Uso de séries temporais densas Sentinel-2/MSI e algoritmos de aprendizado de máquinas para melhorar o monitoramento agrícola no bioma Cerrado

• Processo: 21/07382-2
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Vigência (Início): 01 de janeiro de 2022
• Vigência (Término): 31 de dezembro de 2023
• Área do conhecimento: Ciências Exatas e da Terra - Geociências
• Pesquisador responsável: Ieda Del'Arco Sanches
• Beneficiário: Michel Eustáquio Dantas Chaves
• Instituição Sede: Instituto Nacional de Pesquisas Espaciais (INPE). Ministério da Ciência, Tecnologia e Inovações (Brasil). São José dos Campos , SP, Brasil
• Assunto(s): Sensoriamento remoto Análise de séries temporais Algoritmos Aprendizado computacional Monitoramento Produção agrícola Segurança alimentar Uso do solo Cerrado
• Palavra(s)-Chave do Pesquisador: Cubos de dados de observação da Terra | detecção de mudanças | Índices de vegetação | Mapeamento de uso e cobertura da terra | Monitoramento da vegetação | Sensoriamento Remoto Agricola | Sensoriamento Remoto

Resumo

Dotado de recursos naturais e produção agrícola ímpares, o bioma Cerrado é estratégico para o Brasil. Contudo, a dicotomia entre conservar e produzir suscita preocupações associadas a mudanças no uso e cobertura da terra. A produção agrícola é intensa, sobretudo, no MATOPIBA, realidade geográfica territorial rica em características edafoclimáticas e tecnologia para alta produtividade. Porém, enquanto área e volumes de produção e exportação crescem, a perda de biodiversidade intensifica mudanças climáticas e gera consequências econômicas. Com mudanças no perfil de consumo global, menos tolerante a produtos oriundos de áreas desmatadas ilegalmente, sem certificação ambiental, exportações brasileiras têm sofrido ameaças de boicote no mercado internacional. O setor agrícola tem sido considerado vilão do desmatamento e precisa monitorar e rastrear a cadeia produtiva. Informações precisas sobre uso e cobertura da terra subsidiam tais práticas, bem como a implementação de políticas voltadas a mudanças climáticas, segurança alimentar e dinâmica agrícola, entre outros. Porém, resolver isso ainda é um desafio. Por escassez de dados ou por modelos desconexos da realidade do campo, análises precisas ocorrem só no pós-colheita, inibindo a detecção detalhada e atualizada de mudanças. Esta proposta visa desenvolver um método para melhorar o mapeamento agrícola no Cerrado a partir de aprendizado de máquinas e análise de séries temporais derivadas de analysis-ready data compostos por dados da missão Sentinel-2/MultiSpectral Instrument, sensíveis a variações sutis na vegetação, em arquitetura de cubo de dados multidimensionais em espaço, tempo e propriedades. Espera-se propor um sistema de monitoramento agrícola within-season (dentro da safra) e gerar informações precisas em nível de culturas e fitofisionomias de vegetação natural. (AU)