Pesquisadores desenvolveram um método inédito de sensoriamento remoto que permite mapear plantações de café com mais de 95% de precisão, mesmo em áreas pequenas e fragmentadas. A técnica combina séries temporais de imagens do Harmonized Landsat Sentinel-2 (HLS) com algoritmos de inteligência artificial, como Random Forest e XGBoost.

Além de identificar a localização dos cafezais, o sistema consegue diferenciar quatro estágios fenológicos da cultura — plantio, produção, poda e renovação — com acurácia entre 77% e 95%. A metodologia é escalável e aplicável a qualquer região cafeeira, abrindo caminho para políticas públicas, acesso a crédito rural e práticas de adaptação climática.

Mapeamento detalhado para pequenas propriedades

“O grande desafio do sensoriamento remoto é mapear com precisão regiões altamente produtivas, mas de pequena e média escala, que normalmente ficam invisíveis em levantamentos de larga escala”, explica Édson Bolfe, pesquisador da Embrapa Agricultura Digital (SP).

Segundo ele, os algoritmos de IA permitem identificar essas áreas com maior precisão, facilitando a compreensão das dinâmicas regionais de expansão, intensificação e diversificação agrícola, auxiliando tanto o setor público quanto o privado na tomada de decisão.

O estudo foi realizado em Caconde (SP), um dos Distritos Agrotecnológicos do projeto Semear Digital, atendendo à demanda do setor produtivo por dados mais precisos sobre áreas e estágios fenológicos da cafeicultura local.

“Antes, tínhamos apenas dados de propriedades e produtores cadastrados na Receita Federal. Mas a área cultivada era praticamente desconhecida”, comenta Ademar Pereira, presidente do Sindicato Rural de Caconde. Segundo ele, o levantamento fornece referência importante para políticas públicas, programas de capacitação e adoção de práticas modernas de manejo, como o esqueletamento.

Como funciona o método de classificação

A pesquisa utilizou bandas multiespectrais, índices espectrais e métricas de textura obtidas das imagens Landsat e Sentinel-2, com frequência aproximada de três dias. Os dados foram processados com Random Forest e XGBoost, em um sistema hierárquico de classificação em quatro níveis:

• Separação da vegetação nativa das áreas agrícolas
• Diferenciação entre culturas perenes, anuais e pastagens
• Distinção entre cafezais e eucalipto

Classificação dos cafezais em formação, produção, poda de esqueletamento e renovação por recepa

Nos três primeiros níveis, a precisão ultrapassou 96%, enquanto no quarto nível, mais complexo, a acurácia média foi de 83%, com destaque para a fase de produção (94%) e menor desempenho na poda de renovação (78%).

Segundo Taya Parreiras, doutoranda da Unicamp e bolsista do projeto, a identificação precisa depende de índices como NDVI, GNDVI, NDWI e SAVI, principalmente durante a estação chuvosa. A banda verde do HLS respondeu por cerca de 40% da classificação, e métricas de textura e temperatura de superfície ajudaram a diferenciar cafezais produtivos e esqueletizados.

Entre os algoritmos, o Random Forest se mostrou até 15 vezes mais rápido que o XGBoost, especialmente relevante em análises de grande escala.

IA como ferramenta estratégica frente às mudanças climáticas

A tecnologia chega em um momento crítico: o café é uma das culturas mais ameaçadas pelas mudanças climáticas, com redução de áreas aptas ao plantio na América Latina, África e Ásia.

Segundo Gustavo Bayma, analista da Embrapa Meio Ambiente (SP), a metodologia permite mapear a dinâmica do ciclo do café e orientar políticas de adaptação climática, garantindo rastreabilidade para mercados internacionais e apoiando diretamente os produtores, especialmente os de pequenas propriedades antes invisíveis aos mapeamentos convencionais.

O sistema escalável e acessível promete fortalecer a governança agrícola no Brasil, ampliar o acesso a crédito e seguros, apoiar políticas de adaptação às mudanças climáticas e aumentar a confiança de consumidores e mercados internacionais na rastreabilidade do café brasileiro.

Fonte: Portal do Agronegócio