A implementação do projeto iniciou-se efetivamente em novembro de 2023, após um período de testes de três meses que demonstrou a viabilidade técnica da solução. A integração pré-existente da Suzano com o ecossistema da nuvem permitiu uma ativação direta e imediata das ferramentas pela equipe de TI e geoprocessamento. 

A arquitetura da solução baseou-se no uso do Google Earth Engine integrado ao Cloud Storage para o armazenamento e processamento de dados do tipo raster. O apoio da empresa parceira, Geoambiente, foi focado em boas práticas de arquitetura e suporte técnico para assegurar a eficiência no ambiente comercial da plataforma.

Já em funcionamento, uma das vantagens mais exploradas foi a capacidade do GEE de gerar mosaicos mundiais sem a necessidade de equalizações manuais, utilizando um catálogo padronizado de imagens de satélite (Sentinel-1 e Sentinel-2), modelos digitais de elevação e outros datasets disponíveis. A plataforma forneceu aos especialistas o acesso a dados pré-processados, eliminando a etapa onerosa de download e tratamento preliminar de imagens.

A equipe utilizou algoritmos nativos de classificação semi-supervisionada, como o Random Forest, para aplicar modelos de machine learning no mapeamento de uso da terra. A flexibilidade da API facilitou o desenvolvimento de scripts personalizados que selecionavam automaticamente as melhores variáveis de entrada, aumentando a acurácia do mapeamento de forma significativa.

“De acordo com o que temos acompanhado junto à equipe de IMF, foi estruturado  um fluxo completo no GEE para classificar 12 classes de uso da terra em escala continental, utilizando milhares de amostras e cerca de 23 variáveis de entrada. Na prática, isso culminou em um mapeamento em larga escala, unindo o conhecimento florestal ao poder de processamento da plataforma”, afirma Izabel Cecarelli, CEO da Geoambiente. 

Em menos de seis meses de operação, a iniciativa já havia mapeado 500 milhões de hectares globalmente, identificando 12 milhões de hectares de florestas plantadas. Essa transformação tecnológica permitiu que a Suzano reduzisse o tempo de entrega de resultados de meses para apenas alguns dias, consolidando a nuvem como pilar fundamental de sua inteligência geográfica.

Depois de todas as mudanças obtidas graças à tecnologia implementada, a eficiência operacional alcançada traduziu-se em ganhos que vão além do mapeamento de hectares. O volume de análises foi executado por um time enxuto de apenas cinco pessoas, mantendo uma acurácia de 80% nos resultados. Além da rapidez, a estratégia gerou uma economia direta de ao menos R$ 400 mil em custos evitados com a dispensa de serviços de terceirização.

A infraestrutura em nuvem também resolveu gargalos críticos de armazenamento e hardware. A companhia conseguiu armazenar mais de 320 GB de dados analíticos sem a necessidade de novos investimentos em servidores físicos ou expansão do parque tecnológico local. O uso do Google Earth Engine (GEE) transformou processos que antes levavam meses em tarefas de poucos minutos, evitando o tempo ocioso da equipe que antes aguardava a conclusão de processamentos pesados em máquinas locais. 

“Do ponto de vista analítico, a principal vantagem foi a democratização do acesso à informação e a melhoria na qualidade dos dados. Gerando mosaicos globais em ampla escala temporal, os profissionais passaram a focar em questões específicas em vez de operacionais. O contato pioneiro com machine learning para classificação de uso da terra em larga escala trouxe mais conhecimento técnico ao time de Inteligência de Mercado Florestal (IMF)”, comenta Gerardo Felipe Espinoza Pérez, Consultor em Planejamento Florestal da organização. 

Agora, a tomada de decisão a nível executivo tem à disposição análises competitivas de forma detalhada. Antes do projeto, prazos curtos forçavam o uso de mapeamentos públicos que poderiam ter até um ano de defasagem, no entanto, com o GEE, a diretoria começou a contar com cenários atualizados e recorrentes, fundamentais para entender a dinâmica de mercados internacionais.

A experiência interna também foi otimizada pela curva de aprendizado acelerada proporcionada pela plataforma do Google. A facilidade na coleta de amostras de treinamento reduziu drasticamente o tempo da etapa mais onerosa do processo de classificação. E, um dos pontos mais importantes foi destaque: a existência de uma comunidade ativa e de bibliotecas prontas do Google Developers, possibilitando que a equipe desenvolvesse scripts complexos, como a seleção automática de variáveis com pouco esforço de programação.