A Embrapa Agricultura Digital, em parceria com a Coplacana e com apoio da Finep, desenvolveu um modelo de predição de produtividade agrícola que alcançou 89% de precisão para a cana-de-açúcar, utilizando imagens de satélite combinadas com aprendizado de máquina e métodos estatísticos.
A tecnologia integra dados do índice vegetativo GNDVI com variáveis como cultivar, ciclo produtivo e precipitação acumulada, fornecendo uma estimativa precisa da produtividade durante a fase de crescimento da lavoura.
Predição agrícola com inteligência artificial e satélites
O modelo utiliza uma série temporal de imagens da constelação PlanetScope, disponibilizadas pelo Programa Brasil Mais, do Ministério da Justiça.
As imagens são captadas diariamente, o que permite identificar os melhores momentos para coleta de dados vegetativos, essenciais para a estimativa de produtividade.
Segundo Geraldo Magela Cançado, pesquisador da Embrapa, o modelo ainda está em desenvolvimento, e novas variáveis — como textura do solo, temperatura e disponibilidade hídrica — serão incorporadas para ampliar a eficácia da ferramenta preditiva.
“O objetivo é que produtores e cooperativas tenham acesso a essas informações por talhão, para melhorar o planejamento estratégico e a logística de colheita.”
Validação com soja e bioestimulante Hydratus
A mesma metodologia foi aplicada à cultura da soja, em um projeto conjunto com a Embrapa Milho e Sorgo e a empresa Bioma, para validar o desempenho do bioestimulante Hydratus — produto que protege a planta da seca e estimula o crescimento.
Neste caso, utilizou-se o índice EVI2, mais sensível à biomassa e estrutura da planta.
Notícias relacionadas
Os testes foram feitos com imagens de satélite e drones, e alcançaram 71% de correlação entre produtividade prevista e real, um índice considerado alto para culturas com menor relação entre biomassa e rendimento, como é o caso da soja.
Vantagens do modelo preditivo agrícola
O modelo desenvolvido apresenta uma série de benefícios:
- Monitoramento não destrutivo da produtividade;
- Antecipação de negociações e logística de colheita;
- Apoio à tomada de decisão pelo setor público e privado;
- Potencial de uso em grandes áreas agrícolas sem necessidade de deslocamentos constantes.
“É uma ferramenta inovadora, econômica e de grande alcance para prever safras com objetividade e menos subjetividade”, afirma o pesquisador João Antunes.
Limitações e próximos passos
O projeto trabalha com duas abordagens: uma baseada em estatística tradicional e outra em aprendizado de máquina.
De acordo com o analista Eduardo Speranza, os métodos estatísticos têm se mostrado mais precisos devido ao volume ainda limitado de dados para treinar os algoritmos de IA.
“Apesar do grande número de experimentos, o volume atual (500–600 amostras) é pequeno para machine learning. À medida que aumentarmos o banco de dados validado em campo, a IA poderá superar a estatística tradicional”, explica.
O próximo desafio é escalar a tecnologia, ampliando a base de dados e consolidando o modelo para uso em diversas culturas e regiões agrícolas do Brasil.
