A inteligência artificial está ganhando espaço no agronegócio brasileiro em ritmo acelerado. Estimativas da Fundação Getulio Vargas (FGV) indicam que a tecnologia já é utilizada em 41,9% das fazendas e agroindústrias do país, mais que o dobro do percentual registrado em 2022, quando a presença da IA era de 16,9%.

O crescimento reflete o interesse do setor em ferramentas capazes de aumentar a eficiência produtiva, reduzir desperdícios e apoiar a tomada de decisões. No entanto, um dos principais obstáculos para que a tecnologia entregue todo o seu potencial ainda está longe dos algoritmos: a qualidade dos dados utilizados pelos sistemas.

Foto: Shutterstock

Levantamento recente da FGV aponta que muitas iniciativas de inteligência artificial não alcançam os resultados esperados porque operam com informações incompletas, inconsistentes ou desatualizadas. Na prática, a eficiência dos modelos depende diretamente da qualidade dos dados coletados e processados.

A questão ganha relevância em um cenário marcado por juros elevados, crédito mais restrito e margens de rentabilidade pressionadas. Nesse contexto, decisões equivocadas relacionadas ao plantio, manejo, aplicação de insumos ou planejamento da produção podem gerar impactos significativos nos resultados econômicos das propriedades.

Dados são a base da inteligência artificial

A aplicação da inteligência artificial no campo vem se expandindo em diferentes áreas, incluindo agricultura de precisão, monitoramento de lavouras, análise climática, manejo de insumos e gestão operacional.

Foto: Shutterstock

Segundo dados da Embrapa, propriedades que adotaram sistemas de agricultura de precisão apoiados por inteligência artificial registraram redução de até 30% no uso de fertilizantes e ganhos de produtividade entre 15% e 20%.

Esses resultados, porém, dependem da disponibilidade de informações contínuas, confiáveis e integradas. Quando os dados apresentam falhas, a capacidade de análise dos sistemas é comprometida, reduzindo a precisão das recomendações geradas.

Na agricultura, isso pode significar desde erros na aplicação de insumos até projeções inadequadas sobre produtividade, custos e riscos da atividade.

Percepção positiva

Apesar dos desafios, a percepção sobre o potencial da inteligência artificial permanece positiva.

Pesquisa do Ipsos mostra que 74% dos brasileiros consideram a tecnologia um fator capaz de transformar a agricultura. O resultado indica uma expectativa crescente de que ferramentas baseadas em IA contribuam para elevar a eficiência produtiva e melhorar a gestão das propriedades rurais.

O avanço da adoção também acompanha a digitalização do campo, com aumento do uso de sensores, softwares de gestão, conectividade rural e equipamentos capazes de gerar grandes volumes de informações em tempo real.

Próximo desafio

Com a tecnologia já disponível e cada vez mais acessível, especialistas apontam que o próximo passo para ampliar os ganhos da inteligência artificial no agro será fortalecer a governança e a qualidade dos dados.

Mais do que investir em novas plataformas, a tendência é que produtores, cooperativas e empresas precisem dedicar atenção crescente à coleta, organização e integração das informações geradas nas propriedades.

A avaliação é que a competitividade da agricultura digital dependerá cada vez menos da capacidade de adquirir ferramentas de inteligência artificial e mais da qualidade dos dados que alimentam essas soluções. Afinal, mesmo os sistemas mais sofisticados continuam limitados pela confiabilidade das informações que recebem.

A combinação entre imagens de satélite, dados climáticos e inteligência artificial tem sido a aposta de alguns pesquisadores para criar modelos capazes de prever a produtividade de lavouras. Esse tipo de desenvolvimento tem se tornado cada vez mais necessário em um contexto de mudanças climáticas e eventos extremos, que ameaçam a produtividade no campo e que, sem medidas de previsão e mitigação adequadas, podem causar prejuízos de bilhões de dólares.

Foto: Divulgação

Foi pensando nisso que um grupo de pesquisadores desenvolveu um modelo capaz de estimar a produtividade de plantações de soja no Centro-Oeste antes mesmo da colheita. Intitulado “Soybean yield estimation in the Brazilian Midwest using Sentinel-2 imagery”, o estudo analisou dados de municípios de Goiás, Mato Grosso e Mato Grosso do Sul entre as safras de 2019/2020 e 2021/2022. Utilizando essas informações e combinando-as com imagens do satélite Sentinel-2 e algoritmos de aprendizado de máquina, os pesquisadores elaboraram um modelo que chegou a 72% de acurácia e a um erro médio inferior a 302 kg por hectare na estimativa da produtividade da soja.

A soja é uma das commodities agrícolas mais importantes do mundo, e o Brasil ocupa, há pelo menos uma década, a posição de maior produtor mundial do grão, segundo dados do Departamento de Agricultura dos Estados Unidos (USDA).

Nesse cenário, a cultura da soja desempenha um papel estratégico na economia brasileira, tanto no mercado interno quanto no comércio exterior. Em 2024, a produção nacional foi estimada em 147,38 milhões de toneladas, cultivadas em uma área de 46,03 milhões de hectares, dos quais 46% se concentram na região Centro-Oeste, de acordo com levantamento da Companhia Nacional de Abastecimento (Conab). Além disso, dados do Ministério da Agricultura e Pecuária (Mapa) indicam que, entre 2024 e 2025, as exportações brasileiras de grãos de soja, farelo e óleo somaram US$ 52 bilhões.

Apesar de sua centralidade para a economia brasileira, o aumento da instabilidade climática tem tornado cada vez

Foto: Caio Inácio

mais difícil prever a produtividade das lavouras. Um exemplo foi a safra de 2023/2024, marcada por períodos de calor extremo e irregularidade das chuvas em grande parte do país. Inicialmente, a Conab projetava uma colheita de 162 milhões de toneladas de soja; no entanto, o resultado foi de 147,7 milhões de toneladas, uma redução próxima de 10% em relação às expectativas iniciais, segundo o relatório Calor extremo e agricultura, desenvolvido pela Organização das Nações Unidas para a Alimentação e Agricultura (FAO). Considerando os preços médios da soja no período, essa quebra representou um prejuízo estimado em mais de R$ 28 bilhões para o setor produtivo.

Combinação de dados terrestres e de satélite

O artigo é resultado da pesquisa de mestrado de Ester de Carvalho Pereira, da Escola Superior de Agricultura Luiz de Queiroz da USP (Esalq/USP), que contou com a orientação da docente e pesquisadora Ana Cláudia dos Santos Luciano, da mesma instituição, e integrou o projeto “PreCISIA – Predição de Colheita por Imagem de Satélite e

Foto: R.R.Rufino

Inteligência Artificial”, fomentado pelo Programa de Formação de Recursos Humanos em Áreas Estratégicas (RHAE) do CNPq e coordenado pela empresa Espectro Ltda. O trabalho foi feito com a colaboração de Michel Eustáquio Dantas Chaves, docente e pesquisador da Faculdade de Ciências e Engenharia da Unesp, câmpus de Tupã, além de também integrar pesquisadores da Universidade Estadual de Londrina e da Universidade de Pequim, na China.

A pesquisa combinou imagens de satélite de alta resolução, variáveis climáticas e dados históricos de produtividade municipal do IBGE. “O momento na agricultura é uma era de ouro em comparação com o passado, quando faltavam dados para fazer análises. Dados de satélite permitem monitorar safras e ciclos de produção, algo que até pouco tempo era inviável, especialmente em nível de cultura”, explicaChaves.

Ao mesmo tempo, o pesquisador ressalta que o enorme volume de informações disponíveis impõe desafios. “Temos um grande volume de dados prontos para análises, mas, ao mesmo tempo, há o grande trabalho de processá-los e armazená-los”, conta o docente.

Segundo os pesquisadores, nesse contexto é imprescindível aprender a trabalhar de forma assertiva com essa grande

Foto: Divulgação

quantidade de dados, o que, por sua vez, torna importante identificar quais dados devem ser utilizados e ao longo de quanto tempo.

A inteligência artificial teve papel fundamental justamente para identificar quais variáveis realmente importavam. Segundo Ester, o estudo utilizou ferramentas internas do próprio algoritmo para medir o peso de cada variável nas previsões. “Nós processamos todas as variáveis, rodamos o modelo e uma das questões era verificar quais variáveis mais impactavam na previsão da produtividade”, expõe.

Os resultados mostraram que a precipitação acumulada, a radiação solar e o déficit hídrico foram as variáveis climáticas mais importantes para prever a produtividade. Entre os indicadores obtidos pelas imagens de satélite, destacaram-se bandas relacionadas ao infravermelho e ao chamado red edge, faixa espectral altamente sensível à atividade fotossintética das plantas.

Foto: Divulgação

A partir dessas informações, os pesquisadores desenvolveram seis modelos distintos, cada um representando uma fase do desenvolvimento da cultura, desde 30 até 180 dias após o plantio. Nessa etapa, o objetivo foi identificar quais variáveis temporais exerciam maior influência na estimativa da produtividade e, assim, definir o conjunto mais adequado para a construção do modelo com melhor desempenho.

Neste caso, Luciano explica que variáveis não faz referência a informações de origens diferentes: todos os modelos consideraram as mesmas fontes e tipos de dados, definidos na etapa anterior, mas sim à quantidade de informação em relação ao tempo. “Nós temos os mesmos tipos de variáveis em cada modelo, mas aqueles que analisavam 150 ou 180 dias tinham um número maior de dados porque consideravam um tempo maior de análise”, conta.

“Considerando um primeiro modelo que utilizava todas as informações dos seis meses estudados, tínhamos

Foto: José Fernando Ogura

aproximadamente 400 variáveis. Mas, quando criamos um modelo de 30 dias, que já gerou um resultado bem interessante, trabalhamos com cerca de 80 variáveis”, acrescenta Ester.

Assim, para garantir a eficiência do modelo e que não haja trabalho sendo feito em excesso, o grupo descobriu qual era o máximo de tempo necessário para gerar um modelo com boa acurácia. O melhor desempenho ocorreu no modelo de 150 dias, justamente no período de enchimento de grãos da soja, fase decisiva para a definição da produtividade final.

Busca por dados

Luciano já contava com experiência prévia no desenvolvimento de modelos de previsão para a cultura da cana-de-açúcar. O trabalho com a soja surgiu a partir de uma parceria com a empresa Espectro, especializada no desenvolvimento de hardware e software. “Inicialmente, o projeto era para estimar a produtividade de culturas de grãos irrigados, como soja, feijão e milho. Só depois acabamos focando apenas na soja”, lembra.

Foto: Shutterstock

A experiência prévia com a cana-de-açúcar permitiu que o grupo partisse de uma base já consolidada. No entanto, enquanto a cultura da cana-de-açúcar dispõe de uma base de dados ampla e estruturada, favorecendo maior acurácia e facilidade no desenvolvimento dos modelos, a realidade das lavouras de soja é bem diferente.

Por conta disso, o trabalho também evidencia limitações estruturais enfrentadas pela ciência brasileira. Uma das principais dificuldades foi a ausência de dados detalhados em nível de propriedade rural. Para contornar essa problemática, os pesquisadores precisaram utilizar mapas do IBGE e do projeto MapBiomas para identificar as áreas cultivadas com soja. “A maior dificuldade é ter um dado daquele local, mas a gente trabalha com o que temos”, afirmou Luciano. “Se você quiser um nível de detalhe para que o produtor veja de fato a área dele, não vai atender, mas em nível de governo, município e política pública o trabalho se aplica muito bem”, ressalta.

Segundo os pesquisadores, o estudo não foi pensado para substituir levantamentos de campo feitos por órgãos

Foto: Shutterstock

oficiais, mas para complementar essas análises com monitoramento contínuo em larga escala. Além disso, os pesquisadores reforçam a importância de integrar diferentes bases de dados públicas brasileiras, o que, para Chaves, representa um dos principais gargalos do setor. “Se não soubermos cruzar os dados que o IBGE fornece com os dados da Conab, do INPE ou da Embrapa, entre outros, estaremos perdendo como cadeia produtiva e como Estado-nação”, enfatiza.

Falta de confiança nos dados nacionais

Segundo Luciano, um dos problemas que leva à dificuldade de integrar esses dados é uma certa desconfiança da sociedade em relação aos dados produzidos por instituições brasileiras, o que, para a pesquisadora, representa uma desvalorização da ciência nacional. “A gente tem tantos monitoramentos feitos por nós, com tecnologia brasileira, por pesquisadores brasileiros, que muitas vezes acabam sendo desvalorizados aqui, mas são utilizados por outros países”, salienta.

40Foto: Divulgação/OPRComo exemplo, os pesquisadores destacam a China, os Estados Unidos e a União Europeia, que mantêm tecnologias de monitoramento das lavouras brasileiras utilizando bases de dados do Brasil.

Somado a essa problemática, Chaves destaca que muitos programas brasileiros de monitoramento sofrem com a falta de financiamento. “O dado é útil, acessível, cada vez mais preciso e existem cada vez mais pessoas que entendem de geoprocessamento e computação, mas falta investimento condizente para ampliar o retorno à sociedade”, menciona.

A limitação de financiamento levou ao encerramento de programas de monitoramento como Cafésat e Canasat, que eram mantidos pela Agência Espacial Brasileira (INPE), e ameaça a continuidade de outros como o TerraClass e o Prodes.