Pode a IA simular o crescimento de uma planta com base nas horas de luz solar e no horário de rega ?

A IA pode simular o crescimento de uma planta com base nas horas de luz solar e no calendário de rega, utilizando algoritmos complexos e modelos de aprendizagem automática que têm em conta vários fatores ambientais. Estes modelos podem ser treinados com grandes conjuntos de dados de padrões de crescimento de plantas, permitindo-lhes prever como diferentes plantas responderão a condições variáveis. Por exemplo, um modelo pode usar dados sobre a quantidade de luz solar que uma planta recebe, a frequência e o volume de rega, e o tipo de solo em que está a crescer para estimar a sua taxa de crescimento e o potencial de produção. Os investigadores desenvolveram modelos que conseguem simular o crescimento de plantas em diferentes escalas, desde plantas individuais até ecossistemas inteiros. Estas simulações podem ser usadas para otimizar o crescimento das culturas, prever o impacto das alterações climáticas nas populações de plantas e desenvolver práticas agrícolas mais eficientes. A utilização de IA na simulação do crescimento de plantas tem o potencial de revolucionar a área da biologia e melhorar a nossa compreensão das interações complexas entre as plantas e os seus ambientes. Ao aproveitar os avanços na capacidade de computação e na análise de dados, os cientistas podem criar simulações altamente precisas e detalhadas do crescimento das plantas, permitindo uma tomada de decisão mais informada e melhores resultados na agricultura e na conservação. O desenvolvimento destes modelos é uma área ativa de investigação, com novos estudos e aplicações a serem publicados regularmente.

+- administrado a 13 de maio de 2026 · Fonte: ScienceDaily — National Center for Biotechnology Information

Background

AI models simulate plant growth by combining environmental parameters such as daily sunlight hours and watering schedules with historical growth data. Studies cited in ScienceDaily and indexed by the National Center for Biotechnology Information (NCBI) draw on large-scale datasets that record species-specific responses to irradiance and moisture regimes. These datasets enable the training of algorithms—often deep-learning networks or ensemble regressors—that predict biomass accumulation, leaf area expansion, and yield. Researchers have demonstrated simulations spanning single specimens to ecosystem-level canopies, illustrating how virtual trials can complement field experiments. For example, one NCBI-supported study parameterized its model with hourly solar radiation and measured irrigation volumes to estimate the leaf-area index of tomato plants over a 12-week growth cycle. A parallel paper showed that convolutional neural networks could forecast drought-induced stunting in maize when provided with time-series data on soil-moisture and incident sunlight. Beyond individual crops, landscape-scale simulations incorporate micro-climate models to assess how heterogeneous sunlight distribution and variable irrigation affect biodiversity and carbon sequestration. The field remains dynamic, with recent work published in 2025 focusing on integrating real-time sensor networks into simulation pipelines for precision agriculture.