V ULNERABILIDADE AGRÍCOLA A EXTREMOS CLIMÁTICOS NO N ORDESTE DO B RASIL COM BASE NO FATOR CAPACIDADE DE ADAPTAÇÃO

Nesta etapa apresenta-se a caracterização do indicador de vulnerabilidade agrícola (IvA), utilizando na sua composição o fator de capacidade de adaptação (Apêndice B). Na Figura 5a observam-se que as áreas mais vulneráveis estão ao centro-sul da região NEB, que compreende quase todo estado da Bahia, os estados de Alagoas, Sergipe e parte do Pernambuco apresentando altos valores de IvA. Por outro lado, os setores noroeste e norte do NEB apresentaram valores variando de baixo para moderado de IvA. A Figura 5b não apresentou grande mudanças, merecendo destaque o extremo oeste do NEB, uma região que antes era considerada com baixo IvA e passou para extremo. Considerando que as variáveis utilizadas englobavam dois níveis sugeridos pela literatura que seria atuação mínima do governo (adaptação) e tecnologia envolvida para enfrentamento do evento perigoso (resiliência), apresentaram resultados satisfatórios.

Este resultado é similar aos encontrados por O’Brien et al. (2004) que considerou em sua pesquisa a capacidade adaptativa como uma variável de cunho social, tais como: saúde, comunicação, educação e tecnologia, mas alguns estudos usam o termo resiliência como (Confalonieri, 2007); (Preston, Yuen, & Westaway, 2011).

Figura 5. Caracterização da vulnerabilidade a agrícola a extremos climáticos de precipitação para o NEB considerando o fator de capacidade e adaptação nos a) 1990- 1999 e b) 2000-2010.

O IvA, considerando a incapacidade de adaptação (AC), não apresentou mudanças (Figura 6) para os períodos analisados, exceto na região sudoeste que apresentava um padrão de IvA moderado (Figura 6a) e passou para extremo (Figura 6b), além de que o padrão moderado no norte do NEB aumentou. Desta forma, para considerar a incapacidade de adaptação (AI), deve-se melhorar as variáveis que compõem o AC, abrangendo variáveis que contemplem todas as características, principalmente as da esfera socioeconômica, por exemplo, o capital humano e recursos naturais utilizados.

Figura 6. Caracterização da vulnerabilidade a agrícola a extremos climáticos de precipitação para o NEB considerando o fator de incapacidade e adaptação nos a) 1990- 1999 e b) 2000-2010.

4 _CONCLUSÃO

Os resultados obtidos demonstram que na sua maioria o NEB possui graus de IvA entre regular e altos, principalmente no sul da região, compreendendo o estado da Bahia. Outros pontos merecem destaque como:

 Parte do litoral leste apresentou altos níveis de vulnerabilidade agrícola, mesmo apresentando índice composto de seca (ICS) baixo, mas os valores referentes ao

indicador de exposição/susceptibilidade (IES) apresentaram áreas com valores

altos a extremos;

 O fator de AC precisa ser melhorado com a inclusão de variáveis dentro da temática socioeconômica e demográfica mais específica como, por exemplo, nível de instrução do produtor, mas uma boa resposta foi obtida com o nivel de tecnologia utilizada (irrigação) e programa social ou atuação mínima do governo para o enfretamento de eventos extremos cliamticos (cisternas).

6 REFERÊNCIAS

ADGER, W. N.; BROOKS, N.; BENTHAM, G.; AGNEW, M. New indicators of vulnerability and adaptive capacity. Oslo, 2004.

ADIMO, A. O.; NJOROGE, J. B.; CLAESSENS, L.; WAMOCHO, L. S. Land use and climate change adaptation strategies in Kenya. Mitigation and Adaptation Strategies for Global Change, v. 17, n. 2, p. 153–171, 2011. Disponível em: <http://link.springer.com/10.1007/s11027-011-9318-6>. Acesso em: 1/9/2013.

AHMED, S. A; DIFFENBAUGH, N. S.; HERTEL, T. W. Climate volatility deepens poverty vulnerability in developing countries. Environmental Research Letters, v. 4, n. 3, p. 8, 2009. Disponível em: <http://stacks.iop.org/1748- 9326/4/i=3/a=034004?key=crossref.8a7ab4b622d0b9753cf1eecc77074f32>. Acesso em: 17/9/2013.

AL, J. E. T. The New Hadley Centre Climate Model ( HadGEM1 ): Evaluation of. , , n. 2005, p. 1327–1353, 2006.

AMORIM, I. L. DE; SAMPAIO, E. V. S. B.; ARAÚJO, D. L. Flora e estrutura da vegetação arbustivo-arbórea de uma área de caatinga do Seridó , RN , Brasil. , v. 19, n. 3, p. 615–623, 2005.

ANTWI-AGYEI, P.; FRASER, E. D. G.; DOUGILL, A. J.; STRINGER, L. C.; SIMELTON, E. Mapping the vulnerability of crop production to drought in Ghana using rainfall, yield and socioeconomic data. Applied Geography, v. 32, n. 2, p. 324–

334, 2012. Elsevier Ltd. Disponível em:

<http://linkinghub.elsevier.com/retrieve/pii/S0143622811001263>. Acesso em: 16/8/2013.

BARATA, M. M. DE L.; CONFALONIERI, U. E. C. População do Estado do Rio de Janeiro aos Impactos das Mudanças Climáticas nas Áreas Social , Saúde e Ambiente. 2011.

BROOKS, N.; NEIL ADGER, W.; MICK KELLY, P. The determinants of vulnerability and adaptive capacity at the national level and the implications for adaptation. Global Environmental Change, v. 15, n. 2, p. 151–163, 2005. Elsevier. Disponível em:

<http://linkinghub.elsevier.com/retrieve/pii/S0959378004000913>. Acesso em: 19/8/2013.

CARDONA, D. O. The Need for Rethinking the Concepts of Vulnerability and Risk from a Holistic Perspective : A Necessary Review and Criticism for Effective Risk Managment. Mapping Vulnerability: Disasters, Development and People. Earthscan ed., 2003. London.

CARDONA, O. D. The Need for Rethinking the Concepts of Vulnerability and Risk from a Holistic Perspective : A Necessary Review and Criticism for Effective Risk Management. Mapping vulnerability: Disasters, Development and People, 2003. London: Earthscan Publishers.

CASTRO, A. L. C. DE; CALHEIROS, L. B.; CUNHA, M. I. R.; BRINGEL, M. L. N. DA C. Manual de desastres: desastres naturais. Brasilia, 2003.

CEPED. Atlas Brasileiro de Desastres Naturais 1991 a 2010 Vol. Rio Grande do Norte. In: CEPED UFSC (Ed.); p.57, 2011. Florianópolis.

CEPED. Atlas brasileiro de desastres naturais 1991 a2010: volume Brasil. CEPED UFSC ed. Florianópolis, 2012.

CONFALONIERI, U. E. C. Mudança Climática Global e Saúde : Perspectivas para o Brasil. Revista Multiciência, , n. 8, p. 48–64, May 2007. Campinas.

CRUZ, J. B.; BENTO, D. M.; BEZERRA, F. H. R.; et al. Diagnóstico espeleológico do Rio Grande do Norte. Revista Brasileira de Espeleologia, v. 1, n. 1, p. 1–24, 2010. DUGGINS, J.; WILLIAMS, M.; KIM, D.-Y.; SMITH, E. Changepoint detection in SPI transition probabilities. Journal of Hydrology, v. 388, n. 3-4, p. 456–463, 2010.

Elsevier B.V. Disponível em:

<http://linkinghub.elsevier.com/retrieve/pii/S0022169410003069>. Acesso em: 1/9/2013.

FERREIRA, A. G.; MELLO, N. G. DA S. Principais Sistemas Atmosféricos Atuantes Sobre a Região Nordeste do Brasil e a Influência dos Oceanos. Revista Brasileira de Climatologia, v. 1, n. 1, p. 15–28, 2005.

FIGUEIREDO, D. B. F.; SILVA, J. A. J. Visão além do alcance: uma introdução à análise fatorial. Opinião Pública, v. 16, n. 1, p. 160–185, 2010.

FORD, J. D.; SMIT, B.; WANDEL, J.; MACDONALD, J. Vulnerability to climate change in Igloolik, Nunavut: what we can learn from the past and present. Polar Record, v. 42, n. 02, p. 127, 2006. Disponível em: <http://www.journals.cambridge.org/abstract_S0032247406005122>. Acesso em: 29/8/2013.

FÜSSEL, H.-M. Vulnerability: A generally applicable conceptual framework for climate change research. Global Environmental Change, v. 17, n. 2, p. 155–167,

2007. Disponível em:

<http://linkinghub.elsevier.com/retrieve/pii/S0959378006000525>. Acesso em: 8/8/2013.

FÜSSEL, H.-M. How inequitable is the global distribution of responsibility, capability, and vulnerability to climate change: A comprehensive indicator-based assessment. Global Environmental Change, v. 20, n. 4, p. 597–611, 2010. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S0959378010000683>. Acesso em: 19/8/2013.

GBETIBOUO, G. A.; RINGLER, C.; HASSAN, R. Vulnerability of the South African farming sector to climate change and variability: An indicator approach. Natural Resources Forum, v. 34, n. 3, p. 175–187, 2010. Disponível em: <http://doi.wiley.com/10.1111/j.1477-8947.2010.01302.x>. .

HAIR JR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E. Multivariate Data Analysis. 7th ed. Prentice Hall, 2009.

HUFSCHMIDT, G.; CROZIER, M.; GLADE, T. Evolution of natural risk : research framework and perspectives. , , n. 1967, p. 375–387, 2005.

IBARRARÁN, M. E.; RUTH, M.; AHMAD, S.; LONDON, M. Climate change and natural disasters: macroeconomic performance and distributional impacts. Environment, Development and Sustainability, v. 11, n. 3, p. 549–569, 2007.

Disponível em: <http://link.springer.com/10.1007/s10668-007-9129-9>. Acesso em: 1/9/2013.

IDEMA - Instituto de Desenvolvimento Sustentável e Meio Ambiente. “Anuário estatístico 2013”. Rio Grande do Norte: Governo do Rio Grande do Norte, 2010. Disponível

em:http://www.idema.rn.gov.br/Conteudo.asp?TRAN=ITEM&TARG=1357&ACT=nul l&PAGE=0&PARM=null&LBL=Socioecon%C3%B4micos. Acesso em: 3/2/2014.

IPCC - Intergovernmental Panel on Climate change. "Climate Change 2007: Impacts, adaptation and vulnerability". Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. Van der Linden and C.E. Hanson, eds. Cambridge, UK: Cambridge University Press. 2007.

IPCC - Intergovernmental Panel on Climate Change: Summary for policymakers. In: Climate Change 2014: Impacts, Adaptation, and Vulnerability. Part A: Global and Sectoral Aspects. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Field, C.B., V.R. Barros, D.J. Dokken, K.J. Mach, M.D. Mastrandrea, T.E. Bilir, M. Chatterjee, K.L. Ebi, Y.O. Estrada, R.C. Genova, B. Girma, E.S. Kissel, A.N. Levy, S. MacCracken, P.R. Mastrandrea, and L.L. White (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, pp. 1-32, 2014.

KARIM, M.; MIMURA, N. Impacts of climate change and sea-level rise on cyclonic storm surge floods in Bangladesh. Global Environmental Change, v. 18, n. 3, p. 490–

500, 2008. Disponível em:

<http://linkinghub.elsevier.com/retrieve/pii/S0959378008000447>. Acesso em: 13/8/2013.

KIENBERGER, S.; LANG, S.; ZEIL, P. Spatial vulnerability units – expert-based spatial modelling of socio-economic vulnerability in the Salzach catchment, Austria. Natural Hazards and Earth System Science, v. 9, n. 3, p. 767–778, 2009. Disponível em: <http://www.nat-hazards-earth-syst-sci.net/9/767/2009/>. .

KOBIYAMA, M.; MENDOÇA, M.; MORENO, D. A.; et al. Preveção de dasatres Naturais. Conceitos Básicos. 1st ed. Curiiba: Organic Trading, 2006.

LEE, Y.-J. Social vulnerability indicators as a sustainable planning tool. Environmental Impact Assessment Review, v. 44, p. 31–42, 2014. Elsevier Inc. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S0195925513000802>. Acesso em: 16/7/2014.

LI, X.; JIANG, F.; LI, L.; WANG, G. Spatial and temporal variability of precipitation concentration index, concentration degree and concentration period in Xinjiang, China. International Journal of Climatology, v. 1693, n. June 2010, p. n/a–n/a, 2010. Disponível em: <http://doi.wiley.com/10.1002/joc.2181>. Acesso em: 1/9/2013.

LOGAN, K. E.; BRUNSELL, N. A.; JONES, A. R.; FEDDEMA, J. J. Assessing spatiotemporal variability of drought in the U.S. central plains. In: United Kingdom; N. York (Eds.); Journal of Arid Environments. Cambridge ed., v. 74, p.247–255, 2010.

Cambridge: Elsevier Ltd. Disponível em:

<http://linkinghub.elsevier.com/retrieve/pii/S0140196309002572>. Acesso em: 21/8/2013.

LUERS, A. L.; LOBELL, D. B.; SKLAR, L. S.; ADDAMS, C. L.; MATSON, P. A. A method for quantifying vulnerability, applied to the agricultural system of the Yaqui Valley, Mexico. Global Environmental Change, v. 13, n. 4, p. 255–267, 2003. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S0959378003000542>. Acesso em: 15/8/2013.

MARENGO, J. Vulnerabilidade, impactos e adaptação à mudança do clima no semi- árido do Brasil. Parcerias Estratégicas. p.149–174, 2008. Brasilia.

MCKEE, T. B.; DOESKEN, N. J.; KLEIST, J. The relationship of drought frequency and duration to time scales. , , n. January, p. 17–22, 1993.

MODARRES, R.; DE PAULO RODRIGUES DA SILVA, V. Rainfall trends in arid and semi-arid regions of Iran. Journal of Arid Environments, v. 70, n. 2, p. 344–355,

<http://linkinghub.elsevier.com/retrieve/pii/S0140196307000225>. Acesso em: 17/1/2014.

NELSON, G. C.; ROSEGRANT, M. W.; PALAZZO, A.; et al. Food Security, Farming, and Climate Change to 2050: Scenarios, Results, Policy Options. Washington: International Food Policy Research Institute, 2010.

O’BRIEN, K.; LEICHENKO, R.; KELKAR, U.; et al. Mapping vulnerability to multiple stressors: climate change and globalization in India. Global Environmental Change, v. 14, n. 4, p. 303–313, 2004. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S095937800400010X>. Acesso em: 6/8/2013.

OLIVEIRA, P. T.; LIMA, K. C.; SANTOS E SILVA, C. M. Synoptic environment associated with heavy rainfall events on the coastland of Northeast Brazil. Advances in Geosciences, v. 35, p. 73–78, 2013. Disponível em: <http://www.adv- geosci.net/35/73/2013/>. Acesso em: 15/7/2014.

PAAVOLA, J. Livelihoods, vulnerability and adaptation to climate change in Morogoro, Tanzania. Environmental Science & Policy, v. 11, n. 7, p. 642–654, 2008. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S1462901108000695>. Acesso em: 11/8/2013.

PASHO, E.; CAMARERO, J. J.; DE LUIS, M.; VICENTE-SERRANO, S. M. Impacts of drought at different time scales on forest growth across a wide climatic gradient in north-eastern Spain. Agricultural and Forest Meteorology, v. 151, n. 12, p. 1800–

1811, 2011. Elsevier B.V. Disponível em:

<http://linkinghub.elsevier.com/retrieve/pii/S016819231100253X>. Acesso em: 1/9/2013.

PAULO, A. A.; FERREIRA, E.; COELHO, C.; PEREIRA, L. S. Drought class transition analysis through Markov and Loglinear models, an approach to early warning. Agricultural Water Management, v. 77, n. 1-3, p. 59–81, 2005. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S0378377405000855>. Acesso em: 8/8/2013.

POTOP, V.; MOŽNÝ, M.; SOUKUP, J. Drought evolution at various time scales in the lowland regions and their impact on vegetable crops in the Czech Republic. Agricultural and Forest Meteorology, v. 156, p. 121_{–133, 2012. Disponível em:} <http://linkinghub.elsevier.com/retrieve/pii/S0168192312000044>. Acesso em: 1/9/2013.

PRESTON, B. L.; YUEN, E. J.; WESTAWAY, R. M. Putting vulnerability to climate change on the map: a review of approaches, benefits, and risks. Sustainability Science, v. 6, n. 2, p. 177–202, 2011. Disponível em: <http://link.springer.com/10.1007/s11625- 011-0129-1>. Acesso em: 7/8/2013.

PROGRAMME, U. N. D. Reducing Disaster Risk. 2004.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing. ,2013. Vienna, Austria. Disponível em: <http://www.r-project.org/>. .

SÁNCHEZ-CORTÉS, M. S.; CHAVERO, E. L. Indigenous perception of changes in climate variability and its relationship with agriculture in a Zoque community of Chiapas, Mexico. Climatic Change, v. 107, n. 3-4, p. 363–389, 2010. Disponível em: <http://link.springer.com/10.1007/s10584-010-9972-9>. Acesso em: 19/8/2013.

SHUKLA J.; PAULO NOBRE; Variations of Sea Surface Temperature, Wind Stress, and Rainfall over the Tropical Atlantic and South America. Journal of Climate, v. 9, p. 2464–2479, 1996.

SILVA, M. T.; SILVA, V. D. P. R.; AZEVEDO, P. V. DE. O cultivo do algodão herbáceo no sistema de sequeiro no Nordeste do Brasil , no cenário de mudanças climática Cultivation of upland cotton in the rainfed system in Northeastern Brazil in the climate change scenario. , , n. 83, p. 80–91, 2012.

SILVA, V. D. P. R.; AZEVEDO, P. V. DE. Lisímetro de pesagem de grande porte . Parte II : Consumo hídrico do coqueiro anão verde irrigado Large-scale weighing lysimeter . Part II : Water requirements of the irrigated dwarf-green coconut. , , n. 82, p. 526–532, 2011.

69 ANEXO A

ANALISE FATORIAL

A Análise Fatorial é um conjunto de métodos estatísticos que, em certas situações, permite "explicar" o comportamento de um número relativamente grande de variáveis observadas, em termos de um número relativamente pequeno de variáveis latentes ou fatores. Os fatores podem ser não correlacionados (fatores ortogonais) ou correlacionados (fatores oblíquos). O modelo da análise de fatores supõe que cada variável Xj é linearmente dependente de poucas variáveis aleatórias não observadas

F1,F2,...,Fm (m < p) chamadas fatores comuns, e p fontes adicionais de variação

e1,e2,...,ep, chamadas erros ou, algumas vezes, fatores específicos.

Em particular, o modelo da análise de fatores pode ser escrito como:

� = + + + +

� = + + + +

�_� = _� + _� + + _� + _�

Ou seja,

� = + + + +

Onde Xj é a j- ésima variável, aj1,aj2,...,ajm são as cargas dos fatores para a j- ésima

variável e F1,F2,...,Fm são m fatores comuns não relacionados, com m menor que p.

Matricialmente teríamos;

ANEXO B

Os modelos empíricos buscam a correlação espacial entre as variáveis através de critérios estatísticos retirados das amostras da região em estudo. Os modelos empíricos podem ser divididos em dois tipos; modelos baseados em conhecimento que são implementados a partir do conhecimento de especialistas, e modelos baseados em dados, que são implementados a partir de um conjunto de dados observados.

A inferência estatística Bayesiana baseia-se na distribuição condicional do parâmetro (θ) dado o vetor de dados (y), ou seja, na distribuição a posteriori do parâmetro dadas às observações.

� = �⁄ ∗ �

∫ �⁄ ∗ � �

⁄

Onde:

f(θ/y) é a função densidade de probabilidade da distribuição condicional de um vetor de observações y dado θ;

f(θ) é a função densidade de probabilidade da distribuição a priori, que é também a densidade marginal de θ, antes da observação de y;

∫ �⁄ ∗ � � é a distribuição marginal ou preditiva de y com respeito a θ, onde R é a amplitude da distribuição de θ.

KRIGAGEM

De forma simples, a Krigagem pode ser escrita na forma;

, = ∑ �

=

Onde: n é o número de amostras obtidas, fi é o valor obtido no ponto i e ωi é o peso

designado ao ponto i. A fim de obter os pesos de cada um dos n pontos, para cada um deles é realizado um cálculo de ω1, ω2,..., ωn. Tal procedimento depende do tipo de

Krigagem que será utilizado. Utilizam-se as seguintes equações para determinar os valores dos pesos no p-esimo ponto.

71 { � � + � � + + � � + � = �( �) � � + � � + + � � + � = �( �) � � + � � + + � � + � = �( �) � + � + � = ωj é o peso do j-ésimo ponto;

S(dij) é o valor da semivariancia de dij; λ é a variável temporária.

O semivariograma é definido como:

�( , ) = � [ − ]

Se dois locais, si e sj, estão próximos uns dos outros em termos de medida de

distância de d(si, sj), espera-se que eles sejam semelhantes, por isso a diferença nos seus valores, Z(si) - Z(sj), será pequeno. Como si e sj forem afastados, eles se tornam menos semelhante, por isso a diferença nos seus valores, Z(si) - Z(sj), vai se tornar maior.

73 APÊNDICE A

Resultado da análise fatorial dos períodos P1 e P2.

Figura 1. Estimativa do número de fatores para o período P1.

APÊNDICE B

Figura i- Caracterização do fator com que o sistema enfrenta os eventos extremos de precipitação, capacidade de adaptação a) incapacidade de adaptação b).