Agricultura de Precisão e o processo de Big Learning

Agricultura de Precisão e o processo de Big Learning

Atualmente, existe um papo sem fim sobre a utilização do “big data” na agricultura, mas raramente sobre o aprendizado que deve vir atrelado a ele. Big Data se refere ao grande e volumoso fluxo de dados que está a ser gerado por máquinas, dispositivos e programas de software.

É um produto dos sistemas computacionais e informações que estão sempre em expansão. A adição contínua de novas tecnologias, tais como drones na agricultura de precisão, contribui para uma crescente quantidade de dados que estão sendo coletados e divulgados em uma frequência mais elevada e para um público mais amplo. Os responsáveis pela recepção destes dados, em muitos casos, não sabem o que fazer com eles e portanto, podem precisar de aprendizagem e tratamento destes dados. A aprendizagem sobre Big Data, também conhecida como “Big Learning” é um resultado da segunda revolução da informação e será melhor compreendida em um contexto histórico.

A primeira revolução da informação começou com a invenção da prensa para a impressão móvel em meados do século XV. Alguns historiadores referem-se à criação e circulação de livros impressos no final do período medieval, como uma nova aprendizagem. Em questão de anos, a transferência de conhecimentos passou de documentos, manuscritos e história oral, para a página impressa. Segundo a Wikipédia, mais de oito milhões de livros foram impressos até a virada do século XVI. Até o final do século XVI, uma fração cada vez maior de livros sobre assuntos de botânica e agricultura foram impressos. Um agricultor progressista naquela época só precisava aprender a ler, a fim de obter acesso ao mundo maravilhoso do animal e vegetal.

Em uma publicação de Organização de Alimentos e Agricultura (FAO), intitulada “Como Melhorar a Extensão Agrícola: Um Manual de Referência,” há um capítulo por Gwyn Jones e Chris Garforth sobre a história da extensão agrícola. Os autores observaram que a primeira tentativa prática de “extensão universitária” começou um pouco mais de 150 anos atrás na Inglaterra. Educadores universitários começaram a fornecer palestras sobre uma variedade de assuntos importantes para a população urbana e a rápida industrialização. A extensão agrícola surgiu no final do século XIX na Inglaterra e iniciou-se cerca de uma década depois, nos EUA.

O Impacto da Concessão de Terras

Após a aprovação da Lei Morrill, em 1862, as instituições de concessão de terras foram estabelecidos em cada Estado americano para promover a educação dos agricultores. Faculdades e fundos de concessão de terras federais começaram a criar parcelas experimentais, convidando os agricultores a avaliar os resultados. Em uma rápida sucessão durante as duas primeiras décadas do século XX, vários estados criaram agentes de extensão do condado, que se tornaria conhecido como clubes 4H. Educadores nesse momento compreenderam a importância da educação em cada introdução de novas tecnologias ou práticas na agricultura.

Ajudado pelo apoio federal para faculdades de concessão de terras em todo os EUA, o serviço de extensão tornou-se parte de quase todos os departamentos agrícolas. Até o final do primeiro trimestre do século XX, não era incomum para os novos professores assistentes para que esses pudessem ter a totalidade ou parte da sua nomeação, dedicadas à tarefas de extensão. Durante a maior parte da primeira metade do século 20, os ensaios de produtividade das culturas, estudos de conservação, bem como a avaliação de novos equipamentos, se tornaram comuns. No final deste período, aplicações químicas surgiram como a grande escolha para o controle de pragas na maior parte das culturas. Ao mesmo tempo, as empresas agrícolas começaram a financiar os seus próprios estudos e universidades de pesquisa, ampliando ainda mais a aprendizagem na agricultura.

O uso de rádio e televisão para transmitir informação agrícola tornou-se comum na década de 1950. A maior parte da transmissão da programação nestes meios, foi durante as primeiras horas da manhã para que os agricultores pudessem receber informações oportunas antes de ir para o campo. Na segunda metade do século XX, os professores tornaram-se especialistas em extensão de campo, com um foco limitado em uma ou duas culturas, mas uma gama mais ampla de especialização. Eles se tornaram hábeis em novas tecnologias, como a de modelagem em computadores mainframe para apoiar a tomada de decisões de produção e criação de equipamentos sofisticados, de monitoramento ambiental das culturas. O termo “New Learning” foi introduzido neste contexto, tais como manejo integrado de pragas (MIP), que foi implementado para melhorar o tempo de sprays químicos e reduzir o seu número, a fim de salvar os agricultores do custo elevado e limitar também o seu impacto ambiental.

O advento do computador pessoal (desktop), modens de comunicação e telefones celulares nas últimas três décadas do século XX, personalizaram a tecnologia tanto para o uso pessoal, como privado e áreas de extensão. Estas tecnologias de comunicação, juntamente com a Internet na década de 1990, iniciaram uma segunda revolução da informação. Aos poucos, a página impressa, deu lugar à página eletrônica e a circulação da informação na sociedade atingiu níveis incríveis com a cópia impressa. Como o acesso à Internet tornou-se mais rápido e mais barato, os computadores se tornaram móveis e telefones celulares tornaram-se inteligentes, uma enxurrada de dados e outras informações de muitas fontes tornaram-se disponíveis para toda a sociedade. Esta enxurrada ficou conhecida como “Big Data”.

Lidando com Big Data

Com o Big Data se tornando uma realidade, o próximo desafio foi fazer algo com ele. Tornou-se claro que o Big data exigiria uma aprendizagem “grande”, chamada Big Learning. Isto é, como aprender a ler, os indivíduos teriam de aprender novas habilidades em mineração de dados para revelar o conhecimento incorporado. Com este conhecimento, os indivíduos teriam a oportunidade de fazer as coisas de maneiras inovadoras e eficientes. No caso da agricultura de precisão, a mineração do grande porte de dados pode suportar aplicações de taxa variável mais precisas tanto no tempo, como no espaço. Da mesma forma, uma investigação sistemática destes dados pode permitir melhores planos de produção, por estar ciente da sincronia dos estágios de culturas e pragas durante determinados períodos de uma estação de crescimento. Por último, estes dados podem fornecer evidências para apoiar as práticas agrícolas, quase que intuitivamente.

Nos próximos anos, o Big Learning terá um número de ferramentas antigas e novas para auxiliar na leitura dos dados. Tais como, Inteligência artificial, redes neurais, treinamentos de simulação, e softwares de reconhecimento de padrões e algorítmos de aprendizagem profundas. Estes, são apenas alguns exemplos que vêm à mente. Além disso, o Big Learning poderá, eventualmente, ser assistido por máquinas inteligentes no campo que farão a análise em tempo real como um precursor necessário para a identificação de opções de gestão mais favoráveis.

Adaptado da revista PrecisionAg.com, co-escrito por Joseph Russo:

http://www.precisionag.com/opinion/joe-russo/precision-ag-big-data-learning/

 

Deixe uma resposta

O seu endereço de e-mail não será publicado.