Estudo de software para apoio a produção agrícola baseado em análise multicritério e aprendizado de máquina

• Processo: 18/01047-4
• Linha de fomento: Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Vigência: 01 de fevereiro de 2019 - 31 de outubro de 2019
• Área do conhecimento: Ciências Agrárias - Agronomia - Ciência do Solo
• Pesquisador responsável: Elaine Priscila de Andrade Garcia
• Beneficiário: Elaine Priscila de Andrade Garcia
• Empresa: Estatera Pesquisa e Soluções em Tecnologia da Informação Ltda
• CNAE: Atividades de apoio à agricultura
• Município: Campinas
• Bolsa(s) vinculada(s): 19/01446-9 - Estudo de software para apoio a produção agrícola baseado em análise multicritério e aprendizado de máquina, BP.PIPE
• Assunto(s): Tecnologia da informação Aprendizado computacional Desenvolvimento de software Análise do solo Degradação do solo Sustentabilidade Mudança climática

Resumo

Muitas regiões do país abarcam há tempos extensas áreas de agricultura e pecuária intensiva devido às condições de relevo, solo e clima. O principal problema ambiental gerado por estas atividades é a degradação do solo e esta condição preocupa, pois ela altera estruturas e funções ecossistêmicas, gerando sérios riscos à manutenção do solo, impondo limites à sua sustentabilidade e reduzindo a sua produtividade. Além das condições físico-químicas do solo, a mudança climática global tem alterado a temperatura e o regime de chuvas o que impacta diretamente na quantidade, qualidade, rentabilidade e sustentabilidade da produção agrícola. O presente projeto desenvolverá um estudo para a construção de software que indicará aos produtores agrícolas se o solo da propriedade está degradado ou não perante aos padrões químicos e físicos apropriados ao desenvolvimento de cada cultura por meio da geração de um Índice de Sustentabilidade Ambiental para garantir que a propriedade seja sustentável ao longo do tempo. O objetivo é combinar dados analíticos com o conhecimento e experiência do produtor para fornecer novos insights e melhorar a tomada de decisão. Além disto, este estudo prevê a coleta de dados para alimentar um ambiente de Machine Learning (aprendizado de máquina) o que garantirá a eficiência de todo o processo, fazendo recomendações de melhorias baseadas em projeções futuras originada da combinação de critérios. Tal software poderá ser utilizado como um "auditor da propriedade", pois além de indicar se o solo da propriedade está degradado, ele pode "certificar" a propriedade como sendo sustentável ao gerar o Índice de Sustentabilidade Ambiental, melhorando as condições para a obtenção de incentivos e crédito rural, por exemplo. As soluções existentes no mercado estão baseadas em dados analíticos fornecidos pela agricultura de precisão, porém até o presente momento não foi encontrado um modelo que englobasse os valores objetivos (necessidade) e subjetivos (experiência e conhecimento) do produtor decisor, fornecendo recomendações de acordo com contexto específico de decisão. Como proposta metodológica, a definição dos critérios químicos e físicos do solo que farão parte deste estudo foi obtida utilizando a análise multicritério, especificamente, o processo sociotécnico MACBETH o qual proporciona detalhamento do cenário em estudo, fornecendo informações relevantes para a tomada de decisão, pois ele é uma abordagem construtivista que engloba a componente social e a técnica. Já o "Machine Learning" é um conjunto de regras e procedimentos que permite que os computadores façam sugestões e melhorem tais sugestões ao longo do tempo quando expostos a novos dados. Portanto, conclui-se que a maior contribuição deste projeto, levando em consideração a metodologia proposta, será combinar os aspectos subjetivos com dados operacionais para fornecer recomendações a partir de projeções futuras dentro de um contexto específico e, com isso, minimizar as perdas (gestão de risco), antecipar as etapas da degradação do solo (uso sustentado do solo) e melhorar a autonomia financeira (garantia da produção agrícola), pois a estruturação dos dados a partir da análise multicritério combinada com o recurso de "Machine Learning" evidenciará o que pode ser potencializado ou evitado. Futuramente, outros critérios como clima e doenças poderão ser inclusos nas análises, aprimorando a sustentabilidade local. (AU)