Uso de inteligência artificial aprimora a precisão no mapeamento da intensificação agrícola no Cerrado
Imagem: Divulgação/Embrapa
O mapeamento agrícola é uma ferramenta que proporciona diversos benefícios, já que permite a coleta de informações sobre processos diários, condições de colheita, locais pulverizados e áreas com ocorrência de pragas. Com o uso da inteligência artificial, esse processo pode ser ainda mais preciso. É o que aponta um novo estudo realizado por pesquisadores da Embrapa, Unicamp, Instituto Nacional de Pesquisas Espaciais (Inpe), e Universidade Federal de Uberlândia (UFU).
A ferramenta, que alcança um nível de precisão de 97%, tem a capacidade de analisar imagens de satélite do Cerrado, com destaque para o município de Sorriso, no Mato Grosso, um dos principais polos agrícolas do Brasil. Essa exatidão é fundamental para o planejamento agroambiental e a intensificação agrícola, permitindo que os tomadores de decisão, tanto no setor público quanto no privado, utilizem informações geoespaciais de alta qualidade.
O grande diferencial dessa metodologia pioneira está na combinação de três elementos cruciais. Primeiro, a harmonização de imagens de satélite provenientes de dois importantes satélites: o Landsat 8 e 9, da Agência Aeroespacial dos Estados Unidos (Nasa), e o Sentinel 2, da Agência Espacial Europeia (ESA). Em seguida, o uso de algoritmos de classificação digital baseados em IA e, por último, o foco no processo de intensificação agrícola.
De acordo com o mestre em Engenharia Agrícola e pesquisador da Embrapa Agricultura Digital Edson Bolfe, a metodologia permite uma gestão mais eficiente das atividades agrícolas:
“O principal benefício ao planejamento agrícola em relação a outras metodologias, está na identificação, qualificação e quantificação das áreas de intensificação agrícola, gerando um maior nível no detalhamento dos cultivos e na acurácia do levantamento por imagens de satélite”, afirma.
Síntese da abordagem metodológica desenvolvida para mapear a intensificação agrícola
INOVAÇÕES TECNOLÓGICAS
.png)
AGRONOMIA
FISCALIZAÇÃO
POR DENTRO DAS ENTIDADES
RAIO X DAS INSPETORIAS
NOTÍCIAS
.png)
.png)
MATÉRIA DE CAPA
PALAVRA DO PRESIDENTE
.png)
ARTIGOS
Imagem: Divulgação/Embrapa
Outra principal aplicação dessa tecnologia é o mapeamento da sucessão de safras de diferentes culturas agrícolas na mesma área e no mesmo calendário agrícola. Isso é fundamental para aumentar a produção sem a necessidade de expandir para novas áreas, contribuindo, assim, para a preservação do meio ambiente. Além disso, os algoritmos baseados em IA podem processar grandes volumes de dados de diferentes regiões, tornando a metodologia flexível e aplicável em todo o País.
Dois algoritmos de aprendizado de máquina se destacam nesse processo: o Random Forest e o Extreme Gradient Boost. O primeiro cria várias árvores de decisão independentes, combinando-as para gerar estimativas mais confiáveis. O segundo também cria essas árvores, mas permite ajustar aquelas com baixo poder de predição. Isso proporciona uma análise mais precisa de padrões espectrais e texturais complexos, identificando cultivos agrícolas, condições do solo e variáveis agroambientais com alta precisão.
Apesar dos testes no Cerrado, Bolfe salienta que o objetivo é expandir a metodologia em outros polos agrícolas do País:
“Nossa expectativa é ampliar a pesquisa por meio de novas parcerias e aprimorar a metodologia para outros importantes polos produtivos agrícolas do Brasil, como é o caso do Rio Grande do Sul. Com isso, será possível compreender melhor os processos regionais de dinâmica de uso da terra como expansão, retração, diversificação, conversão e a intensificação agrícola”, diz.
Integrantes da academia, poder público e setor produtivo podem acessar detalhes da metodologia, resultados e mapas gerados no Repositório de Dados de Pesquisa da Embrapa (Redape). A estrutura metodológica é replicável em outras regiões do Cerrado com características semelhantes.
Mais informações sobre a Plataforma de coleta de dados em campo estão disponíveis neste link: https://proceedings.science/sbsr-2023/trabalhos/aplicabilidade-e-eficacia-de-tecnologias-digitais-moveis-em-levantamentos-de-cam?lang=pt-br