O objetivo do trabalho não é entregar um mapeamento ou sistema completo para fazê-lo, mas disponibilizar à comunidade científica e órgãos governamentais uma base de conhecimento robusto sobre o uso de aprendizado profundo em sensoriamento remoto agrícola.
O mapeamento de práticas e cultivos agrícolas a partir de imagens de satélite em áreas extensas como as do Brasil ainda carrega dificuldades. Com condições muito diferentes de solo, temperatura, regime de chuvas, entre outros fatores, bastante trabalho humano para rotulagem de dados ou interpretação visual de imagens ainda é necessário com os métodos disponíveis. Isso gera custo elevado que, muitas vezes inviabiliza, o monitoramento sistemático, com a periodicidade necessária.
De olho nesse desafio, um novo projeto pretende obter a um conjunto de diretrizes metodológicas baseadas em aprendizado profundo de máquinas para otimizar o mapeamento da produção agrícola no País, em especial lavouras irrigadas e cultivos de inverno. O objetivo do trabalho não é entregar um mapeamento ou sistema completo para fazê-lo, mas disponibilizar à comunidade científica e órgãos governamentais uma base de conhecimento robusto sobre o uso de aprendizado profundo em sensoriamento remoto agrícola, identificando limites e possibilidades.
Para o trabalho, serão testados protocolos para dois cenários especialmente desafiadores no monitoramento da agricultura. O primeiro é a irrigação, recurso cujo uso vem crescendo nos últimos anos. “O mapeamento da irrigação já está sendo trabalhado em outros projetos, mas sempre com o gargalo de depender de análise visual humana em alguma etapa e de ficar restrito a determinado período de tempo. Escalar para a área e para a periodicidade necessária para os demandantes é um problema em aberto”, diz a pesquisadora Celina Maki Takemura, que está à frente da iniciativa.
O segundo cenário a ser testado é o das culturas de inverno no Sul do País, tais como trigo, aveia e cevada. Elas têm aspectos visuais muito próximos, que por si só já dificultam a diferenciação em imagens. Como são cultivadas no mesmo período do ano, também não é possível diferenciá-las pelos estágios de crescimento, por exemplo. “A classificação de cereais de inverno é um problema difícil até para especialistas, dependendo do estágio de desenvolvimento das plantas. Então, para uma máquina também é um grande desafio”, explica a pesquisadora.
A previsão é que o trabalho dure 36 meses e gere: uma avaliação comparativa do desempenho de diferentes arquiteturas profundas; protocolos testados de transferência de aprendizado entre regiões, sensores e safras; diretrizes metodológicas para orientar iniciativas de mapeamento agrícola em maior escala; e bases de dados organizadas e documentadas para experimentos futuros.
A Embrapa Agricultura Digital lidera a iniciativa, e tem como parceiros o IBGE, o Instituto Federal de Educação, Ciência e Tecnologia Baiano, a Conab e a Fundação Universidade Federal de Sergipe.
Fonte: Embrapa
VEJA TAMBÉM:
- Exportações da piscicultura nacional caem um terço no primeiro semestre
- Mapa publica Anuário da Cachaça 2026
- Preços ao produtor no Brasil têm queda de 0,77% em junho, diz IBGE
ℹ️ Conteúdo publicado por Myllena Seifarth 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.
