Um modelo em desenvolvimento pela Embrapa consegue estimar a produtividade da cana-de-açúcar com 89% de precisão, utilizando imagens de satélite obtidas durante o crescimento da lavoura.
A pesquisa foi realizada com a Cooperativa dos Plantadores de Cana do Estado de São Paulo (Coplacana) e usou uma série temporal de imagens da PlanetScope, fornecidas pelo Programa Brasil Mais, do Ministério da Justiça e Segurança Pública.
As imagens diárias permitiram identificar os melhores momentos do desenvolvimento da planta para estimar o índice de vegetação. Informações adicionais, como cultivar, ciclo de produção e precipitação, foram integradas em um modelo de predição.
Após monitorar duas safras ao longo de três anos, os pesquisadores alcançaram um coeficiente de determinação de 0,89, indicando uma alta precisão quando comparadas as previsões com a produtividade observada pelos métodos tradicionais.
Geraldo Magela Cançado, pesquisador da Embrapa Agricultura Digital, ressalta que novas variáveis, como temperatura e disponibilidade hídrica, serão integradas para aumentar a precisão do modelo.
A equipe acredita que a ferramenta poderá auxiliar produtores e indústrias a otimizar o planejamento estratégico, programar logística e antecipar negociações.
Além disso, a metodologia pode ser empregada por órgãos governamentais para prever safras. João Antunes, outro pesquisador, afirma que a utilização de imagens de satélite pode tornar o levantamento de safra mais objetivo, especialmente em grande escala.
Após a experiência bem-sucedida com a cana, a mesma metodologia começa a ser aplicada na cultura da soja. A pesquisa está validando o uso do bioestimulante Hydratus em três áreas, onde foram coletadas tanto imagens de satélites quanto de drones.
Embora a correlação de 71% entre a produtividade predita e observada na soja seja menor que na cana, Cançado explica que isso se deve à diferença no comportamento das culturas.
Ele observa que resultados promissores na predição otimizam monitoramentos em campo, permitindo avaliações em tempo real.
Eduardo Speranza, analista da Embrapa, complementa que, embora o método de aprendizagem de máquina tenha potencial, ainda requer um volume maior de amostras para ser mais eficaz.