Uso de geotecnologías en la obtención de superficie sembrada de soja y maíz en Santa Catarina

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

Autores/as

Resumen

El monitoreo de los cultivos de soja y maíz es esencial para la agroindustria en Santa Catarina. Este estudio, un proyecto en curso con resultados prometedores, entrenó un algoritmo de inteligencia artificial (IA) para clasificar la soja, el maíz de grano y el maíz para ensilaje, y estimar la superficie sembrada neta en la temporada agrícola 2023/2024. Se utilizaron series temporales de imágenes orbitales, índices espectrales y datos topográficos. El clasificador alcanzó una precisión general del 92 % y un coeficiente Kappa de 0,88, demostrando su eficacia, fiabilidad y potencial para el monitoreo agrícola en el Estado, sirviendo como base para futuras mejoras.

Biografía del autor/a

  • 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
    Conflictos de interés

    Los autores declaran no tener ningún conflicto de intereses en este trabajo.

  • 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
    Conflictos de interés

    Los autores declaran no tener ningún conflicto de intereses en este trabajo.

  • 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
    Conflictos de interés

    Los autores declaran no tener ningún conflicto de intereses en este trabajo.

Referencias

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.

Métricas

70
Visualizaciones
9
Descargas

Palabras clave

  • Teledetección
  • Inteligencia artificial
  • Aprendizaje automático
  • Google Earth Engine