IA e satélites preveem safra com até 89% de precisão no campo

Um modelo desenvolvido pela Embrapa tem demonstrado alto grau de precisão ao prever a produtividade de lavouras de cana-de-açúcar por meio da integração de imagens de satélite com técnicas de inteligência artificial e estatística.

Foto: Pixabay

A ferramenta foi testada com sucesso em plantações monitoradas por três anos em parceria com a Coplacana, alcançando 89% de assertividade ao comparar os dados estimados com os resultados reais obtidos por métodos agronômicos convencionais. A mesma tecnologia está sendo aplicada agora na cultura da soja.

A base do modelo são imagens capturadas diariamente pelos satélites da PlanetScope, fornecidas pelo Programa Brasil Mais, do Ministério da Justiça e Segurança Pública. Com esses dados, os pesquisadores conseguem identificar os momentos ideais do ciclo da planta para gerar os índices de vegetação, que são aliados a variáveis como cultivar, precipitação e ciclo produtivo.

Segundo Geraldo Magela Cançado, da Embrapa Agricultura Digital, o sistema teve início com uma estrutura simples e está em constante evolução. Elementos como temperatura, textura do solo e disponibilidade hídrica devem ser incluídos nas próximas versões para melhorar ainda mais a eficiência do modelo.

A equipe espera que o sistema possa futuramente auxiliar tanto produtores quanto indústrias, permitindo planejamento logístico, antecipação de negociações e intervenções mais precisas nas lavouras. O modelo também tem potencial para uso governamental na previsão de safras.

João Antunes, outro pesquisador da Embrapa, destacou que o uso de satélites é fundamental para abranger grandes áreas com agilidade, reduzindo a subjetividade das previsões agrícolas.

Após o sucesso com a cana, a metodologia passou a ser aplicada na cultura da soja, em parceria com a Embrapa Milho e Sorgo e a empresa Bioma. Três áreas foram monitoradas, utilizando tanto imagens da PlanetScope quanto drones. O índice EVI2, que mede vegetação realçada, foi usado para prever a produtividade.

Os resultados mostraram 71% de correlação entre o previsto e o observado, um número considerado alto para esse tipo de análise. Segundo Cançado, a diferença de desempenho entre cana e soja se deve às características distintas de cada cultura.

Na cana, há uma ligação mais direta entre a biomassa e a produtividade, já que o colmo (caule) representa o principal produto. Já na soja, o grão é o foco, o que torna a relação com o dossel da planta menos linear.

O estudo também comparou abordagens com algoritmos de machine learning e métodos estatísticos. Conforme explicou o analista Eduardo Speranza, o modelo estatístico tem se mostrado mais preciso no momento, por conta da quantidade limitada de amostras disponíveis para treinar o algoritmo de IA.

Com a combinação de tecnologias, o projeto promete oferecer uma nova forma de monitorar culturas de forma não destrutiva, precisa e em tempo real, apontando para um futuro mais estratégico e eficiente na agricultura brasileira.

Os avanços indicam um novo patamar na forma de prever safras e reforçam o potencial do uso de inteligência artificial no campo.