Olival do futuro: como selecionar os melhores materiais para a produtividade… 93 do azeite, reforçando o papel da agricultura de precisão na olivicultura moderna. A equipa de investigação da olivicultura do INIAV Pólo de Inovação de Elvas – Herdade do Reguengo, em paralelo com a conservação, o estudo de materiais autóctones de oliveira e o melhoramento genético, tem participado em estudos de desenvolvimento e aplicação de ferramentas de monitorização digital do olival. a) Soluções de Inteligência Artificial e Data Science na agricultura digital A otimização da fertilização racional nas culturas, particularmente em condições mais intensivas, é de elevada importância para a eficiência no uso dos nutrientes, para a redução das perdas por lixiviação e/ou volatilização e para a qualidade e segurança dos alimentos. Numa abordagem para diminuir o custo da análise nutricional, foram implementadas em parcelas experimentais de olival em sebe na Herdade do Reguengo três modalidades de fertilização: a) a recomendada para olival em sebe; b) superior à recomendada; e c) modalidade testemunha (com níveis abaixo dos recomendados). Utilizaram-se três tipos de sensores de refletância (Figura 5). As variações induzidas pela fertilização têm, mais tarde ou mais cedo, repercussões no teor de nutrientes das folhas como as proporções entre macronutrientes principais – Azoto (N), Fósforo (P) e Potássio (K) e que se traduzem em alterações da sua coloração. Para a avaliação da refletância das folhas em laboratório temos vindo a utilizar três tipos de sensores, nomeadamente: um sensor considerado de baixo-custo (AMS S7265x 18-channel multispectral sensor), desenvolvido pela Universidade de Huelva (Espanha); um sensor de espectrometria de alta resolução da marca Ocean Insight (FLAME-T-XR1); e um sensor multiespectral (MicaSense RedEdge-MX, AgEagle Aerial Systems Inc., Wichita, KS, USA) acoplado a um Veículo Aéreo Não Tripulado (UAV do inglês Unmanned Aerial Vehicle) (HEIFU®, Beyond Vision, Lisboa, Portugal). A recolha das imagens realizada pelo sensor multiespectral foi feita em condições de campo, com um UAV que sobrevoava a parcela experimental. Nas mesmas datas em que se utilizaram os sensores, era realizada a recolha de amostras de folhas para análise química nutricional e assim “treinar” e “validar” os modelos de Machine Learning através da correlação entre os dados recolhidos. Os modelos de Machine Learning revelaram forte correlação entre os dados dos sensores e os níveis de nutrientes em folhas. O sensor multiespectral apresentou o melhor desempenho para os nutrientes P e K (R2 = 0,75 e R2 = 0,73, respetivamente). O espectrómetro FLAME foi mais preciso para o N (R2 = 0,64). Quanto ao sensor de baixo custo, os resultados não foram promissores, sendo necessária uma outra abordagem. Em conclusão, estes resultados têm evidenciado o potencial de tecnologias baseadas em sensores óticos para a monitorização não destrutiva e em tempo real dos nutrientes químicos. Figura 5 – Sensor de Baixo-Custo (esquerda), Espectrómetro “FLAME” (centro), Sensor Multiespectral acoplado a Veículo Aéreo Não Tripulado (direita)
RkJQdWJsaXNoZXIy MTgxOTE4Nw==