É sabido que a agricultura tem um papel fundamental nas sociedades humanas nesta era global. À medida que se prevê que a procura por produtos agrícolas aumente dramaticamente, os Desafios para o Desenvolvimento Sustentável da ONU incluem garantir padrões de consumo e de produção sustentáveis. 

O problema que se pretende considerar nesta iniciativa insere-se na consolidação do ecossistema de inovação agrícola, atendendo às necessidades reais do setor, promovendo a transição digital ao serviço dos produtores e da sociedade. O contexto mais específico do pilar da cadeia de valor, particularmente o contexto da iniciativa 8: “Agricultura 4.0: promover a transformação digital do setor agroalimentar”, garantindo o cumprimento do princípio de Não Prejudicar Significativamente «Do No Significant Harm» (DNSH), é especialmente relevante nesta proposta.

Atualmente, a produção sustentável passa pelo acompanhamento fitossanitário, ou melhor, pela monitorização dos inimigos das culturas. Esta monitorização que ocorre durante o ciclo cultural exige tempo, quer na deslocação aos campos por parte de técnicos, quer na monitorização efetuada por um recurso humano especializado, que muitas das vezes tem de recorrer a observações de armadilhas em laboratório para determinar o nível de presença de determinado inimigo. 

Identifica-se aqui um problema ou desafio no tempo associado à monitorização e tomada de decisão, que pode ser abordado por mecanismos digitais de deteção de pragas e de transmissão da informação de forma a tornar este processo mais rápido, expedito e fiável, permitindo uma intervenção em tempo real e oportuna que contribuirá para uma gestão mais eficiente, nomeadamente de produtos fitofarmacêuticos. 

Com estes desafios, a criação de novas ferramentas tecnológicas que permitam a deteção de pragas no campo pode revelar-se indispensável. A agricultura de precisão tem cada vez mais atuação nas diversas culturas, por exemplo na região do Ribatejo e Oeste, permitindo avançar de modelos gerais, definidos por exemplo através médias de indicadores cumulativos de temperatura ou humidade, para a capacidade de definir e atuar de uma forma personalizada contra pragas específicas em tempo real e num local específico.

Nos últimos anos, assistimos a uma onda crescente de algoritmos baseados em dados, como as redes neuronais profundas (Deep Neural Networks - DNNs), que se tornaram uma área popular de investigação e desenvolvimento, também no domínio da agricultura. Esse interesse é impulsionado por vários fatores, como os avanços na disponibilidade de sensores e IoT (Internet of Things), o poder de processamento, a disponibilidade de dados e vários avanços algorítmicos. As soluções baseadas em aprendizagem profunda (Deep Learning - DL) são hoje em dia o estado da arte para muitas tarefas. No entanto, para oferecer sistemas que produzam resultados acionáveis, o domínio específico de aplicação é extremamente relevante, exigindo soluções também elas específicas e à medida. Tal é crítico para aplicações emergentes, onde os dados podem ser escassos e, portanto, os investigadores tendem a fazer uso de abordagens de transferência de conhecimento (transfer learning), onde o conhecimento dos modelos de linha de base é transferido para novos cenários com muito menos dados do que no paradigma de aprendizagem mais tradicional. 

Neste contexto, a oportunidade de aplicar estes modelos inteligentes, suportados por dados transmitidos em tempo real obtidos nos terrenos por sensores IoT, fazem com que a agricultura surja como uma aplicação incontestável de abordagens inteligentes. O objetivo mais geral desta iniciativa passa então por contribuir para uma agricultura mais resiliente, que proteja o ambiente, assegure a sustentabilidade dos recursos, que permita estimular o desenvolvimento de um ecossistema inovador agrodigital e circular suportado pelos vários parceiros do consórcio, resultando na incorporação de conhecimento e tecnologia no dia a dia da Agricultura.

A iniciativa a desenvolver no projeto "AIPEST – Armadilhas Inteligentes para deteção de Pragas" consiste na investigação e desenvolvimento de um sistema integrado end-to-end de suporte à decisão, desde a recolha da informação nas plantações, e.g. pomares e campos de tomate, através de sensores ou câmaras, passando pela construção de modelos inteligentes que consigam detetar e identificar pragas/pestes, até ao suporte da decisão com base na evolução da plantação.

Este objetivo será atingido com base em modelos de aprendizagem profunda (Deep Learning – DL), nos quais a equipa envolvida tem larga experiência, para detetar, localizar e contar pragas usando informações sensoriais, como imagens digitais capturadas em armadilhas inteligentes, mas também capaz de se adaptar a cenários mais simples, como por exemplo usando informação de fotografias obtidas através de smartphones, focando a transformação digital em cada agricultor, alargando a abrangência da tecnologia disponível, proporcionando não só suporte à decisão, mas também interpretabilidade e visualização das medidas propostas pelos modelos inteligentes.

Assim, os resultados principais associados a este projeto são soluções inteligentes de deteção e monitorização automática de pragas que capacitem os parceiros da produção nesta área da Agricultura 4.0, suportando as suas decisões de uma forma atempada em termos da gestão da produção, nomeadamente permitindo a aplicação de fitofármacos no momento oportuno. 

Existem inúmeras doenças e pragas disseminadas pela globalização e agravadas pelas mudanças climáticas. Em Portugal, a produção de tomate de indústria no Ribatejo, que representa 80% da produção nacional, a produção de tomate fresco em cultura protegida e a produção de pera no Oeste são paradigmáticas, sendo que este impacto é já notório, devido ao aparecimento de “novas” pragas ou pelo aumento da pressão de pragas já conhecidas, como a Tuta absoluta no Ribatejo e a filoxera que ataca as pereiras e se tem espalhado, sendo cada vez mais difícil de controlar no Oeste.

O projeto será desenvolvido em 4 etapas:

1. Definição detalhada com cada parceiro do cenário a testar, incluindo plantação (e.g. tomate, pera), obtenção dos dados (e.g., armadilha, smartphone) e peste a detetar (e.g., mosca branca, filoxera). Definição clara de business cases com os benefícios, custos e riscos das alternativas, que possa motivar os agricultores a apostar na solução.

2. Desenho e construção dos pilotos de infraestrutura tecnológica de suporte a cada cenário que inclui: anotação de dados, construção de modelos inteligentes, montagem em laboratório de equipamento de deteção, armazenamento e comunicação.

3. Implantação dos pilotos nos terrenos de acordo com os cenários e infraestruturas definidos. 

4. Avaliação dos resultados nos cenários definidos, promovendo a transferência de conhecimento e implementação de melhorias, visando não só os resultados técnicos, mas também o suporte aos business cases para divulgação e transferência.

O contributo tecnológico digital na prevenção do problema fitossanitário, conseguindo assim reduzir a disseminação e as perdas de produtividade, terá também um impacto relevante na redução de inputs químicos nos sistemas, o que representa um ganho de saúde global e contribui para o alinhamento de Portugal com os os objetivos da estratégia “Farm to Fork” e dos seus objetivos 2030, nomeadamente, reduzir o uso geral e o risco de pesticidas químicos em 50% e o uso de pesticidas mais perigosos em 50% até 2030; Reduzir o uso de fertilizantes em pelo menos 20% até 2030.

Relativamente às áreas temáticas, a proposta consegue contribuir especialmente para a Linha de Ação 8.3. Tecnologia: adotar novas tecnologias que promovam o desenvolvimento da agricultura de precisão (IoT, IA). Mas também para a Linha de Ação 8.1. Agricultura de precisão: utilização de tecnologias digitais para utilização e para a gestão eficiente fitofarmacêuticos) e para a Linha de Ação 8.4. Dados: explorar as potencialidades da deteção remota e de proximidade (sensores); promover a recolha de dados sobre a atividade agrícola.

O projeto "AIPEST – Armadilhas Inteligentes para deteção de Pragas" acontece na sequência da colaboração anterior entre vários parceiros, nomeadamente na Universidade de Coimbra através do CISUC (Centro de Informática e Sistemas da Universidade de Coimbra) e do CFE (Centro de Ecologia Funcional) e o COTHN-CC (Centro Operativo e Tecnológico Hortofrutícola Nacional – Centro de Competências) no sentido do levantamento das necessidades de capacitação dos agricultores que possam ser supridas através da digitalização e da aplicação das tecnologias de informação e comunicação (TIC), para melhorar a produtividade agrícola e agroalimentar, colocando o conhecimento como fator de competitividade, e de igualdade. Esta colaboração prévia suporta a iniciativa de ter níveis de TRL (Technology Readiness Level) que garantam uma efetiva capacitação dos agricultores envolvidos, focando a transformação digital na experiência de cada agricultor.

Assim, esta iniciativa é uma parceria com a coordenação da Universidade de Coimbra (UC) que envolve várias PME ligadas ao setor hortofrutícola (Frutoeste, Frutus, CAB, TEF, Agromais, Benagro, Carmo & Silvério, etc.), outra entidade de ensino e investigação, nomeadamente o Instituto Politécnico de Leiria (IPL), a Federação Nacional das Organizações de Produtores de Frutas e Hortícolas (FNOP) enquanto associação que representa o setor e o COTHN-CC como Centro de competências.

De uma forma simplificada, todos os parceiros interagem de forma colaborativa sob coordenação da UC, que assegurará o desenvolvimento tecnológico e o delineamento das atividades de investigação/inovação em parceria com IPL, enquanto às PME cabe a disponibilização de campos para a testagem e demostração das mesmas. O COTHN-CC e a FNOP assegurarão a divulgação alargada dos resultados obtidos. O Polo de Inovação de Alcobaça (INIAV) constituirá mais um dos campos de testagem e demonstração com a mais-valia de permitir a comparação/validação com armadilhas, quer as tradicionais como outras mais tecnológicas.

As competências específicas da UC estão associadas aos dois centros de investigação associados: (Centro de Informática e Sistemas da Universidade de Coimbra) e CFE (Centro de Ecologia Funcional). Do lado do CISUC na área dos sistemas inteligentes e da sua aplicação a cenários de Agricultura 4.0 e do lado do CFE pela contribuição para a validação ecológica do processo da definição das hipóteses até à análise dos resultados obtidos.

As competências específicas do IPL estão associadas ao desenho de sistemas eletrónicos de recolha, processamento e transmissão de dados sensoriais que permitem a implantação de sistemas inteligentes no terreno.

A equipa do projeto tem experiência consolidada em ambas as áreas interdisciplinares do projeto: sistemas inteligentes e agricultura, com o objetivo de contribuir para futuras soluções neste domínio em Portugal e tem também como aposta a criação de soluções genéricas que possam ser implementadas em todo o mundo.