Ferramentas de inteligência artificial na cultura da macieira: fundamentos, aplicações e perspectivas para a pomicultura

Introdução

A pomicultura brasileira concentra-se na Região Sul, e o Rio Grande do Sul responde por mais de 500 mil toneladas anuais de maçã, com o município de Vacaria contribuindo com cerca de 25% da produção nacional¹. Segundo a Produção Agrícola Municipal do IBGE², a área colhida no estado manteve-se entre 15,5 mil e 18,0 mil hectares de 2010 a 2025, enquanto a produção oscilou entre 435.312 t, em 2022, e 690.422 t, em 2014, com variações interanuais de −31% a +28% (Figura 1). Essa amplitude decorre de fatores climáticos, da pressão de doenças e das decisões de manejo, variáveis que as ferramentas de inteligência artificial (IA) se propõem a antecipar. O presente trabalho buscou sintetizar alguns dos fundamentos dessas ferramentas, suas aplicações validadas na cultura da macieira e as condições para sua adoção pelos produtores.

Figura 1. Produção de maçã no Rio Grande do Sul, 2010–2025 (t). Fonte: IBGE, Produção Agrícola Municipal, Tabela 5457²; dado de 2025 preliminar

 

Fundamentos

Denomina-se aprendizado de máquina o subconjunto da IA em que algoritmos extraem regularidades de exemplos previamente rotulados e passam a classificar ou predizer novos casos; o aprendizado profundo, baseado em redes neurais de múltiplas camadas, estende essa capacidade ao uso de imagens e vídeos. Na fruticultura, tais técnicas podem ser associadas ao sensoriamento remoto orbital e proximal para mapear pomares, estimar a produção, detectar doenças e monitorar o desenvolvimento das plantas. Furuya et al.¹ identificaram 117 artigos sobre o tema publicados entre 2018 e 2024, 27 deles dedicados à macieira, com predomínio dos algoritmos Random Forest e máquinas de vetores de suporte e métricas de acurácia superiores a 80% na maioria dos estudos. Os sistemas de alerta fitossanitário baseados em modelos de favorabilidade, como os desenvolvidos pela Epagri para as doenças da macieira³, constituem o antecedente direto dessas aplicações e já estão disponíveis aos produtores do Sul do Brasil.

Aplicações validadas na cultura da macieira

A Tabela 1 sintetiza os resultados mensurados em seis frentes de aplicação, obtidos em pomares comerciais ou experimentais e publicados em periódicos revisados por pares.

Tabela 1. Aplicações de inteligência artificial na cultura da macieira e desempenho reportado.

 

No Brasil, a Embrapa Uva e Vinho desenvolve em Vacaria um sistema de aquisição de imagens embarcado em veículo terrestre, alternativa ao VANT em pomares protegidos por telas antigranizo: Selzlein et al.¹¹ coletaram 4.062 imagens e treinaram rede neural convolucional para a contagem de frutos, cuja estabilidade ainda requer aprimoramento. A experiência indica que o esforço necessário se concentra na adaptação dos métodos às condições regionais, e não no desenvolvimento de novos algoritmos. Vale destacar, ainda, que o desempenho dos sistemas robóticos de colheita varia com a complexidade da copa¹⁰, de modo que o sistema de condução adotado nos novos plantios condiciona a aptidão futura do pomar à mecanização.

Barreiras à adoção e recomendações

Bolfe et al.¹² verificaram, em levantamento com 504 produtores brasileiros, que 84% utilizam ao menos uma tecnologia digital e 95% desejam mais informação sobre o tema, sendo o custo de aquisição de máquinas, equipamentos e softwares e a conectividade os principais entraves. Na macieira somam-se restrições específicas: telas antigranizo que limitam o uso de VANTs¹¹, talhões pequenos e irregulares e a escassez de bancos de imagens regionais para o treinamento de modelos. Diante do exposto algumas recomendações tornam-se pertinentes, tais como: (i) padronizar o registro digital por talhão (aplicações, precipitação, fenologia e produção), base indispensável a qualquer modelo preditivo; (ii) utilizar os sistemas de alerta e as imagens orbitais já disponíveis sem custo; (iii) estabelecer pomares-piloto para contagem automatizada de frutos, buscando principalmente a parceria com a Embrapa e a Epagri; (iv) constituir banco regional de imagens de doenças rotuladas por técnicos; (v) planejar os novos plantios em copas bidimensionais de alta densidade; e (vi) compartilhar, por meio de cooperativas ou mesmo prestadores de serviço, os equipamentos de maior custo, como os pulverizadores inteligentes. No entanto, aqui cabe uma ressalva: a IA não substitui o conhecimento agronômico; antes, ela amplia a capacidade de observação a todos os talhões e reduz a latência das decisões. Assim, para o futuro da pomicultura, o avanço dependerá menos de novas descobertas científicas e mais da capacidade coletiva de registrar dados, validar as ferramentas em condições locais e compartilhar os resultados obtidos.

Referências

  1. FURUYA, D. E. G.; BOLFE, É. L.; PARREIRAS, T. C.; BARBEDO, J. G. A.; SANTOS, T. T.; GEBLER, L. Combination of remote sensing and artificial intelligence in fruit growing: progress, challenges, and potential applications. Remote Sensing, Basel, v. 16, n. 24, art. 4805, 2024. DOI: 3390/rs16244805.
  2. Produção Agrícola Municipal: Tabela 5457 – Área plantada ou destinada à colheita, área colhida, quantidade produzida, rendimento médio e valor da produção das lavouras temporárias e permanentes. Rio de Janeiro: IBGE, 2026. Disponível em: https://sidra.ibge.gov.br/tabela/5457. Acesso em: 20 out. 2026.
  3. ARAUJO, L. et al. Sistema de alerta e previsões para o controle das doenças da macieira no estado de Santa Catarina. Agropecuária Catarinense, Florianópolis, v. 32, n. 1, p. 86–91, jan./abr. 2019.
  4. HÄNI, N.; ROY, P.; ISLER, V. A comparative study of fruit detection and counting methods for yield mapping in apple orchards. Journal of Field Robotics, v. 37, n. 2, p. 263–282, 2020. DOI: 1002/rob.21902.
  5. YILDIRIM, Ş.; ULU, B. Deep learning based apples counting for yield forecast using proposed flying robotic system. Sensors, Basel, v. 23, n. 13, art. 6171, 2023. DOI: 3390/s23136171.
  6. KODORS, S.; LĀCIS, G.; MOROČKO-BIČEVSKA, I.; ZAREMBO, I.; SOKOLOVA, O.; BARTULSONS, T.; APEINĀNS, I.; ŽUKOVS, V. Apple scab detection in the early stage of disease using a convolutional neural network. Proceedings of the Latvian Academy of Sciences. Section B, Riga, v. 76, p. 482–487, 2022. DOI: 2478/prolas-2022-0074.
  7. CHEN, L.; WALLHEAD, M.; REDING, M.; HORST, L.; ZHU, H. Control of insect pests and diseases in an Ohio fruit farm with a laser-guided intelligent sprayer. HortTechnology, Alexandria, v. 30, n. 2, p. 168–175, 2020. DOI: 21273/HORTTECH04497-19.
  8. TALSMA, C. J.; SOLANDER, K. C.; MUDUNURU, M. K.; CRAWFORD, B.; POWELL, M. R. Frost prediction using machine learning and deep neural network models. Frontiers in Artificial Intelligence, Lausanne, v. 5, art. 963781, 2023. DOI: 3389/frai.2022.963781.
  9. NOH, I.; DOH, H.-W.; KIM, S.-O.; KIM, S.-H.; SHIN, S.; LEE, S.-J. Machine learning-based hourly frost-prediction system optimized for orchards using automatic weather station and digital camera image data. Atmosphere, Basel, v. 12, n. 7, art. 846, 2021. DOI: 3390/atmos12070846.
  10. ZHANG, K.; LAMMERS, K.; CHU, P.; LI, Z.; LU, R. An automated apple harvesting robot: from system design to field evaluation. Journal of Field Robotics, v. 41, n. 7, p. 2384–2400, 2024.
  11. SELZLEIN, D. A.; RIBEIRO, C. M. A. A.; GEBLER, L.; PAULA FILHO, P. L. de. Sistema de coleta de imagens para previsão de produção em pomares de maçã. In: AGRICULTURA de precisão: um novo olhar na era digital. São Carlos: Cubo, 2024. p. 476–481. Disponível em: https://www.alice.cnptia.embrapa.br/alice/handle/doc/1169731. Acesso em: 20 out. 2026.
  12. BOLFE, É. L.; JORGE, L. A. C.; SANCHES, I. D. et al. Precision and digital agriculture: adoption of technologies and perception of Brazilian farmers. Agriculture, Basel, v. 10, n. 12, art. 653, 2020. DOI: 3390/agriculture10120653.

 

Por: Argus Cezar da Rocha Neto, Ph.D., Washington Adventist University, MD, USA.

Email: adarocha@wau.edu

 

Apoio:

Comments are closed.