RESUMO O Sensoriamento Remoto orbital (SR) tem se mostrado uma ferramenta promissora, pois permite o monitoramento de culturas em grandes áreas geográficas. Além disso, quando métodos de Aprendizado de Máquina (AM) são combinados, os algoritmos podem ser usados para estimativas de produtividade de culturas. Assim, o estudo teve como objetivo estimar a produtividade da soja por meio dos índices de vegetação EVI (Enhanced vegetation index) e NDVI (Normalized Difference vegetation index), obtidos por meio dos sensores MODIS (Moderate-Resolution Imaging Spectroradiometer) dos satélites ACQUA e TERRA e MSI (Multispectral Instrument) do satélite orbital Sentinel-2. Neste estudo, o algoritmo Random Forest (RF) foi usado por ser amplamente difundido no estudos previsão de safras, e os modelos de estimativa de rendimento da soja foram comparados com o rendimento real da parcela. Os resultados mostraram bom desempenho do algoritmo de RF para estimar a produtividade da soja, obtendo R2 de 0,60 e RMSE de 0,50 para MSI; e R² de 0,63 e RMSE de 0,59 para MODIS na validação. Na modelagem, os índices de vegetação com datas de imagem correspondentes à maturação da cultura tiveram maior grau de importância na previsão. No entanto, ao comparar os valores reais e previstos de produção de soja, houve uma diferença de 145 kg ha-1 para o modelo gerado pelo MODIS e apenas 4 kg ha-1 para o MSI. Portanto, o sensor MSI integrado aos algoritmos de aprendizado de máquina estima com precisão o rendimento das culturas. SR (SR promissora geográficas disso AM (AM combinados Assim Enhanced index Normalized index, , ModerateResolution Moderate Resolution Spectroradiometer Multispectral Instrument Sentinel2. Sentinel2 Sentinel 2. 2 Sentinel-2 (RF safras parcela R 060 0 60 0,6 050 50 0,5 063 63 059 59 validação modelagem entanto 14 ha1 ha 1 ha- Portanto Sentinel- 06 6 0, 05 5

ABSTRACT Remote sensing has proven to be a promising tool allowing crop monitoring over large geographic areas. In addition, when combined with machine learning methods, the algorithms can be used for estimating crop yield. This study sought to estimate soybean yield through the enhanced vegetation index and normalized difference vegetation index. These vegetation indices were obtained using moderate-resolution imaging spectro-radiometer (MODIS) sensors on AQUA and TERRA satellites and multispectral instrument (MSI) sensor on Sentinel-2 satellite. Random forest (RF) algorithm was used to predict soybean yield and the estimation models were compared with the actual plot’s yield. The RF algorithm showed good performance to estimate soybean yield with our models (R2 = 0.60 and RMSE = 0.50 for MSI; R² = 0.63 and RMSE = 0.59 for MODIS). Vegetation indices with imaging dates corresponding to the crop’s maturation had a higher degree of importance in its predictive ability. However, when comparing the actual and predicted soybean production values, differences of 145 kg ha-1 in contrast to 4 kg ha-1 were found for the MODIS and MSI models, respectively. Therefore, the MSI sensor integrated with machine learning algorithms accurately estimated crop yields. areas addition methods moderateresolution moderate resolution spectroradiometer spectro radiometer (MODIS (MSI Sentinel2 Sentinel 2 Sentinel- satellite (RF plots plot s R2 R (R 060 0 60 0.6 050 50 0.5 063 63 059 59 MODIS. . MODIS) crops ability However values 14 ha1 ha 1 ha- respectively Therefore yields 06 6 0. 05 5