3.1.1 Sistema Geoespacial

Nossa solução proposta consiste em um sistema Geoespacial, utilizando diferentes fontes de dados como as estações meteorológicas Metos, previsões do tempo e imagens de sensoriamento remoto. Geoespacial nesse contexto significa que toda informação terá uma gereferência geográfica, e todos os modelos e métodos analíticos poderão, dado a disponibilidade dos dados, ser expandidos para qualquer ponto geográfico. Consequentemente, poderemos aplicar o modelo em escalas de regiões, fazendas ou talhões individuais (o único impacto sendo que precisaremos de mais dados).

3.1.2 Curso do Projeto

A solução foi dividida em três partes: A primeira parte (1) pode ser iniciada imediadamente (3 meses). A parte 2, de médio prazo, pode ser realizada em 3-9 meses. A parte 3 vai depender de mais informações e de cooperação com outras pessoas e instituições e pode ser realizada de acordo com discussão e clarificação.

3.2.1 Como resolvemos:

As cultivares se desenvolvem ao longo do tempo de acordo com uma função conhecida. No entando, a forma da função (tempo, inclinação e declinação) não são conhecidas préviamente por dependerem de múltiplos fatores como graus-dias de crescimento, radiação solar e outras limitações. Isso é refletido em parâmetros mutáveis dentro da função. A melhor maneira que podemos análisar o desenvolvimento analiticamente é utilizando com parâmetros de início conhecidos e atualizar esses parâmetros constantemente, assim conseguimos obter todo dia uma nova e mais exata previsão do modelo (calibração móvel).
Os parâmetros de calibração serão os seguintes:

• Modelo Teórico: Utilizaremos uma funcão dupla sigmóide como base.

• Graus-dias de Crescimento: O GDC é um dos parâmetros de crescimento da planta. O GDC vai substituir o eixo do tempo no modelo.

• Radiação Solar: É um limitante de desenvolvimento da planta.

• NDVI ou IV: É nossa variável de legenda para verificação. Esta vai auxiliar na atualização consistente dos parâmetros.

Principais funções utilizadas: Função Dupla Sigmoid: \[f(x) = (V_{0}-V_{2}) + \frac{(V_{1}-V_{2})}{1+e^{k(t_{g}-t)}} + \frac{V_{2}}{1+e^{-k(t_{s}-t)}}\]
Princípio de Atualização Bayesiano: \[P(H_{i}|𝐷) = \frac{P(H_{i}) *L(D|H_{i}) }{\sum_{i=1}^{n} P(H_{i})*L(D|H_{i})} \]
Segue uma animação gráfica do modelo

3.3.1 Como resolvemos este problema:

• A decisão é feita a nível de campo.

• Hipótese nula (H0): O campo não foi dessecado utilizando dois métodos de teste.

O efeito da dessecação é visível por meio de sensoriamento remóto (NDVI ou IV). Nós utilizamos imagens de 3mx3x com 8 bandas para decidir se o campo foi dessecado ou não. Temos dois métodos para testar esta hipótese.

Método 1: Variações de campo vs Uniformidade

As culturas geralmente não se desenvolvem de forma uniforme, mas mostram uma variação na vegetação, que é detectável por NDVI ou IV durante toda a safra. Podemos observar variações vindas de diferentes áreas (solo, sombras etc.) e variações aleatórias. A dessecação diminui muito estas variações e cria um campo uniforme. Podemos analisar o mapa NDVI pixel por pixel e determinar sua distribuição.  

As principais funções são: Teste K-S para testar a Distribuição Normal: \[D_{N} = sup_{x} |F_{N}(x)-F(x)|\]  

Teste K-S para testar a Distribuição Uniforme: \[D_{U} = sup_{x} |F_{U}(x)-F(x)|\]  

H0 é rejeitada se (pode-se adicionar um alfa como margem de certeza): \[P_{U} > P_{N}\]  

Animação gráfica do modelo:

 

     

Método 2: Variação temporal

Este método utiliza a mesma função do modelo da parte 1. A dessecação vai forçar todas as plantas para o estágio final da maturação. Isso pode ser observado por sensoriamento remoto (NDVI ou IV). Portanto, caso observamos uma variação repentina nos índices (como um “degrau”), existe uma alta probabilidade que o campo foi dessecado. Utilizamos apenas a janela de tempo a partir do início da maturação.

 

As principais funções são: Teste T simples para testar se está fora do intervalo de confiança: \[T = \frac{(X -\hat{\mu}) \sqrt{n} }{S} \]

H0 é rejeitada se (pode-se adicionar um alfa como margem de certeza): \[p < 0.05\]   Animação gráfica do modelo:

 

 

3.4.1 Mensagem

Nós podemos oferecer informação para prevenir o produtor de dessecar seu campo:

• Fazer com que o produtor saiba que a Nestlé está monitorando seu campo

• Informações sobre leis e regulamentações alimentares

• Sugestão de alternativas

• Informação baseada em recursos científicos

3.4.2 Planejamento do próximo ciclo

Uma das razões do produtor dessecar seu campo é para antecipar o plantio da soja, muitas vezes o carro chefe economicamente da propriedade. Isso não é necessário muitas das vezes. Supomos que em pelo menos certas ocasiões, uma boa safra de soja pode ser obtida mesmo que se espere completar o ciclo do trigo. Para prevenir a dessecação, podemos oferecer informações sobre a safra subsequente, como:

• Janelas ideais de plantio: modelar o ciclo baseado em previsões meteorológicas.

• Informações econômicas: O que significa ter um pequeno ganho possível na colheita de soja, quando comparado com a perda da qualidade do grão de trigo?

3.4.3 Incentivar o comportamento via serviços

A informação que teremos também poderá ser usada para diversas decisões agronômicas importantes, como janelas de aplicação de agroquímicos, monitoramento de chuva, otimização de uso de fertilizantes etc.

• Nós podemos desenvolver uma série de serviços usando essas informações.

• Produtores que não dessecam podem utilizar essas informações de graça.

• Produtores podem subir níveis (como por exemplo: prata, ouro, platina) de acordo com a constância do uso de boas práticas no campo. Quanto maior o nível, mais serviços eles podem utilizar.

3.5.1 Dados meteorológicos

Nós utilizamos duas fontes de dados meteorológicos:

• Estações meteorológicas virtuais (Meteoblue ou NOAA)

• Estações meterológicas físicas METOS em campo onde estiver disponível

O desafio aqui é um balanço entre custo e exatidão. Idealmente, teríamos uma estação meteorológica física em cada campo. Onde não temos esta opção, podemos utilizar as estações virtuais. As estações virtuais oferecem dados bons o suficiente para o modelamento básico. No futuro, podemos utilizar a rede de estações físicas (existe uma ampla rede já instalada - ver seção xyz) para calibrar as estações virtuais e assim aumentar a precisão.

3.5.2 Imagens de sensoriamento remoto

Nós utilizamos imagens com as seguintes qualidades:

• Resolução espacial 3m x 3m ou 20m x 20m (criterio economico - veja parte comercial)

• 8 bandas espectrais

• Resolução temporal semanal

O principal desafio aqui é a resolução temporal, visto que no Brasil o céu é geralmente nublado. Por isso, não podemos garantir uma imagem útil toda semana. Nós resolvemos este problema por meio do nosso modelo. Não há nenhum grande problema se uma ou mais imagens está faltando -> a previsão se atualiza sempre quando a proxima imagem entra.

Arquitetura do sistema:

Nossa interface de usuário: