Introdução
A transformação digital consolidou os dados como recurso estratégico no século XXI. O Big Data, conjunto de métodos para coletar, armazenar, processar e analisar grandes volumes de dados, é explorado por empresas como Google e Amazon (KLEPPMANN, 2017). No agro, a fragmentação das informações dificulta análises integradas. A união de dados climáticos, de manejo e cultivares pode elevar a produtividade e reduzir riscos (KAMILARIS et al., 2017; BRONSON; KNEZEVIC, 2016). Plataformas integradas tornam-se essenciais para decisões eficazes.
Problema de Pesquisa e Objetivo
Este trabalho tem como objetivo propor um protótipo de sistema de recomendação de
dados agrícolas baseado em arquitetura de Big Data e serviços em nuvem. A proposta centraliza
informações meteorológicas e agronômicas, processa-as em pipelines distribuídos e
disponibiliza insights por meio de dashboards interativos, com foco na análise da soma térmica
e da pluviometria na produtividade do milho. Dessa maneira, a plataforma contribui para
decisões mais assertivas de agrônomos, pesquisadores e produtores, promovendo maior
eficiência no uso de recursos e sustentabilidade na produção agrícola.
Fundamentação Teórica
aumento da demanda por alimentos impulsiona práticas que aliem produtividade e sustentabilidade. A Agricultura Sustentável busca equilíbrio econômico e ambiental (EDWARDS, 2020), enquanto a de Precisão usa sensores e IoT para otimizar recursos (AKHTER; SOFI, 2022). O Big Data permite decisões assertivas ao integrar dados diversos (KAMILARIS et al., 2017). A computação em nuvem viabiliza escalabilidade e integração (BHATTARAI et al., 2019). Tecnologias como Spark, Airflow e Power BI ampliam a análise e visualização (ZAHARIA et al., 2016; MICROSOFT, 2023).
Metodologia
O protótipo foi desenvolvido em nuvem, com etapas de coleta, armazenamento, processamento, catalogação e visualização de dados. Fontes como INMET, NASA POWER e ZARC foram integradas em um data lake no Amazon S3. O processamento ocorreu via Apache Spark, com orquestração pelo Airflow. A catalogação foi feita com AWS Glue e consultas via Athena. Por fim, os dados foram visualizados no Power BI, permitindo análises como soma térmica e riscos climáticos, apoiando decisões na agricultura de precisão.
Análise e Discussão dos Resultados
A análise agrupada demonstrou utilidade para pesquisas e recomendações agronômicas, focando na soma térmica do milho, essencial ao ciclo da planta (WAGNER et al., 2013). O sistema cruzou dados do INMET, NASA POWER e MAPA, permitindo projeções sobre produtividade e riscos climáticos. Dashboards granulares e agrupados exibem híbridos, locais e safras, com diferença média de até 5% frente a dados de campo (EPAGRI). A visualização por fases fenológicas mostra o impacto da chuva e temperatura no ciclo, validando a plataforma como apoio técnico e científico à agricultura.
Considerações Finais
O protótipo mostrou-se relevante no apoio à decisão agrícola, integrando dados meteorológicos e de cultivares com análises escaláveis e confiáveis. Os resultados se aproximaram dos dados de campo, validando sua aplicabilidade. Limitações incluem integração em tempo real e acesso a bases restritas. Ainda assim, os objetivos foram alcançados. A plataforma avança o uso de Big Data no agro e abre caminho para aplicações com dados em tempo real e IA, reforçando o papel da tecnologia na produtividade e sustentabilidade.
Referências
AKHTER, R.; SOFI, S. A. Precision agriculture using IoT data analytics and machine
learning. Journal of King Saud University – Computer and Information Sciences, v. 34,
n. 8, p. 5602–5618, 2022.
AMAZON. AWS Documentation. 2023. Disponível em: https://docs.aws.amazon.com/
. Acesso em: 15 ago. 2025.
BHATTARAI, B. P. et al. Big data analytics in smart grids: state-of-the-art, challenges,
opportunities, and future directions. IET Smart Grid, v. 2, p. 141–154, 2019.
BRONSON, K.; KNEZEVIC, I. Big data in food and agriculture. Big Data & Society, v. 3, n.
1, p. 1–12, 2016.
EDWARDS, C. A. Sustainable