Publication: Modelagem preditiva de produtividade agrícola a partir de fontes de dados espaciais (FLDAS) para a cultura da soja na Mesorregião Norte do estado do Mato Grosso
Loading...
submission.sections.submit.progressbar.describe.tipo
Date
submission.sections.submit.progressbar.describe.acesso
Collections
item.page.program
item.page.cnpq
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAO, CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::AGROMETEOROLOGIA, CNPQ::OUTROS::CIENCIAS
Journal Title
Journal ISSN
Volume Title
Authors
item.page.advisor1
item.page.coAdvisors
Summary
A previsão da produtividade agrícola é um desafio estratégico para o planejamento da produção, o crédito rural e a formulação de políticas públicas. Tradicionalmente, essas previsões no Brasil baseiam-se em dados meteorológicos provenientes de estações convencionais, que apresentam falhas de consistência, baixa cobertura espacial e lacunas temporais. Este trabalho propõe a construção de um modelo de previsão de produtividade agrícola fundamentado em dados climáticos obtidos por sensoriamento remoto multissatelital, integrando informações do FLDAS/NOAH (NASA/Giovanni) ao longo da série histórica de 1989 a 2022. Os dados climáticos, processados em formato NetCDF, foram espacialmente extraídos a partir dos centroides municipais e cruzados com registros oficiais de produtividade da soja disponibilizados pelo IBGE/SIDRA. O método aplicado baseou-se em aprendizado de máquina por meio de árvores de decisão em conjunto (gradient boosting), explorando 216 variáveis climáticas derivadas de fluxos, balanço hídrico, radiação e parâmetros atmosféricos. Os resultados alcançaram um coeficiente de determinação (R²) de 0,823, com valores consistentes de RMSE e MAE, demonstrando alta capacidade do modelo em reproduzir a variabilidade da produtividade observada, mesmo sem a inclusão de variáveis agronômicas como fertilidade do solo e manejo. A análise de importância das variáveis, realizada por valores SHAP, indicou que componentes relacionados ao balanço hídrico e à radiação foram determinantes na previsão da produtividade em fases críticas do ciclo fenológico da soja. Conclui-se que o modelo desenvolvido é robusto e escalável, permitindo sua validação para outras culturas e regiões agrícolas. Além de fornecer previsões confiáveis, a abordagem proposta amplia as possibilidades de monitoramento agrícola em áreas desassistidas por dados meteorológicos convencionais, constituindo-se em ferramenta valiosa para gestão agrícola, formulação de políticas públicas e apoio a setores como crédito rural, seguros e planejamento logístico.
Abstract
Forecasting agricultural productivity is a strategic challenge for production planning, rural credit, and public policy formulation. In Brazil, such forecasts have traditionally relied on meteorological data from conventional weather stations, which are limited by inconsistencies, low spatial coverage, and temporal gaps. This study proposes the development of a crop yield prediction model based on climate data obtained from multisatellite remote sensing, integrating information from FLDAS/NOAH (NASA/Giovanni) for the historical period from 1989 to 2022. Climate variables, processed in NetCDF format, were spatially extracted from municipal centroids and combined with official soybean yield records provided by IBGE/SIDRA. The method applied was based on machine learning through ensemble decision trees (gradient boosting), exploring 216 climate variables derived from energy balance, hydrological fluxes, radiation, and atmospheric parameters. The results achieved a coefficient of determination (R²) of 0.823, with consistent RMSE and MAE values, demonstrating the model’s strong ability to reproduce observed yield variability, even without including agronomic variables such as soil fertility and management practices. Variable importance analysis using SHAP values highlighted that hydrological balance and radiation components were decisive in predicting yield during critical phenological stages of soybean. The findings indicate that the model is robust and scalable, allowing validation for other crops and agricultural regions. In addition to providing reliable forecasts, the proposed approach expands the potential for agricultural monitoring in areas lacking conventional meteorological data, representing a valuable tool for farm management, public policy, rural credit, insurance, and logistics planning.
Keywords
Agricultura, Agriculture, Sensoriamento remoto, Remote sensing., Soja, Soybean, Produtividade, Yield, Modelagem preditiva, Predictive modeling, Aprendizado de máquina., Machine learning
Citation
CRUVINEL, Abel da Silva. Modelagem preditiva de produtividade agrícola a partir de fontes de dados espaciais (FLDAS) para a cultura da soja na Mesorregião Norte do estado do Mato Grosso. 2026. Tese (Doutorado em Ciência e Tecnologia de Biocombustíveis) – Universidade Federal de Uberlândia, Uberlândia, 2026. DOI: http://doi.org/10.14393/ufu.te.2026.48.
item.page.doi
Collections
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwise noted, this item's license is described as Acesso Embargado