Imagens de satélite ajudam a prever a safra de cana antes da colheita, mostra estudo da Embrapa
Pesquisa da Embrapa Agricultura Digital, publicada na revista Agronomy, combinou imagens de satélite, chuva e um modelo estatístico para estimar a produtividade de canaviais paulistas ainda na fase de crescimento.
O Brasil é o maior produtor de cana-de-açúcar do mundo: segundo dados citados no artigo, foram cerca de 724 milhões de toneladas em 2022, à frente da Índia e da China. Saber com antecedência quanto cada talhão vai render ajuda usinas e produtores a planejar colheita, transporte, moagem e vendas.
Os autores lembram que imagens de satélite ficaram mais frequentes e detalhadas nos últimos anos, o que permite acompanhar a lavoura quase dia a dia. A pergunta dos pesquisadores foi: dá para usar imagens de satélite, tiradas durante o crescimento da cana, para prever a produtividade antes da colheita, e com que precisão?
O que a pesquisa descobriu
Os pesquisadores compararam três formas de transformar as imagens em previsão: um modelo estatístico chamado regressão gama heterocedástica, que leva em conta que a variação da produtividade muda de um talhão para outro, e duas técnicas de aprendizado de máquina (Random Forest e redes neurais).
Nos dados dos experimentos, os três ficaram parecidos. Explicaram entre 62% e 69% da variação da produtividade nos dados de teste, com erros médios de 12 a 14 toneladas por hectare.
A diferença apareceu no teste mais importante: canaviais comerciais, que não participaram do treino dos modelos.
Modelo estatístico: explicou 89% da variação da produtividade, com erro médio de 3,9 toneladas por hectare.
Random Forest: explicou 67%, mas errou em média 43,5 toneladas por hectare.
Rede neural: explicou só 4%, com erro médio de 110,8 toneladas por hectare.
Para ter ideia da escala, a produtividade média nos experimentos ficou entre 107 e 128 toneladas por hectare, conforme o ciclo da cana.
Quatro informações bastaram para o modelo vencedor: a variedade da cana, o ciclo (cana-planta ou primeira soca), a chuva acumulada no período de crescimento e a média de um índice de vegetação chamado GNDVI. Esse índice, calculado a partir das cores que a planta reflete, acompanha o vigor da lavoura e a disponibilidade de água: quanto maior o GNDVI, maior tendeu a ser a produtividade.
As imagens usadas cobrem a fase de crescimento mais acelerado, que, segundo os autores, ocorre cerca de dois a três meses antes de a cana amadurecer para o corte.
Como a pesquisa foi feita
O estudo foi conduzido por pesquisadores da Embrapa Agricultura Digital, em Campinas (SP), e da Fundação de Apoio à Pesquisa e ao Desenvolvimento (FAPED), tendo Geraldo Magela de Almeida Cançado como autor correspondente.
Foram montados dois campos experimentais no interior paulista, um em Piracicaba e outro em Tambaú, com quatro variedades comerciais de cana. Cada campo tinha 112 parcelas e foi acompanhado por dois ciclos: a cana-planta (2020/2021) e a primeira soca, ou rebrota após o primeiro corte (2021/2022). Os dois locais têm clima e solo bem diferentes, o que ajudou a testar o modelo em condições variadas.
As imagens vieram da constelação de nanossatélites PlanetScope, com resolução de 3 metros e passagem diária. Imagens com nuvens ou sombras foram descartadas, e ainda assim sobraram entre 57 e 131 imagens por campo e safra. A chuva acumulada veio da base de dados climáticos da NASA.
Os dados dos experimentos foram divididos em duas partes: 70% para ensinar os modelos e 30% para testá-los. Depois, os modelos foram postos à prova em talhões comerciais de duas fazendas paulistas, na safra 2022, com a produtividade real já conhecida.
A pesquisa foi financiada pela Embrapa, pela Cooperativa dos Plantadores de Cana do Estado de São Paulo (Coplacana), pela empresa Simbiose e pela Finep. Segundo o artigo, os financiadores não participaram do desenho, da análise nem da decisão de publicar, e os autores declaram não ter conflito de interesses.
Por que isso importa
Planejamento antes da colheita. Uma boa estimativa de produtividade dois a três meses antes do amadurecimento ajuda a organizar a ordem de corte, a logística de transporte e a moagem, além de apoiar decisões comerciais.
Tecnologia de baixo custo de entrada. O modelo vencedor usa poucas informações, todas acessíveis: imagem de satélite, chuva, variedade plantada e ciclo da cana. Não exige sensores instalados na lavoura.
Nem sempre o algoritmo mais sofisticado vence. As técnicas de aprendizado de máquina foram bem nos experimentos, mas tropeçaram nos canaviais comerciais. Um modelo estatístico bem escolhido generalizou melhor, uma lição útil para quem pensa em adotar inteligência artificial no campo.
Ciência pública com o setor produtivo. O estudo une Embrapa, cooperativa de produtores e empresa privada, um modelo de parceria que leva a pesquisa mais perto de quem planta.
Limitações do estudo
Validação comercial pequena. O resultado de 89% vem de 12 talhões comerciais em duas fazendas, numa única safra. Com tão poucos casos, alguns talhões a mais ou a menos podem mudar bastante o número.
Um resultado que pede confirmação. O modelo estatístico foi melhor nos canaviais comerciais (89%) do que nos próprios dados de teste dos experimentos (62%). Isso não é o mais comum e reforça a necessidade de repetir o teste em mais áreas.
Recorte geográfico e de clima. São dois campos no estado de São Paulo, quatro variedades e duas safras. A única variável climática foi a chuva; os autores pretendem incluir calor extremo e falta de água nas próximas etapas e chamam o trabalho de um primeiro passo.
Pequenas inconsistências no artigo. A contagem de parcelas aparece de duas formas no texto (448 e 224), e as figuras dos talhões comerciais mostram 11 áreas, não 12.
Prever não é aumentar. O modelo estima quanto a lavoura vai render; não mostra, por si só, como elevar a produtividade. A relação entre o índice de vegetação e a produção é uma associação, e o estudo não prova causa e efeito.
Imagem de capa: ilustração artística.
O artigo original está publicado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0). Este texto é uma síntese original da Quantory Editora sobre os resultados publicados.
Produzido pela equipe editorial da Quantory com apoio de inteligência artificial e revisado por especialista.