📄 agricultura

Physics-Informed Neural Network for Daily Canopy Size Forecasting in Strawberry Production Using Fused Weather and Image Embeddings

Este estudo desenvolveu uma Rede Neural Informada pela Física (PINN) híbrida que funde dados meteorológicos e contagens de pixels verdes derivadas de imagens para prever com precisão o volume diário do dossel do morango, demonstrando desempenho superior em relação aos modelos de base para dois cultivares comerciais sob condições reais de campo.

Autores originais: Rohan Bagulwar, Won Suk Lee, Shinsuke Agehara, Hongyoung Jeon, Heping Zhu

Publicado 2026-09-08

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Rohan Bagulwar, Won Suk Lee, Shinsuke Agehara, Hongyoung Jeon, Heping Zhu

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nos campos tranquilos da Flórida, onde os morangos são cultivados em escala massiva, a saúde de uma planta é frequentemente escrita em suas folhas. Para os agricultores, saber exatamente quanta folhagem verde uma planta possui em qualquer dado momento é crucial; isso lhes diz se a cultura está prosperando, se está com sede ou se está sob ataque de doenças. Tradicionalmente, obter essa informação significava caminhar pelas fileiras e medir manualmente, uma tarefa lenta e laboriosa que oferecia apenas um retrato do passado. Nos últimos anos, a tecnologia ofereceu uma maneira mais rápida: câmeras que podem contar os pixels verdes na imagem de uma planta para estimar seu tamanho. No entanto, uma simples contagem de pixels verdes não é uma bola de cristal. Ela diz ao agricultor como a planta está agora, mas tem dificuldade em prever como a planta será amanhã, especialmente quando o clima muda inesperadamente. Uma súbita onda de frio ou uma chuva forte podem alterar a aparência de uma planta de maneiras que uma câmera simples não consegue antecipar, levando a suposições biologicamente impossíveis, como uma planta encolhendo quando o clima está, na verdade, aquecendo.

Para preencher a lacuna entre o que uma câmera vê e o que a biologia dita, pesquisadores da Universidade da Flórida e do Departamento de Agricultura dos Estados Unidos desenvolveram um novo tipo de programa de computador. Este sistema combina duas formas diferentes de pensar sobre o crescimento. A primeira parte baseia-se nas leis conhecidas da biologia vegetal, especificamente como as plantas crescem mais rápido à medida que acumulam calor ao longo do tempo, um conceito que os agricultores usam há décadas para acompanhar o desenvolvimento. A segunda parte é uma ferramenta de aprendizado flexível que observa o clima e as imagens diárias para detectar peculiaridades de curto prazo, como uma queda temporária na cor verde causada por um dia nublado. Ao tecer essas duas abordagens, os pesquisadores criaram um sistema que não apenas adivinha o futuro, mas respeita as regras da natureza enquanto ainda presta atenção à realidade desordenada do campo.

A equipe testou este sistema em um campo de morangos em Citra, Flórida, durante o inverno de 2025. Eles instalaram uma estação de câmera autônoma alimentada por painéis solares, que tirava fotos das plantas a cada quinze minutos durante quase um mês. Eles focaram em duas variedades populares de morango, uma chamada 'Florida Brilliance' e outra chamada 'Florida Medallion'. A câmera capturou as plantas de cima, e os pesquisadores usaram software para isolar as folhas verdes do solo e do plástico de cobertura, contando o número de pixels verdes para medir o tamanho do dossel. Juntamente com essas imagens, o sistema coletou dados meteorológicos em tempo real, incluindo temperatura, umidade e luz solar, para ver como o ambiente influenciou as plantas dia após dia.

O cerne de sua inovação foi um modelo de computador híbrido que aprendeu com esses dados. Uma parte do modelo seguia uma curva suave e previsível baseada no calor total que as plantas receberam, garantindo que as previsões sempre seguissem um caminho biológico lógico, onde as plantas geralmente crescem maiores conforme a estação aquece. A outra parte do modelo atuava como um mecanismo de correção, aprendendo a ajustar essa previsão suave para cima ou para baixo com base nos eventos climáticos da última semana. Se uma frente fria chegasse, o modelo aprendia a esperar uma pequena pausa no crescimento ou uma mudança na cor, em vez de seguir cegamente a curva suave. Crucialmente, o sistema foi projetado com uma regra de segurança: era proibido prever que uma planta encolheria em um dia em que o acúmulo de calor estivesse aumentando, uma impossibilidade biológica que frequentemente engana modelos de computador mais simples.

Os resultados mostraram que esta abordagem combinada funcionou significativamente melhor do que usar apenas um dos métodos. Para a variedade 'Florida Brillance', o sistema previu o tamanho diário do dossel da planta com um erro médio de cerca de 6.996 pixels, um número que representava uma diferença de 4,53% em relação às medições reais. Isso representou uma melhoria marcante em relação a um modelo que apenas seguia a curva biológica suave, que errou por mais de 10.000 pixels, e foi muito superior a um palpite simples que assumia que a planta manteria o mesmo tamanho do dia anterior. O sistema também teve um bom desempenho na variedade 'Florida Medallion', embora a taxa de erro tenha sido ligeiramente maior, em 16,4%. Os pesquisadores observaram que esse erro mais alto se deveu ao fato de terem muito menos dados para esta planta específica, já que uma tempestade severa danificou seus equipamentos no início do estudo, encurtando o período de observação. Mesmo com esses dados limitados, o modelo híbrido ainda superou os métodos mais simples, provando que a combinação de regras biológicas e aprendizado atento ao clima era robusta.

O que torna essa descoberta particularmente valiosa é que o modelo de computador não produziu apenas um número; ele também aprendeu as características específicas de crescimento dos morangos que estava observando. Sem ser informado das respostas antecipadamente, o sistema descobriu o tamanho máximo que as plantas poderiam atingir e a velocidade com que cresciam, valores que coincidiam com o que os pesquisadores observaram no campo. Isso sugere que o modelo não está apenas memorizando os dados, mas está realmente compreendendo a biologia subjacente. Os pesquisadores descobriram que o sistema pode rodar em um computador pequeno e barato, do tamanho de um cartão de crédito, tornando viável para os agricultores o uso em tempo real sem a necessidade de servidores caros ou acesso constante à internet.

O estudo destaca um caminho a seguir para a agricultura de precisão, onde a tecnologia ajuda os agricultores a tomar decisões antes que os problemas se tornem visíveis a olho nu. Ao prever como uma planta responderá ao clima que virá, um produtor poderia potencialmente irrigar ou alimentar suas culturas no momento exato de que precisam, em vez de esperar pelos sinais de estresse aparecerem. Embora o sistema atual tenha sido testado durante um período relativamente curto e focado nos estágios iniciais de crescimento, os pesquisadores sugerem que, com mais dados e melhores maneiras de lidar com as mudanças nas condições de luz, essa abordagem poderia ser expandida para cobrir toda a temporada de cultivo. O trabalho demonstra que, quando a ciência da computação respeita as leis fundamentais da biologia, ela pode criar ferramentas que são não apenas precisas, mas também confiáveis para as pessoas que dependem delas para alimentar o mundo.

Resumo Técnico: Rede Neural Informada pela Física para Previsão Diária do Tamanho do Dossel na Produção de Morangos

Definição do Problema
A produção de morangos na Flórida exige um manejo preciso do dossel para otimizar a aplicação de água, nutrientes e a detecção de estresse. Embora a contagem de pixels verdes a partir de imagens ofereça uma métrica de baixo custo para o volume do dossel, as tecnologias existentes carecem da capacidade de prever o crescimento futuro do dossel ou de integrar drivers fisiológicos (como a acumulação térmica) com dados ambientais em tempo real. Modelos puramente orientados a dados frequentemente falham em generalizar entre estações ou cultivares, produzem previsões biologicamente implausíveis (ex: declínio do dossel durante o aumento da acumulação térmica) e exigem grandes conjuntos de dados que muitas vezes não estão disponíveis em ambientes de fazendas experimentais. Por outro modo, modelos tradicionais baseados em física (ex: curvas de crescimento logístico impulsionadas por Graus-Dia Acumulados) capturam tendências de longo prazo, mas falham em considerar flutuações de curto prazo causadas pelo clima.

Metodologia
O estudo propõe uma arquitetura híbrida de Rede Neural Informada pela Física (PINN) projetada para prever o volume diário do dossel do morango (medido em contagem de pixels verdes) fundindo dados meteorológicos e embeddings derivados de imagens.

Aquisição de Dados: As imagens foram capturadas a cada 15 minutos ao longo de 38 dias para duas cultivares ('Florida Brilliance' e 'Florida Medallion') em Citra, FL. As imagens passaram por pré-processamento, incluindo extração manual de região, normalização de iluminação e limiarização HSV (Matiz: 35°–90°, Saturação/Valor: 40–255) para isolar os pixels verdes. Os dados meteorológicos (13 variáveis) foram obtidos da rede FAWN (Florida Automated Weather Network), e os Graus-Dia Acumulados (GDD) foram calculados utilizando uma temperatura base de 7°C.
Engenharia de Atributos: Os inputs diários consistiram em um vetor de 45 elementos: 13 variáveis meteorológicas e 32 dimensões de embeddings de imagem (derivados de uma CNN pré-treinada e reduzidos via PCA). Uma janela deslizante de 7 dias foi utilizada para construir sequências para prever o tamanho do dossel do 8º dia.
Arquitetura PINN: O modelo compreende dois ramos paralelos:
1. Ramo de Física: Uma função de crescimento logístico de três parâmetros aprendível ( $G(x) = K(1 + e^{-r(x-x_0)})^{-1}$ ) impulsionada pelo GDD acumulado. Este ramo captura a trajetória de crescimento biológico determinística e monotônica. Os parâmetros $K$ (assíntota), $r$ (taxa) e $x_0$ (ponto de inflexão) são aprendidos de ponta a ponta.
2. Ramo de Dados: Um LSTM de camada única (tamanho oculto 64) com uma cabeça MLP processa a sequência de 7 dias para prever um resíduo diário assinado ( $\Delta$ ). Este ramo captura desvios estocásticos causados por eventos climáticos transitórios (ex: ondas de frio, chuva) que a curva logística suave não consegue explicar.
3. Saída: A previsão final é a soma da saída do ramo de física e o resíduo do LSTM ( $\hat{y} = G_{physics} + \Delta$ ).
Treinamento e Regularização: O modelo foi treinado usando uma função de perda composta: $L = MSE(\hat{y}, y) + 0.1 \times P$ . O termo de penalidade $P$ é ativado quando o GDD aumenta, mas o tamanho previsto do dossel diminui, impondo a restrição biológica de que a área do dossel não deve declinar durante a acumulação térmica positiva. O modelo foi treinado por 400 épocas usando o otimizador Adam.

Principais Contribuições

Arquitetura Híbrida para Pequenos Dados: O estudo demonstra que combinar um prior físico estruturado (crescimento logístico) com um aprendiz de resíduos orientado a dados (LSTM) melhora a precisão da previsão mesmo com conjuntos de dados limitados (aprox. 30 dias para uma cultivar, 7 dias para outra).
Consistência Biológica: Ao incorporar restrições de crescimento diretamente na função de perda, o modelo evita previsões biologicamente implausíveis (ex: encolhimento do dossel durante a acumulação de calor), aumentando assim a confiança no sistema para aplicações agronômicas.
Parâmetros Físicos Aprendíveis: Diferente dos modelos tradicionais que exigem calibração manual, a PINN aprende os parâmetros logísticos ( $K, r, x_0$ ) diretamente dos dados, gerando valores consistentes com observações empíricas (ex: a assíntota $K$ aprendida coincidiu com o tamanho máximo observado do dossel).
Implantação em Edge: O sistema é leve (<22.000 parâmetros) e capaz de execução em tempo real em hardware de baixo custo (Raspberry Pi 4) com capacidades de energia fora da rede.

Resultos
O modelo foi avaliado em duas cultivares usando Erro Médio Absoluto (MAE) e Erro Percentual Médio Absoluto (MAPE):

'Florida Brilliance' (conjunto de dados de 38 dias): A PINN alcançou um MAE de 6.996 pixels (MAPE 4,53%) sobre um período de teste de cinco dias. Isso representou uma redução de 32% no erro em comparação com a linha de base de logística puramente física (MAE 10.260) e uma redução de 26% em relação à linha de base de persistência (MAE 9.416).
'Florida Medallion' (conjunto de dados de 9 dias): Apesar dos dados limitados, a PINN alcançou um MAE de 9.440 pixels (MAPE 16,4%) sobre um período de teste de dois dias, superando a linha de base de física pura (MAE 10.880) e a linha de base de persistência (MAE 9.580). O modelo foi treinado com sete dias de dados do total de nove dias do conjunto. A maior taxa de erro para a Medallion foi atribuída ao tamanho menor do conjunto de dados e à sensibilidade das métricas percentuais a baixas contagens absolutas de pixels em plantas menores.
Dinâmica de Treinamento: O termo de penalidade física foi mais ativo durante as primeiras 150 épocas, guiando o modelo em direção ao comportamento biologicamente consistente antes que o ramo logístico se adaptasse suficientemente aos dados, ponto no qual a contribuição da penalidade diminuiu.

Significância e Alegações
O artigo afirma que esta abordagem híbrida consegue unir a lacuna entre modelos agronômicos interpretáveis e o aprendizado de máquina flexível. Ao ancorar as previsões em leis biológicas conhecidas enquanto permite que a rede neural aprenda desvios ambientais de curto prazo, o sistema fornece aos produtores uma "estimativa de desenvolvimento do dossel prospectiva e biologicamente fundamentada". Os autores afirmam que tal sistema pode ser usado para detectar padrões de crescimento anormais precocemente, auxiliando no manejo de água, nutrientes e mitigação de estresse. O estudo conclui que a arquitetura é particularmente valiosa em ambientes agrícolas com escassez de dados, onde modelos puramente orientados a dados correm o risco de overfitting ou de produzir saídas pouco confiáveis. O trabalho futuro sugerido pelos autores inclui a extensão do período de observação através das fases de frutificação, a substituição das contagens de pixels brutos por índices invariantes à iluminação (como o GCC) para reduzir artefatos de luz e a exploração de transferência de aprendizado entre múltiplas plantas.

Resumo Técnico: Rede Neural Informada pela Física para Previsão Diária do Tamanho do Dossel na Produção de Morangos

Mais como este