i
ESTIMATIVA DE EVAPOTRANSPIRAÇÃO E
PRODUTIVIDADE DA SOJA UTILIZANDO O MÉTODO
DO TRIÂNGULO SIMPLIFICADO
CAMPINAS 2015
iii
DANIELA FERNANDA DA SILVA FUZZO
ESTIMATIVA DE EVAPOTRANSPIRAÇÃO E
PRODUTIVIDADE DA SOJA UTILIZANDO O MÉTODO
DO TRIÂNGULO SIMPLIFICADO
.
Orientador: Prof. Dr. Jansle Viera Rocha
--- Assinatura do orientador
CAMPINAS 2015
Tese apresentada à Faculdade de Engenharia Agrícola da Universidade Estadual de Campinas como parte dos requisitos exigidos para obtenção do título de Doutora em Engenharia Agrícola, na área de concentração de Planejamento e
Desenvolvimento Rural
Sustentável.
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA TESE DEFENDIDA PELA ALUNA DANIELA FERNANDA DA SILVA FUZZO E ORIENTADA PELO PROF. DR. JANSLE VIEIRA ROCHA.
UNIVERSIDADE ESTADUAL DE CAMPINAS
vii
RESUMO
A agricultura é uma atividade econômica de alta dependência das condições do tempo e do clima e quando associada às geotecnologias e à modelagem agrometeorológica, permitem otimizar sistemas eficientes para estimativa da produtividade agrícola em escala regional e nacional, permitindo a obtenção de melhores informações. Estimativas precisas vêm surgindo com o avanço tecnológico em sensoriamento remoto; o método do triângulo, baseado em temperatura de superfície e índice de vegetação, vem demonstrando ser uma ferramenta útil para a estimativa de evapotranspiração (EF). O objetivo foi estimar evapotranspiração por meio do método do triângulo, e substituir os valores de evapotranspiração relativa (ETr/ETp) do modelo agrometeorológico, proposto por Doorenbos e Kassam (1979), pelos valores estimados de EF, ou seja, desta forma o modelo terá somente dados espectrais como variável de entrada. O período de análise foram os anos-safras de 2002/03 a 2011/12, para o estado do Paraná, Brasil. Os resultados mostraram que o método do triângulo estimou evapotranspiração e validou acuradamente os dados estimados, com os obtidos por balanços hídricos climatológicos de Thorntwaite e Matter (1955), apresentaram valores de “d1” (“d” de Willmott modificado) acima de 0,8, sendo que os valores de R² ficaram
aproximadamente entre 0,6 e 0,7; os erros analisados e o teste de Mann-Whitney mostraram que os dados estimados estão muito próximos dos dados observados. Os resultados referentes ao modelo agrometeorológico foram de d1 entre 0,8 e 0,9 na
maioria dos municípios. O RMSE, que indica a acurácia do modelo, mostrou que, em média houve variação entre 30,81 kg/ha a 116,88 kg/ha. O p-valor foi utilizado como indicador da significância do modelo ao nível de 5%, indicando que não houve diferença estatística significativa entre os dados estimados e observados, ou seja, os dados estimados pelo modelo foram estatisticamente iguais à média dos dados observados. Desta forma, imagens de sensoriamento remoto podem ser utilizadas como ferramentas na ausência de informações de superfície, servindo como entrada de dados para modelagem agrometeorológica de estimativa de produtividade agrícola da soja.
Palavras Chave: Temperatura de superfície, Índice de vegetação, Estimativa de
ix
ABSTRACT
Agriculture is an economic activity with high dependence on weather and climate and when associated with spacial geotechnology and agrometeorological modeling, can optimize the structure more efficient and dynamic to estimate agricultural yield in regional and national systems, allowing obtaining accurate information and cost. Condition of soil moisture is a key parameter in agricultural modeling, which directly influences the exchange of water and energy fluxes between the atmosphere / surface. Accurate estimates are emerging with technological advances in remote sensing and triangle method based surface temperature and vegetation index, has proven to be a useful tool for estimating evapotranspiration. The objective of this study was to estimate evapotranspiration fractionated (EF) by the triangle method, and replace the values of relative evapotranspiration (ETr/ETp) of agrometeorological model for estimating yield proposed by Doorenbos and Kassam (1979), by EF, it means the model with only spectral data as an input variable. The period of analysis were the crop years 2002/03-2011/12, for the state of Paraná - Brazil. The results showed that the triangle method estimated evapotranspiration and validated accurately the estimated data, with observed data obtained by balance water Thorntwaite and Matter (1955), showed values of "d1" ("d" modified Willmott) above 0.8, and the R² values were approximately 0.6 and 0.7; the analyzed errors and the Mann-Whitney test showed that the estimated data are very close to the observed data. The results shown for the agro-meteorological model were d1 between 0.8 and 0.9 in most counties. The RMSE, which indicates the accuracy of the model, showed that on average there was variation between 30.81 kg/ha to 116.88 kg/ha. The p-value was used as the indicator significance of the model at the level of 5%, indicating that there was no statistically significant difference between the estimated and observed data, this means that the average of the data estimated by the model were statistically equal the average of the observed data. Thus, we can say that images of remote sensing can be used as tools in the absence of surface information, in agrometeorological modeling to estimate crop soybean yield.
xi
SUMÁRIO
1 INTRODUÇÃO ... 1
2 ORGANIZAÇÃO DA TESE ... 4
3 REVISÃO BIBLIOGRÁFICA ... 5
3.1 Cultura da Soja Glycine max (L.) Merr ... 5
3.2. Exigências Agrometeorológicas da Soja ... 7
3.3. Ciclo fenológico ... 8
3.4. Exigências Termofotoperiódicas ... 12
3.5. Exigências Hídricas ... 13
3.6. Evapotranspiração e Balanço Hídrico ... 15
3.7. Modelo Agrometeorológico de Estimativa de Produtividade Agrícola ... 18
3.8. Sensoriamento Remoto e suas aplicações na agricultura. ... 20
3.8.1. Utilização de séries temporais. ... 20
3.8.2. Sensor MODIS ... 21
3.8.3. Comportamento Espectral da Vegetação ... 26
3.9. Método do Triângulo ... 28
3.9.1. Propriedades do Método do Triângulo ... 32
3.10. Satélite TRMM – (Tropical Rainfall Measuring Mission) ... 33
3.11. Modelo ECMWF (European Center for Medium-Range Weather Forecast)... 35
4. METODOLOGIA GERAL ... 37
4.1. Área e período de estudo ... 37
4.2. Produtividade agrícola da soja no Paraná ... 38
4.3. Obtenção dos dados meteorológicos ... 40
4.4. Obtenção imagens MODIS e Geração da Máscara ... 41
4.5. Análise Estatística ... 42
4.6. Fluxograma geral da tese ... 44
5. REFERÊNCIAS BIBLIOGRÁFICAS BÁSICAS ... 45
6. RESULTADOS ... 56
6.1. ARTIGO 1 ... 56
Validação dos dados de precipitação estimados pelo TRMM, para o estado do Paraná, e sua contribuição ao monitoramento agrometeorológico. ... 56
xii 6.1.2. MATERIAL E MÉTODOS ... 59 6.1.3. DISCUSSÃO E RESULTADOS ... 63 6.1.4. CONCLUSÃO ... 70 6.1.5. REFERÊNCIAS BIBLIOGRÁFICAS ... 71 6.2. ARTIGO 2 ... 73
Simplified Triangle method for estimating fractional evapotranspiration (EF) in the state of Paraná - Brazil. ... 73
6.2.1. BACKGROUND ... 74
6.2.1.1 Triangle method properties ... 76
6.2.2. MATERIALS AND METHODS ... 79
6.2.3. RESULTS AND DISCUSSION ... 88
6.2.4. CONCLUSION ... 98
ACKNOWLEDGMENTS ... 99
6.2.5. REFERENCES ... 99
6.3. ARTIGO 3 ... 102
The triangle method for estimating evapotranspiration and its use in agrometeorological modeling estimating yield of soybean for the Brazil ... 102
6.3.1. BACKGROUND ... 103
6.3.2. MATERIALS AND METHODS ... 106
6.3.2.1. Analysis and data collection ... 106
6.3.2.2. The simplified triangle method... 108
6.3.2.3. Agrometeorological Model for soybean yield estimates ... 110
6.3.2.4. Climatological Water Balance ... 112
6.3.2.5. Potential Yield ... 113
6.3.2.6. Mask summer crop ... 114
6.3.2.7. Validation of data ... 118
6.3.3. RESULTS AND DISCUSSION ... 122
6.3.4. CONCLUSIONS ... 136
ACKNOWLEDGMENTS ... 137
6.3.5. REFERENCES ... 137
xiii Ao meu esposo, amigo e companheiro,
BRUNO FUZZO, com muito Amor e Carinho, Dedico!
A Deus e a minha família, sempre presentes em minha vida,
Ofereço.
xv
“Empreenda qualquer trabalho e realize-o de tal forma que não haja nenhuma mentira, injustiça ou propósito ruim na forma como você o executa. Cuide para que o trabalho
que você faz não só lhe permita ganhar a vida, mas também beneficie a nação e a comunidade onde vive. Todos devem observar essa pureza em suas vidas. Se você, assim, engajar-se em ação correta, você não se comprometerá com as consequências
da ação”.
xvii
AGRADECIMENTOS
É com sentimentos de muita alegria e gratidão que deixo aqui meus agradecimentos, de modo muito especial:
- Agradeço a Deus pela vida e sabedoria;
- Ao meu orientador Dr. Jansle Vieira Rocha, que gentilmente aceitou me orientar e pacientemente me atendeu e me entendeu em todos os momentos, além do aprendizado, sugestões e incentivos em minhas investigações e inquietações científicas. Agradeço a você, obrigada!
- A CAPES, pelo incentivo financeiro ao estudo;
- A Faculdade de Engenharia Agrícola – FEAGRI, da Universidade Estadual de Campinas – UNICAMP, e ao Programa de Pós- Graduação, pela oportunidade de realização do curso e pelo auxílio e atendimento prestados;
- Aos amigos do LABGEO, os quais não vou citar um a um para que não me perca, mas obrigada a todos aqueles que me incentivaram e participaram deste trabalho, direta ou indiretamente, em especial a Gleyce K. D. Araújo Figueiredo pelas inúmeras contribuições; Ao amigo e técnico do LABGEO, Agmon Rocha por sua disponibilidade e ajuda, e ao professor Dr. Rubens Augusto Camargo Lamparelli pelo auxílio na execução de partes essenciais desta tese;
- Ao pesquisador, Dr. Flávio Deppe – (SIMEPAR) pelo fornecimento dos dados agrometeorológicos.
- Aos familiares e amigos que sempre torceram e me apoiaram durante essa fase. Às queridas amigas Raquel e Monica, por me acolherem em Campinas nesses últimos anos, e a Sofia Amorim por sempre me apoiar em cada momento; Ao Bruno, pessoa tão especial em minha vida que no decorrer desta jornada, tornou-se meu esposo, sempre presente em todos os momentos, sempre me apoiando e incentivando! Obrigada por compreender a minha ausência durante esse trabalho e me apoiar sempre!
xix
LISTA DE FIGURAS
Figura 1. Histórico da Produção da soja no Brasil, Mato Grosso e Paraná, para os anos
de 2000-01 a 2012-13 ... 6
Figura 2. Histórico de Produtividade e Área plantada da cultura da soja no estado do Paraná, para os anos de 2000-01 a 2012-13. ... 7
Figura 3. Esquema do ciclo vegetativo da soja ... 10
Figura 4. Representação Esquemática de Evapotranspiração... 16
Figura 5. Representação Esquemática dos fluxos do Balanço Hídrico. ... 17
Figura 6. Perfil temporal do NDVI no município de Assis Chateaubriand - PR, na safra 03/04. ... 24
Figura 7. Representação do Tile h11v10 e dos Tiles da América do Sul. ... 26
Figura 8. Assinatura espectral de uma folha de soja. ... 27
Figura 9. Esquema gráfico de dispersão dos valores de pixels de NDVI em função da Temperatura de Superfície (Ts) se uma imagem de satélite. ... 30
Figura 10. Mapa de localização do estado do Paraná ... 37
Figura 11. Mapa de produtividade (kg/ha) de soja no estado do Paraná. ... 38
Figura 12. Produtividade da Soja no Paraná (kg/ha), período de 2005 a 2014. ... 40
Figura 13. Localização dos pontos TRMM, ECMWF e estações meteorológicas SIMEPAR. ... 41
Figura 14. Fluxograma geral das principais etapas do trabalho desenvolvido. ... 44
ARTIGO 1 Figura 1. Localização das estações meteorológicas SIMEPAR e pontos obtidos pelo satélite TRMM. ... 60
Figura 2. Exemplificação da localização de algumas estações meteorológicas e dos pontos TRMM utilizados na comparação de dados pluviométricos estimados e observados. ... 61
Figura 3. Fluxograma geral do trabalho. ... 63
Figura 4. Relação entre precipitação pluvial das estações meteorológicas SIMEPAR e dados estimados pelo satélite TRMM, para os municípios de Cascavel e Umuarama, referente aos anos de 2000 a 2010. ... 65
xx
Figura 5. Precipitação Pluvial (mm) observada em estações convencionais e estimada pelo TRMM, período de 2000 a 2010 no município de Cascavel – PR. ... 66 Figura 6. Precipitação Pluvial (mm) observada em estações convencionais e estimada pelo TRMM, período de 2000 a 2010 no município de Umuarama – PR. ... 67 Figura 7. Índices de exatidão ‘d” de Willmott, distribuídos espacialmente sobre o estado do Paraná - Brasil, a partir de dados de precipitação estimados pelo TRMM e mapas interpolados de estações de superfície do SIMEPAR, para os anos de 2000 a 2010. .. 68 Figura 8. Índice de determinação R², dos dados distribuídos espacialmente sobre o estado do Paraná - Brasil, a partir de dados de precipitação estimados pelo TRMM e mapas interpolados de estações de superfície do SIMEPAR, para os anos de 2000 a 2010. ... 69 Figura 9. Erro Sistemático dos dados distribuídos espacialmente sobre o estado do Paraná - Brasil, a partir de dados de precipitação estimados pelo TRMM e mapas interpolados de estações de superfície do SIMEPAR, para os anos de 2000 a 2010. .. 70
ARTIGO 2
Figure 1. Schematic graph of dispersion of the pixel values of NDVI as a function of surface temperature (Ts) is a satellite view. ... 76 Figure 2. Counties analyzed (2002/03 to 2011/12). ... 80 Figure 3. Simple geometric solution method for the triangle... 84 Figure 4. Flowchart of the main steps of the triangle method to estimating the evapotranspiration fraction. ... 88 Figure 5. Scatterplots of T* versus Fr for the simplified method of the triangle, for the city of Campo Mourão, Crop Year 2011-12. ... 89 Figure 6. Scatterplot representations of the triangular graphs, for Toledo county referring to 2011-12 crop season. Features have their same significance as in Figure 5. ... 91 Figure 7. Representation the simplifed method of the triangle showing in these scatterplots the pixel envelope above and the corresponding phenological cycle below for soybean. ... 91 Figure 8. Representation the simplifed method of the triangle showing in these scatterplots the individual pixel (each pixel indicated by a different color and the same
xxi
color indicates the same pixel location), for Campo Mourão county, crop season 2010/11. ... 93 ARTIGO 3
Figure 1. Schematic graph of dispersion of the pixel values of NDVI as a function of surface temperature (Ts) of a satellite image. ... 104 Figure 2. Location of study area and counties with higher yield (kg/ha) for the 10 years (2002/03 to 2011/12). ... 107 Figure 3. Schematic Representation of the images composition in RGB. ... 115 Figure 4. Composition of RGB images max (R channel) and minimum (GB channels) NDVI (2010/11), areas in red color represent soybeans on the map. ... 116 Figure 5. Mask with the soybean vegetation during Summer for the state of Paraná, crop year 2010-11. (images NDVI- MODIS- 1km). ... 117 Figure 6. Flowchart of the main steps. ... 122 Figure 7. Scatterplots obtained for the simplified triangle method for the city of Castro, Crop Year 2011-12. The dotted red lines represent the warm (dry) edge which intersects the T* axis (the horizontal axis) at Fr = 0 (the vertical axis) and the dotted blue line the cold edge Mo = 1 and T* = 1. ... 123 Figure 8. Schematic representation of triangle method and phenological cycle of the soybean crop. ... 125 Figure 9. Yield (kg/ha) measured and estimated by the agrometeorological model (based in the simplified triangle method) for the period from 2002/03 to 2011/12. ... 133
xxiii
LISTA DE TABELAS
Tabela 1. Descrição dos estádios vegetativos da soja...9 Tabela 2. Descrição dos estádios reprodutivos da soja ...10 Tabela 3. Duração média (dias) dos estádios fenológicos da cultura da soja...10 Tabela 4. Características do sensor MODIS abordo do satélite Terra/Aqua...22
ARTIGO 1
Tabela 1. Análise estatística dos valores de precipitação pluvial (mm) estimados pelo TRMM e medidos em estações meteorológicas SIMEPAR...64
ARTIGO 2
Table 1. Statistical analysis, comparison between the data estimated by the simplified triangle method (EF) versus the data obtained by the climatological water balance (ETr / ETp), data from conventional weather stations (point data). Asterisks (*) indicate p-values that departed significantly from each other at the 5% level ………..94 Table 2. Statistical analysis, comparison between the values of EF estimated by the simplified triangle method versus those obtained by the TRMM satellite and the ECMWF model and the climatic water balance (spatial resolution of 0.25 ° x 0.25°)……….96
ARTIGO 3
Table 1. Values of the yield coefficients due to sensivity of water deficiency (ky) used for the model expressed by Eqs. 8 and 9. ……….………...108 Table 2. Values of Yield Potential (Yp) plus 10% for the main soy-producing municipalities of Paraná………..….110 Table 3. Criteria for interpretation of the performance of models……….………115 Table 4. Error matrix for two classifications, vegetation summer and not vegetation summer. The columns are reference data, and the rows are predictions from the mask for the 2010/11 crop year……….………121
xxiv
Table 5. Statistical Analysis performance of the agro-meteorological model (Eq. 9) modified for simplified triangle method 2002/03 to 2011/12 in kg/ha, and data measured by SEAB, for counties: Apucarana, campo Mourão, Jaguariaiva, Toledo and Cascavel……….…………..…..122 Table 6. Statistical Analysis performance of the agro-meteorological model (Eq. 9) modified for simplified triangle method 2002/03 to 2011/12 in kg/ha, and data measured by SEAB, for counties: Castro, Piraí do Sul, Manoel Ribas, Luiziana and Marilândia………..……....122 Table 7. Statistical Analysis performance of the agro-meteorological model (Eq. 9) modified for simplified triangle method 2002/03 to 2011/12 in kg/ha, and data measured by SEAB, for counties: Tibagi, Arapoti, Borrazopolis, Lidianópolis and Ivaiporã………...……....123 Table 8. Statistical Analysis performance of the agro-meteorological model (Eq. 9) modified for simplified triangle method 2002/03 to 2011/12 in kg/ha, and data measured by SEAB, for counties: Vera Cruz, Medianeira, Campo Bonito, Serranópoliz and Roncador………...124 Table 9. Statistical performance of the agrometeorological model by Doorembos e Kassam (1979) (Eq: 9), based on SIMEPAR data (point data) for the years 2002/03 to 2011/12……….………….128 Table 10. Statistical performance of the agrometeorological model (Eq. 9) by Doorembos e Kassan (1979), based on TRMM and ECMWF data (25 km) for the years 2002/03 to 2011/12. where symbols have their same meaning as in Table 9……….………..129
1
1 INTRODUÇÃO
As relações entre produtividade agrícola e os elementos climáticos são bastante complexas, pois os fatores do ambiente podem afetar diretamente o desenvolvimento das plantas sob diferentes formas, nas diversas fases do ciclo da cultura.
A cultura da soja é de vital importância para o desenvolvimento do país, seja por geração de empregos ou pela produção da soja industrializada. No cenário brasileiro, a produção agrícola de soja foi estimada em aproximadamente 86.120 mil toneladas para a safra 2013/14. Entre os Estados que se destacam como maiores produtores estão, em primeiro lugar, o Mato Grosso, com 26.441 mil toneladas, safra 2013/14; e, logo em seguida, o estado do Paraná, com 14.780 mil toneladas, (CONAB - Companhia Nacional de Abastecimento, 2014).
Dada a importância da soja para a economia do país, ações governamentais exigem informações frequentes e confiáveis sobre a produção agrícola. Tais informações são também relevantes para direcionar o produtor na tomadas de decisões e financiamentos agrícolas. Porém, essas informações, na maioria das vezes, são obtidas por métodos subjetivos e não atualizados, fundamentados em opiniões de agentes ligados ao setor agropecuário, como agricultores, financiadores, comerciantes, dentre outros. Segundo Johann (2012), outra limitação dos dados oficiais é a falta de informação quanto à distribuição espacial da produção, o que vem melhorando desde 2004 com a execução do projeto Geosafras da CONAB.
Portanto, é importante a obtenção de métodos que possibilitam resultados com maior antecedência, precisão e menor custo. Neste sentido, as chamadas geotecnologias, como sensoriamento remoto (SR) e sistemas de informação geográfica (SIGs), são métodos que podem ser incorporados, complementando os programas oficiais já estabelecidos, otimizando a estruturação de sistemas mais eficientes e dinâmicos para estimativa da produção agrícola em nível regional, estadual e nacional.
Vários trabalhos vêm sendo desenvolvidos para tentar melhorar e complementar esses programas ligados ao setor agrícola, baseados em dados meteorológicos obtidos em estações meteorológicas convencionais (EMC), ou até modelos espectrais baseados em imagens de satélites.
2
Como exemplos, os trabalhos sobre modelagem agrometeorológica de estimativa de grãos, realizados por Camargo et al. (1988), Meyer (1990); Moraes et al. (1998), e Johann (2012), baseados em dados climatológicos obtidos em estações meteorológicas convencionais, os quais demonstraram alta correlação entre as condições meteorológicas durante o período de crescimento e desenvolvimento das culturas e a produção agrícola. Porém, por utilizarem informações de estações meteorológicas convencionais de superfície, que são medidas localizadas, nem sempre representam adequadamente uma região de estudo (Silva, 2011). Fontana e Berlato (1998) afirmam que estes tipos de modelos agrometeorológicos, na maioria das vezes são provenientes de parcelas experimentais, ou dados pontuais, e acabam dificultando a aplicabilidade para estudos regionais.
Neste sentido, uma alternativa viável ao monitoramento agrícola regional e estadual tem sido a utilização de informações obtidas em imagens de satélites, para tanto corroboram os trabalhos de como os trabalhos de Labus et al.(2002), Mkhabela et al.(2005), Prasad et al. (2006), Er-Raki et al. (2007) e Johann (2012).
Para que os modelos possam gerar prognósticos em grandes áreas, a utilização das imagens de sensoriamento remoto do sensor MODIS (Moderate Resolution Imaging
spectroradiometer) tem sido uma alternativa para o acompanhamento das culturas
agrícolas, devido a sua alta resolução espacial, temporal e seus produtos de índice de vegetação (IV).
Índices de vegetação são medidas radiométricas adimensionais que indicam a abundancia relativa à atividade da vegetação verde, incluindo o índice de área folear (IAF), percentual de cobertura verde, teor de clorofila, biomassa verde e radiação fotossintéticamente ativa absorvida (IAPAR) (Jensen, 2009). Desta forma, os IVs são amplamente utilizados para monitorar o crescimento e a produtividade das plantas.
Rudorff e Batista (1990) utilizaram índices de vegetação e encontraram coeficientes de correlação de 0,82 e 0,93 para estimar produtividade no estado de São Paulo, evidenciando uma boa relação entre índices de vegetação e produtividade da cultura. Prasad et al. (2006) consideraram dados de NDVI (Normalized Difference Vegetativo Index), umidade do solo (Mo), temperatura de superfície (Ts) e precipitação pluvial (Pp), para o estado de Iowa, por 19 anos, para avaliação da produtividade das
3
culturas utilizando um método de regressão linear, apresentando valores bem próximos aos observados com R² = 0,78 e 0,86 para milho e soja, com resultados promissores para previsão de culturas em escalas regionais e globais.
Modelos matemáticos sofisticados estão sendo cada vez mais usados para fornecer representações dos processos físicos que caracterizam as interações da superfície terrestre. As tentativas de descrever estes processos físicos e mecanismos com maior realismo levaram ao desenvolvimento de sistemas de modelagem da superfície da terra, propostos para serem utilizados a partir de imagens de temperatura de superfície (Ts) e cobertura vegetal fracionada (Fr), para fornecer evapotranspiração e teor de umidade no solo através de uma metodologia conhecida como “método do triângulo”.
Carlson et al. (1990) mostraram que a sensibilidade das variações de Ts, é diferente das variações somente medida pelas folhas, e que a superfície do solo em volta das plantas tende a ter maior sensibilidade, que em áreas de solo exposto.
Sendo assim, uma boa estimativa de produtividade implica na elaboração de modelos que considerem os efeitos ambientais sobre processos fisiológicos determinantes da produção, constituindo-se em ferramenta importante não só para o agricultor como também para a indústria e para o tomador de decisões, visando à implantação de políticas públicas adequadas.
Quanto melhor o conhecimento a respeito das condições ambientais de uma determinada região, melhor será a seleção das culturas adequadas, das épocas de plantio/semeadura, das variedades, dos sistemas de cultivo, com o objetivo de buscar sempre uma agricultura mais produtiva (Silva, 2011).
Sob essa premissa, a hipótese deste trabalho é que o método do triângulo simplificado pode ser utilizado na estimativa de evapotranspiração e auxiliar na modelagem agrometeorológica para estimação da produtividade de soja para o estado do Paraná.
Partindo da hipótese formulada, o objetivo geral do trabalho foi estimar evapotranspiração pelo método do triângulo simplificado e adaptar o modelo agrometeorológico de produtividade agrícola da soja, proposto por Doorenbos e Kassam (1979), levando em consideração somente variáveis espectrais para a
4
estimativa de produtividade no estado do Paraná, para o período de 2002/03 a 2011/12. Para isso os objetivos específicos foram:
a) Calcular os valores fracionados das imagens MODIS – NDVI (produto MOD13A2 e Ts MOD11A2);
b) Testar o método do triângulo, para obtenção de valores de evapotranspiração;
c) Calibrar se necessário os dados meteorológicos de precipitação e temperatura média, do SIMEPAR, do satélite TRMM e do ECMWF;
d) Gerar balanços hídricos climatológicos com os dados observados de estações meteorológicas de superfície - SIMEPAR, do satélite TRMM e do ECMWF;
e) Testar modelo agrometeorológico de estimativa de produtividade da soja, primeiramente com valores de evapotranspiração (método do triângulo), posteriormente com os dados observados nas estações de superfície SIMEPAR e por fim, com os dados TRMM e ECMWF, confrontando com os resultados encontrados em dados oficiais.
2 ORGANIZAÇÃO DA TESE
Este trabalho foi organizado a partir de três artigos científicos resultantes do projeto de pesquisa desenvolvido como tese de doutorado e, por último, as principais referências bibliográficas.
A primeira parte trata da introdução, hipótese, objetivo geral e objetivos específicos, a segunda parte aborda a revisão de literatura básica e a metodologia geral, a terceira parte são os resultados, no entanto, são apresentados em forma de três artigos científicos, nesta ordem: resumo, palavras chave, abstract, key words, introdução, material e métodos, análise dos dados, conclusões, agradecimentos e referências bibliográficas específicas.
Os títulos dos artigos são:
Artigo 1 - Validação dos dados de precipitação estimados pelo TRMM, para o estado do Paraná, e sua contribuição ao monitoramento agrometeorológico.
Artigo 2 - Simplified triangle method for estimating fractional evapotranspiration (EF) in the state of Paraná - Brazil.
5
Artigo 3 - The triangle method for estimating evapotranspiration and its use in agrometeorological modeling estimating yield of soybean for the Brazil
Ao fim, foi apresentado um capitulo de considerações finais sobre toda a tese.
3 REVISÃO BIBLIOGRÁFICA
3.1 Cultura da Soja Glycine max (L.) Merr
A soja tem para a agricultura brasileira, importância significativa e cada vez maior, trata-se da principal cultura do país, em volume e geração de renda. Segundo Embrapa-Soja (2014), a introdução da cultura da soja no Brasil ocorreu via Estados Unidos em meados de 1882, no estado da Bahia. Em 1890, já eram realizados os primeiros testes de adaptação de cultivares para o estado de São Paulo, pelo Instituto Agronômico de Campinas – SP, e, em 1900 e 1901, eram distribuídas as primeiras sementes de soja para produtores paulistas. Nessa mesma época, já se tinham os primeiros registros dos cultivos no sul do país (Rio Grande do Sul), dadas as semelhanças climáticas do ecossistema de origem, sul dos Estados Unidos – EUA.
Na década de quarenta daquele século, a cultura adquiriu importância econômica no Brasil, com uma área de aproximadamente 640 ha, produzindo 450 toneladas. Em 1960, impulsionada pela política de subsídios, estabeleceu-se como uma cultura economicamente importante para o Brasil, multiplicando sua produção para 206 mil toneladas (Embrapa-Soja, 2014).
Somente em 1970 que a cultura apresentou grande expansão territorial e de produção a ponto de torná-la importante fonte de divisas para o país (Camargo et al.,1984), passando de 1,5 milhões de toneladas para mais de 15 milhões em 1979, concentrados entre os estados da Região Sul do Brasil, graças às novas tecnologias disponibilizadas aos produtores.
Nas décadas de 1980 e 1990, com grandes investimentos em pesquisas, a cultura da soja continuou avançando, promovendo o estado do Mato Grosso a líder nacional de produção. Atualmente, os líderes na produção mundial de soja são os Estados Unidos e o Brasil, em segundo lugar. Em conjunto, esses países foram
6
responsáveis por 90% da produção mundial de soja em grãos nos últimos cinco anos (Embrapa, 2014).
A safra de soja em escala nacional segundo CONAB (2014) atingiu neste ano uma produção de 86.052 mil toneladas, para a safra 2013/14, representando um incremento de 5,6% em relação a safra passada 2012/13, os dois estado brasileiros que apresentam os maiores valores de produção (ton) são os estados de Mato Grosso e Paraná (Figura 1). Em relação à área plantada com a oleaginosa, a região centro oeste com 41.800 mil hectares se destacou, ficando em segundo lugar a Região Sul. Na Figura 2, pode-se observar o histórico da produtividade (kg/ha) da soja para o estado do Paraná, juntamente com a área plantada (ha).
Figura 1. Histórico da Produção da soja no Brasil, Mato Grosso e Paraná, para os anos de 2000-01 a 2012-13
Fonte: Adaptado de CONAB 2014
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 2000/01 2001/02 2002/03 2003/04 2004/05 2005/06 2006/07 2007/08 2008/09 2009/10 2010/11 2011/12 2012 /13 Pr o d u ção to n e lad as Ano Safra
Produção de soja Produção Soja Paraná Produção Soja Mato Grosso
7
Figura 2. Histórico de Produtividade e Área plantada da cultura da soja no estado do Paraná, para os anos de 2000-01 a 2012-13.
Fonte: Adaptado de CONAB 2014
No entanto, o sucesso de todo esse complexo é ainda hoje extremamente dependente das condições climáticas. O entendimento das exigências climáticas da soja, das relações hídricas no sistema solo-planta-atmosfera e a aplicação prática destes conhecimentos poderão contribuir com soluções para a redução dos riscos de insucesso da cultura, para o correto entendimento das relações entre planta e condições meteorológicas (Farias, 2009).
3.2. Exigências Agrometeorológicas da Soja
O objetivo da agrometeorologia é a identificação e a quantificação das relações entre o desenvolvimento e rendimento das plantas cultivadas, juntamente com os elementos meteorológicos, uma vez identificados esses elementos e o período dentro do ciclo das plantas em que são mais limitantes, são possíveis a derivação de modelos realísticos de previsão de safra (Berlato et al., 1992)
Além da importância do ciclo fenológico da cultura, é de extrema importância o conhecimento de algumas variáveis como precipitação, temperatura e fotoperíodo, e
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 2000/01 2001/02 2002/03 2003/04 2004/05 2005/06 2006/07 2007/08 2008/09 2009/10 2010/11 2011/12 2012/13 h e ctar e s Pr o d u tiv id ad e Kg /h a Ano Safra
8
evapotranspiração dos quais estão mais estreitamente correlacionados com o desenvolvimento da planta. As relações entre os parâmetros climáticos e a produção agrícola são bastante complexas, pois fatores ambientais podem afetar o crescimento e o desenvolvimento das plantas de diferentes formas e em diversos estádios do ciclo da cultura. Segundo Camargo (2006), para determinar as exigências climáticas de uma planta, é necessário que os estudos agroclimáticos sejam complementados com observações fenológicas.
3.3. Ciclo fenológico
De todos os fatores inerentes à produção agrícola, o clima aparece como o de mais difícil controle e de maior ação limitante sobre as máximas produtividades, aliado a isso, a imprevisibilidade das variações climáticas a tornam o principal fator de insucesso na exploração das culturas (Farias, 2006).
O conhecimento do ciclo fenológico de uma determinada cultura vai determinar qual o melhor tipo de manejo, características morfológicas da planta, seu momento fisiológico, associados a necessidades por parte do vegetal, que, uma vez atendidas, possibilitam normal desenvolvimento da cultura e consequentemente boas produtividades.
Em nível técnico, o conhecimento da fenologia da cultura da soja é fundamental, uma vez que o agricultor deve estar familiarizado com os diferentes estádios de desenvolvimento da planta a fim de identificar o melhor manejo, tanto diante de situações favoráveis como adversas, adotando, dessa forma, práticas culturais específicas no momento em que há maior possibilidade da planta responder favoravelmente (Câmara, 1998).
A duração do ciclo vegetativo da cultura da soja pode ser relacionada em termos de exigências bioclimáticas, a partir da temperatura do ar, considerada sob diferentes aspectos, desde a simples soma de unidades térmicas ou graus-dia (GD), a temperatura (quantidade de energia) vai determinar o tempo que determinada planta precisará para atingir certo grau de maturidade, da emergência à maturação (Picini, 1998; Schöffel e Volpe, 2002). O ciclo da cultura, em geral, pode diminuir em locais
9
onde as temperaturas são mais elevadas devido ao acúmulo rápido de energia (Camargo, 2006).
A descrição da fenologia da soja (Tabela 1 e 2) permite identificar e agrupar os estádios de desenvolvimento da cultura e relacioná-los com suas necessidades específicas, no decorrer do ciclo. A descrição dos estádios de desenvolvimentos de Fehr e Caviness (1977) é o mais utilizado no mundo, pois apresenta uma terminologia única, que divide o desenvolvimento da soja em estádios vegetativos, designados pela letra V, e estádios reprodutivos, designados pela letra R, com exceção dos estádios VE (emergência) e VC (cotilédone), as letras V e R são seguidas de índices numéricos que identificam estádios específicos (Farias, 2009).
Tabela 1. Descrição dos estádios vegetativos da soja.
Símbolo Denominação Descrição
VE Emergência Os cotilédones estão acima da superfície do
solo.
VC Cotilédone
desenvolvido
Os cotilédones apresentam-se bem abertos e as folhas unifoliadas estão abertas, de tal modo que as bordas de cada folíolo não estão se tocando.
V1 Primeiro nó maduro As folhas unifoliadas estão estendidas e a
primeira folha trifoliada está suficientemente aberta, de tal modo que as bordas de cada folíolo não estão se tocando.
V2 Segundo nó maduro A primeira folha trifoliada está estendida, isto é,
com os três folíolos expandidos e a segunda folha trifoliada está aberta, de tal modo que as bordas de cada folíolo não estão se tocando.
V3 Terceiro nó maduro A segunda folha trifoliada está estendida, isto é,
com os três folíolos expandidos e a terceira folha trifoliada está aberta, de tal modo que as bordas de cada folíolo não estão se tocando.
V(n) Enésimo nó maduro A enésima folha trifoliada está com os três
folíolos expandidos e a “n+1” folha trifoliada está aberta, de tal modo que as bordas de cada folíolo não estão se tocando.
10
Figura 3. Esquema do ciclo vegetativo da soja
Fonte: Iowa State University. Special Report n.53,1998.Utilizado por Câmara (1998).
Tabela 2. Descrição dos estádios reprodutivos da soja.
Símbolo Denominação Descrição
R1 Início do florescimento Uma flor aberta em qualquer nó da haste
principal.
R2 Florescimento pleno Uma flor aberta em um dos dois últimos nós da
haste principal, com a folha complemente desenvolvida.
R3 Início da Frutificação Vagem com 5 mm de comprimento em um dos
quatro últimos nós superiores, sobre a haste
principal, com a folha completamente
desenvolvida.
R4 Vagem formada Vagem com 20 mm de comprimento em um dos
quatro últimos nós superiores, sobre a haste
principal, com a folha completamente
desenvolvida.
R5 Início da formação da
semente ou da granação
Sementes com 3 mm de comprimento em uma vagem localizada em um dos quatro últimos nós superiores, sobre a haste principal, com a folha completamente desenvolvida.
R6 Semente desenvolvida
ou granação plena
Vagem verde, contendo semente verde que preencha a cavidade da vagem localizada em um dos quatro últimos nós superiores, sobre a haste principal, com a folha completamente desenvolvida.
R7 Início da maturação ou
maturação fisiológica
Uma vagem normal sobre a haste principal que tenha atingido a cor de vagem madura.
11
R8 Maturação plena ou
maturação a campo
95% das vagens atingem a cor da vagem madura.
Fonte: Fehr e Caviness (1977) adaptada por Câmara (1998)1
Tabela 3. Duração média (dias) dos estádios fenológicos da cultura da soja.
Estádios Número médio de
dias Intervalo de dias Semeadura– VE 10 01/nov VE – VC 5 06/nov VC – V1 5 11/nov V1 – V2 5 16/nov V2 – V3 5 21/nov V3 –V4 5 26/nov V4 – V5 5 01/dez V5 – V6 3 04/dez Acima de V6 3 07/dez R1 – R2 3 10/dez R2 – R3 20 30/dez R3 – R4 9 08/jan R4 –R5 9 17/jan R5 – R6 15 01/fev R6 – R7 18 19/fev R7 – R8 10 01/mar
Fonte: Adaptado de Fehr e Caviness (1977).
A melhor época para iniciar a semeadura de um determinado local depende de um conjunto de variáveis que vão definir o calendário agrícola, algumas dessas variáveis envolvem basicamente o planejamento prévio e as condições ideais, que nem sempre são previsíveis.
Segundo EMRAPA (2012), a época de semeadura indicada para o estado do Paraná na maioria dos cultivares estende-se de 15 de outubro a 15 de dezembro. Em algumas regiões do estado, essa data se antecipa, principalmente em regiões mais
1
As simbologias, denominações e descrições apresentadas são originais de Fehr e Caviness (1997), sendo que alguns termos foram devidamente adaptados por Câmara (1998) de maneira que essa escala fenológica seja mais compreensível pelos produtores brasileiros de soja, durante o seu manuseio na identificação dos estádios de desenvolvimento dos cultivares.
12
quentes, onde o inverno é úmido, solos de alta fertilidade e temperatura do ar favorecem a emergência das plantas desde o início de outubro.
Assim, na maioria das regiões produtoras, o melhor período de semeadura da soja é aquele que se inicia assim que as chuvas da primavera repuserem a umidade do solo e a temperatura permitir uma germinação e emergência das plântulas.
3.4. Exigências Termofotoperiódicas
Para muitas culturas, a duração do ciclo vegetativo pode ser descrita em termos de exigências bioclimáticas, por um só elemento: a temperatura. Esta pode ser considerada sob diferentes aspectos, desde a simples soma de unidades térmicas, unidades calóricas ou graus-dia, que sugerem a quantidade de energia que determinadas plantas necessitam para atingir certo grau de maturidade (Moraes, 1998), uma vez que o ciclo das culturas em geral, diminui em locais com temperaturas mais elevadas.
A cultura da soja adapta-se melhor a regiões com temperaturas entre 20°C e 30°C, sendo a temperatura ideal para o seu desenvolvimento em torno de 30°C, regiões que apresentam temperaturas menores ou iguais a 10°C são impróprias ao cultivo da soja, tornando o crescimento vegetativo pequeno ou nulo; o mesmo ocorre em regiões que apresentam temperaturas acima de 40°C.
Os estudos das interações clima-planta iniciaram por Reáumur em 1735, precursor do sistema de unidades térmicas ou graus-dia (Camargo, 1984). O conceito de graus-dia pressupõe a existência de uma temperatura base abaixo da qual a planta não se desenvolve, e se o fizer é uma taxa muito reduzida, assim a cada grau de temperatura, acima de temperatura base, corresponde a um grau-dia, obtendo-se uma temperatura base de 14°C para todo o ciclo fenológico semeadura/maturação (Camargo, 1984). Cada espécie e/ou cultivar possui uma temperatura base que pode variar de acordo com o seu ciclo fenológico, normalmente adota-se um valor médio de graus-dia para todo o seu ciclo, facilitando a aplicação.
Segundo Pascale e Damario (1969), Camargo (1984) e Moraes et al. (1998), tal método de acumulo térmico não tem apresentado resultados muito consistentes para a
13
cultura da soja, tendo em vista que o fator fotoperiódico participa também com parcela muito significativa no desenvolvimento da planta, ou seja, o comprimento do dia ou fotoperíodo crítico é que determina a passagem da planta do estádio vegetativo ao reprodutivo.
Como a soja é uma planta de resposta fotoperiódica, isto é, o encurtamento do fotoperíodo acelera o seu desenvolvimento, é considerada uma planta de dias curtos, uma vez que as plantas continuam a vegetar em dias longos, até que o período de luz se torne menor que o fotoperíodo crítico de cada variedade, quando então se inicia o estádio do florescimento (Gandolfi e Muller, 1981).
No que diz respeito a interação temperatura-fotoperíodo, a temperatura demonstra influência significativa nos cultivares menos sensíveis ao fotoperíodo e que a soma de temperatura para a previsão de maturação é melhor aplicada para cultivares precoces e variedades tardias, já o fotoperíodo exerce efeito relativo mais acentuado para plantio/florescimento e influenciado principalmente pela acumulação térmica e pelo fotoperíodo em cada época de plantio e que o período florescimento/maturação é influenciado principalmente pelo fotoperíodo (Pascale e Escales, 1971).
A sensibilidade da soja ao fotoperíodo ainda é uma importante restrição para a adaptação mais ampla e adequada dessa cultura. Segundo Farias (2009), a faixa de adaptabilidade de cada cultivar varia à medida que se desloca em direção ao norte ou ao sul, quanto mais próximo da linha do equador, menor é a amplitude do fotoperíodo ao longo do ano.
3.5. Exigências Hídricas
A importância da água para as plantas deve-se a sua contribuição na manutenção e preservação de suas funções vitais. A água constitui aproximadamente 90% do peso da planta, atuando em praticamente todos os processos fisiológicos e bioquímicos do protoplasma, seu movimento na planta é resultante de um gradiente de potencial que contribui para a translocação dos solutos absorvidos ou sintetizados pela
14
raiz e dos compostos transportados até a folha (Awad e Castro, 1992; Floss, 2004; Taiz e Zeiger, 2004).
Dentre todos os elementos do clima, a precipitação é a variável que mais representa as causas na queda de produtividade. Apesar do vasto conhecimento acumulado em relação ao cultivo da soja que resultou no elevado grau de tecnificação da maior parte das lavouras brasileiras, a disponibilidade hídrica durante a estação de crescimento constitui ainda a principal limitação à plena expressão do potencial de rendimento das culturas e a maior causa de variabilidade de rendimento de grãos de um ano para o outro (Farias, 2006).
A variação interanual de produtividade da soja é uma função mais hídrica do que térmica. Segundo Moraes et al., (1998), é de fundamental importância conhecer os efeitos da deficiência hídrica sobre as culturas para que se possam minimizar os danos ocasionados pela falta de água. Os efeitos do déficit hídrico sobre a produtividade de uma cultura vão depender da sua intensidade, duração, época e ocorrência e da interação com outros fatores determinantes da expressão da produtividade final.
A disponibilidade de água é importante principalmente em dois períodos de desenvolvimento da soja: germinação-emergência e floração-enchimento de grãos, ou seja, aumenta a necessidade conforme o seu desenvolvimento, variando de 450 mm a 850 mm de água por estação. Segundo Farias (2009), nos trabalhos de zoneamento de risco climático, os coeficientes de cultura (Kc) empregados e, que melhor expressaram o consumo hídrico em cada fase fenológica da cultura, foram adaptados daqueles obtidos por Berlato et al., (1986) e por Doorenbos e Kassam (1979), resultando nos seguintes valores por período fenológico: 0,56 (S-V2); 1,21(V2-R1); 1,50 (R1-R5/R6) e 0,90 (R6-R8).
A semente de soja necessita absorver, no mínimo, 50% de seu peso em água para assegurar boa germinação. Nessa fase, o conteúdo de água no solo não deve exceder a 85% do total máximo de água disponível e nem ser inferior a 50%, apesar das raízes atingirem mais de 1,5 m de profundidade, as atuais cultivares brasileiras de soja têm apresentado raízes pouco profundas, ficando a zona efetiva do sistema radicular ao redor de 40 a 50 cm, solos pesados e compactados dificultam a penetração
15
das raízes, reduzindo ainda mais a profundidade efetiva do sistema radicular das plantas da soja (Embrapa, 2009).
Excesso ou deficiência hídrica entre a germinação e o florescimento retardam o crescimento vegetativo e prejudicam a obtenção de uma boa uniformidade na população de plantas. Contudo, deficiências hídricas após o início do florescimento (R1-R2) e no período de frutificação (R3-R5) podem causar alterações fisiológicas na planta, como o fechamento estomático e enrolamento de folhas, provocando queda prematura de folhas, abortamento de flores e queda de vagens, reduzindo significativamente a produtividade. O déficit hídrico durante o florescimento (R1-R3) reduz o número total de vagens, enquanto déficit hídrico durante a fase de formação da semente ou enchimento de vagens (R5), resulta em um menor número de grãos por vagem, sendo considerada a fase mais sensível à carência hídrica (Camargo, 1984).
Os estádios de floração e de enchimento de grãos são os de maior consumo de água pela planta, sendo, portanto os mais críticos à deficiência hídrica. O conhecimento das necessidades hídricas durante as diversas fases de desenvolvimento da cultura é fundamental no estudo das exigências bioclimáticas da soja. As necessidades hídricas durante a fase de crescimento vegetativo são menos importantes do que durante as fases de florescimento e frutificação.
3.6. Evapotranspiração e Balanço Hídrico
A evapotranspiração é a forma pela qual a água da superfície terrestre passa para a atmosfera no estado de vapor, esse é um processo físico pelo qual passa o vapor d’agua de qualquer superfície úmida, envolvendo a evaporação da água de rios, lagos, dos solos, da vegetação úmida, tendo papel importantíssimo no ciclo hidrológico em termos globais.
Segundo Pereira et al. (2002), evapotranspiração é o processo simultâneo de transferência de água para a atmosfera por evaporação da água do solo e por transpiração das plantas, dependendo das condições de vegetação, do tamanho da área vegetada e do suprimento de água pelo solo, como mostra a Figura 4.
16
Figura 4. Representação Esquemática de Evapotranspiração
Fonte: Desconhecida. Disponível em <http://waterinstitute.ufl.edu/suwannee-hydro-observ/datasets/climate_data.shtml>
Quando a cultura é pequena, a quantidade de água perdida é predominantemente por evaporação do solo. Quando a cultura está completamente desenvolvida e cobre o solo, então, a transpiração torna-se o processo principal. No início do plantio, quase 100% da ET vem da evaporação, enquanto que, na safra completa, mais de 90% da ET vem da transpiração (FAO, 1998).
Alguns dos fatores determinantes da evapotranspiração são os fatores do clima, os quais são o saldo de radiação, temperatura do ar, umidade relativa do ar e velocidade do vento. Além disso, também os fatores da cultura, diretamente ligados à altura da planta, à área foliar, ao tipo de cultura, ao albedo e à profundidade do sistema radicular. Por fim, os fatores de manejo e do solo, que são os espaçamentos/densidades de plantio, orientação de plantio, uso de cobertura morta (plantio direto), capacidade de armazenamento do solo, impedimentos físicos/ químicos, uso de quebra ventos, etc...
Dependendo das condições da vegetação, do tamanho da área vegetada e do suprimento de água pelo solo, definem-se situações bem características, entre elas: evapotranspiração potencial (ETp) e evapotranspiração real (ETr). Segundo Pereira et al. (2002), os conceitos são: ETp, é a quantidade de água que seria utilizada por uma extensa superfície vegetada, com grama, com crescimento ativo e sem restrição hídrica, é limitada apenas pelo balanço de energia; Etr é a quantidade de água
17
realmente utilizada por extensa superfície vegetada com grama, em crescimento ativo, com ou sem restrição hídrica. Quando não há restrição hídrica, ETr = ETp, portanto, ETr ≤ ETp.
A estimativa do balanço hídrico climatológico (BHc) é baseada no método de Thornthwaite e Mather (1955), que fornece estimativas da evapotranspiração real (ETr), do armazenamento de água no solo (ARM), da deficiência hídrica (DEF) e do excedente hídrico (EXC), considerando o valor do coeficiente de cultura (Kc) unitário para todo o ciclo da cultura e o valor da capacidade máxima de água disponível (CAD) será de 100 mm, conforme sugerido por Moraes et al. (1998) e Pereira et al. (2002).
O BHc de uma área vegetada pode ser representado por variáveis de entrada, Precipitação (P), Irrigação (I), Orvalho (O), Escorrimento Superficial (Run in), Drenagem Lateral (DLi) e Ascensão Capilar (AC), e por variáveis de saída como: Evapotranspiração (ET), Escorrimento Superficial (Run off), Drenagem lateral (DLo) e Drenagem Profunda (DP), como mostra a Figura 5.
Figura 5. Representação Esquemática dos fluxos do Balanço Hídrico.
O Balanço Hídrico tradicional de Thornthwaite e Mather (1955) é um instrumento agrometeorológico útil e prático para caracterizar o fator umidade do clima: baseia-se no cotejo de duas curvas, uma é referente à marcha da precipitação mensal e outra à Evapotranspiração potencial (ETp), que corresponde à precipitação ideal no período, de forma a não sobrar nem faltar água no solo para as plantas (Camargo e Camargo, 1993).
18
3.7. Modelo Agrometeorológico de Estimativa de Produtividade Agrícola
Os modelos agrometeorológicos consideram que cada elemento climático exerce certo controle na produtividade da cultura, interferindo como um fator de eficiência, e que a produção final seria função da produtividade potencial da região e da sua interação com os elementos meteorológicos (MORAES et al., 1998).
Vários modelos de estimativa de produtividade têm sido desenvolvidos procurando caracterizar os efeitos das variações climáticas sobre o desenvolvimento das culturas agrícolas.
O principal fator da variabilidade na produção da cultura da soja é a precipitação pluvial seguido pela acumulação térmica (Pascale e Escales, 1971; Camargo et al., 1986 e Fontana, 1998a). Desta mesma forma, vários modelos agrometeorológicos foram testados utilizando primeiramente somente a variável hídrica na estimativa da produtividade, exemplos são Jensen (1968); Arruda et al. (1978); Brunini et al. (1982); Sugawara (2001); Fontana et al. (2001); Coral et al. (2005). Também foram testados específicamente para a cultura da soja em diferentes regiões do Brasil (Pedro Júnior et al., 1983; Camargo et al., 1986; Berlato, 1987; Moraes et al. 1998; Silva, 2011).
Pesquisas mostram que incorporar variáveis espectrais aos modelos agrometeorológicos tem demonstrados bons resultados, estes são denominados modelos agrometeorológicos – espectrais, para tanto corroboram trabalhos Berka (2003); Wang et al., 2005; Rizzi e Rudorff (2005); Rojas, 2007; e Johann (2012). Além de ser uma ferramenta valiosa no monitoramento agrícola devido a sua cobertura sinótica e habilidade de proporcionar melhores aplicabilidades em diversos comprimentos de ondas (Labus et al., 2002).
Os modelos agrometeorológicos apresentam bons resultados na estimativa da produtividade de culturas, entretanto, usam informações de estações meteorológicas que são medidas localizadas e nem sempre representam adequadamente uma região de estudo. Desta forma, o uso de modelos espectrais que utilizam informações de satélite, tem se mostrado uma alternativa viável na melhoria dos modelos agrometeorológicos para melhor adequar modelos antes utilizados pontualmente, para modelos agrometeorológicos regionais.
19
Silva (2011) realizou um teste do modelo agrometeorológico de estimativa de produtividade da soja para a região do Médio Paranapanema-SP, testando dados observados das estações meteorológicas convencionais e dados meteorológicos estimados pelo satélite TRMM (Tropical Rainfall Measuring Mission), com os dados de produtividade observada da cultura da soja. Houve um aumento considerável no valor de R² quando comparado dados estimados com observados. Demonstrando melhorias quando utilizados com dados que apresentam maior resolução espacial, apresentando melhorias no desempenho do modelo agrometeorológico, uma vez comparado com dados de produtividade municipal e não em parcelas experimentais.
Os modelos agrometeorológicos-espectrais, por sua vez, além de considerarem as condições meteorológicas, tentam, a partir do componente espectral, inferir informações intrínsecas à cultura, não incluídas no modelo agrometeorológico tradicional (Rosa, 2007).
Segundo Johann (2012), modelos denominados espectrais, têm grande potencial para utilização em estimativa de produtividade, mostrando resultados que consideram tanto as condições das plantas avaliadas pelos IV, como também por elementos agrometeorológicos.
Do mesmo modo, Rojas (2007) criou um modelo de produtividade agrometeorológico-espectral para o milho e validou os dados oficiais de produtividade e área plantada, foram utilizadas imagens NDVI do sensor Spot Vegetation e ajustadas pelo CNDVI, com a finalidade de minimizar a mistura espectral dos alvos, proposto por Genovese et al. (2001). Este é um método que considera a informação do mapa de uso da terra, ou seja, a proporção de cada alvo presente no pixel, para ponderar o NDVI. Também foram utilizados dados do modelo ECMWF (precipitação pluvial e evapotranspiração potencial), como dados de entrada no modelo. Obteve-se bom desempenho quando se utilizou dados espectrais no modelo de estimativa de safra, para a região do Quênia, apresentando R² = 0,81 na validação do modelo.
20
3.8. Sensoriamento Remoto e suas aplicações na agricultura. 3.8.1. Utilização de séries temporais.
As geotecnologias aplicadas à agricultura apresentam grande potencial, pois por meio das técnicas de sensoriamento remoto é possível obter informações sobre: estimativa de área plantada; produção agrícola e vigor vegetativo, em grande escala. A radiação refletida que é coletada pelos sistemas sensores a bordo de satélites é capaz de informar, por exemplo, com o tipo de cultura plantada, com as condições do ciclo fenológico da cultura e, consequentemente, com a produtividade agrícola, podendo assim, estimar a produção da cultura.
O uso de séries multi-temporais de imagens de satélites permite acompanhar o comportamento de diferentes alvos na superfície. Uma imagem de satélite de uma única data pode não fornecer informações espectrais suficientes para permitir identificar todas as culturas plantadas numa determinada estação. Mas, imagens multitemporais podem prover maiores informações sobre a área plantada e indicações sobre o crescimento e desenvolvimento de culturas, que podem ser elementos- chave na discriminação espectral de diferentes culturas (Sanches et al., 2005).
A importância de utilizar imagens multitemporais em estudos agrícolas é que estas permitem monitorar tanto o comportamento das culturas ao longo do desenvolvimento, bem como comparar comportamentos diferentes ao longo dos anos. Ao utilizar uma imagem de satélite de uma única data somente, pode-se não fornecer informações espectrais suficientes para identificar a cultura cultivada, em uma determinada estação (Sanches et al., 2005).
Ren et al. (2008) testaram um método de estimativa de produtividade agrícola baseado em imagens do sensor MODIS, em escala regional para regiões localizadas em Jining, província de Shandong – China, os resultados mostraram que a estimativa de produtividade de trigo pode ser obtida com cerca de 40 dias antes do período da colheita, partindo de imagens mutitemporais do sensor MODIS. Alguns estudos têm demonstrado que os dados multitemporais do índice de vegetação do MODIS mostrou-se eficaz para o monitoramento agrícola e identificação de áreas de cultivo, tais como: Becker-Reshef et al. (2010); Mkhabela et al. (2011) e Figueiredo (2013).
21
Áreas cultivadas apresentam grande variabilidade temporal na resposta espectral, principalmente em culturas onde há a exposição do solo antes do plantio ou após a colheita. Assim, séries multitemporais são usadas quando uma única imagem não permite discriminar diferentes culturas agrícolas e diferentes estágios Moraes (2012). Fernandes (2009) avaliou o potencial de uso de imagens multitemporais do sensor SPOT Vegetation para a identificação de áreas canavieiras do estado de São Paulo, onde o resultado desta identificação em escala estadual mostrou-se eficiente alcançando índices de determinação entre 0,77 e 0,82.
De acordo com Yi et al. (2007), as imagens multitemporais do sensor MODIS mostraram-se eficientes para identificar e mapear áreas de milho no noroeste do Rio Grande do Sul. Fontana et al. (2001) utilizando imagens AVHRR-NOAA, analisaram as diferenças entre os perfis de NDVI em regiões produtoras de soja no Rio Grande do Sul e conseguiram realizar o acompanhamento da evolução da biomassa da soja, em nível regional.
Dessa forma, para obter dados de estatísticas agrícolas, ou realizar estudos sobre o padrão espectral de culturas agrícolas, com o uso de dados de sensoriamento remoto, é imprescindível uma análise multi-temporal (Holben, 1986).
3.8.2. Sensor MODIS
A NASA (National Aeronautics and Space Administration) mantém um programa de longa duração de observação da superfície terrestre, de oceanos e da atmosfera ESE (Earth Science Enterprises), que tem por objetivo compreender a dinâmica do planeta Terra e determinar quais mudanças estão acontecendo e quais suas consequências. O ESE apresenta alguns satélites de observação da Terra (Earth Observing System- EOS), dentre eles o TERRA (EOS-AM) e o AQUA (EOS-PM), (MODIS, 2012).
O satélite Terra foi lançado em dezembro de 1999 e começou a coletar dados em fevereiro de 2000; o AQUA foi lançado em maio de 2002 e começou a coletar dados a partir de julho do mesmo ano. Dentre os sensores que estes satélites carregam a bordo,
22
encontra-se o sensor MODIS (Moderate Resolution Imaging Spectroradiometer). O sensor MODIS, principal instrumento a bordo dos satélites Terra e Acqua, possui alta resolução radiométrica (12 bits) em 36 bandas espectrais (Tabela 4), as duas primeiras bandas possuem resolução espacial de 250m, as bandas 3 a 7 de 500 m e as demais de 1 km (MODIS, 2012).
Tabela 4. Características do sensor MODIS abordo dos satélites Terra/Aqua.
Fonte: Johann (2012); Adaptado da NASA (2009)
A partir das 36 bandas, são gerados 44 produtos MODIS, dentre eles, é possível obter diversos índices de vegetação, como por exemplo o NDVI (Normalized Difference Vegetation Index), que segundo D’Arco et al. (2005), permite descrever bem a trajetória espectro-temporal de culturas agrícolas, traduzindo as condições da vegetação ao longo de seu ciclo. Existem mais de 50 índices de vegetação e dentre os quais o NDVI é mais comumente utilizado (Moreira e Shimabukuro, 2004).
Segundo Jackson e Huete (1991), um IV ideal deve ser capaz de responder a pequenas variações no desenvolvimento fenológico da vegetação e não pode ser muito influenciado por variações de tipo de solo, do ângulo de visada do sensor, do ângulo solar e das condições atmosféricas. Para Huete et al. (2002), o NDVI vem sendo
23
utilizado em muitos estudos e em aplicações de várias áreas, tais como: agricultura, floresta, saúde, epidemiologia, monitoramento das condições ambientais e desmatamento.
O NDVI é uma relação entre as refletâncias (ρ) das bandas do infravermelho próximo (IVP) e do vermelho (V) e visa eliminar diferenças sazonais do ângulo de elevação solar e minimizar os efeitos da atmosfera.
em que:
ivp = refletância no infravermelho próximo e
ver = refletância no vermelho.O NDVI, em geral, apresenta relação com algumas variáveis agronômicas como altura de planta, índice de área foliar, matéria seca, grau de cobertura do solo e interceptação de radiação solar global, entre outros (Baret e Guyot, 1991; Fonseca, 2000). Em geral, a utilização do índice de vegetação integrado em um determinado período do desenvolvimento das culturas, ou ainda, em todo o seu ciclo apresenta relações com parâmetros agronômicos, como a estimativa da produção de culturas anuais, como exemplo os trabalhos de Rizzi (2004), Rojas (2007) e Johann (2012).
Quando uma cultura agrícola é instalada, o padrão espectral da superfície se assemelha à assinatura espectral do solo, à medida em que a cultura cresce e a porcentagem de cobertura vegetal aumenta, a influência do solo diminui e o comportamento da superfície tende a se ajustar ao comportamento das plantas verdes. Afirma Esquerdo, (2007) e Johann (2012), que ao entrar na fase de senescência, o vigor vegetal e o porte das plantas diminuem, reduzindo a porcentagem de cobertura e alterando o padrão espectral da superfície, que volta ao padrão do solo. A Figura 6 ilustra um exemplo do perfil espectro-temporal da cultura da soja com suas fases fenológicas.
24
Figura 6. Perfil temporal do NDVI no município de Assis Chateaubriand - PR, na safra 03/04.
FONTE: Johann (2012) adaptado de Esquerdo (2007)
De acordo com Tucker et al. (1979) e Adami (2010) após o plantio da cultura da soja, inicia-se o processo de germinação, entre 5 e 15 dias, o padrão espectral inicial que é de solo ou palhada, vai sendo substituído pelo da cultura, dando início à fase vegetativa. Na medida em que ocorre o crescimento da cultura, espera-se um aumento significativo no índice de vegetação (IV) até a fase reprodutiva, momento em que os valores do IV atingem um máximo. Após esta fase, a translocação de nutrientes é maior da folha para a semente, o que provoca um leve declínio dos valores do IV até a fase R7, quando tem início o processo de maturação. Na maturação, há um rápido decaimento dos valores do IV, que indica que a cultura pode ser colhida.
Entre os produtos MODIS, também se destaca o produto MOD11, por ser umas das variáveis chaves necessárias para descrever os processos da superfície terrestre, sendo extremamente requisitados para diversos estudos climáticos, hidrológicos,
