• Nenhum resultado encontrado

5.2 Modelos Numéricos de Previsão de Rendimentos

Os modelos desenvolvidos e propostos estão, também, relacionados nas TABELAS 5.1 a 5.6, polinomiais, neurais e mistos. Os modelos apresentados estão divididos em duas categorias. A primeira, abrange modelos estruturados apenas com dados da região de Fraiburgo/SC. A segunda, é composta por dados de Fraiburgo/SC e São Joaquim/SC, importantes quando se pensa em analisar a participação do tempo meteorológico/clima na composição do rendimento e produção final das cultivares (> base de análise).

A variável ou estimador de maior importância na composição do rendimento (kg/ha) e mesmo do coeficiente de determinação ( r 2) dos modelos polinomiais (+ 75%) é o número médio

de frutos/planta, deixados após o raleio dos pomares (outubro-novembro). Outro estimador importante ligado à capacidade de produção média de cada pomar, definido pela metragem de copa (m2 de copa), foi ajustado em alguns modelos pelo uso de variáveis dummies, tendo em vista que a idade dos pomares não se caracterizou como estimador eficiente. O número de frutos/planta foi transformado em Frutos/m2 com a ajuda do número de plantas e a área ocupada por parcela/suparcela (pomar), em virtude do espaçamento variado existente entre pomares. As variáveis climáticas que interagem no crescimento do fruto - CF e integrantes dos modelos são variadas, bem como a época de maior influência. Assim, para a cultivar Gala, os estimadores climáticos mais importantes dizem respeito à disponibilidade energética, traduzidas pela tempertura média dos meses de novembro e dezembro, muitas vezes asssociados a insolação de agosto e setembro, £ g d do mês 7, 8 e £ h f maio-julho ou maio-agosto, pelos dois métodos de cálculo. Temperaturas elevadas nos meses de novembro e dezembro, coincidentes com final da floração-início de frutificação, induzem a uma diminuição na produtividade, comprovada na prática e demonstrada pelos modelos. A £ g d , insolação e £ h f no período de repouso, caracterizam a satisfação ou não do frio invernal para a quebra de dormência e conseqüente floração e frutificação em período mais ou menos concentrado e homogêneo na primavera. Também guarda alguma relação com temperaturas mais ou menos elevadas no final da primavera, indutoras do tamanho do fruto (diferenciação celular).

Nas cultivares mais tardias (Golden D. e Fuji), outro estimador climático toma lugar em alguns modelos, ou seja, a relação ETR/ETP, nos meses de dezembro a fevereiro. Nestas cultivares, além das condições térmicas do outono-invemo (HF) e primavera (TM, I), o rendimento fica dependente também das condições hídricas do período da maturação, as quais, dependendo da severidade, podem provocar diminuição drástica no peso dos frutos e da colheita final.

Os modelos propostos para as três cultivares variam, dependendo da combinação dos estimadores e período de previsão envolvido, de lineares, raiz quadrada, quadráticos e exponencias. Excepcionalmente, no modelo RI (Gala) há uma interação tríplice entre estimadores (variáveis). De forma geral, os modelos compostos(*) apresentam maior erro médio dos ajustamentos. Este fato, acredita-se decorrer do pequeno número de repetições e de plantas do conjunto de dados de São Joaquim/SC, aliado à sua produtividade mais elevada.

Um dos fatores que tem peso no ajustamento final dos modelos é o erro amostrai envolvido na principal variável estimadora, ou seja, o número médio de frutos/ planta ou m2 . Esta variável é amostrada após o raleio, outubro-novembro, e consiste em contar os frutos de 2,5% das plantas dos pomares. Dependendo do ano, das condições climáticas, práticas culturais (podas, dosagem dos produtos para quebra de dormência), da cultivar, tratamentos fitossanitários e de fertilidade do solo, o número de frutos/planta pode variar bastante entre plantas e pomares diferentes, sem considerar a qualidade da mão-de-obra envolvida. Caso não haja uma ponderação entre o número de plantas/subparcelas e a contagem do número de frutos/planta, diferenças significativas poderão aparecer na composição do número médio de frutos/planta e por parcela (conjunto de subparcelas). Este fato tem ocorrido em safras mais antigas (final da década de 70 e início de 80). Nas safras mais recentes, os produtores têm procurado melhorar as amostragens, mas ainda deixando muito a desejar em alguns pomares de alta densidade de plantio (> 1.000 plantas/ha). Por exemplo, um erro cometido na amostragem de 10% (num universo de 500-1000 ha de macieiras) causa um erro na previsão final de semelhante magnitude, dependendo das condições ambientais. Tendo em vista que os pomares destas empresas comerciais, com grandes áreas cultivadas, a produção é computada por parcelas, compostas por N quadras ou subparcelas de diferentes tamanhos e número de plantas, tendo ainda produtividades diferentes em muitos casos. Uma amostragem mal conduzida ou mal ponderada pode causar distorções nos modelos previsores. Outro aspecto refere-se ao número fixo de amostras de 2,5% das plantas do pomar, o qual deveria variar conforme as condições do pomar, ano e cultivar.

Alguns modelos apresentam variáveis dummies indicadoras de possíveis diferenças entre pomares, notoriamente a capacidade de produção, uma vez que são compostos por dados de pomares com idades diferentes, locais diferentes, porta-enxertos diferentes, densidade de plantas/área diferentes. Tais variáveis, se bem utilizadas, poderão ajustar bem as previsões de rendimentos, neste aspecto. Dependendo da cultivar e do modelo, a previsão pode ser feita com até 120 dias de antecedência, cujo acerto é maior à medida que se aproxima da data da colheita.

Os modelos neurais foram treinados com mesmo conjunto de estimadores usados para os modelos polinomiais, com a ajuda de 4 a 10 neurônios (camada oculta 1), correspondentes a

metade até 1,5 vezes o número de estimadores de entrada (inputs) mais a saída (output). Apresentam desempenho semelhante aos polinomiais, com pequena vantagem para aqueles em alguns casos, com relação ao erro médio (%) e maior desvio absoluto (kg/ha). Neste aspecto, ressaltamos que foi possível treinar a rede com número relativamente pequeno de dados (repetições), 27-30 anos/safras, ficando claro que o ajuste dos modelos depende mais da qualidade do que da quantidade de informações.

Objetivando tirar proveito dos modelos quanto ao seu potencial de previsão individual, produziu-se alguns modelos mistos (MM1,MM2,MM3 e MMFU), com o auxílio de programação linear, minimizando os erros relativos das estimativas de rendimento (kg/ha). Para tanto, utilizou-se os modelos básicos compostos (Fraiburgo + São Joaquim) para as três cultivares, polinomiais e neurais. Para a cultivar Fuji desenvolveu-se modelo misto (MMFU), também com dados apenas de Fraiburgo/SC.

Todos os modelos mistos apresentam um erro médio (%) menor do que qualquer modelo individual participante, seja polinomial ou neural, conforme pode-se ver nas TABELAS 5.2, 5.4 e 5.6.

Também tentou-se introduzir variável estimadora nos modelos que traduzissem possível efeito de alternância de produção, decorrente de carga de frutos ou produção excessiva. Na maioria dos modelos desenvolvidos, a produtividade do ano anterior, como tal variável, não se mostrou eficiente, embora faça parte de um modelo (R2 - Gala). Acredita-se que isto seja devido aos dados que compõem os diversos modelos, provenientes de pomares diferentes, com produtividades diferentes, idades diferentes e densidades de plantio diferentes.