A alternância do abacate Hass: por que prever a colheita começa por saber se este ano carrega

Segundo a Analdex, a Colômbia exportou 201.479 toneladas de abacate Hass em 2025, 45,6 % a mais que no ano anterior. Por trás de cada contêiner há um compromisso de volume com um comprador, uma equipe contratada e uma planta de embalagem programada. Um erro de dezenas de toneladas na previsão se paga em caminhões vazios ou em pedidos não cumpridos.

Por isso nossa equipe de pesquisa da TECDE construiu e testou em uma fazenda comercial um modelo de Machine Learning para prever a colheita de Hass, e o apresenta em Territorio Aguacate, o encontro da indústria do abacate no país.O estudo foi realizado em uma fazenda comercial com cerca de 42 hectares, 11.000 árvores em produção distribuídas em três talhões plantados em 2020 e a 1.600 msnm. Os mesmos três talhões de abacate Hass, com as mesmas árvores e o mesmo manejo, entregaram em maio de 2025 892 toneladas e em maio de 2026 uma colheita de 117 toneladas, uma colheita mais de cinco vezes menor que a de maio de 2025. Não houve praga, nem geada, nem erro da equipe. Foi a alternância, o vai e vem natural do Hass entre um ano de muita carga e outro de pouca, e é a razão pela qual a média dos anos anteriores quase nunca acerta a colheita que vem.

Essa queda tem dois ingredientes que convém separar. O primeiro é o calendário: na Colômbia o Hass costuma dar uma colheita principal e uma traviesa, e a traviesa é menor. O segundo é a alternância: o vai e vem natural entre anos de muita e de pouca carga. Os dois se somam, e nenhum deles é capturado pela média dos anos anteriores.

Uma árvore que não carrega igual em dois anos seguidos

A seguir faremos uma introdução um pouco mais teórica que nos permitirá entender muito melhor: o que é a alternância e por que ela rompe as médias, o que outros estudos mostraram e em que o nosso se diferencia, como montamos o modelo e o que aconteceu quando a previsão foi confrontada com a balança em uma colheita real.

A alternância, que no campo também é conhecida como vecería, é a tendência de uma árvore alternar um ano de alta carga com um de baixa carga. A diferença pode ser enorme: em um ensaio com Hass na Califórnia (Garner e colaboradores, 2011), as mesmas árvores produziram 391 frutos no ano de alta carga e apenas 32 no seguinte, doze vezes menos.

A causa está na própria árvore. Quando em um ano ela frutifica muito, essa carga freia o crescimento dos brotos de verão, e esses brotos são os que fornecem a maior parte da floração do ano seguinte Kour et al., 2018. A árvore carregada fica sem onde florescer na próxima temporada, e o ano fraco que vem depois lhe serve para recuperar brotos e voltar a carregar. É uma espécie de conta de poupança que a árvore administra sozinha.

Na Colômbia, além disso, o vai e vem se cruza com o calendário. Em um estudo em três fazendas colombianas, a colheita principal respondeu por 71,4 % da produção anual e a traviesa por 28,6 % (Cano-Gallego et al., 2024). Em fazendas acima de 2.000 metros, a principal teve média de 48 quilos por árvore e a traviesa pouco mais de 7 (Cano-Gallego et al., 2024). E a alternância não é uniforme: em um talhão de quatro hectares a produção caiu 37 % de um ano para o outro, com diferenças grandes até entre árvores vizinhas (Zuluaga Mejía et al., 2024). Por isso uma mesma fazenda pode ter talhões em fases distintas do ciclo ao mesmo tempo.Tudo isso explica por que a média histórica falha. A média supõe que cada ano se pareça com o anterior, e a alternância diz justamente o contrário: se o ano passado foi de carga, a média superestima este ano; se foi fraco, ela o subestima. E a diferença não é de poucos quilos, mas de vezes.

O que já se sabia e o que este trabalho acrescenta

Antes de entrar no modelo, convém situá-lo frente a outros trabalhos, porque não partimos do zero e porque cada um responde a uma pergunta diferente:

• Medir quanto um árvore oscila (Garner e colaboradores, Califórnia, 2011). Documentou a magnitude da alternância em Hass. Descreve o fenômeno, mas não prevê uma colheita.
• Ver o rendimento pelo satélite, árvore por árvore (Robson e colaboradores, Austrália, 2017). Com imagens de satélite de altíssima resolução, os índices de vegetação foram relacionados ao peso de fruta por árvore (coeficientes de determinação superiores a 0,68), e a banda de borda vermelha mostrou-se especialmente útil. Esse trabalho explica a variabilidade dentro de um talhão em um dado momento; não antecipa a colheita que vem.
• Classificar o ano como de carga alta ou baixa (Rahman e colaboradores, África do Sul, 2025). Com 46 blocos comerciais de Hass, combinaram imagens Sentinel-2 e clima da época de floração, e acertaram o tipo de ano com uma exatidão de 0,88. Diz se o ano será alto ou baixo, mas não quantos quilos.
• Sistemas comerciais de previsão (por exemplo growAG, Austrália). Combinam satélite com amostragem dirigida em campo e relatam exatidões próximas de 93 %. Não é uma comparação direta com a nossa, porque a definição de exatidão e a cultura não são as mesmas.

O que nosso trabalho acrescenta é outra peça: estimar os quilos de cada mês e de cada talhão, em abacate Hass de trópico alto a 1.600 metros, com imagens gratuitas de resolução média (Sentinel-2) e um teste contra uma colheita real já encerrada, não apenas contra dados históricos.

Primeiro se há colheita, depois quanto

Um talhão de Hass não produz todos os meses. Ele tem janelas de colheita concentradas e longos períodos em zero. Um modelo que tenta adivinhar os quilos de cada mês mistura os meses em que não há nada para colher com os meses de colheita, e acaba distribuindo um pouco de fruta em meses vazios e ficando curto nos meses cheios.A solução que melhor funcionou foi dividir o problema em duas perguntas. A primeira é se naquele mês e naquele talhão haverá colheita: um sim ou um não. A segunda, que só é respondida quando a primeira diz que sim, é quantos quilos. É o mesmo que faria um bom administrador: antes de calcular quantas caixas comprar, confirma se aquele talhão entra neste mês. Em estatística, esse esquema é conhecido como modelo hurdle.

Trabalhamos com os registros mensais de cada talhão entre abril de 2022 e abril de 2026, desde que as árvores já produziam: 147 observações mês-talhão. É uma amostra pequena, e isso condiciona tudo o que vem a seguir.Para responder à primeira pergunta, o sinal que mais pesou foi a posição do talhão dentro do ciclo de alternância, com cerca de 40 % da importância. Em seguida vieram a janela habitual de colheita do talhão (cerca de 15 %), o número de colheitas que ele já deu (13 %) e a temperatura média (12 %). Em outras palavras, haver ou não colheita depende sobretudo de em que ponto do vai e vem o talhão está, mais do que do clima daquele mês. Isso coincide com a conclusão do estudo sul-africano: a alternância é um padrão que pode ser antecipado, não acaso.

O classificador acertou todos os meses de colheita na validação e no teste, mas eram apenas três meses com colheita em cada um. Além disso, o calendário do Hass é bastante previsível, então não o tomamos como prova de que seja infalível.

Quantos quilos: uma base simples e uma correção

Para a segunda pergunta, o modelo parte de uma base agronômica: quantas árvores produtivas cada talhão tem, qual a idade delas e quanto costuma produzir uma árvore dessa idade nesta fazenda. Essa base, sozinha, não serve: teve o maior erro entre todas as versões testadas, porque não vê a alternância nem as condições de cada safra. O que a torna útil é uma segunda camada que aprende a corrigi-la com o que aconteceu no talhão. Essa ideia, partir de uma base agronômica e deixar que o modelo estatístico aprenda sozinho o erro restante, vem da literatura de modelos híbridos, que em outras culturas mostrou melhorar a precisão quando há poucos dados (por exemplo, Shahhosseini e colaboradores, 2021, em milho).Os sinais que mais pesaram nessa correção foram três:

• A idade do talhão (cerca de 36 %). As árvores foram plantadas em 2020 e ainda estão subindo em direção à produção plena, então cada mês de idade conta. Com árvores tão jovens, a idade também funciona como relógio da curva de produção, e por isso não podemos separar totalmente o efeito da idade do da alternância.
• A chuva acumulada de dois meses antes da colheita (cerca de 19 %). Em estatística isso se chama defasagem: usar o dado de alguns meses atrás para explicar o que vemos hoje. Para uma colheita de maio, é a chuva de março. Essa data cai em pleno enchimento do fruto, quando ele ganha tamanho e peso, e não na floração, que ocorre muitos meses antes. Por isso a lemos como um sinal de como o fruto chega à reta final, não como o momento em que se define quantos frutos haverá.
• O vigor da copa do mês anterior (cerca de 19 %). Vem do satélite Sentinel-2, gratuito, que passa sobre o mesmo ponto a cada cinco dias e distingue detalhes de dez metros. Usamos o EVI2, um índice de quão verde e ativo está o folhagem. O índice de verdor mais conhecido (NDVI) quase não contribuiu, porque em um pomar adulto de abacate a copa é tão densa que esse índice fica preso no topo e já não distingue uma árvore da outra. Na Austrália, a banda de borda vermelha foi a que melhor se relacionou com os quilos por árvore; na nossa fazenda, o índice de borda vermelha não esteve entre os sinais mais pesados, e com três talhões e poucas colheitas não podemos afirmar neste momento por quê.

Isso nos leva a uma limitação que preferimos dizer de frente: o modelo não vê a floração nem o pegamento. Nossa previsão foi emitida com dados até abril para a colheita de maio, ou seja, com um mês de antecedência, quando a carga de fruta já está definida. Serve para planejar colheita, embalagem e logística; prever com meio ano de antecedência exigiria medir a floração, e essa é uma das linhas que queremos seguir.

Para medir quanto cada peça contribui, testamos quatro versões e as comparamos em seis meses de teste que o modelo nunca havia visto. A base sozinha teve o maior erro; a média histórica sazonal de cada talhão, que é o que muitos produtores usam, foi melhor; pedir ao modelo os quilos diretamente, sem a pergunta prévia de se há colheita, ficou no meio; e o sistema completo teve o menor erro. Frente à média histórica, o erro caiu cerca de 30 %, e frente à versão sem a pergunta prévia ficou em cerca de um terço. São 18 observações, então lemos isso como uma tendência, não como um número definitivo.

O que o satélite não vê: a fruta que já está pendurada

Fica uma peça que o satélite não vê: a fruta que já está pendurada na árvore. Para isso o sistema usa uma contagem em campo, com um vídeo ao redor de uma amostra de árvores. Como já abordamos em nosso blog Estimar sua colheita com um algoritmo, e saber quanto acreditar nele, que você pode ler aqui, uma câmera só conta o que vê e as folhas escondem parte da fruta.Por isso a contagem não é usada crua: ela é corrigida com árvores contadas à mão (60 plantas em quatro talhões) e entra no final como um ajuste da previsão, não como sua base. Com essa correção, o erro da contagem por planta caiu 63 %, e nos totais por talhão ficou em 8,8 % em média, com uma faixa de 4,2 % a 18,6 % conforme o talhão.

Saber quanta fruta vai sair da sua fazenda antes de comprometê-la

Quantos quilos de Hass você terá na próxima colheita, talhão por talhão, e com qual margem de erro pode prometê-los? Na maioria das fazendas esse número sai da média dos anos passados ou de uma volta pelo talhão, e a alternância se encarrega de que a promessa não bata com o que chega à embalagem. A Harvis ajuda você a reunir em um só lugar as colheitas de cada talhão, o clima, as imagens de satélite e as contagens de campo, e entrega uma previsão por talhão e para a fazenda inteira, com sua faixa e com a leitura de onde pode estar o erro. Escreva para nós e montamos isso sobre os talhões que você já tem.

Maio de 2026, a previsão contra a balança

Um modelo de previsão pode parecer muito bom no papel porque é testado com dados que já conhecia e falhar na fazenda. Por isso este teste foi feito ao contrário: o modelo foi fechado com as informações disponíveis até abril de 2026, emitiu sua previsão para a colheita traviesa de maio e depois foi comparado com o que de fato foi pesado. Na fazenda inteira, a previsão foi de 184.000 kg e foram colhidos 177.232 kg: um desvio de 3,7 %, ou seja, uma precisão de 96,3 % sobre o total dessa colheita. Para quem negocia com um exportador ou programa a planta de embalagem, esse é o número que importa.

Talhão por talhão a história é diferente. Os dois talhões grandes, que juntos responderam por cerca de 95% da produção, ficaram a menos de cinco pontos: um saiu 4,5% acima da previsão e o outro 2,2% acima. O talhão pequeno, com apenas 4,8% do volume, produziu menos da metade do que havia sido previsto.

Por que o total saiu tão bem se um talhão falhou tanto? Porque os erros tinham sinal contrário e o talhão que mais falhou pesava pouco no volume. Ao somar os três, alguns erros compensaram outros. Essa compensação não é um truque do modelo, mas também não é garantida: se todos os talhões errarem para o mesmo lado, a soma não corrige nada.

Sobre o talhão A temos duas hipóteses: . A primeira é que é um talhão que historicamente recebe menos luz, e que ali cada etapa do fruto se alonga mais do que nos demais; nosso modelo usa apenas horas de sol, uma medida indireta que pesou pouco, então não consegue capturar bem esse efeito. A segunda é que foi o talhão com menor cobertura de amostragem na contagem de campo.Medir a radiação real por talhão e aumentar as árvores contadas são os próximos passos para testá-lo.

A contagem em campo também deixou sua lição. Sem o ajuste das árvores contadas, o modelo projetava cerca de 16% mais fruta do que saiu; com o ajuste, ficou em 3,7%. E a contagem com vídeo, corrigida com as árvores contadas à mão, reduziu em 63% o erro de contar apenas o que a câmera via, e deixou um erro de 8,8% nos totais por talhão. Para comparar, uma ferramenta australiana que também combina satélite e contagem dirigida em campo relata exatidões acima de 90% no nível de bloco.O que temos claro é que: com um único fechamento de colheita não podemos assegurar se essa melhora veio da informação da contagem ou de que a leitura recomendada acabou sendo mais conservadora em uma temporada moderada.

O que uma previsão de fazenda não diz sobre cada talhão

Primeiro, o teste real é uma única colheita. Os 96,3% saíram da colheita traviesa de maio de 2026 e são um resultado dessa temporada, não uma média garantida para as próximas. Em temporadas anteriores, sobretudo diante de picos de produção muito altos, o modelo se desviou bem mais, e por isso o teste precisa ser repetido colheita após colheita.

Segundo, o modelo foi desenhado para acertar na fazenda, não em cada talhão. Em escala de mês e de talhão, ele explica uma parte moderada do que acontece (um coeficiente de determinação próximo de 0,37), algo comum em culturas perenes, onde cada árvore responde à sua maneira.

Terceiro, algumas peças do sistema ainda têm amostras pequenas. A contagem com vídeo foi calibrada com 60 árvores em quatro talhões, e em meses de muita nebulosidade o satélite não consegue imagens limpas da fazenda. Além disso, como os talhões ainda estão entrando em produção, a idade e a alternância se misturam nos dados; testar o método em talhões adultos faz parte do que vem a seguir.

Quarto, esses números são de uma fazenda: três talhões plantados em 2020, a cerca de 1.600 metros, com um material e um manejo próprios. Em outra fazenda, com outra altitude, outra idade das árvores ou outro padrão de colheitas, a base do modelo e a correção precisam ser ajustadas novamente com os dados dessa fazenda. O que se leva para qualquer fazenda é o método: separar se há colheita de quanto, e medir o erro no total.

A previsão é julgada na fazenda inteira, não na árvore

A alternância faz do Hass uma cultura difícil de prever com médias, mas não impossível de prever. O que muda é a forma de fazer a pergunta: primeiro se cada talhão vai colher, conforme em que ponto do vai e vem ele esteja, e depois quanto, com a idade do talhão, a chuva da floração e o vigor da copa como sinais principais. E o resultado é medido onde as decisões comerciais são tomadas, na fazenda inteira, sabendo que um talhão pode falhar mesmo quando o total acerta.

O produtor que fizer esse exercício chegará à próxima negociação sabendo quanto pode prometer e com qual margem; quem continuar com a média dos anos passados descobrirá na embalagem que a alternância já havia decidido outra coisa.

Quer saber quanta fruta vai sair de cada talhão e da sua fazenda inteira, com sua faixa, antes de comprometê-la com o comprador? Com a Harvis reunimos em um só lugar suas colheitas, o clima, as imagens de satélite e as contagens de campo, e entregamos uma previsão por talhão e para a fazenda, com sua margem de erro. Escreva para nós e montamos isso sobre os talhões que você já tem.

Referências consultadas

1. Ochoa Cortés, J. S., Ceballos Múnera, F. y Ceferino Marín, D. (2026). Alternância bianual e previsão de colheita em abacate Hass, um modelo híbrido satelital-agronômico validado em campo com uma precisão agregada de 96%. TECDE Colombia S.A.S. Artigo em processo de publicação.
2. Analdex (2026). Exportações de abacate cresceram 21,3% durante 2025. Associação Nacional de Comércio Exterior. https://analdex.org/wp-content/uploads/2026/02/Nota-de-prensa-exportaciones-aguacate.pdf
3. Garner, L. C., Klein, G., Zheng, Y., Khuong, T. e Lovatt, C. J. (2011). Response of evergreen perennial tree crops to gibberellic acid is crop load-dependent, II. GA3 increases yield and fruit size of Hass avocado only in the on-crop year of an alternate bearing orchard. Scientia Horticulturae, 130(4), 753–761. https://doi.org/10.1016/j.scienta.2011.08.033
4. Córdoba-Gaona, O. J., Hernández-Arredondo, J. D., Loaiza-Ruiz, R. A., Barrera-Sánchez, C. F. e Cano-Gallego, L. E. (2024). Rootstock/scion compatibility effects on yield components in avocado cv. Hass in three locations in Colombia. Revista Colombiana de Ciencias Hortícolas, 18(1), e17074. https://doi.org/10.17584/rcch.2024v18i1.17074
5. Lovatt, C. J. (s. f.). Developing field strategies to correct alternate bearing (II). University of California Riverside e California Avocado Commission. https://www.californiaavocadogrowers.com/sites/default/files/Developing-Field-Strategies-to-Correct-Alternate-Bearing.pdf
6. Ramírez-Gil, J. G. (2017). Qualidade do fruto de abacate com aplicações de ANA, boro, nitrogênio, sacarose e anelamento. Agronomía Mesoamericana, 28(3), 591–603. https://doi.org/10.15517/ma.v28i3.23688
7. Rahman, M. M., Robson, A. e Bekker, T. (2025). Machine learning approaches for assessing avocado alternate bearing using Sentinel-2 and climate variables, a case study in Limpopo, South Africa. Remote Sensing, 17(24), 3935. https://doi.org/10.3390/rs17243935
8. Agência Espacial Europeia (s. f.). Sentinel-2, facts and figures. ESA. https://www.esa.int/Our%5FActivities/Observing%5Fthe%5FEarth/Copernicus/Sentinel-2/Facts%5Fand%5Ffigures
9. Robson, A., Rahman, M. M. e Muir, J. (2017). Using WorldView satellite imagery to map yield in avocado (Persea americana), a case study in Bundaberg, Australia. Remote Sensing, 9(12), 1223. https://doi.org/10.3390/rs9121223
10. Shahhosseini, M., Hu, G., Huber, I. e Archontoulis, S. V. (2021). Coupling machine learning and crop modeling improves crop yield prediction in the US Corn Belt. Scientific Reports, 11, 1606. https://www.nature.com/articles/s41598-020-80820-1
11. Dunn, C. (2021). World-first yield forecasting technology offers avocado growers 93% accuracy. growAG, AgriFutures Australia. https://www.growag.com/article/world-first-yield-forecasting-technology-offers-avocado-growers-93-accuracy
12. Cano-Gallego, L. E., Bernal-Estrada, J. P., Hernández-Arredondo, J. D., Correa-Londoño, G. A., & Córdoba-Gaona, O. J. (2024). Rootstock/scion compatibility effects on yield components in avocado cv. Hass in three locations in Colombia. Revista Colombiana de Ciencias Hortícolas, 18(1), e17074. doi.orghttps://www.researchgate.net/publication/381137302RootstockscioncompatibilityeffectsonyieldcomponentsinavocadocvHassinthreelocationsin_Colombia
13. Zuluaga Mejía, C., Bernal Estrada, J. A., Loaiza Ruiz, R. A., Monsalve García, D. A., Barrera Sánchez, C. F., Córdoba Gaona, O. J., Tamayo Vélez, Á. de J., Castaño Marín, Á. M., Cano Gallego, L. E., & Londoño Bonilla, M. de J. (2024). Modelo produtivo para o cultivo de abacate Hass no departamento de Antioquia. Editorial AGROSAVIA. doi.org.https://repository.agrosavia.co/items/cf05a657-e936-4bb5-a400-202d76f75c39