Gestão de dados geoespaciais com interface para aplicação de Inteligência Artificial (IA)

• Processo: 23/06905-7
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de agosto de 2023
• Data de Término da vigência: 31 de julho de 2025
• Área de conhecimento: Ciências Agrárias - Engenharia Agrícola
• Acordo de Cooperação: MCTI/MC
• Pesquisador responsável: Durval Dourado Neto
• Beneficiário: Antonio Jose Homsi Goulart
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Vinculado ao auxílio: 22/09319-9 - Centro de Ciência para o Desenvolvimento em Agricultura Digital - CCD-AD/SemeAr, AP.CCD
• Assunto(s): Agricultura
• Palavra(s)-Chave do Pesquisador: Agricultura 4 | Dados geoespaciais | Inteligência Artificial (IA) | 0 | Tecnologia/Geotecnologia/Geoprocessamento

Resumo

A combinação de imagens digitais com algoritmos de inteligência artificial tem diversas aplicações potenciais na agricultura. No entanto, a complexidade do ambiente agrícola faz com que a informação contida em tais imagens não seja suficiente para fornecer uma resposta assertiva que de fato auxilie na tomada de decisões.Com a evolução do uso de sensores (solo, umidade, molhamento foliar etc.), bem como o aumento da confiabilidade de registros históricos de variáveis meteorológicas e fitossanitárias, diferentes fontes de informação cobrindo vários aspectos da lavoura ou rebanho podem ser exploradas em conjunto com as imagens para uma melhor caracterização do que ocorre na propriedade. Isto é particularmente importante para pequenos e médios produtores, uma vez que se torna possível monitorar a propriedade de maneira efetiva a um custo relativamente baixo.A construção de bases de dados adequada é relativamente simples no caso de sensores meteorológicos e ambientais, bastando para isso que se garanta o funcionamento contínuo de tais sensores ao longo de um período representativo e um armazenamento adequado dos dados gerados. No caso de imagens, o desafio é muito maior, sendo a inexistência de bases de dados realmente representativas o maior obstáculo para a adoção prática deste tipo de tecnologia. A literatura possui muitos trabalhos comprovando o poder preditivo das redes neurais profundastreinadas com imagens digitais, porém em todos os casos a base de imagens utilizada na pesquisa ainda é limitada para que tais ferramentas tenham uso prático.Como elemento importante nesse processo, o aprendizado de máquina pode ser visto como um diferente paradigma de programação, em que procedimentos computacionais são aprendidos diretamente a partir dos dados de entrada, em vez de serem explicitamente codificados por um programador. Foi somente com o uso do aprendizado de máquina que tarefas perceptuais, como reconhecimento e segmentação de imagens, puderam ser devidamente modeladas para lidar coma enorme variabilidade encontrada nos dados de entrada. As redes neurais profundas são exemplos do sucesso desse paradigma, não só pelo seu bom desempenho em tarefas perceptuais, como também pela possibilidade do aprendizado de ponta a ponta (end-to-end learning), em que um único modelo (a rede neural) realiza todo o processamento. Assim, um dos grandes desafios do CPAD será a geração de bases de dados representativas, o que demandará não somente um grande esforço de campo para captura das imagens, mas também um envolvimento efetivo de especialista capaz de rotular corretamente o grande volume de dados que será gerado e de propor novas estratégias de coleta de dados empregando os conceitos da área.O especialista em ciência de dados, previsto para essa bolsa de Pós-Doutorado, desenvolverá estratégias de gestão de dados - envolvendo coleta, preparação e combinação de variáveis de interesse para alimentar algoritmos de aprendizado de máquina. (AU)