Pesquisadores da Embrapa e parceiros desenvolveram uma metodologia para o monitoramento por satélite, de forma remota e automática, da expansão das áreas com sistemas integrados de produção agropecuária. O mapeamento e os dados gerados possibilitam obter, anualmente, indicadores quantitativos sobre a adoção desses sistemas e, consequentemente, monitorar a expansão da intensificação sustentável no País.
A metodologia técnico-científica já permite detectar áreas com duplo cultivo (soja e milho ou algodão em sucessão, por exemplo) e com integração lavoura-pecuária (ILP). Os cientistas vêm trabalhando para ajustar a metodologia de detecção remota para as demais modalidades: integração pecuária-floresta (IPF); integração lavoura-floresta (ILF) e integração lavoura-pecuária-floresta (ILPF).
Notícias Relacionadas
O objetivo é desenvolver os protocolos metodológicos, baseados em inteligência artificial, que integrarão um sistema capaz de analisar automaticamente imagens de satélite, fornecendo indicadores atualizados sobre as áreas que adotam esses sistemas de produção sustentáveis. As informações geradas serão úteis, por exemplo, para a gestão de políticas públicas setoriais, para monitorar a adoção de tecnologias mitigadoras e para a estimativa da mitigação de gases de efeito estufa (GEEs) da agropecuária.
A metodologia foi desenvolvida no âmbito do projeto GeoABC, que teve o objetivo de desenvolver metodologias e inovações tecnológicas para o monitoramento por satélite da agricultura de baixa emissão de carbono, em apoio à governança do Plano ABC (veja quadro abaixo).
Margareth Simões, pesquisadora da Embrapa Solos (RJ) que liderou o estudo, conta que a agropecuária nacional passa por um importante processo de intensificação sustentável que tem levado à consolidação de polos produtivos e à crescente adoção de sistemas de produção sustentáveis de alto rendimento. Ela aponta como exemplos a expansão das áreas com duplo cultivo, seja safra/safrinha de verão ou safra verão/inverno, a adoção do sistema plantio direto (SPD), a recuperação de pastagens em apoio a uma pecuária de alta performance e, especialmente, uma enorme adesão aos Sistemas Integrados de Produção Agropecuária em todas as suas variações.
No entanto, a cientista explica que devido à inexistência, até então, de metodologias capazes de detectar remotamente a expansão desses sistemas de produção, os órgãos setoriais, públicos e privados, não contam com informações adequadas para estimar o nível de adoção e a expansão em área dessas tecnologias. Esses dados, segundo ela, são fundamentais para subsidiar políticas públicas para o setor. “O País necessita urgentemente de indicadores e métricas para quantificar e demonstrar o quanto a sua agropecuária vem evoluindo rumo à desejada intensificação sustentável”, pondera Simões.
As soluções tecnológicas utilizadas
Os pesquisadores explicam que a metodologia desenvolvida no âmbito do projeto GeoABC é baseada na convergência de alguns adventos técnico-científicos, a partir da utilização de soluções gratuitas (open source). Uma delas é a metodologia de classificação digital de séries temporais de imagens de satélite utilizando algoritmos de inteligência artificial (machine learning). Outra é a utilização de plataformas nas nuvens (cloud computing platform) e computação paralela de alto desempenho (high performance computing).
Margareth Simões esclarece que, no início do trabalho, muitos desafios técnicos tiveram que ser contornados. A começar pela dificuldade para detectar por sensoriamento remoto alvos terrestres tão complexos e dinâmicos como os sistemas de ILPF, devido às diferentes estratégias adotadas pelos produtores e à inerente integração de diversos elementos de lavoura, pecuária e floresta sob práticas de consórcio, sucessão e rotação.
“Esse desafio exigiu o trabalho com séries temporais de imagens de satélites com base no conceito de cubos de dados multidimensionais, ou data cube”, explica.
A pesquisadora destaca ainda que havia a necessidade de se contar com uma metodologia eficaz para a extração de informação e uma robusta estrutura para o processamento de uma quantidade massiva de dados. “A integração das soluções de cubo de dados, de aprendizado de máquina e computação paralela de alto desempenho resolveu o nosso problema”, lembra.
Patrick Kuchler, pesquisador vinculado ao grupo de pesquisa GeoABC pela Universidade do Estado do Rio de Janeiro (UERJ/PPG-MA), lembra que outra grande dificuldade enfrentada pela equipe foi a aquisição de dados de campo, já que os algoritmos de classificação e validação necessitam de uma grande quantidade de dados qualificados, georreferenciados e com o histórico detalhado de cada parcela amostrada. “Foi um grande esforço para realizar as campanhas de campo e, por sorte, pudemos contar com a inestimável parceria de técnicos e produtores que nos ajudaram muito”, conta Kuchler.
O pesquisador da Embrapa Rodrigo Ferraz destaca a estrutura hierárquica de classificação, capaz de distinguir a cultura da soja solteira da soja em duplo cultivo (soja+cereais ou soja+algodão) e os sistemas de integração lavoura-pecuária (ILP) em sucessão direta (soja+pastagem) ou indireta (soja+cereal+pastagem). “O algoritmo para a detecção dessas classes está plenamente desenvolvido e já pode compor um protocolo para um monitoramento sistemático. Para as demais variações dos sistemas integrados (ILF, IPF e ILPF), assim como para o sistema plantio direto, será necessário dar continuidade ao trabalho de pesquisa”, revela.
Ferraz acrescenta que, a partir da utilização do mesmo método, com os algoritmos de machine learning já desenvolvidos, aplicado a uma base de aprendizado mais ampla, a equipe poderá consolidar os demais protocolos de forma a prover o Brasil com um sistema completo de monitoramento. “Vale destacar que o sistema de monitoramento gera dados espacializados, possibilitando computar estatísticas em diferentes unidades espaciais de análise, tanto político-administrativas, como país, estados, microrregiões, municípios, polos de desenvolvimento agrícola, quanto unidades fisiográficas, como biomas e bacias hidrográficas.”
