Chinês (Simplificado) 
Chinês (Tradicional) 
Inglês 
Francês 
Alemão 
Italiano 
Japonês 
Norueguês 
Espanhol 
5 min de leitura
0 comentários
Descubra como o modelo prevê a produtividade agrícola usando imagens de satélite, ajudando produtores a planejar melhor suas lavouras, prever safras e acompanhar o crescimento delas
A produtividade agrícola ganhou um novo aliado nos céus. Pesquisadores da Embrapa desenvolveram um modelo que prevê produtividade agrícola usando imagens de satélite coletadas diariamente.
Segundo uma matéria publicada no site da Embrapa, a ideia é simples: acompanhar o crescimento das plantas sem precisar ir ao campo a todo momento.
Com essa tecnologia, é possível monitorar culturas como cana-de-açúcar e soja de forma precisa e não destrutiva. Os resultados têm mostrado acerto de até 89% na cana e 71% na soja, dando mais confiança para produtores e indústria.
-
Desembolso rural do primeiro bimestre do Plano Safra 2025/2026 mostra crédito agrícola, financiamento rural, recursos controlados e Cédula de Produto Rural
-
IBGE confirma: Brasil é o país do gado, com 238,2 milhões de cabeças, superando a população humana (213,4 milhões) em 11,6%
-
Brasil aposta em algodão com fibra longa com 2 variedades resistentes a doenças e alcança alta produtividade em 12 estados do país
-
Gigante investe US$ 3,5 bilhões e constrói a maior fazenda de leite do mundo com 272 mil vacas em um único complexo agropecuário
Além disso, o método auxilia na validação de bioinsumos recém-lançados, como o Hydratus, que ajuda as plantas a resistir à seca. O modelo combina estatística com aprendizagem de máquina e abre espaço para planejamento mais estratégico da colheita, da logística e da comercialização.
Como o modelo funciona
O modelo prevê produtividade agrícola ao combinar imagens diárias do satélite PlanetScope com dados de campo, como ciclo da produção, tipo de cultivar e chuva acumulada.
Cada imagem traz informações sobre o índice de vegetação da lavoura, que indica se as plantas estão se desenvolvendo bem.
Para a cana-de-açúcar, por exemplo, foi utilizado o índice vegetativo por diferença normalizada verde (GNDVI), que mostra o teor de clorofila nas folhas e nos colmos.
Na soja, foi usado o índice de vegetação realçado (EVI2), que observa a biomassa e a estrutura da planta.
O modelo integra esses dados com cálculos estatísticos e aprendizagem de máquina.
No caso da cana, o coeficiente de determinação chegou a 0,89, ou seja, a previsão ficou muito próxima da produtividade real observada em campo.
Na soja, o índice de correlação foi de 0,71, considerado satisfatório dado o comportamento diferente dessa cultura.
O uso desses índices permite que o produtor acompanhe a lavoura de forma objetiva e saiba exatamente quando intervir, sem depender apenas de observações visuais ou estimativas manuais.
Aplicações na cana-de-açúcar
A cana-de-açúcar foi a primeira cultura testada com o modelo. O trabalho foi feito em parceria com a Cooperativa dos Plantadores de Cana do Estado de São Paulo (Coplacana) e financiado pela Finep.
Durante três anos, duas safras foram monitoradas com imagens diárias do PlanetScope. Os pesquisadores verificaram que a relação entre o dossel da cana (a parte da planta formada por folhas e colmos) e a produtividade é quase direta, o que ajuda a aumentar a precisão da previsão.
O modelo proporciona uma previsão confiável para cada talhão da propriedade, permitindo que produtores planejem melhor a colheita e a logística.
Com os dados, é possível antecipar negociações e tomar decisões estratégicas sobre a comercialização da safra.
Segundo o pesquisador João Antunes, a metodologia diminui a subjetividade da previsão de safra e permite um levantamento mais amplo, essencial em um país com áreas agrícolas tão extensas.
Além disso, a ferramenta auxilia na avaliação de novos produtos agrícolas. Um exemplo é o bioinsumo Hydratus, que aumenta a resistência da cana à seca.
Com o monitoramento por satélite, os efeitos do produto podem ser observados sem prejudicar as plantas, tornando o processo de teste mais rápido e eficiente.
Aplicações na soja
Após os bons resultados na cana-de-açúcar, a equipe aplicou a mesma metodologia na soja. O objetivo foi validar o uso do bioestimulante Hydratus, que protege a planta contra a seca e estimula o crescimento.
A pesquisa foi feita em parceria com a Embrapa Milho e Sorgo e a empresa Bioma, monitorando três áreas. Duas áreas foram acompanhadas com imagens de satélite e uma com imagens de drone.
A previsão de produtividade agrícola na soja obteve 71% de acerto, o que é considerado bom para esse tipo de cultura.
A diferença de precisão em relação à cana ocorre porque o produto da soja é o grão, que não tem uma relação direta com o dossel da planta.
Mesmo assim, o modelo permite identificar variações de produtividade entre diferentes tratamentos do bioestimulante, fornecendo informações valiosas para o planejamento do agricultor e para estudos de desempenho de produtos.
O uso do índice EVI2 ajuda a medir o crescimento e a biomassa da soja, tornando possível avaliar o efeito de intervenções na lavoura em tempo real.
Essa abordagem mostra como imagens de satélite podem ser uma ferramenta prática para a agricultura moderna, oferecendo dados concretos que auxiliam na tomada de decisão sem prejudicar o desenvolvimento das plantas.
Aprendizagem de máquina e estatística
O modelo prevê produtividade agrícola combinando métodos estatísticos e de aprendizagem de máquina. Por enquanto, a análise estatística se mostra mais precisa, porque o número de amostras ainda é pequeno.
Foram usadas entre 500 e 600 amostras para treinar o algoritmo, quantidade considerada limitada para aprendizagem de máquina.
Eduardo Speranza, analista da Embrapa, explica que, com mais amostras, o método de aprendizagem de máquina tem potencial de se tornar ainda mais eficiente.
Apesar disso, a integração dessas abordagens permite um monitoramento detalhado das lavouras e avaliação econômica das culturas.
A técnica fornece dados em tempo real sobre o desempenho das plantas, sem necessidade de intervenção física constante no campo.
Essa metodologia também contribui para uma estratégia de produção mais sustentável, pois ajuda a identificar problemas e otimizar recursos, como água e fertilizantes, sem desperdício.
Além disso, o modelo abre espaço para futuras melhorias. Os pesquisadores planejam incluir novas variáveis, como temperatura, textura do solo e disponibilidade de água, para aumentar ainda mais a precisão da previsão.
Com esses ajustes, a ferramenta poderá ser usada por produtores, indústria e até órgãos públicos para prever safras e orientar políticas agrícolas de maneira mais objetiva.
Seja o primeiro a reagir!