A agricultura empilhada, ou agricultura aérea, está mudando a forma como as cidades cultivam alimentos. Essas fazendas internas usam camadas verticais para aproveitar ao máximo o espaço limitado, mas manter as plantações saudáveis em locais apertados é um verdadeiro desafio. Robôs movidos a IA com realidade aumentada agora é possível analisar e podar plantas em tempo real, ajudando as plantações empilhadas a crescerem melhor e mais rápido.
Usando tecnologia avançada, esses robôs veem cada folha e galho, mapeando a forma e a saúde de cada planta. Eles usam software inteligente para planejar a melhor maneira de aparar e guiar o crescimento, reduzindo o desperdício e aumentando a produtividade das culturas. Inovações como essa estão ajudando os agricultores a manejar camadas altas e densas de cultivo com mais eficiência, apontando para um futuro em que os alimentos poderão ser cultivados mesmo no meio de cidades movimentadas.
Principais lições
- Robôs de IA e RA tornam a poda em fazendas aéreas mais rápida e precisa
- Máquinas inteligentes projetam e mapeiam o crescimento das plantas para melhorar a saúde das colheitas
- Novas tecnologias apoiam a agricultura sustentável em áreas urbanas
Visão geral da poda de IA em Sky Farms
Fazendas aéreas utilizam novas tecnologias, como inteligência artificial e robótica, para cultivar alimentos verticalmente. Esses sistemas otimizam o uso do espaço e facilitam o manejo das plantações por meio de dados e ferramentas de aprendizado de máquina.
Definindo Sky Farms e Sistemas de Cultivos Empilhados
Fazendas aéreas são sistemas de cultivo vertical, geralmente encontrados em áreas urbanas ou dentro de grandes edifícios. As culturas são plantadas em camadas sobrepostas, em vez de espalhadas sobre as terras agrícolas. Essa configuração permite o cultivo de mais alimentos em espaços menores, utilizando menos água e solo.
As principais características dos sistemas de cultivo empilhado incluem:
- Várias camadas de culturas em prateleiras ou torres
- Uso de luzes LED para crescimento durante todo o ano
- Ambientes precisamente controlados para temperatura e nutrientes
Os métodos de agricultura vertical reduzem a necessidade de pesticidas e podem ser localizados perto de onde as pessoas vivem. As culturas empilhadas também permitem um monitoramento mais fácil e colheitas mais rápidas, tornando-as ideais para cidades. Esse estilo de agricultura apoia os esforços para alimentar as crescentes populações urbanas.
A Evolução da Inteligência Artificial na Agricultura
A inteligência artificial transformou a agricultura ao automatizar tarefas e aprimorar decisões com base em dados. Seus primeiros usos se concentraram no monitoramento de colheitas e na análise do solo. Hoje, as ferramentas de IA monitoram a saúde das plantas, controlam a irrigação e preveem a produtividade.
O aprendizado de máquina treina computadores para aprender com informações. Na agricultura, modelos de IA podem reconhecer doenças em plantas, sugerir os melhores momentos para a colheita e guiar robôs em seu trabalho. Por exemplo, aplicações como Vid2Cuts use IA para recomendar podas em vinhedos.
À medida que a IA avançava, ela assumia tarefas complexas. Robôs e câmeras inteligentes agora identificam quais plantas precisam de poda ou fertilização e agem em tempo real. O resultado é um gerenciamento mais rápido e preciso das culturas em todos os tipos de fazendas.
Objetivo e benefícios da poda de IA
A poda com IA utiliza inteligência artificial e aprendizado de máquina para decidir a melhor maneira de aparar as plantações. A poda ajuda a controlar o crescimento das plantas, melhorar a exposição à luz solar e aumentar a produtividade. Em fazendas aéreas, braços robóticos guiados por IA aparam cuidadosamente folhas e caules com base em imagens de câmeras em tempo real.
Principais benefícios da poda de IA:
| Beneficiar | Descrição |
|---|---|
| Consistência | A IA segue o mesmo método todas as vezes |
| Avançada | Os robôs podem trabalhar rapidamente e sem parar |
| Rendimento melhorado | Plantas mais saudáveis e colheitas maiores |
A poda guiada por IA também permite que novos trabalhadores alcancem resultados excepcionais. Essa tecnologia reduz o erro humano, diminui os custos de mão de obra e ajuda cada planta a atingir seu potencial. Com a expansão das fazendas aéreas, a poda por IA desempenha um papel fundamental na produção de culturas de alta densidade, mantendo as plantas saudáveis e maximizando o uso do espaço vertical.
Robôs de Realidade Aumentada: Tecnologia e Funcionalidade
Robôs de realidade aumentada (RA) combinam sensores avançados com inteligência artificial para tornar a poda de culturas mais precisa e eficiente em fazendas aéreas. Eles usam coleta de dados em tempo real, orientação digital e navegação móvel para interagir com sistemas de cultivo dinâmicos e em camadas.
Como robôs de realidade aumentada operam em ambientes de cultivo empilhado
Robôs de RA usar plataformas móveis que conseguem transitar por corredores estreitos e plantações densamente empilhadas. Eles mapeiam o ambiente usando câmeras e sensores de alta resolução, permitindo que se movam com segurança e precisão.
Os operadores costumam usar óculos de realidade aumentada (RA) vestíveis ou tablets. Através deles, sugestões de poda e trajetórias de crescimento são projetadas diretamente nas plantas. Isso ajuda os trabalhadores a visualizar onde cortar ou aparar sem precisar adivinhar.
Muitos sistemas reduzem o esforço físico ao automatizar tarefas repetitivas. Os robôs conseguem repetir movimentos exatos com consistência, reduzindo o erro humano. As tarefas incluem movimentação de uma planta para outra, verificação de problemas e execução de cortes guiados.
O uso de ferramentas digitais e robóticas aumentam a velocidade e a precisão ao mesmo tempo em que reduz a fadiga do operador. Isso é especialmente útil em fazendas aéreas de alta densidade, onde o trabalho manual seria lento e fisicamente exigente.
Integração de Sensoriamento Remoto e Visão Computacional
Sensoriamento remoto e visão computacional são essenciais para robôs de RA. Câmeras e sensores multiespectrais coletam dados em tempo real sobre a saúde das culturas, os estágios de crescimento e a estrutura física das plantas. Esses dados são então analisados a bordo do robô ou enviados para um servidor central.
Modelos de aprendizado profundo processam as imagens para identificar galhos, áreas doentes e pontos de corte ideais. Isso permite que robôs de RA gerem sobreposições digitais precisas para recomendações de poda. Essas sobreposições se adaptam conforme as plantas crescem ou conforme as condições ambientais mudam.
Robôs móveis aprimoram cada sessão de poda fornecendo feedback instantâneo e destacando problemas específicos. A visão computacional garante que os robôs possam operar com eficácia mesmo em ambientes complexos e mutáveis. Essa tecnologia permite decisões mais rápidas e contribui para um melhor gerenciamento das culturas a longo prazo.
Projetando Caminhos de Crescimento Usando IA
Robôs com tecnologia de IA utilizam análise e modelagem avançadas de dados para prever o crescimento das culturas em ambientes agrícolas combinados. Esses sistemas ajudam os agricultores a otimizar recursos e melhorar o tempo de colheita, fornecendo visualizações claras de onde e como as plantas crescerão.
Mineração e análise de dados para previsão do crescimento de culturas
Robôs coletam grandes quantidades de dados de sensores espalhados pela fazenda aérea. Esses sensores coletam informações sobre temperatura, umidade, luz e nutrientes do solo. Algoritmos de mineração de dados classificam essas informações para encontrar padrões que influenciam o crescimento das culturas.
As principais técnicas incluem:
- Agrupamento: Agrupa respostas semelhantes de crescimento de plantas.
- Análise de regressão: Prevê taxas de crescimento com base nas condições atuais.
- Detecção de anomalia: Sinaliza plantas que se desviam dos caminhos de crescimento esperados.
Ao aprender com as condições que levam à saúde das plantas, a IA pode recomendar ajustes. A realidade aumentada permite que os trabalhadores vejam esses insights projetados diretamente nas plantações, facilitando uma resposta rápida e eficaz. Mais detalhes sobre como os sistemas de IA aprendem podem ser encontrados em Laboratório de Inteligência Artificial e Aprendizado de Máquina na TU Darmstadt.
Modelagem de crescimento usando gráficos e causalidade
Os gráficos representam as relações entre culturas, fatores ambientais e interações ao longo do tempo. Cada nó pode ser uma planta, um sensor ou uma condição, e as arestas mostram como eles se afetam mutuamente. Essa estrutura auxilia a IA mudanças de faixa e prever o crescimento futuro.
Análise de causalidade é usado para identificar quais fatores impactam diretamente o crescimento, não apenas as correlações. Por exemplo, uma queda na umidade pode causar um desenvolvimento foliar mais lento. Algoritmos de aprendizado por reforço testam diferentes ajustes e aprendem quais ações levam aos melhores resultados.
Ao modelar essas dinâmicas e usar realidade aumentada, os robôs podem projetar prováveis trajetórias de crescimento diretamente nas culturas empilhadas, simplificando a gestão da fazenda e ajudando os trabalhadores a tomar melhores decisões. Para mais informações sobre essas técnicas, consulte o Relatório de tendências tecnológicas de 2025.
Métodos de Aprendizado de Máquina para Poda Autônoma
O aprendizado de máquina controla como robôs de poda reconhecer, planejar e atuar em fazendas aéreas. Ele impulsiona a compreensão da imagem, a tomada de decisões e o tratamento de situações imprevisíveis crescimento da colheita.
Aprendizado profundo e IA neuro-simbólica
Modelos de aprendizado profundo analisam imagens de câmeras robóticas para identificar galhos, folhas e frutos de culturas. Esses modelos podem encontrar pontos de poda precisos e avaliar a saúde das plantas. Eles têm bom desempenho em ambientes complexos, como os layouts empilhados comuns em fazendas aéreas.
A IA neuro-simbólica aprimora robôs ao conectar redes neurais profundas com regras lógicas. Essa abordagem ajuda os robôs a entender as diretrizes agrícolas e os limites de segurança, enquanto se adaptam a novas estruturas de cultivo. Ela permite que o sistema raciocine sobre qual ação é melhor, considerando resultados anteriores e recomendações de especialistas.
Ao combinar o reconhecimento de padrões com a lógica, a IA neuro-simbólica auxilia na tomada de decisões mais eficazes em cenários agrícolas em rápida mudança. Essa tecnologia é fundamental para a pesquisa atual em Métodos de navegação e percepção baseados em IA para agricultura de precisão.
Aplicações de Aprendizagem por Reforço
O aprendizado por reforço treina robôs para escolher caminhos de poda por tentativa e erro. Os robôs tentam diferentes ações de corte e recebem feedback como "recompensas" com base no crescimento das plantações posteriormente. Com o tempo, eles aprendem quais métodos de poda resultam em plantas mais saudáveis e maior produtividade.
Essa abordagem utiliza ambientes de cultivo simulados e dados do mundo real. Ela ajuda os robôs a ajustar suas ações para diferentes padrões de crescimento em camadas de fazendas empilhadas. Em espaços complexos, o aprendizado por reforço pode encontrar soluções que a programação tradicional não consegue.
O desenvolvimento destes métodos está a avançar, tornando poda robótica autônoma mais precisa e eficiente.
Gerenciando a incerteza no desenvolvimento das culturas
As plantações costumam crescer de forma imprevisível, o que faz com que robôs de poda enfrentem incertezas. Modelos de aprendizado de máquina medem e gerenciam incógnitas em taxas de crescimento, exposição à luz e doenças. Eles atualizam as previsões conforme novos dados de sensores chegam.
Técnicas como modelos probabilísticos e quantificação de incertezas ajudam os robôs a decidir quando cortar ou adiar. Os robôs usam esses modelos para evitar danos às plantas e se adaptar ao crescimento anormal.
Lidar com a incerteza é crucial para fazendas aéreas. Isso permite que robôs e humanos confiem na poda automatizada, mesmo quando as condições da cultura mudam rapidamente. Modelos baseados em dados dão ao sistema a confiança necessária para operar em diferentes estações e padrões climáticos.
Planejamento de Caminhos e Navegação Autônoma
Robôs controlados por IA usam planejamento automatizado de caminhos para navegar com eficiência por fazendas aéreas. Esses robôs precisam lidar com ambientes complexos, evitando obstáculos com cuidado e trabalhando em conjunto com outras máquinas. A movimentação rápida e segura entre as plantações empilhadas é essencial para manter os ciclos de crescimento dentro dos padrões.
Planejamento de Caminho Informativo Adaptativo
O planejamento adaptativo e informativo de caminhos permite que robôs criem as melhores rotas através de pilhas de cultivo, considerando mudanças no ambiente e dados de sensores em tempo real. À medida que as plantas crescem e a densidade da copa muda, os robôs ajustam seus caminhos para minimizar a perturbação das plantas e maximizar a eficiência da poda.
Os robôs usam uma combinação de visão de máquina e realidade aumentada sobreposições para entender exatamente onde a poda é necessária. Uma tabela de leituras de sensores pode ser gerada para priorizar quais rotas fornecem mais informações sobre a cultura, evitando congestionamentos. Na prática, esses sistemas utilizam algoritmos que atualizam os caminhos em tempo real caso uma rota seja bloqueada ou se for detectado crescimento repentino de plantas.
Este técnica adaptativa leva a menos tempo desperdiçado e a uma poda mais eficaz, pois as decisões são baseadas nos dados de campo mais recentes.
Veículos Autônomos e Sistemas de Direção
Veículos autônomos em fazendas aéreas utilizam sistemas de direção robustos para navegar em estruturas verticais e corredores estreitos. Esses robôs autoguiados dependem de LiDAR, câmeras estéreo e planejamento avançado de caminho Programas para evitar obstáculos e alcançar locais específicos com precisão.
Veículos específicos para tarefas, como podadores robóticos, mapeiam cada seção, atualizam seu progresso e se coordenam com outros sistemas autônomos próximos. Recursos de assistência ao motorista, semelhantes aos utilizados em ambientes urbanos, auxiliam na redução de distâncias de frenagem e na prevenção de colisões. Alguns desses desenvolvimentos são demonstrados em workshops recentes de robótica que destacam avanços em navegação autônoma e assistência à direção em ambientes abertos.
No geral, a navegação autônoma mantém os robôs de poda eficientes e seguros enquanto eles trabalham dentro da configuração dinâmica e com espaço limitado das modernas fazendas aéreas.
Impacto Ambiental e Social
Poda de IA com robôs de realidade aumentada As fazendas aéreas mudam a forma como as plantações são geridas, afetando tanto o meio ambiente quanto as pessoas que vivem nas cidades. Elas promovem uma agricultura mais eficiente, mas também enfrentam algumas barreiras em ambientes urbanos movimentados.
Sustentabilidade e Redução da Pegada Ambiental
Poda guiada por IA Robôs usam dados para fazer cortes precisos. Isso ajuda as plantas a crescerem melhor com menos desperdício. Sistemas de cultivo empilháveis em fazendas aéreas permitem que as plantações sejam cultivadas em múltiplas camadas, utilizando os espaços urbanos de forma mais eficiente.
O uso conjunto de IA e sensores economiza energia e água. Sistemas controlados ajustam a iluminação e os horários de irrigação às necessidades das plantas, reduzindo o uso desnecessário de recursos. Como resultado, há menos necessidade de produtos químicos e menos escoamento, reduzindo o impacto ambiental geral.
A colheita e a manutenção automatizadas podem ser realizadas durante todo o ano. Isso possibilita o fornecimento de produtos frescos até mesmo para áreas urbanas densamente povoadas e com pouco espaço próprio. Pesquisas mostram que a agricultura vertical com IA pode apoiar a produção sustentável de alimentos em áreas urbanas e ajudar a reduzir a pegada de carbono frequentemente criada pelo transporte de alimentos por longas distâncias. Saiba mais sobre esses benefícios em um artigo sobre IA na agricultura vertical sustentável.
Desafios da implementação da poda de IA em ambientes urbanos
Fazendas aéreas urbanas apresentam desafios de espaço e infraestrutura limitados. A instalação de sistemas automatizados e robôs guiados por realidade aumentada (RA) frequentemente exige grandes mudanças em edifícios ou telhados. Os altos custos com sensores, câmeras e tecnologia robótica avançados podem limitar o acesso de empresas menores e produtores comunitários.
Muitas cidades precisam lidar com regulamentações sobre modificações em edifícios, uso de eletricidade e padrões de segurança. Essas regras podem atrasar ou bloquear a instalação de novos sistemas controlados por IA. Além disso, operar robôs em ambientes com plantações empilhadas envolve navegação complexa e potenciais problemas de segurança, especialmente em espaços frequentemente utilizados por pessoas.
Outro desafio é o suporte técnico. Tanto funcionários quanto gerentes precisam de treinamento para usar e solucionar problemas da nova tecnologia. Sensores avançados e automação devem ser confiáveis para manter as perdas de colheita e o tempo de inatividade baixos. Caso contrário, podem ocorrer interrupções no fornecimento de alimentos e aumento de custos.
Pesquisa, Regulamentação e Propriedade Intelectual
A poda de IA para fazendas aéreas depende de uma combinação de inovação acadêmica, regras legais rigorosas e uso cuidadoso de conteúdo protegido. Editoras e universidades líderes desempenham papéis importantes, enquanto a evolução das regulamentações de direitos autorais frequentemente molda o andamento dos projetos.
Principais Contribuidores Acadêmicos e Instituições
Pesquisas sobre poda guiada por IA e realidade aumentada na agricultura frequentemente partem de alguns grandes atores acadêmicos. Universidades como a Universidade Técnica de Darmstadt, especialmente seu departamento de ciência da computação, publicaram trabalhos notáveis, às vezes por meio de parcerias como a Hessian.AI. Essas equipes desenvolvem tanto estruturas técnicas quanto protótipos testados em campo para robôs de realidade aumentada.
Editoras acadêmicas importantes, como Springer e Elsevier, frequentemente divulgam essas descobertas. Organizações profissionais, incluindo a Sociedade Química Americana, publicam pesquisas relacionadas em automação e robótica agrícola. A colaboração frequente acontece entre universidades, institutos de pesquisa e indústria, levando a avanços mais rápidos em gerenciamento robótico de culturas.
Regulamentos de direitos autorais e solicitações de remoção
A distribuição de pesquisas é rigorosamente controlada por normas de direitos autorais. Editoras acadêmicas, como Elsevier e Springer, seguem rigorosas leis de propriedade intelectual. Elas estabelecem regras claras sobre o que pode ser compartilhado ou reutilizado de artigos de periódicos ou trabalhos de conferências.
Solicitações de remoção são acionadas quando o conteúdo se espalha além do que os direitos autorais permitem. Por exemplo, a Springer e a American Chemical Society respondem rapidamente a uploads não autorizados, impondo a remoção ou emitindo um aviso de remoção. A maioria dos editores publica sua política de remoção de conteúdo em seus sites, facilitando a compreensão de como protegem sua propriedade intelectual.
Manuseio de materiais protegidos por direitos autorais em pesquisas
Pesquisadores frequentemente precisam usar materiais protegidos por direitos autorais, como artigos publicados, conjuntos de dados ou figuras, para seus projetos. Eles devem seguir as regras da editora, como citação adequada e respeito às limitações de reutilização, para manter a conformidade. Muitos dependem de assinaturas institucionais para acessar materiais da Springer, Elsevier ou editoras acadêmicas semelhantes.
É necessária permissão para republicar ou adaptar materiais, especialmente para uso público ou comercial. O descumprimento dessas regras pode atrasar a publicação, impedir o compartilhamento de novas descobertas ou levar a consequências legais. Instituições como a TU Darmstadt fornecem diretrizes e ferramentas para verificar se o uso em pesquisas é permitido pelos detentores de direitos autorais.
Inovações e direções futuras
New modelos de visualização e insights da ciência cognitiva estão impulsionando mudanças significativas na forma como robôs de poda com IA operam em fazendas aéreas. Esses desenvolvimentos ajudam tanto máquinas quanto humanos a tomar melhores decisões para o manejo eficiente de culturas empilhadas.
Avanços em Splatting Gaussiano e Visualização
A técnica de espalhamento gaussiano está aprimorando a forma como os sistemas de IA compreendem e representam estruturas vegetais complexas. Ao sobrepor modelos gaussianos 3D em imagens, os robôs podem criar projeções mais precisas do caminho de crescimento para cada camada da cultura. Essas projeções ajudam a identificar quais galhos precisam ser podados para obter saúde e produtividade ideais.
Interfaces de realidade aumentada permitem que os trabalhadores visualizem os cortes sugeridos em tempo real. Esta orientação interativa, modelada a partir de estruturas como Vid2Cuts, facilita a poda de precisão, mesmo para pessoas com pouco treinamento técnico.
Um benefício fundamental é que o splatting gaussiano captura detalhes finos das plantas, reduzindo a chance de erros da IA. Essa tecnologia também acelera o processo de mapeamento, permitindo uma navegação mais rápida por robôs em espaços confinados de fazendas aéreas.
O papel da ciência cognitiva na IA para fazendas aéreas
A ciência cognitiva está moldando a forma como a IA interpreta sinais visuais e contextuais em fazendas aéreas. Ao estudar como os humanos avaliam a saúde das plantas e decidem onde podar, os desenvolvedores podem programar robôs para imitar o raciocínio de especialistas.
Isso leva a algoritmos mais adaptáveis, capazes de lidar com padrões inesperados de crescimento das plantas. Por exemplo, robôs podem usar pistas contextuais do ambiente ao seu redor para ajustar os planos de poda caso uma plantação pareça estressada ou doente.
Designers também estão usando a ciência cognitiva para aprimorar o treinamento de trabalhadores agrícolas. Com feedback baseado em IA e explicações visuais claras, a equipe pode aprender rapidamente as melhores práticas para o gerenciamento de culturas empilhadas. Isso não apenas melhora os resultados, mas também cria confiança entre humanos e sistemas autônomos.
Perguntas frequentes
Robôs de realidade aumentada e IA estão ajudando fazendas aéreas modernas a gerenciar o crescimento das plantas, a poda e a saúde das colheitas com mais precisão e eficiência. Essas ferramentas trabalham em conjunto com equipamentos agrícolas e ambientes controlados para aumentar a produtividade, apoiar o crescimento e reduzir custos.
Como os robôs de realidade aumentada contribuem para uma poda eficiente na agricultura vertical?
Robôs de realidade aumentada (RA) usam sensores e imagens em tempo real para localizar plantas e identificar locais de poda. Sistemas de visão avançados guiam os robôs para aparar apenas galhos ou folhas específicos. Isso reduz o desperdício e ajuda as plantações empilhadas a crescerem uniformemente.
Quais avanços tecnológicos foram feitos em IA para dar suporte à projeção do caminho de crescimento das plantas?
Modelos recentes de IA podem prever o crescimento das plantas com base em dados anteriores, padrões de luz e água. Esses sistemas aprendem rapidamente com novas condições e atualizam as projeções do caminho de crescimento. Em alguns projetos, o aprendizado profundo melhorou segmentação de imagem, permitindo um mapeamento mais preciso das culturas.
Os sistemas de realidade aumentada podem ser integrados aos equipamentos agrícolas existentes em fazendas aéreas? Se sim, como?
A maioria dos sistemas de RA é projetada para se conectar facilmente com sensores, robôs e plataformas de gerenciamento atuais. Eles podem exibir sobreposições digitais nas telas dos equipamentos e enviar dados aos operadores da fazenda. A integração geralmente envolve a atualização de software ou a adição de câmeras ou headsets compatíveis com RA.
Quais são os benefícios de usar RA e IA no gerenciamento de culturas em ambientes controlados?
A RA e a IA oferecem aos agricultores insights em tempo real sobre a saúde das plantas e as ações necessárias. Elas otimizam o monitoramento das culturas, reduzem o trabalho manual e ajudam a identificar sinais precoces de doenças ou crescimento deficiente. Isso facilita a manutenção de condições estáveis e contribui para uma melhor produtividade.
Como a poda orientada por IA demonstrou afetar o rendimento e a saúde de culturas empilhadas?
A poda orientada por IA ajuda a manter o crescimento das plantas equilibrado, o que evita a superlotação em plantações empilhadas. Culturas aparadas corretamente tendem a produzir caules mais fortes, folhas mais saudáveis e colheitas maiores. Algumas pesquisas também relacionaram a poda automatizada a menores taxas de propagação de doenças entre plantas muito compactadas.
Qual é o impacto esperado nos custos de mão de obra e na produtividade com a adoção de robôs de RA em fazendas aéreas?
Com robôs de realidade aumentada realizando tarefas como poda e monitoramento, as fazendas podem operar com menos trabalhadores manuais. Os custos com mão de obra geralmente caem, enquanto a produtividade aumenta. Os robôs podem trabalhar em turnos mais longos e lidar com tarefas detalhadas, resultando em maior produtividade na mesma área da fazenda.