A soja é um importante commodity mundial e representa grande parte das exportações brasileiras. As variações climáticas causam variabilidade de produtividade e o acompanhamento da safra é fundamental para a diminuição do impacto climático e para a garantia de preços aos produtores. Os modelos agrometeorológicos são ferramentas eficazes na identificação da influência meteorológica sobre a produtividade e estimam a produtividade potencial de dada região, de acordo com suas características climáticas e de solo, indicando a quebra de produtividade devido ao manejo inadequado. Essas estimativas, em geral, são feitas de forma pontual, considerando a área estudada como homogênea. No entanto, deve-se considerar que as áreas agrícolas, no nível de talhão, apresentam lacunas de rendimento decorrentes da variabilidade espaço-temporal de características de solo e clima. Dessa forma, a possibilidade de simular a produtividade em maior resolução espacial permite analisar a variabilidade dentro da área. As imagens de satélite, por meio dos índices de vegetação, auxiliam na identificação da variabilidade espacial de atributos de solo e da cultura e, indiretamente, fornecem informações da ação dos elementos meteorológicos de forma espacializada. O objetivo do estudo foi avaliar o potencial do NDVI (Índice de Vegetação por Diferença Normalizada) em conjunto com variáveis climáticas para acompanhar o crescimento e desenvolvimento da soja, bem como estimar sua produtividade por meio de um modelo gerado por regressão linear múltipla. O estudo foi realizado na Cooperativa Central Gaúcha LTDA (CCGL), no município de Cruz Alta-RS, nas safras de 2017 a 2019. Para isso, foram utilizados dados climáticos de temperatura e precipitação, dados de produtividade de sensores acoplados às colhedoras em áreas de agricultura de precisão, dados do NDVI e dados de produtividade potencial e atingível, estimados pelo modelo de Doreenbos & Kassam (1979). Os resultados mostraram que o NDVI foi capaz de descrever o comportamento da soja, mostrando sua relação com o IAF (Índice de Área Foliar). O NDVI apresentou correlação positiva com a precipitação acumulada. O modelo gerado foi capaz de explicar de 47 a 67% das estimativas de produtividade de soja para a safra 2017/18, sem melhoria significativa das estimativas quando adicionados os dados do modelo agrometeorológico. Os resultados foram promissores, indicando a necessidade de novas análises, em diferentes safras, para que maior variabilidade de clima seja computada no modelo.

Soybean is an important global commodity and represents a large part of Brazilian exports. Climatic variations cause yield variability, and the monitoring of the harvest is essential to reduce climatic impact and to ensure good prices. Agrometeorological models are effective tools for identifying the meteorological influence on productivity and estimate the potential yield of a given region, according to its climatic and soil characteristics, indicating the yield gap due to inadequate management. These estimates, in general, are made considering a homogeneous region. However, it should be considered that agricultural areas have yield gaps resulting from the spatio-temporal variability of soil and climate characteristics within a plot. Thus, the possibility of simulating in greater spatial resolution allows to analyze the yield variability. Satellite images, by means of vegetation indices, help to identify the spatial variability of soil and plant attributes and, indirectly, provide information on the action of meteorological elements in a specialized way. The objective of the study was to evaluate the behavior of NDVI (Normalized Difference Vegetation Index) in conjunction with climatic variables to monitor the growth and development of soybeans, as well as to estimate its productivity through a model generated by multiple linear regression. The study was carried out at Cooperativa Central Gaúcha LTDA (CCGL), in the municipality of Cruz Alta-RS, in the harvests from 2017 to 2019. For this, climatic data of temperature and precipitation, productivity data from sensors coupled to the harvesters in areas of precision agriculture, data from NDVI and data of potential and attainable productivity, estimated by the model of Doreenbos & Kassam (1979) were used. The results showed that NDVI was able to describe the behavior of soybean, showing its relationship with LAI (Leaf Area Index). NDVI showed a positive correlation with accumulated precipitation. The generated model was able to explain 47 to 67% of the soybean yield estimates for the 2017/18 crop, without significant improvement of the estimates when adding the data from the agrometeorological model. The results were promising, indicating the need for new analyzes, in different harvests, so that climate variability is computed in the model.