Potencial uso da inteligência artificial na atividade agrícola no contexto de regiões semiáridas como a Caatinga
DOI:
https://doi.org/10.20435/vol30iss76.4932Palavras-chave:
agricultura 5.0, tomada de decisão, eficiência produtiva, agricultura inteligenteResumo
Este manuscrito tem como objetivo analisar o Potencial uso da inteligência artificial na atividade agrícola no contexto de regiões semiáridas como a Caatinga. Do ponto de vista dos aspectos metodológicos, a pesquisa é classificada como descritiva, uma vez que essa investigação leva em consideração o estudo acerca da exploração do conhecimento do tema abordado. Os resultados da aplicação dos métodos da IA na atividade agrícola incluem a detecção precoce de patógenos de pragas e doenças, a exploração de culturas, o monitoramento dos limites da fazenda, a análise de estruturas de irrigação e a vigilância do rebanho, com dispositivos integrados no sistema de produção agrícola. Os resultados também mostram que as práticas agrícolas têm sido modificadas com o desenvolvimento de tecnologias inteligentes capazes de impulsionar a produção de alimentos e as iniciativas de sustentabilidade.
Referências
AHMAD, U.; NASIRAHMADI, A.; HENSEL, O.; MARINO, S. Technology and Data Fusion Methods to Enhance Site-Specific Crop Monitoring. Agronomy, [S. l.], v. 12, n. 3, p. 555, 2022.
ALWIS, S.; HOU, Z.; ZHANG, Y.; NA, M. H.; OFOGHI, B.; SAJJANHAR, A. A survey on smart farming data, applications and techniques. Computers in Industry, v. 138, n. 1, p. 103624, 2022.
ALZOUBI, I.; ALMALIKI, S.; MIRZAEI, F. Prediction of environmental indicators in land leveling using artificial intelligence techniques. Chemical and Biological Technologies in Agriculture, Cham, v. 6, n. 1, p. 4, 2019.
ATWELL, M. A.; WUDDIVIRA, M. N. Soil organic carbon characterization in a tropical ecosystem under different land uses using proximal soil sensing technique. Archives of Agronomy and Soil Science, [S. l.], v. 68, n. 3, p. 297-310, 2022.
BILALI, A.; TALEB, A. Prediction of irrigation water quality parameters using machine learning models in a semi-arid environment. Journal of the Saudi Society of Agricultural Sciences, [S. l.], v. 19, n. 7, p. 439-451, 2020.
BUGHIN, J. et al. Notes from the AI frontier: Modeling the global economic impact of AI. McKinsey Global Institute, New York, p. 1-64, 2018.
COELHO JUNIOR, L. M.; MEDEIROS, M. G.; NUNES, A. M. M.; MACIEIRA, M. L. L.; FONSECA, M. B. Avaliação do uso do solo e dos recursos florestais no semiárido do estado da Paraíba. Ciência Florestal, Santa Maria, v. 30, n. 1, p. 72, 2020.
DEFRA. The Future Farming and Environment Evidence Compendium. London: UK Government Statistical Service, 2018.
FREEMAN, C.; PEREZ, C. Structural crises of adjustment: business cycles and investment behaviour. Technical change and economic theory, London, 1989.
GRANATA, F. Evapotranspiration evaluation models based on machine learning algorithms—A comparative study. Agricultural Water Management, Amsterdam, v. 217, p. 303–315, 2019. DOI: https://doi.org/10.1016/j.agwat.2019.03.015.
GRIEVE, B. D.; DUCKETT, T.; COLLISON, M.; BOYD, L.; WEST, J.; YIN, H.; ARVIN, F.; PEARSON, S. The challenges posed by global broadacre crops in delivering smart agri-robotic solutions: A fundamental rethink is required. Global Food Security, New York, v. 23, p. 116-124, 2019.
LIBERATI, A. et al. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate healthcare interventions: explanation and elaboration. Bmj, v. 339, 2009.
PIVOTO, D.; WAQUIL, P. D.; WAQUIL, E.; WAQUIL, C. P. S.; CORTE, V. F. D.; MORES, G. V. Scientific development of smart farming technologies and their application in Brazil. Information Processing in Agriculture, [S. l.], v. 5, n. 1, p. 21-32, 2018.
SALEHNIA, N.; SALEHNIA, N.; ANSARI, H.; KOLSOUMI, S.; BANNAYAN, M. Climate data clustering effects on arid and semi-arid rainfed wheat yield: a comparison of artificial intelligence and K-means approaches. International Journal of Biometeorology, London, v. 63, n. 7, p. 1-9, 2019.
SILVEIRA, F.; LERMEN, F. H.; AMARAL, F. G. An overview of agriculture 4.0 development: systematic review of descriptions, technologies, barriers, advantages, and disadvantages. Computers and Electronics in Agriculture, [S. l.], v. 189, p. 106405, oct. 2021.
UNITED NATIONS. World Population Prospects 2019: Highlights. New York: United Nations 2019.
VROCHIDOU, E.; OUSTADAKIS, D.; KEFALAS, A.; PAPAKOSTAS, G. A. Computer vision in self-steering tractors. Machines, [S. l.], v. 10, n. 2, p. 129, 2022.
XIMENES, L. J. F. BNB Setorial. Fortaleza: Banco do Nordeste do Brasil, 2018.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Marcelo da Costa Borba, Bibiana Melo Ramborger, Murilo Campos Rocha Lima, Josefa Edileide Santos Ramos
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os artigos publicados na Revista Multitemas têm acesso aberto (Open Access) sob a licença Creative Commons Attribution, que permite uso, distribuição e reprodução em qualquer meio, sem restrições desde que o trabalho original seja corretamente citado.
Direitos Autorais para artigos publicados nesta revista são do autor, com direitos de primeira publicação para a revista. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais.
