Tecnologia Agrícola – Nova metodologia para estimativa de safra canavieira

Com uso integrado de diversas ferramentas conhecidas de estimativa de safra, aliadas à predição meteorológica, startup lança o Prevsafra, que obteve 97% de grau de acerto de canavial colhido

*Guilherme Martineli Sanches

*Henrique C. Junqueira Franco

*Jorge Luis Donzelli

*Marcelo de Almeida Pierossi

O planejamento agroindustrial de uma usina de cana-de-açúcar requer características únicas, pois se trata de uma operação que se estende por um longo período de tempo (oito a nove meses). Esta operação é constituída de inúmeras etapas, processando material colhido proveniente de diferentes locais, variedades e estágios de crescimento, sujeita às variações climáticas e ao risco inerente à produção agrícola. Além disso, a fenologia da cana-de-açúcar é complexa, pois diferentes estágios de crescimento e desenvolvimento encontram-se no campo, criando um cenário cheio de riscos que afetam toda a cadeia de produção, desde plantio à comercialização de açúcar e etanol.

Desta forma, a quantificação do total de cana a ser colhida e processada durante a safra é uma atividade chave no planejamento de qualquer unidade de produção. A partir do conhecimento do volume da produção agrícola é realizada a quantificação dos recursos financeiros e operacionais necessários para a produção e processamento da matéria-prima no campo, da demanda de equipamentos na indústria para a moagem da cana e da quantidade de produtos (açúcar e etanol) que poderão ser comercializados, gerando assim o melhor controle do fluxo de caixa e de materiais e insumos envolvidos em toda a cadeia sucroenergética. Portanto, não há dúvida de que a precisão da estimativa da produtividade dos canaviais, que fornecerão matéria-prima para a unidade de processamento, é de fundamental importância no planejamento estratégico de toda a cadeia. Uma previsão assertiva possibilitará uma melhor tomada de decisão e, consequentemente, uma melhor alocação de recursos materiais, humanos e financeiros nos processos produtivos.

Atualmente, a estimativa de safra é realizada de duas maneiras pelas usinas. A primeira delas envolve pessoal da própria unidade que são, de maneira geral, competentes para analisar a produção/produtividade esperada de um determinado talhão ou grupo de talhões. Apesar destes técnicos conhecerem a região e terem um conhecimento tácito adquirido por anos de experiência com a cultura de cana-de-açúcar onde estão instaladas as unidades, esta etapa demanda uma enorme responsabilidade e desgaste para as equipes internas. Via de regra, estas previsões são acrescidas de informações de levantamento biométrico dos canaviais (amostragem de biomassa em talhões pré-selecionados), metodologia que vem sendo reavaliada em algumas unidades devido às questões de segurança do trabalho. Esta forma de realização das estimativas tem enfrentado problemas, pois expansões da área para novas fronteiras e mudanças climáticas afetam o comportamento do canavial interferindo na análise visual.

Uma segunda maneira de realizar a previsão de safra é com a utilização de tecnologias digitais, tais como imagens de satélite e drones, que necessitam de complementação de informações para que tenham efetividade, mas, mesmo assim, se utilizados de forma isolada, podem trazer resultados insatisfatórios. As técnicas baseadas em tratamento de imagens de satélite dependem de uma série de fatores para garantir uma boa precisão de resultados, como periodicidade da obtenção das imagens (cobertura de nuvens), sensores multiespectrais (resolução espectral dos sensores) e resolução espacial (tamanho dos pixels da imagem).

Avaliações e resultados recentes têm demonstrado que estas tecnologias, quando aplicadas individualmente, podem não trazer o esperado aumento de acurácia às previsões de safra devido às limitações inerentes a cada uma delas. Ressalta-se também que há o fato da não utilização integrada destas tecnologias acrescidas de uma profunda análise de dados (data mining) respaldadas por análises estatísticas confiáveis.

Pensando em uma solução que integrasse estas diversas tecnologias, uma inovadora metodologia foi desenvolvida com o objetivo de trazer maior confiabilidade às previsões de safra. Um método que viabiliza e integra as tecnologias de forma que uma seja o contraponto da outra, diminuindo as incertezas do processo. Assim, surgiu a metodologia PrevSafra desenvolvida pela Lidera – Consultoria e Projetos, juntamente com reconhecidos profissionais do mercado.

PREVSAFRA

A metodologia proposta considera a avaliação dos fatores de produção, ou seja, o solo (ambientes de produção), tombamento, clima e manejo da cultura de cana-de-açúcar, complementados por análises de imagens de satélite (NDVI) e de biometria, permitindo a aplicação final da produtividade esperada para a menor unidade da usina (talhão ou bloco ou fazenda), considerando um dado intervalo de produção.

Além das citadas ferramentas utilizadas na metodologia, fecha o processo de análise uma avaliação do histórico climático das safras assim como a predição do clima futuro através de um modelo climático completo (balanço hídrico, radiação e taxa de fotossíntese). A saída deste modelo fornece expectativas de desenvolvimento do clima futuro, numa perspectiva acima (positivo), abaixo (negativo) ou dentro da normal climatológica para a safra que se está sendo estimada (Figura 1).

A metodologia (PrevSafra) foi colocada à prova na safra 2017/18 em um grupo produtor de açúcar e etanol em aproximadamente 130 mil ha. Foram realizadas campanhas de estimativas conforme procedimento padrão adotado pelo grupo. A avaliação final dos resultados mostrou um desvio de 3% da cana efetivamente colhida, frente a um desvio de 6% das estimativas feitas pela equipe do cliente utilizando metodologia clássica. Esta variação refere-se à aproximadamente 140 mil t de cana não contabilizadas na produtividade final do cliente.

A metodologia PrevSafra está em constante evolução. Para tanto, se desenvolve, nesta safra, módulos para que a aplicação do processo possa se dar em partes de acordo com a necessidade de cada cliente. A esta etapa deverá suceder a informatização da operação visando criar um ambiente estável para a aplicação.

Outros desenvolvimentos deverão no futuro conectar-se a esta metodologia. Neste universo de grande quantidade de dados (Big Data), inúmeras ferramentas estatísticas e matemáticas estão disponíveis para extrair conhecimentos que podem auxiliar o produtor na tomada de decisão. As técnicas de Aprendizado de Máquina (do inglês Machine Learning) são normalmente aplicadas para resolução de problemas provenientes de grande quantidade de dados. Por meio destas técnicas é possível estimar a produtividade dos diferentes talhões de uma unidade de produção com base na análise do histórico de produção, integrando os dados provenientes do solo, clima e planta. Estas técnicas possuem alta capacidade preditiva, além de serem capazes de “aprender” com os dados para estimativas cada vez mais precisas. Assim pensamos o futuro.

*Guilherme Martineli Sanches é sócio da Cropman Inovação Agrícola

*Henrique C. Junqueira Franco é sócio da Cropman Inovação Agrícola

*Jorge Luis Donzelli é sócio da Lidera Consultoria e Projetos

*Marcelo de Almeida Pierossi é sócio da Lidera Consultoria e Projetos