainda não é economicamente viável devido aos altos custos de capital, sugerindo que modelos cooperativos ou de prestação de serviços são necessários para a escala a curto prazo.