A utilização de inteligência artificial no agronegócio brasileiro ganha um novo avanço com o desenvolvimento de um modelo computacional capaz de estimar a produtividade das lavouras de soja antes mesmo da colheita. A ferramenta alcançou 72% de acurácia e apresentou margem de erro inferior a 302 quilos por hectare, demonstrando potencial para aprimorar o monitoramento agrícola em um cenário cada vez mais impactado pelas mudanças climáticas.

O estudo, publicado na revista científica Big Earth Data, analisou dados de municípios dos estados de Goiás, Mato Grosso e Mato Grosso do Sul durante as safras de 2019/2020 a 2021/2022. A pesquisa utilizou imagens do satélite Sentinel-2, variáveis climáticas e algoritmos de aprendizado de máquina para construir modelos capazes de prever o desempenho das lavouras de soja com elevada precisão.

Tecnologia pode reduzir impactos da instabilidade climática

A crescente frequência de eventos climáticos extremos tem ampliado os desafios para produtores rurais, cooperativas e agentes do mercado agrícola. Nesse contexto, ferramentas capazes de antecipar o potencial produtivo das lavouras tornam-se estratégicas para a tomada de decisão e a gestão de riscos.

Segundo os pesquisadores, a combinação entre sensoriamento remoto e inteligência artificial permite monitorar o desenvolvimento das culturas agrícolas em larga escala, oferecendo informações mais rápidas e confiáveis sobre o comportamento das safras.

Soja lidera produção agrícola nacional

A relevância da pesquisa acompanha a importância econômica da soja para o Brasil. Dados da Companhia Nacional de Abastecimento (Conab) indicam que a produção nacional da oleaginosa foi estimada em 147,38 milhões de toneladas em 2024, cultivadas em uma área de 46,03 milhões de hectares.

A Região Centro-Oeste concentra aproximadamente 46% dessa área plantada, consolidando-se como o principal polo produtor do país e justificando o foco da pesquisa nos estados da região.

Projeto reúne universidades e empresas de tecnologia

O trabalho é resultado da dissertação de mestrado de Ester de Carvalho Pereira, desenvolvida na Escola Superior de Agricultura Luiz de Queiroz (Esalq/USP), sob orientação da pesquisadora Ana Cláudia dos Santos Luciano.

A pesquisa integrou o projeto PreCISIA – Predição de Colheita por Imagem de Satélite e Inteligência Artificial, financiado pelo Programa de Formação de Recursos Humanos em Áreas Estratégicas (RHAE), do CNPq, e coordenado pela empresa Espectro Ltda.

Também participaram do estudo pesquisadores da Universidade Estadual Paulista (Unesp), da Universidade Estadual de Londrina (UEL) e da Universidade de Pequim, na China.

Dados de satélite ampliam capacidade de monitoramento agrícola

Para desenvolver o modelo, os pesquisadores combinaram imagens de satélite de alta resolução, informações meteorológicas e dados históricos de produtividade disponibilizados pelo IBGE.

De acordo com Michel Eustáquio Dantas Chaves, professor da Unesp e um dos autores do estudo, o avanço da disponibilidade de dados transformou a capacidade de análise da agricultura moderna.

Segundo ele, as imagens de satélite permitem acompanhar o desenvolvimento das lavouras e seus ciclos produtivos em uma escala que até poucos anos atrás era considerada inviável. No entanto, o grande volume de informações disponíveis também exige maior capacidade de processamento e armazenamento.

Variáveis climáticas foram decisivas para as previsões

A inteligência artificial desempenhou papel fundamental na identificação dos fatores com maior influência sobre a produtividade da soja.

Os resultados apontaram que a precipitação acumulada, a radiação solar e o déficit hídrico foram as variáveis climáticas mais relevantes para o desempenho dos modelos preditivos.

Já entre os indicadores obtidos por sensoriamento remoto, destacaram-se as bandas espectrais relacionadas ao infravermelho e ao chamado red edge, faixa altamente sensível à atividade fotossintética das plantas e amplamente utilizada para avaliar a saúde da vegetação.

Fase de enchimento de grãos apresentou melhor desempenho

Os pesquisadores criaram seis modelos distintos, representando diferentes estágios do ciclo da cultura, desde 30 até 180 dias após o plantio.

Embora todos utilizassem as mesmas fontes de dados, o diferencial estava no período analisado. Os modelos mais longos incorporavam um volume maior de informações ao longo do desenvolvimento da lavoura.

O melhor resultado foi alcançado pelo modelo baseado em 150 dias de acompanhamento, correspondente à fase de enchimento de grãos da soja, considerada uma das etapas mais importantes para a definição da produtividade final.

Enquanto o modelo mais completo utilizava aproximadamente 400 variáveis, versões mais simplificadas, com apenas 30 dias de análise, trabalharam com cerca de 80 variáveis e ainda apresentaram resultados considerados promissores pelos pesquisadores.

Agricultura digital ganha espaço no campo

Os resultados reforçam o potencial das tecnologias de inteligência artificial, sensoriamento remoto e análise de dados para aumentar a eficiência da agricultura brasileira.

Além de contribuir para previsões mais precisas de safra, ferramentas desse tipo podem apoiar produtores, cooperativas, empresas e formuladores de políticas públicas na gestão de riscos climáticos, planejamento da produção e tomada de decisões estratégicas em um ambiente agrícola cada vez mais dependente de informações em tempo real.

Fonte: Portal do Agronegócio