A agricultura digital é uma abordagem multidisciplinar que diz respeito ao uso de informações digitais detalhadas para orientar a tomada de decisão ao longo da cadeia agrícola. Seu uso é cada vez mais necessário e deve trazer muitos benefícios para a segurança alimentar e energética nos próximos anos. O grande ponto é a aquisição de dados de maneira contínua para gerar informações e guiar processos. Como a agricultura, principalmente no Brasil, é feita em grandes escalas de área e por conta disso, a aquisição de dados com o uso de sensores na propriedade é dificultada, o sensoriamento remoto aparece como uma ferramenta importante para a obtenção de dados e validação de operações. O sensoriamento remoto é utilizado de forma contínua desde a década de 80, porém tem ganhado mais força com o aparecimento da computação de alta performance e com o barateamento dela. Embora em algumas culturas estejam bastante desenvolvidas no uso de sensoriamento remoto para geração de informações, a cana-de-açúcar ainda possui poucos trabalhos e em escala local. A cana-de-açúcar é a principal cultura para a produção de açúcar e etanol no Brasil. O país é responsável por mais da metade da produção mundial dessa planta e hoje ela é cultivada no Nordeste e na região Centro-Sul. Devido à extensa área de cultivo, existem diversas condições edafoclimáticas em que a cultura da cana-de-açúcar se desenvolve e desta forma, separar essas regiões é extremamente importante para poder aplicar modelos em escala homogênea. Além disso, fazer uma separação morfológica dos canaviais é importante para não gerar modelos sem essa variável e consequentemente trazer incertezas ao processo. No intuito de criar regiões homogêneas foi feito um trabalho de zoneamento e regionalização levando-se em conta as variáveis agrometeorológicas, solo e produtividade histórica da cana planta. Criou-se três regiões de alto, médio e baixo potencial de produção de cana para o Centro-Sul do país. Em seguida, avaliando-se o comportamento histórico de índices de vegetação da área de estudo, fez-se uma regionalização levando em conta o potencial de produção e o comportamento do índice de vegetação. Foram propostas dezessete regiões com comportamento homogêneo para aplicações de modelos baseados em sensoriamento remoto. Outra abordagem foi identificar características morfológicas da cana-de-açúcar que podem levar a falhas em modelagens de áreas contínuas. Para isso, foi utilizado o modelo Random Forest e imagens do satélite Sentinel-2 para criar um modelo que identifica diferentes cultivares. O modelo teve uma precisão global de 86% e índice kappa de 81%. Quando aplicado para 4 cultivares em uma região maior, apresentou a precisão variando de 91% a 96%. Desta forma, foi possível concluir que modelos se adaptam com a mesma precisão que o conjunto de treino, se a região de aplicação é homogênea em relação a solo, clima e manejo. Além disso, o trabalho é base para futuras aplicações em agricultura digital para a cultura da cana-de-açúcar que precisem gerar modelos para a região Centro-Sul.

Digital agriculture is a multidisciplinary approach that concerns the use of detailed digital information to guide decision making along the agricultural chain. Its use is increasingly and should bring many benefits to food and energy security in the next years. The big point is the data acquisition in a continuous way to generate information and guide processes. As agriculture, mainly in Brazil, is carried out on large scales of area and because of this, the acquisition of data with the use of sensors on the farm level is difficult, remote sensing appears as an important tool for obtaining data and validating field operations. Remote sensing has been used continuously since the 1980s, but it has gained more strength with the emergence of high-performance computing and its low-price tendency. Although in some cultures they are quite developed in the use of remote sensing to generate information, sugarcane still has few works and on a local scale. Sugarcane is the main crop to produce sugar and ethanol in Brazil. The country is responsible for more than half of the world production of this plant and today it is cultivated in the Northeast and in the Center-South region. Due to the extensive cultivation area, there are several edaphoclimatic conditions in which the sugarcane crop develops and, therefore, separating these regions is extremely important to be able to apply models on a homogeneous scale. In addition, making a morphological separation of the sugarcane fields is important not just to generate models without this variable and consequently bring uncertainties to the process. To create homogeneous regions, a zoning and regionalization work was carried out, considering the agrometeorological variables, soil and historical productivity of sugarcane first stage. Three regions of high, medium and low potential for sugarcane production were created for the Center-South of the country. Then, evaluating the historical behavior of vegetation indices in the study area, a regionalization was carried out taking into account the production potential and the behavior of the vegetation index. Seventeen regions with homogeneous behavior were proposed for application of models based on remote sensing. Another approach was to identify morphological characteristics of sugarcane that can lead to failures in continuous area modeling. For this, the Random Forest model and Sentinel-2 satellite images were used to create a model that identifies different cultivars. The model had an overall accuracy of 86% and a kappa index of 81%. When applied to 4 cultivars in a larger region, the accuracy ranged from 91% to 96%. In this way, it was possible to conclude that models adapt with the same precision as the training set, if the application region is homogeneous in relation to soil, climate, and management. In addition, the work is the basis for future applications in digital agriculture for the cultivation of sugarcane that need to generate models for the Center-South region.