Como avaliar o potencial produtivo do café com imagens de satélite

O monitoramento remoto da cafeicultura, com sensores ópticos, já teve potencial demonstrado em diversas pesquisas científicas sobre o tema, mas um dos seus principais desafios é a análise do potencial produtivo das lavouras, visando o acompanhamento da safra.

No monitoramento de áreas com multipolígonos, especificamente, este é um desafio ainda maior, tendo em vista os diferentes níveis de cobertura de nuvens e a qualidade dos dados para análise.

Contudo, há técnicas de sensoriamento remoto que a literatura científica recomenda para estes casos, possibilitando análises mais seguras.

Para o monitoramento deste tipo, é possível, por exemplo, integrar imagens de satélite com algoritmos de filtragem de nuvens, cálculos de múltiplos índices espectrais e rotinas automatizadas de classificação dos resultados.

Esta abordagem eu venho utilizando no processamento realizado para analisar o potencial produtivo de lavouras de café, como da espécie arábica no Planalto da Conquista, no sudoeste da Bahia.

A análise foi desenvolvida no Google Earth Engine, utilizando imagens do satélite Sentinel-2, com o objetivo de avaliar o vigor vegetativo das lavouras e estimar o potencial produtivo dos talhões.

Remoção de nuvens de imagens de satélite

Um dos maiores problemas no uso de sensores ópticos é a presença de nuvens, sombras e partículas atmosféricas que contaminam os pixels.

Em algumas análises iniciais, percebi que havia imagens com coberturas parciais de nuvens e sombras, o que me incomodava bastante.

Antes, como via imagens como esta acima buscava aumentar o período de busca, mas isso não era o ideal. Então, buscando eliminar ou amenizar esse problema, percebi que era essencial aplicar um filtro de nuvens mais rigoroso, não apenas os 10 a 30% comumente utilizados nos processamentos com imagens Sentinel-2.

Vi que é possível combinar diferentes técnicas de detecção e utilizei três camadas principais de verificação:

Classes confiáveis da banda SCL (Scene Classification Layer);
Máscara QA60 para nuvens e cirrus;
Detecção de haze (neblina atmosférica).

Além disso, apliquei um buffer espacial para remover sombras próximas das nuvens. Um trecho do código utilizado no processamento é o seguinte:

function maskCloudsS2Advanced(img) {

var scl = img.select('SCL');

var maskSCL = scl.eq(4)

.or(scl.eq(5))

.or(scl.eq(6));

var qa60 = img.select('QA60');

var cloudBitMask = 1 << 10;

var cirrusBitMask = 1 << 11;

var maskQA60 = qa60.bitwiseAnd(cloudBitMask).eq(0)

.and(qa60.bitwiseAnd(cirrusBitMask).eq(0));

var maskHaze = img.select('B2').lt(2000);

var finalMask = maskSCL.and(maskQA60).and(maskHaze);

return img.updateMask(finalMask);

}

Conforme a documentação do Google Earth Engine, esse tipo de filtragem reduz significativamente o risco de interpretação errada causada por pixels contaminados.

A remoção adequada de nuvens é um dos pontos mais críticos no uso de imagens ópticas em agricultura, especialmente na produção de café.

A própria documentação oficial do Google Earth Engine destaca que a presença de nuvens, sombras e aerossóis pode introduzir erros significativos em análises espectrais se esses pixels não forem removidos antes do processamento.

Por essa razão, é prática comum em estudos de sensoriamento remoto aplicar máscaras baseadas nas bandas de qualidade das imagens, como a SCL (Scene Classification Layer) e a QA60, disponíveis nos produtos Sentinel-2 Surface Reflectance.

Mas, mesmo com esses filtros, em regiões de produção agrícola ainda é comum haver cobertura parcial de nuvens dentro de um talhão.

Com isso, pequenas áreas livres de nuvens podem gerar médias espectrais que não representam corretamente a condição real da lavoura. Percebendo este risco, além da filtragem pixel a pixel, busquei implementar um critério adicional de qualidade dos dados.

Para a análise dos polígonos de café do Planalto da Conquista determinei que cada talhão só poderia ser analisado se possuísse pelo menos 80% de pixels válidos dentro do polígono -- porcentagem configurável.

Esse procedimento segue recomendações frequentemente utilizadas em análises de sensoriamento remoto para evitar que amostras pequenas e espacialmente fragmentadas comprometam a interpretação dos resultados.

A própria documentação do Earth Engine ressalta que análises baseadas em estatísticas espaciais devem considerar a qualidade e a representatividade dos pixels utilizados nos cálculos, especialmente quando se utilizam operações como reduceRegion para extração de médias ou medianas espectrais.

Na prática, isso significa que o algoritmo primeiro calcula a proporção de pixels válidos dentro do talhão e apenas prossegue com o cálculo dos índices espectrais quando esse limiar mínimo é atingido. No código, essa verificação é feita a partir da máscara da imagem:

A partir dessa estatística, o sistema calcula o percentual de cobertura válida do talhão. Caso esse percentual seja inferior ao limiar definido, o talhão é automaticamente descartado da análise.

Esse tipo de abordagem é particularmente importante quando se trabalha com mosaicos temporais, uma vez que a presença de nuvens pode variar significativamente entre as diferentes imagens utilizadas no processamento.

Cálculo dos índices espectrais e o potencial produtivo do café

Superada a etapa de controle de qualidade das imagens, o próximo passo foi o cálculo dos índices espectrais. Foram calculados o NDVI, MSAVI2, NDRE, GNDVI, CCCI, NDMI, NDWI, TWI2 e NBR. Cada um deles captura um aspecto específico da lavoura de café.

Índices como NDVI e MSAVI2 estão mais relacionados à estrutura do dossel e à biomassa vegetal, enquanto NDRE, GNDVI e CCCI são sensíveis à concentração de clorofila e ao estado nutricional da planta. Já NDMI, NDWI e TWI2 ajudam a identificar padrões relacionados à umidade da vegetação e do solo.

No algoritmo, a classificação dos índices espectrais para determinação do potencial produtivo do café segue critérios objetivos, com base na literatura científica.

Veja o exemplo abaixo:

Desta forma é possível transformar um conjunto complexo de índices espectrais em um diagnóstico do potencial produtivo do café simples e interpretável.

Quando aplicada às lavouras monitoradas no Planalto da Conquista, essa metodologia permitiu analisar 81 talhões de café arábica distribuídos em sete municípios da região (Vitória da Conquista, Barra do Choça, Encruzilhada, Planalto, Poções, Nova Canaã e Ribeirão do Largo), totalizando 872 hectares.

Ao todo, 36 foram selecionados de forma automática para análise com dados ópticos, num mosaico com 2 imagens, no período de 30 de dezembro de 2025 a 10 de março de 2026, com limite máximo de 20% de cobertura de nuvens.

Dos talhões avaliados, 19 foram classificados com alto potencial produtivo, representando cerca de 50% dos talhões válidos para análise, enquanto 15 apresentam potencial moderado, correspondendo a aproximadamente 43% da área.

Apenas dois talhões foram classificados com baixo potencial produtivo, equivalentes a cerca de 7% da área monitorada.

Importância das metodologias adequadas

Esses resultados demonstram a importância de utilizar metodologias adequadas para o sensoriamento remoto como ferramenta de monitoramento da safra do café.

Critérios técnicos rigorosos com filtragem adequada de nuvens, controle de qualidade dos pixels e interpretação baseada em múltiplos índices espectrais permitem obter diagnósticos confiáveis do estado das lavouras a partir de arquivos multipolígonos.

Esse princípio adotado no monitoramento realizado pela consultoria Safra do Café demonstra que o monitoramento remoto da cafeicultura, visando o acompanhamento do potencial produtivo da safra, é muito mais do que produzir mapas.

Busca-se, com isso, transformar imagens de satélite em informação geoespacial consistente, capaz de apoiar o acompanhamento da safra e melhorar a compreensão do potencial produtivo das lavouras de café.