Distribuição espacial da chuva em fazendas de soja e algodão no extremo oeste da Bahia

Transcrição

1 Distribuição espacial da chuva em fazendas de soja e algodão no extremo oeste da Bahia Flávio Bittencourt 1, Everardo Chartuni Mantovani 2, Gilberto Chohaku Sediyama 3 Nerilson Terra Santos 4 1 Doutorando em Engenharia Agrícola, UFV/DEA, Av. P.H. Rolfs, s/nº, Campus Universitário - CEP Viçosa - MG, flavio.bittencourt@ifsudestemg.edu.br 2 Professor D. S., UFV/DEA, everardo@ufv.br 3 Professor, Ph. D., UFV/DEA, g.sediyama@ufv.br 4 Professor, Ph. D.. UFV/DET, nsantos@ufv.br Resumo - Nos municípios São Desidério e Correntina foram dispostos pluviógrafos durante as safras e para monitorar os volumes diários da chuva. Considerando o trimestre mais chuvoso, dezembro, janeiro e fevereiro, foi realizada a modelagem da chuva total. Para realizar a modelagem da chuva foram adotadas técnicas estatísticas que consistiam em detectar valores discrepantes, modelagem da dependência espacial, validação cruzada e construção do mapa da distribuição da chuva por meio da krigagem ordinária. Foi detectado comportamento espacial diferente para as duas safras e também foram observados valores de dispersão diferentes para os volumes de chuva total trimestral. O excesso de chuva para o mês de janeiro na safra teve picos maiores dos que observados em Porém na safra , neste mesmo mês, a distribuição temporal da chuva foi mais homogênea. Palavras-chave: Oeste da Bahia; geoestatística; krigagem. Spatial distribution of rainfall in soybean and cotton farms in the far west of Bahia Abstract - In counties São Desidério and Correntina pluviographs were disposed during the and crops to monitor the daily volumes of rainfall. Consider the wettest quarter, December, January and February, we performed the modeling of the total rainfall. To perform the modeling of rainfall were adopted statistical techniques that consisted in a detection of outliers, modeling of spatial dependence, cross validation and construction of the rainfall distribution map through ordinary kriging. Was detected different spatial behavior for both crops, as were also observed different dispersion values for volumes of quarterly total rainfall. The rainfall excess for the month of January in the had higher peaks than in But in the , in the same month, the temporal distribution of precipitation was more homogeneous. Key words: West of Bahia; geostatistics; kriging. Introdução São Desidério e Correntina são dois municípios do estado da Bahia que se destacam pela área utilizada para a produção de grãos (SANO et al., 2011). A grande disponibilidade de terras com topografia ideal para a mecanização, índice pluviométrico ideal e a alta tecnologia utilizada garantem a boa produtividade. O município de São Deisdério, segundo o IBGE (2010), é o maior produtor de algodão herbáceo do Brasil, sendo o responsável por 15,7% da produção brasileira e 46,5% da produção baiana. A produção de soja, na safra de 2010, apresentou crescimento de 26,0%, representando cerca de toneladas desse grão. No Oeste da Bahia, o período de maior volume de chuva corresponde, segundo Tanajura et al. (2010), ao trimestre dezembro-janeiro-fevereiro (DJF). O máximo neste trimestre chega a 700 mm. O pico de chuva está associado à ZCAS e com vestígios de frentes frias que penetram em baixas latitudes. A chuva é um elemento climático fundamental para as plantas, sendo essencial para o crescimento, desempenhando um papel importante na fotossíntese e, portanto, na produção. Segundo Doorenbos e Kassan (1994) se o suprimento de água atende em sua totalidade às necessidades hídricas da cultura, a produtividade dependerá, principalmente, das características genéticas da planta e do grau de adaptação ao ambiente. Portanto, considerando os demais elementos responsáveis pela produção como fixos e em nível ótimo, a produtividade depende exclusivamente da água. Segundo Mantovani et al. (2009), a chuva é um elemento climático que pode variar espacialmente, e, dependendo da área plantada, é necessária a adoção de manejo diferenciado com o objetivo de atender às III Simpósio de Geoestatística em Ciências Agrárias 1

2 necessidades hídricas da cultura a ser plantada. Melo Júnior et al. (2006) também recomendam a delimitação de regiões com distribuição espacial de chuva homogênea para fins de manejo. Para a geoestatística a variável regionalizada é uma variável que é observada no espaço (ou tempo) e que faz parte de uma população multivariada, em que seus valores podem correlacionar-se com as coordenadas do espaço (ou tempo) por algum processo da qual foi obtida. Considerando que a associação das variáveis em pontos distintos é maior à medida que se reduz a distância entre eles, a semivariância mede esta dissimilaridade. Por meio das estimativas das semivariâncias é construído o semivariograma experimental e, a partir dele, o semivariograma teórico obtido é utilizado para modelar a autocorrelação em função da distância. A avaliação do modelo da dependência espacial pode ser efetuada pelo método da validação cruzada, a qual permite: avaliar os diferentes modelos teóricos de dependência espacial, avaliar as diferentes estimativas dos parâmetros que definem um mesmo modelo de semivariograma, avaliar a forma, raio e tamanho de diferentes vizinhanças de busca e identificar possíveis problemas no método de estimação (ISAAKS; SRIVASTAVA, 1989). Detectada a dependência espacial podem-se estimar os valores da variável regionalizada para pontos não amostrados por meio da krigagem. Para Grimes e Pardo-Igúsquiza (2009), a krigagem possui uma propriedade interessante, pois além de permitir a estimativa de valores sem tendência para os locais não amostrados, permite conhecer a variância da estimativa. Considerando a disposição espacial de pluviógrafos em fazendas dos municípios São Desidério e Correntina (BA) e a quantidade total de chuva para o trimestre DJF, período de maior chuva na região, nas safras e , este trabalho teve por objetivo modelar a distribuição espacial da chuva neste trimestre paras as duas safras. Material e Métodos Durante as safras e foram distribuídos 42 e 40 pluviógrafos, respectivamente, numa área de aproximadamente hectares cultivada com soja e algodão no município de São Desidério, Bahia. O município de São Desidério está situado entre as coordenadas e W e e S, no extremo Oeste Baiano. Pela classificação climática de Köppen, o clima é do tipo Aw, tropical com chuvas de verão, com índices de pluviosidade atingindo 1.700mm/ano, com temperatura anual entre 17 e 37 C e as estações definidas entre maio e setembro (seca) e outubro a abril (chuvosa) (ALBUQUERQUE, 2009; BATISTELLA et al. 2002). A disposição dos pluviógrafos nas safras e foi de um para cada gleba cultivada, sendo distanciados, aproximadamente, por metros. A coleta da chuva foi realizada durante toda a safra consistindo-se em leituras diárias. Para a safra a disposição dos pluviógrafos pode ser visualizada na Figura 1. Para a safra alguns pluviógrafos foram dispostos em uma outra posição (conforme pode ser visto na Figura 4(b)) por haver áreas não cultivadas neste período. Figura 1. Disposição espacial dos pluviógrafos na área, safra III Simpósio de Geoestatística em Ciências Agrárias 2

3 Após a coleta dos dados foram realizados estudos descritivos e, posteriormente, ajustaram-se os semivariogramas para as quantidades totais de chuva para o trimestre DJF para as duas safras. O modelo de semivariograma teórico adotado foi aquele em que o ajuste melhor representasse os valores das semivariâncias experimentais e, conjuntamente, o que apresentasse melhores estatísticas para os valores preditos e os erros padronizados da modelagem da dependência espacial. O grau de dependência espacial (GDE) de Cambardella, Equação 1, apresentado por Souza et al. (2008), será utilizado para mensurar a dependência espacial da chuva. GDE Co (1) C C 1 o em que: C o é o efeito pepita e C 1 +C o é o patamar. Pode ser classificada como forte, moderada ou fraca dependência espacial em função da relação entre o efeito pepita e o patamar do semivariograma ajustado. Valores inferiores a 25% caracterizam forte dependência espacial, entre 25% e 75%, moderada e para valores acima de 75%, fraca dependência espacial. Resultados e Discussão Os estudos preliminares iniciaram-se com a confecção do boxplot para os dados de chuva do trimestre DJF das safras e (Figura 2). A distribuição dos dados de chuva para a safra apresentou dois valores mínimos (outlier), sendo 222,6 e 242,6mm. Os demais valores estão situados, em maioria, entre o 1º e 3º quantil caracterizando uma distribuição dos dados menos dispersa. Por outro lado, na safra foi constatado um valor discrepante (outlier) maior que os demais, sendo igual a 685,8mm. Este valor máximo não obtido do pluviógrafo ELI 01 e não foi o mesmo pluviógrafo que marcou o máximo na safra (CA 01). Portanto, é um indício de que houve uma variação temporal nos dados de chuva. Figura 2. Dispersão da chuva nas duas safras. Nas duas safras os valores da mediana e média para cada qual são próximos. Isto revela uma distribuição dos dados menos dispersa. Porém a safra apresentou maior dispersão do que a safra anterior. Na safra foi constatado que, além de apresentar menor dispersão, o que indica melhor distribuição da chuva, os valores observados foram maiores do que a safra A construção dos semivariogramas consistiu em encontrar um modelo teórico que representasse a dependência espacial e que apresentasse estatísticas melhores que outros testados durante a modelagem. Os outliers não foram removidos do conjunto dados, embora afete consideravelmente na modelagem da dependência espacial. Os semivariograma encontrados estão apresentados na Figura 3 e as estimativas dos parâmetros dos dois modelos, na Tabela 1. Tabela 1. Estimativas dos parâmetros dos semivariogramas gaussianos e exponencial, respectivamente Efeito pepita Patamar Alcance Efeito pepita Patamar Alcance 518,4 9656,9 5083, , ,9 III Simpósio de Geoestatística em Ciências Agrárias 3

4 (a) (b) Figura 3. Semivariogramas: (a) gaussiano, safra e (b) exponencial, safra O alcance que representa a distância para a qual existe dependência espacial foi diferente nos dois modelos e, na safra o alcance foi maior. O grau de dependência espacial (GDE) de Cambardella para ambos modelos adotados foram menores do que 25%, conclui-se que os dados de chuva são fortemente dependentes. A escolha do semivariograma teórico baseou-se em Isaaks e Srivastava (1999) e Jakob e Young (2006), que relatam como sendo o melhor resultado esperado aquele em que a média dos erros padronizados do modelo adotado seja mais próxima de zero e que o desvio padrão dos erros padronizados seja o menor possível. Além disso, recomendam a avaliação da mediana como uma etapa importante, pois quanto mais próxima do valor zero maior a indicação de um equilíbrio entre sub e superestimativas. Na adoção do modelo gaussiano foram obtidos os resultados apresentados na Tabela 2 para as estatísticas supra citadas. Tabela 2. Estatísticas descritivas dos erros padronizados na avaliação dos modelos de semivariograma adotados, trimestre DJF, safras e , Município de São Desidério, Bahia Estatísticas Safras Média 0,0245 0,0100 Desvio padrão 0,9721 1,1273 Mediana 0,0500-0,0050 Teste Shapiro-Wilk (valor p) 0,6715 0,4303 Coeficiente de Correlação 0,7144 0,8348 Observa-se que os erros padronizados apresentaram resultados satisfatórios para as estatísticas adotadas, médias próximas de zero e desvios padrão próximo a 1. A mediana ficou próxima do valor zero em ambas as safras indicando que houve um equilíbrio entre as sub e superestimativas. O teste Shapiro- Wilk que é um teste para averiguar se a distribuição dos quantis dos erros padronizados é normal apresentou valores p que permitem concluir que os erros distribuem-se normalmente. O coeficiente de correlação linear indica uma correlação positiva entre as estimativas e os valores observados. Em ambas as safras houve superestimativas para os menores valores e subestimativas para os maiores valores de chuva. Após a validação cruzada dos modelos de semivariograma, a interpolação por krigagem ordinária para a chuva total para o trimestre DJF para ambas as safras pode ser gerada (Figura 4). Observando a Figura 4 pode-se concluir que há diferenças entre a distribuição espacial da chuva total trimestral (DJF) nas duas safras, podendo-se dizer que houve uma variação temporal. No canto superior à direita pode ser observado volumes de chuva diferentes para os mesmos pluviógrafos. Para a safra , percebe-se menor variação espacial da chuva. Na safra o volume de chuva foi menor, apresentando chuva máxima no centro da figura e menores volumes à direita e à esquerda do mapa. O pluviógrafo ELI 01 é o que mensurou maior volume de chuva, podendo ser visto numa área mais escura do que as demais (Figura 3(b)). III Simpósio de Geoestatística em Ciências Agrárias 4

5 (a) S safra (b) safra Figura 4. Mapa da distribuição espacial dos totais trimestrais (DJF) da chuva. No trimestre estudado durante as coletas dos dados observou-se que o problema não foi falta de chuva e sim, excesso. Para o pluviógrafo IND10, comum nas duas safras, foi observado o comportamento da chuva no mês de janeiro, por meio da saída do programa IRRIPLUS de gerenciamento da irrigação, apresentado na Figura 4. (a) (b) Figura 4. Recorte da saída dos dados diários de chuva do programa IRRIPLUS para o mês de Janeiro das safras (a) e (b) , respectivamente. III Simpósio de Geoestatística em Ciências Agrárias 5

6 Percebe-se com os resultados apresentados que o mês de janeiro da safra foi mais chuvoso do que o mesmo mês na safra Também pode ser notado que o excesso de chuva da primeira safra teve picos mais altos do que o da segunda. Entretanto, na safra a chuva foi mais regular do que a da safra anterior no mês de janeiro. Conclusão Considerando a chuva como um importante elemento climático para o crescimento e desenvolvimento das plantas e considerando os outros elementos responsáveis pela produção como fixos e em nível ótimo, os valores observados de chuva no trimestre DJF em poucas áreas não atenderam a necessidade das culturas de soja e algodão nos estádios de maior demanda hídrica (1, 2 e 3). De forma geral a demanda hídrica das culturas foi atendida em sua totalidade. Agradecimentos À Capes pelo auxílio financeiro. Referências ALBUQUERQUE, A. C. L. S. Estimativa de recarga da bacia do Rio das Fêmeas através de métodos manuais e automáticos Dissertação (Mestrado em Ciências Florestais), Universidade de Brasília, Brasília, DF. BATISTELLA, M.; GUIMARÃES, M.; MIRANDA, E. E.; VIEIRA, H. R.; VALLADARES, G. S.; MANGABEIRA, J. A. C.; ASSIS, M. C. Monitoramento da expansão agropecuária na região oeste da Bahia. Campinas, SP: Embrapa Monitoramento por Satélite, p., il. (Embrapa Monitoramento por Satélite. Documentos, 20). DOORENBOS, J.; KASSAM, A. H. Efeito da água no rendimento das culturas. Campina Grande, PB: UFPB, p. (Estudos FAO. Irrigação e Drenagem, 33). GRIMES, D. I. F.; PARDO-IGÚZQUIZA, E. Geostatistical Analysis of Rainfall. Geographical Analysis, v.42, p IBGE. Instituto Brasileiro de Geografia e Estatística. Produção agrícola municipal culturas temporárias e permanentes. Rio de Janeiro, v. 37. ISAAKS, I.; SRIVASTAVA, R. M. An Introduction to Applied Geostatistics JAKOB, A. A. E.; YOUNG, A. F. O uso de métodos de interpolação espacial de dados nas análises sociodemográficas. Anais XV Encontro Nacional de Estudos Populacionais, ABEP. Caxambu, MG MANTOVANI, E. C.; BERNARDO, S.; PALARETTI, L. F. Irrigação: princípios e métodos. 3.ed. Viçosa: Editora UFV, p. MELO JÚNIOR, J. C. F.; SEDIYAMA, G. C.; FERREIRA, P. A.; LEAL, B. G.; MINUSI, R. B. Distribuição espacial da frequência de chuvas na região hidrográfica do Atlântico, Leste de Minas Gerais. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, PB. v.10, n.2, p , SANO, E. E.; SANTOS, C. C. M.; SILVA, E. M.; CHAVES, J. M. Fronteira agrícola do oeste baiano: considerações sobre os aspectos temporais e ambientais. Geociências, v.30, n.3, p São Paulo, UNESP, SOUZA, E. R.; MONTENEGRO, A. A. A.; MONTENEGRO, S. M. G. L.; SANTOS, T. E. M.; ANDRADE, T. S.; PEDROSA, E. R. Variabilidade espacial das frações granulométricas e da salinidade em um Neossolo Flúvico do semi-árido. Ciência Rural, v.38, n.2, , TANAJURA, C. A. S.; GENZ, F.; ARAÚJO, H. A. Mudanças climáticas e recursos hídricos na Bahia: validação da simulação do clima presente do HADRM3P e comparação com os cenários A2 e B2 para 2070 e Revista Brasileira de Meteorologia, v.25, n.3, , III Simpósio de Geoestatística em Ciências Agrárias 6