{"id":5303,"date":"2025-10-28T17:04:21","date_gmt":"2025-10-28T20:04:21","guid":{"rendered":"https:\/\/www.semear-digital.cnptia.embrapa.br\/?p=5303"},"modified":"2026-02-20T12:34:58","modified_gmt":"2026-02-20T15:34:58","slug":"sensoriamento-remoto-com-ia-mapeia-pequenos-cafezais-com-elevada-precisao","status":"publish","type":"post","link":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/noticia\/10\/2025\/sensoriamento-remoto-com-ia-mapeia-pequenos-cafezais-com-elevada-precisao\/","title":{"rendered":"Sensoriamento remoto com IA mapeia pequenos cafezais com elevada precis\u00e3o"},"content":{"rendered":"<div class=\"texto-noticia\">\n<table border=\"0\" cellspacing=\"1\" cellpadding=\"15\" align=\"right\">\n<tbody>\n<tr>\n<td>\n<ul class=\"lista-com-marcador\">\n<li style=\"text-align: left;\"><em>M\u00e9todo in\u00e9dito n\u00e3o s\u00f3 identifica cultura como diferencia quatro est\u00e1gios produtivos de lavouras de caf\u00e9.<\/em><\/li>\n<li style=\"text-align: left;\"><em>T\u00e9cnica com uso combinado de algoritmos de aprendizagem de m\u00e1quina e imagens mistas de dois sat\u00e9lites teve precis\u00e3o de mais de 95% na identifica\u00e7\u00e3o de \u00e1reas de caf\u00e9.<\/em><\/li>\n<li style=\"text-align: left;\"><em>Diferencia\u00e7\u00e3o de lavoura em produ\u00e7\u00e3o, em forma\u00e7\u00e3o ou com manejos de poda e recepa teve precis\u00e3o de 77% a 95%.<\/em><\/li>\n<li style=\"text-align: left;\"><em>Metodologia baseada em dados p\u00fablicos de sat\u00e9lite e ferramentas de c\u00f3digo aberto pode ser aplicada em outras regi\u00f5es produtoras no Brasil.<\/em><\/li>\n<li style=\"text-align: left;\"><em>Dados do monitoramento auxiliam gest\u00e3o operacional e mercadol\u00f3gica da cafeicultura em regi\u00f5es com pequenas propriedades.<\/em><\/li>\n<\/ul>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Pesquisadores desenvolveram um m\u00e9todo in\u00e9dito para mapear planta\u00e7\u00f5es de caf\u00e9 via sensoriamento remoto com sensibilidade e especificidade sem precedentes. A t\u00e9cnica alcan\u00e7ou mais de 95% de precis\u00e3o ao combinar s\u00e9ries temporais de imagens do programa Harmonized Landsat Sentinel-2 (HLS) com algoritmos de intelig\u00eancia artificial, como Random Forest e XGBoost.<\/p>\n<p>Al\u00e9m de identificar as \u00e1reas com lavoura de caf\u00e9, o estudo conseguiu distinguir quatro est\u00e1gios fenol\u00f3gicos da cultura \u2014 plantio, produ\u00e7\u00e3o, poda e renova\u00e7\u00e3o \u2014 com acur\u00e1cia entre 77% e 95%, mesmo em \u00e1reas altamente fragmentadas e dominadas por pequenas propriedades. A t\u00e9cnica \u00e9 escal\u00e1vel e pode ser aplicada em qualquer regi\u00e3o com cafeicultura. Isso abre caminho para pol\u00edticas p\u00fablicas, acesso a cr\u00e9dito rural e pr\u00e1ticas de adapta\u00e7\u00e3o clim\u00e1tica em regi\u00f5es produtoras.<\/p>\n<figure style=\"width: 436px\" class=\"wp-caption alignright\"><a href=\"https:\/\/www.embrapa.br\/documents\/10180\/97848192\/251028_SensoriamentoRemotoCafezais_Taya_Parreiras.jpg\/18327bc3-4dca-0601-5577-330027a049cb?t=1761592658809\" target=\"_blank\" rel=\"noopener\"><img fetchpriority=\"high\" decoding=\"async\" class=\"\" src=\"https:\/\/www.embrapa.br\/documents\/10180\/97848192\/251028_SensoriamentoRemotoCafezais_Taya_Parreiras.jpg\/18327bc3-4dca-0601-5577-330027a049cb?t=1761592658809\" alt=\"\" width=\"436\" height=\"311\" \/><\/a><figcaption class=\"wp-caption-text\">Foto:\u00a0Taya Parreiras.<\/figcaption><\/figure>\n<p>\u201cO grande desafio para o sensoriamento remoto \u00e9 mapear com maior detalhamento e precis\u00e3o essas regi\u00f5es que s\u00e3o altamente produtivas, por\u00e9m, com perfil de pequena e m\u00e9dia escala produtiva. Mapeamentos de larga escala, normalmente, deixam as menores \u00e1reas invis\u00edveis,\u201d explica o pesquisador da <a href=\"http:\/\/www.embrapa.br\/agricultura-digital\" target=\"_blank\" rel=\"noopener\">Embrapa Agricultura Digital<\/a> (SP) <a href=\"https:\/\/www.embrapa.br\/equipe\/-\/empregado\/303668\/edson-luis-bolfe\" target=\"_blank\" rel=\"noopener\">\u00c9dson Bolfe<\/a>. \u201cCom o uso de algoritmos de intelig\u00eancia artificial como esse, \u00e9 poss\u00edvel fazer a identifica\u00e7\u00e3o dessas \u00e1reas e dar maior precis\u00e3o aos mapeamentos por meio imagens de sat\u00e9lite, permitindo compreender melhor as din\u00e2micas regionais associadas a expans\u00e3o, intensifica\u00e7\u00e3o e diversifica\u00e7\u00e3o agr\u00edcola,\u201d conta Bolfe ao frisar que essas tecnologias digitais avan\u00e7adas auxiliam a tomada de decis\u00e3o dos setores p\u00fablico e privado.<\/p>\n<p>O trabalho foi realizado mapeando o munic\u00edpio de Caconde (SP), um dos Distritos Agrotecnol\u00f3gicos do projeto <a href=\"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/\" target=\"_blank\" rel=\"noopener\">Semear Digital<\/a> (<strong>ver quadro no fim da mat\u00e9ria<\/strong>). A demanda surgiu do pr\u00f3prio setor produtivo, que sentia a falta de dados mais precisos sobre a \u00e1rea ocupada pela cafeicultura local e os seus diferentes est\u00e1gios fenol\u00f3gicos.<\/p>\n<p>\u201cTemos o n\u00famero de propriedades e o de cafeicultores cadastrados na Receita Federal. Por\u00e9m, a \u00e1rea [das planta\u00e7\u00f5es] era um dado que a gente nunca teve de forma efetiva. Fica muito no achismo\u201d, \u00a0declara o presidente do Sindicato Rural de Caconde, Ademar Pereira. \u201cAgora temos uma refer\u00eancia importante para trabalhar pleiteando pol\u00edticas p\u00fablicas, nortear programas de capacita\u00e7\u00e3o e identificar as \u00e1reas de renova\u00e7\u00e3o do cafezal e de ado\u00e7\u00e3o de pr\u00e1ticas mais modernas de manejo, como o esqueletamento\u201d, avalia o sindicalista.<\/p>\n<p>&nbsp;<\/p>\n<table border=\"0\" cellspacing=\"1\" cellpadding=\"15\" align=\"center\">\n<tbody>\n<tr>\n<td>\n<h3><strong>Como funciona o m\u00e9todo<\/strong><\/h3>\n<p>A pesquisa usou uma s\u00e9rie temporal densa de bandas multiespectrais, \u00edndices espectrais e m\u00e9tricas de textura derivadas de imagens combinadas dos sat\u00e9lites Landsat e Sentinel-2 (HLS). A frequ\u00eancia de imagens aproximada foi de tr\u00eas dias. Os dados foram analisados por algoritmos de intelig\u00eancia artificial como Random Forest e XGBoost.<\/p>\n<p>Um sistema hier\u00e1rquico de classifica\u00e7\u00e3o foi utilizado, trabalhando-se em quatro n\u00edveis. O primeiro separou a vegeta\u00e7\u00e3o nativa das \u00e1reas agr\u00edcolas. O segundo n\u00edvel fez a separa\u00e7\u00e3o entre culturas perenes, culturas anuais e pastagens. O terceiro n\u00edvel diferenciou os cafezais de plantios de eucalipto. J\u00e1 o quarto n\u00edvel fez a classifica\u00e7\u00e3o dos cafezais entre \u00e1reas de forma\u00e7\u00e3o (at\u00e9 tr\u00eas anos de plantio), \u00e1reas em produ\u00e7\u00e3o, \u00e1reas com poda de esqueletamento e lavouras em renova\u00e7\u00e3o por meio da recepa (poda na base da planta).<\/p>\n<p>&nbsp;<\/p>\n<p><a href=\"https:\/\/www.embrapa.br\/documents\/10180\/97848192\/251028_SensoriamentoRemotoCafezais_Embrapa_mapa.jpg\/cbb9097a-cb32-f1f1-6c79-ef71ea2199a6?t=1761591521172\" target=\"_blank\" rel=\"noopener\"><img decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.embrapa.br\/documents\/10180\/97848192\/251028_SensoriamentoRemotoCafezais_Embrapa_mapa.jpg\/cbb9097a-cb32-f1f1-6c79-ef71ea2199a6?t=1761591521172\" alt=\"\" \/><\/a><\/p>\n<p>Nos tr\u00eas primeiros n\u00edveis, a precis\u00e3o ultrapassou 96%. No quarto n\u00edvel, com aumento da complexidade, a acur\u00e1cia caiu para a m\u00e9dia de 83%, mas ainda manteve um bom desempenho, sobretudo em classes como produ\u00e7\u00e3o, com 94%. A poda de renova\u00e7\u00e3o foi a categoria que teve a menor precis\u00e3o, com 78%.<\/p>\n<p>\u201cDo ponto de vista das imagens de sat\u00e9lite, a cafeicultura em fase de produ\u00e7\u00e3o se assemelha a certos cultivos de frut\u00edferas, como os citros. E quando est\u00e1 rec\u00e9m-plantado, se confunde com \u00e1reas de pastagens\u201d, explica a doutoranda da Universidade Estadual de Campinas (<a href=\"http:\/\/www.unicamp.br\/\" target=\"_blank\" rel=\"noopener\">Unicamp<\/a>) e bolsista do projeto Semear Digital Taya Parreiras.<\/p>\n<p>A pesquisa revelou que \u00edndices como NDVI, GNDVI, NDWI e SAVI s\u00e3o os mais eficazes para caracterizar o caf\u00e9, sobretudo na esta\u00e7\u00e3o chuvosa, quando ocorrem transi\u00e7\u00f5es fenol\u00f3gicas cr\u00edticas. A banda verde do HLS foi particularmente importante, respondendo sozinha por quase 40% da classifica\u00e7\u00e3o no N\u00edvel 2. M\u00e9tricas de textura GLCM e dados de temperatura de superf\u00edcie (LST) tamb\u00e9m ajudaram a refinar os resultados, especialmente na diferencia\u00e7\u00e3o de cafezais produtivos e esqueletizados.<\/p>\n<p>Embora a precis\u00e3o obtida com uso dos sistemas de intelig\u00eancia artificial Random Forest e XGBoost tenham sido semelhantes, o Random Forest se mostrou mais eficaz no processamento dos dados, sendo at\u00e9 15 vezes mais r\u00e1pido do que o XGBoost. De acordo com os autores do estudo, essa diferen\u00e7a \u00e9 contorn\u00e1vel em uma an\u00e1lise menor, de um munic\u00edpio, por exemplo, mas \u00e9 muito representativa para trabalhos com uma extens\u00e3o territorial maior.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>&nbsp;<\/p>\n<figure style=\"width: 393px\" class=\"wp-caption alignleft\"><a href=\"https:\/\/www.embrapa.br\/documents\/10180\/97848192\/251028_SensoriamentoRemotoCafezais_Taya_Parreiras_vertical.jpg\/92309014-4715-c510-1282-32efdb9348ab?t=1761592190266\" target=\"_blank\" rel=\"noopener\"><img decoding=\"async\" class=\"\" src=\"https:\/\/www.embrapa.br\/documents\/10180\/97848192\/251028_SensoriamentoRemotoCafezais_Taya_Parreiras_vertical.jpg\/92309014-4715-c510-1282-32efdb9348ab?t=1761592190266\" alt=\"\" width=\"393\" height=\"697\" \/><\/a><figcaption class=\"wp-caption-text\">Foto: Taya Parreiras<\/figcaption><\/figure>\n<h3><strong>Ajudando o caf\u00e9 nas mudan\u00e7as clim\u00e1ticas<\/strong><\/h3>\n<p>O avan\u00e7o tecnol\u00f3gico chega em um momento estrat\u00e9gico: o caf\u00e9 \u00e9 uma das culturas mais amea\u00e7adas pelas mudan\u00e7as clim\u00e1ticas, que devem reduzir \u00e1reas adequadas de plantio na Am\u00e9rica Latina, \u00c1frica e \u00c1sia.<\/p>\n<p>\u201cEm um cen\u00e1rio de mudan\u00e7as clim\u00e1ticas, em que a precis\u00e3o na gest\u00e3o da cafeicultura se torna cr\u00edtica para a sustentabilidade e competitividade, essa metodologia contribui para colocar o Brasil na vanguarda do monitoramento agr\u00edcola digital. Ela permite n\u00e3o apenas mapear, mas entender a din\u00e2mica do ciclo do caf\u00e9, oferecendo um instrumento robusto para orientar pol\u00edticas de adapta\u00e7\u00e3o, garantir rastreabilidade para o mercado internacional e, principalmente, apoiar diretamente o produtor na tomada de decis\u00e3o, especialmente na pequena propriedade que antes era praticamente invis\u00edvel nos mapeamentos convencionais\u201d, observa o analista da <a href=\"http:\/\/www.embrapa.br\/meio-ambiente\" target=\"_blank\" rel=\"noopener\">Embrapa Meio Ambiente<\/a> (SP) <a href=\"https:\/\/www.embrapa.br\/equipe\/-\/empregado\/350917\/gustavo-bayma-siqueira-da-silva\" target=\"_blank\" rel=\"noopener\">Gustavo Bayma<\/a>.<\/p>\n<p>Os desenvolvedores preveem que, ao fornecer uma ferramenta escal\u00e1vel, transparente e acess\u00edvel, o novo sistema ser\u00e1 capaz de fortalecer a governan\u00e7a agr\u00edcola no Brasil; ampliar o acesso de produtores a cr\u00e9dito e seguros; apoiar pol\u00edticas de adapta\u00e7\u00e3o \u00e0s mudan\u00e7as clim\u00e1ticas, al\u00e9m de garantir maior confian\u00e7a de consumidores e mercados internacionais na rastreabilidade da produ\u00e7\u00e3o.<\/p>\n<h3><strong>Pr\u00f3ximos passos<\/strong><\/h3>\n<p>Todos os mapas desenvolvidos e dados gerados est\u00e3o dispon\u00edveis no Reposit\u00f3rio de Dados de Pesquisa da Embrapa (<a href=\"https:\/\/doi.org\/10.48432\/4HRRJQ\" target=\"_blank\" rel=\"noopener\">Redape<\/a>) para acesso gratuito.<\/p>\n<p>Os pesquisadores planejam expandir os testes para s\u00e9ries plurianuais e melhorar a precis\u00e3o em classes menos representadas, como a renova\u00e7\u00e3o.<\/p>\n<p>\u201cEstamos desenvolvendo alguns modelos para fazer a delimita\u00e7\u00e3o dos talh\u00f5es, pois, observou-se que houve uma confus\u00e3o na separa\u00e7\u00e3o de carreadores, estradas de terra e mata. A ideia \u00e9 usar um modelo de aprendizado profundo para fazer delimita\u00e7\u00e3o exata das parcelas com o uso de imagens de alta resolu\u00e7\u00e3o\u201d, explica Taya Parreiras.<\/p>\n<p>O objetivo \u00e9 que o sistema se torne uma ferramenta operacional para \u00f3rg\u00e3os p\u00fablicos, cooperativas, sindicatos e produtores, permitindo que o Brasil mantenha sua posi\u00e7\u00e3o de lideran\u00e7a mundial no mercado de caf\u00e9, ao mesmo tempo em que fortalece a sustentabilidade do setor.<\/p>\n<p>&nbsp;<\/p>\n<table border=\"0\" cellspacing=\"1\" cellpadding=\"15\" align=\"center\">\n<tbody>\n<tr>\n<td>\n<h3 style=\"text-align: left;\"><strong>Resultados publicados<\/strong><\/h3>\n<p style=\"text-align: left;\">Os resultados da pesquisa foram publicados na revista cient\u00edfica Remote Sensing. O artigo\u00a0<a href=\"https:\/\/www.mdpi.com\/2072-4292\/17\/18\/3168\" target=\"_blank\" rel=\"noopener\">Dense Time Series of Harmonized Landsat Sentinel-2 and Ensemble Machine Learning to Map Coffee Production Stages pode ser acessado gratuitamente aqui<\/a>.<\/p>\n<p style=\"text-align: left;\">Al\u00e9m da equipe da Embrapa e da Unicamp, o trabalho contou com participa\u00e7\u00e3o de pesquisadores da Administra\u00e7\u00e3o Nacional Aeron\u00e1utica e Espacial dos EUA (<a href=\"http:\/\/www.nasa.gov\/\" target=\"_blank\" rel=\"noopener\">Nasa<\/a>) e da Universidade Estadual da Para\u00edba (<a href=\"https:\/\/uepb.edu.br\/\" target=\"_blank\" rel=\"noopener\">UEPB<\/a>).<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>&nbsp;<\/p>\n<table border=\"0\" cellspacing=\"1\" cellpadding=\"15\" align=\"center\">\n<tbody>\n<tr>\n<td>\n<h3 style=\"text-align: left;\"><strong>O projeto Semear Digital<\/strong><\/h3>\n<p style=\"text-align: left;\">O mapeamento via sensoriamento remoto dos cafezais de Caconde (SP) faz parte das a\u00e7\u00f5es do Centro de Ci\u00eancia para o Desenvolvimento em Agricultura Digital, mais conhecido como\u00a0<a href=\"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/\" target=\"_blank\" rel=\"noopener\">Semear Digital<\/a>. Coordenada pela Embrapa Agricultura Digital e financiada pela Funda\u00e7\u00e3o de Amparo \u00e0 Pesquisa do Estado de S\u00e3o Paulo (<a href=\"http:\/\/www.fapesp.br\/\" target=\"_blank\" rel=\"noopener\">Fapesp<\/a>), a iniciativa visa levar tecnologias digitais e solu\u00e7\u00f5es de conectividade para pequenos e m\u00e9dios produtores rurais.<\/p>\n<p style=\"text-align: left;\">O projeto estabeleceu dez Distritos Agrotecnol\u00f3gicos (DATs) em diferentes regi\u00f5es do Pa\u00eds, entre eles, o munic\u00edpio de Caconde. Em cada local, uma equipe multidisciplinar da Embrapa e de institui\u00e7\u00f5es associadas fez um diagn\u00f3stico e est\u00e1 desenvolvendo a\u00e7\u00f5es de pesquisa e transfer\u00eancia de tecnologia espec\u00edficas para atender \u00e0s necessidades locais.<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>&nbsp;<\/p>\n<\/div>\n<div class=\"unidade\">\n<p class=\"autor\"><span class=\"autor negrito\">Gabriel Faria <\/span> <span class=\"codigo negrito\">(MTb 15.624\/MG)<\/span><br \/>\n<span class=\"unidade\">Embrapa Agricultura Digital<\/span><\/p>\n<p><span class=\"label\">Contatos para a imprensa<\/span><br \/>\n<span class=\"email\">agricultura-digital.imprensa@embrapa.br<\/span><\/p>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>M\u00e9todo in\u00e9dito n\u00e3o s\u00f3 identifica cultura como diferencia quatro est\u00e1gios produtivos de lavouras de caf\u00e9. T\u00e9cnica com uso combinado de algoritmos de aprendizagem de m\u00e1quina e imagens mistas de dois sat\u00e9lites teve precis\u00e3o de mais de 95% na identifica\u00e7\u00e3o de \u00e1reas de caf\u00e9. Diferencia\u00e7\u00e3o de lavoura em produ\u00e7\u00e3o, em forma\u00e7\u00e3o ou com manejos de poda [&hellip;]<\/p>","protected":false},"author":10,"featured_media":5305,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[66,87,90],"tags":[103,108,123,122,121],"class_list":["post-5303","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-agricultura","category-dat","category-dat-caconde","tag-agricultura-digital","tag-cafe","tag-ia","tag-inteligencia-artificial","tag-sensoriamento-remoto"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/posts\/5303","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/users\/10"}],"replies":[{"embeddable":true,"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/comments?post=5303"}],"version-history":[{"count":8,"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/posts\/5303\/revisions"}],"predecessor-version":[{"id":5892,"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/posts\/5303\/revisions\/5892"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/media\/5305"}],"wp:attachment":[{"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/media?parent=5303"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/categories?post=5303"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.semear-digital.cnptia.embrapa.br\/en\/wp-json\/wp\/v2\/tags?post=5303"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}