p Os campos de milho e soja parecem semelhantes do espaço - pelo menos eram. Mas agora, os cientistas provaram uma nova técnica para distinguir as duas safras usando dados de satélite e o poder de processamento de supercomputadores. p “Se quisermos prever a produção de milho ou soja para Illinois ou todos os Estados Unidos, temos que saber onde eles estão sendo cultivados, "diz Kaiyu Guan, professor assistente do Departamento de Recursos Naturais e Ciências Ambientais da Universidade de Illinois, Professor da Blue Waters no National Center for Supercomputing Applications (NCSA), e o investigador principal do novo estudo.

p O avanço, publicado em Sensoriamento Remoto do Meio Ambiente , é um avanço porque, anteriormente, As áreas de cultivo nacionais de milho e soja só foram disponibilizadas ao público quatro a seis meses após a colheita pelo USDA. O atraso significava que as decisões políticas foram baseadas em dados desatualizados. Mas a nova técnica pode distinguir as duas principais safras com 95 por cento de precisão no final de julho para cada campo - apenas dois ou três meses após o plantio e bem antes da colheita.

p Os pesquisadores argumentam que estimativas mais oportunas de áreas de cultivo podem ser usadas para uma variedade de aplicações de monitoramento e tomada de decisão, incluindo seguro de safra, aluguel de terras, logística da cadeia de suprimentos, mercados de commodities, e mais.

p Para Guan, Contudo, o valor científico do trabalho é tão importante quanto seu valor prático.

p Um conjunto de satélites conhecido como Landsat tem circulado continuamente a Terra por 40 anos, coleta de imagens usando sensores que representam diferentes partes do espectro eletromagnético. Guan diz que a maioria das tentativas anteriores de diferenciar milho e soja dessas imagens foram baseadas na parte visível e infravermelha próxima do espectro, mas ele e sua equipe decidiram tentar algo diferente.

p "Encontramos uma banda espectral, o infravermelho de ondas curtas (SWIR), que foi extremamente útil para identificar a diferença entre milho e soja, "diz Yaping Cai, Ph.D. aluno e primeiro autor do trabalho, seguindo a orientação de Guan e outro co-autor sênior, Shaowen Wang no Departamento de Geografia da Universidade de I.

p Acontece que o milho e a soja têm níveis previsivelmente diferentes de água nas folhas em julho na maioria dos anos. A equipe usou dados SWIR e outros dados espectrais de três satélites Landsat ao longo de um período de 15 anos, e pegou consistentemente este sinal de status de água na folha.

p "A banda SWIR é mais sensível ao conteúdo de água dentro da folha. Esse sinal não pode ser capturado pela luz RGB (visível) tradicional ou bandas infravermelhas próximas, então o SWIR é extremamente útil para diferenciar milho e soja, "Guan conclui.

p Os pesquisadores usaram um tipo de aprendizado de máquina, conhecida como rede neural profunda, para analisar os dados.

p "Abordagens de aprendizagem profunda apenas começaram a ser aplicadas em aplicações agrícolas, e prevemos um enorme potencial de tais tecnologias para futuras inovações nesta área, "diz Jian Peng, professor assistente no Departamento de Ciência da Computação da Universidade de I, e um co-autor e co-investigador principal do novo estudo.

p A equipe concentrou sua análise no condado de Champaign, Illinois, como uma prova de conceito. Mesmo sendo uma área relativamente pequena, analisar 15 anos de dados de satélite com uma resolução de 30 metros ainda exigia um supercomputador para processar dezenas de terabytes de dados.

p "É uma grande quantidade de dados de satélite. Usamos os supercomputadores Blue Waters e ROGER no NCSA para lidar com o processo e extrair informações úteis, "Guan diz." Em termos de tecnologia, ser capaz de lidar com uma quantidade tão grande de dados e aplicar um algoritmo de aprendizado de máquina avançado era um grande desafio antes, mas agora temos supercomputadores e as habilidades para lidar com o conjunto de dados. "

p A equipe agora está trabalhando na expansão da área de estudo para todo o Corn Belt, e investigando outras aplicações dos dados, incluindo rendimento e outras estimativas de qualidade.