An Environment-Driven Dynamic Growth Model for Pleurotus citrinopileatus: Advancing Precision Control and Automation in Container Cultivation

Resumo Técnico: Um Modelo de Crescimento Dinâmico Orientado pelo Ambiente para Pleurotus citrinopileatus

Definição do Problema
O cultivo industrial de Pleurotus citrinopileatus (cogumelo ostra dourada) em instalações conteinerizadas inteligentes enfrenta um gargalo crítico: a falta de estruturas teóricas quantitativas para o controle ambiental. Embora a Agricultura de Ambiente Controlado (CEA) ofereça alta controlabilidade, a gestão atual baseia-se fortemente em práticas empíricas. Os modelos de crescimento tradicionais (ex: Logístico, Richards) usados na agricultura de precisão tipicamente tratam os parâmetros de crescimento como constantes estáticas, falhando em considerar as flutuações ambientais dinâmicas inerentes aos sistemas automatizados. Além disso, embora existam abordagens de aprendizado de máquina, elas frequentemente carecem de interpretabilidade biológica (natureza de "caixa preta") e têm dificuldade de generalização sob condições inéditas. Há uma necessidade específica de um modelo que faça a ponte entre a interpretabilidade biológica e a responsividade em tempo real aos drivers ambientais para permitir o cultivo de precisão autônomo.

Metodologia
O estudo foi conduzido em um contêiner de 40 pés adaptado, equipado com um sistema de controle ambiental de precisão (temperatura, umidade, luz, CO₂).

• Coleta de Dados: Pesquisadores monitoraram 72 sacos de substrato durante um período de frutificação de 8 dias, coletando 576 observações iniciais. Após a remoção de outliers, 459 conjuntos de dados válidos foram analisados. Parâmetros morfológicos (comprimento, largura, altura) foram medidos diariamente, e o volume foi estimado usando uma fórmula baseada em elipsoide calibrada com métodos de drenagem.
• Variáveis Ambientais: Dados brutos (temperatura, UR, luz, CO₂) foram processados em variáveis derivadas, incluindo Temperatura Efetiva Acumulada (AET), Umidade Relativa Acumulada (ARH) e valores médios instantâneos (MT, MRH, MCO₂, MLI).
• Seleção de Modelo: Três modelos não lineares (Logístico, Weibull, Richards) foram avaliados contra os dados de crescimento empíricos. O modelo de Richards foi selecionado como a base devido ao seu ajuste superior às curvas de crescimento assimétricas em forma de S observadas em P. citrinopileatus.
• Identificação de Drivers: Análise de correlação de Pearson, testes de significância e diagnósticos de Fator de Inflação de Variância (VIF) foram usados para identificar os principais drivers ambientais. Este processo filtrou variáveis multicolineares (ex: Temperatura Média) e identificou AET, ARH e CO₂ Médio (MCO₂) como os preditores significativos.
• Construção do Modelo (ED-DGM): A inovação central envolveu a transformação dos parâmetros estáticos do modelo de Richards — o limite assintótico ($A$) e a taxa de crescimento ($K$) — em funções lineares dinâmicas dos drivers ambientais identificados (AET, ARH, MCO₂). Isso criou o Modelo de Crescimento Dinâmico Orientado pelo Ambiente (ED-DGM).
• Avaliação: O modelo foi validado usando uma divisão de treino-teste de 7:3. O desempenho foi avaliado via $R^2$, RMSE, MAPE e análise de resíduos, comparando o ED-DGM contra o modelo de Richards estático tradicional.

Principais Resultados

• Dinâmica de Crescimento: P. citrinopileatus exibiu uma trajetória distinta de crescimento assimétrico em forma de S. O volume mostrou o aumento mais dramático (219,9 vezes em 8 dias), caracterizado por uma fase de latência seguida por uma expansão explosiva.
• Drivers Ambientais:
  • ARH (Umidade Relativa Acumulada) foi o driver positivo mais forte ($r = 0,8447$), explicando 71,35% da variação de volume.
  • AET (Temperatura Efetiva Acumulada) foi o segundo driver positivo mais forte ($r = 0,8093$).
  • MCO₂ (CO₂ Médio) mostrou uma correlação negativa moderada ($r = -0,446$), consistente com a conhecida inibição da diferenciação do chapéu por alto CO₂.
  • A intensidade de luz e a umidade instantânea mostraram efeitos negligenciáveis no crescimento do volume.
• Desempenho do Modelo: O ED-DGM superou significativamente o modelo de Richards estático em todos os indicadores morfológicos:
  • Comprimento: $R^2$ melhorou em 9,1%.
  • Largura: $R^2$ melhorou em 9,3%.
  • Altura: $R^2$ melhorou em 6,7%.
  • Volume: $R^2$ melhorou em 10,6%.
• Análise de Resíduos: O ED-DGM eliminou o viés negativo sistemático (subestimação) observado no modelo estático, particularmente para o volume. Os resíduos foram centrados próximos a zero com desvio padrão reduzido, indicando maior estabilidade e ausência de viés.

Significância e Alegações
O artigo afirma que o ED-DGM representa uma mudança de paradigma do cultivo "dependente de experiência" para o "orientado por algoritmos". Ao acoplar a biologia da curva de crescimento clássica com drivers ambientais cumulativos, o modelo supera as limitações da parametrização estática.

• Interpretabilidade: Ao contrário dos modelos de aprendizado de máquina de "caixa preta", o ED-DGM retém a interpretabilidade biológica, permitindo que os produtores entendam como flutuações ambientais específicas (ex: acumulação de calor ou déficits de umidade) impactam diretamente as taxas de crescimento e o rendimento final.
• Prontidão para Automação: O modelo é projetado como um motor algorítmico de alta precisão, adequado para integração em plataformas de controle ambiental baseadas em IoT. Ele permite a previsão de crescimento em tempo real e a regulação de feedback autônoma (ex: ajustando HVAC ou umidificação com base em desvios previstos das trajetórias ideais).
• Controle de Precisão: A pesquisa fornece uma estrutura robusta para otimizar o cronograma de colheita e reduzir a mão de obra em sistemas de produção de cogumelos de alta densidade e independentes de estação, abordando os gargalos técnicos do cultivo de cogumelos em contêineres.

Limitações Observadas
Os autores reconhecem que o modelo atual foca na fase de frutificação rápida de 8 dias e ainda não cobre a iniciação primordial ou ciclos de múltiplos flushs. Além disso, o acoplamento linear atual dos fatores ambientais não captura totalmente as interações não lineares complexas ou efeitos sinérgicos, sugerindo a necessidade de pesquisas futuras sobre acoplamento não linear. A generalização do modelo para outras espécies de fungos ainda precisa ser verificada.