Como usar imagens de satélite e dados meteorológicos históricos na agricultura e na pecuária

Tema: Inteligência Artificial em Geoprocessamento e Análise Espacial

Imagens de satélite combinadas com dados meteorológicos e séries históricas de chuva, temperatura e radiação já sustentam, de forma madura, a previsão de produtividade da soja, o monitoramento de seca, a estimativa de evapotranspiração para irrigação e o mapeamento de pastagens no Brasil. As bases são em sua maioria públicas, como INMET, NASA POWER, CHIRPS, ERA5-Land e MapBiomas. O desafio atual é transformar esse volume de informação em decisão no nível da fazenda, e é aí que se abrem os caminhos de produto para gestores do agro e profissionais de tecnologia.

O que são e de onde vêm os dados

Três famílias de dados sustentam as aplicações. A primeira é a de imagens de satélite. O Sentinel-2, do programa Copernicus, oferece imagens ópticas gratuitas por meio do Copernicus Data Space Ecosystem [48]. Landsat e MODIS completam o conjunto de sensores mais usados nos estudos brasileiros [3][4]. O Google Earth Engine reúne um catálogo de vários petabytes, com Landsat, MODIS e Sentinel, e análise feita em nuvem [49][50]; o CHIRPS também está disponível na plataforma [31]. A NASA, por sua vez, mantém acesso aberto aos arquivos de observação da Terra pelo portal Earthdata [51].

A segunda família são as estações meteorológicas. O INMET disponibiliza dados históricos anuais das estações automáticas, de 2000 a 2026 (o arquivo de 2026 vai até 31 de outubro) [41], e o BDMEP, o banco de dados meteorológicos do instituto, é a porta de entrada para consultar outras séries [42].

A terceira são os produtos que combinam satélite, estações e modelos. O CHIRPS fornece estimativas de chuva em grade de 0,05°, de 1981 até quase o presente, entre 50°S e 50°N [31]; a nova versão, CHIRPS v3, amplia a cobertura para 60°S a 60°N [45]. As reanálises do Copernicus, ERA5 (desde 1940) e ERA5-Land (desde 1950), entregam dados horários até o presente [46][47]. Já o NASA POWER oferece dados de meteorologia e energia solar por API REST, com cliente em R [43][44].

Por que a série histórica importa

Um mapa de satélite de hoje só ganha significado quando comparado ao que aconteceu antes. A série histórica permite definir o que é "normal" para uma propriedade e medir o desvio. O CHIRPS, por exemplo, foi desenvolvido para apoiar, entre outros usos, o monitoramento de secas, e sua base de mais de quatro décadas viabiliza comparações de anomalia de chuva [31]. O ERA5-Land, com dados horários desde 1950, permite reconstruir o clima de qualquer talhão no passado [46].

O mesmo vale para a vegetação. Séries de dados de sensoriamento remoto e de clima foram usadas para treinar modelos de previsão de safra de soja no Brasil [2], e o mapeamento anual de produtividade a 30 m combinou cerca de vinte anos de observações Landsat e MODIS com clima e estatísticas municipais [3]. Sem histórico, não há como calibrar modelo, definir limiares de alerta ou estimar risco.

Há, porém, cuidados técnicos. No CHIRPS v3, as séries diárias têm duas versões ("rnl", com partição diária via ERA5, e "sat", via IMERG), e o próprio centro responsável lembra que a data diária é um rótulo consistente, não uma janela de observação uniforme [45]. Além disso, a v2 do CHIRPS deixa de ser produzida após dezembro de 2026 [31], o que exige planejar a migração de pipelines.

Aplicações práticas: onde isso é útil

Os dados e modelos descritos acima ganham valor quando viram uma decisão concreta para quem está no campo, no crédito ou na gestão pública. Os exemplos a seguir organizam as aplicações por tipo de usuário, indicando para que serve cada uso, que dado alimenta a análise e que decisão ela melhora. Todos se apoiam nas fontes já citadas neste artigo; são ilustrações de uso, não resultados garantidos para qualquer propriedade.

Produtor de grãos - Para que serve: acompanhar o desenvolvimento da lavoura ao longo da safra e antecipar a produtividade. As imagens de satélite permitem identificar problemas na formação do stand e acompanhar o desenvolvimento vegetativo da cultura [52]. A previsão de tempo específica para o local do plantio também ajuda o produtor a buscar maior produtividade e qualidade [53]. - Que dado usa: índices de vegetação do Sentinel-2 e do Landsat, chuva e temperatura de CHIRPS, ERA5-Land, NASA POWER ou INMET, e as janelas do ZARC [4][8][31][39][41][43][46]. - Que decisão melhora: quando plantar dentro da janela de menor risco, onde fazer vistoria de campo primeiro e como dimensionar a expectativa de colheita e a comercialização. Um estudo numa fazenda do sudoeste do Piauí, com NDVI de Landsat 8 e Sentinel-2, obteve erro médio de 4,2% frente às medições de campo [8].

Pecuarista - Para que serve: medir a condição da pastagem, estimar a oferta de forragem e planejar a recuperação de áreas degradadas. - Que dado usa: mapas anuais de pastagem, vigor e biomassa do MapBiomas, imagens Sentinel-2, alertas de seca do Monitor de Secas e focos de calor do BDQueimadas [17][19][27][40]. - Que decisão melhora: ajuste da taxa de lotação, momento de vender ou suplementar o rebanho em anos secos, e priorização de áreas para reforma, já que cerca de 29% das pastagens de Goiás foram estimadas como severamente degradadas [22][24]. O Atlas das Pastagens permite consultar e baixar dados por região [20].

Cooperativa - Para que serve: dar assistência técnica em escala a muitos associados e acompanhar a safra da região de forma consolidada. - Que dado usa: índices de vegetação por talhão, boletins e mapas agrometeorológicos do Agritempo e as janelas de plantio do ZARC [5][6][38][39]. - Que decisão melhora: quais associados visitar primeiro após um veranico ou geada, como orientar o plantio dentro da janela recomendada e como planejar armazenagem e logística a partir de uma estimativa de produtividade intratalhão e regional [5][6][39].

Seguradora e banco de crédito rural - Para que serve: verificar perdas, desenhar seguros paramétricos e acompanhar a lavoura financiada. - Que dado usa: índices de satélite como gatilho de pagamento, dados de produtividade em nível de campo e imagens para vistoria remota [32][33][34][35]. - Que decisão melhora: acelera a avaliação de sinistros por meio de imagens de satélite [34], reduz o chamado risco de base, isto é, a diferença entre o índice e a perda real do segurado [35], e apoia a concessão e a precificação de crédito com base no histórico da propriedade [33]. Isso exige validação regulatória e parceria com as instituições envolvidas.

Irrigante - Para que serve: estimar quanta água a cultura de fato consome e detectar estresse hídrico antes que ele reduza a produtividade. - Que dado usa: evapotranspiração calculada com geeSEBAL a partir de Landsat e ERA5-Land, além de temperatura de superfície e clima [14][15]. - Que decisão melhora: a lâmina e o momento da irrigação, o uso da água em regiões de forte expansão de irrigação, como o oeste da Bahia, e o consumo de água de perímetros irrigados, como no caso estudado no Ceará [14][15][16].

Governo e defesa civil - Para que serve: monitorar a seca, emitir alertas e orientar políticas públicas, de crédito e de zoneamento. - Que dado usa: Monitor de Secas, plataforma Alerta-Secas do CEMADEN, ESI, índices de umidade do solo, dados do INMET e o zoneamento agrícola [9][12][17][18][39]. - Que decisão melhora: a priorização de municípios para ações emergenciais, já que o Alerta-Secas acompanha os 5.570 municípios [18], a definição de épocas de plantio de menor risco pelo ZARC [39] e o acompanhamento oficial de safra feito pela Conab com o projeto GeoSafras [36][37]. O Agritempo, que apoia esse trabalho, foi desenvolvido pela Embrapa em parceria com o CEPAGRI/Unicamp [38].

Trading e agroindústria - Para que serve: antecipar o tamanho da safra e o risco de oferta para planejar compras, estoques e contratos. - Que dado usa: previsões de produtividade por aprendizado de máquina, índices de vegetação e clima, avaliações como as do GEOGLAM Crop Monitor e do FEWS NET, e relatórios oficiais de safra [2][3][29][30][36]. - Que decisão melhora: a estratégia de originação e de hedge, a logística de recebimento e a avaliação de risco de fornecedores. Para a conformidade na cadeia, o histórico de uso da terra e de pastagem por fornecedor, com base no MapBiomas, apoia relatórios de rastreabilidade [19][21]. Como o erro das estimativas municipais de produtividade da soja varia de cerca de 4% a mais de 30% conforme a região, vale combinar o modelo com fontes oficiais e validação local [2].

Em todos os casos, a plataforma comercial de monitoramento muda pouco a lógica: softwares como o EOSDA Crop Monitoring, por exemplo, combinam dados meteorológicos históricos e previsões para otimizar o planejamento das culturas e a gestão de riscos e recursos [54]. O que diferencia uma aplicação útil de uma vitrine de mapas é a ligação clara entre o dado, a decisão e o momento em que ela precisa ser tomada.

Agricultura: previsão de safra, seca e irrigação

Previsão de safra. A literatura brasileira sobre soja é extensa. Um estudo no sul do país integrou aprendizado de máquina, imagens de satélite e dados meteorológicos para prever a produtividade ainda durante a safra [1]. Outro testou cinco abordagens de aprendizado de máquina para estimar a produtividade da soja nos municípios de todo o país: o melhor desempenho teve erro relativo médio (rRMSE) de 16%, que vai de cerca de 4% no centro-norte a mais de 30% no sul, e a produtividade nacional foi prevista com erro de cerca de 6% já no fim de dezembro, três meses antes da colheita [2].

A tendência é descer da escala municipal para a do talhão. A comparação entre MODIS e Sentinel-2 com Random Forest [4], o uso de textura em imagens Sentinel-2 para captar a variabilidade dentro da fazenda [5] e o monitoramento intratalhão com bandas Vis-NIR-SWIR do Sentinel-2 [6] apontam nessa direção. Um estudo de 2026 aplicou imagens Sentinel-2 à estimativa de produtividade no Centro-Oeste [7], e outro usou NDVI de imagens Landsat 8 e Sentinel-2 numa fazenda do sudoeste do Piauí, com erro médio de 4,2% em relação às medições de campo [8].

Seca e risco. O Evaporative Stress Index (ESI), baseado em temperatura de superfície e balanço de energia, foi avaliado como indicador de seca agrícola no Brasil a partir do impacto na produtividade, com correlações maiores que as de chuva por satélite e índice de área foliar na maioria das culturas e regiões [9]. Há ainda estudos sobre a dinâmica da seca da vegetação no semiárido [10], a avaliação da bacia do São Francisco com índices de satélite e de estações [11], a aplicação do índice de umidade do solo SMADI em Pernambuco [12] e a análise dos eventos extremos de seca entre 2011 e 2019 [13].

Irrigação. O geeSEBAL, implementado no Google Earth Engine, foi aplicado à cana-de-açúcar, na principal região produtora do país, para estimar evapotranspiração com Landsat e ERA5-Land e identificar estresse hídrico [14]. Outro estudo diagnosticou uso de água e estresse hídrico no oeste da Bahia, região de forte expansão da irrigação [15], e um trabalho de 2009 já usava mapas de evapotranspiração por satélite para estimar o consumo de água de áreas irrigadas no Ceará [16].

Na prática operacional, o Monitor de Secas acompanha de forma regular a situação da seca, com informações mensais até o mês anterior, ou seja, um retrato da situação já observada [17]. O CEMADEN, por sua vez, oferece a plataforma Alerta-Secas, que acompanha a severidade da seca nos 5.570 municípios [18].

Pecuária: pastagens, lotação e manejo

O ponto de partida é o MapBiomas, que disponibiliza mapas anuais de pastagem de 1985 a 2025, além de produtos de idade, condição de vigor, transição e biomassa, com código aberto no GitHub; o download direto dos mapas estava suspenso na consulta, mas eles podem ser acessados pelo Google Earth Engine [19]. O Atlas das Pastagens, do LAPIG/UFG, p

ermite visualizar e baixar dados por região [20].

Esses mapas alimentam estudos de impacto. Um deles identificou cerca de 28 milhões de hectares de pastagens plantadas com degradação intermediária ou severa e alto potencial para lavouras, num total de cerca de 177 milhões de hectares de pastagens no país [21]. Outro estimou, com 460 pontos de campo, que cerca de 29% das pastagens de Goiás estão severamente degradadas [22], e um terceiro avaliou a vulnerabilidade de bacias leiteiras de Pernambuco e Alagoas entre 2010 e 2020 [23].

No manejo do rebanho, uma revisão mostra como sensoriamento remoto e aprendizado de máquina apoiam o monitoramento e as decisões de manejo das pastagens [24]. Revisões recentes também descrevem o uso de dados multiespectrais, hiperespectrais, de radar e LiDAR, de satélite e drone, combinados com aprendizado de máquina, para monitorar produtividade e qualidade de forragem [25][26]. Modelos de aprendizado de máquina já estimam matéria seca e biomassa em pastos de braquiária combinando dados espectrais e do rebanho [27], e um estudo comparou pastos silvipastoris e convencionais com termografia por drone, encontrando temperatura corporal mínima menor nos animais à sombra no verão [28]. Para o manejo do fogo, o BDQueimadas, do Programa Queimadas do INPE, permite filtrar e exportar dados de focos [40].

Como acessar as bases públicas

Para quem precisa começar, o caminho é relativamente direto. O INMET entrega pacotes anuais de dados das estações automáticas [41], e o BDMEP permite consultas específicas [42]. O NASA POWER é acessível por API REST, mas pode devolver erro 429 em caso de excesso de requisições [43]. CHIRPS e ERA5-Land podem ser baixados diretamente nos portais do Climate Hazards Center e do Copernicus [31][46].

Para quem prefere não baixar arquivos, o Google Earth Engine concentra Landsat, MODIS, Sentinel e CHIRPS, com processamento em nuvem [31][49][50]. No campo da agrometeorologia aplicada, o Agritempo, da Embrapa, oferece boletins e mapas gratuitos, e seus dados integram o Zoneamento Agrícola de Risco Climático [38]. O ZARC cobre mais de 40 culturas e indica as épocas de plantio de menor risco, inclusive pelo aplicativo Plantio Certo [39].

Exemplos no Brasil e no mundo

No Brasil, a Conab faz o acompanhamento da safra brasileira [36] e incorporou geotecnologias e sensoriamento remoto à previsão por meio do projeto GeoSafras [37]. A Embrapa mantém o Agritempo e o ZARC [38][39], e o INPE sustenta o monitoramento de queimadas [40].

No exterior, o GEOGLAM Crop Monitor produz avaliações mensais por consenso das condições de cultivo para mais de 97% da agricultura global, com mais de 70 parceiros, e oferece ferramentas abertas como CMET e a AGMET EO Indicator Tool, que reúnem NDVI, ESI, chuva, umidade do solo e temperatura [29]. O FEWS NET usa satélites e modelos preditivos para monitorar impactos climáticos em cultivos [30].

O seguro por índice é outra frente. Uma revisão sistemática publicada em 2025 analisou o uso de dados de satélite no desenho de seguros agrícolas baseados em índices [32]. A EarthDaily usa sensoriamento remoto para verificação e produtos paramétricos [33], a GreenTriangle usa imagens de satélite para agilizar a avaliação de perdas [34], e dados de produtividade em nível de campo ajudam a reduzir o chamado risco de base [35].

Limites e cuidados

Os modelos variam por região e cultura: o erro das estimativas municipais de soja vai de cerca de 4% a mais de 30% conforme a região [2], de modo que a validação local é indispensável antes de qualquer oferta comercial. A resolução temporal também importa: o Monitor de Secas descreve a situação até o mês anterior [17].

Há ainda cuidados de engenharia e de contrato. As séries do INMET listadas na página de dados históricos cobrem estações automáticas a partir de 2000, e registros de outras estações precisam ser verificados no BDMEP [41][42]. A descontinuidade do CHIRPS v2 exige migração [31], e as licenças de cada base devem ser conferidas antes do uso comercial.

Como transformar em produto

A partir do material consultado, é possível delinear caminhos de produto. As aplicações abaixo são sugestões de síntese, não resultados comprovados.

  1. Painel de risco climático por propriedade: série histórica de chuva e temperatura (CHIRPS, ERA5-Land, NASA POWER, INMET) cruzada com janelas do ZARC e anomalias de NDVI e ESI, no modelo das ferramentas do GEOGLAM [29][39].
  2. Previsão de produtividade em safra: modelo híbrido de índices de vegetação e clima, validado com estatísticas municipais e dados da fazenda, nos moldes dos estudos citados [1][2][3].
  3. Seguro paramétrico e crédito: índices de satélite como gatilho de pagamento, com redução do risco de base [32][33][35]. Exige parceria com seguradoras e bancos e validação regulatória.
  4. Irrigação orientada por evapotranspiração: ET via geeSEBAL para recomendar lâmina e identificar estresse hídrico [14][15].
  5. Gestão de pastagem e rebanho: monitor de vigor, biomassa e degradação (MapBiomas e Sentinel-2) para orientar lotação e recuperação, com alertas de seca e fogo [19][27][40].
  6. Conformidade na cadeia: relatórios de uso da terra e histórico de pastagem por fornecedor, apoiados nos mapas do MapBiomas [19][21].

Conclusão

Com dados abertos, nuvem para processamento e modelos cada vez mais testados, a vantagem competitiva deixa de estar no acesso à informação e passa para a capacidade de calibrá-la localmente e entregá-la como decisão. A migração do CHIRPS v2 para o v3 e a chegada de modelos em escala de talhão sinalizam que a base técnica continuará evoluindo [5][6][31][45].

A Quântica.ia desenvolve soluções de IA com imagens de satélite e dados climáticos — saiba mais em https://quanticaia.com.br/solucoes/.

Referências

  1. [1] Schwalbert et al., Satellite-based soybean yield forecast: Integrating machine learning and weather data for improving crop yield prediction in southern Brazil, Agric. Forest Meteorol., 2020 - https://www.sciencedirect.com/science/article/pii/S0168192319305027
  2. [2] von Bloh et al., Machine learning for soybean yield forecasting in Brazil, Agric. Forest Meteorol., 2023 - https://www.sciencedirect.com/science/article/pii/S016819232300360X
  3. [3] Song et al., Annual 30 m soybean yield mapping in Brazil using long-term satellite observations, climate data and machine learning, 2022 - https://www.sciencedirect.com/science/article/pii/S0168192322003732
  4. [4] Batistella et al., Comparative analysis of orbital sensors in soybean yield estimation by the random forest algorithm, Ciência e Agrotecnologia, 2023 - https://www.scielo.br/j/cagro/a/B4ZDQZFqZY4tQsKVmtHbZNM/?lang=en
  5. [5] de Freitas et al., Predicting on-farm soybean yield variability using texture measures on Sentinel-2 image, Precision Agriculture, 2024 - https://link.springer.com/article/10.1007/s11119-024-10176-3
  6. [6] Crusiol et al., Strategies for monitoring within-field soybean yield using Sentinel-2 Vis-NIR-SWIR spectral bands and machine learning regression methods, Precision Agriculture, 2022 - https://link.springer.com/article/10.1007/S11119-022-09876-5
  7. [7] Pereira et al., Soybean yield estimation in the Brazilian midwest using Sentinel-2 imagery, Big Earth Data, 2026 - https://www.tandfonline.com/doi/abs/10.1080/20964471.2026.2631900
  8. [8] Andrade et al., Soybean yield prediction using remote sensing in Southwestern Piauí State, Brazil, Revista Caatinga, 2022 - https://www.scielo.br/j/rcaat/a/F8b9HskBsLFW6QrH5JbfQLx/?lang=en
  9. [9] Anderson et al., The Evaporative Stress Index as an indicator of agricultural drought in Brazil: An assessment based on crop yield impacts, Remote Sens. Environ., 2016 - https://www.sciencedirect.com/science/article/pii/S0034425715302212
  10. [10] Cunha et al., Monitoring vegetative drought dynamics in the Brazilian semiarid region, Agric. Forest Meteorol., 2015 - https://www.sciencedirect.com/science/article/pii/S0168192315007157
  11. [11] Paredes-Trejo et al., Drought Assessment in the São Francisco River Basin Using Satellite-Based and Ground-Based Indices, Remote Sensing, 2021 - https://www.mdpi.com/2072-4292/13/19/3921
  12. [12] Souza et al., Soil moisture-based index for agricultural drought assessment: SMADI application in Pernambuco State-Brazil, Remote Sens. Environ., 2021 - https://www.sciencedirect.com/science/article/pii/S0034425720304971
  13. [13] Cunha et al., Extreme Drought Events over Brazil from 2011 to 2019, Atmosphere, 2019 - https://www.mdpi.com/2073-4433/10/11/642
  14. [14] Gonçalves et al., Remote sensing-based evapotranspiration modeling using geeSEBAL for sugarcane irrigation management in Brazil, Agric. Water Manag., 2022 - https://www.sciencedirect.com/science/article/pii/S0378377422005121
  15. [15] Santos et al., A Remote Sensing Diagnosis of Water Use and Water Stress in a Region with Intense Irrigation Growth in Brazil, Remote Sensing, 2020 - https://www.mdpi.com/2072-4292/12/22/3725
  16. [16] Folhes, Rennó e Soares, Remote sensing for irrigation water management in the semi-arid Northeast of Brazil, Agric. Water Manag., 2009 - https://www.sciencedirect.com/science/article/pii/S037837740900136X
  17. [17] Semad Goiás, Programa Monitor de Secas - https://goias.gov.br/meioambiente/?p=26692
  18. [18] CEMADEN, Cemaden disponibiliza plataforma Alerta-Secas para acompanhamento de secas - https://www.gov.br/cemaden/pt-br/assuntos/noticias-cemaden/cemaden-disponibiliza-plataforma-alerta-secas-para-acompanhamento-de-secas
  19. [19] MapBiomas Brasil, Pastagem - https://brasil.mapbiomas.org/iniciativas-e-produtos/cobertura-e-uso-da-terra/pastagem/pastagem/
  20. [20] Atlas das Pastagens (LAPIG/UFG) - https://lapig.iesa.ufg.br/p/38972-atlas-das-pastagens
  21. [21] Bolfe et al., Potential for Agricultural Expansion in Degraded Pasture Lands in Brazil Based on Geospatial Databases, Land, 2024 - https://www.mdpi.com/2073-445X/13/2/200
  22. [22] Teles et al., Pasture degradation estimates through field data in the State of Goiás, Brazil, Land Degrad. Dev., 2025 - https://onlinelibrary.wiley.com/doi/abs/10.1002/ldr.70089
  23. [23] Silva et al., Spatio-Temporal Modeling of Land and Pasture Vulnerability in Dairy Basins in Northeastern Brazil, AgriEngineering, 2024 - https://www.mdpi.com/2624-7402/6/3/171
  24. [24] Bretas et al., Precision livestock farming applied to grazingland monitoring and management—A review, Agronomy Journal, 2024 - https://acsess.onlinelibrary.wiley.com/doi/abs/10.1002/agj2.21346
  25. [25] Pinto et al., Sensor-Based Pasture Quality Monitoring: Supporting Grazing Management and Preventing Nutritional and Metabolic Disorders in Ruminants, Sensors, 2026 - https://www.mdpi.com/1424-8220/26/17/5472
  26. [26] Ali & Kaul, Monitoring Yield and Quality of Forages and Grassland in the View of Precision Agriculture Applications—A Review, Remote Sensing, 2025 - https://www.mdpi.com/2072-4292/17/2/279
  27. [27] Defalque et al., Machine learning models for dry matter and biomass estimates on cattle grazing systems, Comput. Electron. Agric., 2024 - https://www.sciencedirect.com/science/article/pii/S0168169923009080
  28. [28] Grudzinski et al., Remote thermal sensing in tropical cattle systems: a comparative study of silvopastoral and conventional pastures using drone-mounted infrared imaging, Front. Anim. Sci., 2026 - https://www.frontiersin.org/journals/animal-science/articles/10.3389/fanim.2026.1800196/full
  29. [29] GEOGLAM, Global Agricultural Monitoring - https://geoglam.org/ag-monitoring/
  30. [30] FEWS NET, Agroclimatology Data - https://fews.net/data/agroclimatology-data
  31. [31] CHIRPS: Rainfall Estimates from Rain Gauge and Satellite Observations (CHC/UCSB) - https://www.chc.ucsb.edu/data/chirps
  32. [32] Nguyen et al., Satellite-based data for agricultural index insurance: a systematic quantitative literature review, NHESS, 2025 - https://nhess.copernicus.org/articles/25/913/2025/
  33. [33] EarthDaily, Insurance & Lending - https://earthdaily.com/insurance-lending
  34. [34] Planet, Satellite Data and AI: The Shift to Data-Driven Agriculture Insurance - https://www.planet.com/pulse/satellite-data-and-ai-the-shift-to-data-driven-agriculture-insurance/
  35. [35] Agrograph, Reduce Basis Risk in Parametric Crop Insurance with Satellite Crop Monitoring - https://www.agrograph.com/discover/satellite-crop-monitoring-reduces-basis-risk
  36. [36] Conab, Acompanhamento da Safra Brasileira - https://www.gov.br/conab/pt-br/atuacao/informacoes-agropecuarias/safras
  37. [37] Figueiredo, Projeto GeoSafras: Sistema de Previsão de Safras da Conab, Revista de Política Agrícola, 2005 - https://rpa.sede.embrapa.br/RPA/article/view/543
  38. [38] Embrapa, Agritempo - Sistema de Monitoramento Agrometeorológico - https://www.embrapa.br/en/busca-de-solucoes-tecnologicas/-/produto-servico/10651/agritempo---sistema-de-monitoramento-agrometeorologico
  39. [39] Agritempo, Zoneamento (ZARC) - https://www.agritempo.gov.br/zoneamento/
  40. [40] INPE, BDQueimadas - Programa Queimadas - https://data.inpe.br/queimadas/bdqueimadas/
  41. [41] INMET, Dados históricos anuais - https://portal.inmet.gov.br/dadoshistoricos
  42. [42] INMET, BDMEP - https://bdmep.inmet.gov.br/
  43. [43] NASA POWER, API Overview - https://power.larc.nasa.gov/docs/services/api/
  44. [44] nasapower: NASA POWER API Client (rOpenSci) - https://ropensci.r-universe.dev/nasapower
  45. [45] CHIRPS v3 (CHC/UCSB) - https://www.chc.ucsb.edu/data/chirps3
  46. [46] ERA5-Land hourly data from 1950 to present (Copernicus CDS) - https://cds.climate.copernicus.eu/datasets/reanalysis-era5-land
  47. [47] ERA5 hourly data on single levels from 1940 to present (Copernicus CDS) - https://cds.climate.copernicus.eu/datasets/reanalysis-era5-single-levels?tab=overview
  48. [48] Copernicus Data Space Ecosystem, Sentinel-2 - https://dataspace.copernicus.eu/data-collections/copernicus-sentinel-missions/sentinel-2
  49. [49] Google Earth Engine - https://earthengine.google.com/
  50. [50] Earth Engine Data Catalog - https://developers.google.com/earth-engine/datasets
  51. [51] NASA Earthdata - https://www.earthdata.nasa.gov/
  52. [52] Climate FieldView, Conheça 4 vantagens do uso de imagens de satélite na agricultura - https://climate.com/pt-br/blog/uso-imagens-de-satelite-agricultura.html
  53. [53] INMET, A importância da previsão de tempo específica para seu plantio - https://portal.inmet.gov.br/noticias/a-import%C3%A2ncia-da-previs%C3%A3o-de-tempo-espec%C3%ADfica-para-seu-plantio
  54. [54] EOS Data Analytics, Análise de dados de clima no EOSDA Crop Monitoring - https://eos.com/pt/products/crop-monitoring/weather-data-for-agriculture/
Fale com a Eliza
E

Eliza

Agente assistente