O uso de sensoriamento remoto para predição da produtividade da cultura da batata

Abstract

A cultura da batata possui elevada relevância econômica e social, sendo uma das hortaliças mais cultivadas e consumidas no mundo. No Brasil, estados como Minas Gerais, São Paulo e Paraná concentram parte expressiva da produção nacional, desempenhando papel estratégico tanto para o abastecimento interno quanto para a geração de renda agrícola. Diante da necessidade crescente de tecnologias que auxiliem na predição de produtividade e na adoção de práticas de manejo mais sustentáveis, o sensoriamento remoto aliado a técnicas de aprendizado de máquina apresenta-se como ferramenta promissora. O presente trabalho expõeos resultados e experiências obtidos no ano de 2025 no âmbito do projeto de monitoramento e predição de produtividade da batata. As atividades buscaram utilizar redes neurais para predizer a produtividade da cultura antes da sua colheita. Ao longo do período, foram coletados dados espectrais provenientes de satélites de alta resolução e devidamente processados para a extração e índices de vegetação representativos da dinâmica do cultivo. Paralelamente, realizaram-se levantamentos agronômicos em parcelas experimentais e áreas comerciais, sendo a variável produtividade a variável de interesse. Esses dados foram integrados em banco unificado e analisados por meio do software STATISTICA®, permitindo o desenvolvimento de modelos baseados em redes neurais artificiais (MLP e RBF). Na safra de 2025, com a cultivar Orchestra, a análise descritiva indicou produtividade média de 33,27 t ha⁻¹, com distribuição normal e variabilidade moderada (CV = 16,75%). As redes MLP apresentaram erros médios absolutos (MAE) entre 5,29 e 8,48 t ha⁻¹, enquanto as RBF se destacaram com valores entre 2,63 e 4,15 t ha⁻¹, especialmente nos estágios intermediários (48–70 DAP), considerados os mais informativos para a predição da produtividade. A análise de sensibilidade reforçou essa superioridade, demonstrando que as RBF priorizaram variáveis espectrais fisiologicamente coerentes com cada fase do ciclo, em especial a borda vermelha (705 nm) e o NIR (865 nm) no auge do desenvolvimento da cultura. Assim, os avanços obtidos em 2025 confirmam o potencial das ferramentas de sensoriamento remoto e modelagem estatística no apoio à tomada de decisão no cultivo da batata. A integração de imagens orbitais de alta resolução e redes neurais artificiais mostrou-se eficaz na predição da produtividade, fornecendo subsídios para práticas de agricultura de precisão, manejo mais sustentável e consolidação da agricultura digital na cadeia produtiva da batata.

The potato crop has high economic and social relevance, being one of the most cultivated and consumed vegetables worldwide. In Brazil, states such as Minas Gerais, São Paulo, and Paraná concentrate a significant portion of the national production, playing a strategic role for both domestic supply and agricultural income generation. Given the growing need for technologies that aid in productivity estimation and the adoption of more sustainable management practices, remote sensing combined with machine learning techniques presents itself as a promising tool. This work presents the results and experiences obtained in the year 2025 within the scope of the potato crop monitoring and productivity prediction project. The activities aimed to utilize neural networks to predict crop productivity before harvest. Throughout the period, spectral data from high-resolution satellites were collected and properly processed to extract vegetation indices representative of the crop's dynamics. In parallel, agronomic surveys were conducted in experimental plots and commercial areas, with the productivity variable serving as the central reference for model calibration. This data was integrated into a unified database and analyzed using the STATISTICA® software, enabling the development of models based on Artificial Neural Networks (MLP and RBF). In the 2025 season, with the Orchestra cultivar, descriptive analysis indicated an average productivity of 33.27 t ha⁻¹, with a normal distribution and moderate variability (CV = 16.75%). The MLP networks showed Mean Absolute Errors (MAE) between 5.29 and 8.48 t ha⁻¹, while the RBF networks stood out with values between 2.63 and 4.15 t ha⁻¹, especially in the intermediate stages (48–70 DAP), which are considered the most informative for productivity estimation. Sensitivity analysis reinforced this superiority, demonstrating that the RBF networks prioritized spectral variables that are physiologically coherent with each phase of the cycle, particularly the red edge (705 nm) and NIR (865 nm) at the peak of crop development. Thus, the advancements obtained in 2025 confirm the potential of remote sensing and statistical modeling tools in supporting decision-making in potato cultivation. The integration of high-resolution orbital images and artificial neural networks proved effective in productivity prediction, providing support for precision agriculture practices, more sustainable management, and the consolidation of digital agriculture in the potato production chain.