Agrupamento K-means aplicado a índices de vegetação para mapear áreas cultivadas usando imagens de alta resolução do satélite marroquino Mohammed VI

Por que mapas de cultivo mais inteligentes importam

Alimentar um mundo em crescimento depende de saber, em quase tempo real, o que realmente está crescendo no terreno. Agricultores e governos precisam de mapas confiáveis de onde as culturas são plantadas, quais campos estão descobertos e como esses padrões mudam de estação para estação. Este estudo mostra como um satélite de observação da Terra marroquino, combinado com uma forma simples de inteligência artificial, pode transformar imagens brutas em mapas altamente precisos de terra cultivada sem exigir exércitos de pessoas para rotular dados manualmente.

Vendo as fazendas do espaço

O trabalho concentra-se no sistema de satélites Mohammed VI, um par de satélites marroquinos que orbitam a Terra em órbita heliossíncrona. Eles capturam imagens muito nítidas em quatro bandas, incluindo o infravermelho próximo, com resolução de meio metro — suficiente para distinguir campos pequenos individuais e até linhas de árvores. Os autores focaram em uma área agrícola de 175 hectares na região de Fes–Meknes, no norte de Marrocos, onde campos de cereais, milho, oliveiras, amendoeiras, vinhas e hortaliças se alternam com lotes não cultivados e vegetação esparsa. Essa diversidade torna a área um campo de testes ideal para ferramentas que precisam separar terra cultivada de todo o resto.

Transformando cores em pistas

Imagens de satélite brutas são apenas grades de valores de brilho em diferentes bandas de cor. Para tornar essas grades mais informativas, os cientistas frequentemente calculam “índices de vegetação” que combinam várias cores em um único número que reflete a saúde das plantas ou o teor de água. Este estudo usa o conhecido Índice de Vegetação por Diferença Normalizada (NDVI), que realça vegetação com folhas e rica em clorofila, e o Índice de Água Modificado por Diferença Normalizada (MNDWI), que é sensível a diferenças de umidade usando luz verde e infravermelho próximo. Juntamente com a banda original de infravermelho próximo, essas três camadas formam uma descrição compacta do estado de vegetação e umidade de cada pixel, oferecendo informação muito mais rica do que qualquer banda isolada.

Deixando os dados se agruparem sozinhos

Em vez de treinar um modelo complexo com milhares de exemplos rotulados manualmente, os pesquisadores recorreram ao K-means, um algoritmo de agrupamento simples do aprendizado de máquina não supervisionado. O K-means procura padrões nos dados e agrupa pixels em um número fixo de clusters que compartilham traços espectrais semelhantes. Após um pré-processamento básico — extração das bandas relevantes, cálculo dos dois índices, empilhamento dessas camadas e escalonamento de todos os valores entre zero e um — a equipe instruiu o K-means a criar exatamente três clusters. Esses foram então interpretados como fundo (áreas fora dos campos ou sem sinal útil), solo exposto e áreas dominadas por cultivos. Como o método é não supervisionado, ele pode ser aplicado a novas imagens sem dados adicionais rotulados para treinamento.

Testando o método

Para avaliar o desempenho da abordagem, os autores criaram um mapa de referência detalhado traçando manualmente os talhões cultivados em um software de informação geográfica, usando a mesma imagem de alta resolução. Em seguida, compararam quatro maneiras de estimar a parcela de terra cultivada: uma regra simples baseada apenas no brilho do infravermelho próximo, uma regra baseada apenas no índice de vegetação NDVI, um K-means padrão executado nas bandas de cor originais e o novo “K-means espectral”, que agrupa os dados combinados do índice e do infravermelho. A fração verdadeiramente cultivada na área de estudo foi de 71,07%. O limiar no infravermelho próximo subestimou isso em 65,59%, o NDVI isolado deu 66,13% e o K-means padrão atingiu 67,18%. A abordagem de K-means espectral foi a mais próxima, com 72,07%, correspondendo a um erro relativo de apenas 1,41% — várias vezes melhor que os métodos concorrentes.

O que isso significa para a agricultura futura

Para agricultores, gestores de água e planejadores, esse tipo de mapeamento automatizado e preciso oferece uma maneira prática de monitorar campos em grandes regiões sem pesquisas de campo onerosas ou conjuntos massivos de dados rotulados. Ao distinguir de forma confiável terras cultivadas de não cultivadas e destacar onde a vegetação está saudável ou estressada, o método pode apoiar irrigação de precisão, orientar o uso de fertilizantes e ajudar a acompanhar a mudança no uso da terra. Embora a validação atual se baseie em uma única imagem, a abordagem aponta para um futuro em que algoritmos simples e não supervisionados aplicados a dados de satélite de alta resolução rotineiramente entreguem mapas de culturas em escala de campo, melhorando a produção de alimentos e apoiando um uso mais sustentável da terra e da água.

Citação: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

Palavras-chave: agricultura de precisão, imagens de satélite, mapeamento de culturas, aprendizado não supervisionado, índices de vegetação