Machine learning aplicado ao monitoramento agrícola: estudo de caso no cultivo de milho em Luís Eduardo Magalhães (BA)

Abstract

A expansão agrícola e a diversificação de culturas evidenciam que o sensoriamento remoto aplicado à agricultura necessita de otimizações nos processos de mapeamento das áreas cultivadas. Este trabalho teve como objetivo avaliar a capacidade preditiva de nove algoritmos de classificação supervisionada para a estimativa da área de milho cultivada no município de Luís Eduardo Magalhães (BA), durante a primeira safra do ano agrícola 2024/2025. Foram utilizadas imagens do satélite Sentinel-2 em duas composições: uma composição simples contendo as 3 bandas: infravermelho próximo (B8), infravermelho de ondas curtas (B11) e vermelho (B4); e outra composta por um stack raster formado por 9 bandas: infravermelho próximo (B8), infravermelho de ondas curtas (B11), vermelho (B4), aerossol (B1), azul (B2), verde (B3) e Red Edge (B5, B6 e B7). Os algoritmos foram aplicados a imagens correspondentes a diferentes períodos fenológicos da cultura: fase de desenvolvimento pleno e final do ciclo (senescência), permitindo verificar a capacidade dos modelos em distinguir a cultura do milho a partir de uma única imagem, cenário comum em regiões com limitações de cobertura temporal. Três métricas foram utilizadas para avaliação do desempenho: o índice Kappa, a variação das áreas estimadas em relação ao mapeamento manual e uma avaliação qualitativa e participativa realizada por pesquisadores e profissionais da área. Os modelos testados apresentaram diferentes valores de Kappa, níveis de preenchimento, ruído e ocorrência de falsos positivos, cada um com suas particularidades. No entanto, o modelo que apresentou o melhor desempenho em relação às métricas propostas foi o Gaussian Mixture Model (GMM), alcançando um índice Kappa de 0,859 na composição simples e 0,928 no stack raster. Além disso, apresentou baixa variação em relação à área do mapeamento manual e obteve as melhores avaliações na análise participativa, indicando que, na percepção dos intérpretes, o GMM pode ser utilizado como um assistente de pré-mapeamento (nas etapas de interpretação e vetorização inicial), contribuindo para a otimização do tempo de trabalho dos analistas humanos. Este estudo trouxe insights relevantes para o setor agrícola, evidenciando que a combinação de diferentes modelos de machine learning constitui uma abordagem promissora, uma vez que alguns algoritmos se destacam na delimitação e preenchimento das áreas, enquanto outros são mais eficientes na interpretação e refinamento dos resultados.

The agricultural expansion and diversification of crops highlight the need for optimized approaches in remote sensing applied to agriculture, particularly in mapping cultivated areas. This study aimed to evaluate the predictive capacity of nine supervised classification algorithms for estimating maize crop area in the municipality of Luís Eduardo Magalhães (BA) during the first harvest of the 2024/2025 agricultural year. Sentinel-2 satellite images were used in two compositions: a simple composition containing 3 bands: near-infrared (B8), shortwave infrared (B11), and red (B4); and a second composition consisting of a raster stack with 9 bands : near-infrared (B8), shortwave infrared (B11), red (B4), aerosol (B1), blue (B2), green (B3), and Red Edge (B5, B6, and B7).The algorithms were applied to images corresponding to different phenological stages of the crop, full development and the end of the cycle (senescence), enabling the assessment of each model’s ability to distinguish maize using a single image, a common scenario in regions with limited temporal coverage. Three metrics were used to evaluate performance: the Kappa index, the variation of estimated areas compared to manual mapping, and a qualitative and participatory assessment conducted by researchers and professionals in the field.The tested models presented different Kappa values, levels of area completeness, noise, and false positives, each with its own characteristics. However, the model that showed the best performance according to the proposed metrics was the Gaussian Mixture Model (GMM), achieving a Kappa index of 0.859 in the simple composition and 0.928 in the raster stack. Additionally, it exhibited low variation relative to the manually mapped area and received the highest scores in the participatory evaluation, indicating that, from the interpreters’ perspective, GMM can be used as a pre-mapping assistant (in interpretation and initial vectorization stages), helping optimize analysts’ working time.This study provides relevant insights for the agricultural sector, demonstrating that combining different machine learning models is a promising approach. While some algorithms excel in delineating and filling crop areas, others are more effective in interpretation and refinement of results, reinforcing the value of hybrid and complementary modeling strategies.