Processamento de imagens espectrais e aprendizado profundo para a identificação de cultivos de arroz

Resumo

O monitoramento preciso dos ciclos agrícolas é essencial para garantir a segurança alimentar e otimizar a gestão dos recursos hídricos em regiões produtoras de cereais. Esta pesquisa aborda o desafio da classificação automatizada da cobertura vegetal por meio do desenvolvimento e da validação de um modelo avançado de identificação de cultivos de arroz baseado em aprendizado profundo e no processamento de imagens de satélite multiespectrais. A metodologia empregou uma arquitetura de rede neural convolucional do tipo U-Net, otimizada para a segmentação semântica de dados geoespaciais obtidos pela missão Sentinel-2. Foram processados tensores de entrada compostos por quatro bandas espectrais estratégicas, permitindo que a rede gerasse máscaras binárias de alta precisão associadas exclusivamente às áreas de produção de arroz. O estudo incluiu uma etapa comparativa na qual diferentes configurações de hiperparâmetros foram avaliadas para determinar a arquitetura com maior capacidade de convergência. Os resultados experimentais demonstraram desempenho excepcional do modelo durante a fase de treinamento, alcançando uma acurácia de 92,3%. Além disso, a robustez da segmentação foi validada por meio da métrica Intersection over Union (IoU), com valor de 86%, e por um coeficiente Dice de 89%, resultados que superam os limiares convencionais para a identificação de culturas agrícolas complexas. Conclui-se que a integração de arquiteturas U-Net com dados multiespectrais de livre acesso constitui uma ferramenta técnica viável e escalável para o sensoriamento remoto aplicado à agricultura de precisão. Esses achados sustentam a proposta do modelo desenvolvido como uma solução eficiente para o inventário de cultivos em larga escala, fornecendo suporte à tomada de decisões governamentais e à previsão de rendimento agrícola em ambientes sujeitos à variabilidade climática.