Pesquisadores da Universidade Estadual Paulista (Unesp), em Tupã, desenvolveram e testaram uma nova metodologia de inteligência geoespacial que pode contribuir de forma mais rápida e precisa com projetos de gestão do uso da terra e de planejamento territorial.

Com a ferramenta, foi possível delimitar com precisão áreas de floresta amazônica, vegetação de Cerrado, pastagens e culturas agrícolas em sistema de cultivo duplo, algo que pode fornecer subsídios para políticas públicas voltadas à produção agrícola e conservação ambiental.

Combinando arquitetura de cubos de dados (prontos para análise), disseminada no país por meio do projeto Brazil Data Cube, do Instituto Nacional de Pesquisas Espaciais (Inpe), e a abordagem Geobia (sigla em inglês para Geographic Object-Based Image Analysis), os cientistas conseguiram identificar a vegetação e as práticas de cultivo duplo – soja e milho, por exemplo – ao longo de uma safra no Estado de Mato Grosso. Foram usadas séries temporais de imagens de satélite do sensor Modis (Moderate Resolution Imaging Spectroradiometer), da Nasa, a agência espacial norte-americana.

Os resultados indicaram que a combinação proposta, aliada a algoritmos de aprendizado de máquinas (inteligência artificial), alcançou 95% de acerto no mapeamento.

A Geobia é uma técnica que permite o processamento de imagens de satélite a partir de segmentações que agrupam pixels semelhantes em geo-objetos e estuda suas características, como forma e textura, além da reflectância. Isso permite, em muitos casos, uma interpretação mais próxima da realidade. Os cubos de dados, por sua vez, armazenam informações em dimensões – tempo e localização –, facilitando a agregação e visualização de informações referentes a determinado local em um período específico, como áreas de cultivo em um ano-safra.

Atualmente, os mapeamentos utilizam análises de imagens por pixel isoladamente, o que acaba gerando problemas de bordas, com indefinição em algumas áreas. “Os trabalhos científicos têm colocado a confusão espectral em zonas de borda entre usos da terra distintos como um ponto a ser melhorado. Assim, resolvemos segmentar as imagens e avaliar o objeto geográfico como unidade mínima de análise, e não o pixel. É como se a imagem fosse quebrada e classificada de acordo com cada peça. Com isso, foi possível reduzir erros recorrentes de borda e identificar os alvos de forma aderente, mesmo usando resolução espacial moderada”, diz à Agência Fapesp o professor da Faculdade de Ciências e Engenharia da Unesp Michel Eustáquio Dantas Chaves, autor correspondente do artigo.

Chaves vem usando a arquitetura de cubos de dados há alguns anos para desenvolver ferramentas que contribuem em análises com enfoque no avanço da fronteira agrícola, especialmente no Cerrado.

Segundo o professor, a metodologia pode ser replicada para avaliar imagens oriundas de outros satélites de observação da Terra, como Landsat e Sentinel, que fornecem dados para estudos científicos, mapeamento e monitoramento. Imagens de ambos estão sendo trabalhadas agora pela equipe coordenada pelo professor.

O artigo descrevendo a metodologia foi publicado na edição especial Research Progress and Challenges of Agricultural Information Technology, da revista científica AgriEngineering. O estudo teve apoio da Fapesp por meio de três projetos.

Aplicação na prática

O Mato Grosso lidera a produção nacional de grãos, com 31,4% do total do país, seguido do Paraná (12,8%) e Rio Grande do Sul (11,8%). A estimativa é que o Estado atinja 97,3 milhões de toneladas na safra 2024/2025 – um aumento de 4,4% em relação à anterior, segundo a Companhia Nacional de Abastecimento (Conab). Praticamente metade dessa produção (46,1 milhões de toneladas) deve ser de soja.

Além disso, o Mato Grosso é um dos Estados com maior biodiversidade – abriga parte de três dos seis biomas brasileiros. Cerca de 53% de seu território está na Amazônia, 40% no Cerrado e 7% no Pantanal.

Devido a essa heterogeneidade dos usos do solo e tipos de vegetação em seu território, os pesquisadores aplicaram a nova metodologia em Mato Grosso usando dados da safra estratégica de 2016/2017, na qual o Brasil produziu 115 milhões de toneladas de soja, sendo 30,7 milhões de toneladas no Estado. As classificações de uso do solo foram associadas às terras agrícolas (pousio-algodão, soja-algodão, soja-milho, soja-pousio, soja-milheto e soja-girassol), além de culturas de cana-de-açúcar, áreas urbanas e corpos d’água.

Os resultados indicaram precisão geral de 95%, mostrando o potencial da abordagem para fornecer mapeamentos que otimizam a delimitação de florestas e terras agrícolas. “Como a abordagem consegue identificar os alvos de forma aderente, a metodologia pode ser aplicada em estimativa de área ainda dentro de uma mesmo safra, favorecendo estimativas de produtividade; em ações de planejamento territorial e tudo o que trate do uso e da cobertura da terra para tomada de decisão”, detalha Chaves sobre a aplicação da ferramenta.

O professor explica que a metodologia também permite analisar perturbações em florestas e outros tipos de vegetação natural. “É mais rápido identificar se há desmatamento do que degradação. Esse método permitiu detectar essas variações de forma mais rápida.”

No artigo, os cientistas fazem uma homenagem à professora Ieda Del’Arco Sanches, pesquisadora de sensoriamento remoto no Inpe, que faleceu em janeiro. “Esse artigo é uma forma de agradecê-la pelos ensinamentos e seguir seu legado. Ieda sempre trabalhou para avaliar a superfície terrestre com precisão e tratar os dados de forma ética e responsável, mostrando como eles podem contribuir para a construção de políticas públicas", completa Chaves.

O artigo Mixing Data Cube Architecture and Geo-Object-Oriented Time Series Segmentation for Mapping Heterogeneous Landscapes pode ser lido aqui.