Técnica desenvolvida na Unesp de Tupã foi testada em Mato Grosso e delimitou com maior precisão áreas de vegetação natural e de produção agrícola, por tipo de cultura; resultados indicaram 95% de acerto no mapeamento (Imagem: Michel Eustáquio Dantas Chaves)
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 (leia mais em: agencia.fapesp.br/50142).
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 (21/07382-2, 23/09903-5 e 24/08083-7).