🚜Delimitação de Zonas de Manejo com Phyton na Agricultura de Precisão

Alexandre Rodrigues
2 de mar.
4 min de leitura

📌 Projeto: Mapeamento de Produtividade e Definição de Zonas de Manejo – Talhão de Soja

Neste projeto desenvolvi uma análise completa de dados de colheita utilizando Python aplicado à Agricultura de Precisão, com o objetivo de:

Analisar a variabilidade espacial da produtividade
Gerar mapa interpolado (IDW)
Delimitar zonas de manejo automaticamente (K-Means)
Quantificar a variabilidade produtiva do talhão

📂 Arquivos Utilizados no Projeto

1️⃣ Planilha de Colheita (Excel)

Arquivo: mapa_colheita_soja_ajustado.xlsx

latitude	longitude	yield_kg_ha	moisture	speed
-20,14409697	-49,48110079	3624	12,7	7,11
-20,1438612	-49,48018956	5352	15,3	5,65
-20,14362544	-49,47927834	4696	13	4,42
-20,14338967	-49,47836712	4296	14,4	6,5
-20,14315391	-49,47745589	2968	14,6	6,66
-20,14291815	-49,47654467	2968	12,2	5,96
-20,14268238	-49,47563344	2674	17,3	6,7
-20,14244662	-49,47472222	5099	16	5,73
-20,14495422	-49,48084994	4303	17,1	5,83
-20,14471845	-49,47993871	4624	16,8	5,5
-20,14448269	-49,47902748	2562	14,9	4,09
-20,14424693	-49,47811625	5410	17	4,38
-20,14401116	-49,47720502	4997	11,6	4,11
-20,1437754	-49,47629379	3137	12,3	6,23
-20,14353964	-49,47538256	3045	11,3	5,1
-20,14330387	-49,47447132	3050	13,1	5,78
-20,14306811	-49,47356009	3413	13,5	7,18
-20,14584696	-49,48058877	4074	12,8	4,87
-20,1456112	-49,47967753	3796	16,4	5,44
-20,14537544	-49,4787663	3374	13,3	6,64
-20,14513968	-49,47785507	4336	12,8	4,8
-20,14490391	-49,47694384	2918	14,5	4,27
-20,14466815	-49,47603261	3376	11,9	5,01
-20,14443239	-49,47512138	3599	16,2	4,56
-20,14419662	-49,47421015	3868	11,5	7,25
-20,14396086	-49,47329892	4856	17,4	6,83
-20,14673971	-49,48032759	3099	16	6,22
-20,14650395	-49,47941636	4043	12,3	7,05
-20,14626819	-49,47850513	4277	11	6,81
-20,14603242	-49,4775939	2639	16,3	4,65
-20,14579666	-49,47668267	4323	15,6	7,12
-20,1455609	-49,47577143	3012	15,7	5,89
-20,14532514	-49,4748602	2695	16	6,83
-20,14508937	-49,47394897	5347	11,5	7,14
-20,14485361	-49,47303774	5397	13,3	5,11
-20,14763246	-49,48006641	4925	11,8	4,39
-20,1473967	-49,47915518	3414	16,6	4,8
-20,14716094	-49,47824395	2793	15,1	5,49
-20,14692517	-49,47733272	4553	13,2	6,86
-20,14668941	-49,47642149	3820	11,4	7,01
-20,14645365	-49,47551026	2866	13	4,02
-20,14621788	-49,47459903	3986	13,1	5,79
-20,14598212	-49,4736878	2603	15,7	5,46
-20,14574636	-49,47277657	5228	15,1	4,78

Contém dados coletados pela colhedora com monitor de produtividade:

Longitude
Latitude
Produtividade (kg/ha)
Umidade (%)
Velocidade da máquina

Esse arquivo foi utilizado como base de dados principal para toda a análise.

2. Shapefile do Talhão

Arquivo: talhao_oficial.shp

Esse shapefile contém o limite georreferenciado do talhão agrícola.

Ele é essencial para:

Recortar a interpolação
Garantir que o mapa fique apenas dentro da área cultivada
Calcular áreas e delimitar zonas corretamente

🧠 Conceitos Aplicados

🌾 Correção da Produtividade

A produtividade foi corrigida para 13% de umidade:

Isso garante padronização técnica para comparação agronômica.

🌍 Sistema de Coordenadas

Os dados foram convertidos para:

SIRGAS 2000 / UTM Zona 22S (EPSG:31982)

Isso é fundamental porque:

A interpolação deve ser feita em metros
Distâncias em graus (lat/long) distorcem cálculos espaciais

📊 Análise da Variabilidade

Foram calculados:

Média
Desvio padrão
Coeficiente de Variação (CV)

Resultado:

🔎 Interpretação

CV > 20% indica alta variabilidade espacial.

Isso justifica tecnicamente a criação de zonas de manejo.

🗺️ Mapa Interpolado (IDW)

Foi aplicada interpolação espacial utilizando:

cKDTree (SciPy)
Método IDW (Inverse Distance Weighting)
8 vizinhos
Potência 2

O IDW estima valores entre pontos medidos, gerando uma superfície contínua de produtividade.

O mapa revelou forte heterogeneidade produtiva no talhão.

Essa imagem representa um mapa contínuo de produtividade, gerado por interpolação espacial (IDW – Inverse Distance Weighting).

O que significa?

Cada ponto da colheita foi usado como base.
O algoritmo estimou os valores entre os pontos.
Gerou uma superfície contínua dentro do talhão.

Interpretação visual

🔴 Áreas vermelhas → menor produtividade (~40–55 sc/ha)
🟡 Áreas intermediárias → produtividade média (~60–70 sc/ha)
🟢 Áreas verdes → maior produtividade (~75–90 sc/ha)

📊 O que isso revela?

O talhão apresenta:

Alta heterogeneidade espacial
Diferenças produtivas expressivas
Amplitude de quase 49 sc/ha

Isso é extremamente significativo do ponto de vista econômico.

🎯 Importância na Agricultura de Precisão

Esse mapa responde à pergunta:

“Onde o talhão produz mais e onde produz menos?”

Ele permite:

✔ Diagnosticar áreas limitantes

✔ Identificar padrões espaciais

✔ Planejar amostragem de solo direcionada

✔ Avaliar necessidade de taxa variável

Mas ele ainda é apenas diagnóstico.

🎯Delimitação de Zonas de Manejo (Machine Learning)

Foi utilizado o algoritmo: K-Means (scikit-learn)

kmeans = KMeans(n_clusters=3)

Aqui a superfície contínua foi transformada em classes discretas de manejo, utilizando Machine Learning (K-Means).

Foram criadas 3 zonas:

🔴 Zona 1 – Baixa produtividade (~49 sc/ha)
🔵 Zona 2 – Média produtividade (~68 sc/ha)
🟢 Zona 3 – Alta produtividade (~84 sc/ha)

📊 O que mudou?

Antes:→ Mapa contínuo (interpretação visual)

Agora:→ Mapa decisório (classificação operacional)

Você saiu da análise e foi para a gestão.

📊 Resultados por Zona

📈 Amplitude Produtiva

Isso mostra uma diferença de quase 49 sacas dentro do mesmo talhão.

Isso é extremamente relevante do ponto de vista econômico.

As zonas permitem:

✔ Aplicação de fertilizantes em taxa variável

✔ Ajuste de densidade de semeadura

✔ Correção de solo específica

✔ Manejo diferenciado por potencial produtivo

✔ Redução de desperdícios

Em vez de tratar o talhão como homogêneo, você passa a tratá-lo como sistema heterogêneo.

🌱 Importância para a Agricultura de Precisão

A delimitação de zonas permite:

Aplicação localizada de fertilizantes
Correção de solo variável
Ajuste de taxa de semeadura
Redução de desperdícios
Aumento da eficiência agronômica
Maior retorno econômico

Ao invés de tratar o talhão como homogêneo, passamos a tratá-lo como um sistema heterogêneo.

🧩 Tecnologias Utilizadas

Python
Pandas
GeoPandas
NumPy
SciPy
Scikit-learn
Matplotlib
Shapely

🚜 Conclusão Técnica