Uso de índices espectrais na estimativa da produtividade do cafeeiro por meio de técnicas de aprendizado de máquina

A cultura do café (Coffea arabica L.) apresenta alta variabilidade espacial e temporal, o que torna a estimativa de safra um desafio complexo frente ao fenômeno da bienalidade e das variações edafoclimáticas. O uso de sensoriamento remoto associado ao aprendizado de máquina surge como uma alternativa promissora para contornar a ineficiência das amostragens manuais. O objetivo deste trabalho foi estimar a variabilidade espacial da produtividade de uma lavoura cafeeira utilizando índices espectrais derivados de imagens orbitais de alta resolução integrados ao algoritmo Random Forest (RF). O estudo foi conduzido no município de São João Evangelista - MG, em uma lavoura da cultivar Arara (três anos de idade). A coleta de dados de produtividade ocorreu em 100 plantas georreferenciadas por meio de derriça manual. Imagens multiespectrais do satélite CBERS-4A (sensor WPM) foram adquiridas em setembro de 2024 (período de pré-florada) e submetidas à fusão de imagens (pansharpening) para obtenção de resolução espacial de 2 metros, contornando ruídos e a mistura espectral das entrelinhas. Foram calculados os índices NDVI, SAVI, NDWI e VARI. Para a modelagem preditiva, empregou-se o algoritmo RF validado pelo método Leave-One-Out Cross-Validation (LOOCV). Os resultados demonstraram alta variabilidade produtiva na área (CV de 51,77%), associada à altitude e à dinâmica de estabelecimento inicial do estande. Índices baseados no infravermelho próximo (NDVI e SAVI) mostraram forte coerência espacial com a produtividade, enquanto o VARI (restrito ao visível) não apresentou capacidade de discriminação entre as zonas de manejo. O modelo RF alcançou um coeficiente de determinação (R²) de 0,61 e um Erro Médio Absoluto (MAE) de 0,51 L planta−1 (~6,3 sc ha−1). O NDWI destacou-se como a variável preditora de maior importância. Conclui-se que o uso de imagens de alta resolução no período de pré-florada, aliado ao algoritmo Random Forest, é uma ferramenta robusta e eficaz para a previsão antecipada da safra cafeeira, fornecendo mapas detalhados que viabilizam a transição para a agricultura de precisão por meio de adubações em taxa variável e podas sítio-específicas.