Microsoft e Terradot usam dados brasileiros para treinar IA que reduz pela metade as amostras de carbono

Um modelo de clima virou ferramenta de medição de carbono

O intemperismo acelerado de rochas consiste em espalhar pó de rocha triturada sobre lavouras para acelerar uma reação química que retira CO₂ da atmosfera. O problema é que medir quanto carbono foi de fato removido exige voltar ao campo, furar poços, coletar amostras de solo e repetir análises de laboratório ao longo do tempo, porque o resultado varia de um talhão para outro.

Segundo a Microsoft, medir e verificar essa remoção pode responder por um terço a mais da metade do custo total da técnica. É um problema de dados georreferenciados com alto custo de coleta, o tipo de gargalo que normalmente se ataca com mais sensoriamento ou com modelos preditivos. A Microsoft e a startup Terradot (terradot.earth) escolheram a segunda rota e apresentaram nesta quinta-feira, 12 de novembro, o TerraNova, um modelo que combina previsão de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → com amostragem física para estimar a remoção com menos coletas.

Da previsão do tempo ao solo: como o Aurora virou TerraNova

O TerraNova não nasceu do zero. Ele parte do Aurora, modelo de sistema terrestre da Microsoft treinado com mais de 1 milhão de horas de dados atmosféricos, originalmente pensado para previsão do tempo. A equipe reaproveitou o que o Aurora já havia aprendido sobre temperatura, umidade e chuva e acrescentou dados de solo, minerais e medições de campo da Terradot para ensinar o modelo a prever como a rocha se comporta depois de aplicada.

Tecnicamente, o ponto central é a reutilização de uma representação latente (a saída resumida que o Aurora gera sobre a dinâmica climática de um local) como insumo para um problema completamente diferente do que motivou o treinamento original. Para quem lida com modelos geoespaciais e lida com o custo de treinar do zero para cada novo domínio, isso é a aposta de que um foundation model de clima generaliza o suficiente para poupar anos de calibração física.

Essas representações do tempo permitem generalizar para uma diversidade de locais, projetos e condições.

Felipe Oviedo, cientista-pesquisador principal no laboratório AI for Good da Microsoft

Os dados de treino vieram de projetos da Terradot em São Paulo, Paraná e Mato Grosso do Sul: segundo Julia Sekula, cofundadora e CFO da Terradot, as lavouras brasileiras forneceram milhares de medições pareadas de solo, o tipo de dado que permite acompanhar a mudança real no terreno em vez de depender só de simulação física.

Nossa tese era que poderíamos aproveitar o que o Aurora já sabia sobre o tempo para aprender como o intemperismo das rochas acontece no solo.

Julia Sekula, cofundadora e diretora financeira da Terradot

Em um dos testes, dados de campos brasileiros ajudaram o modelo a gerar previsões para um projeto no delta do Mississippi, nos Estados Unidos, sem recalibração específica para aquele solo. É esse salto geográfico, não o ganho de amostras isolado, que a equipe aponta como o resultado mais relevante do estudo.

Os números por trás da promessa

O estudo, aceito em um workshop da conferência NeurIPS 2026 e assinado por Sasankh Munukutla (Terradot), Felipe Oviedo e mais três pesquisadores da Microsoft, avaliou cinco modelos meteorológicos diferentes com dados de 264 campos no Brasil e nos Estados Unidos. Uma versão ampliada, com sete autores, foi publicada no repositório Zenodo nesta quinta; o texto completo só fica disponível em dezembro.

A leitura de engenharia desses números importa mais do que a manchete de "metade das amostras". O ganho aparece em duas decisões distintas do fluxo de um projeto de carbono: antes da aplicação do pó de rocha, o modelo ajuda a priorizar quais talhões merecem visita; depois, ajuda a estimar a remoção com menos coleta física. São dois produtos de dados diferentes dentro do mesmo pipeline, e cada um tem um ponto de risco próprio.

O que ainda não está provado

Todos os números acima vêm de simulações sobre dados existentes, não de um novo ciclo de medição em produção. O próprio estudo reconhece que, em campos totalmente novos, o modelo sozinho ainda não estima a remoção média com confiabilidade suficiente: as amostras físicas continuam sendo parte da configuração que teve melhor desempenho.

Para quem compra ou certifica crédito de carbono, a régua que decide se a economia de amostragem vira economia de custo por tonelada é a aceitação do método pelos registros independentes que hoje exigem coleta física e análise laboratorial para cada tonelada reportada.

O TerraNova não faz parte da forma como quantificamos nossos créditos hoje, e isso só vai mudar quando as evidências e os registros derem respaldo a esse uso.

Julia Sekula, cofundadora e diretora financeira da Terradot

Oviedo defende que o resultado mais importante é a generalização entre regiões distantes, com solos e condições de intemperismo diferentes.

Historicamente, acreditava-se que o intemperismo era variável demais para ser previsto com precisão em grandes áreas, e o TerraNova mostra que não é assim.

Felipe Oviedo, cientista-pesquisador principal no laboratório AI for Good da Microsoft

A Microsoft já tem skin in the game nesse resultado: o fundo de inovação climática da empresa investiu na Terradot, e a companhia assinou em 2025 um contrato para comprar 12 mil toneladas de remoção de CO₂ por intemperismo, com entregas entre 2026 e 2029. A Terradot projeta remover até 100 mil toneladas com o pó já aplicado em campo e tem meta de 1 milhão de toneladas por ano até 2035.

O que muda para quem constrói pipelines de dados ambientais no Brasil

Para equipes de dados e ML que trabalham com MRV (medição, reporte e verificação) de carbono, agro ou ESG, o caso TerraNova traz três perguntas concretas para levar ao próximo fornecedor ou ao próprio time de pesquisa:

• O modelo generaliza fora do conjunto de treino, ou só repete o que já viu? O salto do TerraNova entre fazendas brasileiras e o delta do Mississippi é o tipo de evidência que diferencia um modelo útil de um que só decora o dataset de calibração.
• Quem é dono dos dados pareados que viram vantagem competitiva? As "milhares de medições pareadas" da Terradot em SP, PR e MS funcionam como um fosso de dados proprietário; qualquer concorrente que queira reproduzir o resultado precisa do mesmo volume de medições físicas, não só de acesso a um foundation model aberto.
• A economia projetada sobrevive à auditoria do registro de carbono? Redução de amostras em simulação é um resultado de pesquisa; redução de custo por tonelada auditável por um verificador independente é outro patamar de evidência, e é esse o gargalo que ainda falta resolver aqui.

O estudo completo só sai em dezembro, e até lá o TerraNova segue como prova de conceito, não como insumo de certificação. Mas o padrão de reaproveitar um modelo de fundação treinado para um domínio (clima) em um problema adjacente (geoquímica de solo) é um caminho que qualquer equipe que lide com dados geoespaciais escassos e caros de coletar deveria observar de perto, independentemente de estar no mercado de carbono.

Fonte: Exame