O satélite como agrônomo: o que cinco anos de imagens de Habiganj ensinam — e o que ainda não provam — sobre prever a safra por aprendizado de máquina

Tema: Inteligência Artificial em Geoprocessamento e Análise Espacial

Em fevereiro, quando o trigo de Habiganj chega ao pico da colheita, um satélite Landsat-8 cruza o céu do distrito e registra a mesma paisagem que o agricultor vê do chão — só que em bandas espectrais que nenhum olho humano enxerga. Foi essa cena, repetida estação após estação, que seis pesquisadores da Brac University, em Daca, transformaram em um pipeline de análise agrícola apresentado na ICECE 2020, conferência do IEEE [1]. O título promete bastante: análise agrícola e previsão de produtividade a partir de bandas multiespectrais e aprendizado de máquina. A leitura das quatro páginas do artigo (páginas 21 a 24 dos anais), porém, revela algo mais modesto e, talvez, mais útil — um experimento comparativo de ferramentas: K-means contra Mask R-CNN, Python contra Matlab, ARIMA contra LSTM [1]. A contribuição real não é prever a safra em toneladas, mas mostrar qual combinação de software e algoritmo chega mais perto de uma referência de geoprocessamento. A tese deste resumo é direta: o valor do trabalho está na transparência das comparações, não nos números de acurácia que ele exibe.

Habiganj: encostas férteis, rios e um calendário de risco

Bangladesh é descrito no artigo como país predominantemente agrícola, com parcela extensa da população empregada no setor, mas com produtividade incerta e infraestrutura rural ineficiente comprometendo a segurança alimentar [1]. Habiganj entra como recorte por um motivo específico: o relevo. Áreas de colina com terra fértil e rios tornam o distrito um lugar ideal para cultivo, ao mesmo tempo em que a mesma geografia o expõe a enchentes, seca, salinidade e degradação de terras aráveis — combinação que, segundo os autores, torna difícil manter o rendimento agrícola [1]. A justificativa é ambiental, não estatística: não há no texto um levantamento em hectares, nem a lista completa das culturas acompanhadas. As únicas duas safras nomeadas aparecem de passagem, quando o artigo explica por que escolheu fevereiro e junho como meses de imageamento — fevereiro é pico de colheita do trigo e junho é mês de colheita do arroz [1]. É pouco para sustentar a ambição do título, mas é o suficiente para ancorar a análise em um calendário agrícola real.

Os dados: cinco ou seis anos, índices espectrais e duas fontes externas

O insumo central são imagens multiespectrais do Landsat-8, empilhadas por um processo de image stacking a partir do qual se extraem índices ligados a crescimento e produtividade: umidade do solo, clorofila, NDVI (índice de vegetação por diferença normalizada) e NDSI (índice de diferença normalizada de sal) [1]. A esses dados de sensoriamento remoto somam-se duas fontes externas — a taxa de precipitação, obtida no NASA Giovanni, e a produção agrícola, retirada do site do Bangladesh Bureau of Statistics, o órgão oficial de estatística do país [1]. Há uma inconsistência temporal no texto que merece registro: o resumo afirma que os conjuntos de dados vão de 2014 a 2019, enquanto a seção de mapeamento da vegetação diz que o dataset usado vai de 2015 a 2019 [1]. Nenhuma das duas versões é justificada. Também não há menção ao tratamento de nuvens, à resolução espacial efetiva das cenas ou ao número de imagens processadas — omissões relevantes em sensoriamento remoto óptico, onde cobertura de nuvens é o primeiro obstáculo prático de qualquer série temporal.

Mapear a vegetação: quando o algoritmo mais rápido perde a disputa

A primeira decisão metodológica é uma disputa entre dois segmentadores. O Mask R-CNN, rede de aprendizado profundo, detecta vegetação automaticamente e é mais rápido, mas nos recortes de Habiganj apresentou acurácia muito baixa: falhou em áreas pequenas e não uniformes, incorporou pixels de outras categorias de vegetação e respondeu mal a mudanças novas de NDVI [1]. O K-means, algoritmo de agrupamento, mostrou-se mais eficaz porque cobre áreas minúsculas e se adapta à maior parte das variações do índice — com uma ressalva que os próprios autores admitem: o número de agrupamentos precisa ser determinado manualmente e afeta o resultado [1]. O K-means venceu e foi aplicado à série de imagens de fevereiro (trigo) e junho (arroz), com uma figura comparando fevereiro de 2016 e junho de 2019 [1]. Sobre esse mapa de vegetação saudável, o artigo aplica um modelo LSTM para prever áreas verdes futuras, rotulando fevereiro, junho e novembro como primavera, verão e outono para gerar previsões sazonais voltadas à tomada de decisão agrícola [1]. É uma escolha elegante de comunicação — traduzir um índice em estações —, mas sem validação de campo o mapa permanece uma hipótese visual, não uma medição.

Salinidade: o índice que separa o solo produtivo do solo perdido

A salinidade aparece no artigo como fator central de perda de produtividade do solo [1]. Usando o NDSI extraído das mesmas bandas multiespectrais, os autores classificam a imagem de Habiganj em três faixas — alta, moderada e baixa salinidade — e destacam as áreas de alta concentração como aquelas que exigem vigilância prioritária [1]. O resultado é um mapa de criticidade, não uma série temporal: o texto não informa quantos hectares foram classificados em cada faixa, nem apresenta os limiares numéricos que separam uma classe da outra [1]. Essa ausência importa porque classificação sem limiar declarado não é replicável — outro pesquisador não consegue reproduzir a mesma divisão a partir do texto. Ainda assim, a lógica é defensável: cruzar vegetação saudável com pressão salina permite apontar onde a produtividade tende a cair antes que a queda apareça na estatística oficial de produção.

Previsão de produtividade: duas regressões e uma tabela confusa

Para prever produtividade, o artigo usa Python como plataforma principal e compara dois algoritmos de aprendizado de máquina: regressão linear e regressão por floresta aleatória (random forest) [1]. A conclusão é que a floresta aleatória funciona melhor. A Tabela I traz os números: regressão linear com MAE de 92,92%, MSE de 93,49% e RMSE de 93,49%; floresta aleatória com 94,86%, 95,87% e 95,87% [1]. A Tabela IV, na seção de estudos comparativos, repete exatamente os mesmos valores [1]. Aqui é preciso ser franco como o artigo não foi: MAE, MSE e RMSE são medidas de erro na unidade da variável-alvo, não percentuais de acerto. Apresentá-las como porcentagens embaralha a leitura, e o fato de MSE e RMSE coincidirem sugere erros de 0 ou 1 na escala usada — algo improvável em produção agrícola real. Além disso, o texto nunca informa a produtividade prevista em valores absolutos, nem o horizonte temporal da previsão [1]. O que se entrega é uma métrica de ajuste, não uma safra estimada.

Previsão das séries: ARIMA suave, LSTM errático

O passo seguinte é prever os próprios parâmetros, sob a premissa de que dados melhores geram previsões melhores [1]. Dois modelos de séries temporais entram em cena: ARIMA e LSTM. A Tabela II projeta umidade do solo e NDVI de 2018 a 2022 [1]. O ARIMA produz trajetórias suaves — umidade entre 0,14286133 e 0,14925229; NDVI entre 0,21629542 e 0,25629563. O LSTM oscila de forma acentuada no NDVI: 0,24577 em 2018, 0,16906 em 2019, 0,28431 em 2020, 0,26601 em 2021, 0,17207 em 2022 [1]. A Tabela V confirma o padrão por RMSE: ARIMA vence em NDVI (0,0505166 contra 0,07765), precipitação (3,9415 contra 9,9684), clorofila (0,0577 contra 0,43656), área de produção (21440,056 contra 53160,1444) e produção agrícola (137203,738 contra 292609,54); o LSTM só ganha em umidade do solo (0,0027428 contra 0,0055797) [1]. Cinco vitórias em seis. Vale notar que a tabela inclui 2018 e 2019, anos que estão dentro da janela observada, sem esclarecer se são valores ajustados ou previsões fora da amostra — ambiguidade que enfraquece a comparação.

Python x Matlab: o empate que o texto não admite

A mesma segmentação por K-means foi executada em Matlab e em Python, com três clusters (vegetação máxima, moderada e mínima), usando a classificação por máxima verossimilhança do ArcGIS como modelo de verificação [1]. No plano qualitativo, o Python apresenta áreas mais refinadas e o Matlab, áreas mais fundidas, com possível sobreposição de clusters [1]. No plano quantitativo, a Tabela III dá o RMSE contra o ArcGIS: vegetação alta 127,73 no Matlab e 10,738 no Python; moderada 200,295 e 139,512; baixa 40,670 e 121,559 [1]. O Python vence com folga nas duas primeiras faixas e perde feio na terceira. O artigo conclui que o Python é plataforma adequada porque seus resultados ficam "muito próximos" do ArcGIS [1] — o que é verdade para vegetação alta, mas não para a baixa. A leitura correta é mais nuançada: nas faixas moderada e baixa, o Matlab registra mais área de vegetação que o Python, o que, segundo os próprios autores, pode indicar sobreposição de clusters no Matlab ou cobertura insuficiente no Python [1] — o RMSE sozinho não diz qual dos dois erra para mais ou para menos. Nenhum dos dois é universalmente melhor, e a escolha depende do alvo de interesse.

Limitações

Trata-se de um artigo de conferência, de quatro páginas, e isso explica parte das lacunas. A série de 2015 a 2019 (ou 2014 a 2019) é curta para qualquer modelo de série temporal, sobretudo o LSTM, que costuma exigir mais dados que o ARIMA para não oscilar. Não há descrição de divisão entre treino e teste, nem de validação cruzada [1]. A validação de campo está ausente: os autores comparam algoritmos entre si e contra o ArcGIS, mas não contra safras medidas em pé. A escolha do K-means em detrimento do Mask R-CNN apoia-se em avaliação qualitativa de imagens [1]. E a inconsistência entre as datas de início da série permanece sem correção no texto [1]. São fragilidades reais, e boa parte delas só aparece porque o artigo publica as tabelas que permitem identificá-las.

Por que isso importa

A despeito dos problemas, o artigo demonstra algo valioso para países de renda baixa: é possível montar um sistema de monitoramento agrícola a partir de imagens do Landsat-8, dados de precipitação do NASA Giovanni e estatística oficial de produção [1]. O ganho não é precisão de laboratório, é frequência: segundo os autores, esse tipo de análise permite acompanhar a dinâmica do crescimento das culturas e identificar sinais precoces de queda de produtividade [1]. Para Habiganj, com seu histórico de enchentes e salinização, essa antecedência tem valor prático. O trabalho também deixa um legado metodológico: ao comparar plataformas e modelos em vez de simplesmente adotar o mais badalado, os autores mostram que o LSTM não é automaticamente superior ao ARIMA em séries curtas, e que o Mask R-CNN não foi superior ao K-means nas imagens de Habiganj [1].

Conclusão

O artigo de Shahrin, Zahin, Rahman, Hossain, Kafi e Azad não entrega um previsor de safra pronto para uso — entrega um mapa de decisões técnicas, com acertos e tropeços visíveis. A tese que este resumo defendeu se confirma: o valor está nas comparações, não nos percentuais de acurácia. Os autores apontam, de forma genérica, espaço para melhorar a acurácia com algoritmos, modelos e dados aprimorados [1]; a leitura das lacunas sugere três direções concretas: estender a série temporal para além de cinco ou seis anos, validar os mapas contra medições de campo e relatar a produtividade prevista em unidades agronômicas, não apenas em métricas de erro. Há ainda uma oportunidade evidente: as previsões para 2020 a 2022 já podem hoje ser confrontadas com os dados observados. Enquanto isso, o pipeline permanece barato e transparente em suas comparações.

A Quântica.ia desenvolve soluções de IA para geoprocessamento e análise de imagens de satélite — saiba mais em https://quanticaia.com.br/solucoes/

Referências

[1] Fariha Shahrin, Labiba Zahin, Ramisa Rahman, ASM Jahir Hossain, Abdulla Hil Kafi, A.K.M. Abdul Malek Azad. Agricultural Analysis and Crop Yield Prediction of Ha

biganj using Multispectral Bands of Satellite Imagery with Machine Learning. 2020 11th International Conference on Electrical and Computer Engineering (ICECE), IEEE, 2020 — https://doi.org/10.1109/ICECE51571.2020.9393066

Fale com a Eliza
E

Eliza

Agente assistente