Adicione a área amostral (polígono) e carregue ou crie os pontos amostrais de produtividade. Informe a densidade de plantas por hectare e produtividade média da safra atual. Tudo é salvo em uma pasta temporária. O mapa já exibe o polígono e os pontos para uma inspeção rápida.

Adicione a área de produção e amostras da produtividade

O sistema gera de forma automática um mapa de variabilidade espacial a partir dos pontos com produtividade observada. A interface mostra a distribuição espacial e ajuda a identificar padrões de maior ou menor rendimento dentro da área amostral, apoiando decisões de manejo localizado.

Geração automática do mapa de variabilidade espacial da produtividade

Esta é uma ferramenta essencial para o monitoramento da próxima safra: o sistema consulta o satélite Sentinel-2AB (sensor MSI), calcula os índices espectrais (NDVI, GNDVI, NDRE, CCCI, MSAVI2, NDWI, NDMI, NBR, TWI2) no período escolhido e fornece os valores médios dos índices num gráfico para análise temporal do vigor vegetativo e estresse climático.

Monitoramento da área de produção com índices espectrais

O sistema processa os índices espectrais para os pontos amostrais usando os parâmetros definidos por você (período, % de nuvens, buffer) e gera um CSV com estatísticas por ponto e data. Esse arquivo é a base padronizada para as análises posteriores, garantindo consistência entre monitoramento e modelagem.

Processamento de dados para análise e previsão de safra

O sistema identifica o arquivo CSV do processamento de dados faz a análise de correlação entre os índices espectrais e a produtividade, ajudando a entender quais variáveis têm maior associação com o rendimento e a interpretar o comportamento dos indicadores na área de produção do café.

Análise de correlação entre índices espectrais e produtividade

No treinamento com Machine Learning, são avaliados 11 modelos de algoritmos (como XGBoost, Random Forest, MLP, SVR etc.), executados 20 vezes cada e avaliados por meio de métricas estatísticas (R², RMSE), sendo destacado o melhor modelo global, que por sua vez será usado para prever a safra na etapa seguinte.

Treinamento e avaliação dos modelos de Machine Learning

A etapa final é gerada a partir do cálculo dos índices espectrais para duas janelas: a safra de treinamento (passada) e a safra de predição (futura). Em seguida, é aplicado o melhor modelo de algoritmo para estimar a produtividade média em sc/ha e gerar o mapa de variabilidade espacial em kg por ponto.

Previsão da safra e mapa de variabilidade espacial da produtividade