Detecção de sistemas agrícolas diversificados com imagens de alta resolução e deep learning

• Processo: 25/01750-0
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de abril de 2025
• Data de Término da vigência: 31 de março de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Geociências - Geografia Física
• Pesquisador responsável: Édson Luis Bolfe
• Beneficiário: Victória Beatriz Soares Leandro
• Instituição Sede: Embrapa Agricultura Digital. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Ministério da Agricultura, Pecuária e Abastecimento (Brasil). Campinas , SP, Brasil
• Vinculado ao auxílio: 22/09319-9 - Centro de Ciência para o Desenvolvimento em Agricultura Digital - CCD-AD/SemeAr, AP.CCD
• Assunto(s): Desenvolvimento rural Sensoriamento remoto
• Palavra(s)-Chave do Pesquisador: Desenvolvimento rural | Imagens de Satélite | Sensoriamento remoto

Resumo

A produção agrícola brasileira, caracterizada pela monocultura extensiva e pelo uso intensivo da terra, tem agravado questões sociais, econômicas e ambientais nas últimas décadas. Nesse contexto, os sistemas agrícolas diversificados surgem como uma alternativa sustentável, integrando culturas agrícolas, espécies arbóreas lenhosas e/ou criações animais de forma planejada. Esses sistemas oferecem benefícios como maior diversificação produtiva, incremento na geração de renda, conservação do solo e da água e fortalecimento da participação das comunidades locais. A aplicação de técnicas de Deep Learning, um subcampo do Machine Learning, tem se expandido como uma abordagem promissora para o monitoramento e mapeamento automatizado de áreas de produção diversificada. Este projeto tem como objetivo o desenvolvimento de uma metodologia baseada em sensoriamento remoto e algoritmos de Deep Learning para a identificação e análise dessas áreas. O estudo possui como possíveis áreas de atuação os Distritos Agrotecnológicos (DATs) definidos pelo Centro de Ciência para o Desenvolvimento em Agricultura Digital (CCD-AD SemeAr Digital), abrangendo os Jacupiranga (SP), Breves (PA), Guia Lopes da Laguna (MS) e Boa Vista do Tupim (BA). A metodologia proposta será estruturada em três etapas principais: aquisição e processamento de imagens de sensores remotos para extração de informações espaciais, coleta e estruturação de bancos de dados amostrais associando dados de campo e imagens georreferenciadas, e análises estatísticas e modelagem computacional baseada em Deep Learning para classificação e monitoramento das áreas produtivas. Este estudo de mestrado busca contribuir para a tomada de decisão dos pequenos e médios produtores vinculados ao projeto SemeAr Digital, fornecendo uma ferramenta automatizada para o mapeamento e monitoramento de sistemas agrícolas diversificados. Os resultados obtidos poderão subsidiar iniciativas de políticas públicas voltadas à sustentabilidade agrícola e à inovação tecnológica no setor rural.