Mundo do Vinho
A vinicultura pode evocar imagens bucólicas de vinhedos e adegas, mas o romance é apenas um dos lados dessa grande indústria que contribui com mais de 40 bilhões de dólares para a economia da Austrália a cada ano.
O manejo de pragas e doenças, a produção de uma cultura consistente e o uso eficiente da água são apenas alguns dos desafios que os vinicultores australianos enfrentam.
Mas como o Dr. Sigfredo Fuentes, um fisiologista e agrônomo de plantas da Universidade de Melbourne, aponta em uma nova pesquisa, publicada na revista Computers and Electronics in Agriculture, que a inteligência artificial e o aprendizado de máquina têm o potencial de mudar a face dessa indústria centenária.
Aqui estão cinco maneiras pelas quais a tecnologia de ponta está ajudando a manter nossas prateleiras de vinho abastecidas com produtos de alta qualidade.
1. Melhor gestão da irrigação
Os drones estão no centro de muitas estratégias agrícolas que trabalham para tornar as fazendas mais eficientes, e as vinícolas não são exceção.
As câmeras multiespectrais e infravermelhas térmicas montadas em drones podem captar sinais nas próprias videiras que indicam seu status de água, tirando fotos detalhadas à medida que voam sobre elas.
"Podemos captar sinais não visíveis em câmeras normais que nos ajudam a determinar se as plantas estão com estresse de água ou não", diz o Dr. Fuentes.
O modelo de aprendizado de máquina para avaliar o estresse foi desenvolvido usando dez índices de vegetação como insumo e é capaz de classificar as plantas em três níveis de estresse (ausente, moderado ou severo) com 83% de precisão.
“Também podemos fazer uma avaliação planta a planta com câmeras normais, onde observamos a área foliar das videiras e a cobertura do dossel para determinar seu crescimento e vigor”, acrescenta o Dr. Fuentes.
Isso permite que os produtores de vinho usem seus preciosos suprimentos de água e fertilizantes com mais eficiência.
Mas também pode fornecer informações sobre quais partes do vinhedo foram atingidas por doenças ou pragas, bem como quais plantas morreram e precisam ser substituídas.
“Tradicionalmente, um consultor de uma grande vinícola pode viajar de um lado para outro em busca de plantas doentes ou ausentes”, relata o Dr. Fuentes. “Isso é realmente demorado. Em vez disso, podemos pesquisar uma área de 45 hectares em 15 minutos e ter os dados prontos um dia depois. ”
2. Classificação de mudas de uva
Pode ser difícil distinguir algumas variedades de uva, mas os algoritmos podem ajudar a esclarecer quaisquer mistérios de Merlot ou Grenache, usando o mesmo tipo de imagens de folhas que podem fornecer informações sobre o estresse hídrico e o status de fertilizantes.
“Podemos tirar fotos de folhas de videira e depois analisá-las por meio de um algoritmo de aprendizado de máquina que nos diz tanto sobre a muda quanto o estresse hídrico”, explica o Dr. Fuentes.
O modelo de aprendizado de máquina usa 13 parâmetros morfo-colorimétricos (medições de forma e cor) como entradas e prediz a muda com uma precisão muito alta de 94 por cento, e estresse hídrico com uma precisão de 88 por cento.
“Esse algoritmo também pode fazer parte de um aplicativo de computador, que pode ser baixado em um smartphone ou tablet PC”, conta o Dr. Fuentes. “Então os usuários podem descobrir qual variedade de videira eles estão observando quando visitam qualquer vinhedo.”
3. Avaliação da contaminação das videiras após um incêndio
As uvas que estiveram muito próximas de um incêndio florestal podem produzir um vinho "manchado de fumaça", que tem um sabor distinto e desagradável de couro e fumaça.
Mas saber exatamente quais uvas foram contaminadas é difícil - a olho nu, elas têm a mesma aparência de uvas não contaminadas. A única maneira de diferenciá-las é através de análises laboratoriais tediosas e caras.
Mais uma vez usando drones, a equipe do Dr. Fuentes desenvolveu uma maneira de usar imagens térmicas de infravermelho para medir o padrão de temperaturas nas copas das videiras. Termografias são imagens nas quais cada pixel é uma medida de temperatura e não de luz.
“A contaminação por fumaça interrompe a temperatura das videiras, então medir este padrão térmico e analisá-lo através de modelos de aprendizado de máquina nos permite determinar quais plantas foram realmente afetadas por um incêndio florestal”, explica o Dr. Fuentes.
No momento, a maneira mais comum de medir a contaminação por fumaça é usando “plantas sentinelas” ao redor do vinhedo e testando suas frutas no laboratório, mas isso não é totalmente preciso, já que não considera a variabilidade espacial da contaminação.
"Nosso algoritmo pode fornecer um mapa preciso de quais áreas da vinha foram afetadas pela fumaça de um incêndio florestal, para que os produtores possam tomar decisões ao coletar suas uvas para evitar a contaminação”, garante o Dr. Fuentes.
4. Colher as uvas na hora certa
“Enólogos muitas vezes decidem quando colher uvas indo a campo e saboreando-as ou analisando-as quimicamente para medir os níveis de açúcar e acidez”, conta o Dr. Fuentes. "E embora isso possa ser romântico, não é objetivo, e não serve para a variação em todo o campo."
Um truque para determinar se uma uva está pronta para se tornar um vinho de qualidade é avaliar seu teor de açúcar, que será transformado em álcool durante o processo de vinificação. No entanto, mais importante é avaliar a produção de aromas e sabores, que pesquisas recentes mostraram estar relacionadas com o padrão de morte celular em uvas.
“Para a produção de vinho, você precisa que uma porcentagem da fruta esteja morta - é isso que produz os diferentes aromas e sabores”, explica ele. "Agora sabemos o nível de morte celular necessário para determinados vinhos."
A equipe do Dr. Fuentes utiliza um dispositivo portátil que usa comprimentos de onda do infravermelho para medir o nível de uvas e padrões de morte celular, determinado novamente por algoritmos de aprendizado de máquina.
"Então, os produtores de vinho podem ver em tempo real no campo quais uvas estão prontas para serem colhidas e quais não estão, o que significa que não precisam mais enviá-las para o laboratório", relata o Dr. Fuentes.
5. Estimando rendimento e qualidade
As informações de rendimento são o santo graal na agricultura para qualquer cultura, mas com tantas variáveis a serem consideradas - gerenciamento do tempo, água e fertilizantes, para citar algumas - é notoriamente difícil prever com segurança como a safra será ano a ano.
Estimar o rendimento no início da temporada é particularmente importante para ajudar os produtores de vinho a planejar a logística, incluindo a alocação de recursos, como água e fertilizantes, quantos funcionários devem contratar para a temporada, quantos barris devem estar prontos e assim por diante.
“As plantas de sentinela são a maneira mais comum de tentar prever o rendimento anual”, afirma o Dr. Fuentes. “Os produtores medem fatores como o crescimento do dossel, cachos por planta, bagas por cacho e peso das bagas e, em seguida, extrapolam isso para todo o campo. Mas isso só lhe dá 60 ou 70 por cento de precisão”.
Dr Fuentes e sua equipe estão usando big data e aprendizado de máquina para prever o rendimento sazonal mais rápido e com uma precisão esperada de cerca de 80-90 por cento, o que é muito maior do que as metodologias atuais.
“Pegamos dados históricos do vinhedo específico, que a maioria das vinícolas tem, como dados de solo, dados de gerenciamento, informações meteorológicas e rendimentos reais por temporada, e os inserimos em nossos modelos de aprendizado de máquina para prever o rendimento a partir da próxima colheita, desde os primeiros estágios de crescimento”, explica. "Isso significa que os produtores de vinho podem planejar essa colheita com muito mais eficiência".
Então, da próxima vez que você for de carro até a região vinícola, fique atento aos drones que voam por cima, eles podem estar mantendo seu vinho favorito na melhor forma.