Análise espectral e modelagem preditiva para cultura da soja

Abstract

A utilização de técnicas de sensoriamento remoto e aprendizado de máquinas tem se mostrado fundamental para a compreensão e predição do desempenho agronômico da soja, especialmente em um contexto de crescente demanda por métodos não destrutivos e de alta precisão. Neste trabalho, investigou-se a aplicabilidade de índices espectrais derivados de imagens multiespectrais adquiridas por sensores embarcados em veículos aéreos não tripulados (VANTs) para a fenotipagem remota, caracterização espectral e predição da produtividade da cultura da soja. Foram inicialmente analisadas as correlações entre nove índices de vegetação (NDVI, NDWI, SAVI, TGI, VARI, CI(RedEdge), EVI, GNDVI e NDRE) calculados a partir de imagens multiespectrais adquiridas em seis estádios fenológicos da cultura. As análises revelaram correlações elevadas entre índices associados ao vigor vegetativo e à biomassa (NDVI, SAVI e GNDVI) e entre índices sensíveis ao teor de clorofila (CI(RedEdge) e NDRE). Em contraste, combinações como NDRE–VARI e TGI–CI(RedEdge) apresentaram baixas correlações, indicando independência espectral e potencial complementaridade em modelagens preditivas. Na sequência, foi realizada a caracterização espectral de 251 cultivares de soja, incluindo materiais comerciais e não comerciais, com base nos índices NDRE, TGI e VARI. Os agrupamentos obtidos por meio do algoritmo K-Means permitiram distinguir grupos de cultivares com diferentes padrões fisiológicos e produtivos. O índice NDRE destacou-se pela estabilidade e sensibilidade ao teor de clorofila e ao vigor vegetativo, apresentando relação direta com a produtividade, enquanto os índices TGI e VARI mostraram-se eficientes na identificação das fases iniciais e finais do ciclo da cultura. Por fim, avaliou-se o potencial de integração entre sensoriamento remoto e aprendizado de máquina para a predição da produtividade da soja. O algoritmo Random Forest foi aplicado aos índices NDRE, TGI e VARI, considerando diferentes combinações temporais de coleta. O modelo utilizando todas as datas apresentou R² = 0,629, enquanto o melhor desempenho foi obtido com apenas duas coletas (62 e 104 dias após o plantio), alcançando R² = 0,7267, MAE = 96,26 g/parcela e RMSE = 124,09 g/parcela. Esses resultados demonstram que a redução no número de campanhas de voo não compromete a acurácia preditiva quando as coletas são realizadas em estádios fenológicos críticos. De forma geral, os resultados indicam que os índices NDRE, TGI e VARI capturam dimensões espectrais e fisiológicas complementares da cultura da soja, sendo relevantes para o avanço de metodologias de fenotipagem remota e modelagem espectral. Assim, este trabalho valida o uso de VANTs equipados com sensores multiespectrais como uma ferramenta robusta, reprodutível e cientificamente consistente para o monitoramento e a predição da produtividade da soja, contribuindo para o avanço da agricultura de precisão e dos programas de melhoramento genético baseados em dados. Palavras-chave: soja; índices espectrais; VANT; Random Forest; fenotipagem remota; produtividade.The use of remote sensing and machine learning techniques has proven fundamental for understanding and predicting the agronomic performance of soybean, particularly in a context of increasing demand for non-destructive and high- precision methods. In this study, the applicability of spectral indices derived from multispectral images acquired by sensors mounted on unmanned aerial vehicles (UAVs) was investigated for remote phenotyping, spectral characterization, and soybean yield prediction. Initially, correlations among nine vegetation indices (NDVI, NDWI, SAVI, TGI, VARI, CI(RedEdge), EVI, GNDVI, and NDRE) calculated from multispectral images acquired at six phenological stages of the crop were analyzed. The analyses revealed strong correlations among indices associated with vegetative vigor and biomass (NDVI, SAVI, and GNDVI), as well as between indices sensitive to chlorophyll content (CI(RedEdge) and NDRE). In contrast, combinations such as NDRE–VARI and TGI–CI(RedEdge) showed low correlations, indicating spectral independence and potential complementarity in predictive modeling. Subsequently, the spectral characterization of 251 soybean cultivars, including both commercial and non-commercial materials, was conducted based on the NDRE, TGI, and VARI indices. Clustering using the K-Means algorithm enabled the identification of groups of cultivars with distinct physiological and productive patterns. The NDRE index stood out due to its stability and sensitivity to chlorophyll content and vegetative vigor, showing a direct relationship with productivity, whereas TGI and VARI proved effective in identifying the early and late stages of the crop cycle. Finally, the potential integration of remote sensing and machine learning for soybean yield prediction was evaluated. The Random Forest algorithm was applied to the NDRE, TGI, and VARI indices using different temporal combinations of data collection. The model using all dates achieved an R² of 0.629, whereas the best performance was obtained with only two acquisitions (62 and 104 days after planting), reaching an R² of 0.7267, MAE of 96.26 g/plot, and RMSE of 124.09 g/plot. These results demonstrate that reducing the number of flight campaigns does not compromise predictive accuracy when data are collected at critical phenological stages. Overall, the results indicate that the NDRE, TGI, and VARI indices capture complementary spectral and physiological dimensions of soybean crops, contributing to advances in remote phenotyping and spectral modeling methodologies. Therefore, this study validates the use of UAVs equipped with multispectral sensors as a robust, reproducible, and scientifically consistent tool for soybean monitoring and yield prediction, contributing to the advancement of precision agriculture and data-driven breeding programs. Keywords: soybean; spectral indices; UAV; Random Forest; remote phenotyping; yield.