Sistema baseado em imagens de satélite e aprendizado de máquina delimitou áreas agrícolas em 241 países e territórios; base global pode apoiar estudos de safras, uso da terra e segurança alimentar
A agricultura mundial ganhou uma nova forma de ser observada do espaço. Pesquisadores utilizaram imagens de satélite e inteligência artificial para delimitar cerca de 1,6 bilhão de áreas agrícolas por ano, formando uma base que cobre 241 países e territórios com resolução de 10 metros. O trabalho faz parte do Fields of The World, iniciativa voltada à identificação automática dos limites dos campos agrícolas.
O conjunto global registra 1,62 bilhão de polígonos para 2024 e 1,55 bilhão para 2025. Os dois anos somam 3,17 bilhões de registros, mas isso não significa que existam 3,17 bilhões de lavouras diferentes no planeta: uma mesma área pode estar representada nos dois períodos analisados. Continue a leitura e acompanhe o Compre Rural, onde informação de qualidade ajuda a fortalecer quem vive e produz no campo.
Como a IA conseguiu identificar bilhões de campos agrícolas
Para construir o mapa, os pesquisadores trabalharam com imagens do Sentinel-2, sistema europeu de observação da Terra capaz de produzir registros multiespectrais da superfície.
O modelo de inteligência artificial analisa essas imagens e procura padrões que ajudam a distinguir o interior de uma área cultivada de suas bordas. A partir dessa interpretação, o sistema transforma os resultados em polígonos que representam unidades agrícolas observadas por sensoriamento remoto.
A tecnologia utilizada deriva do banco de treinamento Fields of The World, criado anteriormente para melhorar a capacidade dos modelos de reconhecer campos em diferentes ambientes agrícolas.
A versão original desse conjunto reúne 70.462 amostras de 24 países localizados em quatro continentes, combinando limites agrícolas conhecidos com imagens multitemporais e multiespectrais do Sentinel-2.
Essa diversidade é importante porque uma lavoura de grandes dimensões no Brasil ou nos Estados Unidos pode apresentar formas e características muito diferentes de pequenas parcelas encontradas em regiões da África, Ásia ou Europa.
O que significa mapear com resolução de 10 metros
Uma das características centrais do projeto é a resolução espacial de 10 metros.
Na prática, isso permite trabalhar em uma escala muito mais detalhada do que mapas globais que apenas indicam se determinada região possui ou não agricultura. O objetivo passa a ser reconhecer também as divisões entre diferentes unidades produtivas.
Segundo os pesquisadores, grande parte dos produtos globais de sensoriamento remoto utilizados na agricultura ainda trabalha principalmente no nível dos pixels. Já um mapa de limites agrícolas cria uma unidade espacial que pode ser combinada com informações sobre vegetação, clima, produção e outros indicadores.
A aplicação faz parte de um movimento maior de uso de inteligência artificial para interpretar o ambiente agrícola, que também inclui câmeras, sensores e sistemas capazes de reconhecer plantas, doenças e outros elementos presentes no campo.
Mapa pode ajudar no acompanhamento das safras
Conhecer a posição e o formato aproximado de cada campo cria novas possibilidades para análises em grande escala.
Os responsáveis pelo Fields of The World apontam aplicações em monitoramento agrícola, estudos de segurança alimentar e pesquisas sobre produção e uso da terra.
Quando os polígonos são combinados com outras bases, torna-se possível organizar informações por unidade agrícola e acompanhar diferenças espaciais dentro de uma região.
Entre as possibilidades estão avaliações de expansão ou redução das áreas cultivadas, monitoramento das condições das lavouras, estudos sobre impactos climáticos e organização de informações utilizadas em estimativas agrícolas.
No Brasil, técnicas que combinam satélites, ciência de dados e inteligência artificial também vêm sendo exploradas para previsão e monitoramento da produção de soja.
Os polígonos não representam propriedades rurais
Um cuidado fundamental na interpretação do mapa é não confundir os limites detectados pela inteligência artificial com limites jurídicos de propriedades.
A documentação do conjunto deixa claro que cada campo representa uma unidade agrícola identificada por sensoriamento remoto, formada a partir dos pixels classificados pelo modelo. Portanto, o banco não é um cadastro fundiário e não determina propriedade ou posse da terra.
Isso também explica por que o número de polígonos não deve ser interpretado simplesmente como o número exato de fazendas existentes no mundo.
Uma propriedade rural pode reunir vários campos, assim como o algoritmo pode identificar subdivisões dentro de uma mesma unidade produtiva.
IA não consegue reconhecer todas as áreas com a mesma precisão
A escala mundial do projeto também traz limitações.
O desempenho do modelo foi comparado com limites agrícolas de referência em 24 países. Nessa avaliação, o sistema alcançou média de 0,85 de recall em nível de pixel, e 14 países superaram 0,90 nesse indicador.
Em avaliações que utilizaram bases nacionais completas, os índices F1 ficaram em 0,89 na Áustria, 0,88 na Letônia e 0,74 na Finlândia. O F1 é uma métrica utilizada para avaliar conjuntamente a capacidade de identificar corretamente um alvo e evitar classificações incorretas.
Os próprios pesquisadores reconhecem que realizar uma validação uniforme em escala mundial é difícil porque não existe uma base completa de limites agrícolas reais para todo o planeta.
Por isso, juntamente com o mapa principal, foi produzida uma camada de confiança com resolução de 500 metros, destinada a indicar as regiões onde as previsões tendem a ser mais confiáveis.
Dados foram disponibilizados publicamente
Outro aspecto relevante do Fields of The World é que os resultados podem ser acessados publicamente.
O projeto disponibiliza diferentes produtos, incluindo os polígonos de limites agrícolas, conjuntos sem filtragem e mapas relacionados à confiança das previsões.
A abertura permite que universidades, instituições de pesquisa, desenvolvedores e organizações utilizem a mesma infraestrutura como ponto de partida para novas análises.
O projeto também demonstra a dimensão alcançada pelo processamento geoespacial moderno. Em vez de analisar manualmente cada região agrícola, modelos computacionais conseguem processar imagens de praticamente todo o planeta e transformá-las em bilhões de unidades espaciais pesquisáveis.
Isso não elimina a necessidade de levantamentos de campo nem transforma o sistema em um cadastro perfeito das lavouras. O avanço está em disponibilizar uma referência global e padronizada que pode ser cruzada com outras informações agrícolas.
À medida que esse tipo de base for combinado com dados climáticos, imagens frequentes de satélite e informações produtivas, sua utilidade poderá avançar do mapeamento para análises cada vez mais detalhadas sobre o comportamento da agricultura em diferentes regiões do mundo.
VEJA MAIS:
ℹ️ Conteúdo publicado pela estagiária Ana Gusmão sob a supervisão do editor-chefe Thiago Pereira
Quer ficar por dentro do agronegócio brasileiro e receber as principais notícias do setor em primeira mão? Para isso é só entrar em nosso grupo do WhatsApp (clique aqui) ou Telegram (clique aqui). Você também pode assinar nosso feed pelo Google Notícias
Não é permitida a cópia integral do conteúdo acima. A reprodução parcial é autorizada apenas na forma de citação e com link para o conteúdo na íntegra. Plágio é crime de acordo com a Lei 9610/98.
