Um modelo em desenvolvimento pela Embrapa conseguiu estimar com boa assertividade a produtividade de cana-de-açúcar utilizando imagens de satélite coletadas durante a fase de crescimento do trabalho. O resultado foi obtido integrando as imagens com técnicas estatísticas e aprendizagem de máquina. A mesma metodologia também foi testada em soja e serviu como forma de validação do bioestimulante Hydratus que acaba de ser lançado.

A pesquisa utiliza uma série temporal de imagens do PlanetScope disponibilizadas por meio do Programa Brasil Mais , do Ministério da Justiça e Segurança Pública ( ver quadro ). As imagens diárias permitem que os pesquisadores identifiquem os melhores momentos no desenvolvimento da planta para obter o índice de vegetação usado na previsão. As informações recolhidas nas imagens integradas a variações como cultivar, ciclo de produção e ocorrências acumuladas durante a fase de crescimento são utilizadas num modelo de predição.

No caso da cana-de-açúcar, um trabalho feito em parceria com a Cooperativa dos Plantadores de Cana do Estado de São Paulo ( Coplacana ), e financiado pela Finep , monitorou duas safras durante três anos e obteve um coeficiente de determinação de 0,89. Isso significa que quando comparados as predições do modelo com a produtividade observada na laboração pelos métodos agronômicos tradicionais, houve 89% de precisão, índice considerado alto para análise.

O pesquisador da Embrapa Agricultura Digital Geraldo Magela Cançado explica que o trabalho começou com um modelo mais simples, mas, conforme os trabalhos avançam, novas variáveis ​​serão inseridas, como temperatura, textura do solo e disponibilidade hídrica. Com essas variáveis ​​espera-se melhorar a eficiência da ferramenta.

A expectativa da equipe que trabalha na pesquisa é gerar um modelo de previsão que possa ser utilizado por produtores e indústrias com dados por talhão nas propriedades rurais. Isso possibilitaria o melhor planejamento estratégico, a antecipação de negociações, a programação de logística e a orientação para possíveis intervenções na mão de obra. Outro possível uso seria pelo poder público na previsão de safras.

"Essa metodologia permite um levantamento de safra mais objetivo. Queremos diminuir a subjetividade dessa previsão e ser mais abrangente. Considerada a imensidão deste País, só com o uso de imagens de satélites isso se torna possível", afirma o pesquisador João Antunes .

Na cultura da soja

Após uma primeira experiência com a cana-de-açúcar, a mesma metodologia começou a ser utilizada na cultura da soja em uma pesquisa de validação do uso do bioestimulante Hydratus, que protege as plantas contra a seca e estimula o crescimento vegetal. O trabalho, financiado pela Finep, foi feito em parceria com a Embrapa Milho e Sorgo e a empresa Bioma . Três áreas foram monitoradas. Em duas delas, a equipe da pesquisa utilizou imagens de satélite do PlanetScope e, na terceira, imagens feitas com uso de drone.

Enquanto na cana foi adotado o índice vegetativo por diferença normalizada verde (GNDVI) para previsão de produtividade, na soja foi usado o índice de vegetação realçado (EVI2). O primeiro utiliza bandas espectrais de infravermelho próximo (NIR) e a verde, possibilitando identificar diferenças no teor de clorofila. Já o segundo, a banda espectral vermelha, além do NIR, com sensibilidade à estrutura da planta e à biomassa.

Os resultados obtidos não só acusaram a diferença de produtividade entre os tratamentos com diferentes doses e testemunharam o bioestimulante Hydratus, como tiveram uma demonstração de 71% entre a produtividade predita e a observada. Embora menor que a assertividade da cana-de-açúcar, o índice de predição do modelo é considerado alto.

“Cada cultura tem um comportamento diferente e é normal essa variação entre elas. No geral, assumimos como aceitáveis ​​níveis de visualização acima de 0,6 (ou seja, o modelo é capaz de explicar acima de 60% da variação observada). No caso da cana, como a produção está muito ligada ao próprio dossel da planta (parte da planta sobre a superfície do solo, formada por folhas e colmos), eles obtêm-se resultados melhores, pois é quase uma relação direta entre biomassa e produtividade de colmo (caule típico). de gramíneas, como a cana). Já no caso da soja, como o produto é o grão, a relação dossel da soja e produtividade não é tão direta”, explica Geraldo Cançado.

Os bons resultados do modelo de predição trazem otimismo para o uso em pesquisas de campo, permitindo o monitoramento preciso e não destrutivo.

“Essa estrutura de avaliação dupla, combinando métricas agronômicas com sensoriamento remoto, fornece uma estratégia inovadora e econômica para avaliação do desempenho das culturas em tempo real”, afirma o pesquisador.

Foto: Geraldo Magela (área experimental)

O trabalho vem utilizando de forma comparativa duas abordagens, uma com aprendizagem de máquina e outra com métodos estatísticos. De acordo com o analista da Embrapa Eduardo Speranza , devido ao volume ainda pequeno de amostras usadas para treinar o algoritmo, o modelo com cálculos estatísticos vem se mostrando mais preciso.

"Apesar de ter muitos experimentos, ganhei em uma publicação com 500-600 amostras para treinar um algoritmo. Essa quantidade para aprendizado de máquina é pequena. O método de aprendizagem de máquina tem potencial de ser melhor, mas necessita de milhares de amostras", explica Speranza, lembrando que o aumento de amostras depende da validação in loco pelo método agronômico de monitoramento.