Fábio Belemer Pereira, Jozadake Petry Fausto, Priscila Antão Dos Santos, Fernanda de Fátima da Silva Devechio, Rubens Alex de Oliveira Menezes, Camila Sarmento, Filipe Molinar Machado, Davidson Araújo de Oliveira, Maicon de Barros Simon, Ronilson Martins Silva, Ana Paula Gatto Da Conceição, Felipe Barreto Druzian, Francisco Fernandes Do Vale Segundo, Anderson Philip de Almeida Castro, Leandro dos Santos Lopes, Paulo de Souza Albuquerque Junior
A agricultura contemporânea tem passado por profundas transformações impulsionadas pelo avanço das tecnologias digitais, da automação e da inteligência artificial. No contexto da produção de grãos, a necessidade de elevar a produtividade, reduzir perdas econômicas e minimizar impactos ambientais tem estimulado o desenvolvimento de sistemas inteligentes capazes de monitorar lavouras em tempo real. Entre essas inovações, destacam-se os modelos de aprendizado profundo (deep learning), que vêm sendo aplicados na identificação precoce de pragas agrícolas por meio da análise automatizada de imagens obtidas por drones, sensores e dispositivos móveis. Nesse contexto, o presente artigo tem como objeto de pesquisa o uso de modelos de aprendizado profundo na detecção precoce de pragas em lavouras de grãos, considerando suas potencialidades, limitações técnicas e implicações para a agricultura digital. A investigação parte da seguinte pergunta: de que maneira os modelos de aprendizado profundo contribuem para a detecção precoce de pragas em lavouras de grãos e quais são os principais desafios e limites associados à sua aplicação no contexto da agricultura digital? Teoricamente, fizemos uso dos trabalhos de Boden (2016; 2018), Bishop (2011), Goodfellow, Bengio e Courville (2017), Mohri, Rostamizadeh e Talwalkar (2018), Sutton e Barto (2020), Haykin (2008), Marsland (2014), Zhang (2015), Vuppalapati (2022), James, Witten, Hastie e Tibshirani (2021), Stafford (2013), Wachowicz (1999), Oliver, Bishop e Marchant (2013), Picanço, Lopes e Silva (2021), Ciancio e Mukerji (2007), Shannon, Clay e Kitchen (2020), Dent (2000), Gallo et al. (2002), Jiménez Martínez (2009), Plà-Aragonés (2015), Hoy (2011), Hastie, Tibshirani e Friedman (2009), Wang (2017). A pesquisa é qualitativa (Minayo, 2007), descritiva e bibliográfica (Gil, 2008) e com o viés compreensivo (Weber, 1949). Os resultados da pesquisa evidenciaram que os modelos de aprendizado profundo ampliam significativamente a capacidade de detecção precoce de pragas em lavouras de grãos, favorecendo intervenções mais rápidas, redução de perdas produtivas e maior eficiência no manejo fitossanitário. Também foi identificado que a integração entre inteligência artificial, sensoriamento remoto e agricultura de precisão contribui para o uso mais racional de insumos e para a redução de impactos ambientais associados ao controle convencional de pragas. Por outro lado, verificaram-se desafios relacionados à qualidade e disponibilidade dos dados, à robustez dos modelos em diferentes condições de cultivo e às limitações estruturais necessárias para sua implementação em larga escala.