A agricultura de precisão é uma área que cresce exponencialmente, visto que este setor é o maior contribuinte para o PIB brasileiro. O problema a ser resolvido é a morosidade na identificação de padrões em análise de solo, sendo necessário uma demanda de diversos atores no processo da agricultura de precisão. Este trabalho tem uma aplicação prática utilizando a Inteligência Artificial com foco em aprendizagem de máquina com a visão computacional e análise de dados. Um estudo de caso prático, na área do agronegócio, está sendo implementado para resolver problemas na classificação de tipos de solos, com base em seus perfis de nutrientes e a identificação de fatores fitopatológicos em plantas. Foi elaborado um workflow para o entendimento do processo da análise de solo. Os resultados iniciais gerados com a implementação do projeto são promissores. Ao utilizar uma base de dados de plantio de solo contendo 2200 linhas foram gerados oito modelos de aprendizado supervisionado, variando em uma confiança de resultados de 93% a 99%. Portanto, verificou-se que é possível identificar a melhor cultura a ser plantada com os dados de uma análise de solo existente.
Precision agriculture is an area that is growing exponentially, as this sector is the largest contributor to Brazilian GDP. The problem to be resolved is the slowness in identifying patterns in soil analysis, requiring demand from different actors in the precision agriculture process. This work has a practical application using Artificial Intelligence with a focus on machine learning with computer vision and data analysis. A practical case study, in the area of agribusiness, is being implemented to solve problems in the classification of soil types, based on their nutrient profiles and the identification of phytopathological factors in plants. A workflow was developed to understand the soil analysis process. The initial results generated with the implementation of the project are promising. When using a soil planning database containing 2,200 lines, eight supervised learning models were generated, varying in confidence in results from 93% to 99%. Therefore, it is possible to identify the best crop to be planted with data from an existing soil analysis.
