Michel Eustáquio Dantas Chaves
Doutor em Engenharia Agrícola pela UFLA
Face às pressões e ameaças de sanções econômicas internacionais relacionadas ao avanço agropecuário sobre áreas de vegetação natural no Brasil, é necessário ampliar o debate sobre a intensificação da produção e o monitoramento da cadeia nacional de suprimentos. Por terem a capacidade de aprimorar a obtenção dessas informações, o sensoriamento remoto e as técnicas computacionais de mapeamento agrícola têm sido úteis para promover a implementação de políticas relacionadas à segurança alimentar, às mudanças climáticas, à emissão de gases de efeito estufa, ao desmatamento e à dinâmica agrícola, por exemplo. Por isso, a aplicação de novas tecnologias é importante.
Porém, muitas vezes, as análises e aplicações ocorrem de forma ampla, desconsiderando características específicas de cada propriedade agrícola, o que não fornece opções práticas aos produtores. Diante disso, uma iniciativa criada no Programa de Pós-Graduação em Engenharia Agrícola (PPGEA) da Universidade Federal de Lavras (UFLA), inspirada na história da própria Instituição, procurou identificar e monitorar a dinâmica das rotações e sucessões das culturas de soja, algodão, milho e milheto no nível da propriedade rural. Os pesquisadores analisaram, durante quatro safras, a dinâmica agrícola de um aglomerado de fazendas altamente produtivo do Cerrado, localizado em Sapezal, Mato Grosso.
A análise gerou o artigo intitulado "Time-weighted dynamic time warping analysis for mapping interannual cropping practices changes in large-scale agro-industrial farms in Brazilian Cerrado", publicado no periódico Science of Remote Sensing. O método aplicado reconhece padrões de comportamento em imagens de satélite, de acordo com o avanço do tempo. Para funcionar, ele utiliza amostras de treinamento representativas dos alvos presentes na superfície terrestre para “ensinar a máquina” a reconhecê-los. Juntamente com informações sobre o calendário agrícola fornecidas pelo usuário, que pode ser o próprio produtor, a máquina reconhece os padrões e permite identificar e monitorar o tipo de alvo em questão, como a vegetação agrícola. Como nem sempre é possível coletar dados das propriedades para ensinar a máquina, o método propõe que ela aprenda com menos dados.
Os resultados indicam que o método é eficiente e apto para oferecer suporte a produtores rurais interessados em monitorar a dinâmica de plantio, desenvolvimento e colheita em suas lavouras, promovendo a tomada de decisões em contextos de manejo de culturas semelhantes e melhorando o monitoramento da cadeia de suprimentos sem um custo elevado.
Os conteúdos e opiniões apresentados nos artigos desta seção são de responsabilidade exclusiva de seus autores, não correspondem à posição institucional da UFLA. As informações, as fotos e os textos podem ser usados e reproduzidos, integral ou parcialmente, desde que a fonte seja devidamente citada e que não haja alteração de sentido em seu conteúdo.