|
Abstract:
|
O monitoramento agrícola da soja exige métodos de mapeamento que conciliem acurácia temática e eficiência operacional. Este trabalho compara duas abordagens para o mapeamento da cultura da soja (Glycine max (L.) Merr.) no município de Rio Verde – GO, na safra 2024/25, quais sejam: a) mapeamento interpretativo manual em imagens Sentinel-2 no QGIS e; b) classificação automatizada por Random Forest (RF) no Google Earth Engine (GEE). Composições multitemporais de mediana foram geradas para três fases fenológicas, com 12 bandas preditoras (B4, B8, B11 e NDVI). A acurácia foi avaliada por Exatidão Global e Coeficiente Kappa sobre 203.745 ha (25% do município). O mapeamento manual alcançou excelente desempenho (Kappa = 0,9920; Exatidão Global = 99,60%) e desvio de área de −0,38% em relação ao gabarito. O Random Forest obteve concordância substancial (Kappa = 0,7624; Exatidão Global = 88,22%), com superestimativa de 10,08% e 60,92% dos polígonos abaixo de um quarto em relação a um módulo fiscal de 30 ha. Na abordagem automatizada foi demandado um menor tempo operacional, na ordem de 65%. A integração entre a classificação automatizada e o refinamento interpretativo manual constitui a estratégia metodológica mais equilibrada para o monitoramento agrícola da soja em escala municipal. |
