Uma equipe de pesquisadores da Embrapa, Unicamp e Inpe vem utilizando o conjunto de dados do programa Harmonized Landsat Sentinel-2 para identificar o uso e cobertura da terra e separar as áreas com cultivo da soja, a commodity agrícola mais importante do Brasil, de outras culturas anuais encontradas na região em 2022. Esse tipo de abordagem e de resultados utilizando sensoriamento remoto pode contribuir em políticas públicas e no monitoramento dos cultivos agrícolas em larga escala ao longo do ano/safra, de forma menos custosa e mais precisa.
Além da efetiva cobertura do período de safra propiciado pelas imagens e técnicas de análise aplicadas, observou-se a capacidade de mapear sub alvos, como a identificação de plantações de soja sob sistema de irrigação ou sequeiro de forma mais eficaz, com 88% de precisão.
De acordo com o pesquisador Édson Bolfe, da Embrapa Agricultura Digital, coordenador do projeto Mapeamento agropecuário no Cerrado via combinação de imagens multisensores, financiado pela Fapesp, o MultiCER, o uso dos dados HLS eleva sobremaneira o tempo de cobertura de dados (resolução temporal), com até 7 cenas por mês nos mesmos locais, e uma resolução espacial, que indica a menor unidade de área representada, de 30 metros.
“No estudo, com o uso desses satélites de forma integrada, tivemos 13 imagens com menos de 50% de cobertura de nuvens, entre outubro e março, para o mapeamento da safra dos cultivos agrícolas de verão, no ano safra 2021/-2022, na área de estudo. Áreas como o oeste da Bahia, especificamente o local do trabalho, que abrange parcialmente os municípios de Barreiras, Luís Eduardo Magalhães e Riachão das Neves, conhecido como ‘Anel da Soja’ devido à intensa produção desse cultivo, são severamente afetadas pela cobertura de nuvens persistentes, principalmente entre dezembro e fevereiro, quando geralmente se perde cerca de 70% das informações contidas nas imagens. Isso se torna um excelente exemplo do desafio de monitoramento de safra no Brasil: grandes áreas, alta produtividade, ciclo rápido e baixa disponibilidade de dados”, comenta Bolfe.
Conforme Taya Parreiras, pesquisadora doutoranda em Geografia no Instituto de Geociências da Unicamp e integrante do projeto, “monitorar a produção agrícola de sequeiro, que responde por aproximadamente 75% da alimentação global, pode ser beneficiada por abordagens multisensor, pois elas aumentam a periodicidade das observações pelo aproveitamento de informações complementares de múltiplas fontes de dados de satélite, otimizando a capacidade de identificação do tipo de cultura”.
“Durante as visitas de campo, também identificamos áreas em processo de conversão de vegetação natural para possível cultivo anual ou pastagem, em processo de regeneração da vegetação nativa, bem como áreas de silvicultura sendo transformadas em pastagens. Considerando a dinâmica de conversões de uso da terra nesta moderna fronteira agrícola, onde as decisões de mudança são impulsionadas principalmente pelo agronegócio, situações como essas são bastante comuns” diz Parreiras.
Desafios
Dentre os desafios para o mapeamento e monitoramento da agricultura brasileira, destacam-se as dimensões continentais do País, a diversidade produtiva e as condições climáticas que se refletem na elevada presença de nuvens nas imagens. “Imagens de satélite são tradicionalmente utilizadas para o monitoramento agrícola, mas com grandes restrições de uso, sendo uma delas a disponibilidade de imagens suficientes num período de safra.
Sensores como o Landsat 8 OLI (Operational Land Imager), por exemplo, possuem uma resolução espacial satisfatória, de 30 m, mas fornecem dados a cada 16 dias, o que, somado a cobertura de nuvens, muito densa e constante em regiões tropicais, resulta em pouca disponibilidade de cenas para o efetivo monitoramento agrícola. Outros sensores de larga escala, como o MODIS (Moderate-Resolution Imaging Spectroradiometer), realizam imageamento diário, mas possuem resolução espacial de 250 m, em si uma grande limitação para aplicações agrícolas, sendo esse um dos dilemas desse tipo de instrumento de sensoriamento remoto que o HLS ajuda a resolver”, explica Luiz Eduardo Vicente, pesquisador da Embrapa Meio Ambiente, também integrante do projeto.
Outro desafio é a alta heterogeneidade de culturas que, com até 3 safras anuais em pivôs centrais, aumenta a variação espaço temporal dos alvos, dificultando sua detecção. “Na região do Cerrado, além do aumento das áreas com culturas como soja, milho, algodão e cana-de-açúcar, a diversidade de sistema produtivos também é crescente, a exemplo da integração lavoura-pecuária, que tem sido cada vez mais adotado, principalmente a associação entre milho e braquiária”, destaca Bolfe.
A despeito do novo acesso simplificado a esse tipo de dado “harmonizado”, o processamento das imagens HLS não é algo trivial, demandando algoritmos específicos e testes de aplicação, considerando ajustes de parâmetros como: dados adquiridos em diferentes resoluções, espacial, espectral e radiométrica, bem como distintos ângulos de visão e relações sinal-ruído. Esses procedimentos têm sido realizados por pesquisadores de forma independente, mas a agência espacial norte-americana NASA disponibiliza os dados praticamente prontos para as análises, o que torna o uso do HLS um processo relativamente simples e acessível”, comenta Parreiras.
Em geral, as aplicações de ferramentas de sensoriamento remoto na agricultura ainda requerem informações locais, e a obtenção dessas informações é um dos principais desafios para mapear e monitorar com precisão as principais culturas em escala regional e nacional no Brasil. “Adquirir dados de campo com volume e equilíbrio necessários nem sempre é possível. Nesse sentido, adotamos uma estratégia de amostragem híbrida, utilizando imagens de alta resolução para agregar informações de alvos cuja identificação é menos complexa, como a vegetação natural, por exemplo, e dados sistematicamente coletados em campo utilizando o aplicativo Agrotag, que forneceu rapidez e robustez no treinamento e validação dos algoritmos de processamento de classificação, etapas fundamentais para a geração de mapas agrícolas a partir de imagens de satélite”, explica Vicente.
Portanto, os diferentes projetos de mapeamento de uso agrícola no Brasil podem se beneficiar dos dados Harmonized Landsat Sentinel-2 e da metodologia proposta no projeto, potencializando o monitoramento da dinâmica no meio rural e a melhor compreensão de processos como expansão, integração, diversificação, conversão e intensificação agrícola, enfatiza Bolfe.
Programa da NASA para produzir uma constelação virtual de imagens harmonizadas prontas para análise, com frequência temporal de dois a quatro dias, em valores de refletância de superfície, adquiridas pelos sistemas sensores Landsat Operational Land Imager (OLI) e Sentinel-2 Multispectral (MSI), sendo o primeiro de responsabilidade da NASA (National Aeronautics and Space Administration), e o segundo, da ESA (European Space Agency).
