Projetos que vão desde um robô que nada no solo que pode detectar as condições na zona radicular em tempo real até modelos computacionais que podem prever a deterioração da produção receberam fundos iniciais do Iniciativa Cornell para Agricultura Digitalnovo Fundo de Inovação em Pesquisa.
Oito equipes interdisciplinares de pesquisadores – da Faculdade de Agricultura e Ciências da Vida, da Faculdade de Engenharia, Computação e Ciência da Informação, da Cornell Tech e da Faculdade de Medicina Veterinária (CVM) – receberão prêmios de três anos de até US$ 225,000. Para se inscrever, as equipes precisavam incluir membros do corpo docente da Cornell de pelo menos duas faculdades, garantindo a colaboração entre campus.
“Esses projetos de pesquisa representam o potencial estimulante das ferramentas digitais, como modelos computacionais, sistemas robóticos, inteligência artificial e a ‘internet das coisas’, para transformar a agricultura em cada etapa do processo de produção de alimentos”, afirmou Susan McCouch, a professora Barbara McClintock de melhoramento de plantas e genética e diretora da Iniciativa Cornell para Agricultura Digital (CIDA). “Colaborações interdisciplinares como estas ampliarão as fronteiras da ciência para aumentar a produtividade e a sustentabilidade da agricultura e para promover um fluxo de descobertas e inovações práticas.”
Um grupo multidisciplinar de quase três dezenas de docentes, presidido por Renata Ivanek, professora associada do Departamento de Medicina Populacional e Ciências Diagnósticas da CVM, selecionou os oito projetos entre 31 propostas. O financiamento para os prêmios vem do Fundo de Inovação em Pesquisa da CIDA e do programa Hatch Act do Departamento de Agricultura dos EUA.
Os projetos:
Melhorando o rendimento do morango através de polinizadores nativos e robóticos: Kirstin Petersen, professora assistente de engenharia elétrica e de computação; e Scott McArt, professor assistente de entomologia. O seu trabalho integrará a monitorização automatizada de polinizadores selvagens e geridos com a polinização robótica, estabelecendo as bases para um sistema biológico-híbrido que pode observar, prever e melhorar o rendimento das culturas. Os pesquisadores desenvolverão armadilhas fotográficas duráveis e de baixo consumo de energia para insetos, usarão drones para polinização cruzada rápida e criarão modelos de crescimento que podem ser transmitidos a um agricultor por meio de um aplicativo online.
Nova robótica do solo e detecção para fenotipagem da eficácia do uso da água no solo: Taryn Bauerle, professora associada da Escola de Ciência Integrativa de Plantas (SIPS); Robert Shepherd, professor associado da Escola Sibley de Engenharia Mecânica e Aeroespacial (MAE); Mike Gore, professor Liberty Hyde Bailey e professor associado de melhoramento molecular e genética no SIPS; Johannes Lehmann, professor de ciências do solo e das culturas no SIPS; e Abraham Stroock, Diretor William C. Hooey e Gordon L. Dibble, professor de Engenharia Química e Biomolecular. Para acessar informações em tempo real sobre a disponibilidade e o fluxo de água no solo ao redor das raízes das plantas, os pesquisadores desenvolverão uma estratégia de detecção e um robô que nada no solo para explorar de forma semi-autônoma a zona radicular.
Modelos computacionais baseados em microbiomas e ferramentas de apoio à decisão para prever a deterioração de produtos frescos: espinafre como sistema modelo: Martin Wiedmann, Professor da Família Gellert em Segurança Alimentar; e Ivanek. Os pesquisadores desenvolverão um modelo computacional de interações e perturbações do microbioma durante o processamento, transporte e varejo para prever a vida útil do espinafre fresco.
Diagnóstico de estresse acelerado e automatizado em pomares de maçã: Awais Khan, professor associado de SIPS na Cornell AgriTech; Serge Belongie, professor de ciência da computação na Cornell Tech; e Noah Snavely, professor associado de ciência da computação na Cornell Tech. Combinando experiência em patologia vegetal, fenotipagem e visão computacional, a equipe criará conjuntos de dados de doenças anotados por especialistas para maçãs, liderará uma competição global para encontrar novas soluções para classificação e quantificação de doenças, desenvolverá modelos de visão computacional para distinguir com precisão entre os sintomas de muitos doenças e desenvolver aplicativos fáceis de usar para apoiar os produtores de maçã.
Agricultura de carbono: Combinando inteligência de máquina, big data e modelos de processos para apoiar este setor emergente: Lehmann e Fengqi You, Roxanne E. e Michael J. Zak Professores em Engenharia de Sistemas de Energia na Smith School of Chemical and Biomolecular Engineering. Este projeto visa melhorar a previsão precisa do carbono orgânico do solo, combinando a modelagem de processos do solo com aprendizado de máquina, aprendizado profundo e big data para criar uma plataforma para impulsionar políticas baseadas em evidências e investimentos na saúde do solo e na mitigação das mudanças climáticas.
Plataforma de fenotipagem de alta resolução direcionada à função para deduzir relações genéticas-funções no rizomicrobioma para promover a utilização de nutrientes nas plantas: April Gu, professora de engenharia civil e ambiental; Jenny Kao-Kniffin, professora associada do SIPS; e Kilian Weinberger, professor associado de ciência da computação. Os pesquisadores desenvolverão uma plataforma tecnológica inovadora de fenotipagem-genotipagem que lhes permitirá construir uma instalação de fenotipagem agrícola de classe mundial em Cornell, a fim de descobrir e traçar o perfil de novos microrganismos que sejam benéficos para as culturas.
Sensores digitais escaláveis dos céus e solos: Uma abordagem da Internet das coisas para melhorar as previsões meteorológicas em escala agrícola de calor extremo, seca e chuva: Toby Ault, professor assistente de ciências terrestres e atmosféricas; e Max Zhang, professor associado do MAE. Usando uma Internet das coisas sem fio existente, os pesquisadores irão monitorar e prever variáveis-chave para prever condições climáticas extremas nos níveis estadual, municipal e agrícola para fornecer aos produtores de alimentos um kit de ferramentas para prever perigos.
Desenvolvimento de modelos preditivos para detectar com precisão mastites subclínicas e clínicas em vacas leiteiras ordenhadas com sistemas de ordenha automatizados: Rick Watters, associado de extensão sênior da CVM e diretor do Laboratório Ocidental de Serviços de Produção de Leite de Qualidade; e Kristan Reed, professor assistente de ciência animal. Usando dados como produção de leite, tempo de ordenha e tempo entre as visitas de ordenha, os pesquisadores desenvolverão um algoritmo para prever mastite em vacas leiteiras.
- Melanie Lefkowitz, Universidade Cornell
Projetos que vão desde um robô que nada no solo que pode detectar as condições na zona radicular em tempo real até modelos computacionais que podem prever a deterioração dos produtos receberam fundos iniciais do novo Fundo de Inovação em Pesquisa da Iniciativa Cornell para Agricultura Digital. Acima, um drone na Musgrave Research Farm, sendo levado para campo por alunos do laboratório do professor Micheal Gore. Foto de : Allison Usavage