Datos públicos
Usa Sentinel-2, gratuito y actualizado cada cinco días.
Proyecto de investigación de la UnB
Satélite e inteligencia artificial para saber qué produjo cada parcela.
MapaSafra es un proyecto de investigación de la Universidad de Brasilia (UnB), desarrollado como trabajo de fin de grado. Entrena modelos de inteligencia artificial con series temporales de imágenes Sentinel-2 para identificar, dentro del perímetro de una propiedad, qué parcelas produjeron en cada mes.
Dibujas tus unidades productivas en el mapa y pruebas el modelo sobre ellas, sin visita de campo y sin depender de declaraciones.
NUESTRA MISIÓN
Una segunda fuente de información sobre el campo, pública y verificable
Queremos mostrar que las imágenes satelitales públicas, combinadas con aprendizaje automático, pueden responder a escala y a bajo costo una pregunta que hoy depende de visitas de campo: qué se produjo, dónde y cuándo.
Cada resultado se presenta con sus límites. El modelo fue entrenado y evaluado con datos de Bahía; en otras regiones, medimos la precisión antes de afirmar nada.
Respuesta mensual
El resultado llega por parcela y por mes, no solo por cosecha.
Límites declarados
Métricas y metodología documentadas, incluido lo que el modelo aún no hace.
Origen académico
Nace en la universidad, con un método descrito para ser evaluado y cuestionado.
EL PROBLEMA
Saber qué produjo cada parcela sigue siendo caro
En la mayoría de los casos, el dibujo de las parcelas no existe y lo que se plantó en cada área depende de lo que alguien declaró.
La visita de campo es cara, por muestreo y se repite con cada nueva pregunta. Cuando la información llega, la cosecha ya terminó.
El satélite ya observa todo esto cada cinco días. Lo que faltaba era convertir la imagen en una respuesta útil: qué parcela produjo, y en qué mes.
Sin dibujo de las parcelas
Dependencia de declaraciones
Información que llega tarde
Visita de campo cara y por muestreo
Costo que crece con el área
Respuesta por cosecha, no por mes
CÓMO FUNCIONA EL MODELO
De la imagen satelital a la parcela productiva
MapaSafra procesa series temporales de Sentinel-2 indexadas en hexágonos H3, una cuadrícula que divide el terreno en celdas de tamaño uniforme.
Un modelo de aprendizaje contrastivo compara la trayectoria de cada celda a lo largo del tiempo e indica si hubo producción. Fue entrenado con campos agrícolas reales de Bahía.
Imágenes públicas
Las imágenes de Sentinel-2 cubren toda la propiedad sin costo de adquisición.
Celdas H3
El perímetro se convierte en una cuadrícula de hexágonos, y cada celda se analiza por separado.
Lectura mes a mes
Los resultados vuelven agrupados por parcela, mes a mes.
PROYECTO DE INVESTIGACIÓN
Un trabajo académico en desarrollo
MapaSafra nace como trabajo de fin de grado en la Universidad de Brasilia, con orientación académica y enfoque en investigación aplicada a la agricultura.
El trabajo tiene tres frentes: detectar parcelas productivas, clasificar el cultivo producido y poner los modelos a disposición en esta plataforma.
La detección de parcelas productivas es la etapa más avanzada. La clasificación de cultivos y la integración completa en la plataforma vienen después.
NUESTRA VISIÓN
Información de campo al alcance de quien necesita decidir
Queremos que cualquier persona con un perímetro dibujado en el mapa obtenga una lectura mensual de lo que se produjo, sin depender de que alguien vaya hasta allí.
En el futuro, imaginamos ampliar la cobertura a nuevas regiones y cultivos, siempre con validación medida antes de cada expansión.
Menos suposición. Más evidencia. Una respuesta por parcela, todos los meses.
EN DESARROLLO
Construido con quienes conocen el campo
MapaSafra está en evolución y depende de quienes viven la labranza para mejorar.
Cada propiedad probada, cada duda y cada divergencia entre el mapa y la realidad ayudan a medir dónde acierta el modelo y dónde aún se equivoca.
Por eso invitamos a productores, técnicos, cooperativas e investigadores a probar el modelo con áreas que ya conocen.
Productores
Dicen si el mapa coincide con lo que ocurre en el campo.
Técnicos y consultores
Señalan en qué situaciones la lectura ayuda en la rutina de campo.
Cooperativas e instituciones
Aportan áreas conocidas para validar el modelo en nuevas regiones.
Investigadores
Revisan el método y proponen mejoras.
Mira qué produjo tu unidad productiva
Dibuja el perímetro en el mapa y recibe la lectura mensual de las parcelas productivas.
Probar el modelo