AgroNexo — Inteligência Agroclimática

Projeto acadêmico de Data Analytics e Business Intelligence que integra clima, uso agrícola do território e indicadores de solo para priorizar municípios do Centro-Oeste brasileiro que merecem acompanhamento agroclimático.

O resultado combina um pipeline reproduzível em Python, um índice composto documentado e um dashboard em Power BI. O projeto funciona como apoio exploratório à decisão — não como laudo agronômico ou recomendação automática de manejo.

Problema

Dados ambientais relevantes estão distribuídos entre diferentes fontes, granularidades e formatos. O AgroNexo busca responder:

Como combinar sinais climáticos, agrícolas e de solo em uma visão comparável que ajude a direcionar análises mais aprofundadas?

Escopo do piloto

• 50 municípios do Centro-Oeste brasileiro.
• Dados climáticos mensais entre 2020 e 2023.
• Área agrícola e indicadores de carbono orgânico do solo.
• Construção do IPA — Índice de Prioridade Agroclimática.
• Classificação dos municípios em quatro faixas de prioridade.
• Exploração dos resultados em Power BI.

Fontes públicas

• NASA POWER — precipitação e temperatura por coordenadas geográficas, consultadas pela API oficial.
• MapBiomas Agricultura — estatísticas de área agrícola.
• MapBiomas Solo — carbono orgânico e atributos do solo.
• Base municipal com código IBGE, município, UF e coordenadas.

Os dados do MapBiomas são públicos sob licença CC BY e exigem atribuição da fonte. Consulte os termos de uso oficiais.

Índice de Prioridade Agroclimática

O IPA é um índice exploratório criado para o projeto. Cada componente é normalizado de 0 a 100 e combinado com pesos explícitos:

Componente	Peso	Interpretação no índice
Baixa precipitação	30%	Maior risco quando a precipitação é menor
Temperatura elevada	20%	Maior risco quando a temperatura média é maior
Menor carbono orgânico do solo	25%	Maior risco quando o indicador é menor
Área agrícola exposta	25%	Maior prioridade quando a área é maior

Faixas utilizadas: baixa prioridade, atenção, alta prioridade e prioridade crítica.

Os pesos são hipóteses analíticas do piloto e não foram calibrados por especialistas agronômicos.

Arquitetura do projeto

NASA POWER API ──────────────┐
                             │
MapBiomas Agricultura ───────┼── Tratamento e integração ── IPA ── Power BI
                             │                                  │
MapBiomas Solo ──────────────┘                                  └── Classificador auxiliar

Estrutura

AgroNexo/
├── 01_dados_brutos/       # modelos e entradas locais do MapBiomas
├── 02_dados_tratados/     # dimensões do piloto e saídas geradas
├── 03_powerbi/            # dashboard, guia e medidas DAX
├── 04_apresentacao/       # roteiro e descrição do case
├── 05_fontes/             # metodologia e atribuições
├── 06_scripts/            # pipeline Python executável
├── 07_ml/                 # modelo gerado localmente
├── .gitignore
├── README.md
└── requirements.txt

Pipeline

1. 01_baixar_nasa_power_top50.py consulta a API NASA POWER para os municípios do piloto.
2. 02_preparar_mapbiomas.py transforma os arquivos de agricultura e solo.
3. 03_criar_base_final_agronexo.py integra as fontes e calcula o IPA.
4. 04_treinar_modelo_ml.py treina um Random Forest para reproduzir as classes derivadas do índice.
5. executar_tudo.py executa as quatro etapas em sequência.

Como executar

Pré-requisitos:

• Python 3.10+
• Arquivo XLSX do MapBiomas Agricultura com AGRICULTURA no nome.
• Arquivo XLSX do MapBiomas Solo com SOIL no nome.

Coloque os dois XLSX em 01_dados_brutos/. Depois:

python -m venv .venv
python -m pip install -r requirements.txt
python 06_scripts/executar_tudo.py

O download da NASA POWER requer acesso à internet. Os arquivos derivados são gravados em 02_dados_tratados/ e 07_ml/.

Power BI

O arquivo 03_powerbi/agronexo-dashboard.pbix contém a experiência analítica do projeto. O diretório também inclui:

• Guia de importação e relacionamentos.
• Medidas DAX utilizadas no dashboard.
• Orientações para atualização das bases.

Sobre a camada de Machine Learning

A variável-alvo do Random Forest é derivada do próprio IPA. Portanto, a acurácia desse modelo não comprova capacidade de prever risco agronômico real: ela mede principalmente o quanto o classificador consegue reproduzir uma regra já definida.

Essa camada deve ser entendida como um classificador auxiliar ou modelo substituto para operacionalização. Para um problema preditivo real, seria necessário usar um alvo independente, como perdas observadas, quebra de safra ou ocorrência validada de estresse.

Limitações

• O projeto não substitui análise de campo, laudo técnico ou avaliação laboratorial do solo.
• Os dados de solo são agregados por UF antes da associação aos municípios do piloto.
• Os pesos e limites do IPA são hipóteses do projeto.
• A seleção de 50 municípios não representa todo o território brasileiro.
• Eventos extremos, irrigação, tipo de cultura, produtividade e manejo não entram no índice atual.
• A classificação de ML não possui alvo independente do índice.

Próximas melhorias

• Validar os pesos do IPA com especialistas e análise de sensibilidade.
• Adicionar indicadores observados de produtividade e perdas.
• Manter a granularidade espacial original dos dados de solo quando disponível.
• Criar testes para schema, intervalos, duplicidades e cobertura temporal.
• Publicar uma versão web do dashboard com dados totalmente abertos.

Uso responsável

Use o AgroNexo como demonstração acadêmica de integração, análise e visualização de dados públicos. Não utilize suas classificações isoladamente para crédito rural, seguro, compra de insumos ou decisões agronômicas.

Formação

Projeto acadêmico desenvolvido na FIAP em 2026.