Um modelo desenvolvido pela Embrapa demonstrou alta assertividade na previsão de produtividade agrícola, utilizando imagens de satélite integradas a técnicas estatísticas e de aprendizado de máquina. O sistema alcançou 89% de acerto na cana-de-açúcar e 71% na soja, indicando grande potencial para apoiar decisões de produtores e indústria.

Cana-de-açúcar: monitoramento preciso com alta confiabilidade

O modelo foi aplicado em parceria com a Coplacana e financiado pela Finep, monitorando duas safras de cana ao longo de três anos. A previsão da produtividade considerou variáveis como cultivar, ciclo de produção, precipitação acumulada e índices de vegetação obtidos por imagens PlanetScope do Programa Brasil Mais.

O pesquisador Geraldo Magela Cançado, da Embrapa Agricultura Digital, destaca que o modelo começou com variáveis básicas, mas planeja incluir dados como temperatura, textura do solo e disponibilidade hídrica para aumentar a precisão. A ferramenta pode ser utilizada para planejamento estratégico, logística e intervenções nas lavouras, além de apoiar órgãos públicos na previsão de safra.

Soja: validação com bioestimulante Hydratus

A metodologia também foi aplicada na soja, em pesquisa de validação do bioestimulante Hydratus, em parceria com a Embrapa Milho e Sorgo e a empresa Bioma. Foram monitoradas três áreas, utilizando imagens de satélite PlanetScope e drones, com índice EVI2 para estimar produtividade.

Segundo Cançado, a correlação entre produtividade prevista e observada foi de 71%, considerada alta, mesmo inferior ao índice da cana. “Cada cultura se comporta de forma diferente. Na cana, a biomassa está diretamente ligada à produtividade; na soja, o grão depende de fatores mais complexos, tornando a predição menos direta”, explica.

Comparação entre métodos estatísticos e aprendizado de máquina

O modelo combina abordagens estatísticas e de aprendizado de máquina. Segundo Eduardo Speranza, analista da Embrapa, os cálculos estatísticos têm se mostrado mais precisos até o momento, devido ao volume limitado de amostras disponíveis para treinar o algoritmo. Para aumentar a eficiência do aprendizado de máquina, seria necessário ampliar significativamente a base de dados validada em campo.

Imagens de satélite oferecem vantagem sobre drones

O projeto utiliza imagens diárias de nanossatélites PlanetScope, disponibilizadas pelo Programa Brasil MAIS do Ministério da Justiça e Segurança Pública. Com resolução de 3 metros por pixel e 8 bandas espectrais, as imagens permitem acompanhamento diário e análise detalhada do desenvolvimento das culturas, superando limitações de frequência que drones apresentam.

Trabalho premiado pela Rede MAIS

O estudo “Previsão da Produtividade em Cana-de-Açúcar Utilizando Análise Temporal de Imagens PlanetScope” foi primeiro lugar na categoria instituições federais na premiação da Rede MAIS, reconhecendo o potencial inovador do uso de satélites para pesquisas agrícolas.

“Essa metodologia combina métricas agronômicas com sensoriamento remoto, oferecendo uma estratégia inovadora e econômica para monitoramento em tempo real das culturas”, afirma Júlio Esquerdo, chefe-adjunto de Pesquisa e Desenvolvimento da Embrapa Agricultura Digital.

Fonte: Portal do Agronegócio