A quick appraisal of Machine learning techniques in different aspects of rice cultivation

Resumo Técnico: Uma Avaliação Rápida de Técnicas de Aprendizado de Máquina em Diferentes Aspectos do Cultivo de Arroz

Definição do Problema
O arroz (Oryza sativa L.) é um alimento básico global crítico, sustentando mais da metade da população mundial e contribuindo significativamente para a segurança alimentar (ODS 2). No entanto, os métodos de cultivo tradicionais são frequentemente demorados, imprecisos e propensos a erros humanos, lutando para enfrentar desafios dinâmicos como as mudanças climáticas, a escassez de água e o crescimento populacional. Embora o Aprendizado de Máquina (ML) tenha emergido como uma ferramenta poderosa para analisar grandes volumes de dados na agricultura (provenientes de satélites, UAVs e IoT), sua aplicação nos vários aspectos do cultivo de arroz é desigual. A literatura existente frequentemente foca em nichos específicos (ex: detecção de doenças ou previsão de safra), mas há uma falta de avaliações comparativas abrangentes sobre como os métodos de ML estão distribuídos e sendo utilizados em todo o espectro do cultivo de arroz. Este estudo visa preencher essa lacuna ao avaliar a quantidade e a qualidade da utilização de ML em diferentes aspectos do cultivo de arroz.

Metodologia
Os autores realizaram uma revisão sistemática de artigos de pesquisa publicados entre 2020 e 2025.

• Fontas de Dados: Os artigos foram recuperados do Science Direct e Google Scholar utilizando consultas de busca combinando "(rice or paddy)" com "(Machine Learning OR Artificial Intelligence)".
• Processo de Seleção: De um conjunto inicial de 600 artigos de alto ranking, as duplicatas foram removidas, restando 411. Após uma revisão profunda de resumos, conclusões e metodologias — excluindo capítulos de livros, anais de conferências e artigos não específicos para arroz — 343 artigos foram selecionados para a análise final.
• Classificação: Os 343 artigos foram categorizados em 14 aspectos distintos do cultivo de arroz: Melhoramento de Culturas (CI), Mapeamento de Culturas (CM), Contaminação, Monitoramento de Culturas, Manejo de Doenças (DM), Manejo de Fertilizantes (FM), Maquinário Agrícola (FMa), Gases de Efeito Estufa (GHG), Manejo de Irrigação (IM), Manejo de Insetos, Pós-Colheita (PH), Ciência de Sementes, Manejo de Plantas Daninhas (WM) e Previsão de Safra (YF).
• Análise: Os autores extraíram dados sobre o ano de publicação, periódico, software e modelos específicos de ML utilizados. Os modelos foram classificados em 11 categorias: Redes Neurais Convolucionais (CNN), Árvores de Decisão (DT), Redes Neurais Profundas (DNN), Métodos de Ensemble, K-Vizinhos Mais Próximos (KNN), Redes Neurais (NN), Regressão, Floresta Aleatória (RF), Redes Neurais Recorrentes (RNN), Máquinas de Vetores de Suporte (SVM) e Outros.
• Métricas: Para avaliar a intensidade de uso por área de pesquisa, a frequência de uso de um modelo específico foi dividida pelo número total de artigos naquela categoria (ex: "usos por artigo").

Principais Contribuições e Resultados

1. Distribuição Desigual do Volume de Pesquisa:
   O estudo identificou um desequilíbrio significativo no volume de pesquisa. Previsão de Safra (56 artigos), Manejo de Doenças (49 artigos), Pós-Colheita (42 artigos) e Monitoramento de Culturas (34 artigos) são as áreas mais intensamente pesquisadas. Em contrapartida, Manejo de Irrigação (13), Maquinário Agrícola (12), Gases de Efeito Estufa (11), Ciência de Sementes (11), Manejo de Insetos (8) e Manejo de Plantas Daninhas (8) estão significativamente sub-representadas.

2. Dominância de Algoritmos Específicos:

• CNN (Redes Neurais Convolucionais): A CNN é a ferramenta mais proeminente no geral, utilizada 303 vezes ao longo dos estudos. É o método dominante no Manejo de Doenças (1,73 usos/artigo), Maquinário Agrícola (1,75 usos/artigo), Ciência de Sementes (1,45 usos/artigo) e Melhoramento de Culturas (1,11 usos/artigo). No entanto, seu uso é notavelmente baixo na Previsão de Safra (0,34 usos/artigo) e Contaminação (0,04 usos/artigo).
• Floresta Aleatória (RF) & SVM: Estes são os segundo e terceiro modelos mais utilizados no geral. A RF é particularmente forte na Previsão de Safra, Manejo de Fertilizantes e estimativa de Gases de Efeito Estufa. O SVM é amplamente utilizado no Pós-Colheita e na Previsão de Safra.
• Métodos de Ensemble: São aplicados com maior frequência na Previsão de Safra (0,68 usos/artigo), mas são subutilizados em outras categorias.
• Modelos Subutilizados: As RNNs são raramente utilizadas (apenas 25 vezes no total), aparecendo apenas em Previsão de Safra, Manejo de Doenças, Monitoramento de Culturas e Manejo de Fertilizantes, provavelmente devido à escassez de dados de séries temporais nos estudos revisados.

3. Descobertas Específicas por Categoria:

• Manejo de Doenças: Depende fortemente de arquiteturas avançadas de CNN (ex: ResNet, EfficientNet, variantes YOLO) para classificação e detecção de imagens.
• Previsão de Safra: Apesar de ter o maior número de artigos, depende menos de CNNs e mais de métodos de Ensemble, RF e Regressão. Os autores observam que isso indica um potencial escopo para integrar análise de imagem avançada (CNN) na previsão de safra.
• Melhoramento de Culturas: Utiliza uma mistura de CNN, RF e SVM, com algumas fusões inovadoras de CNN e Redes Neurais de Grafos (GNN).
• Irrigação e Manejo de Plantas Daninhas: Estas áreas críticas de manejo apresentam baixa adoção de técnicas sofisticadas de ML, dependendo de menos modelos e menores volumes de pesquisa.

Significância e Alegações
O artigo afirma fornecer uma "avaliação rápida" que destaca um "enorme hiato" na aplicação de métodos de ML em diversos aspectos do cultivo de arroz. Os autores argumentam que, embora o ML esteja avançando rapidamente, sua aplicação é subótima em áreas críticas de manejo, como irrigação, controle de plantas daninhas, manejo de insetos e aplicação de fertilizantes.

O estudo enfatiza que:

• O Desequilíbrio Existe: Há uma disparidade entre a quantidade de pesquisa (ex: alta em previsão de safra) e a sofisticação dos métodos usados (ex: baixo uso de CNN em previsão de safra).
• Potencial de Otimização: Melhorar o uso de ML em áreas sub-pesquisadas (irrigação, ervas daninhas, insetos) poderia otimizar significativamente a produção e a sustentabilidade do arroz.
• Barreiras: A distribuição desigual pode ser atribuída à natureza das variáveis de entrada, à falta de instalações computacionais ou ao conhecimento de domínio insuficiente entre os pesquisadores.
• Escopo Futuro: Os autores sugerem que pesquisas futuras devem incluir meta-análises comparando a precisão dos modelos, expandir as fontes de banco de dados (ex: Scopus, Web of Science) e investigar as variáveis dependentes/independentes específicas utilizadas.

O artigo conclui que, embora o ML ofereça um caminho para enfrentar os desafios da segurança alimentar global, uma aplicação mais equilibrada e sofisticada dessas ferramentas em todos os aspectos do cultivo de arroz é necessária para realizar plenamente o seu potencial.