Hackathon Showcase

SafraViva - A inteligência que salva alimentos.

Our AI platform predicts water crises using satellite data to help local governments ensure safe, continuous supply for everyone.

4 members Watch Demo

YouTube Video

Project Description

A SafraViva é um copiloto agroclimático desenvolvido pela equipe Analytica (UFRJ + UTFPR) para transformar dados complexos em decisão prática no campo. O problema que resolvemos é a baixa capacidade de reação antecipada a eventos extremos (seca, calor e chuva irregular), que gera perdas econômicas e aumenta a vulnerabilidade alimentar. Nossa solução combina, por talhão, clima futuro (GFS), chuva observada (IMERG), satélite (NDVI/EVI/LST), solo (Embrapa/BDSolos), histórico agrícola (IBGE/PAM) e ZARC oficial, produzindo um score de risco explicável (0–100), alertas e recomendações claras com IA Gemini.

O protótipo está funcional de ponta a ponta, com backend em Python/FastAPI/Pydantic, processamento geoespacial no Google Earth Engine e integração frontend-backend pronta para visualização em mapa e séries temporais. A execução já foi validada em produção via Railway: https://ai-tinkeres-2026-production.up.railway.app/. O projeto demonstra criatividade ao unir camadas técnicas em linguagem acessível, impacto social ao apoiar adaptação climática no agro e execução sólida com arquitetura real, colaborativa e escalável, alinhada aos ODS 2 e 13.

Team

Lucas Rocha Passos

Gustavo Felicidade Costa

Juan perri

Claudio Almeida Santos Junior

Products & Tools

0–100 risk score + flags) Agro/regulatory data: ZARC official static dataset (base_agricola.csv) with UF+municipality+culture+latest-safra filtering Backend/API: Python Climate forecast: NOAA/GFS0P25 (14-day forecast pipeline) Data serialization: JSON contracts for frontend-ready payloads (map layer Deployment/DevOps: Railway (production deployment) FastAPI GeoJSON Geospatial processing: Google Earth Engine (Python API) Git/GitHub for version control and collaboration LLM layer: Google Gemini API for natural-language explanation and actionable recommendations MODIS MOD11A2 (LST) Observed rainfall history: NASA GPM IMERG V07 (daily 30-day series) Production history: IBGE/PAM extraction pipeline (extracao_mt_5_anos.csv) integrated into risk features Pydantic Risk model: Heuristic explainable scoring engine (feature-based Satellite vegetation/territory: MODIS MOD13Q1 (NDVI/EVI) Sentinel-2 SR harmonized metadata Soil context: Embrapa/BDSolos dataset (parametros_do_solo.csv) with structural soil quality index engineering Uvicorn centroid/bbox/area derivation explanations) metrics risk flags rule-weighted spatial joins by lat/lon time series with GSMaP/CHIRPS fallback strategy

Additional Links

https://ai-tinkeres-2026-production.up.railway.app/

Aplicação web da solução.

Summarizing URL...

https://github.com/UFRJ-Analytica/AI-tinkeres-2026/

Repositório do projeto.

Summarizing URL...

https://canva.link/qlpu1z2k7fy6wrx

Summarizing URL...