Mapeamento agrícola por IA coloca IBGE na vanguarda do uso da tecnologia
Tecnologia combina imagens provenientes de satélites com machine learning para aprimorar os resultados de pesquisa
Recentemente, a tecnologia de inteligência artificial e machine learning (ML), desenvolvida pelo Instituto Brasileiro de Geografia e Estatística (IBGE), integrou o novo Manual da Organização das Nações Unidas (ONU) de Sensoriamento Remoto para Estatísticas Agrícolas. O reconhecimento da ONU ao método de mapeamento por IA do IBGE (publicado no final de janeiro de 2026) coloca o instituto como um dos pioneiros na utilização dessa tecnologia na produção de estatísticas agropecuárias. O ML é capaz de automatizar a identificação e o monitoramento de campos agrícolas em todo o território brasileiro, aprimorando a precisão, agilidade e frequência dos resultados.
Diferença com os fotointerpretadores
Ana Cláudia dos Santos Luciano, professora da Escola Superior de Agricultura Luiz de Queiroz (Esalq) da Universidade de São Paulo (USP), no Departamento de Engenharia de Biossistemas (LEB), explica o funcionamento dessa tecnologia. “Ela utiliza inteligência artificial e séries temporais de imagens para identificação de culturas, depois faz associação desses dados com a produção, que o IBGE já tem o senso. Essa é uma tecnologia muito interessante, visto que funciona muito bem na identificação de dados, agregando as imagens provenientes de satélite com as técnicas de machine learning e ainda em nível nacional.”
A professora também comenta as diferenças entre o mapeamento tradicional, feito por interpretadores humanos desenhando em mapas, e o mapeamento por IA, redes neurais processando milhares de hectares em segundos com consistência global. “A diferença mais notória entre essas duas tecnologias é a redução de mão de obra nos processos. Vai ter menos pessoas trabalhando dentro desse contexto nacional, já que exige um número elevado de profissionais. Mesmo assim, a fotointerpretação ainda é essencial, pois é o ser humano tomando a decisão de pequenos detalhes. Por outro lado, a IA é mais eficiente para mapear grandes áreas de forma mais generalista.”
Outra vantagem do funcionamento do machine learning é a agilidade na coleta de dados, que pode ajudar a prever quebras de safra em tempo real. “Graças à alta repetitividade dos satélites, que são capazes de gerar imagens de um mesmo local várias vezes ao longo de um determinado período de tempo, as pessoas são capazes de criar políticas ou outras formas de atuação, com antecedência, para prevenir acidentes. Esse conjunto de imagens geradas permite-nos observar algumas variações, como o índice de vegetação, vigor da cultura, da lavoura e da vegetação, e entender possíveis influências que podem ter diminuído a produtividade.”