Novo sistema de inteligência artificial combina imagens de satélite, variáveis climáticas e dados do IBGE para estimar rendimento de colheitas da leguminosa no Centro-Oeste brasileiro; ferramenta pode contribuir para superar dificuldades de monitoramento agrícola causadas por instabilidade climática

A combinação entre imagens de satélite, dados climáticos e inteligência artificial tem sido a aposta de alguns pesquisadores para criar modelos capazes de prever a produtividade de lavouras. Esse tipo de desenvolvimento tem se tornado cada vez mais necessário em um contexto de mudanças climáticas e eventos extremos, que ameaçam a produtividade no campo e, sem medidas de previsão e mitigação adequadas, podem causar prejuízos de bilhões de dólares.

Foi pensando nisso que um grupo de pesquisadores desenvolveu um modelo capaz de estimar a produtividade de plantações de soja no Centro-Oeste antes mesmo da colheita. Intitulado “Soybean yield estimation in the Brazilian Midwest using Sentinel-2 imagery” e publicado na revista científica Big Earth Data, o estudo analisou dados de municípios de Goiás, Mato Grosso e Mato Grosso do Sul entre as safras de 2019/2020 e 2021/2022. Utilizando essas informações e combinando-as com imagens do satélite Sentinel-2 e algoritmos de aprendizado de máquina, os pesquisadores elaboraram um modelo que chegou a 72% de acurácia e a um erro médio inferior a 302 kg por hectare na estimativa da produtividade da soja.

A soja é uma das commodities agrícolas mais importantes do mundo e o Brasil é o maior exportador do grão. Em 2024, a produção nacional foi estimada em 147,38 milhões de toneladas, cultivadas em uma área de 46,03 milhões de hectares, dos quais 46% se concentram na Região Centro-Oeste, de acordo com levantamento da Companhia Nacional de Abastecimento (Conab). 

O artigo científico é resultado da pesquisa de mestrado de Ester de Carvalho Pereira, da Escola Superior de Agricultura Luiz de Queiroz da USP, que contou com a orientação da docente e pesquisadora Ana Cláudia dos Santos Luciano, da mesma instituição, e integrou o projeto “PreCISIA – Predição de Colheita por Imagem de Satélite e Inteligência Artificial”, fomentado pelo Programa de Formação de Recursos Humanos em Áreas Estratégicas (RHAE) do CNPq e coordenado pela empresa Espectro Ltda. O trabalho foi feito com a colaboração de Michel Eustáquio Dantas Chaves, docente da Faculdade de Ciências e Engenharia da Unesp, câmpus de Tupã, e de pesquisadores da Universidade Estadual de Londrina e da Universidade de Pequim, na China.

A pesquisa combinou imagens de satélite de alta resolução, variáveis climáticas e dados históricos de produtividade municipal do IBGE. “O momento na agricultura é uma era de ouro em comparação com o passado, quando faltavam dados para fazer análises”, diz Chaves. “Dados de satélite permitem monitorar safras e ciclos de produção, algo que até pouco tempo era inviável, especialmente em nível de cultura”, explica.

Ao mesmo tempo, o pesquisador ressalta que o enorme volume de informações disponíveis impõe desafios. “Temos um grande volume de dados prontos para análises, mas, ao mesmo tempo, há o grande trabalho de processá-los e armazená-los”, conta o docente da Unesp. Segundo os pesquisadores, nesse contexto é imprescindível aprender a trabalhar de forma assertiva com essa grande quantidade de dados, o que, por sua vez, torna importante identificar quais dados devem ser utilizados e ao longo de quanto tempo.

A inteligência artificial teve papel fundamental justamente para identificar quais variáveis realmente importavam. Segundo Ester, o estudo utilizou ferramentas internas do próprio algoritmo para medir o peso de cada variável nas previsões. “Nós processamos todas as variáveis, rodamos o modelo e uma das questões era verificar quais variáveis mais impactavam na previsão da produtividade”, explica. Os resultados mostraram que a precipitação acumulada, a radiação solar e o déficit hídrico foram as variáveis climáticas mais importantes para prever a produtividade. Entre os indicadores obtidos pelas imagens de satélite, destacaram-se bandas relacionadas ao infravermelho e ao chamado red edge, faixa espectral altamente sensível à atividade fotossintética das plantas.

A partir dessas informações, os pesquisadores desenvolveram seis modelos distintos, cada um representando uma fase do desenvolvimento da cultura, desde 30 até 180 dias após o plantio. Nessa etapa, o objetivo foi identificar quais variáveis temporais exerciam maior influência na estimativa da produtividade e, assim, definir o conjunto mais adequado para a construção do modelo com melhor desempenho.

Neste caso, Luciano explica que “variáveis” não faz referência a informações de origens diferentes: todos os modelos consideraram as mesmas fontes e tipos de dados, definidos na etapa anterior, mas sim à quantidade de informação em relação ao tempo. “Nós temos os mesmos tipos de variáveis em cada modelo, mas aqueles que analisavam 150 ou 180 dias tinham um número maior de dados porque consideravam um tempo maior de análise”, conta.

“Considerando um primeiro modelo que utilizava todas as informações dos seis meses estudados, tínhamos aproximadamente 400 variáveis. Mas, quando criamos um modelo de 30 dias, que já gerou um resultado bem interessante, trabalhamos com cerca de 80 variáveis”, diz Ester. Assim, para garantir a eficiência do modelo e que não haja trabalho sendo feito em excesso, o grupo descobriu qual era o máximo de tempo necessário para gerar um modelo com boa acurácia. O melhor desempenho ocorreu no modelo de 150 dias, justamente no período de enchimento de grãos da soja, fase decisiva para a definição da produtividade final.

Leia a reportagem completa no Jornal da Unesp.