Sensores enterrados e inteligência artificial preveem umidade do solo para irrigação com 5% de erro em 95,49% do tempo

Pesquisadores relatam que sensores enterrados e inteligência artificial conseguem prever a umidade do solo perto das raízes das plantas dentro de 5% do valor medido em 95,49% do tempo.

Esse resultado aproxima o manejo da irrigação das condições invisíveis que realmente determinam quando a lavoura está, de fato, ficando sem água.

Sinais de alerta sob a terra

Em uma área de teste de cerca de 93 m², cinco sondas instaladas no subsolo registraram as variações de umidade exatamente onde as raízes absorvem água.

Com base nesses dados, Shamala Maniam e colegas da Multimedia University (MMU) demonstraram que o sistema acompanhou as condições subterrâneas com uma consistência notável.

Como as medições vieram de 15 e 30 cm abaixo da superfície, a previsão refletiu a faixa de solo mais relacionada ao estresse hídrico das plantas, e não apenas a secura da camada superficial.

O desempenho foi suficiente para tornar as decisões de irrigação mais precisas, embora o “cenário” abaixo do solo ainda mude mais rapidamente quando o tempo vira de forma brusca.

Por que a profundidade importa

A superfície pode parecer seca enquanto camadas mais profundas continuam sustentando a planta - ou, após uma chuva, a camada de cima pode ficar molhada mesmo quando as raízes ainda enfrentam falta de água.

A umidade no nível das raízes é decisiva porque grande parte do estresse das culturas começa no ponto de captação, alguns centímetros abaixo do solo.

A agricultura já responde por cerca de 70% das retiradas globais de água doce, então irrigar fora de hora rapidamente se traduz em desperdício em grande escala.

Saber melhor o que acontece em profundidade não cria água, mas pode ajudar as fazendas a aplicarem menos água no momento errado.

Como o campo “ouviu” o solo

Em um talhão de cacau em Perak, estado no oeste da Malásia, a equipe distribuiu as sondas com espaçamento aproximado de 3 m.

Cada dispositivo coletou amostras de solo a cada dez minutos, enquanto instrumentos próximos registraram chuva, temperatura do ar, humidade e luz solar a cada 30 minutos.

Painéis solares mantiveram a rede em funcionamento, e uma topologia simples em estrela encaminhou os dados para uma sonda central antes do envio para a nuvem.

Falhas, lacunas ou irregularidades nos registros eram relevantes porque softwares baseados em tempo aprendem pela ordem dos eventos, e quebras nesse padrão enfraquecem rapidamente a capacidade de previsão.

Aprendendo o ritmo

Para converter medições em previsões, o grupo aplicou memória de longo e curto prazo (LSTM), uma abordagem de inteligência artificial desenhada para sequências ordenadas.

Em vez de avaliar um valor isolado por vez, o modelo aprendeu como a umidade recente, a chuva, o calor, a humidade e a luz solar costumam evoluir em conjunto.

Como chuva, evaporação e absorção pelas raízes frequentemente atuam com atraso de horas, o sistema conseguiu capturar efeitos retardados, e não apenas mudanças imediatas.

Na prática, o funcionamento se pareceu menos com um “liga/desliga” e mais com uma estimativa contínua de quando o solo tenderia a ficar mais húmido ou mais seco.

A chuva quebra padrões

Os problemas surgiram durante chuvas fortes, quando a umidade subiu rapidamente em picos irregulares que não se pareciam com os padrões mais estáveis observados na maioria dos dias.

Esses saltos pouco frequentes afastaram o modelo original da curva medida, mesmo quando ele se saía bem nos períodos mais calmos.

Uma regra de treino revisada, chamada perda de Huber, reduziu o peso de erros extremos raros e melhorou ligeiramente o quanto a previsão acompanhou as condições reais.

Ainda assim, a precipitação repentina expôs limites: quando o solo muda depressa demais, a estimativa pode falhar.

Entendendo a precisão na prática

Esse número de destaque não significa que o sistema reproduziu cada pequena subida e descida da umidade com a mesma precisão.

O que os dados indicaram foi que, na maior parte do tempo, as previsões ficaram perto o suficiente das medições para orientar quando irrigar e quanto aplicar.

Uma métrica mais rígida mostrou que o modelo explicou apenas parte da variação natural do campo.

Em termos práticos, o conjunto se mostrou confiável para apoiar decisões, mesmo sem ser perfeitamente exato em todos os instantes.

Recomendações antes da automação

Apesar do rótulo de “inteligente”, o protótipo não acionou bombas ou válvulas automaticamente durante o teste.

Ele coletou dados, previu mudanças de umidade no curto prazo e enviou essas informações para um painel de monitoramento, capaz de orientar escolhas de irrigação feitas por pessoas.

Sistemas desse tipo já aparecem em outras pesquisas de agendamento de irrigação, nas quais o uso de sensores para acertar o momento reduz excesso de aplicação e estresse da planta.

Para propriedades rurais, essa diferença é importante: suporte à decisão tende a ser mais fácil de adotar agora, enquanto a automação total exige mais hardware e mais confiança no processo.

Escalando além de um único talhão

Os limites também apareceram no próprio desenho do estudo, já que o ensaio cobriu cerca de 93 m² e permaneceu dentro de um único contexto de plantação.

Cinco sondas bastaram para essa área compacta, mas fazendas maiores ou com maior heterogeneidade exigiriam mais pontos de medição.

Uma malha com ligações de retransmissão pode ganhar importância depois, porque o trabalho usou uma conexão em estrela simples, que funciona melhor em curtas distâncias.

Essas restrições não anulam o resultado, mas ajudam a explicar por que a equipe pretende realizar testes mais longos e em áreas maiores na sequência.

Para além do momento de irrigar

Mais safras indicarão se o modelo mantém a confiabilidade em meses mais secos e em períodos de chuva intensa mais extrema.

Uma implementação mais ampla pode mostrar até que ponto uma mesma previsão dá conta de solos que variam bastante dentro da mesma fazenda.

O hardware também permite adicionar sensores extras, o que pode conectar dados de água ao uso de fertilizantes e à nutrição das plantas.

Com o tempo, esse pacote mais completo levaria o sistema de um apoio pontual à irrigação para uma ferramenta mais abrangente de decisão agrícola.

Do teste ao uso no campo

A combinação de sensores enterrados com software atento ao tempo funcionou aqui porque mirou a umidade que as raízes realmente enfrentam, e não apenas um indicador superficial.

Se novos testes confirmarem o desempenho ao longo das estações e em fazendas maiores, a irrigação poderá ficar mais precisa, menos desperdiçadora e mais simples de programar.