Crop Type Mapping in Smallholder and Complex Agricultural Landscapes Using Multi-Temporal Sentinel-2 Imagery on the Google Earth Engine Platform

Imagine tentar separar uma caixa gigante e bagunçada de LEGOs onde cada peça parece quase idêntica, mas algumas deveriam ser carros vermelhos e outras caminhões azuis. Agora, imagine fazer isso não com as mãos, mas do espaço, olhando para baixo para um retalho de fazendas que parecem uma colcha de retalhos onde pequenos campos estão emaranhados como um nó de fios de lã. Este é o desafio do "mapeamento de tipos de culturas" na agricultura de pequena escala. Cientistas usam satélites para tirar fotos da Terra, mas quando os agricultores plantam diferentes culturas bem próximas umas das outras em parcelas pequenas e irregulares, as cores (ou "assinaturas espectrais") das plantas frequentemente se misturam. É como tentar distinguir um morango de uma framboesa apenas olhando para uma foto borrada a um quilômetro de distância. Para resolver isso, os pesquisadores precisam ser espertos sobre quando tiram a foto. Assim como uma lagarta parece diferente de uma borboleta, as culturas mudam seu "traje" (cor e forma) conforme crescem através das estações. Ao esperar pelo momento perfeito no ciclo de vida da planta e usar computadores poderosos para analisar os dados, os cientistas conseguem desembaraçar a confusão e ver exatamente o que está crescendo onde. Isso é importante porque saber o que os agricultores estão cultivando nos ajuda a gerir a água, prever o suprimento de alimentos e proteger o meio ambiente.

---

A Grande História do Detetive de Culturas: Desvendando o Enigma das Fazendas Iranianas

No coração da província de Chaharmahal-Va Bakhtiari, no Irã, encontra-se o condado de Saman, um lugar famoso por seus amêndoas e pêssegos. Mas aqui está o detalhe: a paisagem é uma bagunça caótica e bela. Imagine uma salada gigante onde pomares de árvores frutíferas estão misturados com campos de trigo, arroz e cevada, todos espremidos em parcelas minúsculas e irregulares. Para um satélite olhando para baixo, isso parece um borrão verde confuso. As árvores e as culturas de grãos frequentemente parecem tão semelhantes que as fotos de satélite padrão não consegu de diferenciá-las. É como tentar identificar uma pessoa específica em uma multidão onde todos estão usando o mesmo moletom verde.

Uma equipe de pesquisadores decidiu decifrar esse código usando um playground digital superpoderoso chamado Google Earth Engine (GEE). Pense no GEE como uma biblioteca massiva baseada na nuvem que detém quase todas as fotos que os satélites Sentinel-2 já tiraram. Em vez de baixar terabytes de dados para um único computador, os pesquisadores usaram esse gigante da nuvem para filtrar anos de imagens instantaneamente.

O "Quando" Importa Mais do que o "O Quê"

O primeiro grande obstáculo foi o tempo. Se você tirar uma foto de um pessegueiro e de um campo de trigo no meio do inverno, ambos parecerão marrons e dormentes. Se você tirar uma foto no início da primavera, eles podem parecer ambos manchas verdes genéricas. Os pesquisadores perceberam que, para diferenciá-los, precisavam pegá-los no exato momento em que suas "personalidades" divergiam.

Eles trataram as culturas como atores em um palco, cada um com seu próprio cronograma. Algumas culturas, como cerejas e nogueiras, atingiram o pico cedo no verão (maio a julho) e depois começaram a desaparecer conforme eram colhidas. Outras, como pêssegos e amêndoas, eram as tardias, permanecendo quietas no início do verão e depois explodindo em crescimento verde em agosto e setembro. As uvas eram as constantes, crescendo lenta e firmemente durante toda a temporada.

Para encontrar o momento perfeito para tirar a foto, a equipe usou uma ferramenta matemática chamada índice de Divergência Transformada (TD). Você pode pensar no TD como um "medidor de diferença". Ele mede o quanto dois grupos de culturas parecem diferentes entre si. Se o medidor ler baixo, as culturas parecem muito semelhantes (ruim para a classificação). Se ler alto, elas são distintas (ótimo para a classificação).

Ao rodar este "medidor de diferença" em dados mensais de 2020 a 2022, eles descobriram uma janela de ouro: de maio a setembro. Durante esses cinco meses, as culturas estavam em seu momento mais distinto. O "medidor de diferença" mostrou que as culturas estavam se separando claramente, tornando possível distinguir um pessegueiro de um campo de trigo com alta confiança. Eles descobriram que não precisavam de cada única foto disponível; apenas cinco instantâneos mensais cuidadosamente escolhidos foram suficientes para fazer o trabalho, reduzindo o volume de dados em cerca de 60%, mantendo a precisão altíssima.

Adicionando a Pista da "Topografia"

Mas mesmo com o tempo perfeito, algumas culturas ainda pareciam muito parecidas. Amêndoas e cerejas, por exemplo, ou nogueiras e maçãs, podem parecer muito similares do espaço. Então, os pesquisadores adicionaram uma arma secreta: a topografia.

Imagine a paisagem como um bolo gigante e irregular. Algumas partes são planas, outras são íngremes, e algumas enfrentam o sol enquanto outras se escondem na sombra. Os pesquisadores perceberam que diferentes culturas têm "lugares favoritos" específicos neste bolo.

• O Arroz só cresce nos pontos baixos e planos onde a água se acumula (como uma banheira inundada).
• Os Pêssegos adoram as encostas ensolaradas voltadas para o sul.
• As Nogueiras preferem os lados norte, mais frescos, para manter a umidade.
• As Amêndoas são resistentes e ficam nas encostas sul, quentes e secas, em altitudes mais elevadas.

Ao alimentar o computador com um mapa da altura da terra (DEM), inclinação e direção (aspecto), os pesquisadores deram ao algoritmo uma "memória geográfica". Não era mais apenas um palpite baseado na cor; o algoritmo estava dizendo: "Este patch verde está em uma colina íngreme voltada para o norte, então provavelmente é uma nogueira, não uma maçã". Essa camada extra de informação ajudou a desembaraçar as culturas que ainda pareciam muito semelhantes.

O Algoritmo Mágico: Random Forest

Com o tempo perfeito e as pistas topográficas em mãos, a equipe usou um algoritmo de aprendizado de máquina chamado Random Forest (Floresta Aleatória). Se você imaginar uma floresta de tomadores de decisão, cada um fazendo uma pergunta simples como "É maio?" ou "A inclinação é íngreme?", o Random Forest é uma multidão de centenas desses tomadores de decisão votando juntos. Como tantas "árvores" estão votando, a decisão final é incrivelmente inteligente e resistente a erros.

Eles treinaram essa floresta digital usando 1.500 pontos do mundo real que visitaram no solo com dispositivos GPS. Eles mostraram ao computador 70% desses pontos para aprender os padrões e, em seguida, testaram-no nos 30% restantes para ver se ele conseguiria adivinhar corretamente sem ajuda.

Os Resultados: Uma Taxa de Sucesso de 95%

O resultado foi um mapa incrivelmente preciso de todo o condado. O computador identificou corretamente os tipos de cultura 95% das vezes. Esse é um sucesso enorme para uma paisagem tão bagunçada e complicada.

• As Amêndoas eram as rainhas da colina, cobrindo mais de 65% das terras agrícolas.
• Os Pêssegos e as nogueiras vieram em segundo e terceiro lugar.
• As culturas anuais como arroz e trigo/cevada eram as peças menores e espalhadas do quebra-cabeça.

Os pesquisadores até verificaram seu trabalho contra registros oficiais do governo (Anuário Estatístico Agrícola). O mapa que criaram coincidiu quase perfeitamente com os números do governo, com um índice de correlação de 0,96. Isso significa que o mapa não era apenas uma imagem bonita; era uma ferramenta confiável que poderia ser usada para contar as culturas com precisão.

Por Que Isso Importa

Este estudo prova que você não precisa de um sistema super complexo e caro para mapear pequenas fazendas desorganizadas. Ao combinar um tempo inteligente (esperar pela estação certa), conhecer o relevo (topografia) e usar um poderoso computador na nuvem, você pode desembaraçar até as paisagens agrícolas mais confusas.

Os pesquisadores mostraram que, ao mascarar casas e rios (que podem parecer culturas e confundir o computador) e focar nos meses específicos em que as culturas parecem mais diferentes, você consegue obter uma imagem clara do que está crescendo. Isso ajuda os planejadores locais a gerir melhor a água, prever colheitas e garantir que a terra seja usada de forma sustentável. É um lembrete de que, às vezes, a melhor maneira de ver a floresta inteira é esperar pela estação certa e olhar para as árvores pelo ângulo correto.