uso de modelos de simulação de culturas como ferramentas ... cesar... · iii reunião técnica do...

III Reunião Técnica do CEMADENTema: Extremos Climáticos e Colapso de Produção Agrícola

Fortaleza, CE – 02 a 03 de abril de 2012

Uso de modelos de simulação de culturas como ferramentas para identificação dos agentes deflagradores

de colapso na produção agrícola

Paulo Cesar Sentelhas

Professor Associado de AgrometeorologiaDepartamento de Engenharia de Biossistemas

ESALQ – Universidade de São Paulo

http://www.esalq.usp.br/

III Reunião Técnica do CEMADEN - Tema: Extremos Climáticos e Colapso de Produção Agrícola – Fortaleza 02 a 03/04/2012

Roteiro da Apresentação

• Clima x Agricultura• Fatores Climáticos Deflagradores de Colapso na Produção Agrícola• Seca Agrícola

• Definições• Índices de Seca Agrícola com base no Balanço Hídrico• Vantagens e Limitações

• Uso de modelos na agricultura• Tipos• Calibração• Complexidade x Erro• Aplicações

• Exemplo do Uso de Modelos na Previsão de Colapso na Produção Agrícola

• Considerações Finais


Clima x Agricultura

A agricultura é dentre as atividades econômicas uma das mais dependentes das condições de tempo e clima. As condições climáticas definem:

a) A aptidão do local para o cultivo das mais diferentes culturas -Zoneamento Agroclimático

Zoneamento Agroclimático

do Pinhão-manso

Fonte: Yamada (2011)


b) O risco climático do local associado ao cultivo das diferentes culturas -Zoneamento de Risco Climático

Baixo Médio Alto

Zoneamento de Risco Climático da Cultura do Caupi no Estado do Piauí

Fonte: Andrade Jr. et al., 2001)

Clima x Agricultura


c) A época provável de semeadura

Clima x Agricultura


d) O sistema de cultivo

Cultura de Sequeiro x IrrigadaPlantio Direto x ConvencionalSistema Integrado (Floresta x Lavoura x Pecuária)

Clima x Agricultura


Clima x Agricultura

e) A cultivar a ser empregada e a densidade populacional

Safrinha57 mil plantas/ha

Safra70 mil plantas/ha

Demétrio et al. (2008)

Tolerância a seca


Clima x Agricultura

f) A produtividade e sua variabilidade inter-anual

0

10

20

30

40

50

60

70

80

90

100

Pro

du

tivi

dad

e (T

CH

)

Variabilidade da Produtividade da Cana de Açúcar no Brasil

SP AL GO PB

Fonte: IBGE


Clima x Agricultura

0

500

1000

1500

2000

2500

3000

Pro

du

tivi

dad

e (

kg h

a-1)

Variabilidade da Produtividade da Soja no RS

Produtividade Prod. média Linear (Produtividade)

Impacto da Seca

Fonte: IBGE


Clima x Agricultura

Agricultura é altamente dependente das condições de tempo e clima e os agricultores na maioria das vezes não tem controle sobre eles

Cerca de 80% da variabilidade na produtividade agrícola se deve à variabilidade das condições meteorológicas durante a estação de cultivo, especialmente para as culturas de sequeiro

O impacto da variabilidade do tempo não é apenas sobre o crescimento e produtividade das culturas, mas também sobre as práticas agrícolas: preparo do solo, semeadura, irrigação, pulverização, colheita, etc...


Fatores Climáticos Deflagradores de Colapso na Produção Agrícola

Dentre os fatores responsáveis por colapso na agricultura no mundo, as inundações, os ventos intensos e as secas são os principais.

Source: Sivakumar (2005)

0

10

20

30

40

50

60

Floods

Windstorm

s

Droughts

Forest Fires

Extreme Tem

p.

Landslides

Other

Pe

rce

nt

Total amount of estimated

damage = $412.65 billion

Valor médio anual dos danos

causados = US$ 41,3 bilhões

Source: Sivakumar (2005)

Porc

enta

gem



No Brasil, em todas as regiões, as perdas na agricultura devido a fatores climáticos se dão principalmente pela ocorrência de SECAS, que em muitos casos estão relacionadas aos eventos meteorológicos associados ao ENOS, ZCAS, Dipolo do Atlântico, etc.

Efeitos da La Niña nas perdas de grãos (soja + milho) no RS (Fonte: Berlato & Cordeiro, 2005)

Ano Perdas

(milhões ton)

Perdas

(milhões US$)

1995/96 2,8 522,5

1998/99 2,8 335,4

1999/00 2,3 307,8



Berlato et al. (2005)

Em anos de La Niña as chuvas tendem a ser abaixo do normal

e com distribuição irregular, levando à predominância de

produtividades abaixo do normal, em decorrência dos

veranicos.

Por outro lado, durante os eventos de El Niño, as

produtividade tendem a ser mais elevadas, em decorrência

da ausência dos veranicos.



Ano NeutroProdutividade média de

62 TCH

El Niño 2009-10Produtividade média de

41,0 TCH


Seca AgrícolaDefinições

Ao contrário da Seca Meteorológica, que envolve apenas dados de chuva, e da Seca Hidrológica, que está associada à vazão dos mananciais hídricos, a SECA AGRÍCOLA é um fenômeno que envolve todos os aspectos do Sistema Solo-Planta-Atmosfera, sendo, portanto, uma consequência da Seca Meteorológica integrada aos fatores associados às culturas, ao solo e ao manejo:

Rain

Soil Water

Storage

Rainfall


A Seca Agrícola depende:

Chuva e Evapotranspiração

Solo (Capacidade de retenção de água)

Cultura (Espécie, cutivar, prof. sistema radicular e fase fenológica)

Manejo (Época Semeadura, rotação de culturas, consorciação de culturas, plantiodireto, sombreamento, quebra-ventos, irrigação, etc)

A combinação de todos esses fatores faz com que os impactos das secasagrícolas sejam bastante variáveis, dificultando a adoção de índices que

envolvam apenas variáveis meteorológicas



0

500

1000

1500

2000

2500

3000

19

75

19

76

19

77

19

78

19

79

19

80

19

81

19

82

19

83

19

84

19

85

19

86

19

87

19

88

19

89

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

20

08

Yie

ld (k

g h

a-1)

Soybean Yield in Rio Grande do Sul State

Annual Yield Avg Yield Linear (Annual Yield)

Drought Impact

Yield Loss = 911 kg/ha

Yield Loss = 1224 kg/ha


Source: IBGE


-50

-25

0

25

50

75

100

125

150

175

200

225

250

J1 J3 A2 S1 S3 O2 N1 N3 D2 J1 J3 F2 M1 M3 A2 M1 M3 J2

mm

Passo Fundo, RS (1990-1991) DEF(-1) EXC

-50

0

50

100

150

200

250

J1 J3 A2 S1 S3 O2 N1 N3 D2 J1 J3 F2 M1 M3 A2 M1 M3 J2

mm

Passo Fundo, RS (2004-2005) DEF(-1) EXC

-50

-25

0

25

50

75

100

125

150

175

200

225

250

Jul Ago Set Out Nov Dez Jan Fev Mar Abr Mai Jun

mm

Passo Fundo, RS - Normal Year DEF(-1) EXC

CAD = 50 mm

Growing Season Growing Season



691

423,4

578,1

0

100

200

300

400

500

600

700

800

Normal 1990-91 2004-05

100

61

84

0

20

40

60

80

100

120

Normal 1990-91 2004-05

Total de chuva – Estação de Cultivo % do Normal– Estação de cultivo

DEF = 194 mm

DEF = 201 mm

DEF = 194 mm

DEF = 201 mm

1990-91 → ETP = 510 mm / 2004-05 → ETP = 550 mm

O mesmo DEF pode ser observado com diferentesquantidades de chuva durante a estação de cultivo



Índices de Seca Agrícola: são índices que empregam aspectos do clima (Chuva e ETP), do solo (CAD) e da cultura (Kc e Profundidade do sistema radicular), para a confecção do balanço hídrico e determinação do déficit hídrico.

CAD = [ (CC% - PMP%)/ 1 0 0 ] * dg * Z R

Ar enoso

Ar giloso

CAD< >

Seca AgrícolaÍndices de Seca Agrícola


Deficiência HídricaAcumulada

Índice de SecaAcumulado

ISMA =∑ ISM

n . 3 . N

Índice de DeficiênciaHídrica relativa

Índice de Umidadeda Cultura

Índice de Desenv. da Cultura

CWDF = SWS / SWHC

CWDI = (CWDF/ 0 .4 0 ) - 1

ACWDI = ∑ (CWDI/ n . 1 .5 )

Índice de Palmer

Vantagens

Dados: P & ETP Fácil de Aplicar

Fácil de EntenderNão requer muita

capacidade computacional

CMI = ETa obser ved – ETa expect edDI = (1 - ETa / ETP) * 1 0 0

Índices de Seca Agrícola

(Balanço Hídrico)

Seca AgrícolaÍndices de Seca Agrícola - Vantagens


Limitações

Método de ETP Método de B.H.

CAD AdotadaTipo e Fase da Cultura

Manejo da Cultura

ISMA =∑ ISM

n . 3 . N

CWDF = SWS / SWHC

CWDI = (CWDF/ 0 .4 0 ) - 1

ACWDI = ∑ (CWDI/ n . 1 .5 )

CMI = ETa obser ved – ETa expect edDI = (1 - ETa / ETP) * 1 0 0

Seca AgrícolaÍndices de Seca Agrícola - Limitações

Deficiência HídricaAcumulada

Índice de SecaAcumulado

Índice de DeficiênciaHídrica relativa

Índice de Umidadeda Cultura

Índice de Desenv. da Cultura

Índice de PalmerÍndices de Seca Agrícola

(Balanço Hídrico)


Diferentes métodos de cálculo do balanço hídrico podem ser empregados:

a) Climatológico (Thornthwaite & Mather, 1955 – INMET / AGRITEMPO)b) Hidrológico (Baseado na Equação de Richard - CPTEC)c) Integrado (MUSAG – Funceme)

Ar m azenam ent o r elat ivo

de água no solo

Seca AgrícolaÍndices de Seca Agrícola – Balanço Hídrico


Apesar do balanço hídrico representar de forma mais acurada as condições de seca, as relações entre o armazenamento hídrico relativo ou déficit hídrico relativo estimados e as quebras de produtividade nem sempre são bem estabelecidas.

Seca AgrícolaÍndices de Seca Agrícola – DEF x Produtividade

Normal Resistance Cultivars

y = 2.15x

R2 = 0.78

0.00

0.05

0.10

0.15

0.20

0.25

0.30

0.35

0.40

0.45

0.00 0.05 0.10 0.15 0.20 0.25

(1 - ETa/ETc)

(1 -

Ya/

Yp

)

a

Normal Resistance Genotypes

Isso ocorre devido ao fato de que o impacto da seca nas culturas depende de uma série de fatores já mencionados, mas, principalmente, da fase da cultura em que as deficiências hídricas ocorrem.

Sendo assim, déficits hídricos acumulados ao longo do ciclo com mesma magnitude poderão impactar uma mesma cultura com intensidades diferentes, dependendo da fase fenológica em que esses déficits ocorreram. Solução: Modelos de Simulação

Andrioli & Sentelhas (2009)


Uso de modelos na agricultura

Na agricultura podem ser empregados diversos tipos de modelos. Devido à complexidade dos sistemas agrícolas, assim como de outros sistemas naturais, os modelos de simulação de culturas apenas representam uma aproximação da realidade.

Apesar disso, os modelos na agricultura conseguem, na maioria das vezes, representar bem os diversos processos envolvidos na produção agrícola, como:

a) Duração do ciclob) Desenvolvimentoc) Fotossíntesed) Respiraçãoe) Produção de biomassaf) Partição de fotoassimiladosg) Produtividade

Modelos de Simulação de Culturas


Uso de modelos na agriculturaTipos de modelos

Os modelos de simulação de culturas (MSC) podem ser classificados de acordo com os princípios envolvidos, em:

a) Modelos Empíricos: baseados na relação entre a produtividade das culturas e variáveis, normalmente, meteorológicas, sem explicar as relações de causa e efeito. Esses modelos tem aplicação restrita.

y = 0,083xR² = 0,820

0

10

20

30

40

50

60

0 200 400 600 800

Yie

ld R

ed

uctio

n (%

)

Accumulated WD (mm)



a) Aa

b) Modelos Matemático-Fisiológicos: explicam alguns dos processos básicos da produção vegetal, como a fotossíntese, a respiração de manutenção e a partição de fotoassimilados, por meio de equações matemáticas. Além disso, leva em conta a penalização da produtividade potencial pelo déficit hídrico, determinado a partir do balanço de água no solo, considerando-se a CAD, a ETc e a Chuva.

O modelo apresentado por Doorenbos & Kassam (1979) no Boletim FAO 33, conhecido no Brasil como modelo da FAO, tem sido largamente testado e aplicado em diferentes condições apresentandoresultados satisfatórios desde que adequadamente calibrados.

Esse modelo parte de informações de clima (RS, N, T), solo (CAD) e planta (Espécie, Kc, IAF, Ic) para estimar as Produtividade Potencial (PP) e Atingível (PA).



Produtividade Potencial

Prod. Atingível

Prod. Real

Nível de Produtividade

Tip

od

e P

rodutivid

ade CO2, RS, T, N e

Espécie/Variedade

Fatores

determinates

Fatores limitantes

Fatores redutores Doenças, pragas e

plantas invasoras (T,

UR, P e DPM)

Disp. Água (P e ET) e

Nutrientes no solo



Estimativa da Produtividade Potencial

Modelo da Zona Agroecológica

Estima a Produtividade Potencial Bruta Padrão

Método da Zona Agroecológica (FAO 33, 1979)

PPBp [kg MS ha-1 dia-1]

Conceito

É a Massa Seca (MS) produzida por uma cultura padrão, cobrindo totalmente o terreno (IAF = 5), tendo a radiação solar,

o fotoperíodo e a temperatura como fatores limitantes.



Estimativa da Produtividade Potencial Bruta Padrão PPBp [kg MS ha-1 dia-1]

PPBp = PPBc + PPBn

PPBc = Prod. no Períodode Céu Claro

PPBn = Prod. no Período de Céu Nublado Comprimento de onda (cm-1)

Energ

ia a

bsorv

ida (

Wm

-2cm

-1)

Visível



PPBc =Prod. Potencial no Período de Céu Claro

PPBc = (107,2 + 0,36 Qo) n/N cTc

PPBn = Prod. Potencial no Período de Céu Nublado

PPBn = (31,7 + 0,219 Qo) (1 – n/N) cTn

RADIAÇÃO SOLAR x LATITUDE

10,0

15,0

20,0

25,0

30,0

35,0

40,0

45,0

50,0

JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ

Meses

Qo

(M

Jm

-2d

-1)

10S 20S

30S 40SEquador

FOTOPERÍODO x LATITUDE

8,0

10,0

12,0

14,0

16,0

J AN MAR MAI J UL SET NOV

Meses

Foto

per

íod

o (

hora

s)

Lat 10 S Lat 20 S

Lat 30 S Lat 40SEquador



Correções para o efeito da temperatura

cTc e cTn

Depende:

Tipo de metabolismo fotossintético (C3, C4) Clima da região de origem da espécie Temperatura do ar

Grupo 1 – Plantas C3 de inverno (alfafa, feijão, trigo, ervilha, batata)

Grupo 2 – Plantas C3 de verão (algodão, amendoim, arroz, girassol, soja)

Grupo 3 – Plantas C4 (milho, sorgo, cana-de-açúcar, capins, etc.)



Prod. Potencial Bruta Padrão

Quixeramobim, CE

0

100

200

300

400

500

600

700

800

900

1000

J F M A M J J A S O N D

PP

Bp

(K

g M

S/h

a d

ia)

C3 Inverno C3 verão C4




Serrinha, BA

0

100

200

300

400

500

600

700

800

900

1000


PP

Bp

(K

g M

S/h

a d

ia)




0

100

200

300

400

500

600

700

800

900

1000


PP

Bp

(K

g M

S/h

a d

ia)

Prod. Potencial Bruta Padrão Catanduva, SP

C3 Inverno C3 Verão C4




São Luiz Gonzaga, RS

0

100

200

300

400

500

600

700

800

900

1000


PP

Bp

(K

g M

S/h

a d

ia)




Estimativa da Produtividade Potencial da Cultura

PPf [kg MS ha-1]

PPf = PPBp * CIAF * CRESP * CCOL * NDC * CUM

CIAF = correção para o índice de área foliar máximo da cultura

CRESP = correção para as perdas por respiração (man. e cresc.)

CCOL = correção para a parte da planta efetivamente colhida

NDC = número de dias do ciclo da cultura

CUM = correção para considerar a umidade da parte colhida

OBS: C são índices adimensionais



Penalização da Produtividade Potencial pelo Déficit HídricoModelo FAO – Boletim 33 (1979)

A deficiência hídrica induz a adaptações morfológicas e fisiológicas, como o fechamentos dos estômatos, reduzindo a fotossíntese, afetando adversamente o crescimento e o

rendimento das culturas, ou seja > o DEF < a Produtividade

Kc

Cultura em condições

hídricas ideais



Clima

RS, T, V,

UR

Cultura de

referência

Gramado sem

deficiência hídrica

Balanço Hídrico da Cultura



Ky = (1 – PA/PPf) / (1 – ETr/ETc)

(1 – PA/PPf) = Ky (1 – ETr/ETc)

PA/PPf = 1 – Ky (1 – ETr/ETc)

PA = PPf [1 – Ky (1 – ETr/ETc)]

Coeficiente de sensibilidade ao Déficit Hídrico (Ky)

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

(1 - ETr/ETc)

(1 -

PR

/PP

c)

Maturação

Des.Veg.

Floração

Frutificação

a) Aab) a

c) Modelos de Processos: são modelos mecanísticos que explicam todos os processos envolvidos na produção vegetal, desde a fotossíntese até a partição de fotoassimilados, passando pelo crescimento de folhas, caules e raízes. Os modelos de processos consideram diversos sub-modelos, os quais envolvem as relações entre a espécie/cultivar e as condições ambientais, por meio de equações matemáticas e relações empíricas.

Modelos dessa natureza são sub-divididos em módulos que se interrelacionam:

- Módulo Climático- Módulo Solo- Módulo Espécie/Cultivar- Módulo Manejo



Aumenta a Complexidade e o número de variáveis de entrada exigidas



Dentre os Modelos de Processos disponíveis, os mais conhecidos e empregados são:

- DSSAT – Decision Support System for Agrotechnology Transfer- APSIM – Agricultural Production Systems Simulator- STICS - Simulateur mulTIdisciplinaire pour les Cultures Standard- WOFOST – World Food Studies- CROPSYST – Cropping Systems Simulation Model

Apesar da maior complexidade, nem sempre a expectativa de maior accuracidade desses modelos é alcançada, pois mesmo sendo modelos mecanísticos de alta performance, eles exigem calibração já que tem em suas formulações diversas relações empíricas.



Modelo - DSSAT



CANEGRO

23 coeficientes de Espécie

31 coeficientes de Ecotipo

20 coeficientes de variedade

EspécieFotossíntese

Partição da biomassaCrescimento da raíz

Acúmulo de sacaroseExtração de água

Altura, IAF

EcotipoAcúmulo de sacaroseCrescimento dossel

PerfilhamentoFenologia

Maturação

VariedadeAcúmulo de biomassaPartição de biomassaAcúmulo de sacaroseFenologia, Altura, IAF,

Maturação



Clima

Solo

Manejo

Tmax, Tmin, Chuva, Rad. Solar, Vel. Vento, UR

Características físico-hídricas e químicas do perfil do solo (diferentes profundidades)

Adubação Nitrogenada, Matéria Orgânica (palha)

Maior complexidade e dificuldadepara aplicação prática


Uso de modelos na agriculturaCalibração

O processo de CALIBRAÇÃO dos modelos de simulação de culturas consiste no ajuste dos coeficientes do modelo de modo que os resultados estimados se assemelhem aos valores observados.

Modelos Empíricos – ajuste dos coeficientes linear e angular dos modelos lineares.

Modelos Matemático-Fisiológicos – ajuste dos coeficientes do modelo relativos ao IAF máximo, CAD, Kc e Ky.

Modelos de Processos – ajuste dos diversos coeficientes de cada processo relacionado a cada espécie/cultivar. Normalmente, se selecionam apenas os coeficientes mais relevantes, já que esses modelos contam com mais de sessenta deles.



Singels et al. (2008)

Calibração reduziu o erro sistemático, aumentando a acurácia das estimativas



y = 1,007x

R2 = 0,86

0

20

40

60

80

100

120

140

160

0 20 40 60 80 100 120 140 160

Produtividade observada (TCH)P

rod

uti

vid

ad

e e

sti

ma

da

(T

CH

)

Teste do Modelo FAO Calibrado

(Cana Planta + Cana Soca)

y = 1,0174x

R2 = 0,8294

Erro Abs. Médio = 7,6%

0

20

40

60

80

100

120

140

0 20 40 60 80 100 120 140

Produtividade Observada (THC)

Pro

dtu

vid

ad

e E

sti

mad

a (

TH

C) Piracicaba, SP

PRest = 0,994.PRobs

R2 = 0,8813

0

20

40

60

80

100

120

140

160

0 20 40 60 80 100 120 140 160

Produtividade observada (TCH)

Prod

uti

vid

ad

e e

stim

ad

a (

TC

H)

Igarapava, SP

Araçatuba, SP

Calibração do Modelo FAO para a Estimativa da Produtividade da Cana-de-açúcar

Santos et al. (2006)

Gazzola et al. (2007)



y = 1,0236xR² = 0,9815

0

20

40

60

80

100

120

140

160

180

0 20 40 60 80 100 120 140 160 180

Pro

du

tivi

dad

e E

stim

ada

-Mo

de

lo F

AO

(TC

H)

Produtividade Observada (TCH)

Usina Japungu, PB

Calibração do Modelo FAO para Cana-de-açúcar no Estado da Paraíba

y = 0.9928xR² = 0.9158

0

2000

4000

6000

8000

10000

12000

14000

16000

18000

0 2000 4000 6000 8000 10000 12000 14000 16000 18000

Est

ima

ted

Co

rn Y

ield

(k

g/h

a)

Observed Corn Yield (kg/ha)

Corn - Performance of the Crop Simulation Model

Summer

Safrinha

Calibração do Modelo FAO para a cultura do Milho em várias regiões

Sentelhas et al. (2011) Sentelhas et al. (2012)



Calibração do CANEGRO naAfrica do Sul

Biomassa parte aérea Biomassa de colmo

Índice de Área Foliar

(Singels et al., 2008)



Calibração do CANEGRO

para o Brasil(Marin et al., 2011)



Mo

del

o S

TIC

S -

Wh

eat

Mo

del

o C

ere

s W

hea

t-

DSS

AT

Fonte: Zalud et al. (2006)


Fonte: Soler (2004)


Mo

del

o C

ere

s M

aize

-D

SSAT


Uso de modelos na agriculturaComplexidade x Erro

0

10

20

30

40

50

60

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Err

or

Complexity

Total Error

Systematic

Error

Calibration

Error

Modelagem de Sistemas AgrícolasAdequado Balanço entre Complexidade e Erro

Nem sempre maior complexidade resulta em menores erros


Uso de modelos na agriculturaAplicações

Corn yield in Goiás

Avaliação do Potencial Produtivo de diferentes Culturas(Modelo FAO)

Monteiro (2012)

Sentelhas (2012)



Definição de Melhores Épocas de Semeadura do Milho(Modelo FAO )

Semeadura # PP PA Q PQ>20% PQ>40%

01/set 1 14544,0 7481,7 48,6 90,0 73,3

11/set 2 14516,5 8677,4 40,2 90,0 53,3

21/set 3 14485,0 10508,1 27,5 60,0 30,0

01/out 4 14426,4 11546,5 20,0 36,7 16,7

11/out 5 13767,0 11513,5 16,4 40,0 0,0

21/out 6 14290,8 12740,7 10,8 10,0 0,0

01/nov 7 14278,5 12571,6 12,0 20,0 0,0

11/nov 8 14217,0 12667,2 10,9 6,7 0,0

21/nov 9 14181,9 12555,2 11,5 10,0 3,3

01/dez 10 14091,3 11974,6 15,0 26,7 3,3

11/dez 11 13964,8 11033,5 21,0 50,0 10,0

21/dez 12 13781,1 10082,9 19,9 50,0 10,0

01/jan 13 13590,8 8924,5 34,3 80,0 36,7

0

2000

4000

6000

8000

10000

12000

14000

16000

1 2 3 4 5 6 7 8 9 10 11 12 13

Pro

du

tivi

dad

e (

kg/h

a)

PP

PA

Paraúna, GO

Sentelhas (2012)



Irrigação x Produtividade Real

Cana-Planta

50 70 90 110 130 150 170 190

0

20

40

50

60

80

100

Lâm

ina d

e ir

rigaçã

o (

% D

EF

)

Produtividade real (t/ha)


Precoce

50 70 90 110 130 150 170 190

0

20

40

50

60

80

100

Lâm

ina d

e ir

rigaçã

o (

% D

EF

)



Médio

50 70 90 110 130 150 170 190

0

20

40

50

60

80

100

Lâm

ina d

e ir

rigaçã

o (

% D

EF

)



Tardio

50 70 90 110 130 150 170 190

0

20

40

50

60

80

100

Lâm

ina d

e ir

rigaçã

o (

% D

EF

)Produtividade real (t/ha)

Viabilidade Agrícola do Uso de Irrigação na Cana-de-açúcar

(Modelo FAO)

LâminasX

Incremento de Produtividade

Sentelhas et al. (2007)



Previsão de Safra(Ceres Maize – DSSAT)

Simulações sucessivas com dados observados até a data da previsão e com

dados da série histórica a partir daí

Previsão da produtividade final com 2 meses de

antecedência


Exemplo do Uso de Modelos na Previsão de Colapso na Produção Agrícola

81 - 100 % ARM = Altamente favorável 61 - 80 % ARM = Favorável 41 - 60 % ARM = Razoável 31 - 40 % ARM = Desfavorável

21-30% ARM = Crítico 11 - 20% ARM = Muito crítico 1 - 10 % ARM = Severa < 1 % ARM = Muito severaLegenda:

1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

06/07

07/08

08/09

09/10

10/11

11/12


21-30% ARM = Crítico 11 - 20% ARM = Muito crítico 1 - 10 % ARM = Severa < 1 % ARM = Muito severa

Usina Ano

I

P

A

U

Legenda:

Dezembro Janeiro Fevereiro Março Abril MaioJunho Julho Agosto Setembro Outubro Novembro

0,0

10,0

20,0

30,0

40,0

50,0

60,0

70,0

80,0

90,0

100,0

Pro

du

tivi

dad

e E

stim

ada

(t.h

a-1

)

Estimativa da Produtividade Real - Ipaussu

Safra 09/10

Safra 10/11

Safra 11/12

Safra 12/13

Safra 12/13 - 08

Safra 12/13 - 09

Safra 12/13 - 10

Safra 12/13 - 11

Previsão de Safra Sistema Comparativo

(Modelo FAO)

Simulações sucessivas com dados observados até a data da previsão e com dados da

série histórica

A pluma das simulações do ano atual com os dados dos anos anteriores mostra um

cenários crítico para as produtividades projetadas

Ourinhos, SP


Previsão de Safra Sistema Comparativo

(Modelo FAO)

Simulações sucessivas com dados observados até a data da previsão e com dados da

série histórica

Neste caso, o cenário é mais promissor em relação à

maioria dos anos analisados


21-30% ARM = Crítico 11 - 20% ARM = Muito crítico 1 - 10 % ARM = Severa < 1 % ARM = Muito severaLegenda:

1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

06/07

07/08

08/09

09/10

10/11

11/12


21-30% ARM = Crítico 11 - 20% ARM = Muito crítico 1 - 10 % ARM = Severa < 1 % ARM = Muito severa

Usina Ano

G

A

S

A

Legenda:

Dezembro Janeiro Fevereiro Março Abril MaioJunho Julho Agosto Setembro Outubro Novembro

0,0

10,0

20,0

30,0

40,0

50,0

60,0

70,0

80,0

90,0

100,0

110,0

120,0

Pro

du

tivi

dad

e E

stim

ada

(t.h

a-1)

Estimativa da Produtividade Real - Gasa

Safra 08/09

Safra 09/10

Safra 10/11

Safra 11/12

Safra 12/13

Safra 12/13 - 07

Safra 12/13 - 08

Safra 12/13 - 09

Safra 12/13 - 10

Safra 12/13 - 11

Lins, SP

Exemplo do Uso de Modelos na Previsão de Colapso na Produção Agrícola


Considerações Finais

Diante do que foi apresentado ao longo desta palestra, pode-se considerar que:

a) A seca é o principal agente deflagrador de colapso na produção agrícola no Brasil, ocorrendo em todas as regiões produtoras de fibras, energia e alimentos;

b) Os índices de Seca Agrícola com base no balanço hídrico, apesar de quantificarem de forma mais confiável os eventos de seca para a agricultura, não se mostram totalmente adequados para quantificar os impactos sobre a produtividade das culturas;

c) O uso de Modelos de Simulação de Culturas, especialmente os matemático-fisiológicos e os modelos de processos calibrados, permitem quantificar o potencial de colapso na agricultura em função de eventos de seca agrícola, sendo assim a melhor opção para o monitoramento de áreas críticas, onde a segurança alimentar é normalmente frágil;


Considerações Finais

a) Aa

b) Aac) Aa

d) A disponibilidade de dados meteorológicos (densidade de estações, número de variáveis e confiabilidade), no contexto do uso de modelos de simulação para o monitoramento de colapso na produção agrícola, é fundamental para que o sistema seja abrangente e confiável;

e) A consolidação de um sistema de monitoramento de colapso da produção agrícola deve ser um esforço multi-disciplinar envolvendo especialistas de áreas de meteorologia, de fitotecnia/agronomia, de agrometeorologia, de solos e de áreas correlatas, de modo a serem gerados produtos que condigam com a realidade da agricultura local.


Muito Obrigado

Prof. Dr. Paulo Cesar Sentelhas

Professor Associado de AgrometeorologiaLEB - ESALQ – Universidade de São PauloE-mail: [email protected] 19-3429-4283 – ramal 225

Pav. Engenharia - ESALQ/USP – Piracicaba, SP

uso de modelos de simulação de culturas como ferramentas ... cesar... · iii reunião técnica do...

Documents