Plataforma desenvolvida com apoio da FAPDF utiliza inteligência artificial e drones no combate a espécies invasoras do Cerrado

Pesquisa da UnB identifica ervas daninhas com 96% de precisão e promete transformar o monitoramento agrícola no DF Por Agência Brasília* | E...

Pesquisa da UnB identifica ervas daninhas com 96% de precisão e promete transformar o monitoramento agrícola no DF

Por

Agência Brasília* | Edição: Vinicius Nader

A expansão de espécies daninhas é um dos maiores desafios para a agricultura moderna. No Cerrado, bioma que abriga parte significativa da produção de grãos do país, o avanço do Amaranthus palmeri, popularmente conhecido como caruru-palmeri, tem preocupado agricultores e pesquisadores por provocar perdas milionárias na produtividade de soja e algodão.

Com fomento da Fundação de Apoio à Pesquisa do Distrito Federal (FAPDF), o professor Edilson de Souza Bias, do Instituto de Geociências da Universidade de Brasília (UnB), coordena o desenvolvimento de uma plataforma de código aberto integrada a ferramentas de inteligência artificial (IA) voltada à identificação automática de plantas invasoras. A iniciativa é resultado do edital Agro Learning (2023) e envolve parceria do Laboratório de Visão Computacional da Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) com a Universidade do Estado do Rio de Janeiro (UERJ).

Pesquisadores durante missão de mapeamento agrícola em Sapezal (MT), com drone DJI Matrice 300 RTK | Fotos: Divulgação/FAPDF

 Tecnologia e precisão no campo

O projeto começou a ser idealizado em 2018, mas ganhou força em 2023, quando a Secretaria de Agricultura, Abastecimento e Desenvolvimento Rural do DF (Seagri-DF) alertou para o risco da chegada do caruru-palmeri à região. As primeiras análises foram conduzidas no município de Sapezal (MT), onde a infestação já havia provocado prejuízos de até US$ 18,5 milhões em fazendas de soja e algodão.

Utilizando drones equipados com sensores de alta resolução (GSD de 2,5 cm, ou seja, capazes de registrar detalhes de até 2,5 centímetros por pixel), a equipe desenvolveu um modelo de aprendizado profundo (deep learning), técnica de inteligência artificial que ensina o sistema a reconhecer padrões visuais a partir de grandes volumes de imagens, alcançando 96% de precisão na identificação das plantas invasoras.

Equipe do projeto durante atividades de campo em Mato Grosso

O modelo foi construído a partir de milhares de imagens aéreas captadas por aeronaves não tripuladas de mapeamento profissional, em especial um drone DJI Matrice 300 RTK, equipamento de alto desempenho usado em levantamentos topográficos e agrícolas de precisão. O drone foi acoplado a sensores RGB, multiespectral, termal e LiDAR (Light Detection and Ranging, ou Detecção e Medição da Luz), que emitem pulsos de laser para medir o tempo de retorno das reflexões e criar modelos tridimensionais da vegetação e do relevo.

Essa combinação de sensores permite capturar diferentes tipos de informação — desde a cor e textura até o calor e a estrutura das plantas. Em campo, a equipe avaliou a resposta de cada sensor para definir quais apresentavam maior eficiência na detecção da espécie Amaranthus palmeri.

Esse conjunto tecnológico utiliza o sistema RTK (Real Time Kinematic), que faz correções em tempo real no posicionamento do drone e garante precisão centimétrica — requisito essencial para diferenciar espécies semelhantes em meio às lavouras.

O sistema RTK faz correções em tempo real no posicionamento do drone e garante precisão centimétrica