🚜Do Mapa de Colheita às Zonas de Manejo com Python

Você já tem o mapa de produtividade da soja. Mas… como transformar isso em decisão agronômica real?

Esse script faz exatamente isso 👇

Bibliotecas importadas (as “ferramentas”)

• pandas (pd): lê Excel e organiza dados em tabela (DataFrame).

• numpy (np): faz contas rápidas e matrizes (grid, máscara, etc.).

• matplotlib (plt): desenha os mapas/gráficos.

• geopandas (gpd): trabalha com dados geográficos (shapefile, CRS, etc.).

• shapely Point: cria pontos (x,y) para virar geometria no mapa.

• cKDTree: acelera a busca de vizinhos mais próximos (essencial no IDW).

• KMeans: cria grupos (zonas) automaticamente.

1. Carregar dados de produtividade

Aqui abre o Excel do monitor de colheita (ou do processamento) que tem colunas como:

• yield_kg_ha (produtividade)

• moisture (umidade)

• longitude, latitude (coordenadas)

• speed (velocidade da colhedora)

  
  

Correção para 13% de umidade

• Produtividade medida com umidade diferente “engana” na comparação.

• A fórmula ajusta para 13%, padrão comum para comparar rendimento.

• Depois converte kg/ha → sc/ha, assumindo 1 saca = 60 kg.

  
  

Remover outliers e pontos ruins

Isso é “higienização”:

• Remove produtividades absurdas (muito baixa/alta) que geralmente são erro de sensor, manobra, falha de GPS etc.

• Remove pontos com velocidade baixa (manobra/parada), que costumam distorcer a produtividade.

  
  

Por que isso importa?

Porque dados ruins viram “manchas” falsas no mapa e podem criar zonas erradas.

2. Criar GeoDataFrame e reprojetar para UTM (metros)

2.1. Transformar lat/long em pontos e cria GeoDataFrame com CRS WGS84

• EPSG:4326 = lat/long (graus), padrão GPS.

  
  

2.2. Reprojetar para UTM 22S (SIRGAS 2000)

Agora as coordenadas ficam em metros, o que é essencial para:

• calcular distâncias corretamente

• interpolar (IDW depende de distância)

  
  

2.3. Ler o talhão (shapefile) e garantir mesmo CRS

Abre o polígono do talhão e coloca no mesmo sistema UTM.

3. Cálculo da variabilidade (estatística descritiva)

• Média: produtividade média do talhão

• Desvio padrão: quanto os pontos variam em torno da média

• CV (coeficiente de variação): variabilidade relativa (%)

  
  

Por que isso importa?

O CV te ajuda a decidir se vale a pena criar zonas de manejo. Alta variabilidade = grande chance de retorno com manejo localizado.

4. Interpolação IDW (Inverso do Quadrado da Distância)

Separar x, y e produtividade (z)

• x, y: coordenadas em metros (UTM)

• z: produtividade em sc/ha

  
  

Criar uma grade (grid) cobrindo o talhão

• total_bounds pega o retângulo mínimo que envolve o talhão.

• 300j cria uma malha de 300 x 300 pontos (quanto maior, mais detalhado e mais pesado).

Encontrar os 8 vizinhos mais próximos

• cKDTree é um jeito rápido de achar vizinhos próximos.

• k=8 usa 8 pontos para estimar cada célula do grid.

• Distância zero pode acontecer se cair exatamente em cima de um ponto, então evita divisão por zero.

  
  

Calcular IDW (peso maior para quem está mais perto)

• Peso = 1 / d² → mais perto = influencia mais.

• Resultado: um “tapete” contínuo de produtividade.

  
  

Por que isso importa?

Colheita é ponto a ponto. Interpolação transforma isso num mapa contínuo que dá leitura visual e base para manejo.

5. Máscara do talhão (recortar só dentro do polígono)

Aqui o script pergunta, para cada célula do grid:

“Esse ponto está dentro do polígono do talhão?"

Depois aplica a máscara:

• Dentro do talhão: mantém valor

• Fora: vira NaN (não desenha)

  
  

6. Mapa contínuo interpolado (visualização)

• contourf cria um mapa em “manchas” contínuas.

• levels=20 define quantas faixas de cor (mais faixas = transição mais suave).

• RdYlGn é uma paleta típica: vermelho (baixo) → verde (alto).

  
  

Borda do talhão e barra de cores:

7. Classificação em zonas (K-Means)

• O K-Means cria 3 grupos (zonas) com base somente na produtividade.

• Cada ponto recebe um rótulo de zona (0, 1, 2).

  
  

Ordenar as zonas por produtividade média

Isso é um detalhe muito bom:

• K-Means pode chamar “zona 0” a mais alta ou a mais baixa, aleatoriamente.

• Aqui reorganiza para que:

  • zona 0 = menor média

  • zona 1 = média intermediária

  • zona 2 = maior média

    
    

8. Mapa de zonas de manejo

Define cores fixas para cada zona.

Depois plota os pontos por zona:

• Cada ponto vira uma bolinha colorida.

• s=8 controla o tamanho do ponto.

  
  

Borda do talhão e legenda:

Por que isso importa?

Zonas transformam “mapa bonito” em decisão prática:

• zonas de baixa produtividade → investigar compactação, fertilidade, drenagem, pragas…

• zonas altas → manter estratégia, ajustar insumos para estabilidade.

  
  

9. Média por zona

Mostra a produtividade média de cada zona (ótimo para comparar potencial e planejar manejo).

10. Estatística detalhada por zona

Aqui vê:

• média e desvio (consistência)

• mínimo e máximo (extremos)

• quantos pontos caíram em cada zona (representatividade)

  
  

11. Amplitude produtiva do talhão

A amplitude diz o “tamanho” da diferença entre o pior e o melhor ponto do talhão.

Por que isso importa?

Amplitude grande geralmente indica:

• alto potencial de ganho com manejo localizado

• forte heterogeneidade (solo, relevo, água, fertilidade, etc.)

  
  

Este script transforma dados brutos do monitor de colheita em informação de decisão: ele corrige a produtividade para 13% de umidade, remove pontos errados, converte as coordenadas para UTM (metros), gera um mapa contínuo por interpolação IDW recortado ao talhão e, por fim, divide o campo em 3 zonas de manejo com K-Means, além de imprimir estatísticas gerais e por zona. O resultado é uma base prática para investigar causas de baixa produtividade e planejar intervenções localizadas (adubação, corretivo, drenagem, compactação, população de plantas etc.).