UniTriRob: um modelo robusto de regressão por machine learning para prever produtividade de alface em cultivo vertical aeropônico

Por que fazendas de alface mais inteligentes importam

Alimentar cidades com hortaliças frescas o ano todo é difícil quando terra, água e clima estão sob pressão. Fazendas verticais aeropônicas cultivam alface em torres internas altas usando névoa em vez de solo, economizando espaço e água. Mas obter colheitas confiáveis dessas fazendas de alta tecnologia exige saber antecipadamente quanto alface elas produzirão. Este estudo apresenta uma nova forma de prever rendimentos de alface com mais precisão, ajudando agricultores a planejar melhor e usar menos recursos.

Cultivar salada no ar

No cultivo vertical aeropônico, plantas de alface ficam em colunas empilhadas e suas raízes ficam suspensas no ar, pulverizadas regularmente com uma névoa rica em nutrientes. Como tudo, da temperatura e umidade à luz, pH e concentração de nutrientes, pode ser ajustado com precisão, os agricultores conseguem cultivar alface rapidamente com menos água do que em campos com solo. A desvantagem é que sistemas tão controlados são surpreendentemente sensíveis. Pequenas falhas em sensores ou variações breves nas condições podem distorcer medições, tornando difícil confiar em ferramentas de previsão simples que assumem dados limpos e estáveis.

Por que a matemática habitual falha

Muitas previsões de produtividade existentes dependem de regressões padrão ou métodos populares de machine learning, que funcionam melhor quando os dados se comportam de forma ordenada. Em fazendas aeropônicas reais, leituras de sensores que monitoram pH, sólidos totais dissolvidos, condutividade elétrica, turbidez, temperatura, umidade, luz e crescimento frequentemente incluem valores atípicos e ruído irregular. Um bico entupido, uma breve queda de energia ou um sensor em deriva pode gerar valores extremos que afastam modelos comuns do alvo. Como resultado, abordagens anteriores não conseguiram lidar plenamente com a realidade turbulenta de ensaios de longo prazo em cultivo interno.

Um modelo em três partes feito para ignorar dados ruins

Os autores projetaram uma nova estrutura de regressão chamada UniTriRob que combina três técnicas robustas em um único modelo. Uma parte reduz suavemente a influência de pequenas anomalias; outra ajusta linhas repetidamente descartando outliers evidentes; uma terceira se apoia em medianas em vez de médias para resistir a pontos extremos. Juntas, elas reduzem o peso de leituras suspeitas em vez de deixá-las dominar o resultado. O modelo foi treinado com mais de 50.000 registros com carimbo de tempo coletados a cada 15 minutos ao longo de vários ciclos de crescimento de alface em uma torre aeropônica, capturando como condições-chave mudaram ao longo do tempo e como essas variações afetaram o rendimento final.

Testando o modelo em uma fazenda em funcionamento

Após limpeza cuidadosa dos dados e visualização, os pesquisadores dividiram seus registros em conjuntos de treino e teste. Em seguida compararam o UniTriRob com uma variedade de alternativas comuns, incluindo regressão linear e polinomial, regressão por máquinas de vetores de suporte e vários métodos robustos usados isoladamente. Usando métricas como erro quadrático médio, erro absoluto médio e erro percentual, o UniTriRob consistentemente fez as previsões mais próximas do peso real colhido da alface. Explicou cerca de 98% da variação no rendimento, reduziu as taxas de erro em aproximadamente um quinto a um quarto em comparação com modelos padrão e fez isso com tempo de computação razoável, tornando-o prático para sistemas reais de controle agrícola.

O que isso significa para futuras fazendas urbanas

Previsões de rendimento mais precisas permitem que produtores internos ajustem irrigação, nutrientes e iluminação em vez de contar com suposições. Neste estudo, o modelo robusto ajudou a revelar quais fatores eram mais relevantes e sugeriu formas de reduzir o uso de recursos, como diminuir o consumo de água em até 40% em testes piloto. Os autores ressaltam que seus resultados se aplicam à alface cultivada em uma configuração aeropônica específica e que trabalhos adicionais são necessários para testar outras culturas e sistemas. Ainda assim, o UniTriRob mostra que tratar dados de sensores ruidosos com cuidado pode tornar fazendas verticais de alta tecnologia mais previsíveis, eficientes e mais adequadas para abastecer cidades densamente povoadas com alimentos frescos.

Citação: Rajendiran, G., Rethnaraj, J., Zade, S. et al. UniTriRob: a robust machine learning regression model for predicting lettuce yields in aeroponic vertical farming. Sci Rep 16, 15791 (2026). https://doi.org/10.1038/s41598-026-44564-8

Palavras-chave: alface aeropônica, agricultura vertical, previsão de produtividade, regressão robusta, agricultura inteligente