HomeOs benefícios da otimização aplicada à agricultura
.jpg)
O uso da tecnologia na agricultura tem aumentado a cada ano. A utilização de sensores para monitoramento das propriedades do solo; aplicativos para acompanhamento remoto; sistemas integrados a estações meteorológicas e; drones para demarcação de plantio, acompanhamento de safra e monitoramento da colheita, já são uma realidade. Estas tecnologias fazem parte da chamada Agricultura Inteligente (Smart agriculture) e marcam uma nova fase da agricultura, a Agricultura 4.0.
A utilização destas tecnologias torna possível a captação de um enorme volume de dados, permitindo uma melhor tomada de decisão. Mas de nada adianta um grande banco de dados sem saber como o aproveitar. E é neste momento que o uso de técnicas de Data analytics e Advanced analytics se torna extremamente necessário e benéfico. A otimização matemática, um braço do Advanced analytics, vem sendo utilizada em diversas fazendas ao redor do mundo e é uma grande facilitadora na tomada de melhores decisões.
Dentre as várias decisões que podem ser otimizadas no ramo da agricultura, podemos citar:
- Quantidade de irrigações e fertilizações a realizar
- Datas das irrigações/fertilizações
- Quantidade de água a ser utilizada em cada irrigação
- Seleção de fertilizantes
- Quantidade de cada fertilizante
- Localização dos irrigadores
- Localização da aplicação de agrotóxicos
De maneira geral, é possível aplicar otimização matemática em qualquer problema que envolva tomada de decisão. Para isso, é necessário existir um objetivo, de forma que as decisões envolvidas no modelo serão tomadas buscando atingi-lo. Os objetivos podem ser diversos, para a agricultura, podemos citar alguns como:
- Maximização de lucro
- Maximização do rendimento agrícola
- Maximização da absorção de nutrientes
- Minimização de custos
- Minimização do consumo de água
- Minimização do consumo de fertilizantes e/ou agrotóxicos
- Minimização da degradação do solo
Um mesmo modelo pode buscar uma solução ótima que envolva uma ou mais decisões. Da mesma forma, ele pode ser monoobjetivo ou multiobjetivo e ter uma visão de curto prazo ou longo prazo. As restrições consideradas vão desde restrições químicas à restrições regulatórias e operacionais, de forma que a solução final seja condizente com a realidade e possa ser colocada em prática.
Dependendo do objetivo selecionado, a sociedade como um todo pode se beneficiar de uma tomada de decisão otimizada. Para um objetivo de minimização do consumo de água, por exemplo, é possível enxergar o impacto que um modelo de otimização poderia gerar quando pensamos que a agricultura representa 70% do consumo mundial de água (FAO, 2017) e que existem, no mundo, em torno de 750 milhões de pessoas sem acesso à água potável.
Além disso, uma pesquisa também feita pela FAO (Food and Agriculture Organization of the United Nations) demonstra que é preciso que a produção agrícola aumente em 70% em comparação a 2009 para que seja possível alimentar a população esperada de 9,1 bilhões de pessoas em 2050 (FAO, 2009). Porém, com uma disponibilidade de recursos naturais cada vez mais escassa, este problema se torna ainda mais complexo, ressaltando a importância de tomadas de decisões mais eficientes. Neste sentido, a modelagem matemática é, sem dúvidas, um dos caminhos possíveis para o aumento necessário de produtividade, fazendo com que, por meio de decisões otimizadas, seja possível produzir mais utilizando um mesmo espaço.
Alguns podem estar se perguntando como seria possível alcançar alguns destes objetivos utilizando um método exato, já que algumas variáveis relacionadas ao processo agrícola envolvem muita aleatoriedade e não podem ser previstas de forma exata (o próprio rendimento agrícola dificilmente poderia ser representado por uma função analítica). Para isso, existem no mercado diversos simuladores agrícolas, os quais, a partir dos dados de entrada, fazem uma previsão do comportamento do solo e crescimento da safra. Desta forma, os modelos matemáticos podem ser utilizados em conjunto com estes simuladores. Este tipo de solução é chamado de Black-box optimization ou Simulation-optimization.
Seja qual for o método utilizado, os impactos do uso da otimização nos processos agrícolas são muitos, e podem gerar benefícios tanto para os produtores como para a sociedade como um todo, seja aumentando o rendimento agrícola, diminuindo os custos e/ou reduzindo os impactos negativos no meio ambiente.
Referências:
al, J. e. (2003). The DSSAT cropping system model. European Journal of Agronomy.
Darshana, P. A. (2012). Simulation and Optimization for irrigation and crop planning. Irrig and Drain 61, 178–188.
FAO. (2009). Retrieved May 2, 2019
FAO. (2017). Retrieved May 2, 2019
Jones JW, A. J. (2017). Brief history of agricultural systems modeling. Agric Syst 155, 240–254.
Coautor: Emmanuel Marchal - Managing Partner na Cassotis Consulting