Novo método usa satélites e inteligência artificial para mapear danos de geadas em plantações

Pesquisadores da Unesp, em parceria com o Instituto Nacional de Pesquisas Espaciais (INPE), a Companhia Nacional de Abastecimento (Conab) e a Universidade de Michigan, desenvolveram uma ferramenta capaz de identificar, de forma rápida e precisa, os danos causados por geadas em lavouras de milho. O método combina imagens de satélite e modelos matemáticos para detectar automaticamente as áreas afetadas e estimar a extensão das plantações.

A tecnologia pode trazer ganhos importantes para o poder público, ao permitir ajustes mais ágeis nas estimativas de safra antes da colheita, além de contribuir para o monitoramento da oferta e dos preços do grão. O sistema também tem potencial para apoiar empresas de seguro rural e auxiliar produtores na tomada de decisões após eventos climáticos extremos.

As geadas são especialmente prejudiciais à chamada segunda safra, ou “safrinha”, cultivada em períodos mais frios do ano. Nas últimas duas décadas, esse tipo de cultivo deixou de ter papel marginal e se tornou estratégico para a agricultura brasileira, impulsionado por avanços tecnológicos, cultivares mais resistentes e melhorias no manejo do solo. Dados do MapBiomas mostram que a área plantada fora da época tradicional triplicou desde 2000, com o milho respondendo por mais de 60% da produção da safrinha em 2024.

O novo método foi testado no Oeste do Paraná, uma das regiões mais afetadas por geadas e um dos principais polos de produção de milho de segunda safra do país. Usando dados da safra 2020/2021, marcada por episódios severos de geada em maio e junho, os pesquisadores estimaram que 69,6% da área plantada foi impactada, principalmente durante o evento mais intenso registrado em junho. A estimativa de área cultivada apresentou diferença de apenas 1,7% em relação aos dados oficiais, indicando alta precisão da ferramenta.

Para chegar aos resultados, a equipe utilizou imagens do satélite europeu Sentinel-2, combinadas com um algoritmo de aprendizado de máquina conhecido como Random Forest. A análise considerou índices de vegetação, dados climáticos e informações sobre o uso do solo, o que permitiu diferenciar danos causados por geada de outros fatores, como seca ou manejo inadequado.

Segundo os pesquisadores, a principal vantagem do método é a possibilidade de identificar problemas ainda durante o ciclo da safra, sem depender exclusivamente de levantamentos de campo, que são mais caros, demorados e sujeitos a subjetividades. A expectativa é que a tecnologia possa ser aplicada também a outras culturas sensíveis ao frio, como trigo, aveia e centeio, além de contribuir para o avanço do sensoriamento remoto voltado à agricultura e à prevenção de desastres climáticos.