O modelo, baseado no algoritmo Random Forest (RF), foi treinado com dados coletados em quatro fases fenológicas diferentes e em três épocas de cultivo

A área amarela clara representa a região de Emilia-Romagna (Norte da Itália), enquanto a área amarela escura representa a província de Piacenza; a área laranja representa a área de cultivo do “Aglio Bianco Piacentino”, onde estão localizadas as parcelas monitoradas A estimativa de produção de culturas subterrâneas, como o alho, é um desafio devido à impossibilidade de monitoramento direto por meio de imagens de sensores remotos. No entanto, uma equipe de pesquisadores desenvolveu um modelo de aprendizado de máquina (ML) para estimar a produção de alho utilizando imagens multiespectrais obtidas por meio de veículos aéreos não tripulados (VANTs). O modelo, baseado no algoritmo Random Forest (RF), foi treinado com dados coletados em quatro fases fenológicas diferentes e em três épocas de cultivo (2021, 2022 e 2023). O alho (Allium sativum L.) é uma das culturas bulbosas mais cultivadas no mundo. No entanto, prever a produção dessa planta tem sido um desafio crescente para os agricultores, devido a fatores como mudanças climáticas, escassez de água, custos crescentes e mercados imprevisíveis. Métodos tradicionais de monitoramento de crescimento são demorados e podem danificar as plantas, além de serem impraticáveis para grandes áreas. Nesse contexto, tecnologias de sensoriamento remoto, como imagens de satélite e veículos aéreos não tripulados (VANTs), surgem como soluções promissoras. Para selecionar os índices de vegetação (VIs) mais importantes, foi utilizado o algoritmo de eliminação recursiva de características. Duas estratégias de validação cruzada foram comparadas: validação cruzada aninhada "deixe-um-bloco-fora" (LOFOCV) e "deixe-um-ano-fora" (LOYOCV). Além disso, duas abordagens de estimativa foram testadas: uma estimativa direta do bulbo e uma estimativa indireta usando a biomassa acima do solo como proxy. A melhor performance foi alcançada pela estimativa direta do bulbo utilizando a estratégia LOFOCV. No entanto, em termos de transferibilidade entre anos, o método indireto mostrou-se mais eficiente. A adição de características de textura melhorou a precisão dos modelos RF, mas sua contribuição geral foi considerada baixa. O estudo demonstrou que é possível estimar com precisão a produção de vegetais bulbosos através do sensoriamento remoto. Os VANTs mostraram-se ferramentas adequadas para fornecer suporte rápido e confiável no monitoramento da produção de alho. A combinação de tecnologias de sensoriamento remoto e algoritmos de ML, como o RF, pode revolucionar a agricultura, permitindo estimativas precisas e não destrutivas da produção de culturas, mesmo aquelas com crescimento subterrâneo. A adoção dessas tecnologias pode trazer inúmeros benefícios para os produtores de alho, oferecendo uma maneira eficiente e precisa de monitorar a produção ao longo das estações de cultivo. Com a capacidade de detectar anomalias no crescimento das culturas precocemente, os agricultores podem tomar medidas corretivas de forma oportuna, potencializando o rendimento e minimizando perdas. Artigo escrito pelos cientistas que desenvolveram o estudo pode ser lido em doi.org/10.1016/j.atech.2024.100513 Distribuição dos dados de campo (Altura de Cultura – CH, Índice de Área Foliar – LAI, Teor de Clorofila Foliar – LCC, Teor de Clorofila na Copa – CCC, Biomassa Acima do Solo – AGB, Bulbo), nas diferentes fases fenológicas (BBCH 202 – BBCH 405 – BBCH 407 – BBCH 409).