A análise de uma bacia é relevante para determinar os impactos das ações antropogênicas e contornar problemas ambientais, sociais e econômicos devido a resultados deletérios no solo e na paisagem. Nesse contexto, a fotointerpretação de imagens coletadas remotamente por ferramentas de agricultura digital direciona as ações e facilita o gerenciamento do uso e ocupação de diferentes grandes extensões de área. As fisionomias do local de estudo puderam ser identificadas com sucesso e pode-se delimitar as sub-bacias para uso e ocupação distintos de acordo com suas características, adequando a exploração social, ambiental e econômica para mitigar os impactos e assegurar a preservação do solo e do Cerrado.
RESUMOA necessidade de incluir tecnologia no campo, visando ganho de precisão e auxílio na vida do produtor agrícola, vem abrindo cada vez mais espaço para o uso de ferramentas de machine learning e inteligência artificial (IA). Através da utilização da IA, é possível gerar uma economia significante de volume de herbicida, sem perder eficiência na redução da interferência das plantas daninhas, o que fundamenta a agricultura digital e de precisão. Nessa circunstância, revisamos artigos científicos na base Scopus sobre deep learning (DL) e plantas daninhas, utilizando as palavras-chave "deep learning" e "weed" no período de 2013 até 2022, onde os artigos foram escolhidos criteriosamente, levando em consideração fatores como a qualidade da pesquisa e abrangência do assunto abordado dentro do escopo desta revisão. Essas práticas são favoráveis ao produtor, uma vez que o mesmo consegue reduzir o custo de controle químico e aumenta a eficiência do processo, além de evitar a poluição ambiental. O DL permite o controle automatizado por robôs e a pulverização localizada de herbicidas, sendo totalmente plausível pensar na possibilidade de superar a dependência de mão de obra e controle químico com preços elevados. Esse tipo de ferramenta fornece o benefício do auxílio da tomada de decisão por parte do agricultor, onde ele pode agir de maneira eficiente na hora e no lugar correto, seja para mapear, replantar ou fertilizar áreas que produzem fontes de alimentos ou bioenergia. Tal tecnologia é flexível e se adequa bem em diferentes lavouras. Assim, podemos explorá-los estrategicamente para pulverizar ingredientes ativos e espalhar bioagentes entomopatogênicos (por exemplo, Cotesia flavipes e Thricrogramma spp.) no campo, em quaisquer lugares estratégicos, visando suprimir pragas economicamente relevantes (por exemplo, Diatraea saccharalis , Mahanarva fimbriolata, vírus do mosaico da cana-de-açúcar e ervas daninhas) com mais precisão e responsabilidade ambiental do que é possível com as abordagens tradicionais, evitando tráfego intenso de maquinário e contato com o objeto. Isso mostra que os insights sobre as informações resultantes de nossa revisão integrativa são oportunos. Eles fornecerão conhecimento para progredir na proeminência do campo na operação de máquinas voadoras (aviões e VANT's), visando sempre elevar o custo-benefício da produção de cana-de-açúcar com foco nos maiores desafios do setor, como alcançar a segurança alimentar e energética, prosperando em um mundo
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.