Previsão precisa de produtividade agrícola para aumentar a produtividade no campo
Tome decisões informadas com previsões oportunas de produtividade agrícola usando machine learning da EOSDA para apoiar planejamento, previsões e inteligência agrícola.
- Dois modelos: estatístico (baseado em dados históricos) e biofísico (orientado pela fenologia)
- Insights em nível de campo ou regional para planejamento de produção, abastecimento e desenvolvimento de políticas
- Resultados personalizados em formato vetorial ou tabular com entrega opcional via API ou plataforma
Benefícios da solução de previsão de produtividade da EOSDA
Suporte à tomada de decisão para o agronegócio
- Planejamento de produção e abastecimento.
- Otimização da cadeia de suprimentos.
- Melhoria da gestão de campos e otimização de recursos.
- Avaliação e gestão de riscos para crédito agrícola/seguros.
- Monitoramento de conformidade com programas agrícolas.
Monitoramento estratégico e previsões
- Análise de mercado e inteligência agrícola.
- Criação de estatísticas e inventários agrícolas.
- Avaliação e monitoramento de matéria-prima para bioenergia.
- Segurança alimentar nacional e formulação de políticas.
- Planejamento do uso da terra e gestão sustentável de recursos.
Abordagem e metodologia
Modelo estatístico de previsão de produtividade
Baseia-se em conjuntos de dados históricos, principalmente em dados de produtividade passada.
Treinado com dados históricos e prevê a produtividade da safra atual combinando tendências passadas com parâmetros atuais.
Modelo biofísico de previsão de produtividade
Baseia-se nos parâmetros físicos das culturas e em suas características fenológicas (variedade, estágios de crescimento, demanda hídrica etc.).
Pode prever a produtividade para uma data específica sem dados históricos e pode ser aplicado repetidamente ao longo da safra.
Resultados esperados do projeto e formatos
- Arquivo Excel/CSV ou camada vetorial (ESRI shapefile, GeoJSON, KML, GPKG) contendo ID ou nome do campo/distrito e a produtividade prevista na unidade de medida necessária (por exemplo kg/ha, bushel/ha) e outros metadados específicos necessários.
- Nível de detalhamento:
- Nível de campo (os resultados são fornecidos por campo para facilitar a estimativa de produção)
- Nível regional (os resultados são fornecidos para cada unidade administrativa, como província, estado, região, distrito etc.)
- Estatísticas agregadas por limites administrativos de regiões, distritos etc. (xlsx, csv), se solicitado
- Relatório analítico ou nota de interpretação dos resultados, se solicitado
*Entrega em outro formato, se solicitado, incluindo via interface API.
Dados necessários para o projeto de previsão de produtividade agrícola
Dados de entrada fornecidos pelo cliente
- Área de interesse em formato de tabela (xlsx/csv) ou vetorial (KML, ESRI shapefile, GPKG, GeoJSON)
- Lista de culturas alvo
- Calendário agrícola e dados de manejo, se disponíveis
- Estatísticas de produtividade da área de interesse nos últimos 3–5 anos, se disponíveis
- Mapas de solo e dados de composição do solo da área de interesse, se disponíveis
Dados preparados pela EOSDA
- Dados de fenologia
- Dados meteorológicos
- Mapas de solo
- Imagens de satélite
- Estatísticas de produtividade da área de interesse provenientes de fontes abertas
Parâmetros de previsão estatística de produtividade e etapas do projeto
Essa opção só pode ser utilizada quando existe um conjunto de dados suficiente para treinamento, especialmente dados históricos de produtividade. O resultado da modelagem biofísica pode ser um dos parâmetros.
Coleta dos dados disponíveis para criar o conjunto de dados de previsão: estatísticas históricas de produtividade, clima, tipos de solo, dados de satélite etc.
Escolha do modelo de ML adequado (por exemplo regressão linear/múltipla, Random Forest, XGBoost etc.).
Treinamento do modelo com base no conjunto de dados históricos disponível e no algoritmo selecionado.
Aplicação do modelo treinado para prever a produtividade da safra atual da cultura alvo. Validação dos resultados e calibração do modelo, se necessário.
Parâmetros de previsão biofísica de produtividade e etapas do projeto
Essa opção funciona mesmo sem dados históricos de produtividade para a área de interesse e o tipo de cultura, e pode ser aplicada várias vezes ao longo da safra para resultados mais informativos.
Análise de dados fenológicos, estudo do perfil da cultura e coleta de dados disponíveis para a safra alvo (dados meteorológicos, características do solo, manejo agrícola etc.).
Calibração do modelo (WOFOST adaptado). Assimilação de LAI (opcionalmente, para aumentar a variabilidade).
Simulação de parâmetros de produtividade biológica (TAGP, WSO, umidade relativa do solo, consumo total de água e outros).
Atualização de dados (incluindo previsões meteorológicas) a cada 14 dias para aumentar a precisão.