Sensoriamento remoto revoluciona o monitoramento de nicotina em folhas de charuto.

Um estudo inovador utiliza imagens hiperespectrais de drones e aprendizado de máquina para avaliar com precisão os níveis de nicotina em folhas de charuto.

Os recentes avanços em imagens hiperespectrais aéreas, combinados com aprendizado de máquina, revolucionaram o monitoramento de nicotina em folhas de charuto. Essa abordagem de ponta aprimora a precisão da avaliação e, ao mesmo tempo, fornece informações valiosas para a indústria do tabaco, onde a composição química é fundamental para a qualidade.

Liderados por Tian e colaboradores da Universidade Agrícola de Sichuan, pesquisadores buscaram superar as limitações das verificações manuais de qualidade tradicionais, que frequentemente carecem de precisão e eficiência. Seu estudo, publicado em 2 de fevereiro de 2025, identifica fortes correlações entre o uso de fertilizantes nitrogenados, os níveis de umidade e as concentrações de nicotina, ressaltando a importância de técnicas de monitoramento precisas e oportunas.

O estudo foi conduzido de maio a setembro de 2022 na Base de Pesquisa Agrícola Moderna da universidade, onde pesquisadores utilizaram veículos aéreos não tripulados (VANTs) equipados com câmeras hiperespectrais para capturar espectros de refletância foliar de 15 variedades diferentes de folhas de charuto sob diversos tratamentos de nitrogênio.

Os resultados revelaram uma correlação direta entre a aplicação de fertilizantes nitrogenados e os níveis de nicotina nas folhas de charuto. "Com o aumento da taxa de aplicação de fertilizantes nitrogenados, o teor de nicotina nas folhas de charuto aumentou", afirmaram os autores, destacando o impacto das práticas agrícolas na qualidade do produto.

Para melhorar a qualidade dos dados de imagens hiperespectrais coletados por drones, o estudo empregou técnicas de pré-processamento como correção de dispersão multivariada, transformação normal padrão e suavização por convolução de Savitzky-Golay. Algoritmos avançados de aprendizado de máquina, incluindo Regressão por Mínimos Quadrados Parciais (PLSR) e redes neurais de retropropagação, foram então aplicados para desenvolver modelos preditivos capazes de estimar com precisão o teor de nicotina.

O modelo mais eficaz identificado foi o MSC-SNV-SG-CARS-BP, que alcançou uma precisão de teste com valores de R² de aproximadamente 0,797 e um RMSE de 0,078. "O modelo MSC-SNV-SG-CARS-BP apresenta a melhor precisão preditiva para o teor de nicotina", observaram os autores, posicionando-o como uma ferramenta promissora para futuras pesquisas e aplicações na agricultura de precisão.

Ao utilizar o sensoriamento remoto para analisar as propriedades espectrais das folhas de charuto, os agricultores e produtores podem avaliar a qualidade da colheita de forma rápida e não destrutiva, permitindo decisões mais informadas sobre a produção e a cadeia de suprimentos. Essa abordagem oferece ampla cobertura a baixos custos operacionais, garantindo a consistência dos dados ao reduzir a dependência de fatores humanos.

A integração de imagens hiperespectrais e aprendizado de máquina tem o potencial de transformar o cultivo tradicional do tabaco, não apenas aprimorando a qualidade da nicotina, mas também promovendo práticas agrícolas sustentáveis e eficientes. Pesquisadores enfatizam a necessidade de avanços contínuos para refinar essas tecnologias e adaptá-las a diferentes variedades de tabaco e outras culturas.

Estudos futuros se concentrarão na otimização das condições operacionais dos VANTs (Veículos Aéreos Não Tripulados) para capturar dados espectrais da mais alta qualidade, considerando variáveis como altitude de voo, condições de iluminação e redução de ruído. Abordar esses fatores é crucial, visto que as práticas agrícolas evoluem para atender às demandas do mercado, priorizando a sustentabilidade ambiental.

Esta pesquisa destaca a sinergia entre tecnologia e ciência agrícola, ressaltando a crescente adoção de técnicas inovadoras para melhorar a qualidade dos produtos. Os pesquisadores defendem aplicações mais amplas do sensoriamento hiperespectral na agricultura, reforçando o papel da tecnologia no aumento da produtividade, da eficiência e da responsabilidade ambiental.

Fontes: https://www.nature.com/articles/s41598-025-88091-4