Atualmente no cenário mundial o Brasil tem se destacado como o 3o maior exportador de produtos agrícolas do mundo, sendo possivelmente o principal fornecedor das commodities agrícolas na próxima década, com destaque para o complexo soja bastante consumido pelo mercado Asiático. Por essa razão, o uso de novas tecnologias que possibilitem um manejo mais preciso e por consequência um aumento da produção potencial das áreas, tem se tornado um diferencial para os produtores de soja. Diante do exposto, o presente estudo teve como objetivo o desenvolvimento de ferramentas que auxiliem os produtores durante o ciclo da cultura no campo e no pós-colheita, correlacionando os resultados com as componentes de produção e com a taxa de germinação dos lotes. A primeira ferramenta desenvolvida foi fundamentada através da combinação de métodos já consagrados de mensuração da posição do Red-Edge com artifícios trigonométricos, a obtenção de dados espectrais das folhas ocorreu por meio do uso do sensor hiperespectral FieldSpec. Já a segunda ferramenta desenvolvida foi fundamentada essencialmente no aprendizado de máquina, utilizando etapa de visão computacional, espectroscopia e aprendizado em conjunto, a obtenção de dados físicos e espectrais das sementes ocorreu por meio do uso do sensor multiespectral SeedReporter. Os resultados mostraram que durante os estágios fenológicos R3 e R4 a ferramenta fundamentada na zona do Red-Edge exibiu uma correlação positiva muito forte com as taxas de germinação do futuro lote a ser colhido nas semanas seguintes. Já a ferramenta fundamentada em aprendizado de máquina foi capaz de predizer as taxas de germinação dos lotes colhidos em alguns minutos com uma assertividade entorno de 95% para a classe de sementes classificadas como plântulas normais. No geral, a utilização de ambas as ferramentas apresentou grande potencial e uma alternativa viável para os produtores de soja.

Actually, in the world scenario, Brazil has been highlighted as the third biggest exporter of agricultural products, also in the next decade, it may become the main provider, with emphasis on soybean complex which is mainly consumed by the Asian market. Therefore, the use of new technologies that could improve the management of the crops and consequently increases the potential production of areas has become a differential for soybeans producers. The present study aimed to developed tools to assist producers during crop cycles and post-harvest, correlating the results with production components and germination rates of packs. The first tool was based on the combination of already established measured methods of Red-Edge position with trigonometrical artifices, the data was obtained by spectral of leaves collected by FieldSpec hyperspectral sensor. The second tool was essentially based on machine learning by joining computational view, spectroscopy, and learning, the physical and spectral data were obtained from seeds collected by the SeedReporter multispectral sensor. The results demonstrated that during the phenological stages R4 and R5 the tool based on the Red-Edge zone shown a strong positive correlation with germination rates of the future pack to be harvested in the next weeks. The tool based on machine learning was capable to predict the germination rates of harvested packs in few minutes with an accuracy of 95% for seeds classified at the class of normal seedlings. Overall, the utilization of both tools show a high potential and a viable alternative for soybeans producers.