Tecnologia consegue prever a produtividade da cana com 89% de acerto

Um modelo em desenvolvimento pela Embrapa conseguiu estimar com assertividade a produtividade da cana-de-açúcar com base em imagens de satélite coletadas durante a fase de crescimento da lavoura.

O resultado foi obtido integrando as fotos com técnicas estatísticas, aprendizagem de máquina e tecnologia.

A pesquisa utiliza uma série temporal de imagens da PlanetScope disponibilizadas por meio do Programa Brasil Mais, do Ministério da Justiça e Segurança Pública (MJSP).

As imagens diárias permitem que os pesquisadores identifiquem os melhores momentos do desenvolvimento da planta para se obter o índice de vegetação usado na previsão.

As informações coletadas nas imagens integradas a variáveis como cultivar, ciclo de produção e precipitação acumulada durante a fase de crescimento são usadas em um 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) monitorou duas safras durante três anos e obteve coeficiente de determinação de 0,89.

Isso significa que quando comparadas as predições do modelo com a produtividade observada na lavoura pelos métodos agronômicos tradicionais, houve 89% de precisão, índice considerado alto para previsões.

O pesquisador da Embrapa Agricultura Digital Geraldo Magela Cançado destaca que o trabalho começou com um modelo mais simples, mas, conforme os trabalhos avançarem, 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 a de gerar um modelo de predição que possa ser utilizado por produtores e indústria com dados por talhão nas propriedades rurais.

Isso possibilitaria melhor planejamento estratégico, antecipação de negociações, programação de logística e a orientação para possíveis intervenções na lavoura. 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.

Produtividade da soja

Após a 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 plantas contra a seca e estimula o crescimento vegetal.

Três áreas foram monitoradas. Em duas delas, a equipe da pesquisa utilizou as 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 predição da produtividade, na soja foi usado o índice de vegetação realçado (EVI2).

Os resultados obtidos não só acusaram a diferença de produtividade entre os tratamentos com diferentes doses e testemunha do bioestimulante Hydratus, como tiveram uma correlação de 71% entre a produtividade predita e a observada. Embora menor do 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 correlação 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), obtêm-se melhores resultados, 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”, diz Cançado. Segundo ele, 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.

De acordo com o analista da Embrapa Eduardo Speranza, devido ao volume ainda pequeno de amostras usadas para treinar o algorítmo, o modelo com cálculos estatísticos vem se mostrando mais preciso.

“Apesar de ter muitos experimentos, trabalhamos 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”, contextualiza.

Sob supervisão de Victor Faverin