{"id":27244,"date":"2026-06-09T07:12:28","date_gmt":"2026-06-09T11:12:28","guid":{"rendered":"https:\/\/mmcereais.com.br\/2026\/soja\/modelo-computacional-permite-antecipar-produtividade-das-lavouras-de-soja-com-acuracia-de-72\/"},"modified":"2026-06-09T07:12:28","modified_gmt":"2026-06-09T11:12:28","slug":"modelo-computacional-permite-antecipar-produtividade-das-lavouras-de-soja-com-acuracia-de-72","status":"publish","type":"post","link":"https:\/\/mmcereais.com.br\/en\/2026\/soja\/modelo-computacional-permite-antecipar-produtividade-das-lavouras-de-soja-com-acuracia-de-72\/","title":{"rendered":"Modelo computacional permite antecipar produtividade das lavouras de soja com acur\u00e1cia de 72%"},"content":{"rendered":"

<\/p>\n

\n

A combina\u00e7\u00e3o entre imagens de sat\u00e9lite, dados clim\u00e1ticos e intelig\u00eancia artificial tem sido a aposta de alguns pesquisadores para criar modelos capazes de prever a produtividade de lavouras. Esse tipo de desenvolvimento tem se tornado cada vez mais necess\u00e1rio em um contexto de mudan\u00e7as clim\u00e1ticas e eventos extremos, que amea\u00e7am a produtividade no campo e que, sem medidas de previs\u00e3o e mitiga\u00e7\u00e3o adequadas, podem causar preju\u00edzos de bilh\u00f5es de d\u00f3lares.<\/p>\n

<\/p>\n

Photo: Disclosure<\/p>\n<\/div>\n

Foi pensando nisso que um grupo de pesquisadores desenvolveu um modelo capaz de estimar a produtividade de planta\u00e7\u00f5es de soja no Centro-Oeste antes mesmo da colheita. Intitulado \u201cSoybean yield estimation in the Brazilian Midwest using Sentinel-2 imagery<\/a>\u201d, o estudo analisou dados de munic\u00edpios de Goi\u00e1s, Mato Grosso e Mato Grosso do Sul entre as safras de 2019\/2020 e 2021\/2022. Utilizando essas informa\u00e7\u00f5es e combinando-as com imagens do sat\u00e9lite Sentinel-2 e algoritmos de aprendizado de m\u00e1quina, os pesquisadores elaboraram um modelo que chegou a 72% de acur\u00e1cia e a um erro m\u00e9dio inferior a 302 kg por hectare na estimativa da produtividade da soja.<\/p>\n

A soja \u00e9 uma das commodities agr\u00edcolas mais importantes do mundo, e o Brasil ocupa, h\u00e1 pelo menos uma d\u00e9cada, a posi\u00e7\u00e3o de maior produtor mundial do gr\u00e3o, segundo dados do\u00a0Departamento de Agricultura dos Estados Unidos\u00a0(USDA).<\/p>\n

Nesse cen\u00e1rio, a cultura da soja desempenha um papel estrat\u00e9gico na economia brasileira, tanto no mercado interno quanto no com\u00e9rcio exterior. Em 2024, a produ\u00e7\u00e3o nacional foi estimada em 147,38 milh\u00f5es de toneladas, cultivadas em uma \u00e1rea de 46,03 milh\u00f5es de hectares, dos quais 46% se concentram na regi\u00e3o Centro-Oeste, de acordo com levantamento da\u00a0Companhia Nacional de Abastecimento\u00a0(Conab). Al\u00e9m disso, dados do\u00a0Minist\u00e9rio da Agricultura e Pecu\u00e1ria\u00a0(Mapa) indicam que, entre 2024 e 2025, as exporta\u00e7\u00f5es brasileiras de gr\u00e3os de soja, farelo e \u00f3leo somaram US$ 52 bilh\u00f5es.<\/p>\n

Apesar de sua centralidade para a economia brasileira, o aumento da instabilidade clim\u00e1tica tem tornado cada vez<\/p>\n

<\/p>\n

Foto: Caio In\u00e1cio<\/p>\n<\/div>\n

mais dif\u00edcil prever a produtividade das lavouras. Um exemplo foi a safra de 2023\/2024, marcada por per\u00edodos de calor extremo e irregularidade das chuvas em grande parte do pa\u00eds. Inicialmente, a Conab projetava uma colheita de 162 milh\u00f5es de toneladas de soja; no entanto, o resultado foi de 147,7 milh\u00f5es de toneladas, uma redu\u00e7\u00e3o pr\u00f3xima de 10% em rela\u00e7\u00e3o \u00e0s expectativas iniciais, segundo o relat\u00f3rio\u00a0Calor extremo e agricultura<\/a><\/em>, desenvolvido pela Organiza\u00e7\u00e3o das Na\u00e7\u00f5es Unidas para a Alimenta\u00e7\u00e3o e Agricultura (FAO). Considerando os pre\u00e7os m\u00e9dios da soja no per\u00edodo, essa quebra representou um preju\u00edzo estimado em mais de R$ 28 bilh\u00f5es para o setor produtivo.<\/p>\n

Combina\u00e7\u00e3o de dados terrestres e de sat\u00e9lite<\/strong><\/p>\n

O artigo \u00e9 resultado da pesquisa de mestrado de Ester de Carvalho Pereira, da Escola Superior de Agricultura Luiz de Queiroz da USP (Esalq\/USP), que contou com a orienta\u00e7\u00e3o da docente e pesquisadora Ana Cl\u00e1udia dos Santos Luciano, da mesma institui\u00e7\u00e3o, e integrou o projeto \u201cPreCISIA \u2013 Predi\u00e7\u00e3o de Colheita por Imagem de Sat\u00e9lite e<\/p>\n

<\/p>\n

Foto: R.R.Rufino<\/p>\n<\/div>\n

Intelig\u00eancia Artificial\u201d, fomentado pelo Programa de Forma\u00e7\u00e3o de Recursos Humanos em \u00c1reas Estrat\u00e9gicas (RHAE) do CNPq e coordenado pela empresa Espectro Ltda. O trabalho foi feito com a colabora\u00e7\u00e3o de Michel Eust\u00e1quio Dantas Chaves, docente e pesquisador da Faculdade de Ci\u00eancias e Engenharia da Unesp, c\u00e2mpus de Tup\u00e3, al\u00e9m de tamb\u00e9m integrar pesquisadores da Universidade Estadual de Londrina e da Universidade de Pequim, na China.<\/p>\n

A pesquisa combinou imagens de sat\u00e9lite de alta resolu\u00e7\u00e3o, vari\u00e1veis clim\u00e1ticas e dados hist\u00f3ricos de produtividade municipal do IBGE. \u201cO momento na agricultura \u00e9 uma era de ouro em compara\u00e7\u00e3o com o passado, quando faltavam dados para fazer an\u00e1lises. Dados de sat\u00e9lite permitem monitorar safras e ciclos de produ\u00e7\u00e3o, algo que at\u00e9 pouco tempo era invi\u00e1vel, especialmente em n\u00edvel de cultura\u201d, explicaChaves.<\/p>\n

<\/figure>\n

Ao mesmo tempo, o pesquisador ressalta que o enorme volume de informa\u00e7\u00f5es dispon\u00edveis imp\u00f5e desafios. \u201cTemos um grande volume de dados prontos para an\u00e1lises, mas, ao mesmo tempo, h\u00e1 o grande trabalho de process\u00e1-los e armazen\u00e1-los\u201d, conta o docente.<\/p>\n

Segundo os pesquisadores, nesse contexto \u00e9 imprescind\u00edvel aprender a trabalhar de forma assertiva com essa grande<\/p>\n

<\/p>\n

Photo: Disclosure<\/p>\n<\/div>\n

quantidade de dados, o que, por sua vez, torna importante identificar quais dados devem ser utilizados e ao longo de quanto tempo.<\/p>\n

A intelig\u00eancia artificial teve papel fundamental justamente para identificar quais vari\u00e1veis realmente importavam. Segundo Ester, o estudo utilizou ferramentas internas do pr\u00f3prio algoritmo para medir o peso de cada vari\u00e1vel nas previs\u00f5es. \u201cN\u00f3s processamos todas as vari\u00e1veis, rodamos o modelo e uma das quest\u00f5es era verificar quais vari\u00e1veis mais impactavam na previs\u00e3o da produtividade\u201d, exp\u00f5e.<\/p>\n

Os resultados mostraram que a precipita\u00e7\u00e3o acumulada, a radia\u00e7\u00e3o solar e o d\u00e9ficit h\u00eddrico foram as vari\u00e1veis clim\u00e1ticas mais importantes para prever a produtividade. Entre os indicadores obtidos pelas imagens de sat\u00e9lite, destacaram-se bandas relacionadas ao infravermelho e ao chamado red edge, faixa espectral altamente sens\u00edvel \u00e0 atividade fotossint\u00e9tica das plantas.<\/p>\n

<\/p>\n

Photo: Disclosure<\/p>\n<\/div>\n

A partir dessas informa\u00e7\u00f5es, os pesquisadores desenvolveram seis modelos distintos, cada um representando uma fase do desenvolvimento da cultura, desde 30 at\u00e9 180 dias ap\u00f3s o plantio. Nessa etapa, o objetivo foi identificar quais vari\u00e1veis temporais exerciam maior influ\u00eancia na estimativa da produtividade e, assim, definir o conjunto mais adequado para a constru\u00e7\u00e3o do modelo com melhor desempenho.<\/p>\n

Neste caso, Luciano explica que vari\u00e1veis n\u00e3o faz refer\u00eancia a informa\u00e7\u00f5es de origens diferentes: todos os modelos consideraram as mesmas fontes e tipos de dados, definidos na etapa anterior, mas sim \u00e0 quantidade de informa\u00e7\u00e3o em rela\u00e7\u00e3o ao tempo. \u201cN\u00f3s temos os mesmos tipos de vari\u00e1veis em cada modelo, mas aqueles que analisavam 150 ou 180 dias tinham um n\u00famero maior de dados porque consideravam um tempo maior de an\u00e1lise\u201d, conta.<\/p>\n

\u201cConsiderando um primeiro modelo que utilizava todas as informa\u00e7\u00f5es dos seis meses estudados, t\u00ednhamos<\/p>\n

<\/p>\n

Photo: Jose Fernando Ogura<\/p>\n<\/div>\n

aproximadamente 400 vari\u00e1veis. Mas, quando criamos um modelo de 30 dias, que j\u00e1 gerou um resultado bem interessante, trabalhamos com cerca de 80 vari\u00e1veis\u201d, acrescenta Ester.<\/p>\n

Assim, para garantir a efici\u00eancia do modelo e que n\u00e3o haja trabalho sendo feito em excesso, o grupo descobriu qual era o m\u00e1ximo de tempo necess\u00e1rio para gerar um modelo com boa acur\u00e1cia. O melhor desempenho ocorreu no modelo de 150 dias, justamente no per\u00edodo de enchimento de gr\u00e3os da soja, fase decisiva para a defini\u00e7\u00e3o da produtividade final.<\/p>\n

Busca por dados<\/strong><\/p>\n

Luciano j\u00e1 contava com experi\u00eancia pr\u00e9via no desenvolvimento de modelos de previs\u00e3o para a cultura da cana-de-a\u00e7\u00facar. O trabalho com a soja surgiu a partir de uma parceria com a empresa Espectro, especializada no desenvolvimento de hardware e software. \u201cInicialmente, o projeto era para estimar a produtividade de culturas de gr\u00e3os irrigados, como soja, feij\u00e3o e milho. S\u00f3 depois acabamos focando apenas na soja\u201d, lembra.<\/p>\n

<\/p>\n

Photo: Shutterstock<\/p>\n<\/div>\n

A experi\u00eancia pr\u00e9via com a cana-de-a\u00e7\u00facar permitiu que o grupo partisse de uma base j\u00e1 consolidada. No entanto, enquanto a cultura da cana-de-a\u00e7\u00facar disp\u00f5e de uma base de dados ampla e estruturada, favorecendo maior acur\u00e1cia e facilidade no desenvolvimento dos modelos, a realidade das lavouras de soja \u00e9 bem diferente.<\/p>\n

Por conta disso, o trabalho tamb\u00e9m evidencia limita\u00e7\u00f5es estruturais enfrentadas pela ci\u00eancia brasileira. Uma das principais dificuldades foi a aus\u00eancia de dados detalhados em n\u00edvel de propriedade rural. Para contornar essa problem\u00e1tica, os pesquisadores precisaram utilizar mapas do IBGE e do projeto MapBiomas para identificar as \u00e1reas cultivadas com soja. \u201cA maior dificuldade \u00e9 ter um dado daquele local, mas a gente trabalha com o que temos\u201d, afirmou Luciano. \u201cSe voc\u00ea quiser um n\u00edvel de detalhe para que o produtor veja de fato a \u00e1rea dele, n\u00e3o vai atender, mas em n\u00edvel de governo, munic\u00edpio e pol\u00edtica p\u00fablica o trabalho se aplica muito bem\u201d, ressalta.<\/p>\n

Segundo os pesquisadores, o estudo n\u00e3o foi pensado para substituir levantamentos de campo feitos por \u00f3rg\u00e3os<\/p>\n

<\/p>\n

Photo: Shutterstock<\/p>\n<\/div>\n

oficiais, mas para complementar essas an\u00e1lises com monitoramento cont\u00ednuo em larga escala. Al\u00e9m disso, os pesquisadores refor\u00e7am a import\u00e2ncia de integrar diferentes bases de dados p\u00fablicas brasileiras, o que, para Chaves, representa um dos principais gargalos do setor. \u201cSe n\u00e3o soubermos cruzar os dados que o IBGE fornece com os dados da Conab, do INPE ou da Embrapa, entre outros, estaremos perdendo como cadeia produtiva e como Estado-na\u00e7\u00e3o\u201d, enfatiza.<\/p>\n

Falta de confian\u00e7a nos dados nacionais<\/strong><\/p>\n

Segundo Luciano, um dos problemas que leva \u00e0 dificuldade de integrar esses dados \u00e9 uma certa desconfian\u00e7a da sociedade em rela\u00e7\u00e3o aos dados produzidos por institui\u00e7\u00f5es brasileiras, o que, para a pesquisadora, representa uma desvaloriza\u00e7\u00e3o da ci\u00eancia nacional. \u201cA gente tem tantos monitoramentos feitos por n\u00f3s, com tecnologia brasileira, por pesquisadores brasileiros, que muitas vezes acabam sendo desvalorizados aqui, mas s\u00e3o utilizados por outros pa\u00edses\u201d, salienta.<\/p>\n

40Foto: Divulga\u00e7\u00e3o\/OPRComo exemplo, os pesquisadores destacam a China, os Estados Unidos e a Uni\u00e3o Europeia, que mant\u00eam tecnologias de monitoramento das lavouras brasileiras utilizando bases de dados do Brasil.<\/p>\n

Somado a essa problem\u00e1tica, Chaves destaca que muitos programas brasileiros de monitoramento sofrem com a falta de financiamento. \u201cO dado \u00e9 \u00fatil, acess\u00edvel, cada vez mais preciso e existem cada vez mais pessoas que entendem de geoprocessamento e computa\u00e7\u00e3o, mas falta investimento condizente para ampliar o retorno \u00e0 sociedade\u201d, menciona.<\/p>\n

A limita\u00e7\u00e3o de financiamento levou ao encerramento de programas de monitoramento como Caf\u00e9sat e Canasat, que eram mantidos pela Ag\u00eancia Espacial Brasileira (INPE), e amea\u00e7a a continuidade de outros como o\u00a0TerraClass<\/a>\u00a0and the\u00a0Prodes<\/a>.<\/p>\n<\/div>\n

THE MM Cereais<\/strong> works with the best grains on the market and also keeps you up to date with the latest news and analyses on agribusiness.
\nDon't forget to follow our social networks.<\/em><\/h6>\n

Access News Source <\/a><\/p>","protected":false},"excerpt":{"rendered":"

A combina\u00e7\u00e3o entre imagens de sat\u00e9lite, dados clim\u00e1ticos e intelig\u00eancia artificial tem sido a aposta…<\/p>","protected":false},"author":1,"featured_media":26880,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[259],"tags":[],"class_list":["post-27244","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-soja"],"_links":{"self":[{"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/posts\/27244","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/comments?post=27244"}],"version-history":[{"count":0,"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/posts\/27244\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/media\/26880"}],"wp:attachment":[{"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/media?parent=27244"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/categories?post=27244"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mmcereais.com.br\/en\/wp-json\/wp\/v2\/tags?post=27244"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}