Sai come un satellite può vedere le fasi della coltivazione del caffè in Brasile?

Il consumo di caffè sta crescendo, ma i coltivatori affrontano siccità e temperature altalenanti. Per contrastare le perdite, stanno sperimentando nuove tecniche agricole. Tuttavia, la variabilità tra colture rende difficile mappare il caffè. In questo studio, i ricercatori hanno creato un metodo innovativo per identificare le quattro fasi della pianta. Le fasi sono semina, produzione, potatura e rinnovo. Hanno usato una serie temporale densa di immagini Sentinel‑2 combinate con dati Landsat, aggiornate ogni circa tre giorni. Analizzando bande spettrali, indici e texture, hanno addestrato due algoritmi di apprendimento ensemble: Random Forest e Extreme Gradient Boosting. Il Random Forest ha superato il 95 % di sensibilità e specificità, dimostrando capacità di individuare i pixel di caffè. Le classifiche delle fasi hanno mostrato il 77 % di precisione per il rinnovo e 93‑95 % per le altre. Questo approccio è scalabile e aiuta gli agricoltori a monitorare pratiche climatiche, migliorare la resa e ridurre l’impatto. Le immagini vengono acquisite con una frequenza media di circa tre giorni, garantendo una copertura quasi continua del territorio brasiliano. La harmonizzazione allinea risoluzione spaziale (10 m) e temporale, rendendo possibile analizzare cambiamenti rapidi nella vegetazione. Sono utilizzate le bande visibili (B2‑B4), near‑infrared (B5‑B7) e short‑wave infrared (B8‑B12) per calcolare indici spettrali. Gli indici principali includono NDVI, EVI, NDWI e il rapporto di energia verde, tutti correlati alla salute della pianta. In aggiunta, metriche di texture derivate da GLCM forniscono informazioni sulla struttura del canopeo. Queste caratteristiche vengono alimentate a due modelli di apprendimento ensemble: Random Forest e Extreme Gradient Boosting (XGBoost). Random Forest è costruito su alberi decisionali, mentre XGBoost ottimizza gradienti in modo sequenziale per ridurre errori. Entrambi i modelli sono addestrati su campioni di polygon di caffè manualmente delimitati in diverse regioni produttrici. Durante la fase di validazione, la matrice di confusione ha mostrato un tasso di errore inferiore al 5 % per la rilevazione del caffè. Le precisiones di rilevamento superano il 95 % sia in sensibilità che in specificità, confermando l’efficacia del metodo. Per le quattro fasi fenologiche, le accuratezze bilanciate variano dal 77 % (stumping) al 95 % (produzione). Questi risultati dimostrano che l’integrazione di dati ad alta frequenza e algoritmi avanzati può supportare decisioni agronomiche più precise. Il framework è modulare, permettendo di applicarlo a colture diverse e a regioni con condizioni climatiche differenti. Questa flessibilità rende il metodo adatto a supportare la transizione verso sistemi di produzione più resilienti al cambiamento climatico.

Il progetto utilizza la serie temporale Harmonized Landsat Sentinel‑2 (HLS), che combina dati ottici da Landsat‑8/9 e Sentinel‑2. Le immagini vengono acquisite con una frequenza media di circa tre giorni, garantendo una copertura quasi continua del territorio brasiliano. La harmonizzazione allinea risoluzione spaziale (10 m) e temporale, rendendo possibile analizzare cambiamenti rapidi nella vegetazione. Sono utilizzate le bande visibili (B2‑B4), near‑infrared (B5‑B7) e short‑wave infrared (B8‑B12) per calcolare indici spettrali. Gli indici principali includono NDVI, EVI, NDWI e il rapporto di energia verde, tutti correlati alla salute della pianta. In aggiunta, metriche di texture derivate da GLCM (Gray Level Co‑Occurrence Matrix) forniscono informazioni sulla struttura del canopeo. Queste caratteristiche vengono alimentate a due modelli di apprendimento ensemble: Random Forest e Extreme Gradient Boosting (XGBoost). Random Forest è costruito su alberi decisionali, mentre XGBoost ottimizza gradienti in modo sequenziale per ridurre errori. Entrambi i modelli sono addestrati su campioni di polygon di caffè manualmente delimitati in diverse regioni produttrici. Durante la fase di validazione, la matrice di confusione ha mostrato un tasso di errore inferiore al 5 % per la rilevazione del caffè. Le precisiones di rilevamento superano il 95 % sia in sensibilità che in specificità, confermando l’efficacia del metodo. Per le quattro fasi fenologiche, le accuratezze bilanciate variano dal 77 % (stumping) al 95 % (produzione). Questi risultati dimostrano che l’integrazione di dati ad alta frequenza e algoritmi avanzati può supportare decisioni agronomiche più precise. Il framework è modulare, permettendo di applicarlo a colture diverse e a regioni con condizioni climatiche differenti. Questa flessibilità rende il metodo adatto a supportare la transizione verso sistemi di produzione più resilienti al cambiamento climatico.