INTELIGÊNCIA ARTIFICIAL APLICADA NA AGRICULTURA

se você já conhece a inteligência artificial sabe como ela pode e já está revolucionando a agricultura por vídeo de hoje o professor Sávio Valente do departamento de Engenharia Agrícola da Universidade Federal de Viçosa vai abordar este e outros temas relacionados à machine learning Deep learning e inteligência artificial para em diferentes sensores máquinas revolucionando a agricultura antes de irmos porém o vídeo clique em gostei se inscreva no canal para ficar antenado a outros vídeos relacionados ao tema e também a acione o Sininho em E aí [Música] Olá primeiramente gostaria de agradecer né o convite foi me

convida tá onde falar sobre inteligência artificial na agricultura é um tema que a gente é uma ferramenta né que a gente tem utilizado aí nos nossos projetos eu tenho trabalhado muito desde do meu doutorado com agricultura de precisão e mais recentemente agricultura digital Então a gente tem me ajudado aí no que é possível os departamentos aqui da Universidade departamento de zootecnia o departamento de agronomia né então a gente tem ajudado nessa questão aí de dar Inteligência Artificial do processamento de dados e eu tô falando isso porque isso é um tema que é ele abrange toda

a agricultura então ele não fica somente preso por exemplo ao pessoal da Ciência da Computação ou pessoal da Engenharia Agrícola por exemplo mas sim circunda né todo aí tudo que a gente vende agricultura tá é meu meu o valente Sou professora que não é fervendo departamento de área agrícola para quem quiser seguir a gente aí nas redes sociais Eu tenho um canal onde eu passo várias postagens mais técnicas que é o agricultura de precisão e também tem um canal no YouTube agricultura digital tá bom sem mais demora né Vamos aqui avançar com a nossa apresentação

Eu não eu não poderia né avançar sem definir um pouco aí sobre agricultura de precisão que eu considero que foi onde começou a agricultura digital né entanto quando a gente fala de agricultura de precisão normalmente a gente fala em termos de variabilidade espacial ou seja nós estamos querendo fazer um manejo da variabilidade espacial manejo considerando que existe variação no campo tá E para isso logicamente a gente segue algumas etapas então a gente obtém os dados para obter os dados a gente pode utilizar para exemplo quadriciclo para fazer uma amostragem georeferenciado tô longe E aí os

drones a gente pode utilizar também as colhedoras para medir o que está sendo colhido no momento que está sendo colhido no local está sendo colhido Depois desses dados a eles devem ser processados né logicamente a gente faz uma recomendação Então a gente vai corrigir a gente vai atuar depois que a gente faz isso então a gente vai avaliar o retorno que a gente teve com essa atuação que a gente teve E aí na logicamente nós vamos obter novos resultados E aí novamente nós vamos processar recomendar e a toalha e assim a gente vive nesse círculo

tá então eu vou falar aí em termos de Inteligência Artificial como que ela se encaixa dentro desse processo tudo tá bom primeiramente falando então do processo de obtenção de dados né a gente tem hoje as colhedoras essas escolhas elas estão dotados logicamente com GPS com sensores dos mais diferentes tipos principalmente sensor de fluxo de grãos e conheço aí e tem uma informação que eu considero que é uma das primordiais para quem quer fazer agricultura de precisão que é a produtividade então nós podemos saber não somente a produtividade média do talhão mas a produtividade que a

gente obteve e cada parte da nossa fazenda em cada parcela do nosso talhão então a gente pode identificar as zonas onde eu tenho por exemplo alta produtividade e isso pode ser recorrente ou não e eu posso identificar zonas que eu tenho baixa produtividade e isso é importante para a gente para a gente poder fazer tanto manejo da fertilidade para mas também identificação de doenças pragas compactação de solo e enfim entrar com todo o manejo uma gestão agrícola em cima dessa variabilidade que existe nos campos amigos então a outra forma da gente Obter dados e através

da amostragem de solo existem na agricultura de precisão vários várias técnicas de amostragem essa aqui é uma delas nesse caso aqui a gente faz uma amostragem né que a gente chama de amostragem a grade uma mostrar o uniforme grade nesse caso aqui a gente coletou uma amostra de solo a cada hectare logicamente essa amostra de solo que a gente coleta né é uma mostra composta em torno desse ponto então por exemplo nesse ponto aqui né que está localizado aqui numa área qualquer um ponto Qualquer esse ponto e torno dele a gente coleta aí várias subir

amostras tá essas subir amostras amostras Simples então a gente junta isso tudo né Isso vai vida vai virar uma amostra número 200 sem e assim sucessivamente Isso vai ser empacotadas etiquetado vai ser levado para o laboratório como eu sei a posição geográfica de cada de cada amostra composta então a gente sabe os valores e de onde eles vieram tá aí com isso a gente pode elaborar algumas outras informações os mapas de variabilidade espacial dos mais diferentes atributos do solo né teor de argila teor de potássio fósforo e assim sucessivamente E logicamente pra gente poder fazer

isso da forma mais rápida e de forma o João formou operacional mais rápido ainda com maior capacidade de trabalho a gente normalmente utilizo alguns equipamentos específicos para isso é uma outra forma da gente Obter dados é através de sensores lógico a gente pode utilizar por exemplo aqui ó um sensor de condutividade elétrica aparente do solo esse aqui é um tipo aqui a gente tem um outro equipamento também para medir a condutividade elétrica aparente do solo nesse caso ele mede a condutividade em diferentes profundidades do solo então ele entra em contato com o solo mas o

bulbo de condutividade elétrica gera EA profundidade para gente que a gente desejo nesse caso aqui é o equipamento francês da ideal carta esse equipamento ele média na profundidade de 50 cm e 1,2 m de profundidade Oi e ele gera apresenta o mapas desse tipo aqui onde a gente poderia ter um raio-x da aro não tem muita gente que faz uma correlação da condutividade elétrica com os atributos do solo a gente normalmente faz isso nos artigos científicos mas a ideia básica da condutividade elétrica é a gente identificar os padrões ou seja locais que eu tenho uma

quantidade de alerta mais alto e locais que eu tenho a condutividade elétrica mais baixo por isso a gente poderia segregar o solo é um significa por exemplo que aqui eu tenho um solo semelhante E aí a gente poderia considerar esse solo semelhante fazer uma amostragem identificar o que que a gente tem ali fazendo uma amostragem nesse caso amostragem dirigida que é uma outra técnica de amostragem que a gente tem bom esse aqui é um outro equipamento esse aqui Inclusive eu mais famoso deles né de uma empresa chamada Vera i-tec Estados Unidos e esse equipamento é

o vezes né então ele mede a condutividade elétrica aqui ó através do contato dos discos com o solo ele mede a condutividade elétrica no perfil de 30 cm do solo e também de 90 cm do sol tá eu tomar é a distância entre os discos aqui indica pra gente a profundidade né de medição do perfil do sol esse equipamento já existe equipamento desse mais novos que é capaz de medir também em tempo real né Qual que é o PH no sistema Stop no Google ou onde gol na medida que a máquina anda faz a medição

e também tem um sistema é com espectrometria que mede a reflectância do solo utilizando sensores óticos né para medir aí é por exemplo a matéria orgânica Lógico que ele não mede a matéria orgânica mas esses dados nos dá uma correlação com a matéria orgânica E logicamente não me evita que a gente tem uma amostragem Mas pode reduzir muito a quantidade de amostra necessário E com isso a gente pode elaborar mapas até mais preciso é esse equipamento aqui que eu falei para vocês então ele eu Veres o 3 né já evolução e ele mede a condutividade

elétrica no perfil 60 centímetros ele mede também o BH e ele mede também a matéria orgânica né logicamente no sistema indireto através de uma de uma reflexão se ele mede aí a reflectância no vermelho no infravermelho com base nisso e algumas amostras solo ele já era o modelo para poder fazer a estimativa para toda hora ah essa que a ideia aqui tá mostrando a gente conhecer equipamento esse equipamento foi doado pela Universidade de illinois e a gente foi para a Lucas do Rio Verde nós coletamos dados lá em Lucas hoje ele continua no Mato Grosso

coletando alguns dados já está retornando para Rio Paranaíba para gente coletar outros dados com esse cara tá é um sensor é eu estive né logo ali início da pandemia eu estive na Alemanha numa feira muito grande chamada água e técnicas essa filha é uma das maiores do mundo é eu acho que deve ter lá em torno de uns 80 hectares só de fila ter agrícola e foi apresentado muitas máquinas muito sensores né muita coisa nova nessa feira e um dos sensores que foi apresentado lá esses só eu reader esse equipamento aqui cê e fabricantes canadense

ele é capaz de medir em diferentes profundidades os teores né de nitrogênio constituintes do solo nitrogênio fósforo potássio e ficou relaciona com vários atributos do solo logicamente pessoal coleta se muitos dados mas é de sua a quantidade de dados mas logicamente não evita que você tem algumas amostras do Sol você precisa de terça mostrar logicamente até para fazer uma calibração e uma verificação né validação e aqui na FV a gente tem feito alguma coisa nesse sentido também nós fizemos um trabalho aí que foi publicado em 2010 na preciso não abre o áudio que a ideia

de um sensor para medir também os nutrientes do solo logicamente nesse caso nós não medimos diretamente no solo o senso de bancada né é usado aqui um repertório de homem E logicamente nós não medimos diretamente no solo nós medimos numa resina por quê Porque é uma crítica muito grande que nem tudo aquilo que está no solo às vezes é medíocre um fator alto em tudo que está no solo está disponível para a planta então a ideia aqui foi usar uma resina para subtrair né e simula aí como você como simulasse né se fizesse aí uma

papel da raiz acaba sugando ali do solo alguns nutrientes e então a gente faz a medição nessa resina logicamente é um trabalho Inicial mas depois nós já fizemos outras coisas né utilizando aí um sensor de baixo custo e mais recentemente nós estamos trabalhando através de um orientado meu doutora a chave cortado nós estamos trabalhando aí um sensor que mede a reflectância nem a transmitância numa trombeta dessa então a gente pode colocar aqui a trombeta E aí a gente pode determinar vários dados nesse caso aqui a gente determina comprimento de onda de varia de reflectância né

que variando o comprimento de onda de 400 até 1700 nanômetros e são vários dados que a gente pode obter E logicamente esses dados poderiam nos dar com relações interessantes por exemplo com alguns atributos do solo EA gente tem obtido isso outra forma de Obter dados através de câmeras Né desde câmeras mais baratas por exemplo a map é uma câmera que adaptada mas média aí o comprimento de onda do vermelho e infravermelho lhe conheço a gente pode calcular um índice de vegetação antes de vegetação chamado ndvi lógico isso aqui poderia nos indicar por exemplo alguma variabilidade

que teria na área e temos de índice de vegetação ou seja plantas mais saudáveis e plantas menos saudáveis onde vou dizer saudável mas eu vou dizer com maior massa e tem a raça é o menor massa acaba indicando para gente que aquela que tem menor massa poderia ter algum problema mas aí logicamente você vai e a campo e verificar o que está ocorrendo e esse é o objetivo né quando a gente passa para o uso de câmeras com é o drones em como será uma plataforma que carrega essas câmeras então o mais importante um drone

não é nem um drone mas sim o sensor que vai nele no caso a câmera então aqui a gente tem um exemplo de uma câmera dessa uma câmera me cassems uma câmera mais cara né E essa câmera já tem cinco bandas e veja que cada banda é um canal diferente é como se fosse 5 câmeras diferentes de uma câmera só não é porque aqui a gente tem um único sensor aqui a gente tem vários sensores e isso logicamente nos dá muito mais precisão na hora da gente medir esses canais diferente e com esse cinco canais

diferente a gente pode gerar mais de vinte e antes de vegetação diferente então só para vocês entenderem a quantidade de dados que a gente consegue gerar com essas com essas o que mede apenas de bandas posso tirar 20 anos de diferentes índices de vegetação então É como se eu tivesse cinco variáveis e conseguisse gerar aí 20 variáveis tá a gente agora tem um essa mesma marca né lançou mais recentemente a alto essa aqui tem também além dos cinco canais ela tem um sexto canal que é uma intermall o Infame infravermelho termal logicamente essa câmera tem

um custo ainda maior do que essa segunda e mais recentemente pessoal já tá lançando câmeras e a gente chama de hiperespectrais que faz aquela mesma ideia do sensor que eu mostrei pra vocês então a mente que faz medições aí de 400 nanômetros é até 950 nanômetros divididos aí em 125 bandas diferentes logicamente uma câmera mais pesada uma câmera mais cara e você precisa de uma plataforma nem um robô um drone mais pesado mais robusto para conseguir suportar e carregar essa câmera um longo período de tempo é lógico né pessoal o celular passou a ser uma

grande fonte de informação para aqueles que estão trabalhando com agricultura então a gente pode tomar esses dados e a gente pode fazer uma gestão de pessoas também utilizando o próprio celular e lógico esses dados que são metidos a gente pode utilizar a inteligência artificial e outra forma da gente Obter dados é através do uso de lógico satélite drones que eu já apresentei falando aqui no satélites a gente tem aí imagens gratuitas do sentinel-2 lendo sat-8 simples quatro aqui inclusive um satélite brasileiro muita gente não sabe gente satélite brasileiro consorciado com a China e mais recentemente

o brasileiríssimo amazônico um né então esses são algumas Fontes daí que a gente pode utilizar para obter da e mais recentemente ainda né a gente tem apresentação e de vários roubos isso vem muito forte a gente viu isso muito forte na agrotécnica em 2019 uso de robôs estão aqui a gente tem um exemplo um robô da Bosch chamado bom e blog esse robô ele é muito interessante porque ele ele nos lembra os primeiros computadores que surgiram né então os primeiros computadores todo mundo achava assim a vai ser o computador e tal mas na verdade o

que a gente viu o mesmo depois foi um Boom de softwares novos offers e aqui me lembra é isso porque porque nós esse robô é uma plataforma então a gente né como agrônomo como Engenheiro a gente pode colocar aqui as plataformas criar novas plataformas criar novas ferramentas e encaixar nesse robô que vai executar alguma coisa que a gente deseja né então eu poderia por exemplo colocar um sensor de resistência à penetração do solo que vai fazer medições do campo ou então eu posso colocar um sistema de pulverização que vai a imagem aplicar somente onde eu

desejo então não teria pessoas envolvidas apenas robô transitando pelo campo executando aquilo que a gente ordenou para ele executar eu fiquei um tempo na em universo of illinois 2018 lá na universidade eu passava todo o dia em frente ao laboratório lá eles construíram um robozinho que é exatamente esse roubou aqui na época um pouquinho mais rudimentar o roubo era todo impresso na impressora 3D e o que que ele fazia ele obtia dados e que tipo de dados dados para presente fazer melhoramento genético não tem aqui nesse caso ele tá fazendo medições eu não sei se

vocês estão conseguindo visualizar num vídeo mas ele tá fazendo medições por exemplo da largura aí do cômodo a planta de milho é a inserção da folha e coisa desse tipo né que ele faz menção tonifica simplesmente coletando dados para logicamente avançar para um melhoramento genético mais robusto e aqui a gente começa a saltar de patamar né aqui a gente não tá mais a Poliana em termos de variabilidade espacial que aquilo que a gente falou na agricultura de precisão mas a gente avançamos um nível superior de coleta de dados para melhoramento genético então a gente parte

para outro patamar E aí a gente começa a entrar com a agricultura digital tá esse aqui é um robô né a nível brasileiro UFV esse é o nosso receber boot que a gente está construindo aqui na web um projeto passar permitem-nos e que não financiou e a gente está construindo esse robozinho esse aqui é um sonho nosso e que o professor André aqui da UFG tá colocando em funcionamento graças a ele a gente tá então avançando na construção desse desse robô é um projeto que foi aí É financiado né um projeto que eu escrevi em

2017 para o CNPQ EA gente tá aí avançando na construção de sua boa inclusive ele tem placa solar logicamente a gente quer coletar dados e a gente não pode esquecer de falar e da internet das coisas né E vai gerar uma quantidade da com esses dados conectados em tempo real todo sendo todos eles sendo deslocado lá para sede da Fazenda então a gente pode ter por exemplo a máquina conectada nessa rede com vários sensores a gente tem sensores por exemplo de solo sensor de planta né eu posso tensor da vaca Eu posso ter sensor do

solo posso ter sensor da planta do clima e assim sucessivamente é uma quantidade de dados muito grande então é o que a gente tá vendo hoje a tendência a digitalização da Agricultura envolvimento de vários sensores novas plataformas robóticas que eu acabei de comentar aumento da conectividade no campo a gente tá vendo aí é o pessoal da Space leque lançando satélites para a gente poder ter por exemplo satélite em qualquer lugar do planeta internet em qualquer lugar do planeta armazenamento e processamento de dados em nuvem a gente tá vendo está qualquer senha de logicamente a gente

cai aqui dentro do da passagem e da Inteligência Artificial tá E é difícil né logicamente que a gente vai falar para e processar esses dados né logicamente a gente tem que avançar com esses dados Então a gente tem que fazer limpeza de dados a gente tem coletar os dados para uma correta a gente precisa de visualizar dados fazer estatística e geoestatística não é modelagem sem programa E aí a gente pode fazer por exemplo já era modelos né gerar novas features por exemplo o índice de vegetação e aí a gente pode criar os nossos modelos de

maxilar exemplo utilizando aí algoritmos como randolph hearst caminhos é sbm é que Jesus e assim sucessivamente inteligência usando redes neurais artificiais para gente poder fazer predição e classificação e algumas recomendações aí para ajudar no nosso processo de tomada de decisão tão a inteligência artificial pessoal quando a gente fala Inteligência Artificial ela é um campo maior logicamente dentro dela inclui várias coisas então a gente tem por exemplo linguagem natural Onde por exemplo um operador ele entra e quando ele entra já tem lá um reconhecimento facial que já reconhece quem é aquela pessoa já dá um bom

dia para ela já avisa para ela pode ser apresenta a ordem de serviço dela daquele dia nele pode conversar com essa pessoa e tempo real na máquina máquina para pessoa de pessoa para máquina né E aí a gente pode também incluir aqui a robótica logicamente a robótica é uma plataforma mas existe ali uma inteligência por trás daquilo para fazer as coisas acontecerem de forma autônoma dentro da Inteligência Artificial também incluir que a gente chama de Mach Lane dentro do maxilar inclui técnicas e a gente chama de depilar são redes neurais Profundas tá então uma rede

neural ela faz o que o macho não faria então aqui a gente pode resolver problemas mais sofisticados E logicamente dentro dessa interface toda que entra o que a gente chama de datações gente precisa do datações data sais a exploração dos dados né explora os dados cria novas filho E cria novas informações e eu vou dizer para vocês que quem é agrônomo por exemplo que tá trabalhando com uma modelagem de alguma coisa ele é muito interessante ele conhece ele conhecesse background dele né como agrônomo para ele poder ajudar não datações para alimentar esses modelos de máquina

lá porque o modelo de Martini não fique somente do algoritmo mas ele vida alimentação Condado e eu preciso das vezes as vezes gerada dados são Dados informações em interessantes para esse modelo performar bem que nem sempre ele vai para formar bem se você entrar com dados de qualquer jeito tá então é preciso o conhecimento né conhecimento técnico ele é muito importante aqui quando ele fala em inteligência artificial é bom a gente pode dividir os modelos de Inteligência Artificial e basicamente dois tipos né aprendizado que se chama de aprendizado supervisionado e o aprendizado não supervisionado é

dividido basicamente dessa forma o aprendizado supervisionado né Vamos assinar que eu queira é geral modelo para identificar o que que é laranja o que que é massa a E aí vamos imaginar então que eu vou fazer esse teste com vocês vocês aí em casa pode imaginar isso ou mais na que eu pego vocês vivendo o os olhos e você coloca uma venda vocês não sabem que fruta que eu tenho aqui na minha mão e aí viu te faço a pergunta que fruta que eu tenho aqui na minha mão Oi e aí você não está não

está vendo Então é provável que você me faria algumas perguntas e aí eu te pergunto quais as perguntas você me faria e é provável que você me perguntaria por exemplo Qual é a cor da fruta que eu tenho na mão Qual que é a massa dela dureza textura Qual o diâmetro é você me faria perguntas e essas perguntas que você me faria exige um conhecimento técnico para você identificar com facilidade que fruta que é se é maçã ou se é laranja tá e quando a gente faz isso né a gente faz essas perguntas a gente

novamente chama essas perguntas de fishers aqui no maxilar nós não gostamos de chamar essas perguntas nessas filhos nós não gostamos de chamar isso de variáveis as variáveis Independentes Então nem pensar porque não necessariamente são variáveis Independentes tá porque porque não imaginar da Inteligência Artificial nós estamos e nós estamos interessados em fazer previsões mais corretas possível aí depois eu vou falar um pouco mais isso E aí isso né essa esse conjunto de perguntas a gente e em colunas tá no banco de dados que nós chamamos de banco de dados x e cada linha do nosso banco

de dados é um exemplo é uma mostra é um exemplo então aqui eu tenho um exemplo de uma maçã aqui eu tenho um outro exemplo de maçã aqui outro aqui um de laranja aqui outro de laranja e aqui outros laranja então aqui no total tenho seis linhas no meu conjunto X é logicamente que a gente precisa de muito mais do que a gente tem várias perguntas que são as nossas colunas isso compõe o nosso a nossa Matriz x tá e se eu te perguntasse né se tem uma maçã é uma laranja provavelmente sabe falar com

a maçã mas na hora que a gente abrir você vai perceber não está laranja né então os modelos era assim como nós erramos tá porque porque a gente pega as características que às vezes faltou alguma coisa que era necessária Mas a gente não tinha essa pergunta aí meu modelo falho porque eu não tenho essa pergunta às vezes por que você não quer que fazer um modelo descritivo presente que vai te precisa presente cortar afro o tipo TS e que nesse caso né a gente tenho 100 maçãs a laranja eu tenho aqui o nosso vetores nosso

vetores nada mais é do que a resposta por isso que a gente chamada supervisionado Então eu preciso derrotou lá olha isso aqui é uma maçã Isso aqui é uma ação e se amassar Então os três exemplos aqui seria maçã então eu seria por exemplo os três linhas aqui do meu banco de dados depois eu teria as três últimas que seria presente laranja e assim a gente compõe o nosso vetores tá dois vetores x vetor Y gente pode criar os nossos modelos de classificação Então eu tenho aprendizado supervisionado e nesse caso eu fiz uma classificação é

uma uma categoria né é uma coisa discreta 01 na sim ou não doente ou não doente mas são laranja gato cachorro e assim sucessivamente mas eu poderia criar um modelo que a gente chama de modelo de regressão Se eu quisesse por exemplo saber se tem uma laranja ela está mais doce que a outra e eu quero prever o grau brix da laranja simplesmente olhando para ela então é provável que vocês né você simplesmente olhando para essas três laranjas acharam que essa laranja aqui provavelmente a mais doce a mais gostosa dessas todas então a gente poderia

criar um modelo que classifica Essas laranjas entre laranja é o maior doçura ou menor do Sul em graus brix então eu não faria uma classificação de doce não doce mas eu poderia colocar em escalas em níveis contínuos e quando a gente faz isso eu tô calculando o grau brix nesse caso o meu vetores vai seu número continuo é o grau brix eu tô fazendo um modelo de regressão tá partindo agora para o modelo não-supervisionada A grande diferença que a gente tem aqui é o seguinte eu penso sítios do mesmo jeito tá as características seria as

perguntas que vocês me fariam com a massa turismo no entanto aqui nós não temos um vetores nós vamos pênis que rotulasse é maçãs e laranja eu não sei não voltou lá e simplesmente modelo vai dividir o conjunto em grupos 16 tá então ele dividindo em grupos para mim talvez já é suficiente porque porque depois de um certo tempo meu modelo aprendeu que quebrou um grupo 2 eu vou lá e Continuo com as ficando Então veja que nesse caso eu não preciso de rotular os dados dá muito trabalho a gente ia Campo coleta dado isso tudo

dá muito trabalho a rotulagem ela é trabalhoso aí ela ela gasta o dinheiro para você fez Então você já entenderam né Eu preciso da Matriz x como com as minhas filhas são as minhas colunas e aqui nas linhas a gente tem as nossas observações os nossos exemplos pensam as minhas laranjas e as minhas maçãs ela no vetor irrepetível tem esse esse exemplo aqui ó é uma maçã o ou uma laranja tá essas são as nossas observações de seu modelo de classificação e eu tenho um vetor Y nesse caso para regressão tá que eu peguei por

exemplo é o bico ou temperatura ou lucratividade ou qualquer coisa que você deseja prever que é o número continue por exemplo Uma demanda de um determinado produto ao longo do tempo aí São Regras muito bem então eu tenho a regressão de um vários modelos que a gente pode utilizar o tem uma regressão linear Eu tenho um suporte daí tá Machine desse junto vibrando a forte de plano A gente pode usar vários algoritmos para fazer isso logicamente para classificação a gente tem vários também nos diz que regressam support Vector Machine desse junto broforce redes neurais artificiais

os modelos que a gente os algoritmos Normalmente eles podem servir para a classificação ou para regressão às vezes não tá depende fazer a classificação não supervisionada nós temos vários caminhos fazer caminhos e tem vários outros louvores você pode utilizar para fazer essa classificação é pidona exemplo para vocês olha só vamos lá que eu tenho esses dados aqui com ela tadinha tá E vamos ver imaginar que o mapa real vocês bom então com esses dados coletados em campo e com esse mapa real vamos mais a que se fosse uma real veja só se eu fizer uma

interpolação desses pontos Fizeram interpolação por ID w que o inverso da distância Eu vou ter esse mato então eu existe uma diferença dele para isso aqui também marcado mas olha a tive um erro grande né Aqui tem outro nem aqui tem outros Então por quê Porque eu não tenho amostragem não adianta não tem Milagre né e aqui você usar krigagem da mesma forma e agora você usar um por exemplo machlan Só que no caso do Marfim não eu vou usar esses dados mais um sensor que com a relaciona muito com esses dados né que a

ideia de usar sensores que coleta muitos dados então eu teria por exemplo exatamente o mapa se eu tiver alguma informação que eu possa coletar fico relaciona muito com esses dados e usar esses dados mas o dado do sensor eu posso usar uma LAN e gerar informações muito mais acurado tá essa aqui é a ideia pode usar também a definição dos homens marido nesse Claro nesse caso aqui usando por exemplo classificação não supervisionada eu tenho vários dados coletados em campo com esses vários dados coletados em campo a gente tem várias camadas informação e a gente logicamente

cada um desses aqui o presente teor de argila é uma coluna no nosso banco de dados da nossa Fischer Qual que é a condutividade elétrica 20 cm uma outra vídeo Qual que é a CTC do solo outra Fiat e assim sucessivamente posso ter vários filhos e essas filhos eu posso gerar um modelo de classificação não supervisionada que vai classificar para mim isso aqui em grupos em grupos que tenha características similares então isso aqui tá uma característica similar aqui outra característica aqui outro né para esses parâmetros que a gente escolheu para esses vídeos que a gente

colheu E aí né eu tenho que a gente chama de zonas de manejo e Lógico eu posso como isso aqui é a homogêneo né para essas características então eu posso logicamente fazer uma amostragem dirigida dentro dessa Zona 3 por exemplo E aí a gente pode as informações por exemplo na zona 3 né que tá aqui para gente agora três vezes sem cinza eu tenho o menor teor de potássio tá vendo e na zona 2 A na zona 2 que essa aqui a gente tem um pouco mais até hoje potássio e na zona 1 essa que

tem mais teor de potássio Então veja que ele tá tou aí uma diferença de potássio na área a mesma coisa para foto e assim sucessivamente bom pessoal girando dentro daquele ciclo obtenção dos dados processamento né e agora falando um pouquinho da atuação logicamente não poderíamos falar da atuação temos Inteligência Artificial sem falar de robótica agora na visão de atuação é atuar fazer ele tá alguma coisa tão aqui a gente tem na técnica em que eu comentei com vocês é aonde eu tinha um estande lá só de dessa parte tecnológica E logicamente era robô então aqui

a gente tem um pulverizador autônomo para fazer pulverização atuação aqui a gente tem um trator autônomo também para fazer cultivo no solo aqui é de um trato com câmeras né estéreo para poder fazer a construção 3D do ambiente GPS E logicamente sensor vai dar laider para poder fazer integração e é uma precisa ter uma precisão muito maior da localização e segurança principalmente segurança dos veículos autônomos tá esse aqui é um robô apresentado pela case se vocês colocarem aqui do lado uma pessoa é provável que ela vai ficar menor que esse que esse pneu aqui então

é um robô muito grande mas não é não são máquinas pequenas às vezes são marcas muito robustos muito grandes esse aqui é um outro roubou né para fazer cultivo então a gente tá falando muito no orgânico existe um mercado muito grande o guarani E logicamente que vai fazer esse cultivo mecânico que precisa ser feito no horário é um robôs né não vai ser mais uma pessoa que vai ficar lá o dia inteiro capinando né esse aqui é um exemplo de um robô capinador da empresa Suíça olha só que que ele tá fazendo usa painel solar

capta energia do sol e faz a filmagem identifica através de Inteligência Artificial O que que a planta Daninha o que que não é planta Daninha E aí esse braço robótico vai fazer atuação em tempo real fazendo a identificação do que que é Dani o que que não é daí ele pode fazer uma Capina por exemplo química ou fazer uma Capina mecânica e ele vai mostrar para a gente essa Capina que está sendo feita nesse caso aqui ó ele vai fazer uma Capina mecânica e vai fazer uma Capina química aqui ele tá fazendo uma uma Capina

mecânica tá E aqui ele tá fazendo uma Capina química que você usar nenhum produto químico tá Então essa é a ideia e não para por aí nessa já pensar por exemplo que hoje tem aí semeadoras né com várias linhas 50 linhas de plantio a gente poderia imaginar por exemplo Formoso a gente vai plantar uma única linha mas eu não vou ter um único burro para ele ter mil desse plantando isso a gente dá um avanço muito grande em termos de eficiência de uso dos motores de combustão interna que hoje o motor de combustão interna ele

joga quase tudo fora e cem porcento com e coloca quando a gente tracione uma máquina a gente consegue aproveitar apenas dez quinze por cento do que a gente colocou de combustível naquela máquina mas quando a gente parte para um livro de motor elétrico a gente não eficiência energética muito maior e daí é grande vantagem da gente colocar uma máquina leve no campo né que têm uma eficiência energética muito alta e que vai fazer por exemplo a dosagem de semente lá para gente de uma forma muito precisa utilizando logicamente GPS de alta precisão várias dessas tecnologias

de Inteligência Artificial que eu mostrei pra vocês E aí [Música]