Uso de modelos de simulação de culturas como ferramentas para identificação dos agentes deflagradores de colapso na produção agrícola

Transcrição

1 III Reunião Técnica do CEMADEN Tema: Extremos Climáticos e Colapso de Produção Agrícola 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 Agrometeorologia Departamento de Engenharia de Biossistemas ESALQ Universidade de São Paulo Fortaleza, CE 02 a 03 de abril de 2012

2 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

3 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)

4 Clima x Agricultura b) O risco climático do local associado ao cultivo das diferentes culturas - Zoneamento de Risco Climático Zoneamento de Risco Climático da Cultura do Caupi no Estado do Piauí Baixo Médio Alto Fonte: Andrade Jr. et al., 2001)

5 Clima x Agricultura c) A época provável de semeadura

6 Clima x Agricultura d) O sistema de cultivo Cultura de Sequeiro x Irrigada Plantio Direto x Convencional Sistema Integrado (Floresta x Lavoura x Pecuária)

7 Clima x Agricultura e) A cultivar a ser empregada e a densidade populacional Tolerância a seca Demétrio et al. (2008) Safra 70 mil plantas/ha Safrinha 57 mil plantas/ha

8 Produtividade (TCH) Clima x Agricultura f) A produtividade e sua variabilidade inter-anual 100 Variabilidade da Produtividade da Cana de Açúcar no Brasil SP AL GO PB 0 Fonte: IBGE

9 Produtividade (kg ha -1 ) Clima x Agricultura Variabilidade da Produtividade da Soja no RS Produtividade Prod. média Linear (Produtividade) Impacto da Seca 0 Fonte: IBGE

10 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...

11 Porcentagem Percent 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 Valor Total médio amount anual of estimated dos danos causados damage = = $ US$ 41,3 billion bilhões Floods Windstorms Droughts Landslides Forest Fires Extreme Temp. Other Source: Sivakumar (2005)

12 Fatores Climáticos Deflagradores de Colapso na Produção Agrícola 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

13 Fatores Climáticos Deflagradores de Colapso na Produção Agrícola 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. Berlato et al. (2005) Por outro lado, durante os eventos de El Niño, as produtividade tendem a ser mais elevadas, em decorrência da ausência dos veranicos.

14 Fatores Climáticos Deflagradores de Colapso na Produção Agrícola Ano Neutro Produtividade média de 62 TCH El Niño Produtividade média de 41,0 TCH

15 Seca Agrícola Definições 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: Rainfall Rain Soil Water Storage

16 Seca Agrícola Definições 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, plantio direto, sombreamento, quebra-ventos, irrigação, etc) A combinação de todos esses fatores faz com que os impactos das secas agrícolas sejam bastante variáveis, dificultando a adoção de índices que envolvam apenas variáveis meteorológicas

17 Yield (kg ha -1 ) Seca Agrícola Definições Soybean Yield in Rio Grande do Sul State Yield Loss = 911 kg/ha Yield Loss = 1224 kg/ha Drought Impact Annual Yield Avg Yield Linear (Annual Yield) Source: IBGE

18 mm mm mm Seca Agrícola Definições Passo Fundo, RS - Normal Year DEF(-1) EXC CAD = 50 mm Jul Ago Set Out Nov Dez Jan Fev Mar Abr Mai Jun 250 Passo Fundo, RS ( ) DEF(-1) EXC 250 Passo Fundo, RS ( ) DEF(-1) EXC Growing Season 200 Growing Season J1 J3 A2 S1 S3 O2 N1 N3 D2 J1 J3 F2 M1 M3 A2 M1 M3 J J1 J3 A2 S1 S3 O2 N1 N3 D2 J1 J3 F2 M1 M3 A2 M1 M3 J2

19 Seca Agrícola Definições O mesmo DEF pode ser observado com diferentes quantidades de chuva durante a estação de cultivo Total de chuva Estação de Cultivo % do Normal Estação de cultivo DEF = 194 mm 423,4 DEF = 201 mm 578, DEF = 194 mm 61 DEF = 201 mm Normal Normal ETP = 510 mm / ETP = 550 mm

20 Seca Agrícola Índices de Seca Agrícola 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%)/ ] * dg * Z R Ar giloso Ar enoso < CAD >

21 Seca Agrícola Índices de Seca Agrícola - Vantagens Deficiência Hídrica Acumulada Índices de Seca Agrícola (Balanço Hídrico) Índice de Palmer Índice de Seca Acumulado ISMA = ISM n. 3. N Vantagens Dados: P & ETP Fácil de Aplicar Fácil de Entender Não requer muita capacidade computacional Índice de Desenv. da Cultura CWDF = SWS / SWHC CWDI = (CWDF/ ) - 1 ACWDI = (CWDI/ n. 1.5 ) Índice de Deficiência Hídrica relativa DI = (1 - ETa / ETP) * Índice de Umidade da Cultura CMI = ETa obser ved ETa expect ed

22 Seca Agrícola Índices de Seca Agrícola - Limitações Deficiência Hídrica Acumulada Índices de Seca Agrícola (Balanço Hídrico) Índice de Palmer Índice de Seca Acumulado ISMA = ISM n. 3. N Limitações Método de ETP Método de B.H. CAD Adotada Tipo e Fase da Cultura Manejo da Cultura Índice de Desenv. da Cultura CWDF = SWS / SWHC CWDI = (CWDF/ ) - 1 ACWDI = (CWDI/ n. 1.5 ) Índice de Deficiência Hídrica relativa DI = (1 - ETa / ETP) * Índice de Umidade da Cultura CMI = ETa obser ved ETa expect ed

23 Seca Agrícola Índices 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

24 (1 - Ya/Yp) Seca Agrícola Índices de Seca Agrícola DEF x Produtividade 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. 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 Normal Resistance Cultivars Genotypes a y = 2.15x R 2 = 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 Andrioli & Sentelhas (2009) (1 - ETa/ETc) Solução: Modelos de Simulação

25 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 ciclo b) Desenvolvimento c) Fotossíntese d) Respiração e) Produção de biomassa f) Partição de fotoassimilados g) Produtividade Modelos de Simulação de Culturas

26 Yield Reduction (%) Uso de modelos na agricultura Tipos 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 = 0,083x R² = 0, Accumulated WD (mm)

27 Uso de modelos na agricultura Tipos de modelos 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 apresentando resultados 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).

28 Tipo de Produtividade Uso de modelos na agricultura Tipos de modelos Produtividade Potencial Fatores determinates CO 2, RS, T, N e Espécie/Variedade Prod. Atingível Fatores limitantes Disp. Água (P e ET) e Nutrientes no solo Prod. Real Fatores redutores Doenças, pragas e plantas invasoras (T, UR, P e DPM) Nível de Produtividade

29 Uso de modelos na agricultura Tipos de modelos Estimativa da Produtividade Potencial Modelo da Zona Agroecológica Estima a Produtividade Potencial Bruta Padrão Método da Zona Agroecológica (FAO 33, 1979) PPB p [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.

30 Energia absorvida (Wm -2 cm -1 ) Uso de modelos na agricultura Tipos de modelos Estimativa da Produtividade PPB p = PPB c + PPB n Potencial Bruta Padrão PPB p [kg MS ha -1 dia -1 ] PPBc = Prod. no Período de Céu Claro Visível PPBn = Prod. no Período de Céu Nublado Comprimento de onda (cm -1 )

31 Qo (MJm -2 d -1 ) Fotoperíodo (horas) Uso de modelos na agricultura Tipos de modelos PPB c =Prod. Potencial no Período de Céu Claro PPB c = (107,2 + 0,36 Qo) n/n ctc PPB n = Prod. Potencial no Período de Céu Nublado PPB n = (31,7 + 0,219 Qo) (1 n/n) ctn 50,0 45,0 40,0 RADIAÇÃO SOLAR x LATITUDE 10S 20S 30S 40S Equador 16,0 14,0 FOTOPERÍODO x LATITUDE Lat 10 S Lat 20 S Lat 30 S Lat 40S Equador 35,0 30,0 12,0 25,0 20,0 10,0 15,0 10,0 JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ Meses 8,0 J AN MAR MAI J UL SET NOV Meses

32 Uso de modelos na agricultura Tipos de modelos 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.)

33 PPBp (Kg MS/ha dia) Uso de modelos na agricultura Tipos de modelos Prod. Potencial Bruta Padrão Quixeramobim, CE C3 Inverno C3 verão C J F M A M J J A S O N D

34 PPBp (Kg MS/ha dia) Uso de modelos na agricultura Tipos de modelos Prod. Potencial Bruta Padrão Serrinha, BA C3 Inverno C3 verão C J F M A M J J A S O N D

35 PPBp (Kg MS/ha dia) Uso de modelos na agricultura Tipos de modelos Prod. Potencial Bruta Padrão Catanduva, SP C3 Inverno C3 Verão C J F M A M J J A S O N D

36 PPBp (Kg MS/ha dia) Uso de modelos na agricultura Tipos de modelos Prod. Potencial Bruta Padrão São Luiz Gonzaga, RS C3 Inverno C3 verão C J F M A M J J A S O N D

37 Uso de modelos na agricultura Tipos de modelos Estimativa da Produtividade Potencial da Cultura PP f [kg MS ha -1 ] PP f = PPB p * C IAF * C RESP * C COL * NDC * C UM C IAF = correção para o índice de área foliar máximo da cultura C RESP = correção para as perdas por respiração (man. e cresc.) C COL = correção para a parte da planta efetivamente colhida NDC = número de dias do ciclo da cultura C UM = correção para considerar a umidade da parte colhida OBS: C são índices adimensionais

38 Uso de modelos na agricultura Tipos de modelos Penalização da Produtividade Potencial pelo Déficit Hídrico Modelo 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

39 Uso de modelos na agricultura Tipos de modelos Clima RS, T, V, UR Cultura de referência Gramado sem deficiência hídrica Kc Cultura em condições hídricas ideais Balanço Hídrico da Cultura

40 (1 - PR/PPc) Uso de modelos na agricultura Tipos de modelos 1 0,9 0,8 0,7 0,6 Coeficiente de sensibilidade ao Déficit Hídrico (Ky) Maturação Des.Veg. Floração Frutificação Ky = (1 PA/PPf) / (1 ETr/ETc) (1 PA/PPf) = Ky (1 ETr/ETc) PA/PPf = 1 Ky (1 ETr/ETc) 0,5 0,4 0,3 0,2 0, ,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 (1 - ETr/ETc) PA = PPf [1 Ky (1 ETr/ETc)]

41 Uso de modelos na agricultura a) Aa b) a Tipos de modelos 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 submodelos, 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

42 Uso de modelos na agricultura Tipos de modelos 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.

43 Uso de modelos na agricultura Tipos de modelos Modelo - DSSAT

44 Uso de modelos na agricultura Tipos de modelos CANEGRO 23 coeficientes de Espécie 31 coeficientes de Ecotipo 20 coeficientes de variedade Espécie Fotossíntese Partição da biomassa Crescimento da raíz Acúmulo de sacarose Extração de água Altura, IAF Ecotipo Acúmulo de sacarose Crescimento dossel Perfilhamento Fenologia Maturação Variedade Acúmulo de biomassa Partição de biomassa Acúmulo de sacarose Fenologia, Altura, IAF, Maturação

45 Uso de modelos na agricultura Tipos de modelos Clima Tmax, Tmin, Chuva, Rad. Solar, Vel. Vento, UR Solo Características físico-hídricas e químicas do perfil do solo (diferentes profundidades) Manejo Adubação Nitrogenada, Matéria Orgânica (palha) Maior complexidade e dificuldade para aplicação prática

46 Uso de modelos na agricultura Calibração 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.

47 Uso de modelos na agricultura Calibração Calibração reduziu o erro sistemático, aumentando a acurácia das estimativas Singels et al. (2008)

48 Produtividade estimada (TCH) Produtividade estimada (TCH) Prodtuvidade Estimada (THC) Uso de modelos na agricultura Calibração Teste do Modelo FAO Calibrado (Cana Planta + Cana Soca) Piracicaba, SP Calibração do Modelo FAO para a Estimativa da Produtividade da Cana-de-açúcar Igarapava, SP y = 1,0174x R 2 = 0,8294 Erro Abs. Médio = 7,6% Araçatuba, SP Produtividade Observada (THC) Santos et al. (2006) 20 PR est = 0,994.PR obs R 2 = 0, Produtividade observada (TCH) Gazzola et al. (2007) y = 1,007x R 2 = 0, Produtividade observada (TCH)

49 Produtividade Estimada - Modelo FAO (TCH) Estimated Corn Yield (kg/ha) Uso de modelos na agricultura Calibração Calibração do Modelo FAO para Cana-de-açúcar no Estado da Paraíba Calibração do Modelo FAO para a cultura do Milho em várias regiões 180 Usina Japungu, PB Corn - Performance of the Crop Simulation Model Summer y = 1,0236x R² = 0, Safrinha y = x R² = Produtividade Observada (TCH) Observed Corn Yield (kg/ha) Sentelhas et al. (2011) Sentelhas et al. (2012)

50 Uso de modelos na agricultura Calibração Biomassa parte aérea Calibração do CANEGRO na Africa do Sul Biomassa de colmo Índice de Área Foliar (Singels et al., 2008)

51 Uso de modelos na agricultura Calibração Calibração do CANEGRO para o Brasil (Marin et al., 2011)

52 Modelo STICS - Wheat Modelo Ceres Wheat - DSSAT Uso de modelos na agricultura Calibração Fonte: Zalud et al. (2006)

53 Modelo Ceres Maize - DSSAT Uso de modelos na agricultura Calibração Fonte: Soler (2004)

54 Error Uso de modelos na agricultura Complexidade x Erro 60 Modelagem de Sistemas Agrícolas Adequado Balanço entre Complexidade e Erro Systematic Error Total Error Calibration Error 10 0 Complexity 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 Nem sempre maior complexidade resulta em menores erros

55 Uso de modelos na agricultura Aplicações Avaliação do Potencial Produtivo de diferentes Culturas (Modelo FAO) Corn yield in Goiás Sentelhas (2012) Monteiro (2012)

56 Produtividade (kg/ha) Uso de modelos na agricultura Aplicações Definição de Melhores Épocas de Semeadura do Milho (Modelo FAO ) Paraúna, GO Semeadura # PP PA Q PQ>20% PQ>40% 01/set ,0 7481,7 48,6 90,0 73,3 11/set ,5 8677,4 40,2 90,0 53,3 21/set , ,1 27,5 60,0 30,0 01/out , ,5 20,0 36,7 16,7 11/out , ,5 16,4 40,0 0,0 21/out , ,7 10,8 10,0 0,0 01/nov , ,6 12,0 20,0 0,0 11/nov , ,2 10,9 6,7 0,0 21/nov , ,2 11,5 10,0 3,3 01/dez , ,6 15,0 26,7 3,3 11/dez , ,5 21,0 50,0 10,0 21/dez , ,9 19,9 50,0 10,0 01/jan ,8 8924,5 34,3 80,0 36, PP PA Sentelhas (2012)

57 Lâmina de irrigação (% DEF) Lâmina de irrigação (% DEF) Lâmina de irrigação (% DEF) Lâmina de irrigação (% DEF) Uso de modelos na agricultura Aplicações Sentelhas et al. (2007) Irrigação x Produtividade Real Cana-Planta Irrigação x Produtividade Real Precoce Viabilidade Agrícola do Uso de Irrigação na Cana-de-açúcar (Modelo FAO) Produtividade real (t/ha) Produtividade real (t/ha) Lâminas X Incremento de Produtividade Irrigação x Produtividade Real Médio Irrigação x Produtividade Real Tardio Produtividade real (t/ha) Produtividade real (t/ha)

58 Uso de modelos na agricultura Aplicações 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

59 Produtividade Estimada (t.ha -1 ) Exemplo do Uso de Modelos na Previsão de Colapso na Produção Agrícola Estimativa da Produtividade Real - Ipaussu Previsão de Safra Sistema Comparativo (Modelo FAO) 100,0 90,0 80,0 70,0 60,0 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 Ourinhos, SP Simulações sucessivas com dados observados até a data da previsão e com dados da série histórica 50,0 40,0 30,0 20,0 A pluma das simulações do ano atual com os dados dos anos anteriores mostra um cenários crítico para as produtividades projetadas Usina I P A U 10,0 0,0 Ano 06/07 07/08 08/09 09/10 10/11 11/12 Junho Julho Agosto Setembro Outubro Novembro Dezembro Janeiro Fevereiro Março Abril Maio % ARM 81 - = 100 Altamente % ARM = favorável Altamente favorável %- 80 ARM % ARM = Favorável = Favorável Legenda: %% ARM ARM = Razoável = Razoável % 31 ARM - 40 % = Desfavorável ARM = Desfavorável Legenda: 21-30% ARM = Crítico 11-20% ARM = Muito crítico 1-10 % ARM = Severa < 1 % ARM = Muito severa 21-30% ARM = Crítico 11-20% ARM = Muito crítico 1-10 % ARM = Severa < 1 % ARM = Muito severa

60 Produtividade Estimada (t.ha -1 ) Exemplo do Uso de Modelos na Previsão de Colapso na Produção Agrícola Previsão de Safra Sistema Comparativo (Modelo FAO) Simulações sucessivas com dados observados até a data da previsão e com dados da série histórica 120,0 110,0 100,0 90,0 80,0 70,0 60,0 50,0 40,0 30,0 20,0 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 Estimativa da Produtividade Real - Gasa Lins, SP Neste caso, o cenário é mais promissor em relação à maioria dos anos analisados Usina G A S A 10,0 Legenda: 0,0 Ano 06/07 07/08 08/09 09/10 10/11 11/12 Junho Julho Agosto Setembro Outubro Novembro Dezembro Janeiro Fevereiro Março Abril Maio % ARM = Altamente favorável % ARM = Favorável % ARM = Razoável % ARM = Desfavorável Legenda: % ARM = Altamente favorável % ARM = Favorável % ARM = Razoável % ARM = Desfavorável 21-30% ARM = Crítico 11-20% ARM = Muito crítico 1-10 % ARM = Severa < 1 % ARM = Muito severa 21-30% ARM = Crítico 11-20% ARM = Muito crítico 1-10 % ARM = Severa < 1 % ARM = Muito severa

61 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;

62 a) Aa b) Aa c) Aa Considerações Finais 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.

63 Prof. Dr. Paulo Cesar Sentelhas Professor Associado de Agrometeorologia LEB - ESALQ Universidade de São Paulo pcsentel.esalq@usp.br Tel ramal 225 Muito Obrigado Pav. Engenharia - ESALQ/USP Piracicaba, SP