Plantas também choram e “gritam” quando são incomodadas, diz estudo

A partir disso, a equipe de cientistas tem desenvolvido tecnologias capazes de captar os sinais elétricos emitidos pelas plantas, sobretudo nesses momentos de estresse. Para isso, eles também têm utilizado Inteligência Artificial (IA) e técnicas de machine learning. É com essa tecnologia que se tornou possível ouvir as plantas “gritaram” nas primeiras 24 horas dos ataques e muita antes de ser visível ao olho humano.

Mas, ainda resta interpretar esse grito: qual a sua frequência e em que situações ele ocorre? E como é captado e interpretado? A GALILEU conversou com os pesquisadores Jurrian Friedrich e Patrik Hoegger para responder a essas e outras perguntas.

A chamada eletrofisiologia vegetal estuda os sinais elétricos gerados pelas plantas em resposta a estímulos ambientais, como variações de luz, temperatura, disponibilidade de água ou ataques de pragas.

Segundo os pesquisadores, o funcionamento pode ser comparado ao sistema nervoso de animais. “Diferente de nós [seres humanos], as plantas não têm um sistema nervoso”, observou Friedrich, mas elas utilizam sinais elétricos para reagir rapidamente ao ambiente. Quando uma folha é atacada ou quando há variação térmica, por exemplo, essa informação percorre toda a planta em questão de segundos.

Os sinais emitidos pelas plantas percorrem tecidos como o floema (o “recheio” do caule) por meio de fluxos iônicos nas membranas celulares do organismo. Essa estrutura funciona como um sistema interno de comunicação que funciona de maneira mais rápida do que alguns processos químicos.

A eletrofisiologia é um tópico conhecido há tempos pela ciência. A grande questão, no entanto, era a sua complexidade e o seu significativo volume de dados a serem interpretados. Isso porque cada planta pode gerar milhões de pontos de informações fisiológicas e químicas em pouco tempo – algo que tornava a análise uma missão impossível para os seres humanos, mas não para a IA.

“É enorme a quantidade de informação que temos: mais de 60 pontos de dados em apenas um segundo”, completou Hoegger. Além disso, os sinais elétricos apresentam diferentes padrões – espécie de “idiomas” variados –, sendo necessária a ajuda do computador para os decifrar com clareza e maior precisão.

Não à toa, um dos principais alvos dessa tecnologia é um inimigo das plantações que chega quase a ser invisível: o percevejo-marrom (Euschistus heros), uma das pragas mais perigosas para as culturas de soja. Ao contrário de insetos que deixam marcas visíveis ao se alimentarem da planta, o percevejo perfura a planta e injeta enzimas, causando danos internos difíceis de serem detectados a curto prazo.

Esses danos podem levar dias para se tornarem visíveis, tempo mais do que suficiente para comprometer a produtividade e a saúde da planta. De acordo com estudiosos da UFSM (Universidade Federal de Santa Maria), no Rio Grande do Sul, a praga pode reduzir em até 30% a produção de soja e gerar prejuízos superiores a R$ 12 milhões por safra.

Frente ao cenário enfrentado pela soja e outras culturas, a eletrofisiologia surge como uma alternativa aos métodos tradicionais de monitoramento, que ainda são majoritariamente visuais ou dependem de técnicas laboratoriais complexas.

Os pesquisadores afirmam que a dificuldade em se aprofundar na temática vinha, justamente, da escassez de tecnologias mais evoluídas, como a própria IA e as técnicas de machine learning. Outra limitação enfrentada por eles foi a interferência de outros sinais eletrônicos, que distorciam a escuta e as análises do ambiente.

Resolvidas as questões anteriores, Friedrich e Hoegger deram início aos testes práticos. Sensores foram acoplados às plantas para registrar continuamente a sua atividade elétrica. Esses dispositivos conseguem captar dezenas de medições por segundo, gerando um volume massivo de dados.

“Então, nós ajudamos os programas [IA], usamos o nosso conhecimento”, disse Friedrich. “Usamos informações como ‘agora [esse sinal significa que] é dia’ ou ‘isso é noite’ para ensinar os modelos de IA e continuamos até que estivéssemos satisfeitos com os resultados”.

O processo pode ser comparado ao de decodificação de uma linguagem. Afinal, como mencionado, os sinais elétricos são sempre os mesmos em natureza, mas seus padrões variam conforme o tipo de estresse a que a planta é submetida. Cabe à IA, portanto, identificar essas variações e as classificar corretamente.

A relevância desse tipo de tecnologia contribui para o desenvolvimento de novos produtos agrícolas, já que as suas implicações vão além do monitoramento. Ao identificar precocemente o estresse em suas lavouras, os agricultores poderão agir de forma mais rápida e precisa, aplicando defensivos agrícolas apenas quando necessário e nos locais exatos.

Essas práticas reduzem custos, evitam desperdícios e diminuem o impacto ambiental negativo causado pelos cultivos ao redor do mundo, não apenas na soja nacional. Estimativas indicam que as perdas agrícolas no Brasil chegam a 7,7% da produção anual – cerca de 25 milhões de toneladas – com prejuízos que podem alcançar R$ 55 bilhões por ano. No cenário global, os danos ultrapassam US$ 1,4 trilhão– o que corresponde a R$ 7 trilhões –, o equivalente a quase 5% do PIB mundial.

No caso da soja, a importância da tecnologia é ainda mais evidente. O grão responde por aproximadamente metade da produção mundial de proteínas vegetais, sendo estratégico tanto para a alimentação humana quanto animal.

Para Friedrich e Hoegger, a tecnologia poderá ser utilizada para desenvolver produtos melhores e mais objetivos para as necessidades da lavoura. A lógica por trás de tudo continua a ser simples: quanto mais cedo a intervenção, menor a infestação e menor a necessidade de insumos.

Em alguns cenários, os sensores podem até enviar alertas em tempo real para dispositivos móveis, permitindo acompanhamento contínuo da lavoura e, inclusive, durante a noite. Mas os pesquisadores também têm se dedicado ao estudo de conexão com outros aparelhos – como drones – para um monitoramento ainda mais abrangente.

Apesar dos avanços, os pesquisadores reconhecem que ainda há desafios. A variabilidade entre diferentes plantas, tipos de estresse e condições ambientais torna a “linguagem elétrica” complexa e, em muitos casos, ainda pouco compreendida. Outro fator é a implementação em larga escala, que depende de infraestrutura tecnológica e integração com outras ferramentas.