Metodologia pioneira, desenvolvida com suporte da Intelig\u00eancia Artificial (IA), permitiu o alcance de um n\u00edvel de acur\u00e1cia de at\u00e9 97%, quando aplicada em an\u00e1lises de imagens de sat\u00e9lite do Cerrado do munic\u00edpio de Sorriso (MT), um dos principais produtores agr\u00edcolas do Pa\u00eds. A acur\u00e1cia \u00e9 um aspecto relevante nos levantamentos realizados por meio de sensoriamento remoto.<\/p>\n\n\n\n
A ferramenta atribui maior precis\u00e3o aos estudos, monitoramento e planejamento relacionados ao uso da terra e \u00e0 pr\u00e1tica da intensifica\u00e7\u00e3o agr\u00edcola, e contribui para a tomada de decis\u00e3o, nas esferas p\u00fablica e privada, com base em informa\u00e7\u00f5es geoespaciais qualificadas.<\/p>\n\n\n\n
A metodologia foi desenvolvida com algoritmos de classifica\u00e7\u00e3o digital de imagens de sat\u00e9lites 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 Uberl\u00e2ndia (UFU), publicado na revista International Journal of Geo-Information (IJGI), na edi\u00e7\u00e3o de julho de 2023, com acesso gratuito para o p\u00fablico em geral.<\/p>\n\n\n\n
\u201cOs resultados demonstram a robustez da metodologia desenvolvida com foco na identifica\u00e7\u00e3o de processos de din\u00e2mica de uso da terra, como a intensifica\u00e7\u00e3o agr\u00edcola\u201d, avalia o pesquisador da Embrapa Agricultura Digital \u00c9dson Bolfe, coordenador do projeto Mapeamento agropecu\u00e1rio no Cerrado via combina\u00e7\u00e3o de imagens multisensores (MultiCER), financiado pela Funda\u00e7\u00e3o de Amparo \u00e0 Pesquisa de S\u00e3o Paulo (Fapesp).<\/p>\n\n\n\n
Bolfe explica que, dentre os principais diferenciais da metodologia, est\u00e1 a gera\u00e7\u00e3o de uma base de dados geoespaciais ampliada a partir de imagens harmonizadas dos sat\u00e9lites Landsat, da Ag\u00eancia Aeroespacial dos Estados Unidos (Nasa), e Sentinel-2, da Ag\u00eancia Espacial Europeia (ESA), denominada de HLS, e a utiliza\u00e7\u00e3o de algoritmos de classifica\u00e7\u00e3o digital baseados em IA. A abordagem viabilizou o mapeamento dos cultivos agr\u00edcolas em tr\u00eas diferentes n\u00edveis hier\u00e1rquicos, indicando \u00e1reas com uma, duas e at\u00e9 tr\u00eas safras no mesmo ano agr\u00edcola.<\/p>\n\n\n\n
A sucess\u00e3o de safras de diferentes culturas agr\u00edcolas em uma mesma \u00e1rea e no mesmo calend\u00e1rio agr\u00edcola, visando aumentar a produ\u00e7\u00e3o sem envolver a supress\u00e3o de novas \u00e1reas nativas, \u00e9 uma pr\u00e1tica crescente no Brasil, e os seus mapeamento e monitoramento podem nortear tomadores de decis\u00e3o em an\u00e1lises voltadas ao planejamento agroambiental, em especial.
\nAgilidade e precis\u00e3o, o papel do AgroTag
\nProdutos de sensoriamento remoto e modelos de IA para classifica\u00e7\u00e3o de imagens pixel-a-pixel t\u00eam demonstrado elevada confiabilidade no mapeamento agr\u00edcola, explica Bolfe. Com HLS \u00e9 poss\u00edvel obter at\u00e9 duas imagens por semana nas mesmas regi\u00f5es agr\u00edcolas de interesse.<\/p>\n\n\n\n
Um dos desafios da equipe de pesquisa est\u00e1 na obten\u00e7\u00e3o de informa\u00e7\u00f5es qualitativas e quantitativas de campo, que s\u00e3o fundamentais no sensoriamento remoto na agricultura. Para isso, os pesquisadores utilizaram o aplicativo AgroTag, desenvolvido pela Embrapa Meio Ambiente para conferir agilidade e precis\u00e3o ao mapeamento das principais culturas agr\u00edcolas em escalas regional e nacional.<\/p>\n\n\n\n
\u201cAlgoritmos baseados em IA dependem fortemente de uma quantidade massiva de dados de entrada para a realiza\u00e7\u00e3o dos chamados \u2018treinamentos\u2019. Esses \u00faltimos s\u00e3o processos nos quais dados amostrais de refer\u00eancia, ou verdades de campo, s\u00e3o utilizados para ensinar os algoritmos a identificar os alvos sob investiga\u00e7\u00e3o em grandes \u00e1reas, nesse caso utilizando imagens de sat\u00e9lite, ou seja, mapeamento em larga escala\u201d, comenta o pesquisador da Embrapa Meio Ambiente, Luiz Eduardo Vicente, especialista em sensoriamento remoto e um dos coordenadores do projeto AgroTag.<\/p>\n\n\n\n
Nesse sentido, segundo Vicente, o uso do AgroTag foi fundamental, pois permitiu a coleta r\u00e1pida e precisa de informa\u00e7\u00f5es 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.<\/p>\n\n\n\n
Em contraposi\u00e7\u00e3o aos m\u00e9todos de coleta tradicionais, o AgroTag representou, durante o projeto, um incremento de 25% a mais de \u00e1reas amostradas. \u201cO projeto reafirma um dos motivos pelos quais o AgroTag foi criado\u201d, destaca Vicente.
\nMapeamentos din\u00e2micos
\n\u201cO estudo mapeou a produ\u00e7\u00e3o agr\u00edcola de 2021-2022 em Sorriso (MT), munic\u00edpio escolhido por sua relev\u00e2ncia econ\u00f4mica e agroambiental no contexto do Cerrado e do Pa\u00eds\u201d, destaca Edson Sano, pesquisador da Embrapa Cerrados e membro do projeto MultiCER.<\/p>\n\n\n\n
A maioria dos mapeamentos existentes n\u00e3o acompanha a evolu\u00e7\u00e3o das pr\u00e1ticas de intensifica\u00e7\u00e3o agr\u00edcola \u201cpoupa-terra\u201d — como a produ\u00e7\u00e3o de at\u00e9 tr\u00eas safras na mesma \u00e1rea — ficando no n\u00edvel da primeira safra. \u201cAlguns levantamentos evolu\u00edram para a identifica\u00e7\u00e3o do n\u00famero de safras plantadas, sem, no entanto, detectar as culturas espec\u00edficas\u201d, finaliza Sano. <\/p>\n\n\n\n
\u201cPara produzir mapeamentos din\u00e2micos, detalhados e precisos, \u00e9 necess\u00e1rio um grande volume de informa\u00e7\u00f5es de \u00b4verdade terrestre\u00b4, que s\u00e3o amostras rotuladas dos tipos de uso ou cobertura da terra, obtidas durante atividades de campo\u201d, observa Taya Parreiras doutoranda no Instituto de Geoci\u00eancias da Unicamp e membro do Projeto MultiCER.<\/p>\n\n\n\n
S\u00e3o necess\u00e1rias ainda, de acordo com a pesquisadora, s\u00e9ries temporais regulares de imagens de sat\u00e9lite de alta resolu\u00e7\u00e3o temporal e, nesse sentido, a harmoniza\u00e7\u00e3o de dados Landsat e Sentinel-2 \u00e9 uma abordagem diferenciada. Taya Parreiras indica que, para lidar com a dimens\u00e3o desses bancos de dados e informa\u00e7\u00f5es, algoritmos de aprendizado de m\u00e1quina, tais como Random Forest ou Extreme Gradient Boost, s\u00e3o fundamentais.<\/p>\n\n\n\n
\u201cComo parte da IA, esses algoritmos s\u00e3o capazes de analisar e aprender padr\u00f5es espectrais e texturais complexos a partir de conjuntos de dados agr\u00edcolas extensos e variados, permitindo a identifica\u00e7\u00e3o precisa de diferentes tipos de culturas, condi\u00e7\u00f5es do solo e vari\u00e1veis ambientais\u201d, argumenta.<\/p>\n\n\n\n
O Random Forest, ao criar v\u00e1rias \u00e1rvores de decis\u00e3o independentes e combin\u00e1-las, consegue produzir estimativas mais confi\u00e1veis. O Extreme Gradient Boost tamb\u00e9m cria diversas \u00e1rvores de decis\u00e3o, mas com a vantagem de permitir que aquelas com baixo poder de predi\u00e7\u00e3o sejam ajustadas. \u201cAmbos os algoritmos s\u00e3o altamente escal\u00e1veis, o que lhes permite processar grandes volumes de dados rapidamente, contribuindo para a gera\u00e7\u00e3o de mapas agr\u00edcolas detalhados e atualizados\u201d, conclui.<\/p>\n\n\n\n
Fonte: Embrapa Agricultura Digital<\/p>\n","protected":false},"excerpt":{"rendered":"
Metodologia pioneira, desenvolvida com suporte da Intelig\u00eancia Artificial (IA), permitiu o alcance de um n\u00edvel de acur\u00e1cia de at\u00e9 97%, quando aplicada em an\u00e1lises de imagens de sat\u00e9lite do Cerrado do munic\u00edpio de Sorriso (MT), um dos principais produtores agr\u00edcolas do Pa\u00eds. A acur\u00e1cia \u00e9 um aspecto relevante nos levantamentos realizados por meio de sensoriamento…<\/p>\n","protected":false},"author":2,"featured_media":2128,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[20,19],"tags":[137],"class_list":["post-2127","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-embrapa","category-noticias","tag-inteligencia-artificial-no-cerrado"],"acf":[],"_links":{"self":[{"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/posts\/2127","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/comments?post=2127"}],"version-history":[{"count":2,"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/posts\/2127\/revisions"}],"predecessor-version":[{"id":2174,"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/posts\/2127\/revisions\/2174"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/media\/2128"}],"wp:attachment":[{"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/media?parent=2127"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/categories?post=2127"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fundapam.com.br\/site\/wp-json\/wp\/v2\/tags?post=2127"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}