MAPEAMENTO DO PARQUE CAFEEIRO EM RIO BANANAL (ES) POR MEIO DE TÉCNICAS DE SENSORIAMENTO REMOTO ORBITAL E MACHINE LEARNING
Instituto Capixaba de Pesquisa Assistencia Tecnica e Extensao Rural · 09.04.2026 · 26-36
DOI: 10.54682/ier.v.16.p26.36 ↗Kurz gefasst
Fachartikel in der Zeitschrift Instituto Capixaba de Pesquisa Assistencia Tecnica e Extensao Rural, online erschienen am 09.04.2026. Verfasst von Renato Corrêa Taques und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Abstract (Originalsprache)
A previsão de safra é essencial para a gestão eficiente da produção agrícola, contribuindo para a redução da incerteza do mercado e estabilidade econômica. Nesse contexto, a estimativa precisa da área colhida é crucial para projeção da safra cafeeira, já que a área cultivada impacta diretamente no potencial produtivo regional. Métodos tradicionais de mapeamento, como a vetorização manual por fotointerpretação, são custosos e demorados, enquanto algoritmos tradicionais de classificação geralmente apresentam baixa acurácia. Métodos mais avançados, integrando sensoriamento remoto e aprendizado de máquina (machine learning), podem fornecer resultados mais precisos e detalhados. Este estudo objetivou desenvolver e avaliar estratégias para estimar a área colhida de café no município de Rio Bananal, localizado no norte do Espírito Santo, utilizando imagens de satélite e técnicas avançadas de classificação. O processamento das imagens foi realizado no ambiente Google Earth Engine (GEE), com o algoritmo Random Forest, implementado em JavaScript. Foram utilizadas quatro imagens Sentinel-2A, adquiridas no primeiro semestre de 2024, das quais foram extraídas dez bandas espectrais originais, 14 índices espectrais derivados e bandas probabilísticas do produto Dynamic World V1, formando as variáveis preditoras do modelo. Para o treinamento e validação do modelo, foram selecionadas aleatoriamente 501 regiões, classificadas quanto ao uso e cobertura do solo por meio de fotointerpretação de imagens PlanetScope (jan. a abr. de 2024), a partir das quais foram gerados 8 mil pontos amostrais. A acurácia foi avaliada por validação cruzada, utilizando a matriz de confusão para calcular as acurácias global, do usuário e do produtor. O modelo estimou uma área de 21.226 hectares cultivados com café para 2024, comparável aos resultados de estudos anteriores realizados pelo Instituto Jones dos Santos Neves (20.084 ha, em 2019-2020) e ao Levantamento Sistemático da Produção Agrícola do IBGE (18.100 ha, em 2023). A classificação apresentou acurácia global de 92%, e, especificamente para a classe café, as acurácias do usuário e do produtor foram de 87% e 90%, respectivamente. Os resultados demonstram que a abordagem utilizada possui elevado potencial para estimar áreas cultivadas de café com alta precisão, podendo contribuir para a previsão de safras e planejamento regional. Contudo, sugere-se a utilização de séries temporais mais extensas, a inclusão de amostras obtidas diretamente em campo para minimizar eventuais erros decorrentes da fotointerpretação e aumentar ainda mais a confiabilidade das estimativas.
Zitieren
APA
Taques, R. C., Oliveira, F. S. D., & Silva, S. D. A. (2026). MAPEAMENTO DO PARQUE CAFEEIRO EM RIO BANANAL (ES) POR MEIO DE TÉCNICAS DE SENSORIAMENTO REMOTO ORBITAL E MACHINE LEARNING. Instituto Capixaba de Pesquisa Assistencia Tecnica e Extensao Rural, 26-36. https://doi.org/10.54682/ier.v.16.p26.36
Vancouver
Taques RC, Oliveira FSD, Silva SDA. MAPEAMENTO DO PARQUE CAFEEIRO EM RIO BANANAL (ES) POR MEIO DE TÉCNICAS DE SENSORIAMENTO REMOTO ORBITAL E MACHINE LEARNING. Instituto Capixaba de Pesquisa Assistencia Tecnica e Extensao Rural. 2026:26-36. doi:10.54682/ier.v.16.p26.36
BibTeX
@article{Taques2026,
author = {Taques, Renato Corrêa and Oliveira, Fernando Soares de and Silva, Samuel de Assis},
title = {MAPEAMENTO DO PARQUE CAFEEIRO EM RIO BANANAL (ES) POR MEIO DE TÉCNICAS DE SENSORIAMENTO REMOTO ORBITAL E MACHINE LEARNING},
journal = {Instituto Capixaba de Pesquisa Assistencia Tecnica e Extensao Rural},
year = {2026},
pages = {26--36},
doi = {10.54682/ier.v.16.p26.36}
}
EUVIMED