sobre o possível agravamento da frequência e severidade das

Transcrição

USABILIDADE DE PREVISÕES SAZONAIS DE ENSEMBLE DA
TEMPERATURA E PRECIPITAÇÃO NA MODELAÇÃO DA
REGA E DA PRODUÇÃO. APLICAÇÃO A CEVADA E MILHO
Paula Paredes1, Andreia F. S. Ribeiro2, Carlos A.L. Pires2, Luis S. Pereira1
Resumo
A tomada de decisão, em agricultura de regadio, tem de ser antecipadamente
planeada. Esta tomada de decisão tem de considerar a grande variabilidade
climática existente nas condições atmosféricas mediterrâneas assim como o
impacto da gestão da rega na produção e no rendimento do agricultor. A utilização
de dados de previsão meteorológica pode auxiliar neste processo decisório. No
presente estudo foram utilizadas, com o modelo AquaCrop, previsões diárias de
temperatura máxima e mínima e precipitação produzidas pelo Centro Europeu de
Previsão do Tempo a Médio Prazo (ECMWF), com prazos de previsão a 3 meses e
a 7 meses. As produções de milho e cevada simuladas pelo AquaCrop utilizando os
dados de previsão foram comparadas com as produções observadas em campos de
agricultores. Os resultados sugerem que a utilização de dados de previsão permitem
efetivamente apoiar o agricultor na tomada de decisões.
Abstract
Decision-making in irrigated agriculture has to be plan ahead for the upcoming
agricultural season. The decision-making has to take into consideration the high
climatic year-to-year variability in the Mediterranean as well as the irrigation
management impacts on yield and farm economic returns. In such a challenging
environment, the use of weather forecasts may support improved decision-making
results in higher efficiency in water use and reducing risk taking. In the present
study daily 3 and 7-month weather forecasts of maximum and minimum
temperature and precipitation from the European Centre for Medium-range
Weather Forecasting (ECMWF) were used with the AquaCrop model. Malt barley
and maize yields observed at farmers’ field and those computed with AquaCrop
using forescast data were compared. Results show that weather forescast may
effectively support farmers in the decision-making process.
1
LEAF, Instituto Superior de Agronomia, Universidade de Lisboa, Tapada da Ajuda, Lisboa,
Portugal. Emails: [email protected]; [email protected]
2
Instituto Dom Luiz (Laboratório Associado), DEGGE, Faculdade de Ciências da Universidade de
Lisboa. Email: [email protected]
Predictabilidade Sazonal de Secas
1. Introdução
A produção agrícola em regadio depende, entre outros factores, das condições
climáticas e da gestão da rega pelo que o uso de dados de previsão meteorológica
pode contribuir para a melhoria da gestão agrícola, nomeadamente em termos do
uso da água e da calendarização da rega, e.g., Lorite et al. (2015) usando previsões
de curto prazo, e para a redução do risco na tomada de decisão (Troccoli et al.,
2005; Choi et al., 2015). A utilização de previsões climáticas sazonais com modelos
de produção no apoio à decisão tem sido objeto de vários estudos nas últimas
décadas. No entanto, a maioria desses estudos focam a utilização e validação das
previsões ao nível nacional ou regional pelo que os agricultores tendem a beneficiar
pouco da informação produzida (Semenov e Doblas-Reyes, 2007; Baigorria et al.,
2008).
Um obstáculo à generalização da utilização das previsões meteorológicas é que
estas são comumente disponibilizadas com escala temporal (mensal) e espacial
(regional) diferente da utilizada pelos modelos de produção, os quais necessitam de
dados climáticos diários e funcionam à escala da parcela. Assim, para minorar esta
dificuldade surgiram ao nível Europeu projetos tais como o DEMETER
(Cantelaube e Terres, 2005; Frías et al., 2010), EUROSIP (Vitart et al., 2007), ou
ENSEMBLES (Doblas-Reyes et al. 2010) que disponibilizam previsões ensemble
diárias (i.e. produzidas a partir de um conjunto de condições iniciais perturbadas)
resultantes da corrida de modelos físicos por um período longo de vários meses ou
anos. O projeto DEMETER disponibiliza dados de hindcasts (dados de retroprevisão) a partir do modelo meteorológico global operacional do ECMWF
(European Centre for Medium-range Weather Forecasting). Outras fontes de dados
de previsão incluem a Agência Metereológica Espanhola (AEMET, Gavilán et al.,
2015), o International Research Institute for Climate and Society (IRI,
Apipattanavis et al., 2010), o Florida State University/Center for OceanAtmospheric Prediction Studies (FSU/COAPS, Baigorria et al., 2008), o MARS
Crop Yield Forecasting System (MCYFS, Balkovic et al., 2013; Bussay et al.,
2015) do Joint Research Centre (JRC), ou o Canadian Crop Yield Forecaster
(ICCYF, Chipanshi et al., 2015). Os dados climáticos de previsão geralmente
incluem as variáveis temperatura máxima (Tmax) mínima (Tmin) e precipitação (Pre)
e em alguns casos, são disponibilizadas adicionalmente dados de previsão de
radiação solar (Baigorria et al., 2008).
A utilização de previsões meteorológicas em modelos de produção localmente
adaptados e testados permite explorar distintas alternativas de gestão, como datas
de sementeira, calendarização da rega, fertilizações ou data de colheita, numa
grande gama de condições climáticas. No entanto, às distintas alternativas de gestão
estão associados riscos que se refletem no rendimento da exploração agrícola
(Apipattanavis et al., 2010; Choi et al., 2015). Os modelos de produção mais
utilizados no apoio à gestão e decisão com dados de hindcast são o modelo CERES
incluído no DSSAT (Baigorria et al., 2008; Apipattanavis et al., 2010; d’Orgeval
et al., 2010), STICS (Dumont et al., 2015), EPIC (Balkovic et al., 2013), WOFOST
(Cantelaube e Terres, 2005; Marletto et al, 2007; Bussay et al., 2015) e o AquaCrop
(Zinyengere et al., 2011). Porém, estes estudos usam uma validação dos dados de
Previsões climáticas para apoio à decisão
previsão em muitos casos feita utilizando dados de produção provenientes de anuários
estatísticos (Bussay et al., 2015; Chipanshi et al., 2015; Gouache et al., 2015) ou do
EUROSTAT (Cantelaube e Terres, 2005; Balkovic et al., 2013; Bussay et al., 2015).
Muitos estudos compararam a utilização de dados de previsão em alternativa aos
observados na predição da produção sem, porém, compararem com produções
observadas (e.g. Marletto et al., 2007; Baigorria et al., 2008; d’Orgeval et al., 2010).
Alguns autores descreveram alternativas simplificadas à utilização de previsões
climáticas provenientes de modelos globais ou regionais, como seja utilizando
médias dos valores diários de séries de dados climáticos observados usando um
gerador estocástico de clima que deram origem a bons resultados de predição da
produção (Dumont et al. 2015; Gouache et al. 2015).
No presente estudo selecionou-se o modelo AquaCrop para teste de previsões
meteorológicas dado que este foi adequadamente calibrado e validado para as
culturas de cevada (Pereira et al., 2015) e de milho (Paredes et al., 2014). A
informação assim obtida permite ultrapassar as limitações apontadas acima para
outros estudos. Assim, os objetivos do presente estudo são: 1) validar diretamente
a utilização de previsões meteorológicas de ensemble com prazos de 7 meses e de
3 meses antes do final do período de cultura para as variáveis Tmax e Tmin, usadas
no cálculo da evapotranspiração de referência, e da precipitação (Pre) acumulada
para os ciclos das culturas de cevada e milho comparando os ensembles previstos
de ETo e precipitação com os dados observados; 2) validar indiretamente as
previsões de ensemble da evapotranspiração de referência (ETo) calculada apenas
com dados previstos de Tmax e Tmin, e de precipitação, comparando os resultados do
modelo AquaCrop em termos de transpiração real, de evaporação do solo e de
produção de biomassa e grão com as observações de campo.
2. Material e métodos
2.1. Estudos de campo em cevada e milho
Durante os anos de 2010 a 2013 foram efetuados estudos nos campos da Quinta da
Lagoalva de Cima, em Alpiarça. Foram acompanhadas duas campanhas de cevada
dística para malte, e três campanhas de milho. A informação apresentada abaixo foi
descrita com maior detalhe em Paredes et al. (2015). O clima da região é
tipicamente Mediterrânico, com invernos chuvosos e verões quentes e secos. A
precipitação média anual é de 689 mm ocorrendo aproximadamente 73% de
Outubro a Abril. Os dados climáticos utilizados no presente estudo foram coletados
numa estação automática localizada na Quinta (39.16o N, 8.33oW e 24 m de
elevação). A caracterização climática de cada ciclo cultural estudado é apresentada
na Fig. 1 relativamente à precipitação e evapotranspiração de referencia (ETo), esta
última calculada pela equação FAO-PM (Allen et al., 1998; Pereira, 2004).
A cevada dística para malte (Hordeum vulgare L. var. Publican) foi estudada nos anos
de 2012 e 2013, a primeira em ano de seca e a segunda em ano chuvoso (Fig.1d e e),
extremamente contrastantes. Em ambos os anos a parcela monitorizada (parcela 1)
tinha cerca de 30 ha. A cevada foi semeada com uma densidade de 200 kg ha-1 e um
espaçamento entrelinhas de 0.15 m.
60
60
50
50
Precipitação e ETo (mm)
40
30
20
10
40
30
20
10
02/09
16/09
30/09
04/05
18/05
28/10
19/08
20/04
14/10
05/08
06/04
22/07
23/03
08/07
24/06
10/06
27/05
13/05
01/04
05/08
28/10
22/07
05/08
14/10
08/07
22/07
30/09
24/06
08/07
16/09
10/06
24/06
02/09
27/05
10/06
19/08
13/05
27/05
29/04
13/05
15/04
01/04
a)
29/04
0
0
15/04
b)
60
50
40
30
20
10
14/10
28/10
30/09
16/09
02/09
19/08
29/04
01/04
c)
60
60
50
50
40
30
20
10
0
40
30
20
10
29/06
15/06
01/06
09/03
23/02
09/02
26/01
12/01
d)
29/12
01/12
18/06
04/06
21/05
07/05
23/04
09/04
26/03
12/03
27/02
13/02
30/01
16/01
0
15/12
15/04
0
e)
Fig. 1. Precipitação (▐ ) e evapotranspiração de referência (ETo) (▐ ) diárias para as
campanhas do milho (a) 2010 (b), 2011 e (c) 2012, e da cevada (d) 2012 e (e) 2013.
Os solos são de textura franco-arenosa na parcela 1 e 2 e limo-argilosa na parcela
3. As características hidráulicas dos solos das distintas parcelas utilizadas na
modelação deste estudo são apresentadas na Tabela 1.
Tabela 1. Propriedades dos solos das parcelas de Alpiarça usadas em cevada (parcela 1)
e milho (parcelas 1, 2 e 3) (adaptado de Paredes et al., 2014).
Camada (m) θFC (m3 m-3)
Parcela1
2
0.00-0.10 0.32 0.25
0.10-0.20 0.25 0.17
0.20-0.40 0.22 0.17
0.40-0.60 0.22 0.26
0.60-0.80 0.22 0.16
0.80-1.00 0.17 0.32
3
0.35
0.36
0.36
0.37
0.36
0.37
θWP (m3 m-3)
1
2
0.08 0.08
0.06 0.05
0.06 0.04
0.04 0.09
0.05 0.04
0.04 0.14
3
0.22
0.24
0.20
0.12
0.10
0.12
θsat (m3 m-3)
1
2
0.48 0.56
0.35 0.39
0.33 0.36
0.34 0.32
0.34 0.36
0.24 0.39
3
0.45
0.41
0.42
0.43
0.43
0.45
Ksat (cm d-1)
1
2
442 891
129 157
93
117
87
40
93
86
92
66
3
71
46
50
59
61
77
θFC conteúdo de água do solo à capacidade de campo; θWP conteúdo de água do solo ao coeficiente de
emurchecimento; θsat conteúdo de água do solo à saturação; Ksat condutividade hidráulica saturada
Os estudos relativos ao milho (Zea mays L. var. PR33Y74) efetuaram-se nos anos
de 2010 a 2012. A campanha de 2010 foi a mais seca e a de 2011 a mais húmida
(Fig. 1a - c). Durante as campanhas de rega de 2010 e 2012 foram monitorizadas
duas parcelas desde a sementeira até à colheita, respetivamente as parcelas 1 e 2 e
as parcelas 2 e 3; em 2011 apenas foi monitorizada a parcela 1. Todas as parcelas
monitorizadas tinham uma área aproximada de 30 ha cada. As parcelas foram semeadas
por sementeira direta com uma densidade aproximada de 82000 plantas por hectare.
As observações/medições de campo utilizadas neste estudo incluíram: a) as datas
de início de cada fase de desenvolvimento da cultura (Tabela 2); b) o índice de área
foliar (LAI, cm2 cm-2); c) a profundidade radicular; d) a monitorização do conteúdo
de água no solo (θ) até à profundidade radicular tendo os valores sido convertidos
em água disponível no solo (ASW = 1000 (θ – θWP) Zr, mm); e e) amostragens da
produção final sendo determinadas a quantidade de biomassa e de grão produzidos.
Tabela 2. Datas e acumulação térmica (AGDD) para os períodos de desenvolvimento da
cevada e milho, Alpiarça (adaptado de Paredes et al., 2014 e Pereira et al., 2015).
Cultura Ano/Parcela
Cevada 2012 2
2013 2
Milho
2010 1 e 2
2011 1
2012 2
3
Sementeira
Data
AGDD
Data
AGDD
Data
AGDD
Data
AGDD
Data
AGDD
Data
CGDD
16/01/2012
210
06/12/2012
302
25/05/2010
310
20/04/2011
297
16/04/2012
252
30/05/2012
257
Início do
período de
crescimento
rápido
07/02
896
04/01
984
26/06
684
18/05
716
09/05
687
16/06
680
Início do
período
intermédio
Início do
período Colheita
final
03/04
1552
10/03
1671
18/07
1448
29/06
1490
25/06
1457
17/07
1416
20/05
2315
29/04
2331
03/09
1810
18/08
1955
21/08
1902
13/09
1785
26/06
06/06
13/10
20/09
20/09
12/10
Todas as parcelas foram regadas por aspersão, sendo as parcelas 1 e 2 regadas por
um sistema de rampa pivotante e a parcela 3 por uma rampa de deslocação linear.
Os calendários de rega aplicados foram decididos pelo agricultor. Os calendários
de rega e informação mais detalhada dos estudos são apresentados em Paredes et
al. (2015).
Na validação do modelo AquaCrop consideraram-se adicionalmente estudos de
campo realizados da Estação Experimental António Teixeira em Coruche. Os
ensaios realizados visaram a avaliação dos impactos na produção de milho de
diferentes níveis de défice hídrico em distintas fases do ciclo cultural. O clima deste
local é semelhante ao de Alpiarça. Nos ensaios utilizou-se a variedade LG18 (FAO
300) e uma densidade de sementeira de 90000 plantas ha-1 (Alves et al., 1991). O
solo no campo experimental era areno-limoso com capacidade de campo θFC = 0.22
(m3 m-3), coeficiente de emurchecimento θWP = 0.075 (m3 m-3), conteúdo volumétrico
à saturação θsat = 0.37 (m3 m-3) e condutividade hidráulica saturada Ksat = 445 cm
d-1 (Alves et al., 1991). As observações efetuadas no campo experimental de
Coruche e utilizadas no AquaCrop incluíram: a) datas dos períodos de
desenvolvimento; b) os índices de área foliar; c) calendários de rega e dotações
aplicadas; d) conteúdo de água do solo medido até 1.2 m; e e) produção final de
biomassa e de grão. Uma descrição mais detalhada destes estudos é feita por
Paredes et al. (2015).
2.2. Modelação da produção
O modelo Aquacrop (Steduto et al., 2012; Raes et al., 2012) é um modelo de
produção composto por quatro submodelos: 1) o de balanço hídrico do solo; 2) o
de desenvolvimento da cultura e produção; 3) o de clima, que combina a procura
climática (evapotranspiração de referência) e a precipitação considerando a
concentração de CO2; e 4) o de gestão da cultura, onde se inclui a rega, a fertilização
e o controlo da salinidade (Raes et al., 2012).
Os dados de entrada do modelo incluem (Raes et al., 2012):
1) Dados climáticos diários relativos a Tmax (oC), Tmin (oC) e precipitação (mm),
evapotranspiração de referência (ЕТo, mm) e dados referentes à concentração
atmosférica anual de CO2;
2) Características da cultura, incluindo:
i) data da emergência, data da máxima cobertura, data em que a profundidade
máxima das raízes é atingida, data do início da senescência, em que a maturação é
obtida, datas do início e fim da floração; datas relativas ao desenvolvimento do
coberto;
ii) coeficiente de transpiração para uma cobertura de 100% do solo pela cultura
(KcTr,x);
iii) profundidade mínima e máxima das raízes (Zr, m) e fator de expansão das
raízes;
iv) parâmetros da curva de desenvolvimento da cobertura, incluindo a cobertura
do solo pelo copado inicial e máxima (respetivamente CCo, CCx), coeficiente de
desenvolvimento do coberto (CGC) e coeficiente de declínio do coberto (CDC);
v) “produtividade da água” normalizada;
vi) índice de colheita de referência;
vii) coeficientes de stresse relativos à expansão do copado, fecho estomático,
senescência antecipada do copado e stresse anaeróbio devido ao encharcamento
do solo;
3) Características do solo, em que para cada camada se definem a sua espessura
(m), os teores de humidade do solo à capacidade de campo (FC, m3 m-3), no
coeficiente de emurchecimento (WP, m3 m-3 à saturação (sat, m3 m-3), e a
condutividade hidráulica saturada (Ksat, mm). A camada superficial que produz
evaporação é caracterizada pela água facilmente evaporável (REW, mm). No
cálculo do escoamento superficial é utilizado o método Curve Number (CN). A
percolação profunda é calculada com um algoritmo descrito em Raes et al. (2006)
que utiliza os valores do Ksat, sat e FC;
4) Dados do calendário de rega, que pode ser observado ou estimado. No primeiro
caso é necessária informação sobre datas e dotações dos eventos de rega e no
segundo são definidos pelo utilizador limiares de rega e dotações, podendo ainda
ser definida a frequência de regas;
5) Práticas de gestão ao nível da parcela incluindo informação sobre salinidade do
solo e/ou água, nível de fertilidade do solo, existência de mulches e práticas que
reduzam o escoamento superficial.
O modelo AquaCrop utiliza a curva de cobertura do solo pelo copado (CC) para a
partição da ET nas suas componentes de evaporação do solo e transpiração da
cultura. Os parâmetros desta curva, CCo, CCx, CGC e CDC devem ser calibrados
de acordo com observações; caso contrário há que usar parâmetros tabelados por
Raes et al. (2012). O cálculo da curva CC é realizada em três fases como mostrado
por Paredes et al. (2014) e Pereira et al. (2015) respectivamente para milho e
cevada. De modo a parametrizar a curva para uma determinada cultura podem
obter-se os valores de CC usando uma função exponencial com dados observados
de índice de área foliar (LAI, m2 m-2) tal como:
CC = [1 − exp(−α LAI)]
(1)
A parametrização desta equação foca o coeficiente de extinção, α, que é um
indicador do ensombramento do solo pela cultura (Jeuffroy e Ney, 1997). No
presente estudo, para a cevada, utilizou-se a Eq. 1 com α = 0.50. Para o caso do
milho utilizou-se a equação proposta por Hsiao et al. (2009):
CC = 1.005 [1 − exp(−0.6 LAI)]1.2
(2)
O modelo usa um passo de tempo diário para estimar a evapotranspiração potencial das
culturas (ETc, mm), i.e., na ausência de stresse, e usa uma aproximação semi-empírica
para fazer a sua partição nas componentes de transpiração da cultura (Tc, mm) e
evaporação do solo (Es, mm). Ambas as componentes são dependentes da cobertura
real da cultura (CC*, %). Assim, a Tc é calculada (Raes et al., 2012) pelo produto
Tc = CC* KcTr,x ETo
(3)
onde ETo é a evapotranspiração de referência (mm), KcTr,x é o coeficiente de
transpiração da cultura para uma cobertura de 100% (adimensional), e CC* é a
cobertura real da cultura (%) ajustada aos efeitos de micro-advecção. A transpiração
real (ou ajustada) (T c act, mm) é obtida ajustando Tc às condições de stresse hídrico
usando para tal o coeficiente de stresse Ks [0-1], i.e., Tc act = Ks Tc. Ks descreve os
efeitos do stresse hídrico em vários processos relativos ao crescimento das culturas
(Raes et al., 2012). O KcTr,x é ajustado pelo modelo tomando em consideração os
efeitos do desenvolvimento e da senescência.
A evaporação do solo é estimada como
Es = Kr (1 - CC*) Kex ETo
(4)
onde Kex é o coeficiente (máximo) de evaporação do solo (adimensional) e Kr é o
coeficiente de redução da evaporação [0-1], com Kr < 1 quando não existe água
disponível na camada superficial suficiente para responder à procura climática da
atmosfera. Kex é ajustado pelo modelo quando há emurchecimento das plantas, na
presença de mulches e no caso de rega que humedece parcialmente o solo.
A biomassa seca (B, t ha-1), é estimada (Raes et al., 2012) por
B = Ksb BWP* ∑
𝑇𝑐 𝑎𝑐𝑡
𝐸𝑇𝑜
(5)
onde BWP* (g m−2) é a “produtividade da água normalizada” para a concentração
de CO2 na atmosfera representando a quantidade de biomassa produzida por
unidade de área, e Ksb é o coeficiente de stresse relativo à temperatura. A produção
(Y, t ha-1), por sua vez, é estimada a partir de B utilizando uma aproximação semiempírica:
Y = fHI HIo B
(6)
onde HIo é o índice de colheita de referência, que representa a proporção da
biomassa que é colhida na ausência de qualquer tipo de stresse, e fHI é o fator de
ajustamento do índice de colheita, o qual integra vários fatores de stress hídrico.
2.3. Calibração e validação do modelo de produção
O modelo AquaCrop utiliza um grande número de parâmetros incluindo alguns que se
espera modificarem-se pouco com a gestão da cultura ou com o local, sendo por isso
denominados conservativos, encontram-se tabelados por Raes et al. (2012). Assim,
foram utilizados esses valores para inicializar as simulações de calibração em conjunto
com os referidos por Abi Saab et al. (2015) para a cevada e por Hsiao et al. (2009) para
o milho. A parametrização do modelo focou primeiro os parâmetros que descrevem a
curva de cobertura do solo pelo copado (CC) (Eqs. 1 e 2) dada a sua importância na
partição da ET em T e Es (Eqs. 3 e 4). Assim, o procedimento de tentativa e erro focou
primeiro o ajuste dos parâmetros CCx, CGC e CDC que descrevem a curva de CC. De
seguida o procedimento focou o ajustamento do valor de Kc Tr, x comparando os valores
observados de ASW com os simulados. Os valores de REW e CN utilizados foram os
anteriormente calibrados quando se usou o modelo SIMDualKc (Paredes et al., 2014,
2015 e Pereira et al., 2015). Os procedimentos de tentativa e erro estão descritos em
detalhe por Pereira et al. (2015).
Para avaliar a precisão do modelo AquaCrop na predição dos valores observados de
CC, de ASW, da biomassa e da produção de grão foram utilizadas estratégias
qualitativas e indicadores estatísticos. Assim, para cada corrida do modelo durante a
calibração, efetuou-se a representação gráfica dos valores simulados e observados ao
longo do ciclo das culturas de modo a ter uma boa perceção das tendências e/ou
enviesamentos da modelação. Como discutido por Pereira et al. (2015), a avaliação
do ajustamento do modelo foi feita usando um conjunto de indicadores:
1) o coeficiente de regressão (b0) da regressão linear forçada à origem (Eisenhauer,
2003) entre os valores simulados (Pi) e observados (Oi), onde um valor de b0
próximo de 1.0 significa que os valores simulados pelo modelo estão
estatisticamente próximos dos observados;
2) o coeficiente de determinação (R2) da regressão por mínimos quadrados
ordinários entre os valores Pi e Oi; um valor de R2 = 1.0 significa que a maior parte
da variância dos valores observados é explicada pelo modelo;
3) a raiz do erro médio quadrático (RMSE),
4) a raiz do erro médio quadrático normalizada com a média das observações
(NRMSE)
5) a eficiência da modelação (EF, Nash e Sutcliff, 1970) que toma valores próximos
de 1.0 quando o erro médio quadrático (MSE = RMSE2) é muito pequeno
relativamente à variância das observações.
Estes indicadores estatísticos estão descritos em detalhe por Martins et al. (2015).
Quando o número de observações era pequeno utilizou-se a diferença entre os
valores observados (Oi) e simulados (Pi) expressa em termos absolutos bem como
a diferença normalizada relativamente à média dos Oi, neste caso expressa em
termos percentuais; a diferença normalizada ideal e de 0%, considerando-se muito
bons os valores < 10%.
2.4. Previsões diárias à escala sazonal de variáveis meteorológicas e sua
avaliação
O Sistema IV do Centro Europeu de Previsão do Tempo a Médio Prazo (ECMWF)
é a versão corrente (desde 2011) do Modelo Atmosférico-oceânico de Circulação
Geral (GCM) do ECMWF, o qual fornece previsões sazonais operacionais (Jung et
al., 2010; Molteni et al., 2011). A descrição deste sistema consta de Andersson
(2013) disponível em http://www.ecmwf.int/en/forecasts/documentation-andsupport/long-range/seasonal-forecast-documentation/user-guide/seasonalforecasting-system.
A previsão meteorológica sazonal é, contrariamente, à previsão quase determinista
de curto-prazo, até cerca de 10 dias, de natureza probabilística. A previsão de longo
prazo apresenta uma grande sensibilidade aos erros dos campos das análises
(obtidas por assimilação de dados), usadas como condições iniciais dos modelos e,
por isso, só tem sentido executar as chamadas previsões ensemble em que são
criadas condições iniciais de forma otimizada dentro da elipsoide de erro das ditas
análises (Andersson, 2013). Dessas previsões de ensemble extraiem-se
probabilidades de ocorrências e estatísticas. Neste sentido, a previsão sazonal
apresenta-se como uma tentativa de fornecer prognósticos probabilísticos sobre o
estado do sistema climático nos meses seguintes aos da inicialização das previsões.
O Ensemble Forecasting System IV (EFS) do ECMWF produz corridas do modelo
meteorológico por um período previsto de 7 meses, sendo lançadas todos os dia 1
de cada mês. Essas previsões estão disponíveis desde 1981 até à atualidade. As
retro-previsões (hindcast) anteriores a 2011 tem uma logística idêntica à das
previsões em tempo real excepto no facto de que o tamanho do ensemble é de 15
membros em vez de 51 membros, tal como usado no Sistema IV, permitindo uma
melhor estimação das probabilidades. Em comparação, o anterior Sistema III do
ECMWF apresentava um número inferior de membros ensemble: 11 e 41 membros
de re-previsão e previsão, respectivamente. As condições iniciais atmosféricas do
Sistema IV provêm do estado-da-arte das reanálises do ECMWF (ERA-Interim).
Alguns detalhes sobre o Sistema IV ECMWF podem ser consultados em Molteni
et
al.
(2011) e
http://www.ecmwf.int/en/forecasts/documentation-andsupport/long-range/seasonal-forecast-documentation/user-guide/seasonalforecasting-system.
Neste trabalho foram utilizadas previsões diárias de temperatura máxima (Tmax),
temperatura mínima (Tmin) e precipitação (Pre), produzidas pelo Sistema IV do
ECMWF. São considerados dois cenários diferentes de lançamento de previsão:
(1) lançamento da previsão, com alcance de 7 meses, no dia 1 do mês de sementeira
da cultura a modelar;
(2) lançamento da previsão, com um alcance de 3 meses, no dia 1 de Agosto, no caso
do milho, e a 1 de Abril, no caso da cevada. Neste caso as previsões são mais recentes.
Como o modelo de produção requer dados completos para cada ano, utilizaram-se
os valores da climatologia de Santarém para completar as séries de dados diários,
mas que de qualquer modo não são usados pelo modelo de produção. No caso das
previsões de 3 meses o período anterior à previsão foi preenchido com dados
climáticos observados na estação localizada na Quinta da Lagoalva.
Utilizaram-se as previsões de Tmax e Tmin para o cálculo da evapotranspiração de
referência usando o método FAO-PMT como descrito em Pereira (2004) e em
Paredes e Rodrigues (2010). Reconhece-se que o cálculo da ETo apenas com Tmax
e Tmin pode levar a uma sobrestimação da ETo relativamente ao cálculo com dados
completos. As previsões de Tmax e Tmin foram usadas no modelo AquaCrop para o
cálculo da acumulação térmica (AGDD). Os dados de previsão da precipitação
constituíram dados de entrada do modelo AquaCrop para a simulação da água do
solo. A avaliação das previsões meteorológicas foi efetuada utilizando estes dados
como entradas do modelo AquaCrop mantendo todos os outros dados de entrada
inalterados, nomeadamente os dados de caraterísticas das culturas, e do solo, os
calendários de rega observados e as condições iniciais de água no solo. Reconhecese que a validação rigorosa das previsões seria aquela em que os calendários de rega
e as condições iniciais de água no solo fossem ajustados aos dados de previsão;
porém, não poderiam comparar-se as produções de biomassa e grão. Entretanto, de
modo a ter em consideração diferenças devidas ao hindcast de temperatura,
utilizou-se a acumulação térmica para definir as fases dos ciclos das culturas.
4. Resultados
4.1. Calibração e validação do modelo AquaCrop
A Tabela 3 apresenta os valores dos parâmetros calibrados do modelo AquaCrop para
as culturas da cevada dística e milho. No presente estudo, o HIo foi observado para
condições de ausência de stresse e foi em média de 0.46 para a cevada e 0.49 para o
milho (Tabela 3). Valores semelhantes foram referidos para a cevada por AbiSaad et
al. (2015) e, para o milho, por Di Paolo e Rinaldi (2008) [0.36-0.53] e por Heng et al.
(2009) [0.48]. Os valores calibrados de Kc Tr, x para ambas as culturas (Tabela 3) são
semelhantes aos adotados com o modelo SIMDualKc com os mesmos dados de campo
(Paredes et al., 2014, 2015; Pereira et al., 2015). A adequabilidade dos valores
calibrados de Kc Tr, x e de BWP* foi discutida nestes artigos.
Tabela 3. Parâmetros do modelo AquaCrop após calibração utilizados nas simulações
para as culturas da cevada dística e milho (Paredes et al., 2014 e Pereira et al., 2015).
Parâmetros adotados
Temperatura de base (oC)
Temperatura limite (oC)
CCo (%)
Depleção da água do solo limite para a expansão do
coberto superior/inferior
Depleção da água do solo limite para o controlo
estomacal
Parâmetros calibrados
KcTr,x ()
BWP* (g m-2)
HIo ()
Parâmetros da curva de desenvolvimento do copado
CCx (%)
CGC (% GDD-1)
CDC (% GDD-1)
Cevada
0
30
3.2
0.20/0.50
Milho
8
30
4.1
0.14/0.72
0.55
0.69
1.12
13.0
0.46
2012
90
0.65
0.31
1.18
33.7
0.49
2010
96
1.49
0.40
2013
83
0.65
0.33
2011
96
1.49
0.35
2012
96
1.56
0.43
Para cada cultura estudada foram obtidos valores diferentes de CCx, CGC e CDC
(Tabela 3) para as curvas CC nos diferentes anos o que é explicado pelos fatores
climáticos que influenciam o desenvolvimento das culturas. Exemplos das curvas
de CC para a cevada e o milho, incluindo alguns indicadores de ajustamento, são
apresentadas na Fig. 2. Os resultados para os anos de calibração mostram tendência
para sobrestimação no caso da cevada (Fig. 2a) e de subestimação no caso do milho
(Fig. 2c), mas para os exemplos de validação não há tendência para sobre ou
subestima; para todos os casos os R2 > 0.96, indicando que a CC modelada explica
a variância dos valores de CC observados. Os erros de estima são baixos
representando 4 a 8% da média dos valores observados no caso da cevada e 7 a 10%
no caso do milho. Os EF são elevados (EF>0.94) indicando que o erro quadrático
médio é muito pequeno relativamente à variância das observações.
A Fig. 3 apresenta exemplos selecionados da variação da água disponível no solo
(ASW) simulada pelo AquaCrop. Os resultados da simulação de ASW ao longo do
ciclo da cevada mostram bem os efeitos das condições climáticas contrastantes que
ocorreram em 2012 e 2013. No ano seco de 2012 a água disponível no solo
permaneceu durante todo o ciclo da cevada abaixo da TAW devido à baixa
precipitação (Fig. 3a) tendo-se observado na fase final do ciclo a ocorrência de
stresse hídrico, parcialmente explicado por a rega ter sido cessada 30 dias antes da
colheita. Em contraste, no ano húmido de 2013 (Fig. 3b) a ASW manteve-se acima
da TAW durante a quase totalidade do ciclo devido a abundantes chuvas. Em ambos
os anos, verificou-se tendência para subestimação dos valores de ASW simulados
pelo AquaCrop no final do ciclo da cevada.
100
100
Cobertura do solo pelo copado (%)
90
80
70
60
50
40
30
20
10
0
90
80
70
60
50
40
30
20
10
0
a)
R2
0.99
RMSE (%)
5
NRMSE ()
8
EF ()
0.97
b)
b0
1.00
100
100
90
90
b0
1.06
80
70
60
50
40
30
20
10
0
R2
0.99
RMSE (%) NRMSE ()
3
4
EF
0.99
R2
0.96
RMSE (%) NRMSE ()
7
10
EF
0.94
80
70
60
50
40
30
20
10
0
c)
R2
0.99
b0
0.97
RMSE (%)
5
NRMSE ()
7
EF
0.99
d)
b0
1.03
Fig. 2. Exemplos selecionados da curva de cobertura do solo pelo copado para: a) cevada
2012, b) cevada 2013, c) milho 2011, d) milho 2012 parcela 3 (adaptado de Paredes et al.,
2014 e Pereira et al., 2015).
Os indicadores de ajustamento (Tabela 4) das simulações de ASW mostram para o
ano seco, i.e. ano de calibração, que não existe tendência para subestimar ou
sobrestima com um valor de b0 próximo de 1.0, e um R2 elevado ou seja que a uma
elevada parte da variância é explicada pelo modelo. Os erros de estimação
representam cerca de 15% da média dos valores observados mas a eficiência de
modelação é relativamente elevada. Para o ano húmido, os indicadores pioram mas
são ainda aceitáveis.
270
270
240
a)
240
210
150
TAW
120
90
60
RAW
180
ASW (mm)
ASW (mm)
210
180
b)
150
TAW
120
90
60
30
30
0
0
RAW
Fig. 3. Variação diária da água disponível no solo (ASW) simulada pelo modelo AquaCrop ( ̶ )
e observada (●) para cevada (a) em 2012 e (b) em 2013 (adaptado de Pereira et al., 2015).
Tabela 4. Indicadores de ajustamento da água disponível no solo relativos aos estudos
realizados em Alpiarça (adaptado de Paredes et al., 2014 e Pereira et al., 2015).
Cevada
Milho
Ano
2012 (calibração)
2013
2010
Parcela
1
1
1
2
2011 (calibração) 1
2012
2
3
Indicadores de ajustamento
RMSE
b0
R2
(mm)
1.01
0.88
12.0
0.96
0.81
20.8
1.01
0.71
9.5
1.09
0.80
9.1
0.96
0.88
8.4
0.96
0.57
11.1
1.04
0.79
9.5
NRMSE
(%)
15.4
13.3
14.0
19.0
7.0
12.6
6.6
EF
0.76
0.64
0.66
0.58
0.72
0.03
0.57
Para o caso do milho a variação da ASW em 2010 (Fig. 4a e 4b) mostram períodos
de ocorrência de stresse durante o período intermédio do ciclo cultural que se
deveram a dotações de rega reduzidas em contraste com as necessidades da cultura.
Calendários mais adequados foram observados em 2011 (Fig. 4c) e 2012 (Fig. 4d)
não se tendo observado a ocorrência de stresse hídrico. Verifica-se que o AquaCrop
apresenta uma tendência evidente para sobrestimar os valores mais baixos de ASW.
120
90
a)
80
TAW
70
60
ASW (mm)
ASW (mm)
80
60
40
RAW
20
40
30
RAW
20
0
25/05
01/06
08/06
15/06
22/06
29/06
06/07
13/07
20/07
27/07
03/08
10/08
17/08
24/08
31/08
07/09
14/09
21/09
28/09
05/10
12/10
25/05
01/06
08/06
15/06
22/06
29/06
06/07
13/07
20/07
27/07
03/08
10/08
17/08
24/08
31/08
07/09
14/09
21/09
28/09
05/10
12/10
c)
RAW
ASW (mm)
TAW
27/04
04/05
11/05
18/05
25/05
01/06
08/06
15/06
22/06
29/06
06/07
13/07
20/07
27/07
03/08
10/08
17/08
24/08
31/08
07/09
14/09
ASW (mm)
50
10
0
200
180
160
140
120
100
80
60
40
20
0
b)
TAW
220
200
TAW
180
160
140
120
100 RAW
80
60
40
20
0
d)
30/05
06/06
13/06
20/06
27/06
04/07
11/07
18/07
25/07
01/08
08/08
15/08
22/08
29/08
05/09
12/09
19/09
26/09
03/10
10/10
100
Fig. 4. Variação diária da água disponível no solo (ASW) simulada pelo modelo AquaCrop
( ̶ ) e observada (●) para milho: (a) em 2010 parcela 1, (b) em 2010 parcela 2, (c) em 2011
parcela 1, e (d) em 2012 parcela 3 (adaptado de Paredes et al., 2014)
Os indicadores de ajustamento (Tabela 4) mostram uma adequada simulação da
ASW no ano de calibração (2011) com NRMSE = 7% e EF = 0.72. Nos anos de
validação o modelo apresenta um viés na estima de ASW mas erros de estimação
variando entre 7 e 19%. A eficiência de modelação é geralmente aceitável (EF >
0.57), com exceção da parcela 2 em 2012 em que o valor de EF é próximo de zero.
Como discutido em Pereira et al. (2015) concluiu-se que, ao contrário do
SIMDualKc (Paredes et al., 2015), o modelo AquaCrop é pouco preciso na
simulação do balanço hídrico do solo devendo por isso ser utilizado com precaução
no apoio à calendarização da rega.
Os resultados relativos à predição da biomassa e grão em cevada são apresentados
na Tabela 5. Verificou-se que no ano seco a diferença entre a produção média de
biomassa observada e estimada (Bobs e Bpred) é quase quatro vezes superior ao
desvio padrão das observações mas representando apenas 11% da média de Bobs
enquanto no ano húmido tal diferença representa 19% da média de Bobs. Os
resultados para a produção de grão mostram que a diferença entre a média das
observações e a predição (Yobs e Ypred) é inferior ao desvio padrão das amostras
coletadas no caso do ano seco e, no ano húmido, representa 17% da média de Yobs
Os resultados obtidos para a cevada dística são semelhantes aos obtidos por outros
autores usando o modelo AquaCrop para a predição da produção de cevada (Araya
et al., 2010; Abi Saab et al., 2015).
Tabela 5. Valores de produção biomassa e grão de cevada dística (kg ha-1) observados e
simulados pelo AquaCrop para 2012 e 2013 (adaptado de Pereira et al., 2015)
Biomassa
Grão
2012
2013
2012
2013
Observados
(kg ha-1)
14463 (± 417)
12503 (±1160)
6331 (±417)
5843 (±612)
Estimados
(kg ha-1)
12920
14875
6144
6842
Diferença
(kg ha-1)
-1543
2372
-187
999
%
-11
19
-3.0
17.1
No caso do milho como existia uma série de dados observados de biomassa e
produção (Paredes et al., 2015a) foi possível calcular os indicadores de ajustamento
do modelo para a predição de biomassa e de grão (Tabela 6). Observou-se que o
erro de estima, quer da produção de biomassa quer de grão, é inferior a 10% das
médias de Bobs e de Yobs. Porém, o modelo apresenta uma tendência para a
sobrestima da produção (b0 = 1.05). Comparando os resultados da calibração do
modelo com outras aplicações do modelo AquaCrop verificou-se que valores de
RMSE semelhantes aos do presente estudo (Tabela 6) foram obtidos por Hsiao et
al. (2009) e Heng et al. (2009).
Tabela 6. Indicadores de ajustamento relativos à predição da produção de biomassa e
grão de milho, Alpiarça (adaptado de Paredes et al., 2014).
Biomassa
Produção de grão
Média
observada
Indicadores de ajustamento
(t ha-1)
36.1
17.7
b0
1.01
1.05
R2
0.82
0.87
RMSE
(t ha-1)
3.49
1.73
NRMSE
(%)
EF
9.7
0.81
9.8
0.82
Em conclusão, o modelo AquaCrop é adequado para a predição da produção de
biomassa e grão, tanto de cevada como de milho, pelo que foi utilizado na validação
das previsões climáticas.
4.2. Validação das previsões meteorológicas sazonais relativas a precipitação e à
ETo calculada com as previsões de Tmax e Tmin
4.2.1. Cevada
O ensemble correspondente a um hindcast com prazo de 7 meses com previsões
lançadas a 1 de Janeiro e 1 de Dezembro de 2012, respetivamente para a cevada de
2012 e 2013, foi utilizado como dados de entrada do modelo AquaCrop; todos os
outros dados de entrada do modelo permaneceram inalterados em relação ao
observado como dito anteriormente. No caso da previsão com prazo de 3 meses, a
data de lançamento da previsão foi 1 de Abril em ambos os anos.
A validação direta do hindcast foi efetuada comparando os dados de hindcast com os
dados climáticos observados acumulados para todo o ciclo da cultura. A Fig. 5
apresenta os resultados relativos à comparação entre a precipitação observada e a
produzida pelo hindcast. Os resultados mostram que a precipitação com a previsão a 7
meses é subestimada pelo hindcast em ambos os anos de estudo (Fig. 5a). A predição
da precipitação melhora, quando se utiliza a previsão a 3 meses no caso do ano seco
(2012) mas passa a sobrestimar no ano húmido (2013) (Fig. 5b).
800
800
700
700
600
600
Precipitação (mm)
Precipitação (mm)
Comparou-se também a ETo produzida pelas previsões (ETo-PMTpred) e pelos dados
observados (PM-ETo-obs). Os resultados para a previsão a 7 meses mostram uma
sobrestima da ETo nos dois anos (Fig. 5c). Quando se utiliza a previsão a 3 meses
a ETo passa a ser subestimada no ano húmido, permanecendo sobrestimada no ano
seco (Fig. 5d).
500
400
300
200
400
300
200
100
100
0
0
2012
2013
a)
600
600
500
500
400
400
ETo (mm)
ETo (mm)
500
300
2012
2013
2012
2013
b)
300
200
200
100
100
0
0
2012
2013
c)
d)
Fig. 5. Comparação da precipitação e evapotranspiração de referência (ETo) sazonal para
os dois anos de estudo usando dados climáticos observados (●) e dados de previsão
climática (box-plot) a 7 meses (a, c) e a 3 meses (b, d).
Efetuou-se a validação indireta do hindcast comparando os resultados do modelo
AquaCrop ao utilizar esses dados em alternativa aos dados climáticos observados.
Como a produção de biomassa e de grão são fortemente dependentes da
transpiração da cultura (Eqs. 5 e 6) e da cobertura do solo pelo copado (Eq. 1 e 2)
analisou-se o comportamento da curva de CC nos dois anos de estudo quando o
ensemble de previsão a 7 meses e a 3 meses foi usado em alternativa aos dados
observados (Fig. 6). No ano seco de 2012, os dados de previsão a 7 meses (Fig. 6a)
conduziram a uma clara sobrestimação dos valores de CC no período inicial mas
que diminuiu após o período intermédio. Os resultados mostram uma elevada
variabilidade da CC ao utilizar os dados de previsão no período final o que é
explicado pelo aumento da temperatura no ensemble levando à antecipação da
senescência e à maior rapidez quanto a atingir a acumulação térmica (AGDD)
necessária a completar o ciclo da cultura. No ano húmido de 2013 os resultados do
ensemble de previsão a 7 meses tendem a subestimar os valores de CC (Fig. 6c) o
que explica o maior valor de Es (Fig. 7a) quando estes dados são usados. Como era
de prever, a estimação da CC utilizando dados de previsão a 3 meses melhorou o
ajustamento da curva em relação às observações no ano seco (Fig. 6b) mas no ano
húmido essa melhoria não foi visível (Fig. 6d).
100
90
80
70
60
50
40
30
20
10
0
100
90
80
70
60
50
40
30
20
10
0
b)
100
90
90
a)
100
80
70
60
50
40
30
20
10
0
06/12 04/01 04/02 19/02 25/02 13/03 23/04 02/05 22/05
c)
80
70
60
50
40
30
20
10
0
06/12 04/01 04/02 19/02 25/02 13/03 23/04 02/05 22/05
d)
Fig. 6. Comparação da curva de cobertura do solo pelo copado pela cevada em (a, b) 2012
e (c, d) 2013, simuladas usando dados climáticos observados (●) e dados de previsão
climática (box-plot) a 7 meses (a, c) e a 3 meses (b, d).
Analisou-se de seguida a partição da ET nas suas componentes Tc act e Es para os anos
de precipitação contrastante (Fig. 7). Os resultados, quando se utilizam as previsões a
7 meses, mostram que no ano seco existiu uma sobrestima de Tc act, a qual se deveu à
sobrestima da ETo (Fig. 5c) e da CC (Fig. 6a). Contrariamente, no ano húmido foi a
componente evaporativa a ser sobrestimada, o que se deve à subestima da CC no
período de desenvolvimento da cultura (Fig. 6c) e sobrestima da ETo (Fig. 5c). Quando
se analisam os resultados usando as previsões a 3 meses (Fig. 7b e d) verifica-se que a
Es é subestimada em ambos os anos. No ano seco, a Es aproxima-se dos valores
observados porque a CC é sobrestimada; ao contrário, no ano húmido a Es é fortemente
subestimada porque a ETo é menor e a CC é sobrestimada (Fig. 5d).
Quanto à Tc act esta é adequadamente predita no ano seco (Fig. 7d) porque a
subestima da ETo (Fig. 5d) é compensada pela sobrestima da CC (Fig. 6b); no ano
húmido a Tc act é subestimada, o que se deve à subestima da ETo (Fig. 5d).
Como consequência dos resultados da Tc act (Fig. 7c e d) a predição da produção de
biomassa e grão (Fig. 8) com os dados de previsão a 7 meses foi razoavelmente
adequada no ano seco; contrariamente, no ano húmido ocorreu uma clara tendência
para a sobrestimação, quer da biomassa quer do grão, apesar da adequada predição
da Tc act (Fig. 7c). Esta tendência de sobrestimação no ano húmido já tinha sido
apontada quando se efetuou a validação do modelo AquaCrop (Pereira et al., 2015
e Tabela 5). Comparando o resultado médio do hindcast com a média das
observações (Tabela 7) verifica-se uma melhoria da estima da produção de
biomassa e grão no ano húmido. No ano seco de 2012 a tendência para a
subestimação da biomassa mantém-se mas diminuí em termos percentuais enquanto
a produção com os dados climáticos de previsão passa a ser sobrestimada (Tabela 7).
100
100
80
80
Es (mm)
120
Es (mm)
120
60
40
40
20
20
0
0
2012
2013
2012
a)
400
400
350
350
300
300
250
250
Tc act (mm)
Tc act (mm)
60
200
150
150
100
50
50
2012
2013
c)
b)
200
100
0
2013
0
2012
2013
d)
Fig. 7. Comparação da evaporação do solo acumulada (a, b) e da transpiração real
acumulada (c, d) em cevada, simuladas usando dados climáticos observados (●) e dados
de previsão climática (box-plot) a 7 meses (a, c) e a 3 meses (b, d).
18
18
16
16
14
14
Biomassa (t ha-1)
Biomassa (t ha-1)
12
10
8
6
10
8
6
4
4
2
2
0
0
2012
2013
a)
8
8
7
7
6
6
Produção (t ha-1)
Produção (t ha-1)
12
5
4
3
2
1
2012
2013
b)
2012
2013
d)
5
4
3
2
1
0
2012
2013
0
c)
Fig. 8. Comparação da biomassa final (a, b) e produção de grão de cevada (c, d)
observadas (●) e simuladas com dados de previsão climática (box-plot) a 7 meses
(a, c) e a 3 meses (b, d) (os traços verticais ponteados simbolizam o desvio padrão
das amostras observadas).
Tabela 7. Diferença entre a média da produção observada e modelada usando dados
climáticos observados e dados de previsão a 7 meses e a 3 meses para a cultura da cevada
e milho.
Modelado com AquaCrop
Dados climáticos
previsão a 7 meses
Produção Observados
observada Diferença
Diferença
(t ha-1)
(t ha-1)
%
(t ha-1)
%
Biomassa Cevada 2012
14.46
-1.54
-11
-0.61
-4
2013
12.50
2.37
19
2.08
17
Milho Parcela 1, 2010 41.86
-5.37
-13
-12.52
-30
Parcela 2, 2010 26.27
3.69
14
-2.26
-9
Parcela 1, 2011 42.02
-1.78
-4
-7.91
-19
Parcela 2, 2012 38.70
1.64
4
-6.67
-17
Parcela 3, 2012 33.62
3.82
12
-1.24
-4
Grão
Cevada 2012
6.33
-0.19
-3
0.22
3
2013
5.84
1.00
17
0.84
14
Milho Parcela 1, 2010 20.62
-1.67
-8
-5.60
-27
Parcela 2, 2010 12.78
2.21
17
-0.76
-6
Parcela 1, 2011 19.46
0.26
1
-2.76
-14
Parcela 2, 2012 19.32
0.89
5
-3.18
-16
Parcela 3, 2012 16.53
1.36
8
-1.12
-7
previsão a 3 meses
Diferença
(t ha-1)
%
-2.5
-17
1.7
14
-8.92
-21
2.02
8
-3.29
-8
-0.35
-1
1.56
5
-0.84
-13
0.69
12
-4.15
-20
1.41
11
-0.47
-2
-0.08
0
0.25
2
Quando se utilizaram os dados de previsão a 3 meses verificou-se que no ano seco
a produção de biomassa e de grão foram subestimadas (Fig. 8b e d) com uma
diferença entre a produção média estimada com o hindcast e a produção observada
a representar 13% de Yobs (Tabela 7). No ano húmido, 2013, a tendência de
sobrestima mantém-se, apesar da subestima da Tc act (Fig. 7d), mas com uma
diferença entre médias a representar apenas 12% de Yobs (Tabela 7).
4.2.2. Milho
O mesmo procedimento anteriormente descrito para a cevada foi utilizado para os
três anos de observações em milho. O ensemble correspondente a um hindcast a 7
meses foi lançado com data de 1 de Maio de 2010, 1 de Abril de 2011 e,
respetivamente para as parcelas 2 e 3 de acordo com a data de sementeira, a 1 de
Maio e 1 de Abril de 2012. Os hindcast a 3 meses foram lançados com data de 1 de
Agosto para todos os casos de estudo.
Os resultados da validação direta do hindcast são apresentados na Fig. 9. Os
resultados relativos à comparação entre a precipitação observada acumulada
durante o ciclo das culturas e a produzida pelo hindcast a 7 meses (Fig. 9a) mostram
que a precipitação é muito subestimada pela previsão no ano húmido de 2011 e
moderadamente subestimada em 2010. Para os ciclos culturais de 2012 a previsão
de precipitação sazonal é adequada. Quando se analisam os resultados da previsão
a 3 meses (Fig. 9b) verifica-se que há uma menor subestima da precipitação do ano
húmido mas a subestima mantem-se no ano seco de 2010, ainda que apresentando
uma menor variabilidade dos valores da precipitação no ensemble.
300
250
250
Precipitação (mm)
Precipitação (mm)
300
200
150
100
200
150
100
50
50
0
0
parcela 1,
2010
parcela 2,
2010
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
parcela 1,
2010
a)
800
700
700
600
600
500
500
ETo (mm)
ETo (mm)
800
400
300
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
b)
parcela 2,
2010
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
d)
400
300
200
200
100
100
0
parcela 2,
2010
0
parcela 1,
2010
parcela 2,
2010
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
c)
parcela 1,
2010
Fig. 9. Precipitação (a, b) e evapotranspiração de referência (c, d) acumuladas ao longo
do ciclo da cultura de milho para os diferentes anos de estudo usando o ensemble de dados
de previsão climática (box-plot) a 7 meses (a, c) e a 3 meses (b, d) comparadas com os
dados climáticos observados (●).
Quando se analisa a ETo acumulada ao longo do ciclo do milho produzida pelo hindcast
a 7 meses (Fig. 9c) verifica-se que existe uma tendência para a subestima no ano seco
de 2010 e uma adequada previsão tanto no ano húmido de 2011 como no ano de 2012.
Resultados semelhantes foram obtidos com os dados de previsão a 3 meses (Fig. 9d).
100
90
80
70
60
50
40
30
20
10
Os resultados da validação indireta do hindcast a 7 meses e a 3 meses são
apresentados nas Figs. 10 a 12. Os resultados da simulação da cobertura do solo
pelo copado (CC) usando o hindcast em alternativa aos dados observados são
apresentados na Fig. 10.
0
80
70
60
50
40
30
20
10
0
80
70
60
50
40
30
20
10
0
c)
100
90
90
80
70
60
50
40
30
20
10
0
d)
100
90
80
70
60
50
40
30
20
10
0
100
90
b)
a)
e)
100
100
90
80
70
60
50
40
30
20
10
0
f)
Fig. 10. Curva de cobertura do solo pelo copado do milho em (a, b) 2011, (c, d) parcela 2
em 2012, (e, f) e parcela 3 em 2012, simuladas usando o ensemble de dados de previsão
climática (box-plot) a 7 meses (a, c, e) e a 3 meses (b, d, f) comparadas com as curvas
obtidas com dados observados (●).
Verifica-se que, para as previsões a 7 meses, em todos os casos existe uma grande
variabilidade da CC no período de desenvolvimento rápido e após o início da
senescência. A variabilidade no período inicial e de desenvolvimento da cultura,
quando se utilizam os dados de previsão, é explicada por uma acumulação térmica
mais lenta, ou seja demora mais dias a ser atingida a AGDD (Tabela 2). No caso do
período após início da senescência a AGDD demora menos dias a que ser atingida
(Tabela 2) sendo a colheita antecipada em relação ao que foi observado em campo.
Adicionalmente verifica-se uma tendência para a subestima da CC no período de
desenvolvimento da cultura no ano húmido de 2011, assim como no período após
início da senescência. Resultados semelhantes foram obtidos para a parcela 2 em
2012. Os resultados para a parcela 3 em 2012 (Fig. 10, a qual foi semeada mais
tarde, mostram uma tendência para a sobrestimação dos valores de CC no período
de desenvolvimento da cultura e uma grande subestimação após o início da
senescência. De salientar que nos casos analisados a CC máxima é bem simulada
com a previsão a 7 meses (Fig. 10). Os resultados das previsões a 3 meses mostram
uma melhor adequação na estimação da CC.
Os resultados relativos às componentes Tc act e Es quando se usam dados de previsão
a 7 meses (Fig. 11a e c) mostram uma tendência para a subestimação de ambas em
2010 e no ano húmido de 2011. Estes resultados são explicados pela subestimação
da precipitação (Fig. 9a), da ETo (Fig. 9c) e da CC (Fig. 10a e c) nesses anos. No
ano de 2012, a Es (Fig. 11a) apresentou uma adequada predição nos dois casos
estudados; no entanto, verifica-se que a partição da ET na parcela 2 foi desajustada
com uma subestimação da Tc act (Fig. 11c) o que é explicado pela subestimação da
CC nessa parcela durante a maior parte do ciclo do milho (Fig. 10b). Os resultados
da previsão a 3 meses mostram uma adequada predição da Es na parcela 1 em 2010
e para ambos os casos de estudo de 2012 (Fig. 11b). No ano húmido de 2011 a
subestimação da Es (Fig. 11b) mantém-se em relação à previsão a 7 meses o que é
explicado pela subestimação da precipitação (Fig. 9b). Quanto à estimação da Tc act
(Fig. 11d) os resultados mostram uma melhoria dos resultados para todos os casos
estudados, o que se deve à melhoria da estimação da CC (Fig. 10b, d e f).
A Fig. 12 apresenta os resultados da predição da produção de biomassa e de grão com
os dados de previsão. Usando a previsão a 7 meses os resultados mostram uma
tendência para a subestimação tanto da produção de biomassa como de grão em todos
os casos estudados. Como analisado anteriormente, a predição da biomassa e de grão é
muito dependente da estimação da Tc act (Eqs. 4 e 5) pelo que a tendência de
subestimação da biomassa e grão (Fig. 12a e c) é explicada pela subestimação da Tc act
(Fig. 11c).
Comparando a média das observações com a média dos hindcasts com previsão a
7 meses (Tabela 7) para cada caso de estudo, verifica-se que há uma clara tendência
para a subestimação tanto da biomassa como de grão, a qual representa 4 a 30% e
6 a 27% da produção observada respetivamente de biomassa e de grão.
180
180
160
160
140
140
120
120
100
100
Es (mm)
Es (mm)
80
60
80
60
40
40
20
20
0
0
parcela 1,
2010
parcela 2,
2010
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
parcela 1,
2010
a)
700
600
600
500
500
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
b)
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
d)
Tc act (mm)
Tc act (mm)
700
parcela 2,
2010
400
400
300
300
200
200
100
100
0
0
parcela 1,
2010
parcela 2,
2010
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
parcela 1,
2010
c)
parcela 2,
2010
60
60
50
50
Biomassa (t ha-1)
Biomassa (t ha-1)
Fig. 11. Evaporação do solo(a) transpiração real (b) acumuladas da cultura do milho
simuladas usando o ensemble de dados de previsão climática a 7 meses (box-plot)
comparadas com valores obtidos usando dados climáticos observados (●).
40
30
20
30
20
10
10
0
0
parcela 1,
2010
parcela 2,
2010
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
a)
25
25
20
20
Produção (t ha-1)
Produção (t ha-1)
40
15
10
5
parcela 1,
2010
parcela 2,
2010
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
parcela 1,
2010
parcela 2,
2010
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
b)
15
10
5
0
0
parcela 1,
2010
parcela 2,
2010
parcela 1,
2011
parcela 2,
2012
parcela 3,
2012
c)
d)
Fig. 12. Comparação da biomassa final a) e produção de grão b) de milho simulada com o
modelo AquaCrop usando o ensemble de dados de previsão a 7 meses (box-plot) e usando
dados climáticos observados (●) (os traços verticais simbolizam o desvio padrão das
amostras).
Utilizando as previsões a 3 meses é visível uma melhoria da predição de biomassa e de
grão (Fig. 12b e d), que se traduz numa diferença entre predição e observação, reportada
em termos de percentagem das observações, a variar entre 1 e 21% da biomassa
observada e entre 0 a 20% da produção de grão observada. Em termos gerais para os
casos de estudo verifica-se uma subestimação da produção com dados de previsão a 7
meses mas uma adequação da predição da produção com dados de previsão a 3 meses.
5. Conclusões
O modelo AquaCrop foi testado para cereais de primavera e verão, respetivamente
cevada dística para malte e milho, usando para tal observações efetuadas em
campos de agricultores. Os resultados obtidos mostraram um bom desempenho
deste modelo para a estimação da produção de ambas as culturas em condições
climáticas contrastantes. No entanto, o modelo não é apropriado para a simulação
do balanço hídrico do solo e por isso não é aconselhável a sua utilização no apoio
à calendarização da rega. Caso seja considerado para a calendarização da rega
deverá ser usado com muita precaução.
Efetuou-se a avaliação direta e indireta dos hindcasts de dados de previsão a 7 meses e
a 3 meses para os anos de estudo. A avaliação direta, consistiu na comparação dos
dados climáticos de previsão com os observados para o ciclo da cultura, mostrando a
existência de uma tendência para a subestimação da precipitação acumulada nos anos
húmidos. Nos anos secos também se verificou uma tendência de subestimação
quando se usaram as previsões a 7 meses, que se dissipou quando se utilizaram os
dados de previsão a 3 meses. Em termos de procura climática medida pela ETo, os
resultados mostraram, no caso do cereal de inverno, uma tendência para a
sobrestimação quando se utilizaram as previsões a 7 meses não havendo um padrão
definido quando se utilizaram as previsões a 3 meses. No caso do cereal de verão
observou-se uma adequação geral das previsões mas com alguma tendência de
subestimação da ETo num dos anos secos. A avaliação indireta focou a análise de
alguns dos resultados do modelo quando utilizando dados climáticos de previsão
em alternativa aos dados observados. Para a cevada verificou-se uma adequada
predição da produção de grão, em particular no ano húmido, quando se usaram
dados de previsão. No caso da estimação da produção de milho com dados de
previsão a 7 meses os resultados mostraram uma tendência para a subestimação em
todos os casos de estudo. Quando se utilizaram dados de previsão a 3 meses, foi
obtida uma melhor adequação da predição da produção.
A utilização de previsões meteorológicas a longo prazo (7 meses) mostrou ser
adequada uma vez que conseguiu captar condições de anos contrastantes em termos
de precipitação (ano seco vs. ano húmido). Pode adicionalmente concluir-se que os
resultados do modelo AquaCrop seriam menos adequados se em alternativa aos
dados de previsão se utilizassem séries dos valores climatológicos.
Em resumo, a utilização de dados de previsão a 7 meses e, principalmente, a 3 meses
mostrou que apesar de existem erros de estimação da produção este tipo de dados
tem grande potencial para ser utilizado no apoio à decisão, em particular nas
culturas de regadio.
Agradecimentos
Este estudo foi apoiado pelo projeto PTDC/GEO-MET/3476/2012 "Avaliação
Predictabilidade e hibridização das previsões sazonais de seca na Europa OcidentalPHDROUGHT". O primeiro autor agradece à FCT a bolsa de pós-doutoramento
(SFRH/BPD/102478/2014) que lhe foi atribuída. Os autores agradecem à Doutora
Rita Cardoso do Instituto Dom Luiz (IDL) por disponibilizar os dados de previsão
do ECMWF.
Referências
Abi Saab, M.T., Todorovic, M., Albrizio, R. 2015. Comparing AquaCrop and CropSyst
models in simulating barley growth and yield under different water and nitrogen
regimes. Does calibration year influence the performance of crop growth models?
Agric. Water Manage. 147, 21–33
Allen, R.G., Pereira, L.S., Raes, D., Smith, M., 1998. Crop Evapotranspiration. Guidelines
for Computing Crop Water Requirements. FAO Irrigation and Drainage Paper 56, FAO,
Rome, Italy, 300 p.
Alves, I., Fontes, J.C., Pereira, L.S., 1991. Water-yield relations for corn. In: Planning,
Operation, and Management of Irrigation Systems for Water and Energy Conservation
(Proc. Special Tech. Session). Chinese Nat.Com. ICID, Beijing, vol. I-A, 154-161.
Andersson, E., 2013. User guide to ECMWF forecast products. ECMWF, 129p. (disponível
em http://www.ecmwf.int/sites/default/files/user_guide.pdf)
Apipattanavis, S., Bert, F., Podestá, G., Rajagopalan, B., 2010. Linking weather generators
and crop models for assessment of climate forecast outcomes. Agric. Forest Meteorol.
150, 166–174
Araya, A., Habtu, S., Hadgu, K.M., Kebede, A., Dejene, T. 2010. Test of AquaCrop model
in simulating biomass and yield of water deficient and irrigated barley (Hordeum
vulgare). Agric. Water Manage. 97, 1838-1846.
Baigorria, G.A., Jones, J.W., O’Brien, J.J., 2008. Potential predictability of crop yield using
an ensemble climate forecast by a regional circulation model. Agric. Forest Meterol.
148, 1353– 361
Balkovic, J., van der Velde, M., Schmid, E., Skalskỳ, R., Khabarov, N., Obersteiner, M.,
Stürmer, B., Xiong, W., 2013. Pan-European crop modelling with EPIC:
Implementation, up-scaling and regional crop yield validation. Agric. Syst. 120, 61–75
Bussay, A., van der Velde, M., Fumagalli, D., Seguini, L., 2015. Improving operational
maize yield forecasting in Hungary. Agric. Syst. 141, 94–106
Cantelaube, P., Terres, J.-M., 2005. Use of Seasonal Weather Forecasts in Crop Yield
Modelling. Tellus A, 57(3), 476-487
Chipanshi, A., Zhang, Y., Kouadio, L., Newlands, N., Davidson, A., Hill, H., Warren, R.,
Qian, B., Daneshfar, B., Bedard, Fr., Reichert, G., 2015. Evaluation of the Integrated
Canadian Crop Yield Forecaster (ICCYF) model for in-season prediction of crop yield
across the Canadian agricultural landscape. Agric. Forest Meteorol. 206, 137–150
Choi, H.S., Schneider, U.A., Rasche, L., Cui, J., Schmid, E., Held, H., 2015. Potential
effects of perfect seasonal climate forecasting on agricultural markets, welfare and land
use: A case study of Spain. Agric. Syst. 133, 177–189
d’Orgeval, T., Boulanger, J.-P., Capalbo, M.J.,·Guevara, E., Penalba, O., Meira, S., 2010.
Yield estimation and sowing date optimization based on seasonal climate information
in the three CLARIS sites. Climatic Change 98, 565–580
Di Paolo, E., Rinaldi, M., 2008. Yield response of corn to irrigation and nitrogen
fertilization in a Mediterranean environment. Field Crops Res. 105, 202–210
Doblas-Reyes, F.J., Weisheimer A., Palmer T.N., Murphy J.M., Smith D., 2010. Forecast
quality assessment of the ENSEMBLES seasonal-to-decadal Stream 2 hindcasts.
ECMWF Technical Memorandum No. 621, 45 pp, ECMWF, Reading, UK.
Dumont, B., Basso, B., Leemans, V., Bodson, B., Destain, J.-P., Destain, M.-F., 2015. A
comparison of within-season yield prediction algorithms based on crop model
behaviour analysis. Agric. Forest Meteorol. 204, 10-21
Eisenhauer, J.G., 2003. Regression through the origin. Teaching Statistics 25(3), 76-80
Frías, M.D., Herrera, S., Cofiño, A.S., Gutiérrez, J.M., 2010. Assessing the skill of
precipitation and temperature seasonal forecasts in Spain: windows of opportunity
related to ENSO events. J. Climate 23, 209-220
Gavilán, P., Ruiz, N., Lozano, I.D., 2015. Daily forecasting of reference and strawberry
crop evapotranspiration in greenhouses in a Mediterranean climate based on solar
radiation estimates. Agric. Water Manage. 159, 307-317
Gouache, D., Bouchon, A.-S., Jouanneau, E., Le Bris, X., 2015. Agrometeorological
analysis and prediction of wheat yield at the departmental level in France. Agric. Forest
Meteorol. 209–210, 1–10
Heng, L.K., Hsiao, T., Evett, S., Howell, T., Steduto, P., 2009. Validating the FAO
AquaCrop model for irrigated and water deficient field maize. Agron. J. 101(3), 488498
Hsiao, T.C., Heng, L., Steduto, P., Rojas-Lara, B., Raes, D., Fereres, E., 2009. AquaCrop
- the FAO crop model to simulate yield response to water: III. Parameterization and
testing for maize. Agron. J. 101, 448–459
Jeuffroy, M.-H., Ney, B., 1997. Crop physiology and productivity. Field Crop. Res. 53, 3-16.
Jung, T., Balsamo, G., Bechtold, P., Beljaars, A.C.M., Köhler, M., Miller, M.J., Morcrette,
J.-J., Orr, A., Rodwell, M.J., Tompkins, A.M., 2010. The ECMWF model climate:
Recent progress through improved physical parametrizations. Q. J. R. Meteorol. Soc.
136A: 1145-1160.
Lorite, I.J., Ramírez‑Cuesta J.M.,·Cruz-Blanco, M., Santos, C., 2015. Using weather
forecast data for irrigation scheduling under semi‑arid conditions. Irrig. Sci. 33, 411–427
Marletto, V., Ventura, F., Fontana, G., Tomei, F., 2007. Wheat growth simulation and yield
prediction with seasonal forecasts and a numerical model. Agric. Forest Meteorol. 147,
71–79
Molteni, F., Stockdale, T., Balmaseda, M., Balsamo, G., Buizza, R., Ferranti, L.,
Magnuson, L., Mongensen, K., Palmer, T., Vitar, F., 2011. The new ECMWF seasonal
forecast system (System 4). ECMWF Technical Memorandum 656.
Nash, J.E., Sutcliffe, J.V., 1970. River flow forecasting through conceptual models: Part 1.
A discussion of principles. J. Hydrol. 10(3), 282-290.
Paredes, P., Rodrigues, G.C., 2010. Necessidades de água para a rega de milho em Portugal
Continental considerando condições de seca. In: Pereira, LS, Mexia, JT, Pires, CAL
(Eds.) Gestão do Risco em Secas. Métodos, Tecnologias e Desafios. Edições Colibri e
CEER, Lisboa, pp. 301- 319.
Paredes, P., Paço, T.A., Rosa, R.G., Pôças, I., Neves, M., Pereira, L.S., 2015. Avaliação do
uso da água em regadio: aplicação do modelo SIMDualKc a cevada, milho e olival.
(neste livro)
Pereira, L.S., Paredes, P, Rodrigues, G.C., Neves, M., 2015. Modeling malt barley water
use and evapotranspiration partitioning in two contrasting rainfall years. Assessing
AquaCrop and SIMDualKc models. Agric. Water Manage. 159: 239–254
Pereira, L.S., 2004. Necessidades de Água e Métodos de Rega. Publ. Europa-América,
Lisboa, 313 p.
Raes, D., Geerts, S., Kipkorir, E., Wellens, J., Sahli, A., 2006. Simulation of yield decline
as a result of water stress with a robust soil water balance model. Agric. Water Manage.
81(3), 335-357.
Raes, D., Steduto, P., Hsiao, T.C., Fereres, E., 2012. Crop Water Productivity. Calculation
Procedures and Calibration Guidance. AquaCrop version 4.0., FAO, Land and Water
Development Division, Rome.
Semenov, M.A., Doblas-Reyes, F.J., 2007. Utility of dynamical seasonal forecasts in
predicting crop yield. Climate Research 34: 71-81
Troccoli, A., Harrison, M., Anderson, D.L.T., Mason, S.J. (Eds.), 2005. Seasonal Climate:
Forecasting and Managing Risk Springer, 467p.
Vitart, F., Huddleston, M.R., Déqué, M., Peake, D., Palmer, T.N., Stockdale, T.N., Davey,
M. K., Inenson, S., Weisheimer, A., 2007. Dynamically-based seasonal forecasts of
Atlantic tropical storm activity issued in June by EUROSIP. Geophysical Res. Letters
34 (16). doi 10.1029/2007GL030740.
Zinyengere, N., Mhizha, T., Mashonjowa, E., Chipindu, B., Geerts, S., Raes, D., 2011.
Using seasonal climate forecasts to improve maize production decision support in
Zimbabwe. Agric. Forest Meteorol. 151, 1792-1799

sobre o possível agravamento da frequência e severidade das

Transcrição

Documentos relacionados

ficha 2 - ABciências.Webnode.pt

Manual técnico - camp. sem fio

a importância da ortodontia preventiva e

Pseudomonas syringae pv. actinidiae Takikawa et. al. em plantas de

Histograma - Lupércio F. Bessegato

Iniciar Sessão - www.mosteiroecavado.net

COR-1000 NW 9 COR-1500 NW 15 COR

Cevada não maltada A cevada não maltada dá um sabor mais rico

Calefactor Fan heater Convecteur soufflant Aquecedor

Mais informações - Green Measure