Sensoriamento remoto quantifica evapotranspiração na cana-de-açúcar com mais detalhamento

05-05-2023

A modernização dos recursos computacionais e a aplicação de algoritmos de inteligência artificial têm proporcionado avanços nos estudos de evapotranspiração de culturas por sensoriamento remoto. Pesquisadores da Universidade Federal de Viçosa, Embrapa e Universidade do Nebraska – Lincoln (EUA), utilizaram dados do sensor multiespectral MSI, embarcado na constelação de satélites Sentinel-2, associados a algoritmos de aprendizado de máquina, na tentativa de estimar a evapotranspiração de lavouras de cana-de-açúcar irrigados por pivô central na região norte do estado de Minas Gerais. Os algoritmos desenvolvidos foram capazes de estimar a evapotranspiração da cultura de forma mais simples do que o método de referência METRIC – Mapeamento de Evapotranspiração de Alta Resolução com Calibração Internalizada. 

Evapotranspiração atual (ETa) da cana-de-açúcar a partir do Sentinel-2 com 20 metros de resolução espacial e aprendizado de máquina

Conforme Robson Argolo, da Universidade Federal de Viçosa, os resultados desta pesquisa representam um avanço na utilização do sensoriamento remoto para o manejo da irrigação, o qual ainda é um desafio devido à complexidade e à resolução temporal ao utilizar uma única plataforma. “Dessa forma, explica Argolo, a utilização da inteligência artificial com dados de diversas plataformas de sensoriamento remoto permite quantificar a evapotranspiração na cana-de-açúcar em uma escala temporal superior, adquirindo assim um maior número de informações sobre a evapotranspiração nessa cultura”. 

Além disso, ele menciona que este estudo é parte de mais dois em desenvolvimento. Os outros dois representam mais avanços, sendo um deles a utilização de sensoriamentos remotos com aprendizado de máquina para quantificar a evapotranspiração na cana sem a necessidade de uma estação meteorológica em campo, enquanto o outro tem a mesma finalidade, porém utiliza dados de sensoriamento remoto por radar que possuem a capacidade de atravessar nuvens e interagir com alvos na superfície terrestre, o que não é possível com sensoriamentos remotos ópticos  - Sentinel, Landsat, MODIS, entre outros.

Vinicius Bufon, pesquisador da Embrapa Meio Ambiente, explica que o objetivo foi desenvolver modelos mais simplificados de estimativa de evapotranspiração por sensoriamento remoto, mas com capacidade de predição e confiabilidade aceitáveis. Tais algoritmos, baseados em inteligência artificial, possuem uma estrutura robusta que permite a identificação de padrões de relacionamento entre as variáveis a serem modeladas e as chamadas variáveis preditoras (independentes). Aprendizado de máquina é uma área interdisciplinar baseada em ciência da computação, estatística, matemática e otimização, entre várias outras áreas. 

A evapotranspiração é a principal medida do uso de água pelas culturas agrícolas e vegetação nativa. Além de ser referência da saúde das plantas, seu vigor e potencial produtivo, permite realizar o balanço hídrico – uma contabilidade das entradas e saídas de água do ambiente onde estão as plantas. Através do balanço hídrico, compreende-se o nível de satisfação hídrica das plantas, inclusive no contexto das mudanças climáticas.

Além do sensor MSI, embarcado na missão satelital Sentinel-2, mediante calibrações específicas, a metodologia também pode ser aplicada para outros sensores, embarcados em outros satélites, como forma ampliar a fonte de informação e ampliar a resolução espacial e temporal das estimativas de evapotranspiração. Apesar de extensa, a metodologia é de fácil aplicação e as imagens dos satélites podem ser acessadas gratuitamente. 

Métodos alternativos de conhecimento da evapotranspiração, de acordo com os pesquisadores, apresentam desafios. A medição direta da evapotranspiração por lisímetro, é bastante confiável, mas onerosa e não possibilita cobertura de área na escala que as imagens satelitais permitem. Métodos de fluxo de energia e massa demandam instrumentação meteorológica de custo elevado e apresentam o mesmo desafio da cobertura e representação de grandes áreas – problema da resolução espacial.

Por si só, a análise das imagens multiespectrais oriundas de sensores satelitais como o Sentinel, Landsat, dentre outros, já permitem estimativa aplicando modelos como METRIC, SEBAL, entre outros. Contudo, a combinação do sensoriamenteo remoto com a aplicação de modelos de inteligência artificial e aprendizado de máquina ofertam a possibilidade de aprimoramento das estimativas da evapotranspiração de forma ainda mais simplificada, podendo integrar as múltiplas plataformas, ou seja, não usar apenas Sentinel ou Landsat, mas sim ambos com adição de outros satélites para compor a multiplataforma.

O trabalho completo de Robson Argolo, Everardo Mantovani, Elpídio Inácio Fernandes-Filho, Roberto Filgueiras, Rodrigo Lourenço, Universidade Federal de Viçosa (UFV), Vinícius Bufon, Embrapa Meio Ambiente e Christopher Neale, Universidade de Nebraska, EUA, está disponível aqui. 

Cristina Tordin (MTB 28499)
Embrapa Meio Ambiente