Os mapas de culturas ajudam os cientistas e os decisores políticos a monitorizar o abastecimento global de alimentos e a estimar como poderão mudar com as alterações climáticas e o crescimento populacional. Mas a obtenção de mapas precisos dos tipos de culturas cultivadas de exploração agrícola para exploração agrícola exige muitas vezes pesquisas no terreno que apenas um punhado de países tem recursos para manter.

Agora, os engenheiros do MIT desenvolveram um método para rotular e mapear os tipos de culturas de forma rápida e precisa, sem exigir avaliações pessoais de cada fazenda. O método da equipe usa uma combinação de imagens do Google Street View, aprendizado de máquina e dados de satélite para determinar automaticamente as culturas cultivadas em uma região, de uma fração de acre a outra. 

Os investigadores utilizaram a técnica para gerar automaticamente o primeiro mapa nacional de culturas da Tailândia – um país de pequenos agricultores onde pequenas explorações agrícolas independentes constituem a forma predominante de agricultura. A equipa criou um mapa de fronteira a fronteira das quatro principais culturas da Tailândia – arroz, mandioca, cana-de-açúcar e milho – e determinou qual dos quatro tipos era cultivado, a cada 10 metros, e sem lacunas, em todo o país. O mapa resultante alcançou uma precisão de 93 por cento, o que os investigadores dizem ser comparável aos esforços de mapeamento no terreno em países de elevado rendimento e grandes explorações agrícolas.

A equipa está a aplicar a sua técnica de mapeamento a outros países, como a Índia, onde as pequenas explorações agrícolas sustentam a maior parte da população, mas o tipo de culturas cultivadas de exploração agrícola para exploração tem sido historicamente mal registado.

“É uma lacuna antiga no conhecimento sobre o que é cultivado em todo o mundo”, diz Sherrie Wang, professora assistente de desenvolvimento de carreira d'Arbeloff no Departamento de Engenharia Mecânica do MIT e no Instituto de Dados, Sistemas e Sociedade (IDSS). “O objetivo final é compreender os resultados agrícolas, como o rendimento, e como cultivar de forma mais sustentável. Uma das principais etapas preliminares é mapear o que está sendo cultivado – quanto mais granularmente você mapear, mais perguntas poderá responder.”

Wang, junto com o estudante de graduação do MIT Jordi Laguarta Soler e Thomas Friedel da empresa agtech PEAT GmbH, apresentará um artigo detalhando seu método de mapeamento no final deste mês na Conferência AAAI sobre Inteligência Artificial.

As pequenas explorações agrícolas são frequentemente geridas por uma única família ou agricultor, que subsiste das culturas e do gado que criam. Estima-se que as pequenas explorações agrícolas apoiem dois terços da população rural mundial e produzam 80% dos alimentos mundiais. Manter o controle sobre o que é cultivado e onde é essencial para rastrear e prever o abastecimento de alimentos em todo o mundo. Mas a maioria destas pequenas explorações agrícolas situa-se em países de rendimento baixo a médio, onde poucos recursos são dedicados ao acompanhamento dos tipos de culturas e rendimentos de cada exploração agrícola.

Os esforços de mapeamento das culturas são realizados principalmente em regiões de elevado rendimento, como os Estados Unidos e a Europa, onde as agências agrícolas governamentais supervisionam os inquéritos às culturas e enviam avaliadores às explorações agrícolas para rotular as culturas de campo para campo. Esses rótulos de “verdade básica” são então inseridos em modelos de aprendizado de máquina que fazem conexões entre os rótulos básicos de culturas reais e sinais de satélite dos mesmos campos. Eles então rotulam e mapeiam áreas mais amplas de terras agrícolas que os avaliadores não cobrem, mas que os satélites fazem automaticamente.

“O que falta nos países de rendimento baixo e médio é esta etiqueta de base que podemos associar aos sinais de satélite”, diz Laguarta Soler. “Obter essas verdades básicas para treinar um modelo tem sido limitado na maior parte do mundo.”

A equipe percebeu que, embora muitos países em desenvolvimento não tenham recursos para manter pesquisas sobre colheitas, eles poderiam potencialmente usar outra fonte de dados terrestres: imagens de beira de estrada, capturadas por serviços como Google Street View e Mapillary, que enviam carros por toda uma região para tire imagens contínuas de 360 graus com câmeras de painel e câmeras de teto.

Nos últimos anos, esses serviços conseguiram aceder a países de baixo e médio rendimento. Embora o objetivo destes serviços não seja especificamente capturar imagens de culturas, a equipa do MIT percebeu que poderia pesquisar as imagens à beira da estrada para identificar as culturas.

No seu novo estudo, os investigadores trabalharam com imagens do Google Street View (GSV) tiradas em toda a Tailândia – um país que o serviço obteve recentemente imagens bastante completas e que consiste predominantemente em pequenas explorações agrícolas.

Começando com mais de 200.000 imagens GSV amostradas aleatoriamente em toda a Tailândia, a equipe filtrou imagens que representavam edifícios, árvores e vegetação em geral. Cerca de 81.000 imagens eram relacionadas a culturas. Reservaram 2.000 destes, que enviaram a um agrónomo, que determinou e rotulou cada tipo de cultura a olho nu. Eles então treinaram uma rede neural convolucional para gerar automaticamente rótulos de corte para as outras 79.000 imagens, usando vários métodos de treinamento, incluindo iNaturalist – um banco de dados de biodiversidade de crowdsourcing baseado na web, e GPT-4V, um “modelo multimodal de linguagem grande” que permite ao usuário para inserir uma imagem e pedir ao modelo para identificar o que a imagem está representando. Para cada uma das 81 mil imagens, o modelo gerou um rótulo de uma das quatro culturas que a imagem provavelmente representava – arroz, milho, cana-de-açúcar ou mandioca.

Os pesquisadores então emparelharam cada imagem rotulada com os dados de satélite correspondentes obtidos no mesmo local durante uma única estação de cultivo. Esses dados de satélite incluem medições em vários comprimentos de onda, como o verde de um local e sua refletividade (que pode ser um sinal de água). 

“Cada tipo de cultura tem uma certa assinatura nessas diferentes faixas, que muda ao longo da estação de cultivo”, observa Laguarta Soler.

A equipe treinou um segundo modelo para fazer associações entre os dados de satélite de um local e o rótulo da cultura correspondente. Eles então usaram esse modelo para processar dados de satélite obtidos do resto do país, onde os rótulos das culturas não foram gerados ou disponíveis. A partir das associações que o modelo aprendeu, atribuiu rótulos às culturas em toda a Tailândia, gerando um mapa nacional de tipos de culturas, com uma resolução de 10 metros quadrados.

Este primeiro mapa de colheita do tipo incluía locais correspondentes às 2.000 imagens GSV que os pesquisadores originalmente reservaram, que foram rotuladas pelos arboristas. Essas imagens rotuladas por humanos foram usadas para validar os rótulos do mapa e, quando a equipe verificou se os rótulos do mapa correspondiam aos rótulos especializados, “padrão ouro”, isso ocorreu em 93% das vezes.

“Nos EUA, também estamos buscando mais de 90% de precisão, enquanto em trabalhos anteriores na Índia, vimos apenas 75% porque os rótulos de base são limitados”, diz Wang. “Agora podemos criar essas etiquetas de forma barata e automatizada.”

Os pesquisadores estão se movendo para mapear plantações em toda a Índia, onde imagens de estradas via Google Street View e outros serviços foram recentemente disponibilizadas.

“Existem mais de 150 milhões de pequenos agricultores na Índia”, diz Wang. “A Índia é coberta por agricultura, fazendas quase completas, mas fazendas muito pequenas, e historicamente tem sido muito difícil criar mapas da Índia porque há rótulos de base muito esparsos.”

A equipa está a trabalhar para gerar mapas de culturas na Índia, que poderão ser usados para informar políticas relacionadas com a avaliação e o aumento dos rendimentos, à medida que as temperaturas globais e as populações aumentam.

“O que seria interessante seria criar esses mapas ao longo do tempo”, diz Wang. “Então poderíamos começar a ver tendências e podemos tentar relacionar essas coisas com qualquer coisa como mudanças climáticas e políticas.”