Estudo usa drones para cultivar milho adaptado à seca

Pesquisadores brasileiros desenvolveram uma metodologia inovadora que promete revolucionar a seleção de milho geneticamente modificado para tolerância à seca, reduzindo custos e acelerando o processo. Conforme divulgado pela Embrapa nesta segunda-feira (6), a técnica utiliza drones equipados com câmeras RGB para capturar imagens de experimentos em campo, convertendo-as em índices que avaliam a saúde das plantas.

Segundo a Embrapa, a inovação, fruto do trabalho do Centro de Genômica Aplicada às Mudanças Climáticas (GCCRC) – parceria entre a Embrapa e a Universidade Estadual de Campinas (Unicamp), com apoio da Fapesp –, já apresentou resultados promissores publicados na revista The Plant Phenome Journal.

Durante a seca de 2023, foram realizados experimentos em Campinas (SP) com 21 variedades de milho, das quais 18 possuíam genes modificados para tolerância à seca e três eram variedades convencionais para comparação. As plantas foram submetidas a diferentes níveis de irrigação.

Drones equipados com câmeras RGB e multiespectrais capturaram imagens semanais do campo experimental. A análise revelou que câmeras RGB – mais acessíveis financeiramente – oferecem resultados confiáveis, ampliando o potencial de aplicação da tecnologia.

A técnica não só diminui custos operacionais como também viabiliza estudos em áreas menores, essencial para projetos com recursos limitados. Além disso, permite o monitoramento contínuo do ciclo de crescimento das plantas, com dados usados para desenvolver modelos preditivos que simulam o desempenho das variedades em diferentes condições climáticas. Com as mudanças climáticas aumentando a frequência de secas, o desenvolvimento de cultivares mais resilientes é urgente. Métodos tradicionais de seleção são caros e demorados, dificultando avanços rápidos. A nova metodologia coloca o Brasil na vanguarda de soluções para os desafios da agricultura moderna.

O estudo “Temporal field phenomics of transgenic maize events subjected to drought stress: cross-validation scenarios and machine learning models”, de autoria de Helcio Pereira, Juliana Nonato, Rafaela Duarte, Isabel Gerhardt, Ricardo Dante, Paulo Arruda e Juliana Yassitepe, pode ser acessado aqui.