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.
Sua Agenda Cultural4 anos ago
Sua Agenda Cultural4 anos ago
Sua Agenda Cultural4 anos ago
Sua Agenda Cultural4 anos ago
Sua Agenda Cultural4 anos ago
Esporte4 anos ago
Notícias3 anos ago
Notícias3 anos ago