Sistema antecipa produtividade da soja com IA e satélites

A combinação entre imagens de satélite, variáveis climáticas e inteligência artificial vem ganhando espaço como ferramenta para prever a produtividade agrícola em um cenário marcado por mudanças climáticas e eventos extremos. Pesquisadores brasileiros desenvolveram um modelo computacional capaz de estimar a produtividade das lavouras de soja no Centro-Oeste antes mesmo da colheita, utilizando dados de satélite, informações meteorológicas e aprendizado de máquina.

O estudo, conduzido pela mestranda Ester de Carvalho Pereira, da Escola Superior de Agricultura Luiz de Queiroz da USP (Esalq/USP), foi publicado na revista científica Big Earth Data e analisou municípios de Goiás, Mato Grosso e Mato Grosso do Sul entre as safras 2019/2020 e 2021/2022. O modelo desenvolvido alcançou 72% de acurácia e erro médio inferior a 302 quilos por hectare nas estimativas de produtividade.

A pesquisa utilizou imagens do satélite Sentinel-2, variáveis climáticas e dados históricos do IBGE para construir modelos preditivos capazes de acompanhar diferentes fases do desenvolvimento da cultura da soja. O trabalho integra o projeto “Precisia – Predição de Colheita por Imagem de Satélite e Inteligência Artificial”, financiado pelo Programa RHAE do CNPq e coordenado pela empresa Espectro Ltda.

Segundo Michel Eustáquio Dantas Chaves, pesquisador da Universidade Estadual Paulista (Unesp) de Tupã e um dos autores do estudo, o avanço das tecnologias de monitoramento agrícola permitiu ampliar significativamente a capacidade de análise das lavouras. “Dados de satélite permitem monitorar safras e ciclos de produção, algo que até pouco tempo era inviável, especialmente em nível de cultura”, afirma.

IA auxilia na identificação de dados

Os pesquisadores destacam que o uso de inteligência artificial foi fundamental para identificar quais fatores climáticos e espectrais apresentavam maior impacto sobre a produtividade. Entre as variáveis mais relevantes apareceram precipitação acumulada, radiação solar e déficit hídrico. Nas imagens de satélite, tiveram maior peso bandas relacionadas ao infravermelho e ao chamado red edge, faixa espectral associada à atividade fotossintética das plantas.

Ao todo, foram desenvolvidos seis modelos distintos, considerando períodos entre 30 e 180 dias após o plantio. O melhor desempenho foi obtido no modelo de 150 dias, fase correspondente ao enchimento de grãos da soja, considerada decisiva para a definição da produtividade final.

A pesquisa surge em um momento de maior instabilidade climática para a agricultura brasileira. Na safra 2023/2024, por exemplo, eventos de calor extremo e irregularidade das chuvas reduziram significativamente o potencial produtivo da soja no país. Inicialmente estimada em 162 milhões de toneladas pela Conab, a produção acabou fechando em 147,7 milhões de toneladas, segundo dados citados pela FAO, representando perdas bilionárias ao setor.

Apesar dos avanços, os pesquisadores apontam limitações estruturais para ampliar a precisão dos modelos no Brasil. Uma das principais dificuldades foi a ausência de dados detalhados em nível de propriedade rural, o que obrigou o grupo a utilizar bases públicas como IBGE e MapBiomas para identificar áreas cultivadas.

“A maior dificuldade é ter um dado daquele local, mas a gente trabalha com o que temos”, afirma Ana Cláudia dos Santos Luciano, pesquisadora da Esalq/USP e orientadora do estudo. Segundo ela, embora o sistema ainda não ofereça detalhamento suficiente para aplicações individuais em propriedades, ele possui grande potencial para políticas públicas, monitoramento regional e planejamento agrícola.

Integração de informações

Os pesquisadores também alertam para a necessidade de maior integração entre bancos de dados públicos brasileiros e para o fortalecimento do financiamento de programas de monitoramento agrícola. Segundo Chaves, ferramentas de geoprocessamento e inteligência artificial já permitem análises cada vez mais precisas, mas muitos projetos enfrentam restrições orçamentárias.

Atualmente, o grupo segue aprimorando os modelos e desenvolvendo novas aplicações para outras culturas, como a cana-de-açúcar. Além disso, boletins periódicos de monitoramento da soja já vêm sendo produzidos para estados como Goiás, Mato Grosso do Sul e Paraná.

Mais informações em doi.org/10.1080/20964471.2026.2631900