Um estudo da Texas A&M AgriLife Research indica que ferramentas de inteligência artificial (IA) podem prever surtos de pragas agrícolas com maior precisão do que métodos tradicionais, permitindo identificar mais cedo o risco de ataque às culturas.
A investigação, publicada na revista Ecological Informatics, analisou a capacidade de modelos de machine learning para prever populações de tripes das flores ocidentais (western flower thrips) em culturas de tomate e pimento. O trabalho foi desenvolvido por cientistas do Departamento de Entomologia do Texas A&M College of Agriculture and Life Sciences.
“Se conseguirmos ver o risco de praga a aumentar até uma semana mais cedo, isso muda tudo”, afirmou Kiran Gadhave. “Prever os riscos com precisão mais cedo muda a gestão de uma resposta aos danos para uma atuação antecipada”, concluiu.
Os tripes das flores ocidentais são insetos de pequena dimensão que se alimentam das plantas e transmitem vírus com impacto nas culturas. Segundo a informação divulgada, podem provocar perdas significativas em culturas hortícolas quando as populações começam a aumentar. A deteção tardia faz com que, muitas vezes, o surto já esteja em curso quando os produtores identificam os danos.
Os métodos tradicionais de previsão de pragas em contexto produtivo recorrem a parâmetros como temperatura, humidade e número de insetos presentes. No entanto, de acordo com os investigadores, estas abordagens nem sempre permitem avaliar com precisão o potencial de ameaça.
A equipa analisou dados de cerca de 1.700 armadilhas adesivas amarelas colocadas semanalmente em campos ao ar livre e em sistemas de produção em túneis altos para tomate e pimento. Estes dados foram combinados com até 16 variáveis ambientais, incluindo temperatura, humidade, velocidade e direção do vento e precipitação, bem como a dimensão da população registada 14 dias antes.
Os modelos de machine learning previram as populações de tripes em campo aberto com uma precisão próxima de 88% e atingiram cerca de 85% de precisão em túneis altos.
“A IA representa um contributo poderoso para a nossa modelação porque nos permite analisar simultaneamente muitas mais variáveis ambientais e biológicas e identificar padrões que simplesmente não conseguíamos ver antes”, afirmou Gadhave. “Este estudo mostrou que podemos produzir previsões localizadas muito precisas para o desenvolvimento de pragas”, adiantou.
A investigação concluiu também que a precisão dos modelos diminuiu quando os mesmos parâmetros foram aplicados simultaneamente a sistemas de campo aberto e de túnel alto no mesmo local. Para os investigadores, este resultado mostra que os microclimas funcionam como ecossistemas distintos para as pragas, mesmo quando as áreas de produção estão lado a lado.
“O que se destacou foi a rapidez com que os modelos deixaram de funcionar entre os diferentes sistemas”, afirmou Gadhave. “Mesmo campos vizinhos comportaram-se como ecossistemas diferentes, o que nos diz que a dinâmica das pragas é fundamentalmente moldada pelo microclima”, frisou.
A dimensão da população existente duas semanas antes foi identificada como um dos principais parâmetros de previsão em ambos os sistemas de produção. Quando os tripes já estavam presentes nesse período, o risco de um surto severo aumentava substancialmente. A temperatura surgiu como o segundo fator mais relevante, enquanto o vento e a humidade influenciaram a forma como as populações se dispersaram e evoluíram.
Segundo Kiran Gadhave, a utilização de modelos de IA para prever dinâmicas localizadas de populações de pragas pode ser aplicada a diferentes culturas, pragas e microclimas regionais. Para o investigador, ferramentas avançadas de previsão de pragas e doenças podem alterar a forma como os produtores monitorizam e protegem as culturas.
“Isto é a prova de que as ferramentas agrícolas baseadas em IA não são futuristas”, afirmou. E continua: “já existem, e a AgriLife Research está bem posicionada para liderar o seu desenvolvimento e aplicação no terreno, onde podem beneficiar os produtores”.
O artigo foi publicado originalmente em Vida Rural.
