Microsoft e Terradot usam dados brasileiros para criar IA que mede carbono com metade das amostras

Depois que o pó de rocha é espalhado sobre uma lavoura, o trabalho mais caro pode começar debaixo da terra. É ali que a água reage com os minerais e dá início a um processo capaz de retirar dióxido de carbono da atmosfera. Para descobrir quanto CO₂ foi removido, pesquisadores precisam voltar ao campo, coletar amostras e levar o solo ao laboratório. Em uma fazenda, o resultado pode mudar de um talhão para o outro.

A Microsoft e a Terradot apresentam nesta quinta-feira, 12, uma inteligência artificial feita para reduzir esse trabalho. Batizado de TerraNova, o modelo combina previsões com medições em campo.

Em simulações com dados de lavouras do Brasil e dos Estados Unidos, a abordagem reduziu aproximadamente pela metade o número de amostras necessárias para estimar a remoção média em um campo.

O projeto nasceu de uma pergunta sobre o custo da técnica. Medir e verificar a remoção pode responder por um terço a mais da metade do custo do intemperismo acelerado de rochas, segundo a Microsoft.

Se a redução de amostras se confirmar em novas validações, o mesmo orçamento poderá cobrir uma área maior. O estudo mediu a economia de amostras e o efeito sobre o custo final de cada tonelada ainda precisa ser demonstrado.

Como o pó de rocha ajuda a remover CO₂?

O intemperismo acelerado de rochas aproveita uma reação que já ocorre na natureza.

Quando a água da chuva entra em contato com certos minerais, reações químicas consomem CO₂ e parte do carbono passa a circular na água na forma de bicarbonato. Triturar a rocha aumenta a superfície exposta à água e acelera o processo. O pó pode ser distribuído em áreas agrícolas que continuam em produção.

A velocidade da reação depende do tipo de rocha, da composição do solo, da temperatura e da chuva.

Por isso, a quantidade de pó aplicada por hectare é só o ponto de partida. Para estimar a remoção, é preciso acompanhar o que mudou no solo e entender para onde a água leva os produtos da reação.

Nos projetos de monitoramento mais detalhados, isso inclui perfurar poços, acompanhar a água subterrânea e repetir análises químicas ao longo do tempo.

O que a IA aprendeu com as fazendas brasileiras?

O TerraNova foi desenvolvido a partir do Aurora, modelo da Microsoft treinado com mais de 1 milhão de horas de dados do sistema terrestre. O Aurora foi criado para tarefas como prever o tempo.

A equipe usou o que ele já havia aprendido sobre condições como temperatura, umidade e chuva e acrescentou dados sobre solos, minerais e medições da Terradot para estimar como a rocha se comporta depois de aplicada à lavoura.

Felipe Oviedo, cientista-pesquisador principal do laboratório AI for Good da Microsoft, explica que o Aurora resume em uma única saída, chamada de variável latente, informações sobre a atmosfera e a dinâmica do tempo no planeta.

“Essas representações do tempo permitem generalizar para uma diversidade de locais, projetos e condições”, diz. Segundo ele, as ferramentas de modelagem usadas hoje dependem de muitos dados e precisam ser calibradas campo a campo.

Em entrevista exclusiva à EXAME, Julia Sekula, cofundadora e diretora financeira da Terradot, disse que os projetos brasileiros forneceram milhares de medições pareadas, que permitem acompanhar como o solo muda em condições reais.

A equipe usou dados de projetos em São Paulo, no Paraná e em Mato Grosso do Sul. Em um dos testes, informações de campos brasileiros ajudaram o modelo a fazer previsões para um projeto no delta do Mississippi, nos Estados Unidos.

Para Sekula, o desafio era levar a técnica a regiões com solos e climas diferentes sem precisar recalibrar do zero as equações que descrevem cada processo físico e químico. “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”, diz.

Onde o TerraNova pode reduzir custos

O estudo, assinado por Sasankh Munukutla, da Terradot, Oviedo e outros três pesquisadores da Microsoft e aceito em um workshop da conferência NeurIPS 2026, avaliou cinco modelos meteorológicos com dados de 264 campos no Brasil e nos Estados Unidos.

O TerraNova teve o melhor desempenho entre as configurações testadas. Em uma simulação de seleção de áreas, a combinação do modelo com duas amostras por campo identificou 63% dos dez campos com maior potencial de remoção. Com as mesmas duas amostras e sem a IA, o índice foi de 49%.

São duas decisões diferentes. Antes de espalhar a rocha, a Terradot pode usar o modelo para priorizar áreas que merecem uma visita. Depois da aplicação, as previsões podem ajudar a estimar a remoção com menos coletas.

O estudo indica que, em campos novos, o modelo sozinho ainda não consegue estimar de forma confiável a remoção média. As amostras físicas são parte do método que apresentou os melhores resultados.

Uma versão ampliada da pesquisa, com sete autores, foi publicada nesta quinta-feira no repositório científico Zenodo. Segundo o resumo, quando combinado com uma única medição, o TerraNova alcança a mesma precisão de seis medições feitas sem o modelo, uma redução de 83% nas coletas no campo típico. Sem nenhuma medição, o modelo apontou cinco dos dez campos com maior remoção entre 52 candidatos; os modelos de referência acertaram no máximo dois. O texto completo só será liberado em dezembro.

Para Oviedo, o principal sinal do potencial da ferramenta é a capacidade de fazer previsões para áreas distantes entre si, às vezes a centenas de quilômetros, 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”, afirma. Segundo ele, o modelo melhora à medida que recebe mais dados.

O que muda para quem compra créditos de carbono

A Microsoft participa do projeto em duas frentes. Seu fundo de inovação climática investiu na Terradot, e a companhia firmou em 2025 um contrato para comprar 12 mil toneladas de remoção de CO₂, com entregas previstas entre 2026 e 2029. O acordo faz parte da estratégia da empresa de contratar remoção de carbono por diferentes técnicas, entre elas o reflorestamento e o intemperismo acelerado.

Hoje, os compradores verificam os créditos da Terradot por meio de registros independentes, que exigem dados e documentação para sustentar cada tonelada. A qualidade das metodologias também está em debate no mercado de carbono brasileiro.

No caso da Terradot, a verificação ainda envolve coleta física e análise em laboratório. “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”, afirma Sekula.

A Terradot estima que o pó de rocha já espalhado em campos brasileiros e americanos possa remover até 100 mil toneladas de CO₂ ao longo do tempo. A empresa tem como meta chegar a 1 milhão de toneladas por ano até 2035.

A Microsoft pretende continuar ampliando o TerraNova com a Terradot conforme novos dados forem coletados, e a Terradot seguirá usando a ferramenta em seus projetos de intemperismo acelerado, de acordo com Oviedo. A empresa também deve usar o Aurora como base em outros projetos ambientais, como prevenção de incêndios florestais e remoção natural de carbono.

Para que a IA ajude nessa expansão, o teste será manter a qualidade da medição à medida que os projetos avançam para solos e climas que o modelo conhece menos. É essa evidência que vai determinar se uma estimativa mais barata pode sustentar um crédito de carbono.

---