(Curadoria Agro Insight)
Na curadoria de hoje, trouxemos um texto da plataforma Visão de Futuro do Agro Brasileiro, sobre a evolução digital no Agro.
Avanços no uso das tecnologias no processo de transformação digital no meio rural
Existe um número elevado de termos utilizados para descrever a próxima agricultura, como agricultura inteligente (smart agriculture), agricultura 4.0, agricultura 5.0, entre outros, e isso indica que a agricultura está em efervescência.
A agricultura digital expressa a transformação digital que acontece em todas as etapas das cadeias produtivas, desde a pré-produção até a fase de pós-produção, passando pela produção (Massruhá et al., 2020). Parece haver consenso de que a internet, a conexão 5G no campo, o processo de tratamento e análise de grandes volumes de dados e a inteligência artificial têm o potencial de transformar os processos do campo.
Devido ao aumento de dispositivos, dados e comunicação envolvidos em redes IoT, e visando melhorar o tempo de resposta do processamento na nuvem, alternativas surgem por meio da computação de borda (edge computing), em que o processamento passa a ser mais próximo nas bordas das redes onde os dados são gerados, e da computação em névoa (fog computing), que são centros de dados mais próximos dos dispositivos do que a nuvem (Shi et al., 2016; Chen et al., 2017) (Ahmad; Nabi, 2021). Essas alternativas permitem maior interoperabilidade, distribuição geográfica mais ampla, interação em tempo real e suporte para redes de sensores em alta escala. Outro ponto importante relativo ao aumento de dispositivos conectados é a necessidade de disponibilização de novas fontes de energia, bem como sua forma de armazenamento, sendo esse mais um desafio para a implantação de amplas redes de IoT (Ayaz et al., 2019), incluindo no meio rural, no qual há a necessidade de cobertura de longas distâncias.
Com relação à agricultura de precisão integrada, automação e robotização, várias alternativas estão no radar. A Internet de Drones (IoD) pode coletar dados em áreas remotas com maior cobertura (Martos et al., 2021). Na robótica em nuvem, os robôs vão compartilhar dados e executar cálculos na nuvem (Afrin et al., 2021), enxames de robôs vão trabalhar de forma coordenada e poderão realizar tarefas complexas (Brambilla et al., 2013; Albiero et al., 2020; Dorigo et al., 2020). Uma nova geração de robôs autônomos poderá se autoevoluir para realizar uma tarefa específica enquanto se adaptam a mudanças ambientais (Alattas et al., 2019); robôs moles ou suaves (soft robots), feitos de materiais flexíveis, poderão imitar comportamento de organismos vivos (Schmitt et al., 2018; Appiah et al., 2019), e uma das aplicações reside na colheita de frutas (Navas et al., 2021). Além disso, avança a tecnologia de veículos autônomos aquáticos com melhores baterias, câmeras de alta definição e dispositivos de comunicação e de localização (González-García et al., 2020; Sánchez et al., 2020). Essas evoluções tecnológicas podem contribuir para a constante transformação digital nas cadeias produtivas visando a uma agricultura mais produtiva e sustentável.
Ao analisar as aplicações das tecnologias digitais (atuais e futuras) do setor produtivo em pesquisa amostral em todos os estados brasileiros, Bolfe et al. (2020b) observaram que cerca de 65% dos agricultores têm interesse em iniciar ou fortalecer o uso de aplicativos para obter informações de seus sistemas de produção visando ao melhor gerenciamento da propriedade (Figura 2). No entanto, as aplicações com maiores diferenças percentuais entre aplicações atuais e futuras estão relacionadas a tecnologias mais complexas que envolvem a detecção no controle de deficiências nutricionais (35%), doenças (33%), pragas (32%), falhas operacionais (29%), deficit hídrico (27%) e plantas daninhas (24%). Destacam-se também as aplicações nas estimativas de produção e produtividade (27%) e no mapeamento do uso do solo (21%).
Figura 2. Aplicações atuais e futuras em agricultura de precisão e digital. Fonte: Bolfe et al. (2020b).
BIBLIOGRAFIA E LINKS RELACIONADOS
VISÃO de futuro do agro brasileiro: sumário executivo. Brasília, DF: Embrapa, 2022. 8 p., 2022
AFRIN, M.; JIN, J.; RAHMAN, A.; RAHMAN, A.; WAN, J.; HOSSAIN, E. Resource allocation and service provisioning in multi-agent cloud robotics: a comprehensive survey. IEEE Communications Surveys & Tutorials, v. 23, n. 2, p. 842-870, Feb. 2021. DOI: https://doi.org/10.1109/COMST.2021.3061435.
AHMAD, L.; NABI, F. Agriculture 5.0: artificial intelligence, IoT and machine learning. Boca Raton: CRC Press, 2021. 242 p. https://doi.org/10.1201/9781003125433.
ALATTAS, R. J.; PATEL, S.; SOBH, T. M. Evolutionary modular robotics: survey and analysis. Journal of Intelligent & Robotic Systems, v. 95, p. 815-828, Sept. 2019. DOI: https://doi.org/10.1007/s10846-018-0902-9.
ALBIERO, D.; GARCIA, A. P.; UMEZU, C. K.; PAULO, R. L. de. Swarm robots in mechanized agricultural operations: roadmap for research. Anais do Congresso Brasileiro de Automática, v. 2, n. 1, 2020. 7 p. DOI: https://dx.doi.org/10.48011/asba.v2i1.1144.
APPIAH, C.; ARNDT, C.; SIEMSEN K.; HEITMANN, A.; STAUBITZ, A.; SELHUBER-UNKEL, C. Living materials herald a new era in soft robotics. Advanced Materials, v. 31, July 2019. DOI: https://doi.org/10.1002/adma.201807747.
AYAZ, M.; AMMAD-UDDIN, M.; SHARIF, Z.; MANSOUR, A.; AGGOUNE, E. M. Internet-of-Things (IoT)-based smart agriculture: toward making the fields talk. IEEE Access, v. 7, p. 129551-129583, Sept. 2019. DOI: https://doi.org/10.1109/ACCESS.2019.2932609.
BOLFE, E. L.; BARBEDO, J.; MASSRUHÁ, S.; SOUZA, K. de; ASSAD, E. Desafios, tendências e oportunidades em agricultura digital no Brasil. In: MASSRUHÁ, S.; LEITE, M. A. de A.; OLIVEIRA, S. R. de M.; MEIRA, C. A. A.; LUCHIARI JUNIOR, A.; BOLFE, E. L. (ed.). Agricultura digital: pesquisa, desenvolvimento e inovação nas cadeias produtivas. Brasília, DF: Embrapa, 2020a. p. 380-406. Disponível: http://ainfo.cnptia.embrapa.br/digital/bitstream/item/217713/1/LV-Agricultura-digital-2020-cap16.pdf. Acesso em: 9 dez. 2020.
BOLFE, É. L.; JORGE, L. A. de C.; SANCHES, I. D.; LUCHIARI JÚNIOR, A.; COSTA, C. C. da; VICTORIA, D. de C.; INAMASU, R. Y.; GREGO, C. R.; FERREIRA, V. R.; RAMIREZ, A. R. Precision and digital agriculture: adoption of technologies and perception of Brazilian farmers. Agriculture, v. 10, n. 2, 2020b. DOI: https://doi.org/10.3390/agriculture10120653.
BRAMBILLA, M.; FERRANTE, E.; BIRATTARI, M.; DORIGO, M. Swarm robotics: A review from the swarm engineering perspective. Swarm Intelligence, v. 7, n. 1, p. 1-41, 2013. DOI: https://doi.org/10.1007/s11721-012-0075-2.
CHEN, S.; ZHANG, T.; SHI, W. Fog computing. IEEE Internet Computing, v. 21, n. 2, p. 4-6, Mar./Apr. 2017. DOI: https://doi.org/10.1109/MIC.2017.39.
DORIGO, M.; THERAULAZ, G.; TRIANNI, V. Reflections on the future of swarm robotics. Science Robotics, v. 5, n. 49, Dec. 2020. DOI: https://doi.org/10.1126/scirobotics.abe4385.
GONZÁLEZ-GARCÍA, J.; GÓMEZ-ESPINOSA, A.; CUAN-URQUIZO, E.; GARCÍA-VALDOVINOS, L. G.; SALGADO-JIMÉNEZ, T.; CABELLO, J. A. E. Autonomous underwater vehicles: localization, navigation, and communication for collaborative missions. Applied Sciences, v.10, n. 4, Feb. 2020. DOI: https://doi.org/10.3390/app10041256.
International Telecommunication Union – ITU. Digital technologies to achieve the UN SDGs. Atualização dez. 2021. Disponível em: <https://www.itu.int/en/mediacentre/backgrounders/Pages/icts-to-achieve-the-united-nations-sustainable-development-goals.aspx> Acesso em 03 de jan. 2022.
MARTOS, V.; AHMAD, A.; CARTUJO, P.; ORDOÑEZ, J. Ensuring agricultural sustainability through remote sensing in the era of agriculture 5.0. Applied Sciences, v.11, n. 13, 2021. DOI: https://doi.org/10.3390/app11135911.
MASSRUHÁ, S. M. F. S.; LEITE, M. A. de A.; OLIVEIRA, S. R. de M.; MEIRA, C. A. A.; LUCHIARI JUNIOR, A.; BOLFE, E. L. (ed.). Agricultura digital: pesquisa, desenvolvimento e inovação nas cadeias produtivas. Brasília, DF: Embrapa, 2020. 406 p.
NAVAS, E.; FERNÁNDEZ, R.; SEPÚLVEDA, D.; ARMADA, M.; GONZALEZ-DE-SANTOS, P. Soft grippers for automatic crop harvesting: a review. Sensors, v. 21, n. 8, 2019. DOI: https://doi.org/10.3390/s21082689.
SÁNCHEZ, P. J. B.; PAPAELIAS, M.; MÁRQUEZ, F. P. G. Autonomous underwater vehicles: Instrumentation and measurements. IEEE Instrumentation & Measurement Magazine, v. 23, n. 2, p. 105-114, Apr. 2020. DOI: https://doi.org/10.1109/MIM.2020.9062680.
SCHMITT, F.; PICCIN, O.; BARBÉ, L.; BAYLE, B. Soft robots manufacturing: a review. Frontiers in Robotics and AI, v. 5, p. 1-17, July 2018. DOI: https://doi.org/10.3389/frobt.2018.00084.
SHI, W.; CAO, J.; ZHANG, Q.; LI, Y.; XU, L. Edge computing: vision and challenges. IEEE Internet of Things Journal, v. 3, n. 5, p. 637-646, Oct. 2016. DOI: https://doi.org/10.1109/JIOT.2016.2579198.
