IA torna mais preciso o mapeamento da intensificação agrícola no Cerrado

Metodologia pioneira foi desenvolvida com algoritmos de classificação digital de imagens de satélites baseados em Inteligência Artificial

Metodologia pioneira, desenvolvida com suporte da Inteligência Artificial (IA), permitiu o alcance de um nível de acurácia de até 97%, quando aplicada em análises de imagens de satélite do Cerrado do município de Sorriso (MT), um dos principais produtores agrícolas do País. A acurácia é um aspecto relevante nos levantamentos realizados por meio de sensoriamento remoto.

A ferramenta atribui maior precisão aos estudos, monitoramento e planejamento relacionados ao uso da terra e à prática da intensificação agrícola, e contribui para a tomada de decisão, nas esferas pública e privada, com base em informações geoespaciais qualificadas.

A metodologia foi desenvolvida com algoritmos de classificação digital de imagens de satélites baseados em IA. Resulta do trabalho de pesquisadores da Embrapa, Universidade Estadual de Campinas (Unicamp), Instituto Nacional de Pesquisas Espaciais (Inpe) e Universidade Federal de Uberlândia (UFU), publicado na revista International Journal of Geo-Information (IJGI), no número de julho de 2023, com acesso gratuito para o público em geral.

“Os resultados demonstram a robustez da metodologia desenvolvida com foco na identificação de processos de dinâmica de uso da terra, como a intensificação agrícola”, avalia o pesquisador Édson Bolfe, da Embrapa Agricultura Digital, e coordenador do projeto Mapeamento agropecuário no Cerrado via combinação de imagens multisensores – MultiCER, financiado pela Fundação de Amparo à Pesquisa de São Paulo (Fapesp).

Bolfe explica que, dentre os principais diferenciais da metodologia, está a geração de uma base de dados geoespaciais ampliada a partir de imagens harmonizadas dos satélites Landsat, da Agência Aeroespacial dos Estados Unidos (NASA), e Sentinel-2, da Agência Espacial Europeia (ESA), denominada de HLS, e a utilização de algoritmos de classificação digital baseados em IA. A abordagem viabilizou o mapeamento dos cultivos agrícolas em três diferentes níveis hierárquicos, indicando áreas com uma, duas e até três safras no mesmo ano agrícola.

A sucessão de safras de diferentes culturas agrícolas em uma mesma área e no mesmo calendário agrícola, visando aumentar a produção sem envolver a supressão de novas áreas nativas, é uma prática crescente no Brasil, e os seus mapeamento e monitoramento podem nortear tomadores de decisão em análises voltadas ao planejamento agroambiental, em especial.

Metodologia está disponível para consulta e utilizaçãoIntegrantes 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 em AgroTag.

*Síntese da abordagem metodológica gerada para o mapeamento da intensificação agrícola*

Agilidade e precisão, o papel do AgroTag

Produtos de sensoriamento remoto e modelos de IA para classificação de imagens pixel-a-pixel têm demonstrado elevada confiabilidade no mapeamento agrícola, explica Bolfe. Com HLS é possível obter até duas imagens por semana nas mesmas regiões agrícolas de interesse.

Um dos desafios da equipe de pesquisa está na obtenção de informações qualitativas e quantitativas de campo, que são fundamentais no sensoriamento remoto na agricultura. Para isso, os pesquisadores utilizaram o aplicativo AgroTag, desenvolvido pela Embrapa Meio Ambiente para conferir agilidade e precisão ao mapeamento das principais culturas agrícolas em escalas regional e nacional.

“Algoritmos baseados em IA dependem fortemente de uma quantidade massiva de dados de entrada para a realização dos chamados ‘treinamentos’. Esses últimos são processos nos quais dados amostrais de referência, ou verdades de campo, são utilizados para ensinar os algoritmos a identificar os alvos sob investigação em grandes áreas, nesse caso utilizando imagens de satélite, ou seja, mapeamento em larga escala”, comenta Luiz Eduardo Vicente, pesquisador da Embrapa Meio Ambiente, especialista em sensoriamento remoto e um dos coordenadores do projeto AgroTag.

Nesse sentido, segundo Vicente, o uso do AgroTag foi fundamental, pois permitiu a coleta rápida e precisa de informações de campo, como o tipo de uso e cobertura da terra em cada ponto amostral, transferindo-as automaticamente para a nuvem de dados on-line, viabilizando seu uso nos referidos algoritmos.

Em contraposição aos métodos de coleta tradicionais, o AgroTag representou, durante o projeto, um incremento de 25% a mais de áreas amostradas. “O projeto reafirma um dos motivos pelos quais o Agrotag foi criado”, destaca Vicente.

*Exemplos de cultivos agrícolas produzidos na segunda e terceira safras, no município de Sorriso-MT, em junho de 2022. Fotos Crédito: Taya Parreiras, 2022*

Mapeamentos dinâmicos

“O estudo mapeou a produção agrícola de 2021-2022 em Sorriso/MT, município escolhido por sua relevância econômica e agroambiental no contexto do Cerrado e do País”, destaca Edson Sano, pesquisador da Embrapa Cerrados e membro do projeto MultiCER.

A maioria dos mapeamentos existentes não acompanha a evolução das práticas de intensificação agrícola “poupa-terra” – como a produção de até três safras na mesma área – ficando no nível da primeira safra. “Alguns levantamentos evoluíram para a identificação do número de safras plantadas, sem, no entanto, detectar as culturas específicas”, finaliza Sano.

“Para produzir mapeamentos dinâmicos, detalhados e precisos, é necessário um grande volume de informações de ´verdade terrestre´, que são amostras rotuladas dos tipos de uso ou cobertura da terra, obtidas durante atividades de campo”, observa Taya Parreiras, doutoranda no Instituto de Geociências da Unicamp e membro do Projeto MultiCER.

São necessárias ainda, de acordo com a pesquisadora, séries temporais regulares de imagens de satélite de alta resolução temporal e, nesse sentido, a harmonização de dados Landsat e Sentinel-2 é uma abordagem diferenciada. Taya Parreiras indica que, para lidar com a dimensão desses bancos de dados e informações, algoritmos de aprendizado de máquina, tais como Random Forest ou Extreme Gradient Boost, são fundamentais.

“Como parte da IA, esses algoritmos são capazes de analisar e aprender padrões espectrais e texturais complexos a partir de conjuntos de dados agrícolas extensos e variados, permitindo a identificação precisa de diferentes tipos de culturas, condições do solo e variáveis ambientais”, argumenta.

O Random Forest, ao criar várias árvores de decisão independentes e combiná-las, consegue produzir estimativas mais confiáveis. O Extreme Gradient Boost também cria diversas árvores de decisão, mas com a vantagem de permitir que aquelas com baixo poder de predição sejam ajustadas. “Ambos os algoritmos são altamente escaláveis, o que lhes permite processar grandes volumes de dados rapidamente, contribuindo para a geração de mapas agrícolas detalhados e atualizados”, conclui.