Nova pesquisa avalia uso de modelos geoespaciais para analisar séries temporais de imagens de satélite e mapear áreas de integração Lavoura-Pecuária-Floresta.

O mapeamento de sistemas integrados de produção agropecuária, como a Integração Lavoura-Pecuária-Floresta (ILPF), é um desafio constante para a agricultura digital. As características dinâmicas dessas áreas, que combinam diferentes usos da terra em um mesmo espaço ao longo do tempo, dificultam a aplicação de métodos tradicionais de classificação baseados em sensoriamento remoto.

“Por definição, os sistemas integrados envolvem múltiplas práticas ocorrendo em um mesmo local, seja em sucessão, rotação ou consórcio, o que torna difícil determinar exatamente o que está acontecendo em cada pixel de sensoriamento remoto”, explica Antonio Goulart, da ESALQ/USP e pesquisador do projeto Semear Digital. Além disso, a escassa documentação sobre os locais onde essas práticas são realizadas limita significativamente a quantidade de dados de referência disponíveis para modelagem.

Para enfrentar essa complexidade, pesquisadores da ESALQ/USP e da Embrapa testaram uma nova abordagem baseada no uso de modelos fundacionais geoespaciais (GeoFMs), um tipo avançado de inteligência artificial desenvolvido para interpretar grandes volumes de imagens de satélite. Esses modelos são pré-treinados a partir de quantidades imensas de dados globais e transformam imagens em representações numéricas, chamadas de “embeddings”. Este processo possibilita análises mais flexíveis e menos dependentes de conjuntos de dados rotulados, que são os dados previamente analisados que servem de base para o aprendizado das inteligências artificiais, normalmente mais difíceis de encontrar. O trabalho foi apresentado em Brisbane (Austrália), no início de agosto, durante o Simpósio Internacional de Geociências e Sensoriamento Remoto (IGARSS-IEEE).

“Os modelos fundacionais passam por um pré-treinamento que não se concentra em uma tarefa final, mas sim em aprender, de forma geral, padrões da distribuição estatística dos dados de um domínio específico. Assim se abre a possibilidade de utilizar um modelo fundacional como uma etapa de pré-processamento considerando novos dados (geração de embeddings), e realizar um treinamento efetivo mesmo com poucos rótulos, uma vez que características úteis para a modelagem já foram aprendidas previamente”, explica Goulart.

O estudo utilizou imagens do satélite Sentinel-2 e o modelo Clay para gerar séries temporais de embeddings, que foram convertidos em “trajetórias” capazes de refletir a evolução das paisagens ao longo do tempo. Os resultados indicaram padrões distintos entre as áreas que  integram Lavoura-Pecuária-Floresta e outras categorias de uso da terra, como lavouras convencionais, pastagens sem integração e florestas isoladas. Embora ainda não seja suficiente para classificação automática com alta precisão, a técnica demonstra potencial para compor futuros sistemas de monitoramento em larga escala desses sistemas integrados.

Segundo Goulart, a tecnologia é importante para a geração de mapas que apoiam a inteligência territorial e direcionam investimentos aos sistemas integrados, considerando seu potencial de sustentabilidade e retorno financeiro. “Quando sistemas eficientes de identificação, mapeamento e monitoramento de ILPF estiverem consolidados, espera-se que o poder público se sinta mais motivado a desenvolver políticas que incentivem a adoção dessas práticas, fortalecendo, assim, iniciativas como o Plano ABC+ [Plano Setorial para Adaptação à Mudança do Clima e Baixa Emissão de Carbono na Agropecuária, com vistas ao Desenvolvimento Sustentável (2020-2030)]”, afirma.

Segundo os autores, os próximos passos envolvem o desenvolvimento de classificadores especializados baseados nesses padrões, abrindo caminho para aprimorar o mapeamento e o acompanhamento de práticas sustentáveis, em alinhamento com as metas de baixo carbono na agricultura.

A pesquisa contou com apoio da FAPESP no âmbito do projeto Semear Digital, que busca integrar tecnologias digitais para fortalecer a agricultura de baixo carbono e promover a inovação no campo.

O estudo “GeoFM Embedding Trajectories for Crop-Livestock-Forest Time Series”, de autoria de Antonio José Homsi Goulart (ESALQ/USP), Matheus Papa (Embrapa Agricultura Digital), Gustavo Bayma (Embrapa Meio Ambiente), Ivan Bergier (Embrapa Agricultura Digital), Sandra Furlan Nogueira (Embrapa Meio Ambiente) e Durval Dourado Neto (ESALQ/USP), foi apresentado como artigo completo no início de agosto durante o The International Geoscience and Remote Sensing Symposium (IGARSS), principal conferência da IEEE Geoscience and Remote Sensing Society (GRSS). Em sua 45ª edição, o evento ocorreu entre os dias 3 e 8 de agosto de 2025, na cidade de Brisbane, Austrália, reunindo especialistas do mundo todo para discutir avanços em sensoriamento remoto e geociências.