Pequenas lavouras no Senegal apareceram no mapa sem exigir uma nova pesquisa de campo a cada ano
Inteligência artificial de Cambridge identifica culturas agrícolas com até 84% de acerto e reduz a necessidade de levantamentos presenciais anuais
Uma inteligência artificial desenvolvida pela Universidade de Cambridge conseguiu identificar culturas agrícolas no Senegal com até 84% de acerto, utilizando imagens de satélite e poucos dados de treinamento. Chamada Tessera, a ferramenta demonstrou capacidade de produzir mapas agrícolas em diferentes anos sem exigir novas pesquisas de campo anuais.
Como a Tessera conseguiu mapear pequenas lavouras no Senegal?
Na região conhecida como Bacia do Amendoim, no Senegal, milhares de agricultores cultivam pequenas propriedades dependentes das chuvas. Identificar o que cresce em cada terreno é importante para acompanhar a produção de alimentos, avaliar riscos climáticos e orientar políticas de segurança alimentar.
Entretanto, o levantamento dessas informações exige visitas a comunidades rurais, equipes especializadas e recursos financeiros. A Tessera oferece uma alternativa baseada em observações espaciais, permitindo reconhecer padrões agrícolas mesmo quando existem poucos registros coletados diretamente nas propriedades.
O que os testes da Tessera revelaram sobre a identificação das plantações?
Os pesquisadores analisaram imagens referentes a 2018, 2019 e 2021, comparando a ferramenta com métodos convencionais e o AlphaEarth, desenvolvido pelo Google DeepMind. Em testes representativos, a Tessera classificou corretamente 84% das culturas, utilizando menos recursos computacionais e dados previamente identificados.
O resultado mais importante apareceu quando o algoritmo recebeu treinamento com informações de determinado ano e precisou classificar plantações de outro período. Em uma dessas comparações, alcançou desempenho relativo 28% superior ao segundo melhor método, demonstrando maior capacidade de transferência temporal.
Os principais resultados foram:
- Identificação correta de culturas em 84% dos testes representativos;
- Avaliação de imagens referentes a três anos distintos;
- Desempenho relativo 28% superior em uma comparação temporal;
- Redução de 78% no processamento computacional em relação a um método convencional;
- Menor dependência de levantamentos presenciais repetidos.
Como a Tessera reconhece plantações usando imagens de satélite?
O sistema analisa sequências de imagens captadas durante aproximadamente um ano. Para cada área de dez metros de resolução, transforma informações sobre vegetação e mudanças sazonais em uma representação numérica compacta, chamada embedding.
Essas representações preservam padrões associados ao desenvolvimento das culturas. Com alguns exemplos identificados, um classificador consegue distinguir plantações como amendoim, milheto, sorgo e arroz. O processo reduz a necessidade de criar manualmente dezenas de indicadores específicos para cada cultura agrícola.
Como os pesquisadores avaliaram a precisão do mapeamento agrícola?
O estudo publicado na revista Environmental Research: Food Systems, em setembro de 2026, foi conduzido por Madeline Lisaius, Srinivasan Keshav, Andrew Blake e Clement Atzberger. A investigação reuniu conhecimentos de inteligência artificial, sensoriamento remoto e agricultura.
A equipe comparou precisão, transferência entre anos e acessibilidade computacional. Para verificar os resultados, utilizou informações agrícolas de referência e repetiu classificações com diferentes configurações. O objetivo era descobrir qual método continuava funcionando quando os dados disponíveis não correspondiam ao mesmo período utilizado no treinamento.
Quais vantagens diferenciam a Tessera de outros sistemas agrícolas?
Métodos tradicionais frequentemente precisam processar longas séries temporais e desenvolver indicadores específicos de vegetação. A Tessera utiliza representações previamente calculadas, diminuindo a quantidade de operações necessárias e simplificando sua aplicação por instituições com infraestrutura limitada.
O AlphaEarth também utiliza representações geoespaciais avançadas, mas seu modelo subjacente não é público. A arquitetura aberta da Tessera favorece a reutilização por pesquisadores e organizações que precisam adaptar sistemas de monitoramento às condições locais.
| Indicador avaliado | Resultado da Tessera |
|---|---|
| Classificação agrícola | Até 84% de acerto |
| Transferência temporal | 28% de vantagem relativa em um teste |
| Processamento | 78% menos computação na comparação |
| Resolução espacial | Dez metros |
Como a Tessera poderá melhorar a segurança alimentar em regiões vulneráveis?
Mapas agrícolas atualizados podem ajudar governos e organizações humanitárias a identificar mudanças no uso da terra, acompanhar cultivos e direcionar assistência em períodos de seca. No Senegal, onde muitas famílias dependem da agricultura de pequena escala, essas informações podem contribuir para decisões mais rápidas.
Entretanto, a ferramenta não elimina completamente a necessidade de observações presenciais. Os pesquisadores identificaram queda de precisão entre alguns anos e não avaliaram adequadamente lavouras com múltiplas culturas simultâneas. Novos testes serão necessários para verificar seu desempenho em outras regiões agrícolas africanas.
Os comentários não representam a opinião do site; a responsabilidade pelo conteúdo postado é do autor da mensagem.
Comentários (0)