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.

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.

Trabalho premiado

O Programa Brasil MAIS (Meio Ambiente Integrado e Seguro) do Ministério da Justiça e Segurança Pública conta com uma plataforma de alertas por meio de imagens diárias de nanossatélites da constelação PlanetScope. Essas imagens são compartilhadas com mais de 600 instituições brasileiras, entre órgãos de segurança pública e fiscalizadores, nos âmbitos federal, estadual e municipal, e com universidades e instituições de pesquisa. A Embrapa é uma das usuárias das imagens fornecidas por 130 satélites que cobrem diariamente o Brasil, com resolução de 3 metros por pixel e 8 bandas espectrais.

“Embora o Programa tenha como foco principal a fiscalização de vários tipos de ilícitos, o potencial dessas imagens também se destaca na pesquisa agrícola, abrindo novas possibilidades de estudo e inovação na Embrapa. A iniciativa se mostra bastante adequada para aplicações em áreas experimentais, como talhões de produção agrícola, onde o acompanhamento o diário de alta resolução pode gerar informações valiosas para pesquisa e manejo”, afirma o chefe-adjunto de Pesquisa e Desenvolvimento da Embrapa Agricultura Digital  Júlio Esquerdo . 

A grande frequência de imagens representa um ganho quando comparada ao uso de imagens de drones, por exemplo. Embora a resolução de imagem do drone seja melhor, a frequência fica restrita à disponibilidade de pessoal para fazer voos.

Neste ano a Rede MAIS, que reúne as instituições participantes do Programa Brasil MAIS, promoveu uma premiação para reconhecer a valorização das iniciativas com uso da plataforma. O trabalho “Previsão da Produtividade em Cana-de-Açúcar Utilizando Análise Temporal de Imagens PlanetScope” organizado pela Embrapa ficou em primeiro lugar na categoria Instituições Federais.

Artigo

As pesquisas sobre o uso das imagens do PlanetScope para definição de modelos de previsão de produtividade de cana-de-açúcar e de soja foram divulgadas e estão disponíveis para acesso gratuito. O artigo  Prevendo o rendimento da cana-de-açúcar por meio da análise temporal de imagens de satélite durante a fase de crescimento  foi publicado na revista Agronomy e o artigo  Inoculantes à base de Bacillus aumentam a resiliência à seca na soja: desempenho agronômico e análise de sensoriamento remoto de testes em vários locais no Brasil  saiu na revista Frontiers.

Fonte: Embrapa