Sensoriamento remoto e redes neurais na estimativa da produtividade do café arábica na Bahia | Remote sensing and neural networks for estimating arabica coffee yield in Bahia

Studies on the use of orbital remote sensing to estimate the yield of Arabica coffee (Coffea arabica L.) have advanced in Brazil. However, coffee-producing states such as Bahia State still face challenges in adopting methodologies and technologies capable of capturing the spatial variability of plantations with greater precision. Given this, the objective of this research was to develop a model for estimating Arabica coffee yield in Bahia State using high-resolution orbital remote sensing and Artificial Neural Networks (ANN). Georeferenced samples of actual yield and vegetation indices (VIs) indicating plant vigor, nutritional status, water stress, and temperature were used. The study was conducted in two commercial areas with different production systems: Santa Vera farm, in Bonito city (Chapada Diamantina region), which uses rainfed cultivation, and Requinte farm in Encruzilhada city (Southwest region), which employs irrigated cultivation. Yield samples (2 per hectare) were collected during the 2024 harvest, recorded in the Auravant system, and used to generate the models “Verde kg”, “Verde sc/ha”, “Maduro kg”, and “Maduro sc/ha”. Orbital images were obtained from the PlanetScope constellation, the NICFI program, and the MSI/Sentinel-2A sensor between August 2023 and May 2024. In R software, the VIs were calculated, and their minimum, mean, and maximum values were extracted from the coffee planting rows corresponding to the sampling points. The Shapiro-Wilk test at a 5% significance level indicated normality for most of the data, allowing the application of Pearson correlation between the yield and the VIs. The best result was obtained in the sample area of Santa Vera farm with the PlanetScope sensor, where the minimum CCCI value recorded on 08/20/2023 showed a moderate positive correlation (r = 0.66, p-value = 0.001). After training the ANN in SPSS software, cross-validation was performed between actual yield and ANN-predicted yield based on VIs. The best-performing model was “Maduro kg” for all sensors, with the most consistent data from PlanetScope. This sensor showed the best fit (R² and adjusted R² above 0.99), the lowest MAE errors (0.031 – 0.072), RMSE (0.042 – 0.087), and relative RMSE (0.029 – 0.043), as well as low bias (BIAS = 0.001 and relative BIAS = 0) in the sample areas of Requinte and Santa Vera farms, respectively. Among the VIs, CCCI was the most relevant for PlanetScope, followed by NDRE, NDVI, NDWI, and EVI. For MSI/Sentinel-2A, NDRE and NDMI were the most significant, while for NICFI, NDWI and MSAVI2 stood out. The VIs at different stages of the production cycle successfully captured the spatial variability of the plantations, indicating that the developed models are generalizable and effective for accurately estimating Arabica coffee yield in different production systems, both in the early stages of the cycle and near harvest.

Os estudos sobre o uso do sensoriamento remoto orbital para estimar a produtividade do café arábica (Coffea arabica L.) têm avançado no Brasil. No entanto, estados produtores como a Bahia ainda enfrentam desafios na adoção de metodologias e tecnologias capazes de capturar a variabilidade espacial das lavouras com maior precisão. Diante disso, esta pesquisa teve como objetivo desenvolver um modelo de estimativa da produtividade do café arábica na Bahia utilizando sensoriamento remoto orbital de alta resolução e Redes Neurais Artificiais (RNA). Foram utilizadas amostras georreferenciadas da produtividade real e índices espectrais que indicam o vigor da planta e o seu estado nutricional, além do estresse hídrico e da temperatura. O estudo foi realizado em duas áreas comerciais com diferentes sistemas de produção: a Fazenda Santa Vera, em Bonito (Chapada Diamantina), com cultivo em sequeiro, e a Fazenda Requinte, em Encruzilhada (Sudoeste), com cultivo irrigado. As amostras de produtividade (2 por hectare) foram coletadas na safra 2024, registradas no sistema da Auravant e utilizadas para gerar os modelos “Verde kg”, “Verde sc/ha”, “Maduro kg” e “Maduro sc/ha”. As imagens orbitais foram obtidas da constelação PlanetScope, do programa NICFI e do sensor MSI/Sentinel-2A entre agosto de 2023 e maio de 2024. No software R, os índices espectrais foram calculados e extraídos os valores mínimo, médio e máximo nas linhas de plantio de café, referentes aos pontos amostrais. O teste de Shapiro-Wilk a 5% de significância indicou normalidade para a maioria dos dados, permitindo a aplicação da correlação de Pearson entre as amostras de produtividade e os índices. O melhor resultado foi obtido na área amostral da Fazenda Santa Vera com o sensor PlanetScope, onde o índice CCCI (valor mínimo) registrado em 20/08/2023 apresentou correlação positiva moderada (r = 0,66, p-valor = 0,001). Após treinamento da RNA no software SPSS, foi realizada a validação cruzada entre a produtividade real e a predita pela RNA com base nos índices espectrais, tendo o melhor desempenho o modelo “Maduro kg” para todos os sensores, com maior consistência nos dados do PlanetScope. Este sensor apresentou os melhores ajustes (R² e R²ajustado superiores a 0,99), os menores erros MAE (0,031 – 0,072), RMSE (0,042 – 0,087) e RMSErelativo (0,029 – 0,043), além de baixo viés (BIAS = 0,001 e BIASrelativo = 0) nas áreas amostrais das fazendas Requinte e Santa Vera, respectivamente. Entre os índices, o CCCI foi o mais relevante no PlanetScope, seguido por NDRE, NDVI, NDWI e EVI. No MSI/Sentinel-2A, os índices NDRE e NDMI se destacaram, enquanto no NICFI os mais relevantes foram NDWI e MSAVI2. Os índices espectrais em diferentes momentos do ciclo produtivo foram capazes de captar a variabilidade espacial das lavouras, indicando que os modelos desenvolvidos são generalizáveis e eficazes para estimar a produtividade do café arábica com alta precisão em distintos sistemas de produção, tanto nas fases iniciais do ciclo do café quanto próximo à colheita.