A Embrapa desenvolve um modelo para prever produtividade agrícola a partir de séries temporais de imagens de satélite, com aplicação já testada em cana-de-açúcar e soja, em experimentos conduzidos entre 2022 e 2025 em parceria com cooperativas e unidades da instituição, com uso de dados diários do PlanetScope obtidos pelo Programa Brasil Mais.
O trabalho integra índices de vegetação extraídos das imagens com variáveis agronômicas e climáticas e compara duas abordagens de cálculo, uma estatística e outra baseada em aprendizagem de máquina. Na cana-de-açúcar, o estudo em cooperação com a Coplacana monitorou duas safras ao longo de três anos e obteve coeficiente de determinação de 0,89 entre a produtividade predita e a observada. Na soja, o método foi empregado para avaliar o desempenho do bioestimulante Hydratus, com correlação de 0,71 entre predição e produtividade medida em três áreas experimentais, duas com satélite e uma com drone. Segundo a equipe, a escolha do índice de vegetação varia por cultura: na cana, utilizou-se o GNDVI; na soja, o EVI2, com sensibilidade à estrutura e biomassa do dossel.
De acordo com o pesquisador Geraldo Magela Cançado, da Embrapa Agricultura Digital, a linha de pesquisa começou com um modelo mais simples e incorporará novas variáveis para aumentar a eficiência. “Conforme os trabalhos avançarem, novas variáveis serão inseridas, como temperatura, textura do solo e disponibilidade hídrica”, afirmou. Ele explicou as diferenças entre culturas: “No caso da cana, como a produção está muito ligada ao próprio dossel da planta, obtêm-se melhores resultados. Já na soja, como o produto é o grão, a relação dossel e produtividade não é tão direta.”
O pesquisador João Antunes destacou a possibilidade de ampliar o levantamento de safra com base em imagens. “Essa metodologia permite um levantamento de safra mais objetivo. Queremos diminuir a subjetividade dessa previsão e ser mais abrangente. Considerada a imensidão deste País, só com o uso de imagens de satélites isso se torna possível”, disse. Para uso prático, a equipe prevê resultados por talhão, com potencial de apoiar planejamento, negociação, logística de colheita e intervenções no manejo, além de subsidiar estimativas de safra pelo poder público.
O analista Eduardo Speranza afirmou que, com o conjunto atual de dados, a abordagem estatística tem apresentado maior precisão do que a de aprendizagem de máquina. “Trabalhamos em uma publicação com 500–600 amostras para treinar um algoritmo. Essa quantidade para aprendizado de máquina é pequena. O método de aprendizagem de máquina tem potencial de ser melhor, mas necessita de milhares de amostras”, explicou, ao relacionar a ampliação do banco de dados à validação agronômica em campo.
A disponibilidade diária de imagens via Rede MAIS, composta por 130 satélites com resolução de 3 metros e oito bandas espectrais, foi citada como diferencial para áreas experimentais e talhões de produção, quando comparada à frequência limitada de voos de drones. Júlio Esquerdo, chefe-adjunto de Pesquisa e Desenvolvimento da Embrapa Agricultura Digital, avaliou que o acesso contínuo abre novas possibilidades para estudo e manejo. Em 2025, a Rede MAIS premiou o trabalho “Previsão da Produtividade em Cana-de-Açúcar Utilizando Análise Temporal de Imagens PlanetScope” em primeiro lugar na categoria instituições federais.
As conclusões parciais foram publicadas em artigos científicos que descrevem o emprego do PlanetScope para estimar a produtividade na fase de crescimento da cana e o uso de sensoriamento remoto para acompanhar o desempenho do Hydratus em soja sob estresse hídrico. O grupo planeja incluir novas variáveis e ampliar o número de amostras para treinar modelos de aprendizagem de máquina, com o objetivo de aumentar a capacidade de generalização e a precisão das previsões em diferentes ambientes e cultivares.