A previsão precisa do teor de fitocanabinoides em plantas de Cannabis sativa é um dos grandes desafios da cadeia produtiva, especialmente nos segmentos medicinal e industrial.
Garantir qualidade, padronização química e conformidade regulatória exige métodos confiáveis, rápidos e que não comprometam a planta.
Nesse contexto, um estudo recente demonstrou que a combinação entre tecnologia hiperespectral e inteligência artificial pode revolucionar a forma como o perfil químico da Cannabis é analisado ao longo do cultivo.
Tradicionalmente, a quantificação de fitocanabinoides como o Canabidiol (CBD) e o Tetrahidrocanabinol (THC) depende de análises laboratoriais destrutivas, como cromatografia, que exigem coleta de flores, preparo de amostras e tempo considerável até a obtenção dos resultados.
Além disso, essas análises refletem apenas um ponto específico do ciclo da planta, dificultando o monitoramento dinâmico da produção de metabólitos.
O que é a reflectância hiperespectral?
A reflectância hiperespectral é uma técnica óptica que analisa a luz refletida pelas superfícies em centenas de comprimentos de onda distintos.
No caso das plantas, esse padrão espectral carrega informações sobre composição bioquímica, estado fisiológico e metabolismo secundário. Pequenas variações na concentração de compostos podem gerar assinaturas espectrais específicas, que podem ser interpretadas por modelos computacionais avançados.
No estudo em questão, os pesquisadores aplicaram medições hiperespectrais diretamente nas folhas de plantas de Cannabis sativa, utilizando um dispositivo portátil. Essa abordagem permitiu a coleta de dados não destrutiva, rápida e repetível ao longo de todo o ciclo de floração.
Uso de aprendizado de máquina na previsão de fitocanabinoides
Os pesquisadores utilizaram modelos de aprendizado de máquina para transformar dados espectrais em previsões químicas confiáveis. Eles treinaram os algoritmos para identificar padrões de reflectância associados às concentrações finais de CBD, THC e fitocanabinoides totais nas flores maduras.
O estudo avaliou duas cultivares sob sete condições de iluminação, aumentando a robustez e a precisão do modelo.
Os resultados demonstraram alto desempenho preditivo, com coeficientes de determinação (R²) de até 0,89 para CBD, 0,77 para THC e 0,80 para o total de fitocanabinoides.
Esses valores superam muitos métodos anteriormente descritos na literatura, especialmente aqueles baseados em análises indiretas ou destrutivas.
Vantagens do método não destrutivo
Um dos aspectos mais relevantes do estudo é a utilização de um equipamento portátil, capaz de realizar medições diretamente no campo ou em ambientes controlados de cultivo.
Isso elimina a necessidade de coleta de amostras, preserva a integridade da planta e permite avaliações repetidas ao longo do tempo.
Além disso, o sistema demonstrou capacidade de diferenciar cultivares e identificar variações relacionadas às condições de cultivo. Essa característica é particularmente valiosa para programas de melhoramento genético, controle de qualidade e classificação de lotes, áreas críticas para a cannabis medicinal e o cânhamo industrial.
Impacto na produção de Cannabis medicinal e industrial
A possibilidade de prever o perfil químico da planta semanas antes da colheita representa um avanço significativo em termos de eficiência produtiva.
No cânhamo industrial, esse tipo de monitoramento ajuda a evitar excedentes de THC acima dos limites legais, reduzindo o risco de descarte de safras inteiras por não conformidade regulatória.
Na Cannabis medicinal, a tecnologia oferece suporte direto à padronização terapêutica. Ao acompanhar a evolução dos fitocanabinoides durante o cultivo, produtores podem ajustar manejo, iluminação e colheita para garantir maior consistência nos produtos finais, fator essencial para segurança e eficácia clínica.
Integração entre tecnologia, agricultura e regulação
Os resultados reforçam o potencial da integração entre agricultura de precisão, inteligência artificial e regulação sanitária. Métodos não destrutivos baseados em dados agilizam decisões, reduzem custos analíticos e aumentam a rastreabilidade exigida por reguladores e pelo mercado farmacêutico.
Assim, a aplicação da tecnologia hiperespectral associada à IA se consolida como uma ferramenta promissora para fortalecer toda a cadeia produtiva da Cannabis sativa, desde o cultivo até o produto final.
Referência científica
Cunha et al. Hyperspectral reflectance and machine learning predict phytocannabinoid content in Cannabis sativa. Industrial Crops and Products, 2025.
DOI: https://doi.org/10.1016/j.indcrop.2025.122010
