Use of geotechnologies to obtain planted area of soybeans and corn in Santa Catarina

DOI: 10.52945/rac.v39i.2276
Published 2026-09-15

Authors

Abstract

Monitoring soybean and corn crops is essential for agribusiness in Santa Catarina. This study, an ongoing work presenting promising results, trained an artificial intelligence (AI) algorithm to classify soybeans, grain corn, and silage corn and estimate the net planted area for the 2023/2024 harvest. Time series of orbital images, spectral indices, and terrain data were used. The classifier achieved an overall accuracy of 92% and a Kappa of 0.88, proving to be effective, auditable, and promising for agricultural monitoring in the state , serving as a basis for future improvements. 

Author Biographies

  • Haroldo Tavares Elias

    Possui graduação em Engenharia Agronômica pela Universidade Federal de Santa Catarina (1985), mestrado em Genética e Melhoramento de Plantas pela Universidade Federal de Lavras (1997) e doutorado em Agronomia pela Universidade Estadual de Maringá (2006). Analista de pesquisa em sócio economia da Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina, no Centro de Planejamento e sócioeconomia, Epagri/Cepa. 

    • Conceptualization
    • Data Curation
    • Formal Analysis
    • Project Administration
    • Investigation
    • Methodology
    • Writing – Review & Editing
    • Writing – Original Draft Preparation
    Competing Interests

    The authors declare no conflict of interest in this work.

  • João Rogério Alves

    Graduação em Agronomia pela Universidade Federal de Santa Catarina (1994), Mestrado em Agroecossistemas pela Universidade Federal de Santa Catarina (2003), Especialização e Biossegurança pela Universidade Federal de Santa Catarina (2005). Atualmente é Agente Técnico de Formação Superior - Agrônomo da Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina.

    • Conceptualization
    • Data Curation
    • Writing – Review & Editing
    • Investigation
    • Methodology
    • Validation
    Competing Interests

    The authors declare no conflict of interest in this work.

  • Bruna Parente Porto

    Graduação em Agronomia pela Universidade Federal de Santa Catarina, 2012. Atualmente, é extensionista rural na Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina (Epagri), atuando no projeto Levantamento das expectativas e projeções da produção agrícola catarinense, desenvolvido pelo Centro de Socioeconomia e Planejamento agrícola (Epagri/Cepa). E-mail: brunaporto@epagri.sc.gov.br

    • Conceptualization
    • Data Curation
    • Investigation
    • Methodology
    • Writing – Review & Editing
    Competing Interests

    The authors declare no conflict of interest in this work.

References

ELBASI, E.; ZAKI, C.; TOPCU, A. E.; ABDELBAKI, W.; ZREIKAT, A. I.; CINA, E.; SHDEFAT, A.; SAKER, L. Crop Prediction Model Using Machine Learning Algorithms. Applied Sciences, v. 13, n. 16, p. 9288, 16 ago. 2023. Disponível em: http://dx.doi.org/10.3390/app13169288.

EMPRESA DE PESQUISA AGROPECUÁRIA E EXTENSÃO RURAL DE SANTA CATARINA. CENTRO DE SOCIOECONOMIA E PLANEJAMENTO AGRÍCOLA. Síntese Anual da Agricultura de Santa Catarina — 2024. Florianópolis: Epagri/Cepa, 2025a. Disponível em: https://docweb.epagri.sc.gov.br/website_cepa/publicacoes/Sintese_2024.pdf. Acesso em: 12 nov. 2025.

EMPRESA DE PESQUISA AGROPECUÁRIA E EXTENSÃO RURAL DE SANTA CATARINA. CENTRO DE SOCIOECONOMIA E PLANEJAMENTO AGRÍCOLA. Metodologia e estratégia de ação — Projeto Safras. Florianópolis: Epagri/Cepa, 2025b. Disponível em: https://drive.google.com/file/d/1ELcn2GrhjvCD5lXbskU1od1woS18kKbw/view. Acesso em: 15 jan. 2026.

ESPINEL, R.; HERRERA-FRANCO, G.; RIVADENEIRA GARCÍA, J. L.; ESCANDÓN-PANCHANA, P. Artificial Intelligence in Agricultural Mapping: A Review. Agriculture, v. 14, n. 7, p. 1071, 2024. Disponível em: http://dx.doi.org/10.3390/agriculture14071071.

FONSECA, J.; DOUZAS, G.; BACAO, F. Improving Imbalanced Land Cover Classification with K-Means SMOTE: Detecting and Oversampling Distinctive Minority Spectral Signatures. Information, v. 12, n. 7, p. 266, 2021. Disponível em: http://dx.doi.org/10.3390/info12070266.

GORELICK, N.; HANCHER, M.; DIXON, M.; ILYUSHCHENKO, S.; THAU, D.; MOORE, R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, v. 202, p. 18–27, 2017. Disponível em: http://dx.doi.org/10.1016/j.rse.2017.06.031.

LIN, Z.; HUANG, R.; TAN, S.; YANG, L.; HUANG, J.; SU, L.; HU, Z. Silage Maize Identification Using a Temporal Difference-Based Model with Sentinel-2 Data: Insights from a Harvest-Based and Temporally Transferable Approach. Agronomy, v. 15, n. 6, p. 1438, 2025. Disponível em: http://dx.doi.org/10.3390/agronomy15061438.

NEIGH, C.; JU, J.; ROGER, J.-C.; SKAKUN, S.; VERMOTE, E.; CLAVERIE, M.; DUNGAN, J.; YIN, Z.; FREITAG, B.; JUSTICE, C. HLS Operational Land Imager Surface Reflectance and TOA Brightness Daily Global 30m v2.0: NASA Land Processes Distributed Active Archive Center, 2021. Disponível em: https://doi.org/10.5067/HLS/HLSL30.002.

SALEHI SHAHRABI, H.; ASHOURLOO, D.; MOEINI RAD, A.; AGHIGHI, H.; AZADBAKHT, M.; NEMATOLLAHI, H. Automatic silage maize detection based on phenological rules using Sentinel-2 time-series dataset. International Journal of Remote Sensing, v. 41, n. 21, p. 8406–8427, 2020. Disponível em: http://dx.doi.org/10.1080/01431161.2020.1779377.

Metrics

70
Views
9
Downloads

Keywords

  • Remote Sensing
  • Artificial Intelligence
  • Machine Learning
  • Google Earth Engine