Modelo mapeia com mais precisão impactos de geadas em lavouras de milho

Ferramenta usa sensoriamento remoto para reduzir incertezas quanto às perdas agrícolas, contribuindo com políticas públicas

Luciana Constantino | Agência FAPESP – Pesquisadores brasileiros desenvolveram uma metodologia que permite mapear, por meio de sensoriamento remoto, os impactos de geada nas lavouras de milho, reduzindo a exposição a riscos climáticos e a incerteza quanto às perdas agrícolas.

O modelo permite personalizar um conjunto de variáveis, o que pode ser útil para outras culturas em diversos contextos agrícolas. Tem, assim, potencial para nortear estimativas mais precisas durante as safras e contribuir para a elaboração de políticas públicas voltadas a apoiar cadeias produtivas e dar suporte a sistemas de seguro.

Com a produção mundial de grãos, especialmente arroz, milho, trigo e soja, concentrada em cinco países – China, Estados Unidos, Índia, Brasil e Argentina –, oscilações de safras podem provocar efeitos tanto nos preços como no abastecimento mundial. Além disso, essas culturas têm sofrido com os impactos das mudanças climáticas, expostas a secas severas, chuvas extremas e geadas mais frequentes, levando o tema dos sistemas agroalimentares a rodadas de negociação como a COP30, realizada em Belém (PA).

No estudo, os cientistas mapearam mais de 700 mil hectares de milho plantados na segunda safra na mesorregião oeste do Estado do Paraná (Toledo e Cascavel) para identificar os danos provocados por geadas registradas entre maio e junho de 2021, consideradas severas.

Eles integraram dados de sensoriamento remoto óptico (sensor MultiSpectral Instrument, de média resolução espacial, a bordo dos satélites da missão Sentinel-2) a técnicas de aprendizado de máquina (algoritmo Random Forest). Obtiveram 96% de acerto no mapeamento das lavouras de milho, revelando que 70% delas foram prejudicadas pelas geadas no período. Com o método, que chamaram de GEEadas, conseguiram apontar em mapa as áreas afetadas.

Os resultados foram publicados na edição de dezembro da revista Remote Sensing Applications: Society and Environment.

“Em 2021, tivemos uma seca que atrapalhou o plantio de soja no Paraná e, por consequência, atrasou o de milho. Depois, em junho, veio a informação da geada. Aquela região normalmente registra altos índices de chuva, o que beneficia as culturas. Mas vemos que o clima nos últimos anos não está em sua normalidade”, diz o pesquisador Marcos Adami, da Divisão de Observação da Terra e Geoinformática (DIOTG) do Instituto Nacional de Pesquisas Espaciais (Inpe) e um dos autores do artigo. “Uma quebra de safra ali afeta muito a vida das pessoas, que dependem na maioria da agroindústria. Desenvolver esse estudo é uma forma de prover ferramentas que deem respostas e contribuam para o planejamento de medidas que auxiliem na manutenção dessa importante atividade.”

Juntamente com o professor Michel Eustáquio Dantas Chaves, da Faculdade de Ciências e Engenharia da Universidade Estadual Paulista (Unesp), em Tupã (SP), Adami vem trabalhando há alguns anos em pesquisas com sensoriamento remoto voltadas a aplicações práticas na agricultura.

“Os produtores ainda enfrentam uma série de incertezas climáticas durante a safra, especialmente quando há eventos extremos, como geadas, que têm impactos sociais, econômicos e ambientais. Nesses casos é preciso identificar quanto da lavoura foi afetada para informar o produtor, os bancos que concedem crédito ou os órgãos institucionais. Esse método traz precisão, indicando a área afetada e reduzindo incertezas”, afirma Chaves, primeiro autor do artigo, que recebeu apoio da FAPESP.

Importância do setor

Na estimativa de outubro de 2025, o Instituto Brasileiro de Geografia e Estatística (IBGE) divulgou que a safra nacional de cereais, leguminosas e oleaginosas foi de 345,6 milhões de toneladas – 18% maior do que a de 2024, recorde da série histórica. Arroz, milho e soja são os três principais produtos, que, somados, representam 93% da estimativa de produção e 88% da área a ser colhida.

O Paraná é o segundo maior produtor de grãos do país, atrás apenas do Estado de Mato Grosso. Para o milho, a estimativa de produção em 2025 foi de 141,6 milhões de toneladas, também recorde.

De acordo com a pesquisa, na safra 2019/2020 a produção atingia cerca de 103 milhões de toneladas. Representava o dobro da década anterior, com três quartos da oferta provenientes da segunda safra, quando o milho é cultivado após a colheita da soja e colhido entre junho e julho. O incremento foi possível graças a mudanças nas práticas de manejo, com a adoção de novos fertilizantes e cultivo de milho de ciclo curto, por exemplo.

Geralmente, a segunda safra de milho apresenta maior risco do que a primeira por causa da menor disponibilidade de água e da exposição a eventos climáticos, incluindo geadas. Apesar de contar com sistemas de alerta de risco de geada, o Brasil ainda tem carência de metodologias precisas para avaliar os prejuízos causados.

Buscando validar o método, os pesquisadores compararam a área de mapeamento de milho e estimativas de danos por geada com os dados oficiais fornecidos posteriormente pela Secretaria de Estado da Agricultura e Abastecimento. Também usaram informações de seguradoras. Normalmente os agricultores acionam o seguro para recuperar perdas causadas por eventos adversos. Para cada solicitação, um especialista agrícola visita a lavoura e analisa os impactos.

“Em campo, os técnicos agrícolas têm uma limitação espacial, natural da atividade. Vendo de cima, com as imagens do sensoriamento remoto, conseguimos complementar o que os técnicos fazem”, explica Chaves à Agência FAPESP.

Já Adami conta que está desenvolvendo um trabalho conjunto com a Companhia Nacional de Abastecimento (Conab) nos estados do Rio Grande do Sul, do Paraná e de São Paulo, com o objetivo de auxiliar no desenvolvimento de metodologias e no levantamento de dados buscando números cada vez mais precisos sobre safras.

O artigo GEEadas: GEE-based automatic detection of adverse-frost stress pode ser lido em: sciencedirect.com/science/article/pii/S2352938525003520.