A demanda pela restauração de ecossistemas vem crescendo no cenário global, visando à obtenção de diferentes tipos de benefícios ambientais e sociais, como a conservação da biodiversidade, a mitigação das mudanças climáticas e a proteção de mananciais. Contudo, a disponibilização de áreas para a restauração de ecossistemas nativos é dificultada pelo uso atual do solo pela agropecuária, sendo o aumento da eficiência produtiva de sistemas agropecuários uma oportunidade para liberação de áreas marginais para a restauração. Neste sentido, destaca- se como oportunidade o aumento da eficiência da colheita mecanizada da cana-de-açúcar no estado de São Paulo. O objetivo deste trabalho foi identificar áreas marginais da produção mecanizada de cana-de-açúcar, por meio da identificação de Áreas de Linhas Curtas (ALC), visando à expansão da restauração de ecossistemas nativos para tais regiões. As ALC são caracterizadas por linhas de plantio curtas e, neste projeto, foram considerados dois limiares mínimos: 50 e 100 metros. Assim, modelos estatísticos de regressão foram desenvolvidos a partir do uso de 6 algoritmos de aprendizado de máquina supervisionado para estimar as ALC em todo o estado. Estes modelos foram baseados em uma amostragem de 120 paisagens agrícolas de 25 km² ao longo do estado (de um total de 7.553 paisagens), nas quais as ALC foram manualmente mapeadas e foram exploradas variáveis explicativas que pudessem se correlacionar com a presença das ALC (declividade média; densidade de drenagem; percentual de cobertura de cana-de-açúcar; e métricas da paisagem aplicadas às manchas da cultura). Uma vez que as estimativas foram calculadas e espacializadas, a contribuição potencial da restauração de ecossistemas nativos nas ALC foi investigada no contexto de redução do Déficit de Reserva Legal considerando dois cenários de déficit dentro de cada paisagem. Os resultados mostraram o melhor desempenho dos modelos criados a partir do algoritmo Random Forest, para ajuste (treinamento) e validação dos dados, refletido pelo Coeficiente de Determinação (0,451 e 0,634), Erro Médio Absoluto (0,252 e 0,932) e a Raíz Quadrada do Erro Médio (0,323 e 1,195). Com esta abordagem, as estimativas de ALC para todo o estado foram de 174,19 km² para o limiar de 100 metros; e 39,78 km² para o limiar de 50 metros. O uso das ALC para redução do déficit de RL mostrou potencial para mitigar 100% do déficit em algumas paisagens (de 240 até 2.479 ao longo dos cenários propostos), mas de forma geral contribuiu para a mitigação de 0,43 a 4,83% da soma de déficit das paisagens estudadas, a depender do cenário considerado. Embora as ALC apresentem baixa contribuição direta para redução do déficit de RL, elas representam uma abordagem eficiente para identificação de regiões passíveis de restauração, que podem ainda ser abordadas no contexto de incentivos à compromissos voluntários; corroborando com os esforços, compromissos, políticas e projetos de restauração ecológica assumidos frente à década da restauração de ecossistemas.

The demand for ecosystem restoration has been growing globally, seeking to achieve different types of environmental and social benefits, such as biodiversity conservation, mitigation of climate change and the protection of water sources. However, the availability of areas for restoration of native ecosystems is hampered especially by agriculture. The efficiency increase of agricultural systems is an opportunity to free up marginal areas for restoration. In this way, improving the efficiency of sugarcane mechanized harvesting in the state of São Paulo stands out as such opportunity. The goal of this work was to identify marginal areas of mechanized sugarcane production, through the identification of Short Line Areas (SLA), aiming at expanding the restoration of native ecosystems to such regions. The SLA are characterized by short planting lines and in this project two minimum thresholds were considered: 50 and 100 meters. Thus, statistical regression models were developed using supervised machine learning algorithms to estimate statewide SLA. The models were based on a sampling of 120 agricultural landscapes of 25 km² throughout the state (total of 7,553), in which the SLA were manually mapped and explanatory variables that could be correlated with the presence of the SLA were explored (mean slope; drainage density; percentage of sugarcane cover, and landscape metrics applied to the crop fields). Once the estimates were calculated and spatialized, the potential contribution of the restoration of native ecosystems in SLA was investigated in the context of reducing the Legal Reserve Deficit (LRD). The results showed the best performance of the models created by the Random Forest algorithm, for data adjustment (training) and also testing. The performances were evaluated through metrics such as the Coefficient of Determination (0.451 and 0.634), Mean Absolute Error (0.252 e 0.932) and the Root Mean Squared Error (0.323 e 1.195). With this approach, estimates for the entire state were 174.19 km² of SLA considering the 100-meter threshold; and 39.78 km² for the 50-meter threshold. The use of SLA to reduce the LRD showed the potential to mitigate 100% of the deficit in some landscapes (from 240 up to 2,479 according to the scenario), but in general it contributes to mitigating from 0.43 up to 4.83% of the sum of LRD from the landscapes, depending on the scenario considered. Although the estimates of SLA were numericly low towards the direct contribution to minimize the LRD, they represent an efficient approach to identify regions susceptible to restoration, which can still be addressed in the context of incentives for voluntary commitments; corroborating the efforts, commitments, policies and projects of ecological restoration undertaken in face of ecosystem restoration’s decade.