Um estudo desenvolvido por pesquisadores da Unesp, em parceria com o Instituto Nacional de Pesquisas Espaciais (INPE), a Companhia Nacional de Abastecimento (Conab) e a Universidade de Michigan, resultou na criação de um método inovador para detectar, de forma rápida, automática e precisa, os danos provocados por geadas em lavouras de milho. A ferramenta combina dados de sensoriamento remoto com modelos matemáticos e algoritmos de aprendizado de máquina, permitindo também estimar com maior exatidão a área ocupada pela cultura.
Segundo os autores, a tecnologia tem potencial para agilizar a atuação do poder público na revisão das estimativas de safra antes mesmo da colheita, contribuindo para o monitoramento da oferta e dos preços do grão. O método também pode apoiar empresas de seguro rural na avaliação de perdas e auxiliar produtores na tomada de decisões após eventos climáticos extremos, como as geadas.
Safrinha se consolida como diferencial da agricultura brasileira
Notícias Relacionadas
As geadas historicamente representam um risco relevante para a produção agrícola, sobretudo quando atingem a segunda safra, cujo calendário frequentemente avança sobre os meses mais frios do ano. Conhecida como “safrinha”, essa etapa produtiva deixou de ter caráter marginal nas últimas duas décadas e passou a ocupar papel central na agricultura brasileira, impulsionada por avanços tecnológicos, cultivares mais tolerantes ao frio e melhorias no manejo do solo.
Dados do projeto MapBiomas, divulgados em dezembro, indicam que a área plantada fora da safra principal triplicou desde o ano 2000, com forte concentração no milho, responsável por 62,2% da produção da safrinha em 2024. O Paraná figura entre os principais produtores dessa segunda safra, especialmente em áreas cultivadas após a soja, o que motivou a escolha da mesorregião Oeste Paranaense como área de teste do novo método, por ser frequentemente impactada por geadas.
Os resultados do trabalho foram publicados na revista científica Remote Sensing Applications: Society and Environment e, segundo os pesquisadores, representam o primeiro estudo a mapear os impactos de geadas no milho com base em imagens de satélite. A estimativa obtida apontou uma área de 740.007 hectares de milho de segunda safra na região analisada, número 1,7% superior aos dados oficiais, evidenciando o alto nível de precisão da ferramenta.
Geadas de 2020/2021 serviram de base para validação
A pesquisa utilizou como referência a safra 2020/2021, marcada por dois episódios severos de geada, em maio e junho, que afetaram significativamente as lavouras do Oeste do Paraná. Naquele ciclo, um período prolongado de seca atrasou o plantio da soja, empurrando o cultivo do milho da segunda safra para fevereiro e expondo a cultura às temperaturas mais baixas do inverno.
De acordo com as estimativas obtidas pelo método, 69,6% da área total plantada com milho foi impactada pelas geadas, sendo 3,5% no primeiro evento, em maio, e 66,1% na ocorrência mais intensa, em junho. Cerca de 30,4% da área não sofreu danos, seja porque já havia sido colhida ou porque não foi atingida pelo fenômeno.
Quando comparados a dados de seguradoras agrícolas, baseados em vistorias de campo e sinistros diretamente associados às geadas, os resultados do estudo apresentaram concordância de 75% no episódio mais severo, reforçando a confiabilidade da metodologia.
Tecnologia pode antecipar decisões ainda durante a safra
Para Michel Eustáquio Dantas Chaves, professor da Unesp e primeiro autor do artigo, o objetivo central é permitir a identificação de problemas ainda durante o ciclo da cultura. Segundo ele, mesmo uma redução de 1% nas incertezas das estimativas oficiais já representaria um ganho relevante para o planejamento agrícola e para a economia, considerando o peso da agricultura na balança comercial e no mercado interno.
Atualmente, a avaliação de danos por geadas depende majoritariamente de levantamentos de campo, que demandam tempo, recursos financeiros e estão sujeitos a maior grau de subjetividade. A nova ferramenta utiliza imagens do satélite Sentinel-2, com resolução entre 10 e 20 metros, associadas ao algoritmo Random Forest, permitindo análises frequentes, já que o satélite revisita a mesma área a cada cinco dias.
Além de identificar áreas afetadas, o modelo incorpora diferentes índices de vegetação e dados climatológicos, o que possibilita diferenciar danos causados por adversidades térmicas daqueles decorrentes de pragas ou falhas de manejo. Segundo os pesquisadores, a metodologia pode ser expandida para outras culturas sensíveis ao frio, como trigo, centeio e aveia, e aplicada em diferentes regiões do país.
O avanço, na avaliação dos autores, aponta para um futuro em que o sensoriamento remoto e a inteligência artificial terão papel cada vez mais estratégico na agricultura, tanto no monitoramento da produção quanto na prevenção de perdas associadas a eventos climáticos extremos.
Referência: UNESP
