Modelos de sistemas de suporte à decisão para agricultura de precisão: aplicações no monitoramento climático e predição de rendimento agrícola

Abstract

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.