Agregando conhecimento sobre calendários agrícolas e big data Sentinel-2/MSI para monitoramento agrícola

Visando atender à crescente demanda internacional de mercado por conformidade ambiental, o setor agropecuário brasileiro precisa buscar formas de monitorar sua produção. Neste sentido, cresce a demanda por maior precisão no monitoramento de cultivos - requisitando ferramentas analíticas que permitam análises precisas e em tempo oportuno. Por conta da escassez de dados de campo ou de modelos que não se ajustam à realidade de campo, muitas ferramentas permitem análises apenas após a colheita. A análise de séries temporais com base em cubos de dados e conjuntos de índices espectrais, explorando diferentes janelas temporais para melhorar a separabilidade de classes, pode melhorar este cenário. Abordamos essa lacuna neste minicurso, cujos destaques técnicos são a detecção de mudanças interanuais no manejo e o monitoramento de culturas ainda nos talhões (abordagem de monitoramento intra-safra). Para responder como detectar variações sutis ao longo dos períodos de colheita com alta precisão (aprimorando iniciativas de monitoramento), desenvolvemos uma cadeia de processamento acessível e robusta cujo núcleo é uma abordagem de análise de séries temporais densas capaz de gerar resultados com poucas amostras de treinamento/calibração. Ela reúne etapas desde o tratamento de amostras até a classificação. Durante o minicurso, integraremos conhecimentos sobre culturas e cubos de dados Sentinel-2/MSI para permitir o mapeamento detalhado em períodos interanuais e intra-safra. Explicaremos como considerar "tempo primeiro, espaço depois" em Jupyter notebooks, introduzindo conceitos que priorizam o aspecto temporal ao encontrar o melhor alinhamento entre séries temporais. Além disso, apresentaremos boas práticas no uso de dados de campo e conhecimento de calendário agrícola para alterar parâmetros metodológicos úteis à determinação de janelas temporais, visando melhorar a separabilidade de classes e fornecer monitoramento contínuo. Em contextos agrícolas dinâmicos, isso pode melhorar a detecção de variações sutis de culturas, aprimorando o mapeamento de mudanças nas práticas de cultivo, o que é relevante para o monitoramento operacional.

Público alvo: Praticantes de sensoriamento remoto interessados na aplicação de séries temporais e índices espectrais para fins de mapeamento e monitoramento agrícola.

Limite de Vagas: 30

Ementa do Minicurso:
Diante da busca pela redução de incertezas na atividade agrícola nacional, emerge a necessidade de explorar tecnologias que possam atender a detecção de variações sutis na vegetação, reconfigurando a relação entre as demandas do setor e a aplicação científica no estado-da-arte. Este minicurso tem por objetivo apresentar uma cadeia de processamento com tecnologias que podem ser aplicadas ao monitoramento agrícola, com foco na redução de incertezas, enfatizando a união entre conceitos ligados ao entendimento da paisagem, ao sensoriamento remoto e à linguagem de computação Python. O cronograma proposto está dividido em três etapas: (i) aula expositiva contendo a explanação de aspectos conceituais de sensoriamento remoto aplicado à agricultura, (ii) configuração do ambiente Python e apresentação teóricoprática de cubos de dados de observação da Terra e da cadeia de processamento proposta em Jupyter notebooks, e (iii) hands on contendo aplicação prática da cadeia de processamento apresentada, desde a coleta de amostras até a classificação final. Ao final do minicurso, o cursista deverá saber conceitos de sensoriamento remoto agrícola, análise de séries temporais e índices espectrais, coletar amostras de uso e cobertura da terra, utilizar a cadeia de processamento para classificação e monitoramento de culturas agrícolas e analisar os resultados.

Idioma: Português

Requisitos (quantidade de computadores, acesso à rede, etc.): Conhecimento básico sobre sensoriamento remoto e análise de séries temporais. Cada cursista deverá levar computador com ambiente Python, versão 3.9, instalado, configurado para acesso a Jupyter notebooks

Tipo: Minicurso Teórico e Prático