Uso de geotecnologias na obtenção de área plantada de soja e milho em Santa Catarina

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

Autores

Resumo

O monitoramento das culturas de soja e milho é essencial para o agronegócio catarinense. Este estudo, um trabalho em andamento que apresenta resultados promissores, treinou um algoritmo de inteligência artificial (IA) para classificar soja, milho-grão e milho-silagem e estimar a área plantada líquida na safra 2023/2024. Utilizaram-se séries temporais de imagens orbitais, índices espectrais e dados do terreno. O classificador atingiu acurácia global de 92% e Kappa de 0,88, mostrando-se eficaz, auditável e promissor para o monitoramento agrícola do Estado, servindo como base para aprimoramentos futuros.

Biografia do Autor

  • 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
    Interesses conflitantes

    Os autores declaram não haver conflito de interesses neste trabalho.

  • 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
    Interesses conflitantes

    Os autores declaram não haver conflito de interesses neste trabalho.

  • 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
    Interesses conflitantes

    Os autores declaram não haver conflito de interesses neste trabalho.

Referências

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
Visualizações
9
Downloads

Palavras-chave

  • Sensoriamento Remoto
  • Inteligência Artificial
  • Aprendizagem de Máquina
  • Google Earth Engine