Índices de vegetação obtidos por sensoriamento remoto transformam a previsão da produção de batata.

A batata é uma das culturas alimentares mais importantes do mundo, servindo como alimento básico para milhões de pessoas. Em primeiro lugar, saber como as plantas de batata crescem e ser capaz de prever sua produção ajuda os agricultores a gerenciar a irrigação, a fertilização e o controle de pragas de forma mais eficaz.

Em segundo lugar, as indústrias de processamento de alimentos e os centros de armazenamento podem planejar melhor a logística e a mão de obra quando dispõem de estimativas de rendimento confiáveis. No entanto, os métodos tradicionais — como percorrer fisicamente os campos e medir as plantas manualmente — são demorados e propensos a erros humanos.

Portanto, os cientistas recorreram ao sensoriamento remoto, que utiliza câmeras e sensores em satélites, drones ou dispositivos portáteis, para monitorar o crescimento da batata e prever a produção de forma mais rápida e precisa.

Entendendo as Previsões de Produção de Batata

Nas últimas duas décadas, o interesse na aplicação do sensoriamento remoto à pesquisa sobre batata cresceu substancialmente. De fato, uma revisão sistemática identificou 79 estudos publicados entre 2000 e 2022 sobre esse tema, de um total de 482 artigos inicialmente analisados.

Para garantir a transparência e a reprodutibilidade, os autores seguiram diretrizes estabelecidas (Kitchenham & Charters 2007; estrutura PRISMA), pesquisando em oito bases de dados principais — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis e SpringerLink — usando termos como “previsão de rendimento de batata” E “sensoriamento remoto”.”

Consequentemente, apenas pesquisas originais em inglês que utilizaram dados de sensoriamento remoto para monitoramento do crescimento ou estimativa de produtividade foram incluídas. Além disso, os dados de cada artigo selecionado foram extraídos de acordo com quatro questões principais:

• Qual plataforma de sensoriamento foi utilizada (satélite, VANT ou terrestre)?
• Quais índices de vegetação ou características espectrais foram avaliados?
• Quais características da cultura foram monitoradas (biomassa, área foliar, clorofila, nitrogênio)?
• Qual a precisão com que se pode prever a produção final de tubérculos (coeficiente de determinação, R²)?

Essas perguntas ajudaram os revisores a mapear o estado da arte e a identificar lacunas onde pesquisas futuras poderiam se concentrar.

Plataformas de sensoriamento remoto e índices de vegetação

Os pesquisadores empregaram três tipos principais de plataformas de sensoriamento remoto, cada uma com suas próprias vantagens e limitações. Em primeiro lugar, satélites ópticos como o Sentinel-2 (resolução espacial de 10 m, revisita a cada 5 dias) e o Landsat 5-8 (30 m, revisita a cada 16 dias) oferecem ampla cobertura e, frequentemente, acesso gratuito aos dados.

Em segundo lugar, satélites como o MODIS/TERRA/Aqua (250–1000 m, revisita diária a cada 2 dias) e sistemas comerciais como o PlanetScope (3 m, diário, custando cerca de $218 por 100 km²) permitem um monitoramento mais frequente ou de maior resolução, embora os custos possam ser um fator.

Em terceiro lugar, os veículos aéreos não tripulados (VANTs) equipados com câmeras multiespectrais ou hiperespectrais oferecem altíssima resolução (até alguns centímetros por pixel) e podem ser operados sob demanda, mas cobrem áreas menores e exigem mais logística.

Por fim, sensores terrestres — como medidores NDVI portáteis e medidores de clorofila SPAD — fornecem medições pontuais de alta precisão, embora sejam demorados quando usados em grandes áreas.

Os índices de vegetação (IVs) traduzem valores brutos de refletância em estimativas significativas de características das plantas. Os índices mais comuns em estudos com batata incluem:

• NDVI (Índice de Vegetação por Diferença Normalizada): (NIR – Vermelho) / (NIR + Vermelho)
• GNDVI (NDVI Verde): (NIR – Verde) / (NIR + Verde)
• NDRE (Diferença Normalizada de Borda Vermelha): (NIR – Borda Vermelha) / (NIR + Borda Vermelha)
• OSAVI (Índice de Vegetação Ajustado ao Solo Otimizado): 1,16 × (NIR – Vermelho) / (NIR + Vermelho + 0,16)
• EVI (Índice de Vegetação Aprimorado), CIred‑edge, CIgreen e outros. .

Esses índices são escolhidos com base em sua sensibilidade à cobertura vegetal, ao teor de clorofila e às características do solo. Consequentemente, servem como base para estimar a saúde das plantas e prever a produtividade.

Monitoramento do crescimento e previsão da produtividade da batata

Por meio de sensoriamento remoto, os pesquisadores monitoram características importantes da cultura da batata — biomassa aérea (AGB), índice de área foliar (LAI), teor de clorofila na copa (CCC) e status de nitrogênio nas folhas — e, em seguida, relacionam esses dados ao rendimento final dos tubérculos.

Em primeiro lugar, estimar a biomassa acima do solo (AGB) usando apenas índices de vegetação (VIs) pode ser um desafio quando a cobertura da copa é densa, pois muitos índices saturam; portanto, combinar VIs com altura da planta ou características de textura em modelos de aprendizado de máquina geralmente melhora a precisão.

Em segundo lugar, a avaliação do LAI — a área foliar total de um lado por área do solo — alcançou valores de R² de até 0,84 usando dados de séries temporais de sensores hiperespectrais de UAV e multiespectrais de satélite.

Em terceiro lugar, as estimativas de CCC, derivadas de índices como CIred‑edge, CIgreen, TCARI/OSAVI e TCARI + OSAVI, atingiram R² ≈ 0,85 durante o estágio vegetativo, indicando forte correlação com a clorofila medida em laboratório.

Por fim, o estado de nitrogênio foliar, vital para o crescimento saudável, foi previsto com R² variando de 0,52 a 0,95 ao usar sensores terrestres mais modelos de regressão ou floresta aleatória.

Quando se trata de previsão de rendimento de tubérculos, destacam-se duas abordagens principais de modelagem:

Modelos de Regressão Empírica: Aqui, um único índice de vegetação (IV) — geralmente NDVI, GNDVI ou NDRE — é ajustado aos dados de produtividade reais. Os valores de R² relatados para NDVI versus produtividade variam de 0,23 a 0,84 (mediana ≈ 0,67), enquanto as correlações entre NDRE e produtividade variam de 0,12 a 0,85 (mediana ≈ 0,61).

Modelos de Aprendizado de Máquina: Estes incluem florestas aleatórias, máquinas de vetores de suporte e redes neurais que combinam múltiplos índices de vegetação, bandas espectrais e fatores não espectrais, como clima, solo e manejo. Tais modelos elevaram o R² para até 0,93 em alguns estudos.

Além disso, o momento da coleta de dados afeta significativamente a precisão da previsão. Em diversos estudos, as medições do índice de vegetação (IV) realizadas entre 36 e 55 dias após o plantio (DAP) apresentaram as maiores correlações com a produtividade final de tubérculos.

Esta fase coincide com a cobertura máxima do solo e o início da formação dos tubérculos, tornando a estrutura da planta o indicador mais preciso da produtividade final. Algumas das principais estatísticas encontradas:

• Dos 482 estudos identificados, 79 (2000–2022) atenderam aos critérios de revisão.
• Áreas de foco: previsão de rendimento (37 %), estado de N foliar (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Plataformas de satélite mais utilizadas: Sentinel‑2, Landsat, MODIS; comercial: PlanetScope.
• Valores de R²: NDVI–produtividade (0,23–0,84), NDRE–produtividade (0,12–0,85), GNDVI–produtividade (0,26–0,75).

Recomendações para a previsão da produção de batata

Com base nessas descobertas, os profissionais devem primeiro selecionar a plataforma apropriada para seus objetivos. Para previsões regionais de produtividade, os dados gratuitos do Sentinel-2 oferecem cobertura confiável com resolução de 10 m e um intervalo de revisita de 5 dias.

Para refinar as estimativas locais, voos de drones programados entre 36 e 55 dias após o plantio capturam a dinâmica crítica do dossel e melhoram a calibração dos modelos de satélite. Sensores terrestres são mais adequados para verificações pontuais e para calibrar observações remotas, especialmente ao combinar dados espectrais com medições de campo.

Em termos de índices de vegetação, os profissionais devem priorizar o NDVI, o NDRE e o CI _red-edge para prever a produtividade final, pois estes apresentam correlações fortes e consistentes.

Na estimativa do teor de clorofila e nitrogênio, a combinação de índices de red-edge com índices de vegetação (IVs) ajustados ao solo — como o TCARI/OSAVI — produz os resultados mais precisos. Para a estimativa de biomassa, a integração de IVs com características de altura ou textura da planta em modelos de aprendizado de máquina aumenta ainda mais a precisão.

Em relação à modelagem, regressões lineares ou não lineares simples, utilizando um único índice, são eficazes quando os dados de referência são limitados. No entanto, quando múltiplos índices e dados auxiliares (clima, solo, manejo) estão disponíveis, métodos de aprendizado de máquina, como florestas aleatórias ou redes neurais, oferecem desempenho superior. É importante ressaltar que a captura de imagens entre 36 e 55 dias após o plantio é crucial, pois esse período proporciona consistentemente a maior precisão de previsão.

Conclusão

Em conclusão, o sensoriamento remoto oferece um conjunto de ferramentas rápido, flexível e preciso para monitorar o crescimento da batata e prever a produtividade dos tubérculos. Ao escolher a plataforma apropriada, selecionar os índices de vegetação mais informativos, programar a coleta de dados por volta de 36 a 55 dias após o plantio (DAP) e aplicar técnicas de modelagem adequadas, pesquisadores e profissionais podem melhorar significativamente as previsões de produtividade.

Essa abordagem não só economiza tempo, como também permite decisões de gestão mais inteligentes, beneficiando, em última análise, os agricultores, os agrônomos e toda a cadeia de abastecimento da batata.

Referência: Mukiibi, A., Machakaire, ATB, Franke, AC. e outros. Uma revisão sistemática de índices de vegetação para monitoramento do crescimento da batata e previsão da produção de tubérculos a partir de sensoriamento remoto. Reservatório de Batata. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7