> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/pt-br/tour-do-produto-aplicativo-web/mapas-de-zonas-e-analises/analises-multicamadas.md).

# Análises Multicamadas

Com o GeoPard, você pode integrar várias camadas de dados para criar zonas de manejo. Você controla pesos, índices, o número de zonas, o tipo de agrupamento e a área mínima do polígono.

{% @arcade/embed url="<https://app.arcade.software/share/em63luvNTYI6CFKUC3m6>" flowId="em63luvNTYI6CFKUC3m6" %}

*Demonstração interativa - criação de zonas multicamadas*

A agricultura de precisão gera grandes volumes de dados, incluindo dados de produtividade, imagens de satélite e camadas de fertilidade do solo. Muitas equipes ainda têm dificuldade para transformar essas camadas em insights e ações úteis. Na agricultura de precisão, as zonas de manejo são partes de uma lavoura com potencial de produtividade semelhante, com base no tipo de solo, posição no relevo, química do solo, microclima ou outros fatores que influenciam a cultura. O conhecimento local da área também é uma parte importante do processo. As zonas de manejo ajudam a otimizar os insumos agrícolas e o potencial de produtividade.

O principal desafio é construir zonas de manejo que reflitam a variabilidade real da área. Combinar camadas como imagens de satélite, fertilidade do solo, derivadas da topografia e dados do monitor de colheita é o próximo passo lógico em direção a zonas de manejo mais responsivas.

A análise multicamadas (também conhecida como análise integrada) está se tornando parte do mecanismo de análise geoespacial da GeoPard.

Combinações clássicas para análise integrada incluem um ou mais conjuntos de dados de produtividade, um mapa NDVI, elevação e características físico-químicas de sensores de solo. A GeoPard oferece suporte a esses parâmetros e também permite incluir outras camadas de dados da área já disponíveis no sistema ou carregadas diretamente pelo usuário, como amostragem de solo e conjuntos de dados de produtividade. Como resultado, você pode trabalhar com um conjunto completo de parâmetros para análises integradas:

Dados de produtividade\
Dados de sensoriamento remoto:

* Mapa de produtividade potencial (ano único e multianual)
* Mapa de estabilidade/variação
* Índices de vegetação NDVI, EVI2, WDRVI, LAI, SAVI, OSAVI, GCI, GNDVI

Topografia:

* Elevação
* Declividade
* Curvatura
* Índice de umidade
* Aspecto
* Sombras do relevo
* Rugosidade
* Aspereza

Dados do solo:

* pH
* CTC (capacidade de troca catiônica)
* MOS (matéria orgânica do solo)
* K (potássio)
* Camada superficial fina do solo, menor capacidade de retenção de água disponível (solo propenso à seca)
* CE (condutividade elétrica)
* e outros atributos químicos disponíveis no conjunto de dados carregado

É importante observar que você pode configurar fatores personalizados para cada camada de dados, a fim de atribuir o peso desejado. Você pode criar mapas de zonas de manejo com base no seu conhecimento da área, selecionando fontes de dados e seus pesos no GeoPard.

As imagens abaixo mostram uma área de exemplo com camadas de dados como um mapa de produtividade de 18 anos, modelo digital de elevação, declividade, sombreamento do relevo e dados de produtividade de 2019, além de diferentes resultados de análises integradas. Você pode acompanhar como as zonas de manejo evoluem à medida que camadas adicionais são incluídas.

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-8.png?resize=1024%2C501&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-9.png?resize=1024%2C504&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-10.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-11.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></figcaption></figure>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/pt-br/tour-do-produto-aplicativo-web/mapas-de-zonas-e-analises/analises-multicamadas.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.