Inteligência artificial ao serviço da viticultura: investigadores LEAF/TERRA desenvolvem modelo inovador para análise térmica de videiras

Notícias

Início / Notícias

Inteligência artificial ao serviço da viticultura: investigadores LEAF/TERRA desenvolvem modelo inovador para análise térmica de videiras

Investigadores do LEAF/TERRA, em colaboração com o Instituto Superior Técnico, propõem um modelo de inteligência artificial baseado em U-Net++ para a segmentação precisa do coberto vegetal em imagens térmicas de videiras captadas com inclinação.

No contexto da viticultura de precisão, a monitorização eficiente do estado hídrico da vinha é essencial para promover práticas de rega sustentáveis e otimizar a qualidade da produção. Neste âmbito, investigadores do LEAF – Linking Landscape, Environment, Agriculture And Food, unidade de investigação do Instituto Superior de Agronomia (ISA), e membros do Laboratório Associado TERRA, em colaboração com o Instituto Superior Técnico, desenvolveram uma solução inovadora baseada em visão computacional e técnicas de deep learning para a análise avançada de imagens térmicas de videiras.

Os investigadores do LEAF/TERRA Gonçalo Victorino, Joaquim Miguel Costa e Carlos M. Lopes ajudaram a desenvolver um modelo U-Net++ adaptado para a segmentação do coberto vegetal em imagens térmicas de videiras captadas com inclinação, garantindo a separação eficaz das folhas relativamente a outros elementos visuais, como troncos, postes ou o céu. Esta abordagem permitiu uma estimativa extremamente precisa da temperatura do coberto, com um erro médio quadrático (RMSE) de apenas 0,14 °C relativamente ao método manual de referência.

Graphical abstract

A integração deste modelo possibilita a análise autónoma e em tempo real das imagens térmicas, eliminando a necessidade de processamento manual ou de filtragem posterior. Desta forma, a metodologia aplicada pelos investigadores do LEAF/TERRA abre caminho para sistemas de monitorização contínuos, capazes de fornecer dados fiáveis em campo e em condições operacionais variáveis.

Com base na estimativa da temperatura do coberto, foi treinado um modelo de machine learning para avaliar o estado hídrico da videira. Este modelo alcançou um R² de teste de 0,618, valor muito próximo ao de métodos baseados em sondas de humidade no solo (R² de 0,654), demonstrando que soluções digitais baseadas em imagens podem ser uma alternativa robusta e escalável para a gestão da água na viticultura.

Este estudo é um exemplo do papel estratégico dos membros do TERRA na produção de conhecimento científico aplicado, com potencial direto para transformar práticas agrícolas e influenciar políticas públicas.

Artigo completo “Scalable thermal imaging and processing framework for water status monitoring in vineyards” disponível aqui.