Relatórios

Existe uma forte relação entre as condições impostas pelo tempo e clima e o desempenho agrícola. O desempenho das atividades agrícolas no campo é vulnerável as flutuações das condições atmosféricas. Isto significa que diferentes combinações dos principais elementos do clima (ex. temperatura, chuvas e irradiação solar) tem grande influência na produção agrícola. Além de aspectos especificamente regionais como características econômicas, tipos de solo e práticas de manejo. Apesar disso, o pujante e robusto agronegócio brasileiro vem continuamente se aperfeiçoando, impulsionado pelo profissionalismo de todos os operadores do agro, mas principalmente por estar fundamentado nas ciências e na experiência do produtor brasileiro no campo. O acompanhamento por meio de relatórios semanais permite acompanhar claramente as tendências de evolução da safra. E isso tem diferentes aplicações no mercado de commodities agrícolas. Por exemplo, reduzir o impacto das condições desfavoráveis e tirar proveito das melhores condições para a produção, para o ambiente e para o mundo dos negócios.

Diversos dados obtidos de imagens de satélite são periodicamente coletados, reprocessados e ​​integrados em um sistema de informações geográficas (SIG). Posteriormente, são analisados ​​por modelos avançados e de alto desempenho. Todos os modelos utilizados foram desenvolvidos especificamente pela Agro Observer e foram compilados a partir de vários anos de pesquisa científica.

A integração de todas estas informações em forma de gráficos e mapas resulta em relatórios semanais de acompanhamento e evolução da safra (Weekly Crop Progress Report) e apresenta a distribuição espacial dos principais indicadores físicos de evolução da safra – ainda no campo. Essa abordagem, proporciona uma análise objetiva e de alto valor agregado sobre os fundamentos da principal tendência do mercado. Assim, antecipando projeções específicas para as principais commodities agrícolas com as melhores oportunidades de negócios.

Os relatórios e mapas semanais mostram o desenvolvimento e as condições da safra que está em andamento. Todas as informações são comparadas com a semana anterior, o ano anterior e a média das últimas 5 safras nas principais regiões/estados produtores. Os períodos de desenvolvimento (estádios) das culturas, como emergência, floração, enchimento de grãos, queda de folhas e progresso da colheita, pode ser acompanhado em escala nacional ou global. Outro indicador de alto valor agregado é o Índice de Aproveitamento Acumulado (IAA) que exibe em um mapa as condições da cultura em 5 categorias (muito ruim, ruim, média, boa e excelente). Também comparada com a semana anterior, ano anterior e média de 5 anos.

Análise de histórico

A análise de histórico é realizada por meio do levantamento da série histórica de dados (obtidos do acervo de imagens de satélite da Agro Observer com mais de 15 anos) de temperatura, chuvas e os diferentes tipos de índice de vegetação. Com base nestes dados, é possível montar relatórios detalhados sobre as características físicas da área. Regime contínuo de chuvas e temperaturas, tipos de uso e ocupação do solo, práticas de manejo, rotação de culturas e produtividade. evoluçãoser obtidas e analisadas informações.

Mapeamento e detecção de áreas agrícolas

Mapas detalhados de detecção de área de cultivo e específicos para cada cultura (soja, milho, algodão e trigo) são gerados por meio de modelos específicos consolidados e publicados em revistas científicas internacionais.

Reprocessamento e modelagem

Com base em indicadores físicos – altamente precisos e obtidos por imagens de satélites – a Agro Observer utiliza técnicas de processamento fundamentado em Inteligência Artificial (IA).

Edward Lorenz, meteorologista do Massachusetts Institute of Technology – Instituto de Tecnologia de Massachusetts (MIT), em 1960, percebeu, ao analisar os dados fornecidos a um programa de computador que fazia previsões climáticas, que a falta de algumas casas decimais provocava alterações drásticas nas previsões ao longo do tempo. Inicialmente, essa falta das casas decimais não gerava nenhuma mudança significativa, mas, a longo prazo, o acúmulo de resultados minimamente alterados gerou profundas mudanças no clima. Ou seja, pequenas imprecisões na observação inicial de um determinado fenômeno físico pode se propagar ao longo do tempo, possivelmente desencadeando alterações drásticas em um momento no futuro. Tal processo está associado com a Teoria do Caos. E nas famosas palavras de Lorenz, “o bater das asas de uma borboleta no Brasil pode gerar um furacão no Texas!”. (trecho adaptado de: https://mundoeducacao.uol.com.br/fisica/teoria-caos.htm).

Tais considerações de fundamentação científica – trazidas a luz pela Teoria do Caos – explicam algumas características importantes, e também as lacunas, nos modelos mais recentes de previsão climática de médio ou longo prazo.

1 – A dinâmica da atmosfera da Terra é extremamente complexa. O desenvolvimento de modelos que sejam capazes de simular e reproduzir os eventos meteorológicos e climáticos com a precisão que a sociedade moderna atual necessita – e em tempo hábil – é uma tarefa extremamente complexa. Segundo alguns pesquisadores experientes é, na prática, impossível.

2 – Os modelos clássicos de previsão meteorológica e climática são severamente limitados por sua capacidade de reproduzir os fenômenos de troca de energia. Assim como as condições físicas predominantes passíveis de serem observadas, tanto na superfície terrestre quanto em altitude. Ou mesmo nos oceanos.

Por esse motivo, a Agro Observer utiliza uma abordagem diferenciada na construção de projeções fundamentada em IA. Este processo inclui a reconstrução numérica de cenários utilizando técnicas de árvore-de-decisão (decision tree). Como exemplo, em uma projeção do padrão de ocorrência de chuvas – em escala temporal subsazonal – e no local definido pela posição de um pixel, são identificados os padrões de ocorrência das chuvas ao longo de uma série histórica de vários anos (disponível no acervo de dados globais da Agro Observer). Esta abordagem, permite ampliar a fundamentação de causa-e-efeito no regime de chuvas que é observado em cada período, reduzindo a interpretação meramente estatística na formação de uma tendência sub sazonal (de médio prazo). Em última análise, proporcionando maior objetividade e assertividade no reposicionamento de investimentos e tomada de decisão.