Um grupo de pesquisadores brasileiros desenvolveu um modelo de inteligência artificial capaz de estimar a produtividade das lavouras de soja no Centro-Oeste do país antes mesmo da colheita. O sistema, que combina imagens do satélite Sentinel-2, variáveis climáticas e dados históricos do IBGE, atingiu 72% de acurácia e margem de erro inferior a 302 quilos por hectare. Resultados que podem transformar o monitoramento agrícola em um país onde a soja movimentou US$ 52 bilhões em exportações entre 2024 e 2025.
O estudo, intitulado Soybean yield estimation in the Brazilian Midwest using Sentinel-2 imagery, foi publicado na revista científica Big Earth Data e analisou municípios de Goiás, Mato Grosso e Mato Grosso do Sul durante três safras consecutivas, de 2019/2020 a 2021/2022. A pesquisa é fruto do projeto PreCISIA (Predição de Colheita por Imagem de Satélite e Inteligência Artificial), financiado pelo CNPq e desenvolvido em parceria com a empresa Espectro Ltda., pesquisadores da Unesp, da Universidade Estadual de Londrina e da Universidade de Pequim.
Por que prever a safra de soja se tornou urgente
O Brasil é o maior produtor mundial de soja há pelo menos uma década, segundo o Departamento de Agricultura dos Estados Unidos (USDA). Na safra 2023/2024, no entanto, o setor enfrentou uma lição dura: estimativas iniciais da Conab projetavam 162 milhões de toneladas, mas o resultado final ficou em 147,7 milhões. Uma queda de quase 10%, atribuída a períodos de calor extremo e chuvas irregulares. O prejuízo estimado para o setor produtivo superou R$ 28 bilhões, de acordo com relatório da FAO.
- CNA divulga finalistas do Prêmio Brasil Artesanal 2026 de azeite de oliva
- Minas lança plano bilionário para combate a incêndios e defesa da agropecuária
É justamente nesse contexto de crescente instabilidade climática que ferramentas preditivas como a desenvolvida pela equipe ganham relevância. “O momento na agricultura é uma era de ouro em comparação com o passado, quando faltavam dados para fazer análises”, afirma Michel Eustáquio Dantas Chaves, professor da Unesp e colaborador do estudo. “Dados de satélite permitem monitorar safras e ciclos de produção, algo que até pouco tempo era inviável, especialmente em nível de cultura.”
Como o modelo funciona
A pesquisa, desenvolvida como dissertação de mestrado de Ester de Carvalho Pereira, da Escola Superior de Agricultura Luiz de Queiroz (Esalq/USP), sob orientação da professora Ana Cláudia dos Santos Luciano, utilizou algoritmos de aprendizado de máquina para identificar quais variáveis tinham maior peso na estimativa de produtividade.
Os resultados mostraram que precipitação acumulada, radiação solar e déficit hídrico foram os fatores climáticos mais determinantes. Entre os dados de satélite, destacaram-se bandas espectrais relacionadas ao infravermelho e ao chamado red edge, uma faixa altamente sensível à atividade fotossintética das plantas.
A partir daí, os pesquisadores construíram seis modelos distintos, cada um correspondendo a uma janela temporal diferente do desenvolvimento da cultura, de 30 a 180 dias após o plantio. O melhor desempenho ocorreu no modelo de 150 dias, período coincidente com o enchimento de grãos — fase decisiva para a produtividade final da soja.
“Considerando um modelo que utilizava todas as informações dos seis meses estudados, tínhamos aproximadamente 400 variáveis. Mas quando criamos um modelo de 30 dias, que já gerou um resultado bem interessante, trabalhamos com cerca de 80 variáveis”, explica Ester.
Limitações e potencial de aplicação
Os pesquisadores reconhecem que o modelo não substitui levantamentos de campo realizados por órgãos oficiais, mas pode complementá-los com monitoramento contínuo em larga escala. Uma das principais dificuldades encontradas foi a ausência de dados detalhados em nível de propriedade rural, o que levou o grupo a recorrer a mapeamentos do IBGE e do projeto MapBiomas.
“Se você quiser um nível de detalhe para que o produtor veja de fato a área dele, o modelo não vai atender. Mas em nível de governo, município e política pública, o trabalho se aplica muito bem”, avalia Luciano.
O estudo também evidencia um problema estrutural recorrente na ciência brasileira: a desvalorização de dados produzidos nacionalmente. “Temos tantos monitoramentos feitos por nós, com tecnologia brasileira, que muitas vezes são subutilizados aqui, mas utilizados por outros países”, diz Luciano. China, Estados Unidos e União Europeia mantêm sistemas próprios de monitoramento das lavouras brasileiras a partir de bases de dados do Brasil.
Chaves reforça a crítica à falta de financiamento. “O dado é útil, acessível, cada vez mais preciso e existem cada vez mais pessoas que entendem de geoprocessamento, mas falta investimento condizente para ampliar o retorno à sociedade.” A limitação de recursos já levou ao encerramento de programas como o Cafésat e o Canasat, mantidos pelo INPE, e ameaça a continuidade de outros, como o TerraClass e o Prodes.
Próximos passos
Apesar dos desafios, o grupo segue aprimorando as ferramentas. Atualmente, os pesquisadores publicam boletins periódicos de monitoramento da soja em Goiás, Mato Grosso do Sul e Paraná, usando índices de vegetação obtidos por satélite. Em paralelo, Ester desenvolve seu doutorado com foco na cana-de-açúcar, próximo desafio da equipe.
Para Chaves, o caminho passa necessariamente pela integração de diferentes bases de dados públicas. “Se não soubermos cruzar os dados do IBGE com os da Conab, do INPE ou da Embrapa, estaremos perdendo como cadeia produtiva e como Estado-nação.”
