_Tecnologia

Método alia inteligência artificial a imagens de satélite para mapear áreas com integração lavoura-pecuária

Trabalho desenvolvido por grupos da Embrapa Agricultura Digital e da Unicamp favorece a gestão dos recursos agrícolas e oferece subsídios para a formulação de políticas públicas

Método alia inteligência artificial a imagens de satélite para mapear áreas com integração lavoura-pecuária

Texto: Thais Szegö | Agência FAPESP

O sistema integrado lavoura-pecuária (ILP) consiste em combinar plantações, em especial de grãos (soja, milho e sorgo), com plantas forrageiras, utilizadas para alimentar bois e porcos, e pecuária, principalmente gado de corte, de maneira rotacional em forma de consórcio. Dessa forma, a plantação garante a maior parte da entrada de capital, enquanto os animais têm alimento à disposição até mesmo durante a estação seca e ajudam com o manejo das sementes. Com isso, há aumento da fertilidade do solo, da produtividade e da recuperação de áreas degradadas, além de redução do uso de agrotóxico, do risco de erosão, da sazonalidade da produção e dos custos operacionais. O trabalho acontece de maneira mais integrada e sustentável, já que uma atividade beneficia a outra e há menor impacto ambiental e redução nas emissões de carbono.

Em estudo divulgado na revista Remote Sensing of Environment, pesquisadores da Empresa Brasileira de Pesquisa Agropecuária (Embrapa) e da Universidade Estadual de Campinas (Unicamp) descrevem um método, baseado em ferramentas de inteligência artificial, que permite identificar por imagens de satélite as áreas em que sistemas ILP estão sendo empregados. Esse conhecimento, segundo os autores, pode beneficiar a produção agropecuária brasileira de diversas maneiras.

Assinatura espectro-temporal empírica de um sistema integrado de lavoura-pecuária, ou seja, como a vegetação e o solo emitem e absorvem luz em diferentes comprimentos de onda ao longo do tempo. Na figura, o momento das atividades agrícolas de semeadura, secagem e colheita da soja, juntamente com a semeadura das pastagens e pastejo rotativo são destacados ao longo do tempo (imagem: acervo dos pesquisadores)

A pesquisa contou com financiamentos da FAPESP (projetos 21/15001-9, 18/24985-0 e 17/50205-9) e da Organização Neerlandesa para a Pesquisa Científica (NWO).

“O objetivo principal do projeto, fruto de uma colaboração internacional para abordar questões relacionadas à agricultura sustentável, foi promover a integração de dados de sensoriamento com imagens da superfície terrestre obtidas a distância utilizando técnicas de inteligência artificial, agricultura de precisão e modelos biogeoquímicos para entender e criar modelos da dinâmica desse tipo de sistema”, conta Inácio Thomaz Bueno, engenheiro florestal cujo projeto de pós-doutorado enfatiza o monitoramento de sistemas de integração lavoura-pecuária utilizando imagens de sensoriamento remoto de alta resolução espacial e temporal.

“Também focamos na necessidade de aumentar o conhecimento sobre a ILP, já que existem muitas questões ainda em aberto e há uma carência em relação a métodos eficazes para monitorar a estratégia e explorar seu potencial, além da necessidade de identificar áreas de ILP alinhadas aos Objetivos de Desenvolvimento Sustentável [ODS] da ONU [Organização das Nações Unidas] relacionados à agricultura, meio ambiente, desenvolvimento econômico e social.”

Metodologia

A equipe trabalhou com algoritmos de aprendizado profundo, método de inteligência artificial que ensina computadores a processar dados de forma inspirada no funcionamento do cérebro humano e que tem grande capacidade de lidar com dados complexos, como imagens de satélite ao longo do tempo, e extrair padrões desses dados para identificar de forma correta as áreas de integração lavoura-pecuária. A análise, que estudou áreas de São Paulo e Mato Grosso usando intervalos de dez e 15 dias, foi feita em quatro passos: aquisição de dados obtidos por meio de imagens PlanetScope, um sistema de geração de imagens via satélite que capturou a evolução das áreas de integração ao longo do tempo; treinamento dos algoritmos, que aprenderam a reconhecer padrões associados aos sistemas ILP; mapeamento das áreas que usam essa tecnologia de trabalho; e avaliação da precisão, que consiste na acurácia do modelo avaliada pela comparação dos resultados automáticos com dados previamente conhecidos.

Mapas temáticos finais de cobertura e uso do solo nas áreas de estudo do trabalho (imagem: acervo dos pesquisadores)

Bueno conta que esse método foi empregado para monitorar e mapear a localização de sistemas ILP a partir de imagens de satélite considerando sua dinâmica ao longo do tempo. Os resultados promissores obtidos no estudo têm o potencial de impactar positivamente a agropecuária de várias maneiras.

“A identificação precisa de áreas de ILP permite uma gestão mais eficiente dos recursos agrícolas, na qual os agricultores podem otimizar a alocação de terras e melhorar a eficiência de uso. Além disso, a diversificação de atividades pode proporcionar uma fonte adicional de renda aos produtores”, afirma. As informações detalhadas derivadas do mapeamento da ILP também oferecem uma base sólida ao processo de decisão na área de produção, já que os agricultores podem ter resoluções baseadas em informações científicas sobre práticas de cultivo, manejo de rebanhos e investimentos em diferentes áreas da propriedade.

Por fim, esse produto atua no incentivo às práticas sustentáveis de agropecuária, uma vez que o reconhecimento e o mapeamento de áreas de integração lavoura-pecuária podem apoiar políticas e programas governamentais que promovam práticas agrícolas sustentáveis, contribuindo para a regularidade do abastecimento e formação de renda do produtor rural, incluindo a implementação de incentivos financeiros e linhas de crédito específicas para apoiar a adoção de sistemas integrados.

O artigo Mapping integrated crop-livestock systems in Brazil with planetscope time series and deep learning pode ser lido em: www.sciencedirect.com/science/article/abs/pii/S0034425723004376.

Sair da versão mobile