Zamberlan, Miguel FabricioChagas, Euzimar dos Santos2025-12-042025-12-042025CHAGAS, Euzimar dos Santos. Modelos de sistemas de suporte à decisão para agricultura de precisão: aplicações no monitoramento climático e predição de rendimento agrícola. Orientador(a): Prof. Me. Miguel Fabricio Zamberlan. 2025. 27 f. Trabalho de Conclusão de Curso (Superior de Tecnologia em Agrocomputação), Instituto Federal de Educação, Ciência e Tecnologia de Rondônia - IFRO, São Miguel do Guaporé, 2025.2358-2472http://repositorio.ifro.edu.br/handle/123456789/2191Artigo entregue como Trabalho de Conclusão de Curso ao Instituto Federal de Educação, Ciência e Tecnologia de Rondônia (IFRO), Campus São Miguel do Guaporé, como requisito parcial para obtenção do grau de Tecnólogo, junto ao Curso Superior de Tecnologia em Agrocomputação.Este artigo analisa modelos de sistemas de suporte à decisão aplicados à agricultura de precisão, temática relevante pela necessidade de decisões orientadas por dados em cenários de variabilidade meteorológica e pressão por eficiência. O objetivo é mapear tipologias de sistemas, fontes e integrações de dados climáticos e de sensoriamento remoto, e famílias de modelos preditivos para estimativa de produtividade. Foi realizada revisão bibliográfica entre 2015 e 2025 em Scopus, Web of Science, SciELO, IEEE Xplore e Google Acadêmico, com triagem por título, resumo e texto completo, remoção de duplicados e extração padronizada de cultura, local, dados utilizados, tipo de sistema, algoritmo, métricas e limitações. Os estudos foram sintetizados em matriz comparativa. A revisão identificou três vertentes principais, baseadas em regras, em modelos e em dados com aprendizado de máquina, e verificou amplo uso de séries meteorológicas, reanálises e índices espectrais integrados a plataformas operacionais nacionais. Abordagens com aprendizado de máquina apresentaram melhor desempenho que modelos estatísticos, com R² de 0,81 e RMSE de 176,93 kg ha⁻¹ em soja, erros inferiores a 10 por cento com redes profundas e previsões nacionais com rRMSE de 6 por cento. Persistiram limitações de lacunas de dados, generalização espaço-temporal, custos e necessidade de calibração e explicabilidade. Conclui-se que a integração clima mais sensoriamento remoto e modelos híbridos constitui caminho promissor, e que investimentos em infraestrutura e capacitação ampliam a adoção prática dos sistemas.pt-BRAgricultura digitalSensoriamento remotoAprendizado de máquinaProdutividadeValidação espacialTrabalho de Conclusão de Cursohttps://doi.org/10.56238/arev7n11-290Digital farmingRemote sensingMachine learningCrop forecastingSpatial validation