Pesquisa da UnB identifica ervas daninhas com 96% de precisão e promete transformar o monitoramento agrícola no DF
A expansão de espécies daninhas é um dos maiores desafios para a agricultura moderna. No Cerrado, bioma que abriga parte significativa da produção de grãos do país, o avanço do Amaranthus palmeri, popularmente conhecido como caruru-palmeri, tem preocupado agricultores e pesquisadores por provocar perdas milionárias na produtividade de soja e algodão.
Com fomento da Fundação de Apoio à Pesquisa do Distrito Federal (FAPDF), o professor Edilson de Souza Bias, do Instituto de Geociências da Universidade de Brasília (UnB), coordena o desenvolvimento de uma plataforma de código aberto integrada a ferramentas de inteligência artificial (IA) voltada à identificação automática de plantas invasoras. A iniciativa é resultado do edital Agro Learning (2023) e envolve parceria do Laboratório de Visão Computacional da Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) com a Universidade do Estado do Rio de Janeiro (UERJ).
Tecnologia e precisão no campo
O projeto começou a ser idealizado em 2018, mas ganhou força em 2023, quando a Secretaria de Agricultura, Abastecimento e Desenvolvimento Rural do DF (Seagri-DF) alertou para o risco da chegada do caruru-palmeri à região. As primeiras análises foram conduzidas no município de Sapezal (MT), onde a infestação já havia provocado prejuízos de até US$ 18,5 milhões em fazendas de soja e algodão.
Utilizando drones equipados com sensores de alta resolução (GSD de 2,5 cm, ou seja, capazes de registrar detalhes de até 2,5 centímetros por pixel), a equipe desenvolveu um modelo de aprendizado profundo (deep learning), técnica de inteligência artificial que ensina o sistema a reconhecer padrões visuais a partir de grandes volumes de imagens, alcançando 96% de precisão na identificação das plantas invasoras.
O modelo foi construído a partir de milhares de imagens aéreas captadas por aeronaves não tripuladas de mapeamento profissional, em especial um drone DJI Matrice 300 RTK, equipamento de alto desempenho usado em levantamentos topográficos e agrícolas de precisão. O drone foi acoplado a sensores RGB, multiespectral, termal e LiDAR (Light Detection and Ranging, ou Detecção e Medição da Luz), que emitem pulsos de laser para medir o tempo de retorno das reflexões e criar modelos tridimensionais da vegetação e do relevo.
Essa combinação de sensores permite capturar diferentes tipos de informação — desde a cor e textura até o calor e a estrutura das plantas. Em campo, a equipe avaliou a resposta de cada sensor para definir quais apresentavam maior eficiência na detecção da espécie Amaranthus palmeri.
Esse conjunto tecnológico utiliza o sistema RTK (Real Time Kinematic), que faz correções em tempo real no posicionamento do drone e garante precisão centimétrica — requisito essencial para diferenciar espécies semelhantes em meio às lavouras.
As imagens passaram por testes de altura de voo e resolução para definir o ponto ideal entre abrangência e detalhamento. Com os dados ajustados, a equipe treinou uma rede neural profunda — estrutura computacional inspirada no funcionamento do cérebro humano — que aprendeu a distinguir automaticamente as plantas invasoras com base em padrões sutis de cor, textura e formato. Foram testadas diferentes arquiteturas de redes, como U-Net, ResU-Net e DeepLabv3+, para alcançar o melhor desempenho na segmentação das imagens.
Além do Amaranthus palmeri, a equipe também identificou e mapeou o Amaranthus híbrido, uma variante igualmente resistente aos herbicidas e de difícil controle nas lavouras. O processo contou com a participação de bolsistas de graduação e pós-doutorado da UnB, responsáveis pela coleta de dados e pelo treinamento do algoritmo. O resultado é um sistema capaz de processar imagens de diferentes drones e gerar coordenadas geográficas precisas das áreas afetadas.
“A plataforma de código aberto já está pronta e será aplicada no DF como fase final do projeto. O objetivo é permitir que a Seagri utilize a ferramenta para identificar e mapear as áreas afetadas de forma rápida e precisa”, explica o professor Edilson Bias.
O projeto conta com bolsistas de graduação e pós-doutorado da UnB e mantém colaboração com o Laboratório de Visão Computacional da PUC-Rio, coordenado pelos professores Raul Feitosa e Gilson Alexandre, referências nacionais em IA aplicada.
Por Agência Brasília, com informações da FAPDF | Edição: Vinicius Nader
