O investimento em tecnologia está entre os fatores de crescimento do setor agropecuário brasileiro, além do aumento da demanda global por alimentos e dos altos preços das comodidades. O município aumentou significativamente a produção agrícola sem expandir muito o uso da terra. Por exemplo, a sua produção de grãos cresceu quase 50% nas últimas duas décadas.
O Sensoriamento remoto e análise avançada de dados são tecnologias que os agricultores podem introduzir para gerenciar campos de forma eficiente e oportuna, respondendo a extremas alterações climáticas como secas que ameaçam a produção de culturas mesmo em países com condições climáticas favoráveis como o Brasil.
O sensoriamento remoto implica detectar e monitorar as características físicas de uma área de interesse, medindo a sua radiação refletida e emitida à distância, notadamente com satélites ópticos gerando dados de imagem.
“Imagens de sencoriamento remoto das terras cultivadas são processadas e analisadas para extrair percepções aplicáveis sobre o estado das culturas e atividades agrícolas — as informações que os produtores precisam para gerenciar suas fazendas e, dessa forma, lucrar mais. Essas percepções podem incluir estágios de crescimento vegetal, infestação de plantas, níveis de umidade do solo, previsões meteorológicas ou estados extremos que podem afetar o crescimento das culturas — calor e estresse frio e muito mais”,
diz Lina Yarysh, diretora de sucesso de cliente da EOS Data Analytics.
Enquanto os satélites fornecem dados para monitoramento de campo, a aprendizado de máquina (AM) é um método eficaz para interpretá-los. A EOS Data Analytics, é uma fornecedora global de análises de imagens de satélite alimentadas por IA, usa AM em soluções personalizadas, como o EOS Crop Monitoring.
O poder do aprendizado de máquina e do aprendizado profundo com redes neurais para resolver problemas agrícolas
Aprendizado de máquina é uma disciplina de ciência de dados que se concentra na criação de algoritmos que aprendem com dados, identificam padrões sem intervenção humana e gradualmente melhoram sua precisão na resolução de tarefas. Esses algoritmos se destacam na análise e interpretação de grandes volumes de dados.
O aprendizado profundo é um subcampo de aprendizado de máquina que usa algoritmos complexos (aprendizado profundo) com arquiteturas de rede neural. Esses algoritmos são chamados de redes neurais artificiais (RNAs) já que sua arquitetura é inspirada na estrutura neurológica do cérebro humano. As RNAs resolvem facilmente tarefas de reconhecimento de imagem (classificação) — identificam o que é retratado em imagens e diferenciam um objeto de outro, por exemplo, detectando plantas de maconha e estágios iniciais de doenças em plantas de café. A arquitetura mais popular para tarefas de reconhecimento e detecção de imagens é uma rede neural convolucional. Os produtos da EOS Data Analytics também são alimentados por este algoritmo de aprendizagem profunda.
Mas como uma rede neural sabe qual objeto procurar em uma imagem e como reconhecer um objeto específico entre outros? Os cientistas de dados treinam a RNA permitindo que ela processe dados de treinamento — exemplos de imagens desses objetos onde cada imagem é rotulada (anotada) com uma categoria a que pertence: água ou cobertura de terra, mandioca ou soja, etc. Dessa forma, uma rede neural aprende as características visuais de um objeto necessárias para seu reconhecimento.
“Os cientistas de dados podem permitir que uma rede neural resolva qualquer problema de classificação, desde que coletem e preparem os dados de treinamento necessários. Abaixo discutiremos uma dessas tarefas que a EOSDA resolveu para um cliente no Brasil”,
diz Lina Yarysh.
Classificação da cana-de-açúcar: detecção de usinas de cana-de-açúcar e estimativa de área
O projeto incluiu duas tarefas: classificação de usinas de cana-de-açúcar no Brasil e detecção de cana-de-açúcar colhida (ou seja, definindo quantos hectares dessa safra estão recolhidos) em uma determinada data no estado de São Paulo.
Utilizando a classificação da usina, os agricultores podem entender a quantidade de cana-de-açúcar disponível e o potencial de rendimento das usinas ao explorar novas terras aráveis ou expandir para outros mercados de produção potencial de cana-de-açúcar.
Informações sobre cana-de-açúcar colhida (matéria-prima) são valiosas para o planejamento de obras de campo, definição da capacidade do armazém e planejamento logístico.
Para a classificação da usina de cana-de-açúcar, a equipe da EOS Data Analytics usou dados verdadeiros terrestres cobrindo 1.000.000 hectares e imagens dos satélites Sentinel-1, Sentinel-2 e MODIS-Terra para criar um conjunto de dados para rotulagem e treinamento de modelos de aprendizagem profunda.
A equipe testou dois modelos: modelo Conv-LSTM e redes neurais recorrentes bidirecionais baseadas no LSTM. A maior precisão (mais de 94%) foi alcançada com um modelo Conv-LSTM. Ele tem os benefícios das redes de memória convolucional (RMC) e de memória de longo prazo (LSTM) e permite analisar dados de séries espaciais.
A segunda tarefa foi detectar o índice de campo coletado (estatuto) para 6.500 campos. O índice significa o rácio entre a área colhida e toda a área do campo. Foram utilizados três estatutos: totalmente colhidos, parcialmente colhidos e não colhidos. A área total de campos foi de 47.000 ha.
Especialistas usaram o radar Sentinel-1 Single Look Complex e imagens ópticas Sentinel-2 obtidas em intervalos de tempo consistentes. Os dados ópticos foram analisados com o NDVI, e quedas acentuadas em seus valores seguidos por baixos valores de índice por um longo período de tempo indicaram parcelas de campo colhidas.
Os cientistas de dados forneceram relatórios sobre o status de colheita a cada 10 dias. Também identificaram várias datas de colheita para 10% das parcelas de campo, correspondentes à colheita progressiva.
O Sensoriamento remoto por satélite e as abordagens de rede neural para análise de dados de satélite levam o gerenciamento de campo para o próximo nível. As redes neurais são ótimas na resolução de problemas da vida real dos usuários agrícolas: classificação de culturas e coberturas fundiárias, detecção do status de campo colhido, verificação de pragas e doenças, e muito mais. Os especialistas do EOSDA podem resolver tarefas de classificação para qualquer área de interesse, pois possui nove fontes de dados que fornecem cobertura global e têm uma alta resolução temporal.
Leia mais:
Conheça o software que analisa imagens e satisfaz necessidades das empresas agrícolas
Selo de produção da Agricultura Familiar é instituído no Amazonas
1ª Feira da Agricultura Familiar é realizada em Manaus
Para ficar por dentro de outras notícias e receber conteúdo exclusivo do portal EM TEMPO, acesse nosso canal no WhatsApp. Clique aqui e junte-se a nós! 🚀📱
