estimativa de aptidÃo agrÍcola para milho e trigo …...t266e estimativa de aptidão agrícola...
TRANSCRIPT
UNIVERSIDADE ESTADUAL DO CENTRO-OESTE – UNICENTRO
PROGRAMA DE PÓS GRADUAÇÃO EM AGRONOMIA
DEPARTAMENTO DE AGRONOMIA - DEAGRO
ESTIMATIVA DE APTIDÃO AGRÍCOLA PARA MILHO E
TRIGO EM DIFERENTES CENÁRIOS CLIMÁTICOS
FUTUROS NA MICRORREGIÃO DE GUARAPUAVA-PR
TESE DE DOUTORADO
LAURO AUGUSTO RIBAS TEIXEIRA
GUARAPUAVA
2019
LAURO AUGUSTO RIBAS TEIXEIRA
ESTIMATIVA DE APTIDÃO AGRÍCOLA PARA MILHO E TRIGO EM
DIFERENTES CENÁRIOS CLIMÁTICOS FUTUROS NA MICRORREGIÃO DE
GUARAPUAVA-PR
Professor Dr. Sidnei Osmar Jadoski
Orientador
Professor Dr. Robert Faggian
Co-Orientador
Professor Dr. Victor Sposito
Co-Orientador
GUARAPUAVA
2019
Tese apresentada à Universidade Estadual do
Centro-Oeste, como parte das exigências do
Programa de Pós-Graduação em Agronomia, área de
concentração em Produção Vegetal, para obtenção
do Título de Doutor em Agronomia.
Catalogação na Publicação Biblioteca Central da Unicentro, Campus Santa Cruz
Teixeira, Lauro Augusto Ribas T266e Estimativa de aptidão agrícola para milho e trigo em diferentes cenários
climáticos futuros na microrregião de Guarapuava-PR / Lauro Augusto Ribas Teixeira. – – Guarapuava, 2019.
xiv, 119 f. : il. ; 28 cm Tese (doutorado) - Universidade Estadual do Centro-Oeste, Programa
de Pós-Graduação em Agronomia, área de concentração em Produção Vegetal, 2019
Orientador: Sidnei Osmar Jadoski Coorientadores: Robert Faggian, Victor Sposito Banca examinadora: Sidnei Osmar Jadoski, Aline Marques Genú, Luciano Farinha Watzlawick, Edson Luis Piroli, Marcio Furlan Maggi
Bibliografia
1. Agronomia. 2. Produção vegetal. 3. Mudanças climáticas. 4.
Microrregião Guarapuava. 5. Trigo. 6. Milho. 7. Índice de aptidão agrícola. 8. IPCC. I. Título. II. Programa de Pós-Graduação em Agronomia.
CDD 630
“Se enxerguei mais longe, foi porque me apoiei
sobre os ombros de gigantes”.
(Isaac Newton)
AGRADECIMENTOS
Agradeço a Deus pela Saúde, motivação e por ter colocado as pessoas certas na minha
vida para que eu conquistasse com muito empenho o título de Doutor.
Meu agradecimento em especial a minha família pelo incondicional amor e apoio, a
UNICENTRO em especial aos meus orientadores Prof.Dr. Sidnei Jadoski e Co-Orientadora
Profa. Dra. Aline Genú, a todos colegas de classe e funcionários que foram parceiros nessa
jornada.
A CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior pela
oportunidade de realização do Programa Doutorado Sanduíche no Exterior, processo PDSE –
88881.133586/2016-01, fornecendo todo o suporte para a realização da pesquisa em parceria
com a DEAKIN University na Austrália.
Gostaria também de agradecer aos meus supervisores na Austrália, Prof. Dr. Robert
Faggian e Prof. Dr. Victor Sposito da DEAKIN University por toda a colaboração na minha
pesquisa e aos meus queridos amigos do Centre for Regional and Rural Futures, grupo de
pesquisa formado por Alejo Silvarrey, Eliana Nervi, Eduard Cornwell, Madeline Johnson,
Magdalena Borges, Lucília Bianchi e Jana Mrazova, que tanto me ajudaram na realização desse
projeto.
E a todas as pessoas que participaram direta e indiretamente nessa importante etapa da
minha vida me apoiando cada um à sua maneira.
SUMÁRIO
1 INTRODUÇÃO..................................................................................... ...................... 1
2 OBJETIVOS ................................................................................................................ 3
2.1 Objetivos específicos..................................................................................................3
3 REFERENCIAL TEÓRICO.................................................................. ...................... 4
3.1 Mudanças Climáticas ................................................................................................... 4
3.1.1 Impactos climáticos na agricultura ....................................................................... 4
3.1.2 Eventos climáticos e eventos extremos ................................................................ 6
3.1.3 Mudanças climáticas e eventos extremos no Brasil ............................................. 8
3.1.4 Adaptação e mitigação as mudanças climáticas ................................................... 9
3.1.5 Impacto do clima na produtividade .................................................................... 10
3.1.6 Caraterísticas de produtividade do trigo ............................................................. 11
3.1.7 Regiões tritícolas do Paraná ............................................................................... 13
3.1.8 Caraterísticas de produtividade do milho ........................................................... 15
3.2 Modelagem Climática ................................................................................................ 17
3.2.1 IPCC - Painel Intergovernamental sobre Mudanças Climáticas ........................ 17
3.2.2 Modelos climáticos globais ................................................................................ 18
3.2.3 Modelos climáticos gerais de circulação ............................................................ 20
3.2.4 Diferentes modelos climáticos utilizados mundialmente ................................... 23
3.2.5 Modelos Climáticos Regionais ........................................................................... 24
3.2.6 Modelo do Sistema Terrestre - HadGEM2......................................................... 25
3.2.7 Variabilidade climática....................................................................................... 26
3.3 Geomática aplicada a modelagem de dados .............................................................. 28
3.3.1 Sistema de informações geográficas (SIG) ........................................................ 28
3.4 Análise do uso da terra agrícola utilizando SIG e AHP ............................................ 29
3.4.1 Processo de Hierarquia Analítica ....................................................................... 30
4 MATERIAL E MÉTODOS......................................................................................... 33
4.1 Caracterização da área de estudo. .............................................................................. 33
4.1.1 Características Econômicas e Agrícolas ............................................................. 34
4.1.2 Área de estudo. ................................................................................................... 35
4.2 Metodologia de processamento de dados .................................................................. 37
4.3 Projeções regional climática para a Microrregião de Guarapuava ............................ 39
4.3.1 Cenário base (1970-2000). ................................................................................. 39
4.4 Análise de Múltiplos Critérios na estimativa de aptidão agrícola ............................. 39
4.4.1 Análise de Múltiplos Critérios aplicada as culturas de trigo e milho. ................ 41
4.5 Implicações do clima para a Microrregião de Guarapuava: ...................................... 47
4.6 Comparação dos resultados com os históricos de produção ...................................... 47
5 RESULTADOS E DISCUSSÃO ................................................................................. 50
5.1 Projeção regional climática para a Microrregião de Guarapuava .............................. 50
5.1.1 Resultados das Avaliações do IAP para a cultura do Trigo. .............................. 62
5.1.2 Resultados das Avaliações do IAP para a cultura do Milho. ............................. 71
5.2 Comparação dos resultados com os históricos de produção ...................................... 81
5.2.1 Aptidão agrícola para o período do ciclo de cultivo da cultura do trigo ............ 81
5.2.2 Aptidão agrícola para o período do ciclo de cultivo da cultura do milho. ......... 85
6 CONCLUSÕES ........................................................................................................... 95
7 REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 97
LISTA DE FIGURAS
Figura 1 - Múltiplos impactos do aquecimento global na agricultura. ....................................... 6
Figura 2 - Número de eventos climáticos extremos em todo o mundo. ..................................... 8
Figura 3 - Zoneamento da cultura de trigo. .............................................................................. 13
Figura 4 - Distribuição das três macrorregiões tritícolas no estado do Paraná......................... 14
Figura 5 - Zoneamento da cultura de milho. ............................................................................ 16
Figura 6 - Zoneamento da cultura de milho superprecoce. ...................................................... 17
Figura 7 - Médias globais de modelos de aquecimento de superfície para cenários RCPs. ..... 22
Figura 8 - Precipitação acumulada 1981-2010 (mm). .............................................................. 28
Figura 9 - Localização do estado do Paraná e divisão por mesorregiões. ................................ 33
Figura 10 - Microrregião de Guarapuava no estado do Paraná. ............................................... 34
Figura 11 - Municípios que compõe a Microrregião de Guarapuava. ...................................... 36
Figura 12 - Fluxograma da metodologia de processamento de dados. ..................................... 37
Figura 13 – Estrutura organizacional dos atributos de solo...................................................... 40
Figura 14 - Atributos da variável topografia. ........................................................................... 41
Figura 15 - Atributos do variável clima.................................................................................... 41
Figura 16 - Ponderação dos atributos nas variáveis de solo. .................................................... 42
Figura 17 - Ponderação dos atributos nas variáveis de topografia. .......................................... 43
Figura 18 - - Ponderação dos atributos do variável clima. ....................................................... 44
Figura 19 - Análise de Múltiplos Critérios aplicada a cultura de trigo. ................................... 45
Figura 20 - Análise de Múltiplos Critérios aplicada a cultura de milho................................... 46
Figura 21 - Área de abrangência de cobertura do microclima regional (IAPAR). ................... 48
Figura 22 - Relação entre temp. e área de abrangência cenários base, RCP4.5 e 8.5. ............. 51
Figura 23 - Comparativo temperatura (jan-abril) cenário base e cenários RCP4.5 e 8.5. ........ 53
Figura 24 - Comparativo temperatura (maio-agos) cenário base e cenários RCP4.5 e 8.5. ..... 54
Figura 25 - Comparativo temperatura (set-dez) cenário base e cenários RCP4.5 e RCP8.5.... 55
Figura 26 - Relação entre precipitação e área de abrangência cenários base, RCP4.5 e 8.5. ... 57
Figura 27 - Comparativo precipitação (jan-abril) cenário base e cenários RCP4.5 e 8.5. ....... 59
Figura 28 - Comparativo precipitação (maio-agos) cenário base e cenários RCP4.5 e 8.5. .... 60
Figura 29 - Comparativo precipitação (set-dez) cenário base e cenários RCP4.5 e 8.5. .......... 61
Figura 30 - Correlação entre os índices relativos anuais de temp. e de precipitação .............. 62
Figura 31 - Aptidão agrícola para a cultura de trigo - Cenário base (1970-2000). .................. 64
Figura 32 - Aptidão agrícola para a cultura de trigo - Cenário futuro RCP4.5 (2041-2060). .. 65
Figura 33 - Aptidão agrícola para a cultura de trigo - Cenário futuro RCP8.5 (2041-2060). .. 66
Figura 34 - Correlação entre índice relativo de temp.e IAP do trigo em diferentes períodos. . 70
Figura 35 - Correlação entre Índice relativo de precipitação e IAP do trigo ........................... 71
Figura 36 - Aptidão agrícola para a cultura de milho - Cenário base (1970-2000). ................. 72
Figura 37 - Aptidão agrícola para a cultura de milho - Cenário futuro RCP4.5 . .................... 74
Figura 38 - Aptidão agrícola para a cultura de milho - Cenário futuro RCP8.5 . .................... 76
Figura 39 - Correlação entre índice relativo de temp. e IAP do milho .................................... 79
Figura 40 - Correlação entre índice relativo de precipitação e IAP do milho . ........................ 80
Figura 41 - Aptidão agrícola para a cultura de trigo - Dados climáticos 2000......................... 82
Figura 42 - Aptidão agrícola para a cultura de trigo - Dados climáticos 2005......................... 83
Figura 43 - Aptidão agrícola para a cultura de trigo - Dados climáticos 2010......................... 84
Figura 44 - Correlação entre IAP e a produtividade média da cultura do trigo. ...................... 85
Figura 45 - Aptidão agrícola para a cultura de milho - Dados climáticos 2000. ...................... 88
Figura 46 - Aptidão agrícola para a cultura de milho - Dados climáticos 2005. ...................... 90
Figura 47 - Aptidão agrícola para a cultura de milho - Dados climáticos 2010. ...................... 91
Figura 48 - Correlação entre IAP e a produtividade média da cultura do milho ...................... 94
LISTA DE TABELAS
Tabela 1- Áreas dos municípios pertencentes a Microrregião de Guarapuava......................36
Tabela 2 - IAP para a cultura de trigo, comparativo cenário base e o cenário RCP4.5......... 63
Tabela 3 - IAP para a cultura de trigo, comparativo cenário base e o cenário RCP8.5....... 67
Tabela 4- IAP para a cultura de trigo, comparativo cenário base e RCP4.5 e 8.5................ 68
Tabela 5- IAP para a cultura de milho, comparativo cenário base e RCP4.5....................... 73
Tabela 6- IAP para a cultura de milho, comparativo cenário base e o RCP8.5................... 75
Tabela 7 - IAP para a cultura de milho, comparativo cenário base e RCP4.5 e RCP8.5..... 76
Tabela 8- IAP trigo, comparativo anos 2000, 2005 e 2010 com dados de produção SEAB. 86
LISTA DE QUADROS
Quadro 1 - Principais diferenças entre a política de mitigação e adaptação. ................. 10
Quadro 2 - Descrição dos caminhos de concentração representativa (RCPs). ............... 21
Quadro 3 – Informações sobre cada modelo climático. ................................................. 24
LISTA DE SIGLAS
AOGCM - Modelo de Circulação Geral Atmosfera-Oceano
AR5 - 5º Relatório de Avaliação
EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária
CONAB – Companhia Nacional de Abastecimento
GEE - Gases de efeito de estufa
GIS - Sistema de Informação Geográfica
HadGEM2 - Modelo Ambiental Global Hadley versão 2
IBGE - Instituto Brasileiro de Geografia e Estatística
INMET - Instituto Nacional de Meteorologia
IPARDES - Instituto Paranaense de Desenvolvimento Econômico e Social
IPEA - Instituto de Pesquisa Econômica Aplicada
IPCC - Painel Intergovernamental sobre Mudanças Climáticas
ISRIC - The World Data Centre for Soils
IAP – Índice de Aptidão de Produtividade Agrícola
IAPAR - Instituto Agronômico do Paraná
IDW - Distância Inversa Ponderada
MGC - Modelo geral de circulação
OMM - Organização Meteorológica Mundial
RCM - Modelos Climáticos Regionais
RCP - Representative Concentration Pathway
SACZ - Zona de Convergência do Atlântico Sul
SALLJ - Jato de Baixos Níveis da América do Sul.
SEAB - Secretaria da Agricultura e do Abastecimento
USDA - Departamento de Agricultura dos Estados Unidos
UNFCCC - Convenção das Nações Unidas sobre Mudança do Clima
LISTA DE ANEXOS
Anexo 1- Média mensal para temperatura cenário base (1970-2000). ................................... 114
Anexo 2- Média mensal para temperatura cenário RCP4.5 (2041-2060). ............................. 115
Anexo 3- Média mensal para temperatura cenário RCP8.5 (2041-2060). ............................. 116
Anexo 17 - Média mensal para precipitação cenário base (1970-2000). ............................... 117
Anexo 18 - Média mensal para precipitação cenário RCP4.5 (2041-2060). .......................... 118
Anexo 19 - Média mensal para precipitação cenário RCP8.5 (2041-2060). .......................... 119
RESUMO
TEIXEIRA, Lauro Augusto Ribas. Estimativa de aptidão agrícola para milho e trigo em
diferentes cenários climáticos futuros na microrregião de Guarapuava-PR. 2019. 119f.
Tese (Doutorado) - Universidade Estadual do Centro-Oeste, Programa de Pós-Graduação em
Agronomia, área de concentração em Produção Vegetal. Guarapuava, 2019.
As evidências de que ocorreram mudanças climáticas globais em função do aumento da
concentração de gases de efeito estufa têm se apresentado cada vez mais consistente e aceitas
pela comunidade científica internacional. Condições meteorológicas afetam drasticamente a
produtividade e a viabilidade econômica da agricultura que é desafiada pelas constantes
variações de temperatura e precipitação. A fim de avaliar os impactos das mudanças climáticas,
modelos de cenários climáticos fornecem informações relevantes otimizando as chances de
encontrar soluções para questões ambientais no planejamento regional e rural. Neste trabalho
procurou-se avaliar as alterações climáticas na microrregião de Guarapuava no estado do
Paraná, analisando seus impactos na produtividade das culturas de trigo e milho, utilizando
modelagem climática e banco de dados da produção local. Foi discutida a variabilidade tempo
espacial da temperatura média do ar e da precipitação pluvial média para a Microrregião de
Guarapuava. Foram ajustados modelos de adequação matemática utilizando Análise de
Múltiplos Critérios (MCA) e Processo de Hierarquia Analítica (AHP). Foram avaliados os
possíveis impactos das mudanças climáticas nas culturas de trigo e milho, utilizando os cenários
climáticos RCP4.5 e RCP8.5 (IPCC) para o cálculo do índice de aptidão agrícola das culturas
considerando as variáveis: Solo, Paisagem e Clima. Os resultados obtidos na análise climática
para o índice de aptidão agrícola foram comparados com os índices de produção obtidos em
campo nas safras de 2000, 2005 e 2010 gerando informações que possibilitam a discussão dos
impactos do clima na produtividade das culturas na região de estudo. Os resultados
demonstraram que os cenários RCP4.5 e RCP8.5 indicam projeção de aumento médio de
aproximadamente 2°C na temperatura média mensal da área de estudo, a projeção de elevação
da temperatura média influencia moderadamente para o aumento de áreas com maior índice de
precipitação mensal acumulada. No processo de estimativa com o modelo MCA, índices de
aptidão agrícola da área de cultivo de aproximadamente 80% ou superiores e 60% ou inferiores
demonstraram ser bons indicadores para mais provável expressão de índices de produtividade
mais elevados ou menos elevados, respectivamente, das culturas do milho e do trigo na
microrregião de Guarapuava.
Palavras-chave: mudanças climáticas; microrregião Guarapuava; trigo; milho; índice de
aptidão agrícola; IPCC.
ABSTRACT
TEIXEIRA, Lauro Augusto Ribas Estimation of agricultural Land suitability potential for maize
and wheat in different future climate scenarios in the Guarapuava-PR. Guarapuava, 2019.
119f. Thesis (PhD) - State University of the Center-West, Post-Graduation Program in
Agronomy, area of concentration in Plant Production. Guarapuava, 2019.
Evidence that global climate change has occurred due to the increased concentration of
greenhouse gases has been increasingly consistent and accepted by the international scientific
community. Weather conditions drastically affect the productivity and economic viability of
agriculture that is challenged by constant temperature and precipitation variations. In order to
assess the impacts of climate change, climate scenario models provide relevant information
optimizing the chances of finding solutions to environmental issues in regional and rural
planning. This work aimed to evaluate the climatic changes in the Guarapuava microregion in
the state of Paraná, analyzing its impacts on wheat and maize crop productivity, using climate
modeling and local production database. The spatial time variability of mean air temperature
and mean rainfall for the Guarapuava Microregion was discussed. Mathematical adequacy
models were adjusted using Multiple Criteria Analysis (MCA) and Analytical Hierarchy
Process (AHP). The possible impacts of climate change on wheat and maize crops were
evaluated using the climatic scenarios RCP4.5 and RCP8.5 (IPCC) to calculate the agricultural
aptitude index of the crops considering the following variables: Soil, Landscape and Climate.
The results obtained in the climatic analysis for the agricultural Land suitability potential were
compared with the production indexes obtained in the field in the 2000, 2005 and 2010 harvests,
generating information that allows the discussion of climate impacts on crop productivity in the
study region. The results showed that the RCP4.5 and RCP8.5 scenarios indicate a projection
of average increase of approximately 2 ° C in the average monthly temperature of the study
area, the projection of elevation of the average temperature influences moderately for the
increase of areas with higher index of cumulative monthly rainfall. In the estimation process
with the MCA model, agricultural suitability indexes of approximately 80% or higher and 60%
or lower were shown to be good indicators for a more probable expression of higher or lower
productivity indexes, respectively, of the crops corn and wheat in the Guarapuava microregion.
Keywords: climate change; Guarapuava microregion; wheat; maize; land suitability potential;
IPCC.
1
1 INTRODUÇÃO
O planeta Terra vive uma dinâmica climática em constante alteração, que ocorre
em escalas temporais que vão de meses a anos, de milênios a milhões de anos. As causas
naturais das alterações no clima estão associadas, entre outras menos significativas, às
variações na quantidade de radiação solar incidente na Terra, erupções vulcânicas que
injetam gases e aerossóis na atmosfera ou variações nas correntes oceânicas acopladas a
variações na circulação da atmosfera, neste caso buscando manter o equilíbrio
termodinâmico do planeta (DINIZ, 2008).
As evidências de que ocorreram mudanças climáticas globais (MCG), em função
do aumento da concentração de gases de efeito estufa como o gás carbônico (CO2), o
metano (CH4) e o óxido nitroso (N2O), além do próprio vapor d’água (H2O), têm se
apresentado cada vez mais consistentemente e sido aceitas pela comunidade científica
internacional (QUEIROZ et al., 2007). Alley et al. (2007) mostram, inclusive, que
mudanças climáticas globais bruscas já ocorreram no passado e podem acontecer
novamente, adiantando os cenários previstos para um futuro mais distante. Segundo
Hatfield et al., (2011), há evidências de que nosso clima está mudando e que essas
mudanças de temperatura, precipitação (quantidade e frequência), CO2 e O3 afetarão a
agricultura, e em especial as culturas de trigo e milho analisadas nesse trabalho.
O trigo (Triticum aestivum L.) é o cereal mais importante para a alimentação
humana, sua cultura é a mais cultivada no mundo, com produção estimada em 730
milhões de toneladas (MICHEL et al., 2018). O estado do Paraná é o maior produtor de
trigo do país, de modo que sua produção, além de ser utilizada na indústria moageira
local, também atende uma parcela significativa da demanda da Região Sudeste. Os
problemas que limitam a produção de trigo no estado são majoritariamente de duas
ordens: econômica e climática (OLIVEIRA et al., 2017).
Dentre os cereais cultivados no Brasil, o milho é o mais expressivo, com cerca de
54,37 milhões de toneladas de grãos produzidos, em uma área de aproximadamente 12,93
milhões de hectares (CONAB, 2018a), referentes a duas safras: normal e safrinha. O
período de crescimento e desenvolvimento do milho é limitado pela água, temperatura e
radiação solar ou luminosidade. A cultura do milho necessita que os índices dos fatores
climáticos, especialmente a temperatura, a precipitação pluvial e o fotoperíodo, atinjam
níveis considerados ótimos, para que o seu potencial genético de produção se expresse ao
máximo (CRUZ et al., 2010).
2
A fim de avaliar os impactos das mudanças climáticas e desenvolver políticas
adequadas de adaptação e mitigação, são necessárias previsões das mudanças climáticas
nas escalas global e, mais importante, regional e local (GIORGI, 2005). Modelos de
cenários climáticos utilizam métodos quantitativos e são desenvolvidos através de uma
abordagem estratégica em vários níveis temporais e espaciais, fornecendo ciência
relevante antes da grande mudança de longo prazo, otimizando as chances de encontrar
soluções para questões ambientais e sociais complexas que exigem ações
multidisciplinares.
Conforme discutido em Ebi et al. (2014), foi desenvolvida uma nova estrutura
para facilitar a produção de cenários integrados com base em combinações de projeções
do modelo climático, condições socioeconômicas e premissas sobre políticas climáticas.
De acordo com O’neill et al. (2014), um dos principais objetivos desses cenários
integrados é facilitar a pesquisa e a avaliação em várias comunidades de pesquisa,
podendo desta maneira caracterizar o grau de incerteza nos esforços de mitigação
necessários para alcançar resultados climáticos específicos e em esforços de adaptação
que poderiam ser empreendidos para se preparar e responder as mudanças climáticas e
impactos associados a esses processos.
O presente projeto se propôs avaliar estimativas de alterações climáticas na
microrregião de Guarapuava no estado do Paraná, analisando os impactos sobre as
culturas de trigo e milho, utilizando modelagem para futuros cenários e também cenários
climáticos passados comparando com dados reais de produção, com a finalidade de
colaborar para discussões científicas sobre o tema da relação entre agricultura e mudanças
climáticas.
3
2 OBJETIVOS
O objetivo deste trabalho foi avaliar o impacto das mudanças climáticas na
produtividade das culturas de trigo e milho na microrregião de Guarapuava aplicando
modelagem climática através de simulações de cenários futuros e dados meteorológicos
da região de estudo.
2.1 Objetivos específicos
Considerando o objetivo principal, o trabalho foi divido em quatro objetivos
específicos, sendo estes:
I. Avaliar a variabilidade tempo espacial da temperatura média do ar e da
precipitação pluvial média para a Microrregião de Guarapuava.
II. Ajustar modelos de adequação matemática utilizando Análise de Múltiplos
Critérios (MCA) e Processo de Hierarquia Analítica (AHP), aplicados no cálculo
de índices para aptidão agrícola das culturas de trigo e milho considerando três
variáveis principais: Solo, Topografia e Clima.
III. Avaliar possíveis impactos das mudanças climáticas nas culturas de trigo e milho,
utilizando modelos de adequação matemática e cenários climáticos futuros para o
cálculo do índice de aptidão agrícola das culturas.
IV. Comparar os resultados obtidos na análise climática para o índice de aptidão
agrícola com os índices de produção obtidos em campo nas safras de 2000, 2005
e 2010.
4
3 REFERENCIAL TEÓRICO
3.1 Mudanças Climáticas
O Painel Intergovernamental de Mudanças Climáticas (International Panel on
Climate Change - IPCC) conclui, no seu Terceiro Relatório de Avaliação TAR (IPCC
2001 a), que a temperatura média da atmosfera tem aumentado em 0,6ºC + 0.2ºC durante
o século XX. Os modelos globais do IPCC têm mostrado que entre 1900 e 2100 a
temperatura global pode aquecer entre 1,4 e 5,8ºC, o que representa um aquecimento mais
rápido do que aquele detectado no século XX e que, aparentemente, não possui
precedentes durante, pelo menos, os últimos 10.000 anos (MARENGO, 2007).
A mudança climática é uma realidade, e para entender seus reais efeitos estão sendo
desenvolvidas uma série de pesquisas a nível mundial. Existe, no entanto, uma evidência
científica extensa de que o rápido aquecimento observado da Terra desde a Revolução
Industrial foi causado por fenômenos climáticos induzidos pelo homem, interagindo com
processos climáticos naturais (SPOSITO et al., 2013).
Mudanças em muitos eventos climáticos foram observadas desde 1950. Algumas
dessas mudanças foram ligadas a influências humanas, incluindo uma diminuição nos
extremos de temperaturas frias, um aumento nos extremos de temperaturas quentes, um
aumento nos níveis extremos do mar e aumento no número de eventos de precipitação
pesada em várias regiões (IPCC, 2014).
Segundo Challinor et al. (2007), as mudanças climáticas estão afetando a
agricultura, os ecossistemas e os meios de subsistência em todo o mundo. As principais
mudanças nas áreas adequadas para o cultivo de algumas importante culturas do mundo,
como trigo, milho e café, são projetadas.
Modelos climáticos globais e regionais projetam a continuação dessas tendências
para o futuro. Reichle et al. (2003), acrescentam que as projeções para o futuro são parte
de tal atividade, e todos os aspectos de um sistema de informação da Terra alimentam o
planejamento para o futuro, seja por adaptação planejada ou mitigação.
3.1.1 Impactos climáticos na agricultura
O clima é o principal determinante da produtividade agrícola. Dado o papel
fundamental da agricultura no bem-estar humano, a preocupação tem sido expressa por
5
agências federais e outros em relação aos efeitos potenciais da mudança climática na
produtividade agrícola, (Adams et al., 1999). Olesen et al. (2014), observaram que,
paradoxalmente, o setor agrícola também é muito vulnerável a mudanças no clima,
particularmente a eventos climáticos extremos, que devem se tornar mais frequentes e
mais severos no futuro.
As mudanças climáticas devem produzir grandes impactos sobre os recursos hídricos
(PBMC, 2014). O aquecimento observado nas últimas décadas pode causar mudanças no
ciclo hidrológico, por meio de modificações dos padrões de precipitação e
evapotranspiração, o que pode impactar diretamente a umidade do solo, a reserva
subterrânea e a geração do escoamento superficial (IPCC, 2014).
Temporais, ventos fortes, inundações, geadas, granizo ou secas afetam grandemente
a produção chegando inclusive a determinar em alguns casos perdas totais. O efeito
indireto dos eventos climáticos extremos é a exacerbação do ataque de pragas e doenças
sobre as plantas, o que reduzirá a produção elevando preços pela queda de oferta
(EMBRAPA, 2014). A alteração na presença de microrganismos fitopatogênicos
(doenças) e as pragas devido a impactos dos eventos climáticos extremos são um dos
principais fatores responsáveis por reduções de produtividade e podem colocar em risco
a sustentabilidade do agro ecossistema (EMBRAPA, 2014). Portanto, em razão dos
efeitos na produção, é importante a adoção de práticas (uso de irrigação e telas de
sombreamento) que possam reduzir as perdas dos agricultores (Figura 1).
A produção agrícola global é desafiada pelas mudanças climáticas e suas constantes
variações de temperatura e precipitação (GODFRAY et al., 2010). Kucharik; Serbin
(2008), sugerem que a mudança climática afeta diferentes culturas e regiões de maneira
distinta, mas geralmente espera-se que a produtividade agrícola diminua. Warner et al.
(2009), também observaram que as perdas econômicas no setor agrícola estão
aumentando devido às mudanças climáticas.
6
Figura 1 - Múltiplos impactos do aquecimento global na agricultura.
Fonte: Autor
Bita; Gerats (2013), sugeriram como os extremos climatológicos, incluindo
temperaturas muito altas, têm efeito geral negativo sobre o crescimento e
desenvolvimento das plantas, levando a perda catastrófica da produtividade das culturas
e resultando em fome generalizada. Se estas mudanças de temperatura ocorrerem nos
próximos 30 anos, a compreensão dos possíveis impactos no crescimento e
desenvolvimento das plantas ajudará a desenvolver estratégias de adaptação para
compensar esses impactos (HATFIELD; PRUEGER, 2015).
3.1.2 Eventos climáticos e eventos extremos
Está cada vez mais claro que os eventos climáticos extremos farão parte do dia a
dia das nações. Nos últimos anos em diversos países do mundo aconteceram enchentes e
secas extremas, incêndios e ondas de frio inclusive com mortalidade de pessoas. No país
alguns exemplos recentes de enchentes são os casos do Rio de Janeiro no início de 2010
e em Santa Catarina em 2013. Os eventos climáticos extremos, por afetarem a produção
agropecuária, alteram fortemente os preços de seus produtos trazendo insegurança e
pressionando os índices de inflação (NETO, 2014).
7
Eventos climáticos extremos e anomalias climáticas têm grandes impactos na
agricultura. Do total das perdas anuais de colheitas na agricultura mundial, muitas são
devidas a efeitos climáticos diretos, como secas, inundações repentinas, chuvas
inesperadas, granizo gélido e tempestades (SIVAKUMAR; MOTHA, 2007).
Extremos climáticos podem ser classificados em dois grandes grupos:
(i) aqueles baseados em estatísticas climáticas simples, que incluem extremos
como uma temperatura diária muito baixa ou muito alta, ou uma quantidade
pesada de chuvas diárias ou mensais, que ocorrem todos os anos; e
(ii) extremos de eventos mais complexos, exemplos de secas, inundações ou
furacões, que não ocorrem necessariamente todos os anos em um determinado
local (EASTERLING et al., 2000).
Ebi; Meehl (2007) discutem que as ondas de calor ou eventos extremos de temperatura
são projetados para se tornarem mais intensos, mais frequentes e durarem mais do tem-se
observado nos últimos anos. Há também uma percepção geral de que o número de eventos
extremos aumentou em todo o mundo nos últimos anos, com base em registros de perigos
naturais compilados pelo setor de seguros (MUNICHRE., 2004). Na Figura 2 é possível
observar o número de eventos climáticos extremos em todo o mundo (incluindo ondas de
calor, períodos de frio, tempestades de vento, precipitação extrema e seca) e custos de
danos associados
No entanto, interpretações mais aproximadas dessas estatísticas mostram que a
maior parte do aumento nos custos de danos resultantes de eventos climáticos extremos
está relacionada a maiores densidades populacionais em áreas propensas ao risco do que
em décadas passadas e um aumento correspondente na infraestrutura segurada (KRUG et
al., 2012).
Eventos climáticos extremos podem ter graves efeitos prejudiciais no rendimento
das culturas e, portanto, na produção agrícola. A maioria das culturas é sensível aos
efeitos diretos da alta temperatura, diminuição da precipitação, inundação e
congelamentos intempestivos durante as fases críticas de crescimento. Attri et al. (2011),
acrescentam que outros efeitos sobre as culturas são indiretos, através de influências nos
processos do solo, dinâmica de nutrientes e organismos nocivos.
8
Figura 2 - Número de eventos climáticos extremos em todo o mundo.
Fonte: MUNICHRE (2004).
3.1.3 Mudanças climáticas e eventos extremos no Brasil
Os eventos climáticos extremos ocorrem de muitas formas, como enchentes, secas
prolongadas, ondas de calor, tufões e tornados. No Brasil, ocorreram diversos eventos
extremos nos últimos anos. O furacão Catarina provocou enchentes e deslizamentos e
causou diversas mortes, assim como perdas econômicas significativas para a região Sul
do país. Tempos atrás, a mesma região sofreu com chuvas torrenciais e ventos fortes que
levaram a grandes danos (PINTO, 2012).
A variabilidade do clima e dos eventos extremos tem afetado seriamente o Brasil
durante os últimos anos. No Brasil subtropical, Groisman et al. (2005) e Marengo et al.
(2009) identificaram grande aumento sistemático da precipitação desde os anos de 1950
e, no Sudeste do Brasil, detectaram um aumento na frequência dos eventos pluviais
extremos. Sobre o estado de São Paulo, Carvalho et al. (2004) descobriram que os
eventos pluviais extremos exibem uma variabilidade interanual ligada ao El Niño e à La
Niña, assim como variações intrassazonais associadas à atividade da SACZ - Zona de
Convergência do Atlântico Sul e do SALLJ - Jato de Baixos Níveis da América do Sul.
9
3.1.4 Adaptação e mitigação as mudanças climáticas
O efeito que a mudança climática tem sobre a produtividade e a viabilidade
econômica da agricultura dependerá de quanto é possível se adaptar para reduzir o
impacto da mudança (GORNALL et al., 2010). Portanto, as estimativas do impacto
econômico da mudança do clima provavelmente serão exageradas se a adaptação não for
permitida (HERTEL; LOBELL, 2014).
As negociações internacionais distinguiram duas opções para lidar com as
mudanças climáticas: mitigação (redução das fontes ou aumento dos sumidouros de gases
de efeito estufa) e adaptação (resposta aos efeitos das mudanças climáticas). Políticas e
negociações as trataram separadamente porque essas duas opções perseguem objetivos
diferentes e operam em diferentes escalas espaciais e temporais:
• A mitigação proporciona benefícios para o clima global a longo prazo (devido à
inércia do sistema climático);
• A adaptação proporciona mais benefícios locais, que podem ser obtidos a curto
prazo, bem como a longo prazo (SWART; RAES, 2007).
De acordo com Kane; Shogren (2000), a mitigação das mudanças climáticas é uma
ação privada ou pública feita para reduzir as chances de eventos climáticos adversos; é
uma forma de autoproteção. A adaptação às mudanças climáticas é uma ação, privada ou
pública, para reduzir o impacto de eventos climáticos adversos - também definidos como
autopreservação. Jorgensen; Termansen (2016) mencionam como tradicionalmente,
adaptação e mitigação, foram retratados como estratégias separadas: investir em
mitigação agora versus acumular riqueza ao longo do tempo por não investir em
mitigação que possa pagar pela adaptação no futuro. No entanto, se a adaptação necessária
for mais cara, ou o risco for maior que o esperado, a riqueza acumulada pode ser
insuficiente. As estratégias de mitigação, reduzindo a necessidade de adaptação, podem
ter altos custos de oportunidade e reduzir o crescimento econômico. Mitigação é a forma
pela qual são elaborados os processos que tentam minimizar nas plantas, os efeitos da
elevação das temperaturas ou do aumento dos períodos de estiagem. Adaptação refere-se
à capacidade que o ser vivo tem de se ajustar a novas condições climáticas ou suas
consequências (MARENGO, 2012).
10
Jorgensen; Termansen (2016), comentam também que o setor agrícola pode, no
entanto, contribuir significativamente para a mitigação das mudanças climáticas,
aumentando ou mantendo os níveis de carbono do solo. A percepção e a ação dos
agricultores às mudanças climáticas antecipadas podem ser um determinante significativo
dos impactos das mudanças climáticas e dos esforços de mitigação na agricultura. O
Quadro 1 resume as principais diferenças entre mitigação e adaptação.
Quadro 1 - Principais diferenças entre a política de mitigação e adaptação.
Mudança Climática Mitigação Adaptação
Sistemas beneficiados Todos os sistemas Sistemas selecionados
Escala do efeito Global Local para regional
Tempo de vida Séculos Anos para séculos
Tempo de espera Décadas Imediato para décadas
Eficácia Certeira Incerta
Benefícios auxiliares As vezes Quase sempre
Potencial poluente Possivelmente Não necessariamente
Principais benefícios Pequenos Quase totalmente
Monitoramento Relativamente fácil Mais difícil
Fonte: FÜSSEL; KLEIN, (2006).
Para o setor agrícola, a adaptação e a mitigação são estratégias diferentes usadas
para lidar com os riscos, mas mudanças no manejo do solo podem ter efeitos sinérgicos.
Isto sugere que as percepções dos agricultores sobre os riscos associados às futuras
mudanças climáticas e sobre a eficácia das estratégias de adaptação podem ser um fator
importante para a mitigação das mudanças climáticas e vice-versa (ARBUCKLE et al.,
2013).
3.1.5 Impacto do clima na produtividade
A agricultura distingue-se das restantes atividades econômicas por, entre outras
características, se desenvolver maioritariamente ao ar livre. Desta característica resulta
uma extrema dependência face às condições meteorológicas. Desta forma, os regimes
termo pluviométricos de cada região devem ser amplamente conhecidos e considerados
quando se planeja um sistema de produção (BRAGA, 2009). A taxa de crescimento e
desenvolvimento das plantas depende da temperatura ao redor da planta e cada espécie
11
tem uma faixa específica de temperatura representada por um mínimo, máximo e ótimo
(HATFIELD; PRUEGER, 2015).
As condições meteorológicas afetam drasticamente a produtividade agrícola. Desde
logo, a distribuição geográfica das culturas e pastagens é função do clima e do
fotoperíodo. A quantidade total de precipitação, assim como, o seu padrão de variação
são aspectos importantes para os sistemas agrários (BRAGA, 2009). Pinto (2012),
apresenta resultados que demonstram que cada planta tem sua própria adaptação às
condições climáticas predominantes em seu habitat. Condições térmicas ou hídricas,
quando excessivamente modificadas, causam a morte dessas plantas, geralmente devido
aos extremos incidentes. De acordo com Schwartz (1999), as relações fenologia-clima
também podem revelar os possíveis impactos das futuras mudanças climáticas.
Kramer et al. (2000), também concluíram que as diferenças nas respostas
fenológicas das espécies arbóreas às mudanças de temperatura podem ter consequências
a longo prazo em suas distribuições geográficas.
As culturas apresentam limites climáticos que afetam o seu crescimento,
desenvolvimento e produtividade. Há também fatores climáticos limitantes para a
produtividade que apenas são efetivos durante alguns dias, como no caso dos cereais e
árvores de fruto. Estes incluem valores de temperatura associados a fases fenológicas
específicas e que condicionam a formação de órgãos reprodutivos, como grãos e frutos
(BRAGA, 2009).
3.1.6 Caraterísticas de produtividade do trigo
Segundo a Associação Brasileira da Indústria do Trigo (ABITRIGO, 2017), o
trigo chegou às terras brasileiras em 1534, trazido por Martim Afonso de Souza, que
desembarcou na capitania São Vicente. O Brasil é responsável por menos de 1% do trigo
produzido no mundo e é o quarto maior importador mundial. A produção de trigo
concentra-se principalmente no Paraná e no Rio Grande do Sul, que juntos somam 87%
da produção nacional, o que não deixa dúvidas da importância dessas regiões no
abastecimento de trigo no país (CONAB, 2018).
Além disso, o trigo faz parte do seleto grupo de commodities agrícolas que domina
tanto a produção quanto o comércio mundial de grãos (CUNHA et al, 2011), sendo um
cultivo de ciclo anual e de inverno. A qualidade do grão de trigo pode ser definida como
resultado da interação que a planta sofre no campo, pelo efeito das condições do solo, de
12
clima, da incidência de pragas e doenças, manejo da cultura, do cultivar, bem como das
operações de colheita, secagem, armazenamento e moagem (VIECILI et al., 2011).
Entre os anos-safra 2007/2008 e 2016/2017, o Brasil foi responsável, em média,
por 0,8% da produção mundial de trigo. Os cinco maiores produtores no período foram a
União Europeia (20,6%), China (17,3%), Índia (12,5%), Rússia (8,3%) e Estados Unidos
(8,3%), somando 67% do total (USDA, 2018). Nesse mesmo período, o Brasil respondeu
por 4,63% do total de trigo importado, ocupando a terceira posição mundial, atrás do
Egito (6,98%) e Indonésia (4,81%). Somando-se a participação da Argélia (4,61%) e do
Japão (3,97%), tem-se 25% das importações totais (CONAB, 2018b).
O melhoramento de trigo no Brasil é feito, normalmente, utilizando indicações
gerais básicas de manejo comuns para todas as cultivares. Entretanto, para se atingir
potenciais de rendimento elevado no campo são necessários que ocorra uma combinação
ótima dos fatores de produção com o genótipo utilizado em cada situação de cultivo e
tipo de produtor (SCHEEREN, 2009). Dentro dos fatores de produção com enfoque na
genética da cultura do trigo, sabe-se que as características dos grãos dependem da
adaptação aos ambientes, com o uso e aperfeiçoamento das técnicas para produzir.
Interagindo juntamente com os fatores ambientais, é de extrema importância o
conhecimento sobre como afetará a qualidade e a produtividade do mesmo
(AKUTAGAWA et al, 2011).
O trigo plantado no Paraná é caracterizado pelo uso do plantio direto, sendo
mecanizado e sem uso de irrigação. Os produtores são, em sua vasta maioria, altamente
tecnificados: efetuam correção do solo, adquirem sementes específicas para a região,
fazem uso de fertilizantes, além de combaterem a pragas e doenças, que são
majoritariamente de origem fúngica. Além disso, ressalta-se que o cultivo do trigo
normalmente é antecedido pelo plantio de soja na safra de verão (CONAB, 2017). A
atividade agrícola por estar exposta às intempéries climáticas é uma atividade de alto
risco.
Para minimizar prejuízos relacionados ao clima, o Ministério da Agricultura,
Pecuária e Abastecimento (MAPA) desenvolveu o zoneamento agrícola de risco
climático (STEINMETZ et al, 2017). Na Figura 3 é possível visualizar a indicação dos
períodos de semeadura em cada município em cada município do Paraná com aptidão
para o cultivo de trigo segue o estabelecido pelo Zoneamento Agrícola de Risco Climático
do Mapa para a cultura de trigo (OKUYAMA, 2010).
13
Figura 3 - Zoneamento da cultura de trigo.
Fonte: IAPAR (2018).
Historicamente, os períodos de maior probabilidade de geada nas regiões tritícolas
do Paraná têm sua maior frequência entre 11 e 31 de julho. De modo geral, as cultivares
indicadas para cultivo no PR têm, no seu ciclo, um fator de fundamental importância na
decisão de época ideal de semeadura (RIEDE, 2008).
Portanto, em locais onde a ocorrência de geada tem sido mais frequente,
especialmente no Centro Oeste e Sudeste do Estado, nas semeaduras em que a emergência
de trigo e triticale ocorre no intervalo entre 11 de abril a 31 de maio, essas lavouras,
provavelmente, estariam espigando durante o mês de julho. Assim, aconselha-se o
escalonamento de épocas de semeadura e diversificação de cultivares para uma mesma
propriedade rural, mas sempre objetivando que as cultivares atinjam o pleno espigamento
até 1º de junho (CUNHA et al. 2015).
3.1.7 Regiões tritícolas do Paraná
Segundo Bassoi et al. (2016), o estado do Paraná tem três macrorregiões tritícolas
(MRTs), distribuídas da seguinte forma (Figura 4):
Limite Microrregião Guarapuava
14
• MRT 1: caracterizada como fria, úmida e de elevadas altitudes, abrangendo o
Centro-Sul e Sudeste do PR (Ponta Grossa, Campo Largo, Irati, Guarapuava,
Mangueirinha, Palmas, Lapa, etc.);
• MRT 2: moderadamente quente, úmida e de altitudes variadas, contemplando o
Sudoeste, Oeste, Centro-Oeste, Centro-Leste e Nordeste do PR (Cascavel, Toledo,
Palotina, Campo Mourão, Ivaiporã, Mauá da Serra, Wenceslau Braz, Tibagi, etc.);
• MRT 3: distinguida como quente, moderadamente seca e de baixas altitudes,
compreendendo o Norte e Noroeste do PR (Maringá, Londrina, Sertanópolis,
Cornélio Procópio, Jacarezinho, Cambará, etc.).
Figura 4 - Distribuição das três macrorregiões tritícolas no estado do Paraná.
Fonte: IAPAR (2014).
Segundo CONAB (2018), a colheita tem sua concentração nos meses de setembro,
outubro e novembro, enquanto a importação é constante durante todo o ano. O produtor,
ao tomar a decisão de plantio, conhece os impactos dos estoques de passagem, dos
resultados do trigo da safra anterior, os efeitos do processo de importação, os custos de
produção e o comportamento dos preços do trigo.
Limite Microrregião Guarapuava
15
3.1.8 Caraterísticas de produtividade do milho
Dentre os cereais cultivados no Brasil, o milho é o mais expressivo, com cerca de
54,37 milhões de toneladas de grãos produzidos, em uma área de aproximadamente 12,93
milhões de hectares (CONAB, 2010), referentes a duas safras: normal e safrinha. O Brasil,
na média dos últimos quatro anos (EMBRAPA, 2014), é o segundo maior produtor e
exportador mundial de milho. Nos últimos quatro anos-safra, o país exportou em média
32% do que produziu de milho. No âmbito nacional, a produção tem duas safras anuais e
concentra-se nas regiões Centro-Oeste e Sul, onde se destacam os estados de Mato Grosso
e Paraná como os maiores produtores de milho.
Entre os anos-safra 2007/08 e 16/17, o Brasil foi responsável, em média, por
8,09% da produção mundial de milho, situando-se na terceira posição. Os maiores
produtores foram Estados Unidos e China, com as médias de 35,47% e 21,6%,
respectivamente, segundo dados do USDA - Departamento de Agricultura dos Estados
Unidos (USDA, 2018). Os três países são responsáveis por cerca de 57% da produção
mundial. Nesse mesmo período, o Brasil foi responsável por 17,8% do total de milho
exportado, ocupando também a terceira posição mundial, logo atrás dos Estados Unidos
e da Argentina. Somando-se o volume de exportação destes três países com o quarto
colocado, a Ucrânia, tem-se 83,4% das exportações totais (CONAB, 2018) .
Na Região Sul, somente o Paraná tem duas safras. A colheita vai de janeiro a
setembro. O período de crescimento e desenvolvimento do milho é limitado pela água,
temperatura e radiação solar ou luminosidade. A cultura do milho necessita que os índices
dos fatores climáticos, especialmente a temperatura, a precipitação pluviométrica e o
fotoperíodo, atinjam níveis considerados ótimos, para que o seu potencial genético de
produção se expresse ao máximo (CRUZ et al., 2010). A cultura do milho é afetada pela
distribuição da disponibilidade de água ao longo do ciclo fenológico e a probabilidade
média de redução de produção por deficiência hídrica é de aproximadamente 50%
(WAGNER et al., 2013).
A escolha do genótipo para uma determinada região, assim como a época de
semeadura, (Figuras 5 e 6) deve ser fundamentada em fatores como finalidade da
produção, disponibilidade de calor e água, ocorrência de veranicos durante o ciclo, bem
como no nível tecnológico a ser adotado, entre outros (FANCELLI et al., 2000).
16
Figura 5 - Zoneamento da cultura de milho.
Fonte: IAPAR (2018).
O milho é cultivado em regiões cuja precipitação varia de 300 a 5.000 mm anuais,
sendo que a quantidade de água consumida por uma lavoura de milho durante o seu ciclo
está em torno de 600 mm. Dois dias de estresse hídrico no florescimento diminuem o
rendimento em mais de 20%, quatro a oito dias diminuem em mais de 50%
(EMABRAPA, 2010). O efeito da falta de água, associado à produção de grãos, é
particularmente importante em três estádios de desenvolvimento da planta: a) iniciação
floral e desenvolvimento da inflorescência, quando o número potencial de grãos é
determinado; b) período de fertilização, quando o potencial de produção é fixado; nessa
fase, a presença da água também é importante para evitar a desidratação do grão de pólen
e garantir o desenvolvimento e a penetração do tubo polínico; c) enchimento de grãos,
quando ocorre o aumento na deposição de matéria seca, o qual está intimamente
relacionado à fotossíntese, desde que o estresse vai resultar na menor produção de
carboidratos, o que implicaria menor volume de matéria seca nos grãos (LAGOAS,
2006).
Limite Microrregião Guarapuava
17
Figura 6 - Zoneamento da cultura de milho superprecoce.
Fonte: IAPAR (2018).
3.2 Modelagem Climática
3.2.1 IPCC - Painel Intergovernamental sobre Mudanças Climáticas
O Painel Intergovernamental sobre Mudanças Climáticas (IPCC) é o órgão
internacional para avaliar a ciência relacionada à mudança climática. Foi criado em 1988
pela Organização Meteorológica Mundial (OMM) e pelo Programa das Nações Unidas
para o Meio Ambiente (PNUMA) para fornecer aos legisladores avaliações regulares da
base científica das mudanças climáticas, seus impactos e riscos futuros e opções de
adaptação e mitigação (MASSON-DELMOTTE et al., 2018).
As avaliações do IPCC fornecem uma base científica para que os governos em
todos os níveis desenvolvam políticas relacionadas ao clima, e estão na base das
negociações na Conferência do Clima da ONU - a Convenção das Nações Unidas sobre
Mudança do Clima (UNFCCC). As avaliações são relevantes para a política, mas não
prescritivas à política: podem apresentar projeções de mudanças climáticas futuras
baseadas em diferentes cenários e os riscos que as mudanças climáticas representam e
discutir as implicações das opções de resposta, mas não dizem aos formuladores de
políticas quais ações devem ser tomadas (U.NATIONS, 2015) .
O IPCC incorpora uma oportunidade única de fornecer informações científicas
rigorosas e equilibradas aos tomadores de decisão, devido à sua natureza científica e
Limite Microrregião Guarapuava
18
intergovernamental. A participação no IPCC está aberta a todos os países membros da
OMM e das Nações Unidas. Atualmente, possui 195 membros (AMBRIZZI, 2014). O
Painel, formado por representantes dos Estados membros, reúne-se em sessões plenárias
para tomar decisões importantes. O Bureau do IPCC, eleito pelos governos membros,
fornece orientação ao Painel sobre os aspectos científicos e técnicos do trabalho e
aconselha sobre questões relacionadas à gestão e estratégicas (HULME; MAHONY,
2010).
As avaliações do IPCC são escritas por centenas de cientistas renomados que
dedicam seu tempo e experiência como Autores Coordenadores Líderes e Autores Líderes
dos relatórios. Eles recrutam centenas de outros especialistas como Autores Contribuintes
para fornecer conhecimentos complementares em áreas específicas. Os relatórios do
IPCC passam por várias rodadas de redação e revisão para garantir que sejam
abrangentes, objetivos e produzidos de maneira aberta e transparente (BUDESCU et al.,
2009).
Milhares de outros especialistas contribuem para os relatórios atuando como
revisores, garantindo que os relatórios reflitam toda a gama de opiniões da comunidade
científica. Equipes de Editores de Revisão fornecem um mecanismo de monitoramento
completo para garantir que os comentários de revisão sejam abordados (HULME;
MAHONY, 2010).
3.2.2 Modelos climáticos globais
A base para um modelo dinâmico é um conjunto de equações diferenciais
discretizadas que são integradas para frente no tempo a partir do estado atual,
representando uma condição inicial. O exemplo mais proeminente do uso de modelos
dinâmicos é sem dúvida um modelo de circulação geral (MCG) (JAJCAY et al. 2016).
Os modelos climáticos dividem o globo em uma grade tridimensional de células
que representam localizações geográficas e elevações específicas. Cada um dos
componentes (atmosfera, superfície terrestre, oceano e gelo marinho) tem equações
calculadas na grade global para um conjunto de variáveis climáticas, como temperatura
(ALVICH, 2009).
Um modelo climático global (MCGs) de acordo com Sampaio; Dias (2014) é uma
representação matemática complexa dos principais componentes do sistema climático
(atmosfera, superfície terrestre, oceano e gelo marinho) e suas interações. O balanço de
19
energia da Terra entre os quatro componentes é a chave para a previsão do clima a longo
prazo. Os principais componentes do sistema climático tratados em um modelo climático
são:
• O componente atmosférico, que simula nuvens e aerossóis, e desempenha um
papel importante no transporte de calor e água em todo o mundo.
• O componente da superfície da terra, que simula características da superfície,
como vegetação, cobertura de neve, água do solo, rios e armazenamento de
carbono.
• O componente oceânico, que simula movimento e mistura atuais e biogeoquímica,
já que o oceano é o reservatório dominante de calor e carbono no sistema
climático.
• O componente do gelo marinho, que modula a absorção da radiação solar e as
trocas de calor e água do ar com o mar.
• Clima
Os principais fatores responsáveis pela mudança climática e que contribuem para
o efeito estufa são o desmatamento, a alteração do uso do solo, o aumento da concentração
de GEE derivados do uso de combustíveis fósseis, entre outras atividades antrópicas
(OLESEN et al., 2014). Neste contexto, o Painel Intergovernamental sobre Mudanças
Climáticas (IPCC) surgiu como um organismo internacional responsável por reunir
informações referentes às mudanças climáticas, disponibilizando regularmente relatórios
de avaliação (AR), sendo o mais recente o AR5, emitido no ano de 2014 (LIMA, 2014).
Conforme consta no quarto relatório (AR4), já foi registrado um aumento de 0,74ºC
na temperatura média global. No entanto, este aumento é pequeno se confrontado com as
projeções derivadas dos modelos globais do IPCC-AR4 que projetam, em um cenário
mais pessimista, um aumento de 1,1 a 6,4ºC na temperatura até o fim do século XXI
(LÁZARO, 2014). Além disso, acredita-se que algumas consequências sobre o sistema
hidrológico, como eventos extremos de secas e/ou enchentes mais severas, possam causar
influencias nas vazões dos rios (FOWLER et al. 2007).
A Fase 5 do Projeto de Intercomparação de Modelos Acoplados (CMIP5) é um
protocolo experimental padrão para estudar a saída de modelos de circulação geral
acoplados oceano-atmosfera (MGCs). Ele fornece uma infraestrutura baseada na
comunidade em apoio ao diagnóstico, validação, Intercomparação, documentação e
acesso a dados do modelo climático. O objetivo desses experimentos é abordar questões
20
científicas pendentes que surgiram como parte do processo do Quarto Relatório de
Avaliação (AR4) do IPCC, melhorar a compreensão do clima e fornecer estimativas de
mudanças climáticas futuras que serão úteis para aqueles que consideram suas possíveis
consequências (STOCKER et al., 2013).
3.2.3 Modelos climáticos gerais de circulação
Os modelos climáticos, que contam com o uso de métodos quantitativos para simular
interações no sistema climático, são uma das ferramentas mais importantes para prever e
avaliar futuras projeções climáticas ou para estudar o clima do passado. Em geral, dois
tipos de modelos são usados principalmente: modelos dinâmicos e modelos estatísticos
(JAJCAY et al. 2016) . Laprise (2008), também observou que o clima é um dos sistemas
geofísicos mais desafiadores a serem simulados devido ao número de componentes que
interagem e à ampla gama de escalas temporais e espaciais de processos relevantes e sua
complexidade
Modelos gerais de circulação (MGCs) são uma ferramenta importante na avaliação
das mudanças climáticas. Estes modelos acoplados numéricos representam vários
sistemas terrestres, incluindo a atmosfera, os oceanos, a superfície terrestre e o gelo
marinho, e oferecem um potencial considerável para o estudo das alterações climáticas e
da variabilidade (TOGGWEILER; KEY, 2001).
Devido ao aumento da atividade humana, impulsionado por atividades econômicas e
desenvolvimentos tecnológicos, a análise dos sistemas climáticos está se tornando uma
tarefa cada vez mais complexa. A fim de melhor estimar o sistema climático, juntamente
com os MGCs, foram projetados diferentes cenários econômicos e demográficos
seguindo um conjunto de possibilidades de emissões baseados em Caminhos de
Concentração Representativa (Representative Concentration Pathway -RCPs), que são
derivados de cenários fornecidos pelo IPCC - Painel Intergovernamental sobre Mudanças
Climáticas (REIS-FILHO et al., 2002) .
O 5º Relatório de Avaliação (AR5) do IPCC recentemente publicado baseia-se nos
cenários de RCP8.5, 6, 4.5 e 2.6 Wm², que correspondem à variação do pessimista aos
otimistas cenários de emissão. Os MGCs utilizados no AR5, em geral, mostraram
melhora em relação aos MGCs anteriores utilizados em AR4, em particular as simulações
de precipitação sobre as áreas tropicais (CHOU et al., 2014).
21
Os Caminhos de Concentração Representativa (RCPs) auxiliam no
desenvolvimento de resultados de MGC que respondem por “… diferentes combinações
de futuros econômicos, tecnológicos, demográficos, políticos e institucionais…” (MOSS
et al. 2008) e são usados para “… iniciar simulações de modelos climáticos para
desenvolver cenários climáticos para uso em uma ampla gama de pesquisas e avaliações
relacionadas à mudança climática” (CARTER, 2000). Os RCPs são usados como insumos
para a modelagem climática e são afetados pelas concentrações de uma variedade de gases
de efeito estufa, bem como pelo uso da terra, poluição do ar, mudanças na tecnologia,
população, produção de energia e uma variedade de fatores adicionais (VAN VUUREN
et al., 2011).
A comunidade internacional de modelagem climática adotou quatro RCPs,
através do Painel Intergovernamental sobre Mudanças Climáticas (IPCC) visualizados no
Quadro 2 (CUBASCH et al., 2013). Os cenários mais recentes, usados no relatório do
IPCC de 2013, são chamados de Representative Concentration Pathways (RCPs)
(FARAG et al., 2016). Os cenários anteriores de gases de efeito estufa, usados nos
relatórios de 2001 e 2007 do IPCC, são descritos no Relatório Especial sobre Cenários de
Emissões (SRES) (JOSEPH ALCAMO et al., 2017).
Quadro 2 - Descrição dos caminhos de concentração representativa (RCPs).
RCP Descrição Concentração de CO2
(ppm) equivalente Percurso
Gravidade do
Cenário
Comparação
com SRES
2.6
Um pico radiativo de
aproximadamente 3 W/m ²
antes do ano de 2100, e
decaindo para 2.6 W/m² depois
do ano de 2100.
Pico de
aproximadamente 490
com declínio depois de
2100
Pico e declínio Baixo
Mais baixo que
todos os outros
cenários SRES
4.5 Estabilização sem ultrapassar
4.5 W/m² até o ano de 2100.
650 (estabilizado depois
de 2100)
Estabilização
sem ultrapassar.
Médio
a baixo
Similar ao SRES
B1
6.0 Estabilização sem ultrapassar.6
W/m² até o ano de 2100.
850 (estabilizado depois
de 2100)
Estabilização
sem ultrapassar.
Médio
a alto
Similar ao SRES
A1B
8.5
Cenário crescente resultando
em 8.5 W/m² até o ano de
2100, com radioatividade
crescente após o ano de 2100.
>1,370 em 2100 Crescendo Altíssimo
Superior ao
cenário SRES A2
(até o ano de
2100)
Fonte: Cubasch et al. (2013); IPCC (2007); Moss et al. 2010; van Vuuren et al. (2011).
22
Os cenários variam de RCP8.5, que corresponde a um cenário de “política não
climática” traduzindo-se em impactos severos da mudança climática, a RCP2.6, que é um
futuro exigindo uma política climática rigorosa para limitar as emissões de gases de efeito
estufa, traduzindo-se em impactos de baixa severidade (VAN VUUREN et al., 2011).
Dois cenários intermediários, RCPs 4.5 e 6.0, foram selecionados pelo IPCC para serem
espaçados uniformemente entre os RCPs 2.6 e 8.5 (Figura 7). Juntos, esses cenários
representam a gama de forças radiativas disponíveis na literatura revisada por pares no
momento de seu desenvolvimento em 2007 (TREUT et al., 2007).
O termo “representante” indica que os RCPs representam um conjunto maior de
cenários disponíveis na literatura. O termo “via de concentração” enfatiza que os RCPs
não são finalizados, mas sim totalmente integrados a cenários compostos por um conjunto
completo de projeções socioeconômicas, de emissões climáticas, e conjuntos de projeções
internamente consistentes dos componentes de radioatividade onde, ao contrário dos
cenários anteriores do SRES, o termo “concentração” enfatiza o uso de concentrações
como a saída dos RCPs para uso em modelos climáticos, ao invés de emissões (VAN
VUUREN et al., 2011).
Figura 7 - Médias globais de multi-modelos de aquecimento de superfície para os cenários RCPs.
Fonte: Quinto Relatório de Avaliação do IPCC, Resumo para os Formuladores de Políticas.
Fonte: CDIAC/GCP/IPCC/Fus et al 2014.
23
Os RCPs foram adotados pelo IPCC para a geração de resultados do modelo
climático para o quinto Relatório de Avaliação do IPCC (AR5). Anteriormente, os
cenários de mudança climática publicados no Relatório Especial do IPCC sobre Cenários
de Emissões (SRES) foram aplicados pela comunidade de modelagem climática para
representar diferentes cenários futuros de emissões de gases de efeito estufa (IPCC,
2000). Para fins de comparação, o RCP8.5 resulta em um cenário futuro de mudanças
climáticas um pouco mais severo do que o cenário SRES A2. O RCP2.6 fornece um
cenário que levaria a uma menor severidade das mudanças climáticas do que todos os
cenários SRES (CUBASCH et al., 2013).
Grotch; Maccracken (1991), sugeriram que, mesmo com muitas incertezas associadas
a modelos globais, continuam sendo ferramentas úteis capazes de fornecer informações
relevantes ao conduzirem avaliações de impacto climático. No entanto, eles permanecem
relativamente grosseiros na resolução e são incapazes de resolver recursos significativos
da escala de sub-redes, como topografia, nuvens e uso da terra. Modelos Climáticos
Regionais (RCM) e Estatístico aplicados em uma área limitada e conduzida por MGCs
podem fornecer informações em escalas muito menores, apoiando um impacto mais
detalhado e avaliação e planejamento de adaptação, o que é vital em muitas regiões
vulneráveis do mundo (GONZALEZ-APARICIO; ZUCKER, 2015).
3.2.4 Diferentes modelos climáticos utilizados mundialmente
Os modelos climáticos são códigos computacionais com centenas de milhares de
linhas, que representam aproximações numéricas de equações matemáticas,
representativas das leis da física que regem os movimentos da atmosfera e as interações
com a superfície. As aplicações incluem a simulação do clima passado (paleoclima), do
clima presente (passado recente), bem como estudos de sensibilidade para identificação
de processos e entendimentos físicos.
Os MCGs (Quadro 3), são a principal ferramenta para fornecer informações de
alterações climáticas utilizando diferentes cenários de emissões de GEE. No entanto, as
grades destes modelos possuem tamanhos de 200-100 km. Recursos locais, como
topografia, bacias hidrográficas e zonas costeiras não podem ser capturados nas
simulações realizadas por esses MCGs (CHOU et al., 2014).
24
Quadro 3 – Informações sobre cada modelo climático.
A previsão da variabilidade climática de curto prazo e sua mudança na escala
sazonal e decanal, na elaboração de projeções do clima futuro e redução da escala espacial
(downscaling) dessas projeções, têm como finalidade fornecer mais detalhamento nas
escalas regionais e locais (MARENGO et al., 2014). Sua função primária era entender a
dinâmica das componentes físicas do sistema climático (atmosfera, oceano, superfície e
gelo marinho) e elaborar projeções baseadas nas forçantes de GEE no futuro e aerossóis
(FILHO et al., 2015).
3.2.5 Modelos Climáticos Regionais
Os modelos climáticos regionais (RCMs) desempenham o importante papel de
reduzir as simulações climáticas globais para tamanhos de grade menores na área de
interesse, onde os estudos de impacto podem ser realizados. As simulações de RCMs com
tamanhos de grade de cerca de algumas dezenas de quilômetros são um compromisso
entre a resolução e a integração a longo prazo (CHOU et al., 2014).
Os esforços de modelagem regional são cruciais para entender os efeitos
cumulativos da mudança climática nos setores agrícolas e ecológicos da região e para
fornecer contexto a estudos de impacto nacionais e locais, bem como políticas e
programas de segurança alimentar, agricultura, mudança climática e conservação da
biodiversidade (HANNAH et al., 2017). Christensen (2007), também notou que projeções
regionais cada vez mais confiáveis de mudanças climáticas estão disponíveis para muitas
Modelo Complexidade Instituição País Publicações
CESM1-BGC
(CESM)GCM
National Center for
Atmospheric ResearchUSA Lindsay et al. (2014)
GFDL-ESM2M
(GFDL)GCM
Geophysical Fluid Dynamics
LaboratoryUSA Dunne et al. (2013)
GISS-E2-R-
TCADI (GISS)GCM
NASA Goddard Institute fo
space studiesUSA Dunne et al. (2013)
UVic ESCM 2.9
(Uvic)EMIC University of Victoria Canada Schmidt et al. (2014)
HadGEM2-ES
(HadGEM)GCM
Hadley Centre for
Climate Prediction and UK Collins et al. (2011)
IPSL-CM5A-LR
(IPSL)GCM
Institut Pierre Simon
LaplaceFrance Dufresne et al. (2013)
MPI-ESM-LR
(MPI)GCM
Max Planck Institut für
MeteorologieGermany Giorgetta et al. (2013)
Loveclim 1.3
(Loveclim)EMIC
Université catholique de
LouvainBelgium Goosse et al. (2010)
25
regiões do mundo devido aos avanços na modelagem e compreensão dos processos físicos
do sistema climático.
Os Modelos de Circulação Geral Atmosfera-Oceano (AOGCMs) continuam
sendo a base das projeções, enquanto as técnicas de ampliação de escala regional agora
fornecem detalhes adicionais valiosos. Enquanto os métodos de ampliação de escala
regional estatísticos tentam preencher a lacuna usando as funções de transferência
empíricas entre o modelo climático de resolução bruta e as condições climáticas locais, a
ampliação de escala dinâmica emprega modelos climáticos regionais (RCMs) de alta
resolução aninhados na saída do modelo global (KOTLARSKI et al., 2014).
3.2.6 Modelo do Sistema Terrestre - HadGEM2
Projeções climáticas úteis dependem de ter os modelos mais abrangentes e
precisos do sistema climático. No entanto, qualquer modelo único ainda terá limitações
em sua aplicação para certas questões científicas e é cada vez mais aparente que
precisamos de uma gama de modelos para abordar a variedade de aplicações. Existem
duas razões principais para isso. Primeiro, há incerteza inerente nas projeções, o que
significa que as estruturas de conjuntos são necessárias com muitas integrações de
modelos. Em segundo lugar, os avanços tecnológicos não acompanharam os avanços
científicos (MARTIN et al., 2011). Por essas razões, o Centro Hadley do Met Office
adotou uma abordagem flexível à modelagem climática baseada em “famílias” modelo,
dentro da qual define-se um conjunto de modelos que visam abordar diferentes aspectos
do problema de projeção climática. Todos esses modelos são configurações do sistema
de modelagem climática e meteorológica unificado do Met Office, o MetUM, que foi
desenvolvido usando uma abordagem de engenharia de software que atende aos diversos
requisitos de aplicações (STEVE et al., 2009).
A família de modelos do Modelo Ambiental Global Hadley versão 2 (HadGEM2)
foi projetada para o propósito específico de simular e entender a evolução da escala
climática, incluindo retornos biogeoquímicos. A configuração do sistema da Terra é a
primeira no Centro Hadley do Met Office a ser executada sem a necessidade de correções
de fluxo (COLLINS et al., 2011).
O HadGEM2-ES utiliza-se de um calendário hipotético, no qual, cada ano possui 12
meses com 30 dias cada mês, ou seja, um calendário de 360 dias/ano. As variáveis
26
utilizadas como condição inicial e de contorno para o modelo Eta-20 km são umidade
específica, temperatura, pressão ao nível médio do mar e à superfície e vento horizontal.
Os resultados indicam que o modelo HadGEM2-ES instalado no INPE fornece
resultados satisfatórios em comparação com o seu original no UK Met Office. Além disso,
o modelo HadGEM2-ES consegue simular de modo bastante satisfatório o clima sobre a
América do Sul, apresentando alguns erros como uma tendência a subestimar a
temperatura à superfície, mas reproduzindo bem padrões de precipitação em regiões como
a zona de convergência do Atlântico Sul (ZCAS) (BAXTER et al., 2008).
3.2.7 Variabilidade climática
A variabilidade climática é definida por White et al.(2001), como “variações no
estado médio e outras estatísticas (tais como desvios-padrão, a ocorrência de extremos,
etc.) do clima em todas as escalas temporais e espaciais além daquelas dos eventos
climáticos individuais.” Assim, a medida do CV também é medida da mudança climática
(ALLEY, 2004). Stull (1988), sugeriu que a variabilidade climática é impulsionada por
fenômenos como circulações da baixa atmosfera, correntes de jato, correntes oceânicas
superficiais e circulação termohalina. Diferenças de temperatura (termo) e salinidade
(halina) da água, resultando em variações de densidade, que resulta em um movimento
vertical, responsável pela circulação oceânica profunda.
Estudos relatam mudanças significativas no clima em todo o planeta (TREUT et
al., 2007), reconhecendo uma mudança climática global em curso na qual os elementos
temperatura do ar e precipitação parecem ser os mais afetados (COELHO; STEINKE,
2012). Sartori (2003), também notou que essas mudanças têm manifestações regionais
muito diversas, com variadas magnitudes e distribuições espaciais nos padrões de
precipitação, mudanças de temperatura, aumento do nível do mar, etc.
As culturas respondem às médias meteorológicas e extremos, representadas pela
temperatura e precipitação. Essa perspectiva considera o clima como uma estatística
climática de longo prazo. Os agricultores usam quantidades tais como os graus de
crescimento e a duração da estação de crescimento para traduzir esta informação
meteorológica para informação sobre a qual podem agir (PIELKE et al., 2007). Sparks et
al. (2011), sugeriram que a temperatura é o fator mais importante que influencia a taxa de
desenvolvimento da cultura durante todo o ciclo de vida e, em última análise, afeta o
rendimento biológico e econômico.
27
De acordo com Giorgi (2005), as mudanças no clima global médio são
determinadas principalmente pelo orçamento radiativo do sistema acoplado atmosfera-
oceano-terra, modulado por retornos não-lineares internos e modos de variabilidade.
Portanto, um forçamento radiativo global positivo (por exemplo, devido a GEE)
geralmente resulta em aquecimento global e em um aumento da precipitação global em
resposta ao aumento da evaporação das superfícies terrestre e oceânica mais quentes
(HEGERL et al., 2003). Isso é mostrado por todas as simulações de modelos globais
(BRINKOP et al., 2001).
Mudanças significativas nos extremos de chuvas e períodos de seca também são
projetadas. Marengo et al. (2009), também notaram o aumento da intensidade de eventos
extremos de precipitação na maior parte do sudeste da América do Sul e oeste da
Amazônia, consistente com as projeções de aumento nas chuvas totais nessas regiões. O
Instituto Nacional de Meteorologia (INMET) representa o Brasil junto à Organização
Meteorológica Mundial (OMM) e, por delegação desta Organização, é responsável pelo
tráfego das mensagens coletadas pela rede de observação meteorológica da América do
Sul e outros centros meteorológicos que compõem o sistema de vigilância meteorológica
mundial (SUGAHARA, 2003).
O INMET produz diariamente mapas pluviométricos acumulados em 24 horas, que
permitem, além da verificação diária de precipitação para todo o Brasil, avaliações das
precipitações diárias de todos os dias do último mês e chuvas acumuladas dos últimos 3,
5, 10 e 16 dias (INMET, 2014). No INMET Weather Database é possível verificar dados
meteorológicos diários em formato digital a partir de séries históricas das várias estações
meteorológicas convencionais da rede da estação INMET com milhões de informações
referentes a medições diárias de acordo com as normas técnicas internacionais da
Organização Meteorológica Mundial (Figura 8).
28
Figura 8 - Precipitação acumulada 1981-2010 (mm).
Fonte: INMET (2018).
3.3 Geomática aplicada a modelagem de dados
3.3.1 Sistema de informações geográficas (SIG)
Tomar decisões com base na geografia é básico para o pensamento humano. Ao
entender a geografia e o relacionamento das pessoas com a localização, podemos tomar
decisões informadas sobre a maneira como vivemos em nosso planeta. Um sistema de
informação geográfica (SIG) é uma ferramenta tecnológica para compreender a geografia
e tomar decisões (ESRI, 2012).
Depois de passar em revista várias definições de SIG faz uma nova proposta de
definição (CHRISMAN, 1999), sendo a atividade organizada pela qual as pessoas: podem
medir aspectos de fenômenos e processos geográficos;
• Representar essas medidas, geralmente na forma de um banco de dados de
computador, para enfatizar temas, entidades e relacionamentos espaciais;
• Operar com base nessas representações para produzir mais medições e descobrir
novas relações, integrando fontes díspares; e
29
• Transforme essas representações para se adequar a outras estruturas de entidades
e relacionamentos.
As definições típicas de Sistemas de Informações Geográficas referem-se à sua
capacidade de inserir, gerenciar, analisar, mapear e fornecer digitalmente saídas
estatísticas relacionadas a dados espaciais. Eles geralmente gastam tinta considerável
detalhando o hardware, o software e os procedimentos comumente rotulados como SIG.
O comum thread é a ligação da informação à sua localização geográfica, através dos
poderes analíticos e de gestão de dados fornecidos pela tecnologia informática (BAILEY;
SCHICK, 2009).
Um bom programa SIG é capaz de processar dados geográficos de uma variedade
de fontes e integrá-los em um projeto de mapa. Não apenas qualquer mapa - mapas
digitais inteligentes possibilitados pela tecnologia do sistema de informações geográficas
(SIG). Mesmo as pessoas que nunca usaram mapas para analisar dados estão descobrindo
que os mapas tornam as informações de processamento muito mais fáceis e mais eficazes
(ESRI, 2012).
3.4 Análise do uso da terra agrícola utilizando SIG e AHP
Com o aumento da população, assim como as atividades humanas, a pressão sobre
o solo foi intensificada (BANDYOPADHYAY et al., 2009). É fato conhecido que o uso
racional e sustentável de recursos naturais insubstituíveis, como o solo, é um dos
indicadores mais importantes do crescimento econômico. De fato, a Comissão Mundial
sobre Meio Ambiente e Desenvolvimento associou a adequação da terra ao
desenvolvimento sustentável e o definiu como uma resposta às necessidades do presente,
sem comprometer a capacidade das gerações futuras de satisfazer suas próprias
necessidades (FEIZIZADEH; BLASCHKE, 2013). A análise de adequação do uso da
terra é o processo de determinar a adequação de uma dada área de terra para um certo tipo
de uso (agricultura, floresta, recreação, etc.) e o nível de adequação. Uma parte importante
deste processo é a determinação dos critérios que afetam a adequação da terra (AL-
SHALABI et al., 2006).
Geoprocessamento é uma área de pesquisa inovadora dentro do campo de SIG e
análise geoespacial. Por esta razão, é fortemente influenciado pelos desenvolvimentos
recentes em programação, processamento de dados e design de interface. Em nenhum
30
lugar isso é mais óbvio do que na preocupação com a modelagem de processos dinâmicos
(SMITH; GOODCHILD; LONGLEY, 2009).
O uso de métodos SIG Multicritérios de Tomada de Decisão (MCDM) permite ao
usuário derivar conhecimento de diferentes fontes, a fim de apoiar o planejamento e o
gerenciamento do uso da terra (Malczewski, 2004). A abordagem de avaliação
multicritério com base nas regras de decisão do SIG (RESHMIDEVI et al.,2009) pode
reduzir o número de fatores usados na análise de adequação da terra. Uma técnica
multiatributo que foi incorporada ao procedimento de adequação do uso da terra baseado
em SIG é o processo de hierarquia analítica (AHP) (MURAYAMA, 2014). Esta é uma
abordagem dupla realizada em um ambiente SIG. Primeiro, ele pode ser empregado para
derivar os pesos associados às camadas de mapa de adequação (atributo). Os pesos podem
então ser combinados com as camadas do mapa de atributos de uma maneira similar
àquela usada nos métodos de combinação de aditivos lineares (MALCZEWSKI, 2004).
3.4.1 Processo de Hierarquia Analítica
A análise do índice de aptidão do solo é o processo de determinar a aptidão de
uma dada área de solo para um certo tipo de uso (agricultura, floresta, recreação, etc.) e
o nível de adequação necessário. Uma parte importante deste processo é a determinação
dos critérios que afetam a adequação da terra (AL-SHALABI et al., 2006).
A presença de vários e múltiplos critérios torna a análise de aptidão do uso do solo
cada vez mais complexa porque, para apoiar o uso a longo prazo de um pedaço de solo
sem deterioração, critérios como os custos socioeconômicos e ambientais e as
consequências devem ser levados. em consideração, além das propriedades inerentes
dessa unidade de solo (BANDYOPADHYAY et al., 2009).Além disso, entende-se que
não há um padrão definido quanto aos critérios a serem levados em consideração ao
avaliar o índice de aptidão agrícola do solo para a agricultura e que os critérios usados em
estudos semelhantes são geralmente aqueles que são acessíveis (AKINCI; ÖZALP;
TURGUT, 2013).
Nestes tipos de estudos, as propriedades topográficas e do solo são amplamente
utilizadas. Por exemplo Wang (1994), relatou que a validação da aptidão agrícola do solo
envolve a análise de uma grande variedade e quantidade de aspectos fisiográficos,
incluindo características climáticas (temperatura e precipitação), características internas
31
do solo (temperatura, umidade, aeração, fertilidade, profundidade, textura e salinidade) e
características externas do solo (declividade, inundação e acessibilidade).
Perveen et al. (2005) utilizaram os parâmetros de textura do solo, umidade do
solo, consistência do solo, pH do solo, drenagem do solo, teor de matéria orgânica e
declividade na análise de aptidão agrícola do solo. Enquanto Bolca et al. (2013) incluíram
os parâmetros de classe de uso do solo, profundidade do solo, propriedades limitantes do
solo, drenagem, erosão, declividade, aspecto, presença de água, precipitação,
temperatura, cobertura vegetal e transporte na aptidão agrícola do solo, Akbulak (2010)
utilizou os parâmetros de declividade, erosão, profundidade do solo, propriedades
limitantes do solo, elevação e proximidade de estradas.
Para determinar a aptidão agrícola do solo, Bandyopadhyay et al. (2009)
utilizaram os parâmetros de textura do solo, teor de matéria orgânica, profundidade do
solo, declividade e uso da terra / cobertura do solo. Finalmente, em uma aptidão agrícola
do solo conduzida em Tabriz, Irã para produção agrícola, Feizizadeh; Blaschke (2012)
usaram um total de 8 fatores causais (elevação, declividade, aspecto, fertilidade do solo,
pH do solo, temperatura, precipitação e água subterrânea), foram determinados dentro de
quatro critérios principais que determinaram (nomeadamente, topografia, clima,
propriedades do solo e recursos hídricos). Como estabelecido acima, para aptidão agrícola
do solo, muitos critérios precisam ser considerados em conjunto. Como nem todos os
critérios que afetam a aptidão agrícola do solo têm níveis iguais de significância, vários
métodos foram usados para determinar os pesos desses critérios e os escores dos
subcritérios (PRAKASH, 2003). Por exemplo, Perveen et al. (2007), que objetivaram
determinar a aptidão física para culturas de arroz, integraram Sistemas de Informação
Geográfica (SIG) com a abordagem de avaliação multicriterial e utilizaram o processo de
hierarquia analítica (AHP) na aplicação. Em outro estudo no qual os métodos SIG e AHP
foram integrados, Feizizadeh; Blaschke (2012), que investigaram o uso ótimo dos
recursos terrestres para a produção agrícola, realizaram análises de aptidão agrícola do
solo baseadas em SIG usando o método AHP. Além disso, Mokarram (2016)
apresentaram uma avaliação multicriterial de aptidão do solo baseada em SIG usando o
método Ordered Weight Averaging (OWA) - Peso Médio Ordenado, com uma
abordagem de quantificador difuso para a agricultura.
O método AHP é uma das abordagens de decisão de múltiplos critérios que são
comumente usadas na análise de aptidão agrícola do solo. O processo de hierarquia
analítica (AHP) é uma abordagem mulcriterial de tomada de decisão introduzida por
32
Saaty (1977, 2004). O AHP atraiu o interesse de muitos pesquisadores principalmente
por causa das propriedades matemáticas efetivas do método (MANN, 1995). Uma das
abordagens de análise multicritério mais amplamente conhecidas e usadas, o método AHP
permite aos usuários determinar os pesos dos parâmetros na solução de um problema
multicritério.
No método AHP, um modelo hierárquico que consiste em objetivos, critérios,
subcritérios e alternativas é usado para cada problema (SAATY, 1990). Depois que o
problema é definido em uma estrutura hierárquica, os pesos dos critérios que formam a
hierarquia são calculados (ÖZTÜRK E BATUK, 2010).
33
4 Material e Métodos
4.1 Caracterização da área de estudo.
O estado do Paraná está situado na região Sul do Brasil, abrangendo 199.880,200
km², cerca de 2,34% do território brasileiro (IPEA, 2015) (IPARDES, 2017), sendo
composto por 10 mesorregiões, as quais se subdividem em 39 microrregiões e compõem
399 municípios, conforme se observa na Figura 9.
Figura 9 - Localização do estado do Paraná e divisão por mesorregiões.
Fonte: IBGE (2014).
Em termos populacionais, de acordo com os censos de 2000 e 2010 realizados pelo
IBGE (2004), no ano de 2000 havia 9.563.458 habitantes no Paraná, dos quais 81,41%
caracterizavam-se como população urbana e 18,59% como população rural. Em 2010, o
Paraná detinha 10.444.526 habitantes, dos quais 85,33% encontrava-se no meio urbano e
14,67% no meio rural. Desse modo, em 2010 o Paraná possuía 5,47% da população
brasileira, caracterizando uma densidade demográfica de 52,4 habitantes/km², média
elevada se comparada às de grande parte dos estados brasileiros e à média nacional.
A Microrregião Geográfica de Guarapuava faz parte da mesorregião geográfica
Centro-Sul Paranaense (Figura 10), abrangendo 1.448.604 hectares do estado. Possui
34
como característica histórica a constituição de grandes propriedades rurais, apresentando
significativa concentração em termos de estrutura ocupacional no meio rural (IPARDES,
2017).
Figura 10 - Microrregião de Guarapuava no estado do Paraná.
Fonte: IBGE (2014).
Com bases nos censos realizados no ano de 2000 e 2010 (IBGE, 2015), estimava-
se que em 2000 havia na microrregião de Guarapuava 363.645 habitantes, 3,8% da
população paranaense, sendo que 65,3% habitavam no meio urbano e 34,7% no meio
rural. Em 2010 havia 378.086 habitantes, 3,62% da população paranaense, sendo que
69,45% residia no meio urbano e 30,55% no meio rural.
4.1.1 Características Econômicas e Agrícolas
Referente a economia, em 1999, o PIB da microrregião de Guarapuava representava
2,86% do PIB paranaense, sendo a 9º maior microrregião em termos de representação
perante o PIB. Já em 2012, a microrregião de Guarapuava representava 2,44%, do PIB,
ainda se mantendo com a 9º posição. Por sua vez, o PIB per capita da microrregião de
Guarapuava no ano de 2002 era de R$ 14.935,98, ocupando a 19º posição em relação a
35
todas as microrregiões paranaenses. Já em 2012, o valor passa a ser de R$ 16.391,00,
passando a ocupar a 27º posição.
Na região de Guarapuava, a prática da agricultura familiar possui significativa
representatividade. Segundo dados do Censo Agropecuário do ano de 2006, a
microrregião de Guarapuava apresentava 296.101 hectares de área ocupada com a
agricultura familiar, com cerca de 20.153 estabelecimentos. Muitos dos municípios
pertencentes à microrregião de Guarapuava possuem economia quase que exclusivamente
rural, e para algumas pessoas residentes na região a prática da agricultura familiar ainda
é o principal meio de sustento (BASTOS; FAJARDO, 2014). Segundo estes mesmos
autores, Guarapuava teve seu processo de modernização agrária vinculado à instalação
de empresas como a Cooperativa Agrária Agroindustrial e a Agrogen Desenvolvimento
Genético, que são duas das mais importantes empresas existentes na região, responsáveis
por uma significativa parcela da dinâmica econômica do município.
4.1.2 Área de estudo.
Em termos geográficos, a microrregião de Guarapuava é composta por 18
municípios: Campina do Simão, Candói, Cantagalo, Espigão Alto do Iguaçu, Foz do
Jordão, Goioxim, Guarapuava, Inácio Martins, Laranjeiras do Sul, Marquinho, Nova
Laranjeiras, Pinhão, Porto Barreiro, Quedas do Iguaçu, Reserva do Iguaçu, Rio Bonito do
Iguaçu, Turvo e Virmond, representando aproximadamente 8,1% do território
paranaense, melhor visualizado na Figura 11.
No Tabela 1, é possível observar as áreas correspondentes a cada município, sendo
a coluna Área (ha) representa o valor da área do município e a coluna Área % representado
a porcentagem de área que o respectivo município abrange dentro da microrregião de
Guarapuava.
36
Figura 11 - Municípios que compõe a Microrregião de Guarapuava.
Fonte:Autor, adaptação shape files IBGE (2018).
Tabela 1- Áreas correspondentes aos municípios pertencentes a Microrregião de Guarapuava.
Fonte: IBGE (2018).
O cálculo das áreas dos municípios foi realizado a partir de arquivos Shapefiles
disponíveis para download no site do IBGE em https://downloads.ibge.gov.br/.
Turvo 81.748 5,64
9 Laranjeiras do Sul 53.710 3,71 18 Virmond 21.820 1,51
8 Inácio Martins 82.770 5,71 17
Reserva do Iguaçu 75.150 5,19
7 Guarapuava 282.474 19,50 16 Rio Bonito do Iguaçu 62.960 4,35
6 Goioxim 62.236 4,30 15
Porto Barreiro 33.020 2,28
5 Foz do Jordão 21.911 1,51 14 Quedas do Iguaçu 73.520 5,08
4 Espigão Alto do Iguaçu 35.120 2,42 13
Nova Laranjeiras 106.675 7,36
3 Cantagalo 53.225 3,67 12 Pinhão 180.118 12,43
2 Candói 137.084 9,46 11
Área %
1 Campina do Simão 39.783 2,75 10 Marquinho 45.280 3,13
Município ha Área % Município ha
1 17
7
8
12 15
2
6 3
10 11
9
16
4
14
5
13
18
37
4.2 Metodologia de processamento de dados
Alguns materiais e métodos de processamento de dados foram comuns a todos os
objetivos específicos propostos na pesquisa, estes serão descritos inicialmente visando
evitar repetições nas demais etapas da metodologia. As fases de desenvolvimento da
pesquisa podem ser melhor visualizadas no fluxograma da metodologia de processamento
de dados (Figura 12). Neste estudo foi utilizado o Sistema de Informações Geográficas
(SIG) ArcGIS versão 10.3, software desenvolvido pela Esri - Environmental Systems
Research Instituteb, mundialmente conhecido no processamento de dados
Georreferenciados.
Os dados climáticos utilizados para o cenário base (1970-2000) e para os cenários
RCP4.5 e RCP8.5 (2041-2060) foram provenientes do WorldClim (Global Climate Data).
Figura 12 - Fluxograma da metodologia de processamento de dados.
Características Produtivas da Cultura
38
Os dados climáticos são referidos como o banco de dados "WorldClim versão 2" e
estão disponíveis para download, no formato grid, em http://worldclim.org/. Os dados de
solo utilizados foram provenientes da plataforma ISRIC - The World Data Centre for
Soils (WDC-Soils), onde as principais fontes de informações são compilações globais de
dados de perfis de solo e camadas ambientais a uma resolução de 1 km; e estão
disponíveis para download em http: //www.worldgrids.org (HENGL et al., 2014). Foram
utilizados dados de relevo e topografia da Embrapa (Empresa Brasileira de Pesquisa
Agropecuária), disponíveis para download no site da Embrapa em
https://www.cnpm.embrapa.br/projetos/relevo/download.
Os dados de variáveis climáticas foram inseridos no banco de dados SIG, adotando
o sistema GCS WGS-84 de coordenadas geográficas (Latitude e Longitude), com
resolução espacial de 30” de arco (0,0110833 graus decimais) proporcionando uma
resolução aproximada de 1Km² recomendável para aplicações regionais, garantindo desta
maneira a qualidade e precisão das informações apresentadas neste trabalho. As variáveis
e suas respectivas unidades são médias mensais de Temperatura média (°C), precipitação
(mm/dia), temperatura máxima (°C), temperatura mínima (°C), radiação solar (W/m²) e
umidade relativa (%).
É importante considerar que devido à formatação, arredondamento e apresentação
dos resultados, ponderou-se apenas os valores mais representativos para cada cenário
climático, sendo assim foram desconsideradas variações de precipitação e temperatura
inferiores a 300 hectares. Importante também salientar que todos os mapas foram gerados
no ArcGIS versão 10.3, software desenvolvido pela Esri, e visando publicações
internacionais, os mesmos foram referenciados ao sistema WGS1984. No Brasil adota-se
o referencial SIRGAS2000, segundo IBGE (2006), na Resolução do Presidente do IBGE
nº 01, de 25 de fevereiro de 2005, o WGS84 e o SIRGAS2000 podem ser considerados
atualmente equivalentes.
Para avaliação dos 03 cenários considerados na área de estudo, foram
estabelecidos índices relativos para as variáveis temperatura e precipitação pluvial. Estes
foram determinados considerando o valor proporcional da área abrangida pelos diferentes
intervalos estabelecidos para cada variável no tempo devido (ciclo da cultura ou período
anual) em relação à área total, e sua proporção entre valores calculados para os diferentes
anos (cenários) avaliados. Os intervalos de temperatura variaram a cada 2 oC entre 10 e
26 oC, e os intervalos de precipitação variaram a cada 30mm no intervalo entre 60 e 270
mm, de acordo com banco de dados do local.
39
A avaliação destes coeficientes foi realizada utilizando o coeficiente (r) de
Pearson, que foi determinado e representado graficamente por análise de dispersão com
uso do software Origin, versão 8. A interpretação da relação linear representada por (r)
foi realizada conforme Cohen (1988) sendo r<0,1 = insignificante, de 0,1 a 0,39 = fraca,
de 0,40 a 0,70 = moderada e > 0,70 = forte.
4.3 Projeções regional climática para a Microrregião de Guarapuava
4.3.1 Cenário base (1970-2000).
Considerou-se como cenário base os dados de 30 anos compreendidos entre o
intervalo de tempo de 1970 a 2000, disponíveis o banco de dados "WorldClim versão 2”.
Os dados das variáveis climáticas foram inseridos no banco de dados SIG, adotando o
sistema de coordenadas geográficas latitude e longitude, com resolução espacial de 0,5°
x 0,5°. Foram gerados os mapas de precipitação e temperatura média para as médias
mensais para a microrregião de Guarapuava. Os mapas foram analisados mês a mês e
foram identificados os municípios que apresentaram maiores variações de temperatura
média do ar e precipitação pluvial media. Para auxiliar a análise dos resultados, além das
figuras com as médias mensais de precipitação e temperatura, foram gerados quadros
mensais específicos para cada município.
.
4.4 Análise de Múltiplos Critérios na estimativa de aptidão agrícola
Para estimar o índice de aptidão agrícola das culturas de trigo e milho, foram
utilizados atributos ambientais considerando 3 variáveis principais: Solo, Topografia e
Clima. Foi utilizado o método Análise de Múltiplos Critérios (MCA) (SPOSITO et al.,
2013), no qual os atributos com seus componentes são ponderados utilizando o Processo
de Hierarquia Analítica (AHP). Neste procedimento são levadas em consideração a época
de cultivo e as diferentes caraterísticas fenológicas, foram desenvolvidas estruturas de
analise MCA específicos para ambas as culturas.
A primeira etapa da MCA é dedicada a definição e montagem da estrutura da arvore
de variáveis, e posteriormente a ponderação dos atributos para cultura trabalhada na
pesquisa. No caso da variável “solo” seu valor na estrutura final para o cálculo do índice
de aptidão agrícola foi ponderado de acordo com o método desenvolvido e aplicado nas
40
pesquisas do CERRF - Centre for Regional and Rural Futures; Faculty of Science,
Engineering and Build Environment da DEAKIN University (MRAZOVA et al., 2017).
Após a montagem da estrutura MCA foram gerados mapas para os diferentes atributos de
solo e estes foram analisados individualmente com a finalidade de avaliar a qualidade das
informações.
Para a variável solo foram utilizados dados provenientes da plataforma ISRIC - The
World Data Centre for Soils (BATJES, 1995). Estes dados (Figura 13) foram comuns as
culturas de trigo e milho, porém os valores de ponderação de seus atributos foram
distintos para cada cultura em questão levando em consideração suas características
fenológicas.
Os atributos utilizados foram os seguintes:
• pH CaCl2 para superfície do solo (0- 0,10m);
• pH CaCl2 para a camada de subsuperfície (0 – 0,30m);
• CTC para a camada de subsuperfície (0 – 0,30m);
• MO para a camada de subsuperfície (0 – 0,30m);
• Textura para a camada de subsuperfície (0 – 0,30m);
• Profundidade de Rocha;
• Profundidade efetiva.
Figura 13 – Estrutura organizacional dos atributos de solo.
41
Após a definição dos atributos da variável solo foram gerados (grids) mapas para
visualizar a distribuição geoespacial do valor dos atributos considerados. verificou-se que
tais valores se apresentaram próximos aos dados apresentados por Ribas (2010).
Para a variável Topografia foram considerados os seguintes atributos: Declive,
Aspecto e Altitude (Figura 14).
Figura 14 - Atributos da variável topografia.
A variável Clima foi dividida em dois atributos principais, sendo estes Temperatura
e Precipitação (Figura 15), e posteriormente esses atributos foram ponderados de acordo
com as caraterísticas fenológicas e necessidades hídricas de cada cultura (CUNHA;
CAIERÃO; ROSA, 2015).
Figura 15 -Atributos do variável clima
4.4.1 Análise de Múltiplos Critérios aplicada as culturas de trigo e milho.
A análise de muilticritérios para a cultura do trigo e milho foi realizada
considerando 3 variáveis principais: Solo, Topografia e Clima. Os atributos foram
ponderados utilizando o Processo de Hierarquia Analítica (AHP). Os valores médios
fixados para a variação dos os atributos foram ajustados considerando-se características
Vertente
42
eco fisiológicas das culturas e ponderados com informações agronômicas verificadas na
literatura (BASSOI; SILVA, 2016; LIBARDI; COSTA, 1997; MOLSSATO et al., 2016;
MOHANTY et al., 2012; FERREIRA et al., 2006; FERNANDES et al., 2011; LAGOAS,
2006). Para a variável Solo, os valores dos atributos considerados podem ser melhor
visualizados na Figura 16. Foi aplicada a mesma metodologia para ponderação AHP para
ponderação dos atributos variáveis Topografia (Figura 17), e para a variável Clima
(Figura 18). O resultado final para a MCA utilizando AHP, considerando todas as
variáveis envolvidas para as culturas de trigo e milho podem ser melhor visualizadas
respectivamente nas Figuras 19 e 20.
Figura 16 - Ponderação dos atributos nas variáveis de solo.
43
Figura 17 - Ponderação dos atributos nas variáveis de topografia.
44
Figura 18 - - Ponderação dos atributos do variável clima.
45
Fig
ura
19
- A
nál
ise
de
Múlt
iplo
s C
rité
rio
s ap
lica
da
a cu
ltura
de
trig
o.
46
Fig
ura
20
- A
nál
ise
de
Múlt
iplo
s C
rité
rio
s ap
lica
da
a cu
ltura
de
mil
ho
.
47
A Análise de Múltiplos Critérios (MCA) é uma metodologia comumente utilizada
para desenvolver os modelos de adequação matemática acima mencionados. Utilizando a
aptidão agrícola como proxy para os rendimentos de culturas que determinam os valores
de todos os atributos ambientais subjacentes (SPOSITO et al. 2013; ROMEIJN et al.
2016). Considerando três variáveis principais: Solo, Topografia e Clima, com pesos
atribuídos dependendo de sua influência sobre o crescimento e rendimento das culturas.
Essas variáveis são subdivididas em vários outros atributos, cujas faixas de valores são
definidas para atender ao rendimento ótimo, com índices que variam de 0,0 a 1,0,
dependendo do Índice de aptidão agrícola de 0% a 100%.
Os atributos com seus critérios são analisados usando um Processo de Hierarquia
Analítica (AHP) desenvolvido por Saaty (1987). As análises de IAP e são incorporados
em um ambiente SIG, produzindo uma representação espacial dos resultados, trabalhando
com Grids, e utilizando a ferramenta de sobreposição ponderada (Weighted Overlay) de
todos os atributos e seus respectivos valores (FERRETTI; POMARICO 2013;
MALCZEWSKI 2004; DUJMOVIC et al. 2009, BATHRELLOS et al., 2013).
Os modelos são desenvolvidos para múltiplos períodos de tempo, sendo o
primeiro um clima normal ou uma linha de base e projeções futuras. O cenário base
representa um clima atual pela média dos valores de dados históricos medidos de um
período de 1990-2000. Considerado um foco para a agricultura da área de estudo as
projeções foram modeladas para o ano de 2050.
4.5 Implicações do clima para a Microrregião de Guarapuava:
Foram escolhidos dois cenários para a microrregião de Guarapuava, RCP4.5 (mais
otimista) e RCP8.5 (mais pessimista), para o cenário futuro de 2050 (2041-2060). Os
mapas de cenários futuros são resultantes da média das respostas de seis modelos
climáticos globais de previsões futuras: CCSR/NIES.CGCM2, CSIRO-Mk2, ECHAM4,
GFDL-R30 e HadCM3 (MENDES et al., 2014), disponibilizados para download, no
formato grid, em http://worldclim.org/.
4.6 Comparação dos resultados com os históricos de produção
Nesta etapa foi realizado um processo de comparação entre os resultados de
produção obtidos por estimativa a partir dos Índices de Aptidão Agrícola calculados e os
48
dados reais de produção das culturas de trigo e milho informados pela SEAB - Secretaria
da Agricultura e do Abastecimento. Os cálculos foram realizados para os anos de 2000,
2005 e 2010, definidos por serem de período relativamente recente, o que representa uma
certa homogeneidade regional referente a características agrícolas, como manejo do solo,
adubação, cultivares, tratos culturais, dentre outros.
Para este período as informações climáticas ainda não estão disponíveis no
Wordclim. Por este motivo foram obtidas junto ao banco de dados da rede de estações
agrometeorologias do Instituto Agronômicos do Paraná – IAPAR. Como na região de
estudo somente os municípios de Guarapuava, Laranjeiras do Sul e Quedas do Iguaçu
fazem parte da rede agrometeorológica do IAPAR, fez-se necessário calcular um
microclima regional com a elaboração de um grid a partir dos dados disponíveis para
municípios vizinhos a microrregião de Guarapuava (Figura 21).
Os cálculos dos grids de precipitação pluvial média mensal e temperatura média
mensal do ar para os anos de 2000, 2005 e 2010, foram executados no Software ArcGIS,
utilizando a ferramenta Spatial Analyst Tools> Interpolation> IDW. O método de
interpolação IDW – Distância Inversa Ponderada é considerado um dos melhores
métodos de interpolação para médias climáticas locais (CHENG et al., 2017).
Figura 21 - Área de abrangência de cobertura do microclima regional (IAPAR).
Fonte: autor
Com o ajuste dos grids para o microclima regional, realizado por regressão linear
considerando como variáveis fixas latitude e longitude e variável flutuante a altitude
49
(ASSAD et al., 2004), foi possível estabelecer a precipitação pluvial média mensal e
temperatura média mensal do ar para todos os municípios pertencentes a área de estudo,
gerando um banco de dados climáticos confiáveis para os anos de 2000, 2005 e 2010.
Com os dados ajustados aplicou-se a metodologia de MCA e posteriormente AHP
com os índices de aptidão agrícola devidamente calculados foi possível comparar os
dados reais de produção com os obtidos por estimativa.
50
5 Resultados e Discussão
5.1 Projeção regional climática para a Microrregião de Guarapuava
Na Figura 22 são apresentadas as variações da temperatura ao longo do ano
considerando a porcentagem de área abrangida por determinada temperatura na região de
estudo para o cenário base 1970 a 2000, com centro da média em 1985 e para os cenários
RCP4.5 e RCP8.5 projetados para 2050. Os dados demonstram que no cenário base as
temperaturas predominantes na maior parte da área de estudo eram inferiores àquelas
projetadas para o ano de 2050, podendo notar-se claramente que no cenário base os
maiores índices de porcentagem de área apresentavam valores médios de temperatura
inferiores quando comparado às estimativas para 2050.
Observa-se que ocorre um incremento dos valores máximos da temperatura
estimados para 2050 em relação a 1985, de aproximadamente 2°C com exceção do mês
de março em que as temperaturas médias estimadas para 2050 em ambos os cenários
apontam incremento de 4°C, com 45% da área de estudo ajustando a temperatura média
de 19 para 23°C, sendo que este valor de 23°C não era representativo para o mês de março
no cenário base, também demostrado no Anexo 4.
Considerando ainda a Figura 23 e os cenários RCP4.5 e RCP8.5 verificam-se
tendências de similaridade na relação área vs. temperatura entre os meses de janeiro a
setembro, contudo, na relação área temperatura nos meses de outubro, novembro e
dezembro o cenário RCP8.5 apresenta valores de temperatura 2°C superiores aos
projetados pelo cenário RCP4.5. Salienta-se ainda as tendências apontadas para o mês de
julho em que ambos os cenários estimam aumento de temperatura de em 2°C em relação
ao cenário base, porém com o cenário RCP8.5 indicando que aproximadamente 90% da
área ajusta a temperatura de 13° para 15°C contra 60% para o cenário RCP4.5.
As alterações climáticas projetadas para o ano de 2050 a partir da avaliação anual
das variações da relação área vs. temperatura, indicam a necessidade de se considerar os
possíveis impactos das projeções de aumento de temperatura na maior parte da área, sobre
o desenvolvimento e resultados de produção das culturas agrícolas, especialmente
levando-se em conta a característica da área de estudo, com economia baseada na
agricultura, conforme demonstra IPARDES (2014).
51
Fig
ura
22
- R
elaç
ão e
ntr
e te
mp
erat
ura
(C
°) e
áre
a d
e ab
rang
ênci
a (%
) na
mic
rorr
egiã
o d
e G
uar
apuava
no
s d
ifer
ente
s m
ese
s d
o a
no
par
a o
s ce
nár
ios
bas
e (1
98
5)
e
RC
P4
.5 e
RC
P8
.5 (
20
50
).
52
A respeito da estimativa de elevação da temperatura em Guarapuava o maior
município do estado do Paraná (19,5% da área de estudo), Teixeira et al., (2018)
demonstram que o aquecimento projetado para 2050 terá impacto negativo sobre as
culturas do trigo e da cevada que são consideradas culturas de inverno por serem
cultivadas nos meses mais frios do ano, tendo desenvolvimento e produtividade reduzidas
com o aumento da temperatura.
Considerando-se as Figuras 24, 25 e 26 (médias entre os três cenários) observa-se
que a área de estudo apresenta distinções quanto as variações das temperaturas
predominantes nos diferentes períodos do ano. Sendo que de modo geral a temperatura
tende a se elevar na direção de leste para oeste. Fatores que devem estar relacionados a
maior altitude dos municípios situados mais a leste, bem como características de
continentalidade, conforme pode ser observado em Bassoi et al. (2016) e Figura 27.
A respeito desta variações de temperatura na área, observando-se as Figuras 28,
29 e 30 (médias entre os três cenários) nos quais são apresentadas as variações médias da
temperatura na área para os cenários considerados no estudo, observa-se que o referido
aumento de temperatura estimado pelos cenários futuros, tende a reduzir as áreas de
menor temperatura de localidades tradicionalmente consideradas mais frias dos
município situados mais a leste da área, podendo ser destacados os municípios de
Guarapuava, Inácio Martins, Pinhão, Turvo, Campina do Simão e em parte também
Candói, Goioxim e reserva do Iguaçu. Entretanto, a avaliação destas mesmas figuras
demonstra claramente que no ano de 2050 a temperatura apresentará incremento em toda
a área, tendendo a ser mais acentuada no cenário RCP8.5. Assim elevando a temperatura
também de municípios que no cenário base apresentavam as maiores médias ao longo do
ano, como Quedas do Iguaçu, Espigão Alto do Iguaçu, Rio Bonito do Iguaçu, Porto
Barreiro, Laranjeiras do Sul, Nova Laranjeiras, e em parte os municípios de Marquinho,
Virmond, Foz do Jordão e Cantagalo.
Com estas perspectivas de temperaturas mais elevadas para o ano de 2050
(Anexos 5 a 16) considerando ambos os cenários, RCP4.5 e RCP8.5, devem ser esperados
impactos sobre o desenvolvimento e produção de culturas agrícolas consideradas de verão
como milho, soja e feijão, e sobre as culturas de inverno com destaque para trigo e cevada
predominantes nas áreas frias especialmente de Guarapuava, Inácio Martins, Pinhão,
Turvo, Campina do Simão, Candói e Goioxim. Neste caso tanto para culturas de inverno
como de verão poderá ocorrer necessidade de migração de área para cultivo por mudança
de aptidão para o cultivo, bem como redução tanto da área cultivada como do período
53
Figura 23 - Comparativo temperatura (janeiro - abril) cenário base e cenários RCP4.5 e RCP8.5.
54
Figura 24 - Comparativo temperatura (maio - agosto) cenário base e cenários RCP4.5 e RCP8.5.
55
Figura 25 - Comparativo temperatura (setembro - dezembro) cenário base e cenários RCP4.5 e RCP8.5.
56
adequado para o cultivo. Sendo o melhoramento genético e adaptação de cultivares
(YANG, 2007), uma das principais ferramentas a serem consideradas para evitar perdas
de produtividade das culturas e do volume de produção da área de estudo.
As variações da precipitação pluvial ao longo do ano são apresentadas na Figura
28. Nesta é considerada a porcentagem de área abrangida em diferentes índices de
precipitação pluvial na área de estudo para cenário base (1970-2000), com centro da
média em 1985 e para os cenários RCP4.5 e RCP8.5 em projeção para o ano de 2050
(Anexos 17,18 e 19). Em comparação à temperatura, as estimativas de mudanças nos
índices de precipitação pluvial projetados para os diferentes meses do ano são menos
expressivas comparando o cenário base e projeções para o ano de 2050.
Considerando-se a Figura 28 destacam-se os meses de primavera, com tendência
de aumento nos índices de precipitação para os cenários futuros, em relação ao cenário
base, em que aproximadamente 50% da área poderá apresentar índices de precipitação
em torno de 225mm, o que praticamente não ocorria no cenário base de 1985 (Figura 28i
e Figura 30), este índice poderá passar para aproximadamente 255mm no mês de outubro,
que como pode ser observado nas Figuras 28j (comparativo precipitação, setembro –
dezembro) e Figura 31 (comparativo das médias para o mês de outubro) cenário base e
cenários RCP4.5 e RCP8.5) apresenta-se como o mês em geral mais chuvoso do ano,
sendo que o mês de janeiro (Figura 28) apresenta valores aproximados, estando os dados
de acordo com os apresentados por Bork (2015). Conforme pode ser observado nas
Figuras 28k e 28l os meses de novembro e dezembro tenderão a apresentar notado
aumento na lâmina de precipitação ultrapassando no ano de 2050 165 e 195 mm, em mais
de 50% da área para ambos os cenários RCP4.5 e RCP8.5, respectivamente, sendo que
estes índices eram praticamente inexpressivos no cenário base de 1985.
Avaliando-se as Figuras 28d, 28y e 28f observa-se que também nos meses de abril,
maio e junho existe prospecção de aumento na lâmina máxima de precipitação, em que o
cenário RCP8.5 estima que 90% da área possa apresentar no mês de abril lâmina
acumulada de precipitação de 135mm, sendo que neste mês de abril este valor era de
aproximadamente 105mm em cerca de 55% da área no cenário base de 1985. Na Figura
28e, observa-se que para o mês de maio, ambos os cenários futuros apontam uma clara
tendência de elevação do índice de precipitação acumulado, que poderá passar de 105mm
em 85% da área no cenário de 1985, para 135mm em aproximadamente 75%
57
Cen
ário
Bas
e
R
CP
4.5
R
CP
8.5
16
01
70
18
01
90
20
02
10
22
02
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- Jan
eir
o
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
80
90
10
01
10
12
01
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- Ju
lho
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
14
01
50
16
01
70
18
01
90
20
02
10
22
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- F
evereir
o
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- A
go
sto
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
11
01
20
13
01
40
15
01
60
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- M
arç
o
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
17
01
80
19
02
00
21
02
20
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
ção
Plu
via
l (m
m)
- S
ete
mb
ro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
14
01
50
16
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- A
bril
Ba
se
19
85
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
20
02
10
22
02
30
24
02
50
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- O
utu
bro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
14
01
50
16
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- M
aio
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
11
01
20
13
01
40
15
01
60
17
01
80
19
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- N
ovem
bro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
14
01
50
16
01
70
18
01
90
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- Ju
nh
o
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
17
01
80
19
02
00
21
02
20
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- D
eze
mb
ro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
(b)
(c)
(d)
(e)
(f)
(h)
(i) (j)
(k)
(l)
16
01
70
18
01
90
20
02
10
22
02
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- Jan
eir
o
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- Ju
lho
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
14
01
50
16
01
70
18
01
90
20
02
10
22
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- F
evereir
o
Ba
se 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
80
90
10
01
10
12
01
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- A
go
sto
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
11
01
20
13
01
40
15
01
60
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- M
arç
o
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
17
01
80
19
02
00
21
02
20
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- S
ete
mb
ro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
14
01
50
16
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- A
bril
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
20
02
10
22
02
30
24
02
50
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- O
utu
bro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
14
01
50
16
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- M
aio
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
11
01
20
13
01
40
15
01
60
17
01
80
19
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- N
ovem
bro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
14
01
50
16
01
70
18
01
90
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- J
un
ho
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
17
01
80
19
02
00
21
02
20
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- D
eze
mb
ro
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
(b)
(c)
(d)
(e)
(f)
(h)
(i) (j)
(k)
(l)
16
01
70
18
01
90
20
02
10
22
02
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- Jan
eir
o
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- Ju
lho
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
14
01
50
16
01
70
18
01
90
20
02
10
22
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- F
evereir
o
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
80
90
10
01
10
12
01
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- A
go
sto
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
11
01
20
13
01
40
15
01
60
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- M
arç
o
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
17
01
80
19
02
00
21
02
20
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- S
ete
mb
ro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
14
01
50
16
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- A
bril
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
20
02
10
22
02
30
24
02
50
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- O
utu
bro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
14
01
50
16
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- M
aio
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
11
01
20
13
01
40
15
01
60
17
01
80
19
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- N
ovem
bro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
14
01
50
16
01
70
18
01
90
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- J
un
ho
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
17
01
80
19
02
00
21
02
20
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itaçã
o P
luvia
l (m
m)
- D
eze
mb
ro
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
(b)
(c)
(d)
(e)
(f)
(h)
(i) (j)
(k)
(l)
16
01
70
18
01
90
20
02
10
22
02
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- Jan
eir
o
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- Ju
lho
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
14
01
50
16
01
70
18
01
90
20
02
10
22
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- F
evereir
o
Ba
se
198
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
80
90
10
01
10
12
01
30
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- A
go
sto
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
11
01
20
13
01
40
15
01
60
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- M
arç
o
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
17
01
80
19
02
00
21
02
20
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- S
ete
mb
ro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
14
01
50
16
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- A
bril
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
20
02
10
22
02
30
24
02
50
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação P
luvia
l (m
m)
- O
utu
bro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
80
90
10
01
10
12
01
30
14
01
50
16
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- M
aio
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
11
01
20
13
01
40
15
01
60
17
01
80
19
0
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- N
ovem
bro
Ba
se
19
85
IP
CC
4.5
- 2
05
0
IP
CC
8.5
- 2
05
0
14
01
50
16
01
70
18
01
90
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
ita
çã
o P
luvia
l (m
m)
- J
un
ho
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
17
01
80
19
02
00
21
02
20
0
10
20
30
40
50
60
70
80
90
10
0
Área (%)
Pre
cip
itação
Plu
via
l (m
m)
- D
eze
mb
ro
Base 1
98
5
IP
CC
4.5
- 2
050
IP
CC
8.5
- 2
050
(b)
(c)
(d)
(e)
(f)
(h)
(i) (j)
(k)
(l)
Fig
ura
26
- R
elaç
ão e
ntr
e p
reci
pit
ação
plu
via
l (m
m)
e ár
ea d
e ab
rangên
cia
(%)
na
mic
rorr
egiã
o d
e G
uar
apuav
a no
s d
ifer
ente
s m
eses
do
ano
par
a o
s ce
nár
ios
bas
e (1
98
5)
e R
CP
4.5
e R
CP
8.5
(2
05
0).
58
da área no ano de 2050. Para o mês de junho (Figura 28f) os cenários futuros demonstram
tendência de aumento na área com máximo acumulado de 165mm de 50 para 70% além
do aumento da área com de lâmina acumulada de 195mm de cerca de 1% no cenário base
de 1985, para aproximados 10 ou 20 % para os cenários bases IPCC RCP4.5 e RCP8.5,
respectivamente, em 2050.
Tais resultados de tendência de aumento da área de abrangência de maiores
lâminas acumuladas de precipitação na área de estudo (Figura 28), estão relacionadas com
as projeções de aumento da temperatura, conforme discutido anteriormente e
considerando Pendergrass; Hartmann (2014), embora, tais elevações inerentes a
precipitação tendem a ser menos expressivas em relação as elevações de temperatura.
No que se refere as variações na distribuição da precipitação na área de estudo
para os diferentes cenários avaliados, verifica-se que nos meses de janeiro e outubro a
precipitação pluvial média apresentou maiores índices, e nos meses de abril, maio, julho
e agosto encontram-se os menores índices. No cenário base, no mês de outubro é possível
observar elevados índices de precipitação entre 210-240mm (Figura 31), no setor oeste
da área de estudo abrangendo os municípios de Quedas do Iguaçu e Espigão Alto do
Iguaçu, enquanto que no cenário RCP4.5 é possível visualizar um aumento do índice de
precipitação abrangendo toda a região de estudo, mas em ambos cenários observa-se uma
área com menor índice de precipitação pluvial na região central do município de
Guarapuava. Esta distribuição não ocorre da mesma forma na projeção do cenário
RCP8.5, onde fica clara a divisão do regime de precipitação nos setores norte e sul da
área de estudo. No geral mesmo com a desuniformidade na distribuição, a precipitação
média anual histórica para a região de estudo situa-se entre 1.600 e 2.000 mm (IAPAR,
2000).
Considerando os resultados, deve ser salientado que uma das principais
características que devem ser esperadas como consequência do aquecimento global seja
um incremento na desuniformidade da distribuição das precipitações. Tal condição que
pode aumentar a ocorrência de períodos de maior intensidade de precipitação provocando
enxurradas, inundações e aumentando os índices de erosão em área cultivadas
(PENDERGRASS; HARTMANN, 2014). Além disso a má distribuição das chuvas
poderá estar associada também com a ocorrência de períodos secos, de estiagens, que
poderão impactar os cultivos (GODOY; ASSAD 2002). Sendo assim, as tendências de
aumento de temperatura e em menor escala também de precipitação, indicam que devem
ser esperados impactos negativos sobre as culturas agrícolas cultivadas na região.
59
Figura 27 - Comparativo precipitação (janeiro - abril) cenário base e cenários RCP4.5 e RCP8.5.
60
Figura 28 - Comparativo precipitação (maio - agosto) cenário base e cenários RCP4.5 e RCP8.5.
61
Figura 29 - Comparativo precipitação (setembro - dezembro) cenário base e cenários RCP4.5 e RCP8.5.
62
Na Figura 30 é apresentado o resultado da avaliação da correlação linear entre o
índice relativo de temperatura anual e o índice relativo de precipitação anual na área de
estudo, sendo observada relação linear positiva de índice r moderado. Resultado que
indica que o aumento do índice de temperatura tende, embora moderadamente, a
aumentar o índice médio de precipitação na área, especialmente para o cenário RCP4,5.
Os resultados estão de acordo com estudos de Pendergrass; Hartmann (2014) que
salientam que o aquecimento global tende a aumentar os níveis de precipitação em
determinadas regiões aumentado a frequência de eventos com maiores índices de
intensidade das chuvas e, provavelmente, reduzindo a uniformidade temporal de sua
distribuição.
Figura 30 - Correlação entre os índices relativos anuais de temperatura e de precipitação pluvial em
diferentes períodos e cenários de projeção climática na microrregião de Guarapuava-PR.
5.1.1 Resultados das Avaliações do Índice de Aptidão Agrícola para a cultura do
Trigo.
Os resultados das avaliações referentes ao cenário base (1970 – 2000) para a
cultura do trigo empregando-se a metodologia MCA proposta são apresentados na Figura
31, ilustrando que a maior parte da área de estudo encontrava-se com IAP de 80%, e em
algumas regiões ao oeste de Guarapuava e Inácio Martins é possível observar de maneira
mais concentrada áreas com IAP de até 90%, enquanto que ao sudoeste de Pinhão e a
sudeste de Reserva do Iguaçu encontram se alguns pontos com 70%, pontos estes que
63
também aparecem de forma mais dispersa em alguns municípios distribuídos no setor
oeste.
Os valores do IAP em porcentagem e suas respectivas distribuições em hectares
dentro da microrregião de Guarapuava podem ser observados na Tabela 2. Na projeção
climática para a cultura de trigo no cenário futuro RCP4.5 (2041-2060), ilustrado na
Figura 32, observa-se uma mudança significativa no IAP na microrregião de Guarapuava.
A partir da Tabela 2 é possível comparar os resultados obtidos para o cenário base
(1970-2000) com cenário futuro RCP4.5 (2041-2060). Uma análise detalhada por
município encontra-se na Tabela 4. Observa-se crescimento de 3% de áreas com 60% de
IAP ao sul da área de estudo. Áreas localizadas a leste, que anteriormente indicavam
índice de aptidão agrícola de 90% foram totalmente substituídas por áreas que apresentam
IAP de 80% e 70%. No restante da área é possível observar redução de 52,77% do IAP
de 80% e aumento de 59,67% do IAP com 70%, além do surgimento de áreas com 60%
de IAP.
Os resultados das avaliações referentes ao cenário futuro (2041-2060)
demonstraram diferenças para os resultados dos cenários 4.5 e 8.5. Na projeção climática
para a cultura de trigo no cenário futuro RCP4.5 (2041-2060), ilustrada na Figura 32,
observa-se uma mudança significativa no IAP na microrregião de Guarapuava.
Tabela 2 - IAP para a cultura de trigo, comparativo cenário base e o cenário RCP4.5 (2041-2060).
Na projeção climática para a cultura de trigo no cenário futuro RCP8.5 (2041-
2060), ilustrada na Figura 33 e apresentado na Tabela 3, ocorre uma mudança no IAP nos
municípios localizados a oeste na microrregião de Guarapuava.
Área (ha) Área % Área (ha) Área %
60% 0 0 42.014 3
70% 42.986 3 892.222 63
80% 1.240.139 87 489.097 34
90% 140.208 10 0 0
Trigo
Cenário Base Cenário RCP4.5
(1970-2000) (2041-2060)
Índice de
Aptidão
Agricola
64
Figura 31 - Aptidão agrícola para a cultura de trigo - Cenário base (1970-2000).
Índ
ice d
e A
ptidã
o A
grí
co
la
A
lto
M
édio
B
aix
o
M
uito
Baix
o
65
Figura 32 - Aptidão agrícola para a cultura de trigo - Cenário futuro RCP4.5 (2041-2060).
Índ
ice d
e A
ptidã
o A
grí
co
la
A
lto
M
édio
B
aix
o
M
uito
Baix
o
66
Figura 33 - Aptidão agrícola para a cultura de trigo - Cenário futuro RCP8.5 (2041-2060).
Índ
ice d
e A
ptidã
o A
grí
co
la
A
lto
M
édio
B
aix
o
M
uito
Baix
o
67
Essas áreas que indicavam um índice de aptidão agrícola de 80% foram
substituídas por áreas com IAP de 60% e 70%. Nos municípios de Guarapuava, Inácio
Martins, Pinhão e Turvo ocorreu redução no IAP de 80% e 90% para 70%, com alguns
pontos de 80% mais concentrados na zona oeste do município de Turvo. No restante da
área observa-se redução de 84,45% do IAP de 80% e aumento de 82,27% do IAP com
70%, além do surgimento de uma área de 171.389 ha com 60% de IAP.
Tabela 3 - IAP para a cultura de trigo, comparativo cenário base e o cenário RCP8.5 (2041-2060).
Analisando as variações do IAP e os seus resultados representados em valores de
área e porcentagem nos diferentes cenários propostos (Tabela 4), observa-se que o
município do Turvo, localizado a nordeste da área de estudo, mesmo sofrendo variações,
manteve bons resultados de IAP, enquanto que os municípios localizados a leste e sudeste
da área de estudo (Quedas do Iguaçu, Espigão Alto do Iguaçu, Nova Laranjeiras,
Laranjeiras do Sul, Rio Bonito do Iguaçu, Porto Barreiro, Cantagalo Virmond, Foz do
Jordão e Marquinho) que no cenário base apresentavam um bom valor de IAP, sofreram
impacto no cenário RCP4.5 e ainda mais expressivo no cenário RCP8.5. O município do
Candói sofreu considerável impacto nos dois cenários propostos, porém mesmo no pior
cenário RCP8.5, ainda apresenta regiões com IAP de 80%.
Área (ha) Área % Área (ha) Área %
60% 0 0 171.389 12
70% 42.986 3 1.213.750 85
80% 1.240.139 87 38.194 3
90% 140.208 10 0 0
Trigo
Cenário Base Cenário RCP8.5
(1970-2000) (2041-2060)
Índice de
Aptidão
Agricola
/
68
Tabela 4- IAP para a cultura de trigo, comparativo cenário base e os cenários RCP4.5 e RCP8.5.
contínua...
Área (ha) Área % Área (ha) Área % Área (ha) Área %
60% 0 0 0 0 0 0
70% 1.458 4 15.208 38 38.819 99
80% 36.736 93 24.028 62 417 1
90% 1.042 3 0 0 0 0
60% 0 0 2.500 0 28.889 21
70% 3.750 3 105.486 80 99.653 75
80% 124.375 92 26.528 20 5.972 4
90% 6.389 5 0 0 0 0
60% 0 0 0 0 16.875 32
70% 2.361 4 26.250 49 36.528 68
80% 50.417 96 27.153 51 0 0
90% 625 1 0 0 0 0
60% 0 0 0 0 10.000 28
70% 2.222 6 31.944 92 24.444 71
80% 30.972 89 2.847 8 347 1
90% 1.597 5 0 0 0 0
60% 0 0 1.319 0 4.167 19
70% 417 2 19.167 87 16.806 77
80% 20.069 95 625 3 139 1
90% 625 3 0 0 0 0
60% 0 0 0 0 7.986 13
70% 3.333 5 22.986 38 53.056 87
80% 57.292 94 38.333 62 278 0
90% 694 1 0 0 0 0
60% 0 0 0 0 1.667 1
70% 208 0 158.264 56 268.958 95
80% 209.306 75 122.986 44 10.625 4
90% 71.736 25 0 0 0 0
60% 0 0 0 0 0 0
70% 0 0 22.569 27 79.375 97
80% 65.972 80 59.583 73 2.778 3
90% 16.181 20 0 0 0 0
60% 0 0 278 1 20.139 37
70% 2.500 5 26.181 49 33.542 63
80% 51.250 95 27.292 50 69 0
90% 0 0 0 0 0 0
Município
Trigo IAP
Cenário Base Cenário RCP4.5 Cenário RCP8.5
(1970-2000) (2041-2060) (2041-2060)
Campina do
Simão
Candói
Cantagalo
Espigão Alto do
Iguaçu
Foz do Jordão
Goioxim
Guarapuava
Inácio Martins
Laranjeiras do
Sul
69
continuação Tabela 4.
Área (ha) Área % Área (ha) Área % Área (ha) Área %
60% 0 0 0 0 5.417 12
70% 3.056 7 18.819 42 37.847 86
80% 39.861 91 25.139 58 694 2
90% 1.042 2 0 0 0 0
60% 0 0 69 0 16.250 16
70% 4.792 4 50.347 47 84.792 80
80% 94.167 90 55.000 53 4.375 4
90% 6.458 6 0 0 0 0
60% 0 0 17.222 10 1.597 1
70% 7.847 4 156.736 88 169.861 96
80% 150.694 86 2.847 2 5.347 3
90% 18.264 10 0 0 0 0
60% 0 0 0 0 9.375 28
70% 1.042 3 27.778 93 20.694 72
80% 28.819 96 2.292 7 0 0
90% 208 1 0 0 0 0
60% 0 0 347 0 15.625 21
70% 2.639 4 60.069 86 54.444 78
80% 65.833 93 10.278 14 625 1
90% 2.222 3 0 0 0 0
60% 0 0 19.583 26 5.069 7
70% 3.958 5 53.056 74 66.181 90
80% 68.611 94 347 0 1.736 3
90% 417 1 0 0 0 0
60% 0 0 694 1 18.472 29
70% 2.083 3 55.833 89 41.389 71
80% 54.583 92 3.333 10 0 0
90% 3.194 5 0 0 0 0
60% 0 0 0 0 278 0
70% 69 0 27.222 34 73.750 94
80% 69.375 89 51.528 66 4.722 6
90% 9.306 11 0 0 0 0
60% 0 0 0 0 9.167 42
70% 1.181 5 13.056 60 12.222 58
80% 20.139 95 8.333 40 0 0
90% 69 0 0 0 0 0
Município
Trigo IAP
Cenário Base Cenário RCP4.5 Cenário RCP8.5
(1970-2000) (2041-2060) (2041-2060)
Marquinho
Nova
Laranjeiras
Pinhão
Porto Barreiro
Quedas do
Iguaçu
Reserva do
Iguaçu
Rio Bonito do
Iguaçu
Turvo
Virmond
70
De acordo com as simulações climáticas aplicando a metodologia proposta, as
regiões noroeste, norte, oeste e sudoeste da área de estudo, apresentariam maior
produtividade para a cultura de trigo no futuro em regiões com IAP 80% como nos
municípios de Candói, Pinhão e Guarapuava.
Na Figura 34 verifica-se correlação linear negativa forte entre temperatura e o IAP
para a cultura do trigo na área de estudo. A relação inversa indica que o aumento da
temperatura está relacionado fortemente com a redução do IAP. O trigo é uma cultura que
se desenvolve melhor nos períodos frios do ano, sendo que o aumento de temperatura
projetado para 2050 de acordo com ambos os cenários RCP 4.5 e RCP8.5 poderá
contribuir potencialmente com a redução da aptidão agrícola e, consequentemente, da
produtividade das variedades atualmente cultivadas na área de estudo, conforme
consideram Streck;Alberto (2006) e, de forma mais expressiva, para o cenário RCP 8.5.
em que o IAP é reduzido de 80% para 69%.
Figura 34 – Correlação entre índice relativo de temperatura e Índice de aptidão agrícola para a cultura do
trigo em diferentes períodos e cenários de projeção climática na microrregião de Guarapuava-PR.
A avaliação da relação entre o Índice relativo de precipitação e o índice de aptidão
agrícola para a cultura do trigo é apresentada na Figura 35, na qual pode ser observada
correlação linear negativa forte. Nota-se que no período de cultivo do trigo (considerado
de abril a setembro), o índice relativo de precipitação na área de estudo apresenta projeção
de aumentar entre aproximadamente 15% e 10% para os cenários RCP4.5 e RCP8.5, em
relação ao cenário base, contudo o IAP tende a ser reduzido de 80,7% para 73% e 69%,
respectivamente.
71
Estes resultados são melhor interpretados quando associados aos apresentados na
Figura 34, onde observa-se claro efeito negativo do aumento projetado da temperatura
sobre o IAP da cultura do trigo para o ano de 2050. Desta forma, observando-se a Figura
35 entende-se que o possível efeito positivo da projeção de aumento do índice relativo de
precipitação sobre o IAP, tende a ser anulado pela projeção de aumento dos índices de
temperatura na área, sendo estes os dois fatores climáticos de maior influência para
determinação do IAP para culturas agrícolas, de acordo com o descrito em Godoy; Assad
(2002).
Figura 35 - Correlação entre Índice relativo de precipitação e Índice de aptidão agrícola para a cultura do
trigo em diferentes períodos e cenários de projeção climática na microrregião de Guarapuava-PR.
5.1.2 Resultados das Avaliações do Índice de Aptidão Agrícola para a cultura do
Milho.
Os resultados obtidos para o índice de aptidão agrícola na cultura de milho podem
ser melhor observados na Figura 36.
72
Figura 36 - Aptidão agrícola para a cultura de milho - Cenário base (1970-2000).
Índ
ice d
e A
ptidã
o A
grí
co
la
A
lto
M
édio
B
aix
o
M
uito
Baix
o
73
Os valores do índice de aptidão agrícola em porcentagem e suas respectivas
distribuições em hectares dentro da microrregião de Guarapuava podem ser observados
na Tabela 5.
Na projeção climática para a cultura do milho no cenário futuro RCP4.5 (2041-
2060), ilustrado na Figura 37, é possível observar uma mudança no IAP com o
crescimento de 37.433 hectares da área de 60% concentrada na região
sudeste da área de estudo. Na Tabela 5 também é possível observar as principais
mudanças da IAP ocorridas entre o cenário base (1970-2000) e o cenário futuro RCP4.5
(2041-2060)
Observa-se que a região oeste da área de estudo nas projeções futuras o IAP
manteve-se relativamente o mesmo, sem alterações expressivas na distribuição espacial e
em número de hectares. Na região central, onde estão localizados os municípios de
Candói, Cantagalo, Goioxim, setor oeste de Guarapuava e noroeste de Pinhão, observa-
se um aumento no IAP de 60% e 70% incluindo alguns pontos de 80%, demostrando que
em parte da área, mesmo com as projeções de alteração climática, pode ser esperada
manutenção dos índices de aptidão da área para o cultivo de milho e, consequentemente,
de produtividade da cultura no ano de 2050. Indicando ainda a necessidade de trabalhos
que analisem detalhadamente as regiões de cultivo e as aptidões para as diferentes culturas
agrícolas em projeções futuras de condições climáticas.
No setor leste verifica-se aumento de 3% nas áreas com IAP de 60%, com maior
concentração na região nordeste do município do Pinhão, noroeste e a leste de Inácio
Martins e abrangendo também a parte sudeste e nordeste do município de Guarapuava,
para projeções do cenário RCP4.5.
Tabela 5- IAP para a cultura de milho, comparativo cenário base e o cenário RCP4.5 (2041-2060).
O cenário futuro RCP8.5 (2041-2060) quando aplicado a cultura do milho
apresentou o menor IAP para a área de estudo. Analisando os resultados (Figura 38)
Área (ha) Área % Área (ha) Área %
60% 71.736 5 109.167 8
70% 1.258.540 88 1.137.360 80
80% 92.986 7 176.806 12
90% 69 0 0 0
Índice de
Aptidão
Agricola
Milho
Cenário Base Cenário RCP4.5
(1970-2000) (2041-2060)
74
Figura 37 - Aptidão agrícola para a cultura de milho - Cenário futuro RCP4.5 (2041-2060).
75
observa-se visualmente o aumento do IAP de 50% na ordem de 286.181 hectares
(Tabela 6), localizada no setor sudeste, distribuída entre os municípios de Reserva do
Iguaçu, Pinhão, Inácio Martins e Guarapuava. Além do surgimento de áreas com IAP
50% é possível observar aumento significativo de 417.847 hectares com IAP de 60%
distribuídos nos setores leste entre os municípios de Quedas do Iguaçu, Espigão Alto do
Iguaçu e Rio Bonito do Iguaçu, assim consideráveis regiões dos municípios de Reserva
do Iguaçu, Pinhão, Inácio Martins e Guarapuava, e parte dos municípios de Campina do
Simão e Turvo, os valores em porcentagem e área podem analisados na Tabela 7.
De acordo com os exemplos que serão apresentados no item 5.2, o cultivo de
milho no cenário futuro RCP8.5 (2041-2060) seria mais recomendado na região central
da área de estudo, e estaria sujeito a menor produtividade nos setores oeste e
principalmente no setor leste nas regiões com IAP de 50%.
Tabela 6- IAP para a cultura de milho, comparativo cenário base e o cenário RCP8.5 (2041-2060).
As projeções climáticas para o ano de 2050, considerando ambos os cenários
RCP4.5 e 8.5, indicam elevação de temperatura durante os diferentes meses do ano que
atingirá toda a área de estudo assim como alterações na precipitação acumulada (Figuras
37 e 38). Tais alterações estão associadas também à alterações no IAP das culturas, pois
tanto temperatura como precipitação são dois fatores altamente condicionadores da
produção.
Com as prováveis reduções no IAP os resultados de produção irão depender de
como serão conciliadas as demandas fisiológicas da cultura com potencialidades do
ambiente, conforme discutem Godoy; Assad (2002). Assim, neste novo cenário deverão
ser ajustadas as características agronômicas dos cultivos, levando em conta, dentre outros
a disponibilidade de cultivares adaptadas as novas condições com processos que não
subestimem as interações genótipo ambiente (YANG, 2007), o uso de práticas de manejo
adequadas para as características edafoclimáticas locais (TAO; ZHANG, 2011) e
Área (ha) Área % Área (ha) Área %
50% 0 0 286.181 20
60% 71.736 5 417.847 29
70% 1.258.540 88 719.300 51
80% 92.986 7 0 0
90% 69 0 0 0
Índice de
Aptidão
Agricola
Milho
Cenário Base Cenário RCP8.5
(1970-2000) (2041-2060)
76
Figura 38 - Aptidão agrícola para a cultura de milho - Cenário futuro RCP8.5 (2041-2060).
Índ
ice d
e A
ptidã
o A
grí
co
la
A
lto
M
édio
B
aix
o
M
uito
Baix
o
77
Tabela 7 - IAP para a cultura de milho, comparativo cenário base e os cenários RCP4.5 e RCP8.5.
continua...
Área (ha) Área % Área (ha) Área % Área (ha) Área %
60% 6.042 15 1.458 4 5.833 15
70% 33.194 85 32.986 84 33.819 85
80% 0 0 4.792 12 0 0
90% 0 0 0 0 0 0
60% 4.028 3 486 0 13.056 10
70% 118.264 89 98.056 75 123.681 90
80% 11.042 8 34.861 25 0 0
90% 69 0 0 0 0 0
60% 1.736 3 208 0 69 0
70% 42.222 80 39.792 75 53.333 100
80% 9.167 17 13.125 25 0 0
90% 0 0 0 0 0 0
60% 1.944 6 1.806 5 33.681 96
70% 29.514 85 28.889 84 1.181 4
80% 3.125 9 3.889 11 0 0
90% 0 0 0 0 0 0
60% 208 1 1.181 5 0 0
70% 17.778 82 15.694 74 21.806 100
80% 3.056 16 4.167 21 0 0
90% 0 0 0 0 0 0
60% 5.556 9 833 1 833 1
70% 52.500 86 50.972 84 61.806 99
80% 3.194 5 9.444 15 0 0
90% 0 0 0 0 0 0
50% 0 0 0 0 67.986 24
60% 17.986 6 30.625 11 145.347 52
70% 262.361 94 226.458 80 68.889 24
80% 556 0 23.819 9 0 0
90% 0 0 0 0 0 0
50% 0 0 0 0 79.167 95
60% 4.583 6 27.639 34 3.958 5
70% 77.292 94 54.514 66 0 0
80% 0 0 0 0 0 0
90% 0 0 0 0 0 0
60% 1.875 3 0 0 486 1
70% 44.653 84 44.583 83 53.264 99
80% 7.153 13 9.097 17 0 0
90% 0 0 0 0 0 0
Cantagalo
Espigão Alto do
Iguaçu
Foz do Jordão
Goioxim
Guarapuava
Inácio Martins
Laranjeiras do
Sul
Cenário RCP8.5
1985 2050 2050
Campina do
Simão
Candói
Milho
IAP
Cenário Base Cenário RCP4.5
Município
78
continuação Tabela 7.
Área (ha) Área % Área (ha) Área % Área (ha) Área %
60% 903 2 0 0 0 0
70% 37.569 86 38.194 86 44.653 100
80% 5.208 12 5.486 14 0 0
90% 0 0 0 0 0 0
60% 694 1 0 0 21.528 20
70% 86.528 82 86.181 82 84.931 80
80% 17.431 17 18.472 18 0 0
90% 0 0 0 0 0 0
50% 0 0 0 0 123.403 68
60% 9.653 6 33.056 18 38.958 22
70% 165.069 92 133.056 76 17.639 10
80% 1.528 2 10.486 6 0 0
90% 0 0 0 0 0 0
60% 69 0 139 0 1.528 5
70% 23.542 71 23.750 72 31.389 95
80% 6.250 19 5.972 18 0 0
90% 0 0 0 0 0 0
60% 5.625 9 7.083 12 73.056 99
70% 59.444 82 59.861 83 0 0
80% 5.486 8 3.681 5 0 0
90% 0 0 0 0 0 0
50% 0 0 0 0 15.556 20
60% 1.875 3 2.708 4 22.222 30
70% 69.375 94 67.500 92 37.292 50
80% 1.667 3 2.708 4 0 0
90% 0 0 0 0 0 0
60% 347 1 278 0 45.139 72
70% 49.792 82 49.722 82 17.778 28
80% 9.653 17 9.792 18 0 0
90% 0 0 0 0 0 0
60% 8.333 10 1.597 2 11.181 14
70% 65.556 84 64.514 82 70.556 86
80% 4.514 6 12.569 16 0 0
90% 0 0 0 0 0 0
60% 208 1 0 0 0 0
70% 17.569 83 17.431 80 21.736 100
80% 3.611 17 3.958 20 0 0
90% 0 0 0 0 0 0
Rio Bonito do
Iguaçu
Turvo
Virmond
Cenário Base Cenário RCP4.5 Cenário RCP8.5
1985 2050 2050
Marquinho
Nova
Laranjeiras
Pinhão
Município
Milho
IAP
Porto Barreiro
Quedas do
Iguaçu
Reserva do
Iguaçu
79
atualização constante do zoneamento agroclimático para as culturas e cultivares
disponíveis, já que a elevação da temperatura é fator tido como crítico e tende a acarretar
alterações na aptidão de áreas de cultivo (DAWSON et al., 2015; SANTI et al., 2017).
Os resultados com redução no IAP derivado principalmente de estimativa de
elevação da temperatura expressam eminente indicativo de consequente redução no ciclo
fenológico das culturas tanto de verão como milho, como de inverno como o trigo,
considerados neste estudo. Conforme discutido em Climbar (2014) as culturas agrícolas
mais expressivas apresentam desenvolvimento vegetativo e reprodutivo altamente
dependentes da temperatura média do ar durante o ciclo de cultivo. Assim, o aumento da
temperatura afeta as culturas acelerando o ciclo fenológico a partir da redução das
fenofases das plantas, diminuindo consequentemente a produtividade de culturas de
inverno como trigo e cevada (RIBEIRO et al. (2009) FALLAHPOUR et al., 2012,
STRECK; ALBERTO, 2006) e de verão como o milho e a soja (MINUZZI; LOPES,
2015; OSBORNE et al., 2013; ROSE et al., 2013, GODOY; ASSAD, 2002).
Similarmente à cultura do trigo (Figura 34), verifica-se na Figura 39 uma relação
linear negativa forte entre o índice relativo de temperatura e IAP para a cultura do milho,
indicando que a projeção de aumento da temperatura poderá colaborar expressivamente
com a redução do IAP para a cultura na microrregião de Guarapuava.
Figura 39 - Correlação entre índice relativo de temperatura e Índice de aptidão agrícola para a cultura do
milho em diferentes períodos e cenários de projeção climática na microrregião de Guarapuava-PR.
80
Embora o milho seja cultura que depende de soma térmica advinda de
temperaturas mais elevadas (MINUZZI; LOPES, 2015), é possível que os índices
projetados de aumento de temperatura apresentem potencial de ocasionar prejuízos à
cultura desencadeando e potencializando fatores como aceleração do ciclo fenológico
(WAGNER et al.,2011) e aumento da demanda evaporativa com períodos diários de
deficiência hídrica, murcha e enrolamento de folhas (BERGAMASCHI et al., 2004). Os
resultados indicam que esta redução de IAP está amplamente associada com diminuição
das áreas com maior potencial de produção para a cultura, especialmente pela projeção
do cenário RCP8.5 em que o IAP médio se reduz de 70 % para 63% em 2050.
Na Figura 40 é apresentada a avaliação da relação entre o índice relativo de
precipitação e o IAP para a cultura do milho na área estudo. Observa-se que o coeficiente
r de Pearson da correlação linear tende a zero, sendo considerado insignificante de acordo
com Cohen (1988). Pode ser notado também, que no período de cultivo do milho
(considerado setembro a abril), o cenário RCP4.5 projeta um incremento de 12% no
índice relativo de precipitação em relação ao cenário base, enquanto que para o cenário
RCP8.5 não há projeção de aumento deste índice.
Figura 40 - Correlação entre índice relativo de precipitação e Índice de aptidão agrícola para a cultura do
milho em diferentes períodos e cenários de projeção climática na microrregião de Guarapuava-PR.
Possivelmente estes resultados estejam associados diretamente com os níveis de
pressão ambiental pertinentes a cada um destes cenários, pois o de aumento de
temperatura em relação ao cenário base e mais sensível em relação ao cenário RCP4.5,
conforme já demonstrado (Figuras 31, 32 e 33). A não projeção de aumento do índice de
81
precipitação no ano de 2050 na relação entre o cenário base e o cenário RCP8.5 vem de
encontro ao salientado por Santos et al. (2010) que salientam projeções do efeito do
aquecimento global sobre o regime de precipitação com variação no regime de chuvas
em diferentes regiões e eventos extremos de secas e chuvas em anos futuros. Alterações
que podem impactar a agricultura pois a partir de determinados índices normais de
precipitação anual, o fator mais importante passa a ser a distribuição normal das
precipitações no tempo, durante o ciclo das culturas (WAGNER et al., 2013).
5.2 Comparação dos resultados com os históricos de produção
5.2.1 Aptidão agrícola para o período do ciclo de cultivo da cultura do trigo
Na Figura 41 representa os resultados do IAP para o período do ciclo de cultivo
da cultura do trigo, utilizando o método MCA e a AHP em conjunto com os dados
climáticos do IAPAR, para a safra de 2000.
Os resultados obtidos utilizando a mesma metodologia e conjuntos de dados
climáticos do IAPAR para as safras de 2005 e 2010 estão representadas respectivamente
nas Figuras 42 e 43.
Na Tabela 8 encontram-se os resultados do IAP utilizando o método MCA e a
AHP em conjunto com os dados climáticos do IAPAR, apresentando os possíveis
impactos do IAP na produtividade na cultura do trigo nos municípios na microrregião de
Guarapuava ao longo das safras de 2000, 2005 e 2010. Os dados referentes as produções
foram obtidas junto a SEAB. Alguns municípios não tiveram plantio em determinadas
safras, como por exemplo Inácio Martins na safra de 2000, os mesmos estão indicados
como “sem plantio”.
Analisando os dados (Tabela 8, e as Figuras 41,42 e 43), no município de
Goioxim, ao longo das safras 2000, 2005 e 2010, observa-se que as variações nos índices
IAP ocorreram concentradas entre 70% e 80%, valores considerados satisfatórios, que
acabaram não impactando significativamente a produtividade. Entretanto quando o
mesmo critério de análise foi aplicado em municípios como Candói, Nova Laranjeiras,
Porto Barreiro e Rio Bonito do Iguaçu, observa-se o surgimento de áreas com IAP de
50% durante a safra de 2005 ocasionando considerável queda de produtividade.
82
Figura 41 - Aptidão agrícola para a cultura de trigo - Dados climáticos 2000.
Índ
ice d
e A
ptidã
o A
grí
co
la
A
lto
M
édio
B
aix
o
M
uito
Baix
o
83
Figura 42 - Aptidão agrícola para a cultura de trigo - Dados climáticos 2005.
A
lto
M
édio
B
aix
o
M
uito
Baix
o
Índ
ice d
e A
ptidã
o A
grí
co
la
84
Figura 43 - Aptidão agrícola para a cultura de trigo - Dados climáticos 2010.
Índ
ice d
e A
ptidã
o A
grí
co
la
A
lto
M
édio
B
aix
o
M
uito
Baix
o
85
Nos municípios de Pinhão, Quedas do Iguaçu e Reserva do Iguaçu observa-se o
surgimento de IAP de 60% na safra de 2005 coincidindo com uma queda de produtividade
na safra em questão. E nos municípios de Cantagalo na safra de 2000, Pinhão nas safras
de 2000 e 2010 e Turvo na safra de 2005 observa-se que com o surgimento de áreas com
IAP de 90% ocorrem aumento na produtividade.
O resultado da avaliação da correlação linear entre o Índice de aptidão agrícola da
área de estudo e a produtividade da cultura do trigo é apresentado na Figura 44. A relação
positiva forte indica que o aumento do IAP está fortemente relacionado com a
produtividade da cultura. Verifica-se que nos anos 2010 e 2000, que apresentaram IAP
de 74,5% e 73,3% a produtividade foi respectivamente 22,7% e 22,8% superior àquela
observada no ano de 2005 em que o IAP médio da área foi de 67,1%.
Figura 44 - Correlação entre índice de aptidão agrícola e a produtividade média da cultura do trigo em
diferentes anos na microrregião de Guarapuava-PR.
5.2.2 Aptidão agrícola para o período do ciclo de cultivo da cultura do milho.
Na Figura 45 são representados os resultados do IAP para o período do ciclo de
cultivo do milho, utilizando o método MCA e a AHP em conjunto com os dados
climáticos do IAPAR, para a safra de 2000.
86
Áre
a (h
a)Á
rea
%Á
rea
(ha)
Áre
a %
Áre
a (h
a)Á
rea
%60
%0
014
.975
390
0
70%
3.12
99
24.1
3161
37.0
6394
80%
36.0
0291
260
2.06
96
90%
00
00
00
50%
00
233
00
0
60%
00
41.0
2031
336
2
70%
491
091
.324
6877
.824
57
80%
109.
248
811.
319
155
.736
41
90%
24.1
5719
00
00
60%
00
00
00
70%
1.99
14
26.8
9850
45.6
7586
80%
47.1
4988
26.5
8850
7.81
114
90%
4.34
58
00
00
60%
00
00
00
70%
19.5
2757
34.0
1198
33.1
5796
80%
14.7
9443
310
21.
164
4
90%
00
00
00
60%
00
5.35
428
00
70%
00
15.7
7772
13.3
4662
80%
15.6
2274
00
7.78
538
90%
5.50
926
00
00
60%
00
00
00
70%
3.67
37
24.2
3440
48.9
0880
80%
56.8
4893
36.2
8762
11.6
1320
90%
00
00
00
60%
00
16.2
427
00
70%
26.6
399
257.
782
9126
7.04
195
80%
253.
618
916.
285
213
.268
5
90%
520
00
00
60%
00
23.7
1729
00
70%
2.45
73
57.8
8370
80.3
0697
80%
79.9
7097
879
12.
173
3
90%
520
00
00
60%
00
00
00
70%
2.79
35
36.9
5969
17.2
7732
80%
48.5
4691
16.7
8531
36.4
6868
90%
2.40
54
00
00
Áre
a
Col
hida
(ha)
Prod
uti-
vida
de
(kg/
ha)
Prod
ução
(ha)
Dad
os C
limát
icos
Áre
a
Plan
tada
(ha)
Áre
a
Col
hida
(ha)
Prod
uti-
vida
de
(kg/
ha)
Prod
ução
(ha)
2000
2005
2010
Mun
icíp
io
Trig
o
IAP
Dad
os C
limát
icos
Áre
a
Plan
tada
(ha)
Áre
a
Col
hida
(ha)
Prod
uti-
vida
de
(kg/
ha)
Prod
ução
(ha)
Dad
os C
limát
icos
Áre
a
Plan
tada
(ha)
1.10
01.
100
2.85
03.
135
Can
dói
4.56
04.
560
2.41
010
.990
8.30
08.
300
1.92
015
.935
10.4
0010
.400
3.25
033
.800
Cam
pina
do
Sim
ão62
062
02.
581
1.60
072
072
02.
340
1.68
5
3.98
0
1.20
01.
200
2.35
02.
820
Espi
gão
Alt
o
do I
guaç
u78
078
01.
282
1.00
025
025
01.
450
363
630
580
1,35
078
3
Can
taga
lo40
040
02.
650
1.06
01.
300
1.30
02.
335
3.03
5
10.9
002.
430
26.4
9014
.700
14.7
002.
485
36.5
30
1.90
01.
900
3.35
06.
365
Goi
oxim
900
900
2.57
22.
572
1.90
01.
900
2.01
036
.530
1.95
01.
950
2.60
05.
070
Foz
do J
ordã
o1.
050
1.05
02.
457
2.58
02.
300
2.30
01.
730
820
720
2.80
02.
016
Lara
njei
ras
do S
ul24
024
00.
708
170
750
750
1.60
01.
200
18.8
0018
.800
3.12
559
.220
Inác
io
Mar
tins
Sem
Pla
nti
o
Sem
Pla
nti
o
Sem
Pla
nti
o
Sem
Pla
nti
o
Sem
Pla
nti
o
Sem
Pla
nti
o
Sem
Pla
nti
o
Sem
Pla
nti
o2.
290
2.29
04.
561
10.4
46
Gua
rapu
ava
10.9
00
conti
nua.
..
Ta
bel
a 8
- IA
P t
rigo
, co
mp
arat
ivo
ano
s 2
00
0.
200
5 e
20
10
com
dad
os
de
pro
duçã
o S
EA
B.
87
Áre
a (
ha
)Á
rea
%Á
rea
(h
a)
Áre
a %
Áre
a (
ha
)Á
rea
%60
%0
017
.846
390
0
70%
3.77
68
25.6
0557
34.0
8875
80%
39.0
8086
00
9.36
321
90%
595
10
00
0
50%
00
523
00
60%
00
99.0
0692
00
70%
8.32
88
4.86
25
91.8
4286
80%
95.5
6690
00
12.0
7811
90%
260
00
00
60%
00
39.1
3222
00
70%
3.88
02
136.
301
7610
6.29
959
80%
146.
698
811.
888
170
.944
39
90%
26.7
4315
00
780
50%
00
520
00
60%
00
29.9
2491
00
70%
4.60
414
269
20.9
7564
80%
24.0
2773
00
9.02
627
90%
1.37
14
00
00
60%
10.5
0120
34.2
6947
00
70%
57.8
5779
35.3
8148
67.6
8592
80%
1.29
32
00
1.96
63
90%
00
00
00
60%
00
24.3
1232
00
70%
00
47.9
7764
67.7
1190
80%
53.9
2672
00
4.55
26
90%
18.3
6324
00
260
50%
00
284
60
0
60%
00
59.0
2194
00
70%
18.0
7929
520
55.8
9189
80%
41.2
2765
00
3.46
66
90%
520
00
00
60%
00
00
00
70%
33.6
4941
7.34
59
38.8
4748
80%
44.4
0854
68.3
8384
38.8
9948
90%
00
2.32
82
310
0
60%
00
21.1
0598
00
70%
388
231
01
7.60
435
80%
19.4
4989
00
13.7
8563
90%
1.57
87
00
260
Vir
mo
nd
1313
0.76
910
6.00
06.
000
4.60
027
.600
410
410
1.90
077
9
Rio
Bo
nit
o d
o
Igu
açu
112
112
0.71
480
350
350
1.55
054
383
082
52.
630
2.17
0
Tu
rvo
8080
2.06
316
560
060
01.
700
1.02
01.
450
1.45
02.
700
3.91
5
Qu
ed
as
do
Igu
açu
90
901.
111
100
500
500
1.55
077
51.
880
1.88
02.
100
3.94
8
Re
serv
a d
o
Igu
açu
2.30
02.
300
2.79
16.
420
3.85
03.
850
2.39
09.
200
3.30
03.
300
2.98
09.
835
Pin
hã
o3.
370
3.37
02.
580
8.69
55.
900
5.90
01.
950
11.5
058.
300
8.30
03.
200
26.5
60
Po
rto
Ba
rre
iro
380
380
138
030
030
01.
480
444
1.65
01.
650
2.67
04.
406
Ma
rqu
inh
o
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
390
390
2.84
01.
108
No
va
Lara
nje
ira
s
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
Sem
Dad
os
Ofi
ciai
s
200
200
1.45
029
085
085
02.
760
2.34
6
Mu
nic
ípio
Trig
o
IAP
Da
do
s C
lim
áti
cos
Áre
a
Pla
nta
da
(ha
)
Áre
a
Co
lhid
a
(ha
)
Pro
du
tivi
d
ad
e
(kg/
ha)
Pro
du
ção
(ha
)
Da
do
s C
lim
áti
cos
Áre
a
Pla
nta
da
(ha
)
Áre
a
Co
lhid
a
(ha
)
Pro
du
tivi
d
ad
e
(kg/
ha)
Pro
du
ção
(ha
)
Da
do
s C
lim
áti
cos
Áre
a
Pla
nta
da
(ha
)
Áre
a
Co
lhid
a
(ha
)
Pro
du
tivi
d
ad
e
(kg/
ha)
Pro
du
ção
(ha
)2
00
02
00
52
01
0
conti
nuaç
ão d
a T
abel
a 8
88
Figura 45 - Aptidão agrícola para a cultura de milho - Dados climáticos 2000.
A
lto
M
édio
B
aix
o
M
uito
Baix
o
Índ
ice d
e A
ptidã
o A
grí
co
la
89
Os resultados obtidos utilizando a mesma metodologia e conjuntos de dados
climáticos do IAPAR para as safras de 2005 e 2010 estão representadas respectivamente
nas Figuras 46 e 47.
Na Tabela 9, seguindo a mesma metodologia apresentada para o trigo estão
representados os possíveis impactos do IAP na produtividade na cultura do milho nos
municípios na microrregião de Guarapuava ao longo das safras de 2000, 2005 e 2010.
Analisando os possíveis impactos do IAP para 0 milho em todos os municípios da
microrregião de Guarapuava de acordo com os dados, é possível observar um diferente
comportamento das variáveis. Em comparação, na cultura trigo ficou evidente o impacto
negativo na produtividade quando surgiam áreas com IAP de 50% e 60%, e o impacto
positivo quando em casos de IAP de 80% e 90%, porém na cultura do milho os modelos
de IAP para a safra de 2005 e 2010 apresentaram pouca variação (Figuras 46 e 47) e não
foi possível estabelecer um padrão de impacto sobre a produtividade.
Na Figura 48 verifica-se correlação linear forte entre o Índice de aptidão agrícola
da área de estudo e a produtividade da cultura do milho, embora ao contrário do verificado
para o trigo, esta correlação seja negativa, sendo observado IAP de 71% no ano 2000 com
redução para 69% em 2005 e 67% em 2010, com resultados de produtividades médias de
3.621 kg ha-1 em 2000 e 3.430 kg ha-1 em 2005, porém elevando-se para 6.768 kg ha-1 em
2010.
Este resultado é controverso, pois IAP é um índice utilizado para quantificar o
nível aproximado de aptidão da área para determinada cultura, conforme discutem
Godoy; Assad (2002). Entretanto, em oposição ao trigo, de resultados mais lentos de
melhoramento de plantas para a produtividade, conforme observado em Ortiz et al (2008)
a cultura do milho tem apresentado significativos avanços nos níveis potenciais de
produtividade devido a disponibilidade de novas cultivares mais produtivas, além de
características agronômicas de manejo, como aumento da densidade de plantas por área,
e a própria tecnificação dos produtores que tende a aumentar ao longo do tempo,
conforme salientam Galvão; Miranda (2014), fatores que podem ter contribuído
decisivamente para o resultados de produção no ano de 2010.
90
Figura 46 - Aptidão agrícola para a cultura de milho - Dados climáticos 2005.
A
lto
M
édio
B
aix
o
M
uito
Baix
o
Índ
ice d
e A
ptidã
o A
grí
co
la
91
Figura 47 - Aptidão agrícola para a cultura de milho - Dados climáticos 2010.
A
lto
M
édio
B
aix
o
M
uito
Baix
o
Índ
ice d
e A
ptidã
o A
grí
co
la
92
Áre
a (h
a)Á
rea
%Á
rea
(ha)
Áre
a %
Áre
a (h
a)Á
rea
%60
%7.
035
182.
488
67.
035
18
70%
32.0
9782
37.3
1294
32.0
9781
80%
00
00
00
90%
00
00
00
60%
3.46
63
9.77
67
9.77
67
70%
120.
498
8812
3.18
890
123.
188
90
80%
9.00
17
00
00
90%
00
00
00
60%
181
04.
449
84.
449
8
70%
43.0
3781
48.9
6092
48.9
6092
80%
10.1
9019
00
00
90%
00
00
00
60%
00
4.29
312
3.56
910
70%
29.0
7183
29.9
2485
30.1
5786
80%
5.14
715
00
491
1
90%
00
00
00
60%
260
2.25
010
2.25
010
70%
16.4
2375
18.8
5586
18.8
5586
80%
4.65
521
00
00
90%
00
00
00
60%
8.50
914
8.74
214
8.79
414
70%
51.0
5582
51.3
9183
51.6
5083
80%
879
131
00
00
90%
00
00
00
60%
21.5
968
44.0
3016
17.5
366
70%
258.
067
9125
7.52
480
257.
524
91
80%
00
4.60
44
4.60
42
90%
00
00
00
60%
5.19
96
5.30
26
3.89
06
70%
75.0
0491
77.1
7793
96.1
0093
80%
2.27
63
00
00
90%
00
00
00
60%
00
3.03
06
6.36
212
70%
43.3
7381
50.6
7094
47.2
2788
80%
10.2
1619
00
00
90%
00
00
00
Prod
ução
(ha)
Dad
os C
limát
icos
Áre
a
Plan
tada
(ha)
Áre
a
Col
hida
(ha)
Prod
utiv
id
ade
(kg/
ha)
98.0
1018
.400
Mun
icíp
io
Mil
ho
IAP
Dad
os C
limát
icos
Áre
a
Plan
tada
(ha)
Áre
a
Col
hida
(ha)
Prod
utiv
id
ade
(kg/
ha)
Can
dói
19.8
0019
.800
4.95
0
Espi
gão
Alt
o
do Ig
uaçu
8.20
08.
200
3.70
0
Prod
ução
(ha)
Dad
os C
limát
icos
Áre
a
Plan
tada
(ha)
Áre
a
Col
hida
(ha)
Prod
utiv
id
ade
(kg/
ha)
Prod
ução
(ha)
2000
2005
2010
Cam
pina
do
Sim
ão4.
900
4.90
03.
200
15.6
8072
072
02.
340
1.68
53.
400
3.40
04.
800
16.3
20
18.4
005.
100
93.8
4018
.300
18.3
007.
700
140.
910
Can
taga
lo7.
700
7.70
03.
300
25.4
101.
300
1.30
02.
335
3.03
54.
800
4.80
05.
800
27.8
40
30.3
404.
000
4.00
05.
700
22.8
001.
860
1.86
07,
800
14.5
08
Foz
do J
ordã
o4.
700
4.70
05.
400
25.3
802.
300
2.30
01.
730
3.98
01.
900
1.90
08.
600
16.3
40
Goi
oxim
12.5
0012
.500
3.10
038
.750
1.90
01.
900
2.01
03.
820
6.90
06.
900
5.50
037
.950
Gua
rapu
ava
31.3
0031
.300
4.90
015
3.37
014
.700
14.7
002.
485
36.5
3025
.700
25.7
008.
500
218.
450
Inác
io
Mar
tins
4.10
04.
100
3,25
013
.325
2.44
82.
448
3,64
58.
923
2.25
02.
250
4,60
010
.350
Lara
njei
ras
do S
ul10
.500
10.5
002.
900
30.4
506.
300
6.30
04.
400
27.7
204.
030
4.03
07.
700
31.0
31
conti
nua.
..
Ta
bel
a 9
-IA
P m
ilho
, co
mp
arat
ivo
ano
s 2
00
0.
200
5 e
20
10
co
m d
ado
s d
e p
rod
uçã
o S
EA
B.
93
Áre
a (h
a)Á
rea
%Á
rea
(ha)
Áre
a %
Áre
a (h
a)Á
rea
%60
%26
02.
897
64.
216
9
70%
38.0
9784
38.3
0485
39.0
8086
80%
5.17
311
2.09
55
00
90%
00
00
00
60%
00
6.72
56
7.55
27
70%
86.9
7982
95.1
0089
95.5
6690
80%
16.1
3915
1.29
31
00
90%
00
00
00
60%
10.3
206
10.8
3710
10.8
376
70%
166.
406
9216
6.27
714
816
6.27
792
80%
388
00
00
0
90%
00
00
00
60%
00
1.83
66
1.83
66
70%
23.2
5170
28.0
8885
28.0
8885
80%
6.67
320
00
00
90%
00
00
00
60%
00
10.4
239
233
0
70%
58.6
3380
59.1
5053
59.0
7280
80%
10.9
4015
00
10.2
6814
90%
00
00
00
60%
517
13.
492
33.
492
5
70%
61.2
7182
68.7
7161
68.7
7192
80%
10.4
7514
00
00
90%
00
00
00
60%
00
4.11
27
4.11
27
70%
43.3
7369
55.1
6788
55.1
6788
80%
15.9
0625
00
00
90%
00
00
00
60%
11.8
2014
11.8
2011
11.8
2014
70%
66.2
1181
66.2
1159
66.2
1181
80%
00
00
00
90%
00
00
00
60%
00
2.12
110
2.12
110
70%
17.8
2082
19.2
6888
19.2
6888
80%
3.56
916
00
00
90%
00
00
00
Prod
ução
(ha)
Mun
icíp
io
Mil
ho
IAP
Dad
os C
limát
icos
Áre
a
Plan
tada
(ha)
Áre
a
Col
hida
(ha)
Prod
utiv
id
ade
(kg/
ha)
Nov
a
Lara
njei
ras
15.7
0015
.700
2.50
0
Port
o
Bar
reir
o3.
800
3.80
03.
000
Res
erva
do
Igua
çu6.
500
6.50
05.
100
Turv
o7.
200
7.20
0
Dad
os C
limát
icos
Áre
a
Plan
tada
(ha)
Áre
a
Col
hida
(ha)
Prod
utiv
id
ade
(kg/
ha)
Prod
ução
(ha)
Dad
os C
limát
icos
Áre
a
Plan
tada
(ha)
Áre
a
Col
hida
(ha)
Prod
utiv
id
ade
(kg/
ha)
Prod
ução
(ha)
2000
2005
2010
Mar
quin
ho5.
800
5.80
02.
724
15.0
8011
.500
11.5
003.
800
43.7
0082
582
55.
800
4.78
5
39.2
5014
.500
14.5
003.
200
46.4
002.
850
2.85
07.
000
19.9
50
Pinh
ão17
.400
17.4
004.
100
71.3
405.
900
5.90
01.
950
11.5
0515
.200
15.2
007.
100
107.
920
11.4
002.
000
2.00
05.
250
10.5
001.
545
1.54
57.
600
11.7
42
Que
das
do
Igua
çu
12.2
0012
.200
4.30
052
.460
9.00
09.
000
5.41
048
.690
4.59
04.
590
7.20
033
.048
33.1
503.
850
3.85
02.
390
9.20
05.
600
5.60
07.
600
42.5
60
Rio
Bon
ito
do
Igua
çu17
.400
17.4
003.
150
54.8
1010
.000
10.0
003.
700
37.0
007.
265
7.26
56.
120
44.4
62
2.00
014
.400
600
600
1.70
01.
020
5.10
05.
100
4.75
024
.225
Vir
mon
d6.
200
6.20
03.
600
22.3
206.
000
6.00
04.
600
27.6
003.
185
3.18
57,
650
24.3
65
conti
nuaç
ão d
a T
abel
a 9
94
Os índices de produção apresentados são relativamente baixos para a cultura do
milho, contudo, por exemplo, a produção média do ano de 2010 representa a média da
microrregião, conforme pode ser verificado em Wagner et al., (2013), sendo o resultado
médio de áreas de produção com diferentes níveis tecnológicos.
Figura 48 -Correlação entre índice de aptidão agrícola e a produtividade média da cultura do milho em
diferentes anos na microrregião de Guarapuava-PR.
95
6 Conclusões
Considerando como cenário base o período dos anos 1970 a 2000 e cenário futuro
de 2040 a 2060 focado no ano 2050, os resultados demonstraram que:
- Os cenários RCP 4.5 e RCP8.5 indicam projeção de aumento médio de
aproximadamente 2oC na temperatura média mensal da área de estudo tendendo este
aumento a ser ainda mais acentuado nas projeções do cenário RCP8.5.
- A projeção de elevação da temperatura média influencia moderadamente para o aumento
de áreas com maior índice de precipitação mensal acumulada.
- A projeção indica aumento de precipitação, com predominância de áreas com
precipitação máxima acumulada aproximadamente 15% superior em relação ao cenário
base nos meses de outubro, novembro abril e maio e menos expressivamente nos meses
de junho e setembro para ambos os cenários futuros, podendo ainda ser expressiva no mês
de março considerando o cenário RCP4.5;
- Com modelo MCA ajustado para as culturas de trigo e milho e aplicando-se o processo
de hierarquia Analítica considerando as variáveis Solo, Paisagem e Clima foi possível a
determinação de índices de aptidão agrícola para as culturas e calcular projeções de
produção em cenários climáticos futuros bem como comparar resultados reais de anos
anteriores
- O índice médio de aptidão agrícola da área de estudo para a cultura do trigo tende a ser
reduzido de 80% no cenário base para 73% (cenário RCP4,5) e 69% (cenário RCP8.5);
No cenário RCP4.5 as reduções do IAP serão menos intensas nos municípios localizados
na borda norte e leste da área e no cenário RCP8.5 mais intensas nos municípios
localizados a oeste da área.
- O índice médio de aptidão agrícola da área de estudo para a cultura do milho tende a ser
reduzido de 70% no cenário base para 68% (cenário RCP4,5) e 63% (cenário RCP8.5);
sendo maiores as reduções do IAP ocorrentes em partes dos municípios de Guarapuava,
Inácio Martins e Candói no cenário RCP4.5 e nos municípios de pinhão e Inácio Martins
com IAP de 50% e parte dos municípios de Guarapuava, Reserva do Iguaçu, Turvo,
Campina do Simão, Quedas do Iguaçu, Rio Bonito do Iguaçu e Espigão alto do Iguaçu
com IAP 60% no cenário RCP 8.5.
- A metodologia com modelo MCA estimou adequadamente os índices de aptidão
agrícola para a cultura do milho na área de cultivo, entretanto fatores não ambientais como
96
aumento do potencial produtivo de cultivares e aumento no stand de plantas não
resultaram em correlação significativa entre o IAP e a produtividade desta cultura;
- No processo de estimativa com o modelo MCA, índices de aptidão agrícola da área de
cultivo de aproximadamente 80% ou superiores e 60% ou inferiores demonstraram ser
bons indicadores para mais provável expressão de índices de produtividade mais elevados
ou menos elevados, respectivamente, das culturas do milho e do trigo na microrregião de
Guarapuava.
97
7 Referências bibliográficas
ABITRIGO, Trigo na história, 2016. Disponível em: <http://www.abitrigo.com.br/trigo-
na- historia.php >. Acesso em: 17 de Abri de 2017.
ADAMS, R. M. et al. Effects of global climate change on agriculture: An interpretative
review. Climate Research, v. 11, n. 1, p. 19–30, 1999.
AGRARIA. Cooperativa Agrária Agroindustrial. Agrária: Relatório Anual 2008.
Guarapuava: Cooperativa Agrária Mista Entre Rios Ltda, 2008 f.
AKBULAK, C. Application of analytical hierarchy process and geographic information
systems in land-use suitability evaluation: a case study of Dümrek village (Çanakkale,
Turkey). International Journal of Sustainable Development & World Ecology. v16,
p.286-294, 2009.
AKINCI, H.; ÖZALP, A. Y.; TURGUT, B. (2013) Agricultural Land Use Suitability
Analysis Using GIS and AHP Technique. Computers and Electronics in Agriculture,
97, 71-82. Disponível em:
< http://dx.doi.org/10.1016/j.compag.2013.07.006>. Acesso em 22 nov. 2018.
AKUTAGAWA, K. H.; CAMPUS, U.; MOURÃO, D. C. Fatores e técnicas de
produção da cultura do trigo visando à produtividade e qualidade. XI Encontro de
Engenharia de Produção Agroindustrial. UNESPAR, Campos de Campo Mourão, 2011.
AL-SHALABI, MANSOR S. AHMMED N. GIS Based Multicriteria Approaches to
Housing Site Suitability Assessment. XXIII FIG Congress. Shaping the Change.
Munich, Germany, October 8-13, p. 1–17, 2006.
ALLEY, R. B. Abrupt climate changeScientific American. Science, vol 299, 2004.
ALLEY, R. B, LEMKE P., REN, J.. A report of Working Group I of the
Intergovernmental Panel on Climate Change Summary for Policymakers Summary for
Policymakers. IPCC Climate Change, Cambridge University Press, Cambridge, United
Kingdom and New York, NY, USA., 2007.
ALVICH, J. Climate Modeling. Geophysical Fluid Dynamics Laboratory Group
Leaders and Their Group Rosters, GFDL Annual Report Thru September 30, p. 1–2,
98
2009.
AMBRIZZI, T. Base científica das mudanças climáticas - Volume 1. COPPE.
Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ, Brasil, p.464, 2014.
ARBUCKLE, J., PROKOPY, L. Climate change beliefs, concerns, and attitudes toward
adaptation and mitigation among farmers in the Midwestern United States. Climatic
Change, vol 117, pp. 943–950, 2013.
BAILEY, T. J.; SCHICK, J. B. M. Historical GIS. Social Science Computer Review
Volume 27 n3, p. 291-296, 2009.
BANDYOPADHYAY, S., JAISWAL, R., HEGDE, V., Assessment of land suitability
potentials for agriculture using a remote sensing and GIS based approach. International
Journal of Remote Sensing, v. 30, n. 4, p. 879–895, 2009.
BASSOI, M. C., FOLONI, JOSÉ SALVADOR SIMONETI; SILVA, S. R. Indicações
Filotécnicas para Cultivares de Trigo da Embrapa no Paraná (2a. Edição: Revista e Ampliada).
Londrina/PR: Embrapa Soja, 2016.
BASTOS, T. L.; FAJARDO, S. O CONTEXTO AGRÁRIO DO MUNICÍPIO DE
GUARAPUAVA-PR: UMA LEITURA A PARTIR DOS CONCEITOS DE ESPAÇO E
TERRITÓRIO. Terra Plural, Ponta Grossa, v.8, n.1, p.55-76, jan/jun, 2014.
BATHRELLOS, G.D., GAKI-PAPANASTASSIOU, K. Assessment of rural community
and agricultural development using geomorphological-geological factors and GIS in the
Trikala prefecture (Central Greece). Stochastic Environmental Research and Risk
Assessment, v.27, n.2, p.573–588, 2013.
BATJES, N. H. A Homogenized Soil Data File for Global Environmental Research: A
Subset of FAO, ISRIC, and NRCS profiles (Version 1.0). Working Paper and Prepring
95/10b, International Soil Reference and Information Center, Wageningen, n. July,
1995.
BAXTER, R., HASTINGS, N., LAW, A. Implantação do modelo HADGEM2 do uk-met
office no inpe: resultados preliminares. Animal Genetics, v. 39, n. 5, p. 561–563, 2008.
99
BERGAMASCHI, H.; DALMAGO, G.A.; BERGONCI, J.I.; BIANCHI, C.A.M.;
MÜLLER, A.G.; COMIRAN, F.; HECKLER, B.M.M. Distribuição hídrica no período
crítico do milho e produção de grãos. Pesquisa Agropecuária Brasileira, v.39, p.831-
839, 2004.
BITA, C. E.; GERATS, T. Plant tolerance to high temperature in a changing environment:
scientific fundamentals and production of heat stress-tolerant crops. Frontiers in Plant
Science, vol. 4 p.273, 2013.
BOLCA, M., OZEN, F., KURUCU, Y. Potential land use planning and assessment in
the west part of the Büyük Menderes basin by ILSEN Model. v. 2, p. 19–27, 2013.
BORK, C. K. Projeções de temperatura e precipitação para detecção de mudanças
climáticas na Bacia do Rio Taquari-Antas, RS. p. 94, 2015.
BRAGA, R. Inovação e Tecnologia na Formação Agrícola. Alterações Climáticas e
Agricultura. Associação dos Jovens Agricultores de Portugal, Lisboa, 1° edição, 2009.
Disponível em :
<http://agrinov.ajap.pt/images/manuais/Manual_Alteracoes_Climaticas_e_Agricultura.p
df>. Acesso em: 21 de dezembro de 2018.
BRINKOP, S., ABE-OUCHI, A., CLAUSEEN, M. Projections of Future Climate
Change References. Projections of Future Climate Change, Cambridge University Press,
New York, United States, cap9, p.51, 2001.
BUDESCU, D., BROOMELL, S. Improving communication of uncertainty in the reports
of the intergovernmental panel on climate change. Psychological Science, v. 20, n. 3, p.
299–308, 2009.
CARTER, T. R., HULME, M., CROSSLEY, J. F., MALYSHEV, S., NEW, M. G.,
SCHLESINGER, M. E., & TUOMENVIRTA, H. Climate change in the 21st century:
Interim characterizations based on the new IPCC emissions scenarios. Helsinki:
Finnish Environment Institute. p.148, 2000.
CARVALHO, L. M. V.; JONES, C.; LIEBMANN, B. The South Atlantic convergence
zone: Intensity, form, persistence, and relationships with intraseasonal to interannual
activity and extreme rainfall. Journal of Climate, v. 17, n. 1, p. 88–108, 2004.
100
LIBARDI, V. et al., Consumo d’água da cultura do trigo (tricutum). n. 1, p. 16–23,
1997.
CHALLINOR, A., WHEELER,T., GARFORTH, C. Assessing the vulnerability of food
crop systems in Africa to climate change. Climatic Change, vol 83, p.381-399, 2007.
CHENG, M. et al. Performance assessment of spatial interpolation of precipitation for
hydrological process simulation in the Three Gorges Basin. Water (Switzerland), v. 9,
n. 11, 2017.
CHOU, S., LYRA, A. MOURÃO, C. Assessment of Climate Change over South America
under RCP 4.5 and 8.5 Downscaling Scenarios. American Journal of Climate Change,
n.3, p.512-525, 2014.
CHRISMAN, N. R. Review Paper What Does ` GIS ’ Mean ? v. 3, n. 2, p. 175–186,
1999.
CHRISTENSEN, J. H. Regional Climate Projections. Climate Change: The Physical
Science Basis, v. 27, p. 847–940, 2007.
CLIMBAR. ClimBar: an integrated approach to evaluate and utilise genetic
diversity for breeding climate-resilient barley. CLIMBAR, 2014. Disponível em:
www.araid.es/en/content/climbar-integrated-approach-evaluate-and-utilise-genetic-
diversity-breeding-climate Acesso em 10/02/2018.
COELHO, L. ; STEINKE, E. T.; A. caracterização prévia do início e fim da estação
chuvosa no distrito federal: estudo de caso da bacia do lago Paraná. n. 215, p. 441–
450, 2012.
COHEN, J. Statistical Power Analysis for the Behavioral Sciences. Hillsdale, N.J.,
Erblan, 1988. 579p.
COLLINS, W. J. et al. Development and evaluation of an Earth-system model –
HadGEM2. Geoscientific Model Development Discussions, Geosci. Model Dev.
Discuss, n. 13, 2011.
CONAB. A Cultura do Milho: nos anos-safra 2007 a 2017. Campanha Nacional de
Abastecimento, v. 12, p. 54, 2018a.
101
CONAB. A Cultura do Trigo: análise dos custos de produção e da rentabilidade nos anos-
safra 2009 a 2017. Campanha Nacional de Abastecimento, v. 12, p. 54, 2018b.
CRUZ, J., ALEXANDRE, P.,FILHO,P. Cultivo do Milho. Embrapa Milho e Sorgo
Sistemas de Produção, Sistemas de Produção, n. 2 - 6°edição, 2010.
CUBASCH, U., TREUT, L., SOMERVILLE, R.. Introduction in Climate Change 2013.
Intergovernmental Panel on Climate Change 2013: The Physical Science Basis.
Contribution of Working Group I to the Fifth Assessment Report of the
Intergovernmental Panel on Climate Change, p. 119–158, 2013.
CUNHA, G. R. da, CAIERÃO, E., ROSA, A. C. Informações técnicas para Trigo e
Triticale Safra 2015. VIII Reunião da Comissão Brasileira de Pesquisa de Trigo e
Triticale. p 229, 2015.
DAWSON, I. K., RUSSEL, J., POWELL, W., STEFFENSON, B., THOMAS, W. T. B.,
WAUGH, R. Barley: a translational model for adaptation to climate change. New
Phytologist, v. 206, p.913 – 931, 2015.
DELGADO ASSAD, E., SILVEIRA, H., ZULLO JUNIOR, J. Impacto das mudanças
climáticas no zoneamento agroclimático do café no Brasil. v. 39, n. 11, p. 1057–1064,
2004.
DINIZ, E. M. Relatório Científico:MUDANÇA CLIMÁTICA – RUMO A UM NOVO
ACORDO MUNDIAL. III Conferencia Regional sobre Mudanças Globais: América
do Sul, p. 240, 2008.
DUJMOVIC, J., DE TRE, G., DRAGICEVIC, S. Comparison of Multicriteria Methods
for Land-use Suitability Assessment. Proceedings of the Joint 2009 International
Fuzzy Systems Association World Congress and 2009 European Society of Fuzzy Logic
and Technology Conference, pp.1404–1409, 2009.
EASTERLING, D., MEEHL, G., PARMESAN, C. Climate extremes: observations,
modeling, and impacts. Science (New York, N.Y.), v. 289, n. 5487, p. 2068–2074, 2000.
EBI, K., HALLEGATTE, S., KRAM, T. A new scenario framework for climate change
research: Background, process, and future directions. Climatic Change, V.122, P.387-
102
400, 2014.
EBI, K. L.; MEEHL, G. A. The heat is on: Climate change and heatwaves in the Midwest.
Regional Impacts of Climate Change: Four Case Studies in the United States. p. 1–14,
2007.
EICHELBERGER, L.; ACOSTA, A. da S.; PEREIRA, F. T. F.; SCHEEREN, P. L.; SÓ
SILVA, M.; CAIERÃO, E. Produção de semente genética de trigo na Embrapa Trigo em
2009. In: PIRES, J. L. F.; PASINATO, A.; CAIERAO, E.; TIBOLA, C. S. Trigo:
resultados de pesquisa - safra 2009. Passo Fundo: Embrapa Trigo,. p. 155-163, 2010.
EMBRAPA. Mudanças Climáticas Globais e Agricultura. SEMINÁRIO DA REDE
AGROHIDRO, n.2., 192 p., Campinas, 2014.
ESRI. Essays on Geography and GIS. Esri Press, v. 5, n. December, p. 82, 2012.
ESRI, What is GIS?, Esri Press, v. 3, n. December, p. 63 2012.
FARAG, A., ABDRABBO, M., ELSHARKAWI, H. Comparison between SERES and
RCP scenarios in Temperature and Evapotranspiration under Different Climate Zone in
Egypt. IOSR Journal of Environmental Science, Toxicology and Food Technology,
v. 10, n. 11, p. 54–64, 2016.
FALLAHPOUR, F.; AMINGHAFOURI, A.; BEHBAHANI, A. G.; BANNAYAN, M.
The environmental impact assessment of wheat and barley production by using life cycle
assessment (LCA) methodology. Environment, Development and Sustainability. p.
979–992, 2012.
FEIZIZADEH, B. Journal of Environmental Planning and Land suitability analysis for
Tabriz County , Iran : a multi-criteria evaluation approach using GIS. Journal of
Environmental Planning and Management, p. 37–41, 2012.
FEIZIZADEH, B.; BLASCHKE, T. Land suitability analysis for Tabriz County, Iran: A
multi-criteria evaluation approach using GIS. Journal of Environmental Planning and
Management, v. 56, n. 1, p. 1–23, 2013.
FERNANDES PIRES L.; ROCCA DA CUNHA, G., J. L.V. Trigo no Brasil. Bases para
produçao competitiva e sustentável. p. 488, 2011.
FERRETTI, V. & POMARICO, S. Ecological land suitability analysis through spatial
103
indicators: An application of the Analytic Network Process technique and Ordered
Weighted Average approach. Ecological Indicators, v.34, p.507–519. , 2013.
FERREIRA, D. B. et al. Relações entre a variabilidade da precipitação e a
produtividade agrícola de soja e milho nas regiões sul e sudeste do brasil. INPE,
P.123, 2006.
FILHO, A., ARIAS, P., ÁZARO, B. Influência das variáveis climáticas sobre a
evapotranspiração. Gaia Scientia v. 9, p. 62–66, 2015.
FOWLER, H. J.; BLENKINSOP, S.; TEBALDI, C. Linking climate change modelling to
impacts studies: Recent advances in downscaling techniques for hydrological
modellingInternational. Journal of Climatology, v. 27, p.547-578 2007.
FÜSSEL, H. M.; KLEIN, R. J. T. Climate change vulnerability assessments: An evolution
of conceptual thinking. Climatic Change, n.75, p. 301-329, 2006.
GALVAO, J. C. C., MIRANDA, G. V., TROGELLO, E., FRITSCHE-NETO, R. o. Sete
décadas de evolução do sistema produtivo da cultura do milho. Rev. Ceres vol.61, p.819-
828, 2014.
GIORGI, F. Climate change prediction. Climatic Change, VOL. 73, P.239-265, 2005.
GODFRAY, H. C. J. et al. The Challenge of Food Security. Science, v. 327, n. February,
p. 812–818, 2010.
GODOY, M. J. S.; LOPES-ASSAD, M. L.. Aptidão agrícola de terras com estimativa de
risco climático para a cultura do milho utilizando geoprocessamento. Revista Brasileira
de. Ciência do Solo 2002, vol.26, n.3 , p.685-694, 2002.
GONZALEZ-APARICIO, I.; ZUCKER, A. Meteorological data for RES-E integration
studies. State of the art review; European Union, 82p., 2015.
GORNALL, J., BETTS, R., BURKE, E. Implications of climate change for agricultural
productivity in the early twenty-first century. Philosophical Transactions of the Royal
Society B: Biological Sciences, 2010.
GROISMAN, P., RICHARD W., KARL, R., THOMAS R. Trends in intense precipitation
in the climate record. Journal of Climate, v. 18, n. 9, p. 1326–1350, 2005.
104
GROTCH, S. L.; MACCRACKEN, M. C. The Use of General Circulation Models to
Predict Regional Climatic Change. Journal of Climate, v4 , p.286-303, 1991.
HANNAH, L., DONATTI, C., HARVEY, C. Regional modeling of climate change
impacts on smallholder agriculture and ecosystems in Central America. Climatic
Change, V.141, P.29-45, 2017.
HATFIELD, J. L. et al. Climate Impacts on Agriculture:Implications for Crop
Production. 2011. volume, numero, paginas
HATFIELD, J. L.; PRUEGER, J. H. Temperature extremes: Effect on plant growth and
development. Weather and Climate Extremes, vol.141, p.29-45, 2015.
HEGERL, G., MEEHL, G., COVEY, C., LATIF, M., MCAVANEY, B., & STOUFFER,
R. Supplementary Contributions, n. 26, p. 1–4, 2003.
HENGL, T., DE JESUS, JM., MACMILLAN, RA., BATJES, NH., HEUVELINK, GBM.
SoilGrids1km - Global soil information based on automated mapping. PLoS ONE, v. 9,
n. 8, 2014.
HERTEL, T. W.; LOBELL, D. B. Agricultural adaptation to climate change in rich and
poor countries: Current modeling practice and potential for empirical contributions.
Energy Economics, 2014.
HULME, M.; MAHONY, M. Climate change: What do we know about the IPCC?
Progress in Physical Geography, v. 34, n. 5, p. 705–718, 2010.
IBGE. Sirgas2000: O referencial Geocêntrico do Brasil. Ponto de Referência, ano 1, n.1
p. 26, 2006.
IBGE. Estatísticas Do Registro Civil 2014, vol. 41, p.1–81, 2015.
INMET, Boletim agroclimatológico mensal. Boletim Agro. Mensal, v. 48, 2014.
IPARDES – Instituto Paranaense de Desenvolvimento Econômico e Social.
Mesorregiões Geográficas – Paraná. Disponível em:
<http://www.ipardes.gov.br/pdf/mapas/base_fisica/
mesorregioes_geograficas_PR.pdf>. Acesso em: 30/10/2017.
105
IPCC, 2014. Climate Change 2014 Synthesis Report Summary Chapter for
Policymakers. Disponível em :< http://www.ipcc.ch/report/ar5/syr/. Acesso em : 16 nov,
2018.
IPEA - Instituto de Pesquisa Econômica Aplicada. 2015. Disponível em:
<http:www.ipeadata.gov.br>. Acesso em: 15 nov. 2018.
JAJCAY, N., & PALUŠ, M. Statistical modelling in climate science, CEUR Workshop
Proceedings, v. 1649, p. 102–109, 2016.
JØRGENSEN, S. L.; TERMANSEN, M. Linking climate change perceptions to
adaptation and mitigation action. Climatic Change, vol.138, p.283-296, 2016.
JUNG. Y. Emissions Scenarios. Publishe d for the Intergovernmental Panel on
Climate Change, v. 91, p. 399–404, 2017.
KANE, S.; SHOGREN, J. F. Linking adaptation and mitigation in climate change policy.
Climatic Change, vol.45, p. 75-102, 2000.
KOTLARSKI, S, KEULER, K., CHRISTENSEN, O. Regional climate modeling on
European scales : a joint standard evaluation of the EURO-CORDEX. RCM
ensemble. p. 1297–1333, 2014.
KRAMER, K.; LEINONEN, I.; LOUSTAU, D. The importance of phenology for the
evaluation of impact of climate change on growth of boreal, temperate and Mediterranean
forests ecosystems: an overview. International Journal of Biometeorology, vol.44,
p.67-75, 2000.
KRUG, T., NABUURS,, G., MOLODOVSKAYA, C. Agriculture, Forestry and Other
Land Use (AFOLU), Gesine Hänsel Oswaldo Lucon, vol.11, 67p., 2012.
KUCHARIK, C. J.; SERBIN, S. P. Impacts of recent climate change on Wisconsin corn
and soybean yield trends. Environmental Research Letters, vol.3, 10p., 2008.
MOLSSATO, L. L.; CASTRO, R. L. de; CAIERÃO, E.; GUARIENTI, E. M.; PIRES, J.
L. F.; CUNHA, G. R. da Caracterização de cultivares de trigo quanto à reação à
germinação pré-colheita utilizando o método de simulação de chuva. In: MOSTRA DE
INICIAÇÃO CIENTÍFICA, 12.; Embrapa Trigo, 14p.,.Passo Fundo, 2017.
106
LAGOAS, S. Fisiologia da Produção de Milho. Embrapa, v. d, 2006.
LAPRISE, R. Regional climate modelling. Journal of Computational Physics, v. 227,
25p., 2008.
LÁZARO, Y. M. C. Projeções de precipitação para o século XXI utilizando sistema
de classificação hierárquica de modelos : aplicação para o nordeste setentrional
brasileiro Precipitation forecasts for the XXI century using a hierarchical
classification system into climate. p. 1–11, 2014.
MALCZEWSKI, J. GIS-based land-use suitability analysis: A critical overview.
Progress in Planning, v. 62, n. 1, p. 3–65, 2004.
MARENGO, J. A. Mudanças climáticas globais e seus efeitos sobre a biodiversidade:
caracterização do clima atual e definição das alterações climáticas para o território
brasileiro ao longo do século XXI. MMA, Brasilia - 2a edição, 212p, 2007.
MARENGO, J., JONES, R ., ALVES, L. Future change of temperature and precipitation
extremes in south america as derived from the precis regional climate modeling system.
International Journal of Climatology, 2009.
MARENGO, J. A. Mudanças climáticas, condições meteorólogicas e eventos climáticos
no Brasil. In: Mudanças Climáticas e Eventos Extremos no Brasil. p. 5–19, 2009.
MARTIN, G. M. et al. The HadGEM2 family of Met Office Unified Model climate
configurations. Geoscientific Model Development, 2011.
MASSON-DELMOTTE, V., ZHAI, P., PORTNER, H. IPCC Special Report 1.5 -
Summary for Policymakers, p.5-25, 2018.
MENDES, D. et al. Downscaling Statistical Model Techniques for Climate Change
Analysis Applied to the Amazon Region. Advances in Artificial Neural Systems, v.
2014, p. 1–10, 2014.
MICHEL T. SCUSE, S. OF A. D. World Agricultural Supply and Demand Estimates.
Usda - United States Departament of Agriculture, v.584, 2018.
107
MINUZZI, R.; LOPES, F. Z. Desempenho agronômico do milho em diferentes cenários
climáticos no Centro-Oeste do Brasil. Rev. bras. eng. agríc. Ambiente, vol.19, n.8
p.734-740, 2015.
MOHANTY, M. et al. Simulating soybean-wheat cropping system: APSIM model
parameterization and validation. Agriculture, Ecosystems and Environment. vol.152,
p.68-78, 2012.
MOKARRAM, M. Gis-based multicriteria land suitability evaluation using ordered
weight averaging with fuzzy quantifier : A case study in shavur plain , iran gis-based
multicriteria land suitability evaluation using ordered weight averaging with fuzzy
quantifier : a cas. The International Archives of the Photogrammetry, Remote
Sensing and Spatial Information Sciences, Vol. 38, Part II, 2018.
MOSS, R. H. Towards New Scenarios for Analysis of Emissions, Climate Change,
Impacts, and Response. Macmillan Publishers, Geneva, Switzerland, 2008.
MRAZOVA, J., FAGGIAN, R., SPOSITO, V. Sustainable Development of Catchment
Land - use for Multifunctional Agro - ecological Landscapes under a Changing
Climate. The IAFOR International Conference on Sustainability, Energy and the
Environment. Anais, 2017.
MUNICH REINSURANCE COMPANY PUBLICATIONS. Annual review : Natural
catastrophes, 2004.
MURAYAMA, Y. Progress in geospatial analysis. Progress in Geospatial Analysis, v.
9784431540, n. April 2012, p. 1–291, 2014.
NATIONS, U. Decision 1/CP.21. v. 01194, n. January, p. 1–36, 2015.
NETO, F. G. Eventos climáticos extremos na agricultura e tecnologia para redução de
danos na olericultura em Santa Catarina. VIII-EEC Encontro de Economia
Catarinense Desenvolvimento Rural, p. 1–25, 2014.
O’NEILL, B. C. et al. A new scenario framework for climate change research: The
concept of shared socioeconomic pathways. Climatic Change, 2014.
OKUYAMA, L. Técnicas para a Produção de Trigo no Paraná. Federação da
108
agricultura do estado do Paraná - FAEP, 24p., 2010.
OLESEN, M. et al. Fremtidige klimaforandringer i Danmark [Future Climate Change in
Denmark. Danmarks Klimacenter rapport, 2014.
ORTIZ, R., SAYRE, K. D., GOVAERTS, B., GUPTA, R., SUBBARAO, G. V., BAN,
T., HODSON, D., DIXON, J. M., ORTIZ-MONASTERIO, J. I., & REYNOLDS, M.
Climate change: Can wheat beat the heat? Agriculture, Ecosystems and Environment,
v. 126, p. 46 - 58, 2008.
OSBORNE, T., ROSE, G., WHEELER, T, Variation in the global-scale impacts of
climate change on crop productivity due to climate model uncertainty and adaptation.
Agricultural and Forest Meteorology, vol. 170, p.183-194, 2013.
PERVEEN, M. F. et al. Crop-land suitability analysis using a multicriteria evaluation &
GIS approach. United Graduate School of Agricultural Sciences, Tottori University,
Tottori, Japan, p. 1–8, 2005.
PENDERGRASS, A. G., HARTMANN, D. L. Changes in the Distribution of Rain
Frequency and Intensity in Response to Global Warming. Journal of Climate..v. 27,
p.8372 – 8883, 2014.
PIELKE, R. A. et al. A new paradigm for assessing the role of agriculture in the climate
system and in climate change. Agricultural and Forest Meteorology, v. 142, n. 2–4, p.
234–254, 2007.
PINTO, H. S. Mudanças climáticas e eventos extremos no Brasil. Fundação Brasileira
para o Desenvolvimento Sustentável, p. 34–51 76p., 2012.
PRAKASH, T. N. Land Suitability Analysis for Agricultural Crops : A Fuzzy
Multicriteria Decision Making Approach, 68p., 2008.
QUEIROZ PELLEGRINO, G.; ASSAD, E. D.; MARIN, F. R. Mudanças Climáticas
Globais e a Agricultura no Brasil. Mudanças Climáticas, n. 8, 24p.,2007.
REICHLE, H., TANRE, D., BOUCHER, O. “References 5.” vol.302, p.1719–1723,
2003.
109
REIS-FILHO, J. S., SOARES, R., SCHMITT, F. C., NARESH, K. N. & BORGES, A.
M. Angiogenesis in lymph node metastases [1] (multiple letters). Histopathology,
vol.40, p.103–105, 2002.
RESHMIDEVI, T. V.; ELDHO, T. I.; JANA, R. A GIS-integrated fuzzy rule-based
inference system for land suitability evaluation in agricultural watersheds. Agricultural
Systems, v. 101, n. 1–2, p. 101–109, 2009.
RIBEIRO, T. L. P.; CUNHA, G. R.; PIRES, J. L. F.; PASINATO, A. Respostas
fenológicas de cultivares brasileiras de trigo à vernalização e ao fotoperíodo. Pesquisa
Agropecuária Brasileira, Brasília, v. 44, n. 11, p. 1383 - 1390, 2009.
RIEDE, C. R. Documentos 301 Informações Técnicas para a Safra 2008 : Trigo e
Triticale. 2008.
R.B. Stull, An Introduction to Boundary Layer Meteorology Series: Atmospheric and
Oceanographic Sciences Library, Vol. 13, 1998.
ROMEIJN, H. et al.. Agricultural Land Suitability - Uncertainty Determination using
Weight Sensitivity for Climatic Inputs in a Current and Future Timeframe. In
Deakin University. p. 12, 2016.
ROSE, G., OSBORNE, T., GREATREX, H., WHEELER, T. Impact of progressive
global warming on the global-scale yield of maize and soybean. Climatic Change,
Volume 134, Issue 3, p 417–428, 2016.
S.D. ATTRI ET AL. Challenges and Opportunities in Agrometeorology. Challenges and
Opportunities in Agrometeorology, n. March 2004, p. 551–571, 2011.
SAATY, T. L. . Scaling method for priorities in hierarchical structures. Journal of
Mathematical Psychology, v. 15, n. 3, p. 234–281, 1977.
Saaty, R.W. The analytic hierarchy process-what it is and how it is used. Mathematical
Modelling, v.9, n. 3, p.161–176, 1987.
SAMPAIO, G.; DIAS, P. L. DA S. Evolução dos Modelos Climáticos e de Previsão de
Tempo e Clima. Revista USP, n. 103, p. 41–54, 2014.
110
SANTI, A., VICARI, M. B., PANDOLFO, C., DALMAGO, G. A., MASSIGNAM, A.
M., PASINATO, A. Impacto de cenários futuros de clima no zoneamento agroclimático
do trigo na região Sul do Brasil. Agrometeoros, v.25, n.2, p.303-311, 2017.
SANTOS, D. dos; SILVA, V. de P. R. da; SOUSA, F.de A. S., SILVA, R. A. Estudo de
alguns cenários climáticos para o Nordeste do Brasil. Rev. bras. eng. Agrícola e
ambiental, n.5, p.492-500, 2010
SARTORI, M. A dinâmica do clima do Rio Grande do Sul: indução empírica e
conhecimento científi co. Terra Livre Mudanças Climáticas Globais e Locais, p. 27–
49, 2003.
SCHWARTZ, M. D. Advancing to full bloom: planning phenological research for the
21st century. International Journal of Biometeorology, v. 42, n. 3, p. 113–118, 1999.
SIVAKUMAR, M. V. K.; MOTHA, R. P. Managing weather and climate risks in
agriculture.2007.
SMITH, M. J. DE; GOODCHILD, M. F.; LONGLEY, P. A. Geospatial Analysis: A
Comprehensive Guide to Principles, Techniques and Software Tools. p. 748, 2009.
SPARKS, T. H., GÓRSKA-ZAJACZKOWSKA, M., WÓJTOWICZ, W. &
TRYJANOWSKI, P. Phenological changes and reduced seasonal synchrony in western
Poland. International Journal of Biometeorology, vol. 55, p.447–453, 2011.
SPOSITO, V., FAGGIAN, R. Expert Systems Modeling for Assessing Climate Change
Impacts and Adaptation in Agricultural Systems at Regional Level. Open Journal of
Applied Sciences, v. 3, p. 369–380, 2013.
STEINMETZ SILVANDO CARLOS DA SILVA, S.; ARROZ FEIJÃO, E.
Documentos 312 Início dos Estudos sobre Zoneamento Agrícola de Risco Climático
(ZARC) no Brasil. 2017.
STRECK, N. A.; ALBERTO, C. M. Estudo numérico do impacto da mudança climática
sobre o rendimento de trigo, soja e milho. Pesq. agropec. brasileira, vol.41, n.9, p.1351-
1359, 2006.
STEVE M. EASTERBROOK; TIMOTHY C. JOHNS. Engineering the Software for
111
Understanding Climate Change. IEEE Computing in Science and Engineering, v. 11,
n. 6, p. 65–74, 2009.
STOCKER, T., QIN, D. PLATTNER, G.IPCC WG I. in Climate Change 2013: The
Physical Science Basis. Contribution of Working Group I to the Fifth Assessment
Report of the Intergovernmental Panel on Climate Change. p.119–158, 2013.
SUGAHARA, S. Normais Climatológicas do Brasil / 1961-1990, 2003.
SWART, R.; RAES, F. Making integration of adaptation and mitigation work:
mainstreaming into sustainable development policies? Climate Policy, v. 7, n. 4, p. 288–
303, 2007.
TAO, F.; ZHANG, Z. Impacts of climate change as a function of global mean
temperature: maize productivity and water use in China. Climatic Change, v.105, p.409-
432. 2011.
TEIXEIRA, L., JADOSKI, S., FAGGIAN, R., SPOSITO, V. Estimativa das alterações
de temperatura durante o ciclo de cultivo do trigo entre os anos de 1985 e 2050 no
município de Guarapuava no estado do Paraná, Anais do IV CONSEAAG, p. 1–6,
2018.
TOGGWEILER, J.; KEY, R. Ocean circulation: Thermohaline circulation. Encyclopedia
of Atmospheric Sciences, v. 4, n. December 2007, p. 1549–1555., 2001.
TREUT, L., SOMERVILLE, R., CUBASCH, U. Historical Overview of Climate Change
Science. Earth, v. Chapter 1, n. October, p. 93–127, 2007.
UNITED STATES DEPARTMENT OF AGRICULTURE. Market and trade data:
custom query. 2018. Disponível em:
<apps.fas.usda.gov/psdonline/app/index.html#/app/advQuery >. Acesso em: 09 jan,
2018.
VAN VUUREN, D. P. et al. The representative concentration pathways: An overview.
Climatic Change, 2011.
VIECILI, A., MENEGUSSO,F., ZANETTI, F. Tecnologia de Alimentos
LEVANTAMENTO DO CONHECIMENTO DOS PRODUTORES SOBRE A
112
NOVA NORMATIVA DE COMERCIALIZAÇÃO DO TRIGO, n. 2000, p. 1–6,
2011.
WAGNER, M. V., JADOSKI, S. O., LIMA, A dos S. et al. Avaliação do ciclo fenológico
da cultura do milho em função da soma térmica em Guarapuava, Sul do Brasil. Pesquisa
Aplicada & Agrotecnologia, v.4, n.1, p.135–149, 2011.
WAGNER, M. V et al. Estimativa da produtividade do milho em função da
disponibilidade hídrica em Guarapuava, PR, Brasil. Revista Brasileira de Engenharia
Agrícola e Ambiental, v. 17, n. 2, p. 170–179, 2013.
WANG, F. The use of artificial neural networks in a geographical information system for
agricultural land-suitability assessment. A Environment and Planning , v. 26, 2, p. 265–
284, 1994.
WARNER, KOKO; RANGER, NICOLA; SURMINSKI, SWENJA; ARNOLD,
MARGARET; LINNNEROOTH-BAYER, JOANNE; MICHEL-KERJAN, ERWANN;
KOVACS, PAUL; HERWEIJER, C. Adaptation to climate change: linking disaster risk
reduction and insurance. UNISDR, p. 18, 2009.
WHITE, K. S., ALLEN, SIMON K., NATHANIEL L. BINDOFF, “Technical
Summary.” Climate Change 2013: The Physical Science Basis. Contribution of
Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on
Climate Change, p.33-115, 2013.
KRUG, T., THOMAS, F. Adaptation and Vulnerability. Contribution of Working
Group II to the Third Assessment Report of the Intergovernmental Panel on
Climate Change, p. 19–74, 2001.
YANG, R.C. Mixed-model analysis of crossover genotype environment interactions.
Crop Science, v.47, p.1051-1062, 2007.
113
ANEXOS
114
Anexo 1- Média mensal para temperatura cenário base (1970-2000).
115
Anexo 2- Média mensal para temperatura cenário RCP4.5 (2041-2060).
116
Anexo 3- Média mensal para temperatura cenário RCP8.5 (2041-2060).
117
Anexo 4 - Média mensal para precipitação cenário base (1970-2000).
118
Anexo 5 - Média mensal para precipitação cenário RCP4.5 (2041-2060).
119
Anexo 6 - Média mensal para precipitação cenário RCP8.5 (2041-2060).