Devido à grande competitividade das agroindústrias e à incessante busca por maximização da produtividade e redução de custos, ou seja, gestão de performance. É de grande interesse a antecipação de eventos, paradas, quebras e, inclusive, da produtividade de determinadas culturas. […]
Devido à grande competitividade das agroindústrias e à incessante busca por maximização da produtividade e redução de custos, ou seja, gestão de performance. É de grande interesse a antecipação de eventos, paradas, quebras e, inclusive, da produtividade de determinadas culturas. Há sempre uma procura por obter uma estimativa de produtividade antes da época de colheita. Dessa maneira, é possível avaliar as necessidades futuras de transporte, armazenamento, fabricação de determinado produto e, posteriormente, a sua comercialização. Obter essas informações o mais rápido possível ou até mesmo em real-time representa uma grande oportunidade para a tomada de decisões estratégicas na comercialização do produto final, como sucos integral e concentrado, óleos, fruta in natura, combustível, ração e outras commodities.
Em muitos casos, a estimativa de produtividade agrícola é realizada baseada em modelos matemáticos e tem o objetivo de estabelecer correlações de amadurecimento das culturas. Os modelos dessa estimativa podem ser divididos em lineares e não lineares. O primeiro é o mais simples e a sua aplicação em problemas de previsão de eventos pressupõe a relação linear entre a estimativa e o dado. Por exemplo: se em 2016 foram produzidas 100 toneladas de cana-de-açúcar por hectare (entrada) e foram utilizados 20 litros de diesel por hectare em tratos agrícolas (saída), qual seria a necessidade de diesel em 2017 para uma produção de 50 toneladas de cana por hectare? Um cálculo simples poderia ser feito para obter essa resposta seguindo a proporção: se no ano seguinte a produtividade cair pela metade, é razoável dizer que a necessidade de diesel também seja 50% menor.
Por muitas vezes esses modelos lineares ou de regressão linear são úteis, mas limitados. Podemos fazer a mesma análise colocando as variáveis de idade média dos operadores de máquinas, temperatura média, idade do plantio, incidência de pragas, irradiação solar e outras características intrínsecas ao sistema que nem imaginamos. Por exemplo, será que a aplicação de um defensivo agrícola no ano anterior não pode impactar no tamanho da safra do ano vigente? O consumo médio aumentará por causa da idade do maquinário agrícola?
Então, recorremos aos modelos matemáticos não lineares. Esses modelos baseiam-se na obtenção de uma relação teórica entre as variáveis observáveis de interesse a partir de suposições importantes sobre o problema. É aí que se destacam as Redes Neurais Artificiais (RNAs), consideradas um sistema inteligente avançado composto por uma série de neurônios artificiais agrupados, formando uma ou mais camadas neurais.
Cada neurônio artificial possui um modelo matemático que simula o comportamento de um neurônio biológico. Para exemplificar, vamos considerar o neurônio biológico: graças e ele, o ser humano sabe que deve desligar a lâmpada de um cômodo alguns segundos antes de sair dele. No caso de uma RNA, os neurônios artificiais precisam ser treinados para se comportarem como neurônios biológicos, de forma automática.
Dentre as redes neurais mais utilizadas, podemos citar a Rede Perceptron Multicamadas com aplicações no reconhecimento de padrões, classificação de elementos e previsão de eventos temporais como manutenções, tamanho de safra, previsão do consumo de energia elétrica de comunidades e até problemas envolvendo economia e ações de mercado.
A proposta da Indústria 4.0 é integrar esse grande volume de dados (big data) em uma complexa rede que integra cada parte do processo produtivo, trazendo a possibilidade de mudar a estratégia de produção com base em indicadores confiáveis.
Assim, por exemplo, poderíamos usar o indicador da próxima data de quebra da máquina para redimensionar a cadeia, alocar outro equipamento para realização do serviço e antecipar o operador informando-o que, naquela data, ele fará um treinamento de segurança.
Com o advento de mais ferramentas de inteligência capazes de fornecer ao agricultor indicadores de performance mais precisos para a tomada de ação a curto prazo, o setor agrícola tenderá a ser mais competitivo, reduzindo perdas e maximizando a produtividade, fazendo com que o Brasil ocupe espaço estratégico junto aos players internacionais.
Willian Fernandes é analista de performance na Biosev.
A produção de orgânicos já é uma realidade para pequenos e médios produtores. Mas se engana quem pensa que essa modalidade parou na agricultura familiar. Com a forte demanda por produtos mais frescos e sem intervenção de defensivos, empresas já […]
Leia na íntegraMesmo diante da crise que assola o país, o agronegócio brasileiro tem se destacado na economia. Isso é comprovado, especialmente, pela sua estabilidade na contribuição no PIB nacional em 2018. Isso se deve, principalmente, aos crescentes avanços nos indicadores de […]
Leia na íntegraMuito tem se falado sobre a entrada das tecnologias no campo, mas esse conceito não é, nem de longe, algo novo. Agrônomos e cientistas já previam que a cadeia de produção iria aumentar exponencialmente ao aumento da população mundial, portanto, […]
Leia na íntegra