A aplicação de inteligência artificial no agronegócio brasileiro é uma ferramenta estratégica para aumentar a previsibilidade das safras, principalmente em situações de instabilidade climática. Com secas, ondas de calor e eventos extremos impactando a produção agrícola em diferentes regiões, cresce a busca por tecnologias capazes de antecipar resultados e apoiar decisões no campo antes mesmo da colheita.

Foi com esse objetivo que pesquisadores desenvolveram um modelo capaz de estimar a produtividade da soja no Centro-Oeste brasileiro utilizando imagens de satélite, variáveis climáticas e algoritmos de aprendizado de máquina. Os resultados foram publicados no estudo “Soybean yield estimation in the Brazilian Midwest using Sentinel-2 imagery”, na revista científica Big Earth Data.

A partir da integração entre imagens captadas pelo satélite Sentinel-2, indicadores meteorológicos e dados históricos de produção, o modelo alcançou 72% de acurácia e apresentou erro médio inferior a 302 quilos por hectare na estimativa da produtividade da cultura. A relevância do estudo acompanha a dimensão econômica da soja para o país, uma vez que o Brasil lidera as exportações globais do grão. A região Centro-Oeste responde por aproximadamente 46% da área cultivada nacional, sendo o principal polo produtivo da commodity.

Dados transformam previsões e gestão das lavouras

O trabalho é resultado da dissertação de mestrado de Ester de Carvalho Pereira, da Esalq-USP, sob orientação da pesquisadora Ana Cláudia dos Santos Luciano. A pesquisa integrou o projeto PreCISIA – Predição de Colheita por Imagem de Satélite e Inteligência Artificial, apoiado pelo Programa de Formação de Recursos Humanos em Áreas Estratégicas (RHAE), do CNPq, e coordenado pela empresa Espectro Ltda. O estudo também reuniu pesquisadores da Unesp, Universidade Estadual de Londrina e Universidade de Pequim.

Segundo Michel Eustáquio Dantas Chaves, docente da Faculdade de Ciências e Engenharia da Unesp e um dos autores do trabalho, a disponibilidade de informações transformou a capacidade de monitoramento agrícola. Em nota o pesquisador explicou que “o momento na agricultura é uma era de ouro em comparação com o passado, quando faltavam dados para fazer análises. Dados de satélite permitem monitorar safras e ciclos de produção, algo que até pouco tempo era inviável, especialmente em nível de cultura”.

Apesar da abundância de dados, o pesquisador destaca que o processamento e a gestão dessas informações continuam sendo desafios importantes: “Temos um grande volume de dados prontos para análises, mas, ao mesmo tempo, há o grande trabalho de processá-los e armazená-los”.

IA identifica as variáveis que mais influenciam a produtividade

Para lidar com essa complexidade, a equipe utilizou inteligência artificial para identificar quais fatores exerciam maior influência sobre a produtividade. Também em nota, Ester destacou que o próprio algoritmo foi empregado para medir a relevância de cada variável utilizada no treinamento dos modelos. “Nós processamos todas as variáveis, rodamos o modelo e uma das questões era verificar quais variáveis mais impactavam na previsão da produtividade”.

Os resultados indicaram que precipitação acumulada, radiação solar e déficit hídrico foram os fatores climáticos mais determinantes para as estimativas. A equipe desenvolveu seis modelos distintos para avaliar diferentes momentos do ciclo da cultura, abrangendo períodos entre 30 e 180 dias após o plantio. O objetivo foi identificar quanto tempo de monitoramento era necessário para gerar previsões confiáveis e quais informações temporais contribuíam mais para a precisão dos resultados.

Os experimentos mostraram que modelos mais enxutos também apresentaram desempenho relevante. “Considerando um primeiro modelo que utilizava todas as informações dos seis meses estudados, tínhamos aproximadamente 400 variáveis. Mas, quando criamos um modelo de 30 dias, que já gerou um resultado bem interessante, trabalhamos com cerca de 80 variáveis”, contou Ester.

O melhor resultado foi obtido com o modelo que considerou 150 dias após o plantio, período que coincide com a fase de enchimento de grãos da soja. Considerada uma etapa decisiva para a definição do rendimento final da lavoura, essa fase concentrou os sinais mais relevantes para a previsão da produtividade.