Estudo da Universidade Federal de Santa Maria, em parceria com pesquisadores dos Estados Unidos, combina inteligência artificial, sensores e dados ambientais para aprimorar o monitoramento da água no solo; resultados podem contribuir para a agricultura, a irrigação e a gestão de recursos hídricos.
A capacidade de identificar quanta água está disponível no solo, mesmo em regiões onde praticamente não existem estações de monitoramento, pode ganhar um importante reforço tecnológico. Uma pesquisa conduzida por cientistas brasileiros, em colaboração com uma universidade norte-americana, demonstrou que a inteligência artificial pode reduzir significativamente os erros das estimativas de umidade do solo obtidas por satélite, tornando essas informações mais compatíveis com as condições observadas diretamente no campo.
O trabalho, publicado em 27 de outubro de 2026, na revista científica Environmental Earth Sciences, foi desenvolvido por pesquisadores da Universidade Federal de Santa Maria (UFSM), no Rio Grande do Sul, e da Universidade de Wisconsin-Madison, nos Estados Unidos. Os experimentos foram realizados na bacia hidrográfica do Rio Vacacaí, uma região de aproximadamente 11,2 mil quilômetros quadrados, marcada pela presença de pastagens, produção de grãos e lavouras de arroz.
Os resultados chamam atenção pela dimensão da melhoria alcançada. Enquanto os dados originais do satélite apresentaram um coeficiente de determinação (R²) de 0,339 em comparação às observações de campo, os modelos de inteligência artificial elevaram esse indicador para aproximadamente 0,89. A redução de uma das principais métricas estatísticas de erro chegou a 72,6% nos testes realizados.
Mais do que aprimorar mapas ambientais, a descoberta aponta para uma questão estratégica da agricultura brasileira: como transformar informações coletadas a centenas de quilômetros de altitude em indicadores mais confiáveis para compreender a disponibilidade de água no solo, especialmente em regiões sujeitas a estiagens, irregularidade das chuvas e limitações na infraestrutura de monitoramento.
Por que os satélites ainda encontram dificuldades para medir a umidade do solo?
O uso de satélites para acompanhar a água presente na superfície terrestre não é novidade. Missões espaciais, como a Soil Moisture Active Passive (SMAP), da agência espacial norte-americana NASA, fornecem informações utilizadas em pesquisas climáticas, estudos hidrológicos e monitoramento ambiental.
O desafio está na escala dessas observações.
No produto utilizado pelos pesquisadores, as estimativas são organizadas em uma grade espacial de 9 quilômetros. Isso significa que a informação representa condições de uma área relativamente extensa, dentro da qual podem existir diferentes tipos de solo, relevo, cobertura vegetal e sistemas de produção.
Uma mesma região observada pelo satélite pode reunir áreas de pastagem, lavouras de sequeiro, terrenos argilosos, solos arenosos e plantações irrigadas. Cada ambiente possui um comportamento diferente em relação à infiltração, ao armazenamento e à perda de água.
Consequentemente, uma estimativa regional nem sempre representa adequadamente o que ocorre em determinado ponto do terreno.
Na bacia do Vacacaí, por exemplo, os pesquisadores identificaram que áreas de arroz inundado podem contribuir para uma superestimativa da umidade do solo nos produtos de satélite, devido à influência da água acumulada sobre o sinal captado pelo sensoriamento remoto.
É justamente nessa diferença entre a observação espacial e a realidade local que a inteligência artificial passa a desempenhar um papel importante.
Como a inteligência artificial conseguiu melhorar os resultados?
A pesquisa foi conduzida por Marcelo Lovato Brum, Alexandre Swarowsky e Jingyi Huang, que desenvolveram uma metodologia para combinar informações do satélite SMAP com características ambientais capazes de influenciar a presença e a distribuição da água no solo.
Em vez de depender exclusivamente dos dados de satélite, os cientistas incorporaram informações sobre relevo, temperatura da superfície, precipitação, evapotranspiração, cobertura vegetal e propriedades físicas do solo, incluindo os teores de areia e argila.
Essas variáveis foram processadas por dois modelos de aprendizado de máquina:
- Random Forest, técnica que utiliza conjuntos de árvores de decisão para reconhecer padrões e relações entre diferentes variáveis.
- XGBoost, algoritmo que aperfeiçoa progressivamente suas estimativas a partir da identificação de erros nas etapas anteriores de aprendizado.
O diferencial não esteve apenas na aplicação dos algoritmos, mas na forma como as informações foram coletadas.
Inicialmente, os pesquisadores selecionaram dez locais para instalação de equipamentos de monitoramento, utilizando um método estatístico destinado a representar diferentes condições topográficas da bacia. Desse total, sete estações forneceram dados consistentes durante o período analisado.
Os sensores foram instalados a 5 centímetros de profundidade e realizaram medições horárias, posteriormente consolidadas em médias diárias.
O monitoramento ocorreu entre 28 de fevereiro e 27 de novembro de 2025, gerando uma base de observações que permitiu comparar as estimativas de satélite com os registros obtidos diretamente no solo.
Com essas informações, os modelos aprenderam a reconhecer como diferentes características ambientais interferem no comportamento da umidade, permitindo ajustar estatisticamente as estimativas originais.
Erro cai mais de 70%: o que os números realmente mostram?
A comparação dos resultados revelou uma melhoria expressiva no desempenho dos modelos de inteligência artificial.
O produto original do SMAP apresentou um erro quadrático médio na raiz (RMSE) de 0,100 m³/m³, indicador utilizado para avaliar a diferença entre valores estimados e observados.
Com o modelo Random Forest, essa métrica caiu para 0,0274 m³/m³. Já o XGBoost registrou 0,0275 m³/m³.
Na prática, isso representa uma redução de aproximadamente 72,6% e 72,5%, respectivamente, na métrica de erro, em comparação com os dados originais do satélite, dentro das condições avaliadas.
Os resultados também indicaram uma maior capacidade de acompanhar as oscilações da umidade ao longo do tempo, incluindo períodos de chuva e de secagem do solo.
Outro aspecto importante é que os dois algoritmos apresentaram desempenhos estatisticamente semelhantes nos testes convencionais. Isso sugere que a combinação entre dados ambientais bem selecionados e inteligência artificial pode ser tão relevante quanto a escolha de um algoritmo específico.
É necessário, porém, interpretar corretamente os indicadores. O coeficiente R² próximo de 0,89 não significa que a tecnologia tenha alcançado exatamente 89% de precisão em qualquer propriedade rural. Trata-se de uma medida estatística de ajuste às observações utilizadas nos testes, e os resultados não podem ser automaticamente generalizados para outros ambientes.
Um dos maiores avanços pode estar no monitoramento de regiões com poucos sensores
Um aspecto relevante da pesquisa está na tentativa de enfrentar um problema comum ao monitoramento ambiental brasileiro: a dificuldade de manter redes extensas de equipamentos distribuídos pelo território.
Instalar sensores de umidade exige investimento, calibração, manutenção e acesso às propriedades. Em regiões extensas, a coleta contínua pode se tornar operacionalmente difícil.
No estudo, três das dez estações inicialmente selecionadas precisaram ser descartadas devido a problemas operacionais, como infiltração de água nos equipamentos e falhas nos registros.
Mesmo com essa redução, os pesquisadores conseguiram obter resultados expressivos utilizando os dados das sete unidades restantes.
A metodologia também foi submetida a testes nos quais uma estação de monitoramento era retirada do treinamento para verificar a capacidade do algoritmo de estimar a umidade em um local não utilizado na calibração.
Os resultados demonstraram capacidade de transferência entre diferentes pontos da bacia, embora com variações importantes no desempenho conforme as características ambientais.
Essa constatação é particularmente interessante para o Brasil, onde a diversidade de biomas, solos e regimes de chuva dificulta a criação de modelos que funcionem igualmente bem em todas as regiões.
A possibilidade de utilizar poucas observações de campo, desde que distribuídas de maneira estratégica, pode contribuir para tornar futuros sistemas de monitoramento mais acessíveis.
O que a descoberta pode representar para a agricultura brasileira?
A disponibilidade de água no solo é um dos fatores que mais influenciam o desenvolvimento das culturas agrícolas. Mesmo quando a precipitação acumulada parece suficiente, diferenças de textura, profundidade, drenagem e cobertura do solo podem alterar significativamente a quantidade de água efetivamente disponível.
Por isso, conhecer melhor o comportamento da umidade é relevante em diversas etapas do planejamento agrícola.
Na agricultura de sequeiro, estimativas regionais mais confiáveis podem ajudar a interpretar a evolução do déficit hídrico e identificar áreas que apresentam maior vulnerabilidade durante períodos sem chuva.
Na agricultura irrigada, essas informações podem contribuir para o planejamento de recursos hídricos e para a avaliação das condições de umidade em escala regional. Entretanto, a decisão de quanto e quando irrigar um talhão continua exigindo dados compatíveis com a escala da propriedade e com a profundidade efetiva das raízes.
Na pecuária, o acompanhamento da disponibilidade hídrica pode auxiliar estudos sobre as condições de desenvolvimento das pastagens, especialmente em regiões onde a irregularidade das chuvas compromete a produção de forragem.
Existe também uma aplicação potencial no acompanhamento de secas agrícolas.
Diferentemente da seca meteorológica, caracterizada principalmente pela deficiência de precipitação, a seca agrícola está associada à redução da água disponível para o desenvolvimento das plantas.
Uma região pode receber chuva e, ainda assim, apresentar umidade insuficiente para determinadas culturas, dependendo das condições anteriores do solo, da intensidade da precipitação e da demanda atmosférica por água.
Nesse contexto, estimativas mais consistentes podem melhorar a interpretação dos efeitos de períodos secos sobre a agricultura, especialmente quando combinadas com informações meteorológicas e agronômicas.
A evolução desse tipo de tecnologia acompanha uma transformação mais ampla da agricultura brasileira, que já utiliza sensores, drones, inteligência artificial e sistemas de monitoramento digital para interpretar as condições de produção.
O desafio, entretanto, continua sendo transformar dados em decisões tecnicamente fundamentadas e economicamente viáveis.
Tecnologia ainda não substitui sensores e avaliações feitas na fazenda
Apesar dos resultados positivos, a pesquisa também apresenta limitações que precisam ser consideradas antes de qualquer aplicação comercial em larga escala.
O estudo foi realizado em uma única bacia hidrográfica, durante aproximadamente nove meses de um mesmo ano. Portanto, ainda não foi demonstrado que o desempenho obtido possa ser reproduzido nas condições do Cerrado, da Amazônia, do Semiárido ou de outras regiões agrícolas brasileiras.
Além disso, os modelos mantiveram a resolução espacial de 9 quilômetros do produto SMAP. A metodologia aperfeiçoou estatisticamente as estimativas, mas não produziu mapas com detalhamento suficiente para distinguir individualmente todos os talhões de uma propriedade.
Outra limitação está relacionada à profundidade das observações, concentradas na camada superficial do solo.
Na produção agrícola, a disponibilidade hídrica ao longo do sistema radicular também é determinante para compreender o risco de estresse das culturas. Por isso, uma estimativa superficial não substitui automaticamente o monitoramento da água armazenada nas camadas mais profundas.
Os próprios testes mostraram diferenças de desempenho entre os locais avaliados, sobretudo em áreas com características de solo e relevo menos representadas na base de treinamento.
Assim, o trabalho deve ser interpretado como um avanço científico para melhorar estimativas ambientais, e não como a demonstração de uma plataforma comercial capaz de indicar, com precisão de talhão, o momento ideal de irrigação.
Essa distinção também é essencial na avaliação econômica de novas tecnologias. Conforme já discutido pelo Compre Rural em reportagem sobre o retorno dos investimentos em GPS, sensores, drones e mapas nas propriedades, o valor das ferramentas digitais depende principalmente da capacidade de melhorar decisões e reduzir custos operacionais.
Pesquisa abre caminho para monitoramento hídrico mais confiável no Brasil
O estudo da UFSM, desenvolvido em colaboração com a Universidade de Wisconsin-Madison e com apoio de instituições brasileiras de fomento à pesquisa, reforça uma tendência importante no uso de tecnologias espaciais: o futuro do monitoramento ambiental não depende apenas de satélites mais modernos, mas também da capacidade de interpretar melhor as informações já disponíveis.
Ao combinar observações orbitais, medições de campo e variáveis ambientais, os pesquisadores demonstraram que é possível reduzir erros relevantes e representar de forma mais consistente o comportamento da água no solo.
O próximo desafio será ampliar as validações, incluindo diferentes regiões, tipos de solo, sistemas agrícolas e condições climáticas ao longo de vários anos.
Para o agronegócio brasileiro, o principal potencial está em tornar o monitoramento da disponibilidade hídrica mais confiável e abrangente, oferecendo melhores subsídios para o planejamento agrícola, a gestão de bacias hidrográficas e o acompanhamento dos impactos das estiagens.
Em um país com produção agropecuária distribuída por milhões de hectares e marcada por grandes contrastes climáticos, melhorar a qualidade dessas informações pode representar um avanço importante na compreensão dos riscos associados à água — um recurso cada vez mais estratégico para a produtividade e a sustentabilidade da atividade rural.
Quer ficar por dentro do agronegócio brasileiro e receber as principais notícias do setor em primeira mão? Para isso é só entrar em nosso grupo do WhatsApp (clique aqui) ou Telegram (clique aqui). Você também pode assinar nosso feed pelo Google Notícias.
