Soybean yield prediction and management zone delineation using vegetation indices
DOI:
https://doi.org/10.1590/1983-21252026v3915515rcKeywords:
Glycine max (L.) Merrill. Remote sensing. Sentinel-2.Abstract
Vegetation indices enable the estimation of soybean yield, contributing to crop monitoring and decision-making in precision agriculture systems. The objective of this study was to evaluate the spatial and temporal variability of NDVI and NDRE vegetation indices across different soybean growing seasons, aiming at grain yield estimation, management zone delineation, and the development of specific predictive models. The study was conducted in a 122.65 ha commercial field located in Ponta Porã, Mato Grosso do Sul, Brazil, during the 2019/2020 to 2024/2025 growing seasons. Yield data obtained from a combine harvester yield monitor and Sentinel-2 satellite imagery were used to calculate NDVI and NDRE. The indices were correlated with yield using simple and multiple linear regression models, which were evaluated based on the coefficient of determination (R²), root mean square error (RMSE), and normalized RMSE (nRMSE). Both indices showed significant correlations with yield; however, NDRE exhibited superior predictive performance. Multiple linear regression models improved soybean yield prediction accuracy by integrating vegetation indices. NDRE showed a strong relationship with yield across management zones, with better performance in Zone 2 (R² = 0.76; nRMSE = 7.7%) than in Zone 1 (R² = 0.67; nRMSE = 7.8%), indicating high predictive accuracy in both zones. The results demonstrate the potential of NDRE for soybean yield estimation, management zone delineation, and the development of predictive models applicable to precision agriculture.
References
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
Published
Issue
Section
License
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).
