• 17 de November de 2020
• Agribusiness

Analisando os dados extraídos do Campo

Desde que comecei a escrever para o blog do Venturus, procuro sempre enfatizar a grande quantidade de dados que podem ser gerados e coletados nas várias atividades do ambiente agrícola, tanto fora como dentro da porteira. Esses dados são parte essencial da transformação digital agrícola, que se baseia nos dados gerados pelas atividades do campo para direcionar esforços, solucionar problemas e identificar oportunidades para o agronegócio.

No campo, há uma grande quantidade de dados que podem ser coletados — seja por sensores, manualmente ou através de outras técnicas. Com essa massa de informações coletadas, as possibilidades de análise se expandem com grande rapidez. Se estes dados coletados forem corretamente analisados, é possível gerar informações muito importantes para o ganho de produtividade e de qualidade da produção agrícola.

Em um artigo recente do blog, comentamos a respeito da necessidade de criarmos mecanismos de coleta de dados de campo, de modo a extrair dados padronizados de acordo com o tipo de levantamento desejado e coletando os dados da forma mais confiável possível. Neste contexto, chegamos a comentar a respeito do VNT.Field.Collector — produto do Venturus que permite gerar formulários adequados à coleta de informações no campo  — justamente pela necessidade de uniformizar, padronizar e alinhar os dados coletados do campo.

No atual texto, focaremos em discutir quais tipos de informações podem ser extraídas a partir da análise dos dados coletados persistentemente durante vários ciclos de produção — persistentes por que dá trabalho extrair e manter os dados históricos — em relação ao ambiente agrícola. A análise dos dados é essencial, já que manter dados sobre o processo de produção e desenvolvimento agrícola pode ser uma tarefa custosa e que não traz resultados efetivos isoladamente.

Imagine o seguinte cenário: um produtor de café gostaria de avaliar o impacto das pulverizações contra o bicho mineiro — ainda hoje uma das principais pragas da cultura— no seu cafezal. Seria muito bom ter muitos dados a respeito da praga dentro da sua cultura, ou seja, um verdadeiro histórico do cafezal.

Exemplos de informações que podem ser coletadas são: dados climáticos (temperatura, umidade, ventos, quantidade e horário das chuvas), dados de níveis de fertilidade do solo ano-a-ano, somados a valores de amostragens da quantidade de pragas detectada por amostra, datas das pulverizações e indicações de quais produtos foram utilizados e em que dosagem.

Com dados confiáveis, o produtor pode analisar as informações e saber se o efeito que a aplicação do defensivo contra o bicho mineiro está de acordo com o esperado. A análise pode identificar por quanto tempo o efeito durou e, além disso, pode avaliar o efeito de diferentes variáveis — como umidade, temperatura, fertilidade do solo etc. — e as suas correlações com cada atividade executada no campo.

Ou seja, o produtor poderia identificar informações muito importantes para através da análise dos diferentes dados coletados. A correta interpretação dos dados coletados e o seu histórico de eventos pode ajudar o produtor a planejar e analisar com maior clareza os seus tratos culturais no cafezal. Dessa forma, ele se torna capaz de realizar o seu trabalho com maior efetividade e utilizar seus recursos para aumentar a sua produção.

Análise de Dados (Data Analytics)

O objetivo da análise de dados (ou “Data Analytics”) é a extração de dados significativos para buscar algum tipo de informação que tenha utilidade na pesquisa ou no negócio, usando ferramentas e métodos para coletar, organizar e avaliar os dados. Este sistema de análise pode transformar, organizar e modelar os dados de forma que seja possível encontrar informações valiosas sobre tendências, comportamento e melhorias de processos de trabalho.

Com estas informações, as mais diversas empresas podem tomar decisões mais precisas. Na agricultura, a análise de dados também pode trazer informações valiosas no caminho de reduzir custos e aumentar a eficiência dos processos do campo. A análise de dados necessita, no entanto, de alguns passos anteriores, que envolvem, respectivamente, a coleta e tratamento dos dados a serem analisados:

Assim, a primeira fase do processo é a coleta de dados propriamente dita — ela já foi citada em um artigo anterior, no qual falamos da necessidade dados confiáveis e de acordo com os padrões de necessários para realizar a análise. Ou seja, para que se tenha uma boa análise de dados, é necessário que a extração de dados que serão utilizados seja o mais confiável possível.

Por exemplo, se a coleta de dados for feita por meio de sensores, é necessário que sempre haja energia no momento da coleta de dados ou que não haja problemas de transmissão de dados. Em caso de coleta de dados manuais, é preciso que operador não se esqueça de inserir todos os dados necessários (campos em planilhas e formulários devem ser preenchido corretamente e com valores numéricos adequados). Coleta de dados de má qualidade fatalmente levarão a uma análise de dados incorreta ou de baixa qualidade. A qualidade de dados coletados é tão importante quanto a própria análise de dados.

Na fase seguinte, na qual ocorre a organização dos dados, existe a necessidade de verificação da qualidade e natureza dos dados que vão ser utilizados para a análise propriamente dita. Esta fase seria de tratamento dos dados. Ao analisar as informações coletadas, é necessário verificar se os dados existentes na base são coerentes. Existem diversos fatores que podem gerar problemas na análise de dados — como falta ou repetição de dados, informações em unidades de medidas incorretas ou fora da realidade, por exemplo — e, por isso, as informações precisam ser investigadas e tratadas antes da análise.

Depois de executados os passos de coleta e tratamento de dados, entramos na fase de análise de dados propriamente dita. Nela, encontramos quatro tipos principais de análise de dados:

• Prescritiva

A análise prescritiva examina os dados existentes pensando em descobrir possibilidades futuras. Mapeando padrões passados na base de dados, procura-se encontrar definições futuras em cada área de atuação. Assim, a análise prescritiva utiliza técnicas de mineração de dados, estatística e dados históricos para identificar tendências futuras.

Uma aplicação da análise prescritiva de agro seria o acompanhamento das doenças de uma granja avícola. Gerar dados acompanhando todo histórico da produção das galinhas e determinar os dados em casos que ocorreram problemas como determinadas doenças. Com estes dados em mãos, em um próximo ciclo, caso os fatores se repitam, o produtor pode atuar para evitar que aquela mesma sequência volte a trazer danos ou prejuízos à sua produção.

• Preditiva

Esta análise avalia padrões interessantes do passado a fim de tentar prever o futuro. Identificando padrões passados na base de dados, é possível mapear definições futuras no seu negócio. Por exemplo, algumas organizações utilizam as análises preditivas para todo o processo de venda, analisando as fontes principais, o número de contatos, tipo de comunicação, documentos. Ou seja, estes dados utilizados de maneira correta podem trazer suporte aos times de vendas, marketing ou outros tipos de previsões.

• Diagnóstica

A análise diagnóstica é utilizada mais no sentido de entender ou descobrir por que algo aconteceu. No caso de cenários agrícolas, um uso seria analisar os impactos de diferentes tratos culturais na lavoura (por exemplo, uma pulverização de fungicidas) e, posteriormente, verificar o impacto causado pela ação. Verificar se a ação executada teve o efeito esperado e a plantação conseguiu evitar um alastramento da doença das plantas e, em caso negativo, tentar entender o que levou a tal resultado.

• Descritiva

A análise descritiva analisa os dados atuais, baseada na entrada de dados. Esta análise possibilita a compreensão dos dados e acontecimentos, preferencialmente em tempo real. É uma maneira de visualizar os dados, entender como os dados fornecidos estão organizados e o que significam, sem a necessidade de relacioná-los a padrões passados e futuros. Um exemplo da área agrícola poderia ser os dados de sensores no solo que identificam a quantidade de água que o solo conseguiu absorver nas diferentes profundidades da camada de solo. Com isso, ao executar uma irrigação, seria possível verificar o quão eficiente e em que níveis de solo a irrigação executada conseguiu atingir os objetivos definidos.

Um exemplo de análise de dados

Participando do Curso de Especialização em Ciência de Dados da Unicamp, realizamos um trabalho prático, no qual analisamos os dados de uma estação meteorológica em Campinas. Foi utilizada uma amostra de 2015 a 2019, com dados de temperatura, velocidade do vento e umidade, que são coletados em uma estação meteorológica a cada dez minutos.

Com isso, ao trabalhar com os dados extraídos da tabela com dados meteorológicos de vários anos na região de Campinas e analisando os dados de cada horário do dia, buscamos entender qual é o comportamento dos ventos nesta região ao longo das 4 estações do ano.

O objetivo desta análise de dados foi entender quais seriam os melhores períodos do dia para executar tarefas de uma propriedade agrícola que poderiam ser influenciadas pelo vento. Alguns exemplos de tarefas  que poderiam ser afetadas pelos ventos são: pulverizações agrícolas, espalhamento de calcário ou fertilizantes em pó e irrigações feitas pelo ar (como aspersão e irrigação por pivot central entre outras).

Uma análise importante em relação aos ventos é a de que geralmente, logo pela manhã, eles tendem a ter uma média de velocidade menor e, a partir das oito horas da manhã, tendem a aumentar gradativamente. Em todas as estações do ano, verificamos que, ao anoitecer, existe uma tendência da velocidade dos ventos aumentar, atingindo seus picos em torno das 23 ou 24 horas, e, gradativamente, diminui até o amanhecer.

Em termos de operações agrícolas, nos casos em que se deseja efetuar alguma operação agrícola que possa ser influenciada negativamente pela velocidade dos ventos, a impressão que temos é de que o período noturno não parece ser o mais favorável. Durante o dia, apesar de não haver grandes variações, existe uma tendência de termos menor ação do vento de manhã até o meio-dia.

Outro dado interessante a se notar com relação à velocidade dos ventos é que, em média, ela costuma ser menor durante o verão. Ou seja, podem ocorrer dias em que tenhamos ventos mais forte no verão, mas, em média, a velocidade dos ventos costuma ser menor.

Ainda observando os ventos, podemos notar que, na primavera, as irrigações e pulverizações noturnas não são muito indicadas, visto que existe uma chance maior de que tenhamos ventos com velocidades maiores. Com essas condições, pode ser que a irrigação ou pulverização vá para a plantação do “vizinho” (não atinja o alvo), pois a os produtos aplicados podem atingir locais indevidos, devido ao vento.

Atualmente, temos ouvido falar muito sobre a utilização de drones nas diversas atividades agrícolas. No entanto, pelos gráficos de ventos, podemos notar que optar pela utilização dos drones em períodos noturnos parece não ser uma boa alternativa (principalmente durante o outono, inverno e primavera), uma vez que os ventos podem causar a deriva da pulverização/aplicação de produto e, em casos mais extremos, podem afetar o trajeto dos drones.

O exemplo acima foi feito com base em dados simples de meteorologia. Em termos de agricultura, caso tivéssemos mais informações, teríamos condições de fazer várias outras análises. Com dados de infestação de pragas, por exemplo, poderíamos analisar os possíveis efeitos da temperatura ou umidade em relação à presença de pragas. Cada produtor vai saber que tipo de informação seria útil e sugerir as mais diferentes análises de acordo com o objetivo de cada estudo e necessidades de negócio.

Um outro ponto a ser verificado com os dados coletados refere-se a utilizar algoritmos de Aprendizado de Máquina para a análise. Com algoritmos cada vez melhores, é possível analisar associações, correlações ou mesmo agrupamento de dados que tenham um sentido no aprendizado de máquina e possam fornecer dados cada vez mais precisos em relação às condições e processos do campo. Neste texto, focamos em apenas mostrar que a simples análise dos dados do campo, já pode nos trazer grandes e importantes informações a respeito da condução da atividade agrícola.

Conclusão

Em toda atividade agrícola, podemos extrair muitos dados de cada passo do processo de produção, seja em agricultura, pecuária, avicultura, armazenamento de sementes, pesquisa genética e em várias outras áreas. Uma estratégia correta de coleta de dados, seja com sensores, informações de localização, informações manuais pode nos trazer informações que por si só não tragam muito benefício, mas, quando analisadas em conjunto com outros dados, podem nos trazer informações e conhecimento que agilizem o processo de tomada de decisão e a adoção de técnicas economicamente mais viáveis.

A ciência de dados é uma técnica que tem sido utilizada com cada vez mais frequência e, para se beneficiar dos resultados que ela pode trazer no campo, é importante que os dados do campo sejam armazenados e coletados o quanto antes, visto que, em muitos casos, o histórico é uma das informações que trazem maior conhecimento de todo o processo.

O Venturus está se preparando tanto em prover ferramentas de coleta de dados, seja por sensores ou ferramentas — tais como o VNT.App.Colletor. Mas não só na coleta, também nas técnicas mais modernas de análise de dados e também com o aprendizado de máquina. O conhecimento técnico aliado ao conhecimento dos processos agrícolas pode e deve trazer resultados muito importantes em ganho de produtividade e eficiência no campo.

Vamos analisar novos dados do campo e descobrir novas relações entre as informações existentes no campo? Os agentes que vivem o dia-a-dia do campo conseguem identificar quais os problemas que precisam ser analisados e podem coletar os dados necessários para fazermos as análises. O Venturus com sua experiência em tecnologia e também com o conhecimento que vem gerando no agronegócio pode auxiliá-lo nas mais diferentes análises.