O monitoramento da produção agrícola por imagens de satélite em um país com dimensões continentais como o Brasil ainda enfrenta grandes desafios. As diferenças de solo, clima, temperatura e regime de chuvas exigem, na maioria dos casos, intensa participação humana para interpretar imagens e rotular dados, elevando os custos e dificultando a realização de um acompanhamento contínuo das lavouras.
Para enfrentar esse cenário, a Embrapa Agricultura Digital iniciou um projeto que pretende desenvolver diretrizes metodológicas baseadas em aprendizado profundo de máquinas (deep learning) para tornar o mapeamento agrícola mais eficiente. A iniciativa dará prioridade ao monitoramento de áreas irrigadas e de culturas de inverno, oferecendo subsídios técnicos para pesquisadores e órgãos públicos que atuam no setor.
A proposta não é criar um sistema definitivo de monitoramento, mas reunir conhecimento científico capaz de orientar futuras aplicações do sensoriamento remoto agrícola. Ao fim do projeto, serão apresentadas recomendações sobre as melhores estratégias para utilização da inteligência artificial na identificação de diferentes cultivos em larga escala.
Um dos principais focos da pesquisa será o mapeamento da irrigação, tecnologia cuja utilização tem crescido nos últimos anos. Segundo a pesquisadora Celina Maki Takemura, coordenadora do projeto, os métodos atuais ainda dependem de análises visuais realizadas por especialistas, o que limita tanto a abrangência quanto a frequência das atualizações.
“O mapeamento da irrigação já vem sendo estudado em outros projetos, mas ainda existe o desafio de reduzir a dependência da análise humana e ampliar a escala temporal e territorial do monitoramento”, explica a pesquisadora.
Outro desafio será a diferenciação das culturas de inverno cultivadas na Região Sul, como trigo, aveia e cevada. Essas lavouras apresentam características visuais muito semelhantes nas imagens de satélite e ainda compartilham o mesmo período de cultivo, dificultando sua identificação automática.
“A classificação desses cereais é complexa até para especialistas, dependendo do estágio de desenvolvimento das plantas. Para uma máquina, o desafio é ainda maior”, destaca Celina.
Com duração prevista de 36 meses, o projeto deverá comparar diferentes arquiteturas de inteligência artificial, testar protocolos de transferência de aprendizado entre regiões, sensores e safras, além de produzir bases de dados organizadas e diretrizes técnicas para apoiar futuras iniciativas de monitoramento agrícola em escala nacional.
A pesquisa é coordenada pela Embrapa Agricultura Digital em parceria com o Instituto Brasileiro de Geografia e Estatística (IBGE), a Companhia Nacional de Abastecimento (Conab), o Instituto Federal Baiano e a Universidade Federal de Sergipe. O trabalho busca ampliar o uso da inteligência artificial como ferramenta estratégica para o planejamento e a gestão da agricultura brasileira.
