Caracterização e monitoramento de lavouras de cana-de-açúcar no Estado de São Paulo via imagens de satélite

• Processo: 24/16515-4
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de fevereiro de 2025
• Data de Término da vigência: 31 de dezembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Geociências
• Pesquisador responsável: Michel Eustáquio Dantas Chaves
• Beneficiário: Gustavo Henrique Vieira Barros
• Instituição Sede: Faculdade de Ciências e Engenharia. Universidade Estadual Paulista (UNESP). Campus de Tupã. Tupã , SP, Brasil
• Assunto(s): Monitoramento agrícola Sensoriamento remoto
• Palavra(s)-Chave do Pesquisador: Caracterização espectral | Cubos de dados de observação da Terra | índices espectrais | Mapeamento de uso e cobertura da terra | Monitoramento agrícola | Sensoriamento Remoto Agricola | Sensoriamento Remoto

Resumo

Estimativas de produção agrícola baseadas em entrevistas e questionários aplicados a produtores rurais causam incertezas que comprometem a segurança alimentar. Logo, aprimorar a precisão destas estimativas é essencial. Técnicas de sensoriamento remoto, por exemplo, permitem acompanhar o desenvolvimento fenológico de culturas agrícolas via imagens de satélite. Atualmente, acervos de imagens de missões espaciais, como a Landsat, da National Aeronautics and Space Administration (NASA), podem ser acessados gratuitamente, permitindo monitorar diferentes alvos, desde que sejam aplicadas chaves de interpretação relacionadas à identificação de cada alvo a partir de características inerentes, como formato, espectralidade e ciclo fenológico - no caso de culturas agrícolas. Esta proposta visa integrar séries temporais de imagens Landsat 8/Operational Land Imager (OLI), dados de campo e de calendários agrícolas e o algoritmo de Machine Learning Random Forest para identificar lavouras de cana-de-açúcar no Estado de São Paulo, maior produtor no Brasil. Para tal, será usada uma cadeia de processamento desenvolvida em linguagem Java, na plataforma de computação em nuvem Google Earth Engine (GEE), que permite tal integração, a coleta de amostras representativas de classes de uso e cobertura da terra e a geração de mapas. Serão avaliadas as safras 2020/2021, 2021/2022 e 2022/2023. Busca-se gerar bancos de amostras para esta cultura, um método de classificação mais assertivo e mapas referentes às três safras, o que se alinha aos Objetivos de Desenvolvimento Sustentável (ODS) 2, 7, 12, 13 e 15, intitulados de "Fome Zero e Agricultura Sustentável", "Consumo e Produção Responsáveis", "Combate às Alterações Climáticas" e "Vida na Terra", respectivamente.