Sensoriamento remoto com IA mapeia pequenos cafezais com elevada precisão

Método inédito não só identifica cultura como diferencia quatro estágios produtivos de lavouras de café. Técnica com uso combinado de algoritmos de aprendizagem de máquina e imagens mistas de dois satélites teve precisão de mais de 95% na identificação de áreas de café. Diferenciação de lavoura em produção, em formação ou com manejos de poda e recepa teve precisão de 77% a 95%. Metodologia baseada em dados públicos de satélite e ferramentas de código aberto pode ser aplicada em outras regiões produtoras no Brasil.. Dados do monitoramento auxiliam gestão operacional e mercadológica da cafeicultura em regiões com pequenas propriedades. Pesquisadores desenvolveram um método inédito para mapear plantações de café via sensoriamento remoto com sensibilidade e especificidade sem precedentes. A técnica alcançou mais de 95% de precisão ao combinar séries temporais de imagens do programa Harmonized Landsat Sentinel-2 (HLS) com algoritmos de inteligência artificial, como Random Forest e XGBoost. Além de identificar as áreas com lavoura de café, o estudo conseguiu distinguir quatro estágios fenológicos da cultura — plantio, produção, poda e renovação — com acurácia entre 77% e 95%, mesmo em áreas altamente fragmentadas e dominadas por pequenas propriedades. A técnica é escalável e pode ser aplicada em qualquer região com cafeicultura. Isso abre caminho para políticas públicas, acesso a crédito rural e práticas de adaptação climática em regiões produtoras. Foto: Taya Parreiras “O grande desafio para o sensoriamento remoto é mapear com maior detalhamento e precisão essas regiões que são altamente produtivas, porém, com perfil de pequena e média escala produtiva. Mapeamentos de larga escala, normalmente, deixam as menores áreas invisíveis,” explica o pesquisador da Embrapa Agricultura Digital (SP) Édson Bolfe. “Com o uso de algoritmos de inteligência artificial como esse, é possível fazer a identificação dessas áreas e dar maior precisão aos mapeamentos por meio imagens de satélite, permitindo compreender melhor as dinâmicas regionais associadas a expansão, intensificação e diversificação agrícola,” conta Bolfe ao frisar que essas tecnologias digitais avançadas auxiliam a tomada de decisão dos setores público e privado. O trabalho foi realizado mapeando o município de Caconde (SP), um dos Distritos Agrotecnológicos do projeto Semear Digital (ver quadro no fim da matéria). A demanda surgiu do próprio setor produtivo, que sentia a falta de dados mais precisos sobre a área ocupada pela cafeicultura local e os seus diferentes estágios fenológicos. “Temos o número de propriedades e o de cafeicultores cadastrados na Receita Federal. Porém, a área [das plantações] era um dado que a gente nunca teve de forma efetiva. Fica muito no achismo”, declara o presidente do Sindicato Rural de Caconde, Ademar Pereira. “Agora temos uma referência importante para trabalhar pleiteando políticas públicas, nortear programas de capacitação e identificar as áreas de renovação do cafezal e de adoção de práticas mais modernas de manejo, como o esqueletamento”, avalia o sindicalista. Como funciona o método A pesquisa usou uma série temporal densa de bandas multiespectrais, índices espectrais e métricas de textura derivadas de imagens combinadas dos satélites Landsat e Sentinel-2 (HLS). A frequência de imagens aproximada foi de três dias. Os dados foram analisados por algoritmos de inteligência artificial como Random Forest e XGBoost. Um sistema hierárquico de classificação foi utilizado, trabalhando-se em quatro níveis. O primeiro separou a vegetação nativa das áreas agrícolas. O segundo nível fez a separação entre culturas perenes, culturas anuais e pastagens. O terceiro nível diferenciou os cafezais de plantios de eucalipto. Já o quarto nível fez a classificação dos cafezais entre áreas de formação (até três anos de plantio), áreas em produção, áreas com poda de esqueletamento e lavouras em renovação por meio da recepa (poda na base da planta). Nos três primeiros níveis, a precisão ultrapassou 96%. No quarto nível, com aumento da complexidade, a acurácia caiu para a média de 83%, mas ainda manteve um bom desempenho, sobretudo em classes como produção, com 94%. A poda de renovação foi a categoria que teve a menor precisão, com 78%. “Do ponto de vista das imagens de satélite, a cafeicultura em fase de produção se assemelha a certos cultivos de frutíferas, como os citros. E quando está recém-plantado, se confunde com áreas de pastagens”, explica a doutoranda da Universidade Estadual de Campinas (Unicamp) e bolsista do projeto Semear Digital Taya Parreiras. A pesquisa revelou que índices como NDVI, GNDVI, NDWI e SAVI são os mais eficazes para caracterizar o café, sobretudo na estação chuvosa, quando ocorrem transições fenológicas críticas. A banda verde do HLS foi particularmente importante, respondendo sozinha por quase 40% da classificação no Nível 2. Métricas de textura GLCM e dados de temperatura de superfície (LST) também ajudaram a refinar os resultados, especialmente na diferenciação de cafezais produtivos e esqueletizados. Embora a precisão obtida com uso dos sistemas de inteligência artificial Random Forest e XGBoost tenham sido semelhantes, o Random Forest se mostrou mais eficaz no processamento dos dados, sendo até 15 vezes mais rápido do que o XGBoost. De acordo com os autores do estudo, essa diferença é contornável em uma análise menor, de um município, por exemplo, mas é muito representativa para trabalhos com uma extensão territorial maior. Ajudando o café nas mudanças climáticas O avanço tecnológico chega em um momento estratégico: o café é uma das culturas mais ameaçadas pelas mudanças climáticas, que devem reduzir áreas adequadas de plantio na América Latina, África e Ásia. “Em um cenário de mudanças climáticas, em que a precisão na gestão da cafeicultura se torna crítica para a sustentabilidade e competitividade, essa metodologia contribui para colocar o Brasil na vanguarda do monitoramento agrícola digital. Ela permite não apenas mapear, mas entender a dinâmica do ciclo do café, oferecendo um instrumento robusto para orientar políticas de adaptação, garantir rastreabilidade para o mercado internacional e, principalmente, apoiar diretamente o produtor na tomada de decisão, especialmente na pequena propriedade que antes era praticamente invisível nos mapeamentos convencionais”, observa o analista da Embrapa Meio Ambiente (SP) Gustavo Bayma. Os desenvolvedores preveem que, ao fornecer uma ferramenta escalável, transparente e acessível, o novo sistema será capaz de fortalecer a governança agrícola no Brasil; ampliar o acesso de produtores a crédito e seguros; apoiar políticas de adaptação às mudanças climáticas, além de garantir maior confiança de consumidores e mercados internacionais na rastreabilidade da produção. Foto: Taya Parreiras Próximos passos Todos os mapas desenvolvidos e dados gerados estão disponíveis no Repositório de Dados de Pesquisa da Embrapa (Redape) para acesso gratuito. Os pesquisadores planejam expandir os testes para séries plurianuais e melhorar a precisão em classes menos representadas, como a renovação. “Estamos desenvolvendo alguns modelos para fazer a delimitação dos talhões, pois, observou-se que houve uma confusão na separação de carreadores, estradas de terra e mata. A ideia é usar um modelo de aprendizado profundo para fazer delimitação exata das parcelas com o uso de imagens de alta resolução”, explica Taya Parreiras. O objetivo é que o sistema se torne uma ferramenta operacional para órgãos públicos, cooperativas, sindicatos e produtores, permitindo que o Brasil mantenha sua posição de liderança mundial no mercado de café, ao mesmo tempo em que fortalece a sustentabilidade do setor. Resultados publicados Os resultados da pesquisa foram publicados na revista científica Remote Sensing. O artigo Dense Time Series of Harmonized Landsat Sentinel-2 and Ensemble Machine Learning to Map Coffee Production Stages pode ser acessado gratuitamente aqui. Além da equipe da Embrapa e da Unicamp, o trabalho contou com participação de pesquisadores da Administração Nacional Aeronáutica e Espacial dos EUA (Nasa) e da Universidade Estadual da Paraíba (UEPB). O projeto Semear Digital O mapeamento via sensoriamento remoto dos cafezais de Caconde (SP) faz parte das ações do Centro de Ciência para o Desenvolvimento em Agricultura Digital, mais conhecido como Semear Digital. Coordenada pela Embrapa Agricultura Digital e financiada pela Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp), a iniciativa visa levar tecnologias digitais e soluções de conectividade para pequenos e médios produtores rurais. O projeto estabeleceu dez Distritos Agrotecnológicos (DATs) em diferentes regiões do País, entre eles, o município de Caconde. Em cada local, uma equipe multidisciplinar da Embrapa e de instituições associadas fez um diagnóstico e está desenvolvendo ações de pesquisa e transferência de tecnologia específicas para atender às necessidades locais.

Mais informações sobre o tema
Serviço de Atendimento ao Cidadão (SAC)
www.embrapa.br/fale-conosco/sac/