Ulisses Mello é graduado em Geologia pela USP, com doutorado pela Universidade de Columbia. Diretor da IBM Research no Brasil, dirige operações, agenda técnica e estratégias do laboratório no país. Suas prioridades são estimular inovações em áreas cruciais da tecnologia da informação aplicada à industria, e levar essas informações ao mercado, para sustentar e alavancar os negócios da IBM.
Agricultura Digital: Inteligência Artificial e Big Data para Aumentar a Produtividade
1. Agricultura Digital
Ulisses Mello, PhD
Diretor, IBM Research | Brasil
Líder Global para P&D em Agricultura Digital
Strider Day – Syngenta – Ago 2018
2. 2
Agricultura Digital
Digitalização de campo: trator o escritório móvel, sensores, IOT, ag de precisão, etc.
Inteligência Artificial (AI), Internet das coisas (IoT), rastreabilidade com blockchain (BC), novas formas de consume de conhecimento
6. Diminuindo a distancia entre o rendimento esperado e o rendimento real, que pode permitir até 2X de
produção para a maioria das culturas
Inteligência Artificial e Análise de Dados: imenso potencial
Genética × Ambiente × Manejo (GEM)
Genética:
- Sequenciamento genômico
- Mapeamento genomico-fenotipo
- Desenvolvimento de sementes
usando análises genômicas
- Monitoramento de doenças
e análise
Planejamento de Cultivos
-Tomada de decisão multi-objetiva
-Previsões de produção e otimização
- Modelagem climatica para
planejamento de colheitas otimizado
- Sustentabilidade
Genética
• Previsões meteorológicas
para atividades agrícolas
• Previsão climática para
todos os estágios de
crescimento
• Previsões em áreas com
poucas estações
meteorológicas públicas
• Previsões de preço
(fornecimento / demanda)
• Análise de solo com IOT
• Previsão de pragas
Ambiente de colheita Práticas de manejo
• Monitoramento continua
de nutrientes do solo,
insetos e pragas, etc.
• Algoritmos de agricultura
de precisão (fertilizantes,
pulverização, pesticidas e
irrigação)
• Análise física baseada em
sensores
• Sensoriamento remoto e
visual de produtividade
7. Big Data e IoT para previsão tempo precisa
AtéAté
2,2 bilhões2,2 bilhões
Locais com eLocais com e
previsão doprevisão do
tempotempo
15 milhões de15 milhões de
leituras deleituras de
pressão porpressão por
meio demeio de
dispositivosdispositivos
móveismóveis
DadosDados
atmosféricosatmosféricos
por meio depor meio de
50,000 voos por50,000 voos por
diadia
190.000190.000
estaçõesestações
meteorológicasmeteorológicas
mundiaismundiais
150 modelos150 modelos
de previsãode previsão
((inputs parainputs para
previsão)previsão)
+
Previsões: sob demanda, até 2,2 bilhões de locais precisos, atualizados a cada 15 minutos
Current conditions and probability
forecast on demand
TWC oferece 15 bilhões de previsões por dia
9. Deep Image
Learning
Decease identification
o o Watson a ver com Deep Learning
sual para agricultura
Landwatcher
TreeCounter
Reconhecimnto antecipado da colheita
Análise NDVI (MODIS & LandSat)
SSURGO (Levantamento do Solo. Geográfico)
NASS (Serviço Nacional de Estatística Agrícola)
10. Mato Grosso (CV)
Dados: 517 polígonos e diversas classes de
cultivo, além de diversos formatos e tamanhos
Tecnologia: Machine Learning
Cálculo de acurácia: Cross-validation
Taxa atual de acerto na classificação: >95%
Dados: 517 polígonos e diversas classes de
cultivo, além de diversos formatos e tamanhos
Tecnologia: Machine Learning
Cálculo de acurácia: Cross-validation
Taxa atual de acerto na classificação: >95%
Estimador de produção em testes
Identificação de culturas e estimativa de área
11. => In next seven days, there is moderate
risk of spreading late blight
Late blight signature is captured
through agri. camera
24.01.17
Patologias
Potato Late blight prediction
11
12. Genomic data
Field performance
(phenotype) data
Genotype to Phenotype mapping
Drones PhenomobilesGene expressions SNP’s
Trait
development
Automatic
phenotyping
Plant breeding recommendation
To maximize fuel energy potential
Automated High-Throughput Phenotyping and Trait
Development Platform
• Goal
• An automated high-throughput system for determining how
variations in the sorghum genome impact field performance,
agricultural productivity, and energy potential as biofuel
• Challenges
• Automating phenotyping using sensor data from ground-based
mobile and airborne platforms has been a bottleneck for
advancing plant breeding
• Integrated analytics on high-dimensional genomic data and multi-
modal field image/sensor data is unprecedented and poses major
technical challenge
• Partnership
• Purdue University (Agronomy/Sensors)
• IBM Research (Cognitive Analytics)
• CSIRO (Crop Science)
• US Department of Energy
13. IBM AGROPAD Platform
Paper-based microfluidics enables low-cost testing, high design
flexibility and easy large scale fabrication
Colorimetric based analysis provides easy implementation of various
tests on same analysis card
Built on IBM’s IoT and Cloud platform technologies; allows quick and
easy deployment and adaption in Cloud
Data
AGROPAD Analysis Card
Mobile App Cloud
IoT Platform
Cloudant DB
dashDB
Analytics
Results
Web interface
Data
1
3
4
2