Embrapa Meio Ambiente – 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.
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.