Detecção remota de plástico na agricultura: avanço revolucionário para o meio ambiente


Cientistas da UNICAMP desenvolveram uma tecnologia inovadora que utiliza imagens de satélite e aprendizado de máquina para mapear plásticos agrícolas com 99,7% de precisão, ajudando no combate à poluição e promovendo uma agricultura mais sustentável.

Brasil, plástico, mulching
O plástico agrícola, conhecido como mulching, é amplamente utilizado para conservar a umidade do solo, controlar ervas daninhas e melhorar a produtividade das lavouras.

A contaminação por plásticos na agricultura é uma preocupação crescente, mas uma nova pesquisa publicada no Journal Environmental Science and Pollution Research pode revolucionar a forma como identificamos e gerenciamos esse problema. O estudo, conduzido por cientistas da Universidade Estadual de Campinas (UNICAMP), utiliza sensoriamento remoto e aprendizado de máquina para detectar plástico em lavouras cobertas com mulch de polietileno.

mulch, plástico, sustentável
Contudo, seu descarte inadequado pode gerar impactos ambientais significativos.

Os resultados são promissores: o modelo desenvolvido atingiu uma precisão de 99,7% na identificação dessas áreas, abrindo caminho para um monitoramento ambiental mais eficiente. Essa descoberta pode melhorar significativamente a gestão dos resíduos plásticos na agricultura e minimizar o impacto da degradação desses materiais no solo e nos ecossistemas.

Plástico na agricultura: aliado ou vilão?

O uso de plástico na agricultura, conhecido como plasticultura, tornou-se comum devido à sua capacidade de aumentar a produtividade. Filmes plásticos ajudam a reter a umidade, reduzir a erosão do solo e controlar ervas daninhas. No Brasil, muitas lavouras de tomate e outras hortaliças dependem desses materiais para garantir colheitas mais eficientes.

Entretanto, a falta de um sistema eficiente de descarte e reciclagem tem levado ao acúmulo de resíduos plásticos no meio ambiente.

Quando esses materiais se degradam, podem liberar microplásticos no solo, afetando a saúde dos ecossistemas e podendo até mesmo entrar na cadeia alimentar.

Tecnologia de ponta para um problema urgente

Os pesquisadores utilizaram imagens de satélite do Sentinel-2 e aplicaram técnicas de aprendizado de máquina para mapear lavouras cobertas com plástico. O diferencial desse estudo foi o uso de uma abordagem temporal otimizada, que analisou a evolução das áreas ao longo do tempo, reduzindo a confusão com outras superfícies, como telhados urbanos.

Plástico, satelite, culturas
Imagens de satélite foram usadas para análise ambiental, monitoramento agrícola e identificação de padrões no uso do solo ao longo do tempo.

O modelo de inteligência artificial conseguiu diferenciar com extrema precisão as áreas cobertas por plástico das demais, permitindo um monitoramento eficiente e ível. Com essa metodologia, governos e agricultores podem planejar estratégias mais sustentáveis para o uso e reciclagem desses materiais.

Impactos e perspectivas para o futuro

Os achados do estudo têm grande impacto na gestão ambiental e podem ser aplicados em diversas frentes:

  • Monitoramento rápido e preciso: Governos podem utilizar a tecnologia para criar planos de fiscalização e reciclagem mais eficientes.
  • Agricultura mais sustentável: Agricultores podem adotar práticas de reutilização e descarte adequado.
  • Preservação ambiental: Reduzir a contaminação por microplásticos e proteger os ecossistemas.

Esse avanço representa um grande o para o uso inteligente da tecnologia na gestão ambiental. Agora, resta às autoridades e à indústria agropecuária implementar soluções que garantam um futuro mais limpo e equilibrado para a agricultura e o meio ambiente.

Com tecnologias como essa, estamos cada vez mais próximos de um modelo de produção agrícola mais consciente e alinhado à sustentabilidade. A plasticultura pode ser uma aliada da produtividade, mas apenas se for bem gerida e acompanhada de soluções eficazes para seus impactos ambientais.

Referência da notícia

Remote sensing detection of plastic-mulched farmland using a temporal approach in machine learning: case study in tomato crops. 5 de outubro, 2024. de Souza, M.F., Lamparelli, R.A.C., Oliveira, M.H.S. et al.