O uso de imagens de satélite para mapear a agricultura brasileira ainda enfrenta limitações importantes. A diversidade de solos, condições climáticas e sistemas de produção exige, na maioria dos casos, intensa participação humana na interpretação das imagens e na rotulagem de dados, tornando o monitoramento de grandes áreas mais caro e dificultando sua realização com a frequência necessária.
Para enfrentar esse desafio, a Embrapa Agricultura Digital iniciou um projeto que pretende desenvolver diretrizes metodológicas baseadas em aprendizado profundo de máquinas (deep learning) para tornar mais eficiente o mapeamento da produção agrícola no país. O foco está principalmente nas áreas irrigadas e nas culturas de inverno.
Em vez de criar um sistema pronto para o mapeamento, a proposta é produzir uma base de conhecimento que possa orientar pesquisadores e órgãos públicos sobre o uso da inteligência artificial aplicada ao sensoriamento remoto agrícola, apontando os avanços já alcançados, bem como os limites e as possibilidades da tecnologia.
Irrigação é um dos principais desafios
Um dos focos do projeto será o monitoramento de áreas irrigadas, cujo crescimento tem aumentado nos últimos anos. Segundo a pesquisadora Celina Maki Takemura, responsável pela iniciativa, os métodos atuais ainda apresentam limitações para ampliar a escala do monitoramento. “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”, afirma.
Diferenciar culturas de inverno também desafia especialistas
Outro objetivo será aperfeiçoar a identificação de culturas de inverno no Sul do Brasil, como trigo, aveia e cevada. Essas lavouras apresentam características visuais muito semelhantes nas imagens de satélite e, por serem cultivadas na mesma época do ano, também compartilham estágios de desenvolvimento parecidos, o que dificulta sua distinção. “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 Celina.
Resultados esperados
Com duração prevista de 36 meses, o projeto deverá produzir uma avaliação comparativa de diferentes arquiteturas de aprendizado profundo, testar protocolos de transferência de aprendizado entre regiões, sensores e safras, além de elaborar diretrizes metodológicas para apoiar iniciativas de mapeamento agrícola em larga escala.
A iniciativa também prevê a organização e documentação de bases de dados que poderão servir de referência para futuras pesquisas na área.
O projeto é coordenado pela Embrapa Agricultura Digital e reúne como parceiros o IBGE, o Instituto Federal de Educação, Ciência e Tecnologia Baiano (IF Baiano), a Conab e a Fundação Universidade Federal de Sergipe.
