Avaliando os danos na colheita de arroz com imagens de satélite

O arroz é um alimento básico para milhões de pessoas em Bangladesh. Infelizmente, desastres naturais como ondas de calor podem acabar destruindo as lavouras de arroz. Este estudo tem o objetivo de encontrar maneiras de detectar danos nos campos de arroz usando Imagens de Satélite.

#Por que Este Estudo é Importante

Quando um desastre acontece, é essencial saber onde ocorreram os danos. Isso ajuda a tomar ações para apoiar os agricultores afetados. Tradicionalmente, coletar dados sobre esses danos exige muito tempo e recursos. Usando imagens de satélite, conseguimos identificar automaticamente as áreas afetadas, economizando tempo e esforço.

#O que é NDVI?

Uma das ferramentas principais usadas neste estudo é um método chamado NDVI (Índice de Vegetação por Diferença Normalizada). O NDVI ajuda a avaliar quanto de vegetação está presente em uma área específica. Plantas saudáveis refletem menos luz visível e mais luz infravermelha próxima, enquanto plantas doentes ou raras refletem mais luz visível e menos luz infravermelha. Os valores de NDVI variam de -1 a +1, onde valores mais próximos de +1 indicam vegetação saudável.

#Contexto

Estudos anteriores estimaram a produção de arroz usando NDVI. Este estudo se concentra especificamente na cultura do arroz, que frequentemente é afetada por ondas de calor. A onda de calor que atingiu em 4 de abril de 2021 fez os autores investigarem seu impacto nos campos de arroz, especialmente em áreas onde pouco se havia pesquisado.

#Como Este Estudo Funciona

Para realizar essa pesquisa, foram usadas imagens de satélite do Sentinel-2, que fornece imagens de alta resolução. O estudo analisa imagens antes e depois da onda de calor para identificar mudanças nos campos de arroz.

#Coleta de Dados

Os dados do satélite foram coletados usando o Google Earth Engine, que oferece acesso a vários conjuntos de dados geoespaciais. Para este estudo, três distritos em Bangladesh foram selecionados com base em relatos de danos às lavouras causados pela onda de calor: Sunamganj, Kishoreganj e Netrokona.

#Preparando os Dados

Os pesquisadores prepararam os dados calculando os valores de NDVI a partir das imagens de satélite. Eles olharam especificamente para a diferença nos valores de NDVI antes e depois do desastre para identificar áreas com possíveis perdas nas lavouras. Áreas com valores de NDVI abaixo de um determinado limite foram marcadas como afetadas.

#Verificação do Ground Truth

Para garantir que os dados de NDVI refletissem com precisão a realidade no campo, os pesquisadores visitaram campos selecionados e consultaram agricultores locais. Durante essas visitas, perguntaram aos agricultores sobre suas experiências com perdas de colheita. Esse processo de verificação confirmou que os valores de NDVI realmente indicavam áreas que sofreram com perda de colheita.

#Principais Descobertas dos Agricultores

Os agricultores confirmaram:

• Todas as áreas selecionadas eram campos de arroz onde eles cultivam principalmente arroz boro.
• Em 2021, eles enfrentaram perdas significativas nas colheitas devido à onda de calor.
• Em 2020, nenhum grande desastre afetou suas colheitas.
• Em 2019, muitos agricultores relataram danos devido a uma tempestade de granizo, que causou mais danos do que a onda de calor.

#Configuração Experimental

Os pesquisadores agora partiram para experimentar com as imagens de satélite coletadas. Eles exportaram imagens mostrando diferenças em RGB (Vermelho, Verde, Azul) e FCI (Infravermelho em Cores Falsas) para entender melhor qual método fornecia indicações mais claras de perda de colheita.

#Processamento de Imagem

As imagens de satélite foram processadas para realçar as diferenças entre os cenários antes e depois do desastre. Essas imagens foram então divididas em segmentos menores para treinar um modelo de aprendizado profundo.

#Treinando o Modelo

Dois tipos de imagens foram usados para treinar o modelo: imagens RGB e imagens FCI. Cada tipo passou por um processo de treinamento onde o modelo aprendeu a identificar áreas de perda de colheita com base nas imagens fornecidas.

#Métricas de Avaliação

A eficácia do modelo foi medida usando métricas como IoU (Interseção sobre União). O IoU avalia quão bem as previsões do modelo correspondem aos dados reais. Uma pontuação mais próxima de 1 indica uma maior precisão do modelo.

#Resultados

A pesquisa revelou que tanto as imagens RGB quanto as FCI puderam ser usadas para identificar perdas nas lavouras de arroz. No entanto, as imagens FCI geralmente forneceram resultados melhores. Em particular, as imagens FCI tiveram uma pontuação de IoU de 0,81 em comparação com 0,77 das RGB. Isso significa que as FCI foram um pouco mais eficazes em indicar áreas onde as lavouras de arroz foram afetadas.

#Tendências Anuais

Ao analisar dados anuais:

• No ano de 2019, o modelo teve um bom desempenho devido aos impactos da tempestade de granizo.
• Em 2020, o desempenho do modelo foi razoável, mas ele teve dificuldades para identificar áreas específicas de perda com precisão.
• Em 2021, o modelo teve mais dificuldades devido aos efeitos únicos da onda de calor, demonstrando os desafios de usar imagens de satélite para diferentes tipos de desastres.

#Conclusão

Este estudo oferece uma nova abordagem para avaliar perdas nas lavouras de arroz usando imagens de satélite. Comparando os valores de NDVI antes e depois de um desastre, os pesquisadores conseguiram treinar um modelo que ajuda a identificar automaticamente áreas afetadas. Embora tenham havido desafios na precisão dependendo do tipo de desastre, a eficácia geral das imagens de satélite para esse propósito é promissora.

#Direções Futuras

Os pesquisadores pretendem melhorar ainda mais este modelo, especialmente para situações onde a cobertura de nuvens pode dificultar a visibilidade. Eles pretendem explorar o uso de dados de Radar de Abertura Sintética (SAR) que permanecem eficazes mesmo em condições nubladas, o que poderia aumentar os esforços de avaliação de desastres.

#Importância da Pesquisa

Esta pesquisa não apenas ajuda na gestão de desastres, mas também tem o potencial de melhorar as práticas agrícolas em Bangladesh. Ao identificar com precisão as perdas nas lavouras, medidas adequadas podem ser tomadas para apoiar os agricultores, garantindo a segurança alimentar na região.