O sistema usa imagens de satélite junto com inteligência artificial e já foi testado com sucesso para antecipar o desempenho da batata.
Pesquisadores do Laboratório de Sensoriamento Remoto (LATUV) de a Universidade de Valladolid (UVa) projetaram um novo índice de vegetação capaz de melhorar os modelos de previsão de safras. A nova técnica, que usa imagens de satélite ESA Sentinel-2 e técnicas de aprendizado de máquina e inteligência artificial, foi testada com sucesso na previsão do rendimento das safras de batata e trigo.
A produção agrícola depende de um grande número de fatores, tanto humanos quanto ambientais, que geram grande incerteza entre os agricultores. Mas a tecnologia pode ser um aliado importante para reduzi-lo. É o caso dos modelos computacionais que buscam simular o comportamento de uma cultura em condições específicas, por exemplo, solo, clima ou práticas agrícolas e, a partir dessa evolução esperada, estimar a produção agrícola.
“Existem muitos modelos e geralmente são específicos para cada tipo de cultura”, explica Diego Gómez, pesquisador do LATUV e primeiro autor de dois estudos publicados recentemente nas revistas International Journal of Remote Sensing e Agricultural and Forest Meteorology.
Mas esses modelos tradicionais de crescimento têm algumas limitações, como "a incapacidade de modelar espacialmente a variabilidade dentro da mesma parcela" ou a multiplicidade de dados de entrada que eles exigem que "geralmente não são obtidos devido ao alto custo de tempo e dinheiro envolvidos em coletá-los . ”
Área de cultivo de batata em que as estimativas foram feitas / D. Gómez
Assim, nos últimos anos apostamos numa tecnologia, o sensoriamento remoto, que utiliza imagens espectrais captadas por sensores ópticos (instalados em satélites, aviões, drones, etc.) e que pode complementar e até substituir em alguns casos estes modelos tradicionais. Essas imagens espectrais fornecem dados sobre o estado ou fenologia da cultura - as mudanças externas visíveis no processo de desenvolvimento da planta - que são integrados em modelos que ajustam essas informações de entrada para prever as colheitas.
“As imagens espectrais atendem a essa necessidade de entrada de dados, permitem o acesso a sites remotos e têm baixo custo. Eles também conseguem obter informações relacionadas à capacidade produtiva da cultura ”, observa o pesquisador do LATUV, que lembra que um dos índices espectrais - fórmulas matemáticas que combinam bandas espectrais - da vegetação mais comumente utilizado para estimar a vigorosidade ou A densidade da vegetação - que em última análise prediz a produtividade da cultura - é o NDVI (NDVI).
O uso de séries temporais desse índice para gerar modelos preditivos de safras é muito comum na literatura científica. Esse índice usa a refletância da vegetação - a capacidade da vegetação de refletir a luz - em duas bandas espectrais, vermelha e quase vermelha, que estão relacionadas a parte da luz usada para fotossíntese e à estrutura celular das folhas, respectivamente.
Um novo índice de vegetação
Os pesquisadores do LATUV desenvolveram um novo índice denominado PPI baseado nas imagens do satélite ESA Sentinel-2 que, além de levar em consideração as informações espectrais envolvidas na fotossíntese - 400 a 700 nanômetros - leva em consideração informações de outras áreas do espectro eletromagnético -704 nanômetros, banda Red Edge e 945 nanômetros, banda de absorção de vapor d'água - o que pode fornecer outras informações importantes sobre o estado da cultura, como o estresse hídrico - quando a planta exige mais água do que possui.
Os pesquisadores compararam a capacidade preditiva de ambos os índices de vegetação, NDVI e PPI, junto com mais dados de imagens de satélite. Para isso, eles usaram dois algoritmos de Inteligência Artificial e Aprendizado de Máquina (chamados Random Forest e Support Vector Machine), e geraram vários modelos nos quais combinaram esses índices com as outras bandas de satélite.
“A hipótese era que, ao usar um índice que usa outras bandas não incluídas no índice NDVI popular e, por outro lado, com algum potencial para fornecer informações sensíveis da cultura, os modelos preditivos seriam melhores”, diz Gómez, que avança que, por fim, a capacidade preditiva dos modelos “aumentou quando um ou ambos os índices de vegetação foram incluídos”, o que valoriza “a utilização destes dados em combinação com determinadas bandas de satélite individuais”.
Previsões mais precisas no cultivo da batata
Os resultados mostram que o índice PPI fornece informações semelhantes ao NDVI ao usar o algoritmo Support Vector Machine, e é significativamente mais informativo do que o NDVI ao usar o algoritmo Random Forest, prometendo resultados “que colocam na mesa um novo índice de vegetação que pode melhorar a previsão modelos de colheita baseados em imagens de satélite ”.
Até agora, o novo índice foi testado no cultivo de batata em uma área de estudo bastante localizada. Depois dos cereais, a batata é uma das culturas alimentares mais importantes do mundo. Desempenha um papel fundamental na segurança alimentar dos países em desenvolvimento e também tem grande peso no setor agrícola europeu, sendo a Alemanha, a França, os Países Baixos e a Polónia os principais produtores. Também foi testado em trigo com dados obtidos no México.
A ideia do equipamento é aumentar o número de dados para melhorar a solidez do modelo, cobrir uma área de estudo maior para aumentar a variabilidade espacial e incorporar novas safras. Perspectivas que dependem da continuidade do financiamento e podem ajudar os agricultores a prever sua colheita de forma mais confiável no futuro.
