Pesquisadores brasileiros desenvolveram um método inédito de mapeamento de lavouras de café por sensoriamento remoto, alcançando mais de 95% de precisão.
A nova abordagem combina imagens de satélite do programa Harmonized Landsat Sentinel-2 (HLS) com algoritmos de inteligência artificial, como Random Forest e XGBoost, permitindo identificar plantações e distinguir diferentes fases do ciclo produtivo com alto grau de detalhamento.
Mapeamento de lavouras de café
O estudo conseguiu reconhecer quatro estágios fenológicos da cultura, plantio, produção, poda e renovação com acurácia que variou de 77% a 95%, mesmo em regiões compostas por pequenas propriedades e áreas fragmentadas.
A metodologia é escalável e pode ser aplicada em diferentes regiões produtoras, favorecendo a formulação de políticas públicas, o acesso a crédito rural e ações de adaptação às mudanças climáticas.
A técnica foi validada em Caconde (SP), município integrante do projeto Semear Digital, que reúne Distritos Agrotecnológicos voltados à inovação no campo. A pesquisa surgiu de uma demanda do próprio setor cafeeiro, que buscava informações mais precisas sobre a extensão das lavouras e seus diferentes estágios de desenvolvimento.
O método utiliza uma série temporal densa de bandas e índices espectrais, além de métricas de textura obtidas a partir de imagens combinadas dos satélites Landsat e Sentinel-2, com frequência de observação aproximada de três dias.
Um sistema hierárquico de classificação organiza os dados em quatro níveis, sendo separação da vegetação nativa, distinção entre tipos de uso agrícola, diferenciação de culturas perenes e, por fim, a identificação detalhada das fases do cafezal, formação, produção, poda e renovação.
Nos três primeiros níveis, a precisão superou 96%. No quarto, mais complexo, a média de acerto foi de 83%, com destaque para a classe de produção, que alcançou 94%. Entre os índices mais eficientes para caracterização dos cafezais estão NDVI, GNDVI, NDWI e SAVI, principalmente durante a estação chuvosa. A banda verde do HLS teve papel decisivo, sendo responsável por quase 40% da classificação em um dos níveis.
O estudo também indicou que métricas de textura (GLCM) e dados de temperatura de superfície (LST) ajudam a diferenciar lavouras produtivas de áreas recentemente podadas. Embora o desempenho dos algoritmos Random Forest e XGBoost tenha sido semelhante, o primeiro apresentou processamento até 15 vezes mais rápido, o que o torna mais vantajoso para aplicações operacionais.
Todos os mapas e dados gerados estão disponíveis gratuitamente no Repositório de Dados de Pesquisa da Embrapa (Redape). Os pesquisadores agora trabalham para ampliar as análises a séries plurianuais e aprimorar o reconhecimento de classes menos representadas, como a renovação de lavouras.
A expectativa é transformar o sistema em uma ferramenta prática para instituições públicas e privadas, reforçando a liderança brasileira na produção de café e a sustentabilidade do setor.
