Author(s): JORGE, L. A. de C.

Summary: Dentre as atividades de monitoramento necessárias, a identificação de infringência do período conhecido como “vazio sanitário” é uma das que mais necessitam da integração com dados de sensoriamento remoto, bem como a ocorrência de pragas. O vazio sanitário é definido como um período anual em que os produtores agrícolas, cujos principais cultivos em suas áreas são baseados nas culturas de soja, não podem semear ou manter plantas de soja, seja em qualquer fase de seu ciclo fenológico, em sua propriedade. Essa ação tem por objetivo reduzir o inóculo de doenças, e, portanto, deve-se cumprir a prática com rigor. Todavia, o monitoramento por meio de inspeção a campo dessas propriedades é uma tarefa trabalhosa e dispendiosa. Como alternativa, o uso contínuo de imagens orbitais pode auxiliar os órgãos gestores a identificar, previamente, a infração, inclusive quantificando a área de vegetação cultivada nesses locais. Esse tipo de atividade auxilia o técnico em campo com relação a averiguação das infrações, permitindo rapidez ao processo e a tomada de decisão. Neste estudo, é apresentado um modelo de trabalho que, utilizando de tecnologias livres e de baixo custo computacional, monitore áreas agrícolas em nível local e regional, identificando a infração ou não adesão à prática de vazio sanitário e de ocorrência de pragas. Para isso foram utilizadas técnicas de processamento digital de imagem e comparado o método com modelos baseados em aprendizagem de máquina para a identificação de possíveis plantas dentro de áreas descampadas. Esse modelo utiliza uma abordagem de regressão múltipla sobre bandas multiespectrais de reflectância para caracterizar a proporção de vegetação versus vazio sanitário, com dados provenientes de talhões em diferentes estágios de desenvolvimento e áreas de vazio sanitário. Os espectros obtidos pelo Sentinel 2 demonstraram consistência com bandas de solo e vegetação verificadas em inspeções locais. O modelo de trabalho proposto consiste em uma abordagem automatizada, em que retorna com alta acurácia a segmentação de áreas cultivadas que descumpram a prática de vazio. Espera-se que as informações apresentadas auxiliem estudos futuros com a construção e proposição de metodologias úteis para o monitoramento agrícola, dentro das práticas de agricultura de precisão e que adotem a abordagem de baixo custo computacional e pouco supervisionada.

Publication year: 2024

Types of publication: Book sections

Unit: Embrapa Instrumentation

Keywords: Google Earth Engine, Modelagem, Processamento digital de imagem