Predição da produtividade da soja e delimitação de zonas de manejo utilizando índices de vegetação
DOI:
https://doi.org/10.1590/1983-21252026v3915515rcPalavras-chave:
Glycine max (L.) Merrill. Sensoriamento remoto. Sentinel-2.Resumo
Índices de vegetação permitem estimar a produtividade da soja, contribuindo para o monitoramento das lavouras e a tomada de decisão em agricultura de precisão. Objetivou-se avaliar a variabilidade espacial e temporal dos índices de vegetação NDVI e NDRE em diferentes safras de soja, visando à estimativa da produtividade de grãos, à delimitação de zonas de manejo e ao desenvolvimento de modelos preditivos específicos. O estudo foi conduzido em um talhão comercial de 122,65 ha localizado no município de Ponta Porã, MS, durante as safras 2019/2020 a 2024/2025. Foram utilizados dados de produtividade obtidos por monitor de colheita e imagens Sentinel-2 para o cálculo dos índices NDVI e NDRE. Os índices foram correlacionados com a produtividade por meio de regressões lineares simples e múltiplas, sendo os modelos avaliados pelos coeficientes de determinação (R²), raiz do erro quadrático médio (RMSE) e RMSE normalizado (nRMSE). Ambos os índices apresentaram correlações significativas com a produtividade, porém o NDRE apresentou melhor desempenho preditivo. Os modelos de regressão múltipla aumentaram a capacidade preditiva de produtividade da soja ao integrar índices de vegetação. O NDRE apresentou elevada relação com a produtividade nas zonas de manejo, com melhor desempenho na Classe 2 (R² = 0,76; nRMSE = 7,7%) comparado à Classe 1 (R² = 0,67; nRMSE = 7,8%), indicando alta precisão preditiva em ambas as classes. Os resultados demonstram o potencial do NDRE para estimativa da produtividade da soja, delimitação de zonas de manejo e desenvolvimento de modelos preditivos aplicáveis à agricultura de precisão.
Referências
ALVARES, C. A. et al. Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, 22: 711-728, 2013.
ANDRADE JÚNIOR, A. S. et al. Predicting soybean grain yield using aerial drone images. Revista Brasileira de Engenharia Agrícola e Ambiental, 26: 466-476, 2022.
ANDRADE, T. G. et al. Soybean yield prediction using remote sensing in Southwestern Piauí State, Brazil. Revista Caatinga, 35: 105-116, 2022.
BATISTELLA, D. et al. Comparative analysis of orbital sensors in soybean yield estimation by the random forest algorithm. Ciência e Agrotecnologia, 47: e002423, 2023.
BAZZI, C. L. et al. Management zones definition using soil chemical and physical attributes in a soybean area. Engenharia Agrícola, 33: 952-964, 2013.
CARNEIRO, F. M. et al. Comparison between vegetation indices for detecting spatial and temporal variabilities in soybean crop using canopy sensors. Precision Agriculture, 21: 979-1007, 2020.
CEMTEC - Centro de Monitoramento do Tempo e do Clima de Mato Grosso do Sul. Banco de dados. 2026. Available at: https://www.cemtec.ms.gov.br/bancodedados/. Access on: Abr. 17, 2026.
CHRISTENSON, B. S. et al. Predicting soybean relative maturity and seed yield using canopy reflectance. Crop Science, 56: 625-643, 2016.
CONAB - Companhia Nacional de Abastecimento. Acompanhamento da safra brasileira de grãos, safra 2023/2024, décimo segundo levantamento, setembro de 2024. Available at: https://www.gov.br/conab/pt-br/atuacao/informacoes-agropecuarias/safras/safra-de-graos/boletim-da-safra-de-graos/12o-levantamento-safra-2023-2024. Access on: Set. 23, 2024.
DAMIAN, J. M. et al. Applying the NDVI from satellite images in delimiting management zones for annual crops. Scientia Agricola, 77: e20180055, 2020.
FARIAS, G. D. et al. Normalized Difference Vegetation Index (NDVI) for soybean biomass and nutrient uptake estimation in response to production systems and fertilization strategies. Frontiers in Sustainable Food Systems, 6: 959681, 2023.
GUSSO, A.; ARVOR, D.; DUCATI, J. R. Modelo para previsão da produção de soja baseado em condições físicas predominantes. Pesquisa Agropecuária Brasileira, 52: 95-103, 2017.
HUNT, M. L. et al. High resolution wheat yield mapping using Sentinel-2. Remote Sensing of Environment, 233: 111410, 2019.
JUNG, E. A. et al.. Operational and energy performance of a powershift transmission tractor during tillage at different speeds. Revista Brasileira de Engenharia Agrícola e Ambiental, 29: e287659, 2025.
MAIMAITIJIANG, M. et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning. Remote Sensing of Environment, 237: 111599, 2020.
MENEGATTI, L. A. A.; MOLIN, J. P. Remoção de erros em mapas de produtividade via filtragem de dados brutos. Revista Brasileira de Engenharia Agrícola e Ambiental, 8: 126-134, 2004.
MARSHALL, M. et al. Field-level crop yield estimation with PRISMA and Sentinel-2. ISPRS Journal of Photogrammetry and Remote Sensing, 187: 191-210, 2022.
MERCANTE, E. et al. Modelos de regressão lineares para estimativa de produtividade da soja no oeste do Paraná, utilizando dados espectrais. Engenharia Agrícola, 30: 504-517, 2010.
MILLER, J. J. et al. Characterizing soybean vigor and productivity using multiple crop canopy sensor readings. Field Crops Research, 216: 22-31, 2018.
NUNES, H. D. et al. Variabilidade espacial do desempenho operacional de colhedora de soja. Scientia Agraria, 21: e99911, 2025.
PIMENTEL-GOMES, F.; GARCIA, C. H. Estatística aplicada a experimentos agronômicos e florestais. Piracicaba, SP: FEALQ, 2002. 309 p.
PEREIRA, E. C. et al. Soybean yield estimation in the Brazilian Midwest using Sentinel-2 imagery. Big Earth Data, 10: 1-25, 2026.
PEREIRA, G. W. et al. Smart-Map: an open-source QGIS plugin for digital mapping using machine learning techniques and ordinary kriging. Agronomy, 12: 1350, 2022.
QGIS.org. QGIS Geographic Information System. QGIS Association. Available at: https://qgis.org/pt_BR/site/index.html. Access on: Feb. 4, 2024.
SANTOS, H. G. et al. Sistema Brasileiro de Classificação de Solos. 6. ed. rev. e ampl. Brasília, DF: Embrapa, 2025. 393 p.
SCALON, L. Q. et al. Soil physical attributes for discriminating soybean yield-based management zones. Revista Brasileira de Engenharia Agrícola e Ambiental, 30: e302513, 2026.
SCHWAMBACH, D. A. et al. Variability of soybean and corn yield and soil texture in the generation of management zones. Energia na Agricultura, 36: 335-347, 2021.
SILVA, V. P. R. et al. Calibração e validação do modelo AquaCrop para a cultura da soja sob diferentes níveis de irrigação na região do Matopiba, Brasil. Ciência Rural, 48: 1-8, 2018.
SLAIFFER, H. et al. Índices de vegetação e sua correlação com a produtividade da cultura da soja em área irrigada e de sequeiro. Nativa, 13: 495-502, 2025.
STEPANOV, A. et al. Predicting soybean yield at the regional scale using remote sensing and climatic data. Remote Sensing, 12: 1-23, 2020.
Downloads
Publicado
Edição
Seção
Licença
Os Autores que publicam na Revista Caatinga concordam com os seguintes termos:
a) Os Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons do tipo atribuição CC-BY, para todo o conteúdo do periódico, exceto onde estiver identificado, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista, sem fins comerciais.
b) Os Autores têm autorização para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
c) Os Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
