DISSERTACAO-IVENS.pdf
Documento PDF (1.2MB)

Exibir conteúdo Baixar

                    UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
PROGRAMA DE PÓS-GRADUAÇÃO EM METEOROLOGIA

IVENS COELHO PEIXOTO

POTENCIAL PREDITIVO DA PRODUTIVIDADE DO MILHO NAS
MESOREGIÕES DO NORDESTE BRASILEIRO

MACEIÓ - AL
Agosto de 2021

IVENS COELHO PEIXOTO

POTENCIAL PREDITIVO DA PRODUTIVIDADE DO MILHO NAS
MESOREGIÕES DO NORDESTE BRASILEIRO

Dissertação de Mestrado apresentada ao Programa de PósGraduação em Meteorologia do Instituto de Ciências
Atmosféricas da Universidade Federal de Alagoas, como
requisito parcial para obtenção do grau de Mestre em
Meteorologia, área de concentração Processos de
Superfície Terrestre.
Orientador: Prof. Dr. Fabrício Daniel dos Santos Silva

MACEIÓ - AL
Agosto de 2021

AGRADECIMENTOS

Agradeço...
Primeiramente a Deus!
Aos meus pais e minha esposa pelo apoio e incentivo.
Aos amigos que me acompanharam e acompanham nessa caminhada em busca do
conhecimento.
Ao orientador Prof. Dr. Fabrício Daniel dos Santos Silva
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pela
concessão de bolsa Mestrado,

.

RESUMO

A irregularidade das chuvas e eventos climáticos como secas possuem impacto direto na
produção agrícola do Nordeste Brasileiro (NEB). Para melhor compreensão da relação
precipitação x produção, as chuvas foram acumuladas em três diferentes semestres, ou
estações de cultivo, relativos aos períodos mais chuvosos nas diferentes mesorregiões do
NEB: Janeiro a Junho (mesorregiões do norte do NEB), Abril a Setembro (mesorregiões
do leste do NEB) e Outubro a Março (mesorregiões do oeste do NEB). Essa pesquisa foi
conduzida para o período de 30 anos 1981-2010, e a cultura analisada foi o milho. A
correlação direta entre acumulados semestrais e produção mostrou valores fracos a
moderados (de 0,3 a 0,7). Um modelo baseado na técnica de análise de correlações
canônicas foi construído usando como preditor os acumulados semestrais médios de cada
mesorregião e preditando as produções anuais de cada mesorregião. O modelo apresentou
destreza elevada quando comparou-se as produções simuladas as observadas, e as
correlações passaram a moderadas a fortes (0,4 a 0,9). Ainda, a relação entre dois modos
de variabilidade, fases do ENOS e fases do dipolo do Atlântico com a produção foi
realizada para o mesmo período, demonstrando que as maiores produções são observadas
em anos que combinaram dipolo negativo com as fases ENOS, e com menores produções
em anos que combinaram dipolo positivo com fases ENOS, notadamente a combinação
dipolo positivo e ENOS positivo. Em anos com a condição combinada de neutralidade
dos dois modos, a produção de milho entre 1981 e 2010 foi, também, muito abaixo da
média na maior parte das mesorregiões nordestinas.
Palavras-chave: Produtividade agrícola. Análise de Correlação Canônica. Nordeste
Brasileiro

ABSTRACT

The irregularity of rainfall and weather events such as drought have a direct impact on
agricultural production in the Brazilian Northeast (NEB). For a better understanding of
the precipitation x production relationship, rainfall was accumulated in three different
semesters, or growing seasons, relative to the rainiest periods in the different NEB
mesoregions: January to June (northern NEB mesoregions), April to September
(Mesoregions of NEB eastern NEB) and October to March (western NEB mesoregions).
This research was conducted for the 30-year period 1981-2010, and the crop analyzed
was corn. The direct correlation between half-yearly accumulated figures and production
showed weak to moderate values (from 0.3 to 0.7). A model based on the canonical
correlations analysis technique was built using as a predictor the average semiannual
accumulated in each mesoregion and predicting the annual productions of each
mesoregion. The model showed high dexterity when comparing the simulated and
observed productions, and the correlations changed from moderate to strong (0.4 to 0.9).
Furthermore, the relationship between two modes of variability, ENSO phases and
Atlantic dipole phases with production was carried out for the same period, demonstrating
that the highest productions are observed in years that combined negative dipole with
ENSO phases, and with smaller yields in years that combined positive dipole with ENSO
phases, notably the combination positive dipole and positive ENSO. In years with the
combined neutrality condition of the two modes, maize production between 1981 and
2010 was also well below average in most of the northeastern mesoregions.

Keywords: Agricultural productivity. Canonical Correlation Analysis. Brazilian
Northeast

LISTA DE ILUSTRAÇÕES
Figura 1. Mapa da região Nordeste do Brasil identificando os nove Estados, (a)
Maranhão, (b) Piauí, (c) Ceará, (d) Rio Grande do Norte, (e) Paraíba, (f) Pernambuco, (g)
Alagoas, (h)Sergipe e (i) Bahia, e identificando as 42 mesorregiões, numeradas entre os
Estados.............................................................................................................................17
Figura 2. Distribuição geográfica das 97 estações meteorológicas convencionais no
NEB.................................................................................................................................19
Figura 3. Semestre chuvoso de cada mesorregião do NEB.............................................19
Figura 4. Esquema ilustrativo das etapas utilizadas para as simulações da produção de
milho nas mesorregiões do NEB a partir da precipitação acumulada semestral, utilizando
ACC.................................................................................................................................23
Figura 5. Cargas espaciais de X e Y (modo 1) mostram o padrão mais dominante na
correlação de precipitação associada com produção acima do normal. A correlação
canônica para este par de variáveis foi superior a 0,92. A partir das pontuações temporais
(modo 1), os padrões de precipitação, acima ou abaixo da normal, tendem a coincidir com
produção acima do normal e vice-versa. Obtido para o período 19812010.................................................................................................................................24
Figura 6. Scree plot do número de modos retidos na análise de componentes
principais.........................................................................................................................25
Figura 7. (a) Correlações entre a chuva acumulada na estação de cultivo de cada
mesorregião e a produção observada, e (b) correlação entre a produtividade prevista com
modelo de ACC e observada. Para o tamanho da amostra, 30 anos, todas as correlações
acima de 0,4 são estatisticamente significativas de acordo com o teste tstudent..............................................................................................................................26
Figura 8. Produção observada (linha azul) e simulada com o modelo de ACC (linha
vermelha), para o período 1981-2010, para as mesorregiões do Maranhão: (a) norte
maranhense, (b) centro maranhense, (c) oeste maranhense, (d) leste maranhense e (e) sul
maranhense......................................................................................................................28
Figura 9. Mesmo da Figura 8, mas para as mesorregiões do Piauí: (a) norte piauiense, (b)
centro-norte piauiense, (c) sudoeste piauiense e (d) sudeste piauiense............................29
Figura 10. Mesmo da Figura 8, mas para as mesorregiões do Ceará: (a) norte (b)
metropolitana de Fortaleza, (c) noroeste, (d) sertão, (e) centro-sul, (f) Jaguaribe e (g) sul
cearense...........................................................................................................................30
Figura 11. Mesmo da Figura 8, mas para as mesorregiões do Rio Grande do Norte: (a)
oeste, (b) central, (c) agreste e (d) leste potiguar..............................................................31
Figura 12. Mesmo da Figura 8, mas para as mesorregiões da Paraíba: (a) sertão, (b)
Borborema, (c) agreste e (d) mata paraibana....................................................................32

Figura 13. Mesmo da Figura 8, mas para as mesorregiões de Pernambuco: (a) sertão, (b)
vale do São Francisco, (c) agreste, (d) mata e (e) metropolitana de Recife.....................33
Figura 14. Mesmo da Figura 8, mas para as mesorregiões de Alagoas: (a) sertão, (b)
agreste e (c) leste alagoano...............................................................................................34
Figura 15. Mesmo da Figura 8, mas para as mesorregiões de Sergipe: (a) sertão, (b)
agreste e (c) leste sergipano..............................................................................................35
Figura 16. Mesmo da Figura 8, mas para as mesorregiões da Bahia: (a) extremo oeste,
(b) vale do São Francisco, (c) nordeste, (d) centro-norte, (e) metropolitana de Salvador,
(f) centro-sul e (g) sul da Bahia........................................................................................36
Figura 17. Desvio médio da produção em relação à média do período 1981-2010 de anos
classificados sob a influência de Dipolo do Atlântico negativo e (a) Pacífico negativo, (b)
Pacífico neutro e (c) Pacífico positivo..............................................................................38
Figura 18. Desvio médio da produção em relação à média do período 1981-2010 de anos
classificados sob a influência de Dipolo do Atlântico neutro e (a) Pacífico negativo, (b)
Pacífico neutro e (c) Pacífico positivo..............................................................................38
Figura 19. Desvio médio da produção em relação à média do período 1981-2010 de anos
classificados sob a influência de Dipolo do Atlântico positivo e (a) Pacífico negativo, (b)
Pacífico neutro e (c) Pacífico positivo.............................................................................39

LISTA DE TABELAS

Tabela 1. Mesorregiões do NEB e respectivo semestre chuvoso.....................................18
Tabela 2. Preditor X e respectivos semestres mais chuvosos e Preditado Y com as
respectivas
séries
de
produtividade
de
cada
mesorregião.....................................................................................................................21
Tabela 3 - Para cada mesorregião, valores de correlações (r) obtidas da comparação direta
chuva acumulada x produção observada, e a partir da produção simulada pelo modelo de
ACC e observada. Valores em negrito destacam a maior r obtida....................................26
Tabela 4 - Anos compostos classificados de acordo com as definições dos eventos
climáticos observados nos oceanos Pacífico e Atlântico. DIP: dipolo do Atlântico; Pac:
Pacífico; Neg: negativo; Neu: neutro; Pos: positivo.........................................................37

LISTA DE ABREVIATTURAS E SIGLAS

NEB
Nordeste Brasileiro
ACC
Análise de Correlação Canônica
AMJJAS
Abril a Setembro
CC
Cargas Canônicas
CCC
Cargas Canônicas Cruzadas
CPT
Climate Predictability Tool
ENOS
El Niño-Oscilação Sul
FMA
Fevereiro, Março e Abril
FOE
Funções ortogonais empíricas
hPa
Hectopascal
IBGE
Instituto Brasileiro de Geografia e Estatística
INMET
Instituto Nacional de Meteorologia
JFMAMJ
Janeiro a Junho
m
metros
MATOPIBA Maranhão, Tocantins, Piauí e Bahia
MCG
Modelo de Circulação Geral
MJJ
Maio, Junho e Julho
mm
Milímetro
National Centers for Environmental Prediction Climate Forecast
NCEP
System
NDJ
Novembro, Dezembro e Janeiro
ºC
Celsius
ONDJFM
Outubro a Março
SIDRA
Banco de Dados Estatístico do Sistema de Recuperação Automática
TSM
Temperatura da Superfície do Mar
VC
Variáveis Canônicas
ZCIT
Zona de Convergência Intertropical

APRESENTAÇÃO E JUSTIFICATIVA

Este é a defesa da dissertação do discente Ivens Coelho Peixoto, portador do
número de Matrícula UFAL nº 2019102330, aluno regular do Programa de PósGraduação em Meteorologia (PPGMET), do Instituto de Ciências Atmosféricas (ICAT),
vinculado a Universidade Federal de Alagoas (UFAL).
A pesquisa possui o título: POTENCIAL PREDITIVO DA PRODUTIVIDADE
DO MILHO NAS MESOREGIÕES DO NORDESTE BRASILEIRO, sob a orientação
do Prof. Dr. Fabrício Daniel dos Santos Silva, pertence à linha de pesquisa:
Agrometeorologia.
Este documento refere-se as atividades de pesquisa executadas pelo discente desde
março de 2019, quando este deu início às suas atividades no PPGMET-ICAT/UFAL, até
sua defesa em agosto de 2021.
A Região Nordeste é formada por 9 unidades de federação: Alagoas (AL), Bahia
(BA), Ceará (CE), Maranhão (MA), Paraíba (PB), Pernambuco (PE), Piauí (PI), Rio
Grande do Norte (RN) e Sergipe (SE) sendo a segunda região com maior população no
país, com aproximadamente 56,1 milhões de habitantes em uma área com cerca de
1.554.291,6 km². Inserido nessas federações existem 42 mesorregiões, nas quais a
agricultura possui grande relevância. Em uma região caracterizada por eventos
meteorológicos adversos, estudar as relações entre a variabilidade pluviométrica e as
safras agrícolas torna-se de fundamental importância para tomadas de decisões no setor
agrícola. Neste sentido esta pesquisa terá como base a relação da produtividade x
precipitação, sendo apresentado o potencial preditivo das safras de milho a partir de séries
temporais de precipitação. O software utilizado para realizar os cálculos matemáticos foi
o CPT (Climate Predictability Tool).

SUMÁRIO

LISTA DE ILUSTRAÇÕES.................................................................................................. 3
LISTA DE TABELAS............................................................................................................ 4
APRESENTAÇÃO E JUSTIFICATIVA ............................................................................ 5
1.

INTRODUÇÃO....................................................................................................... 8

1.1.

OBJETIVOS............................................................................................................. 9

1.1.1.

Geral............................................................................................................................ 9

1.1.2.

Específicos................................................................................................................. 9

2.

REVISÃO BIBLIOGRÁFICA............................................................................... 10

2.1. ANÁLISE DE CORRELAÇÕES CANÔNICAS (ACC)................................................ 10
2.1.1. ACC APLICADA A AGRICULTURA....................................................................... 10
2.1.2. ACC APLICADA A PREVISÃO CLIMÁTICA......................................................... 11
2.2. CLIMA DA REGIÃO NORDESTE DO BRASIL........................................................ 13
2.3. MILHO E INFLUÊNCIA DO CLIMA NA PRODUÇÃO............................................. 15
3.

MATERIAIS E MÉTODOS........................................................................................ 17

3.1. DADOS E ÁREA DE ESTUDO ................................................................................... 17
3.2. ANÁLISE DE CORRELAÇÕES CANÔNICAS (ACC)............................................... 20
3.3. SOFTWARE CPT E MODELO DE PREVISÃO.......................................................... 22
4. RESULTADOS E DISCUSSÃO..................................................................................... 24
4.1. Resultados obtidos pelo modelo de ACC....................................................................... 24
4.2. Resultados por Estado – Maranhão ................................................................................ 27
4.3. Resultados por Estado – Piauí ........................................................................................ 28
4.4. Resultados por Estado – Ceará ....................................................................................... 29
4.5 Resultados por Estado – Rio Grande do Norte ............................................................... 30
4.6. Resultados por Estado – Paraíba .................................................................................... 31
4.7 Resultados por Estado – Pernambuco ............................................................................. 32
4.8. Resultados por Estado – Alagoas e Sergipe.................................................................... 33
4.9. Resultados por Estado – Bahia ....................................................................................... 35
4.10. Interação Oceano-Atmosfera x Produção ..................................................................... 36
5. CONCLUSÕES................................................................................................................. 39
7. REFERENCIAS BIBLIOGRAFICAS.................................................................... ....... 40

1. INTRODUÇÃO
De acordo com o acompanhamento da safra de grãos brasileira realizada pela
CONAB para a temporada 2019/2020, a estimativa foi de uma produção em 102,3
milhões de toneladas (CONAB, 2020), o milho inserido entre as principais commodities
agrícolas brasileiras.
O cultivo do milho no Brasil acontece desde o descobrimento, originário da
América era o principal suprimento da dieta dos índios. Com a chegada dos portugueses
o aumento do seu consumo foi incorporado por novos produtos à base de milho. Fonte de
energia, traz em sua composição vitaminas A e do complexo B, proteínas, gorduras,
carboidratos, cálcio, ferro, fósforo e amido (ABIMILHO, 2019). Os maiores produtores
mundiais de milho são os Estados Unidos (~345 milhões de toneladas), a China (~224
milhões de toneladas) e o Brasil (~81 milhões de toneladas). A região Centro-Oeste do
Brasil é a maior produtora de milho (~42 milhões de toneladas). O estado do Mato Grosso
do Sul (MS) é um dos maiores produtores de milho da região, com uma produção e
produtividade média de 7,3 milhões de toneladas e 4,8 mil kg/ha (CONAB, 2018).
No Brasil o milho tem sido o segundo grão mais produzido e exportado. Este
cereal é o principal componente utilizado na produção de suplementação animal,
destinado a um dos principais segmentos da exportação brasileira, que é a cadeia
produtiva de proteína animal (Souza et al, 2018).
Assumindo papel importante no meio socioeconômico em todo o Brasil, a cultura
do milho pode ser utilizada tanto na alimentação humana como na dieta de vários animais
(Devide et al., 2009). Segundo Garnett e Khandekar (1992), o impacto socioeconômico
na produção é mais intenso em áreas onde ocorre grandes alterações nas condições
climáticas, desta maneira entende-se que a produção varia consideravelmente de ano para
ano.
A água é fator crucial para o desenvolvimento da planta de milho, cujo déficit é
um dos principais causadores de queda da produtividade (Barros e Calado, 2014). A
necessidade hídrica, a temperatura e a radiação solar são variáveis que interferem
diretamente no período de crescimento, que atinge o máximo a partir da disponibilidade
ideal destas variáveis, facilitando que a cultura alcance sua capacidade máxima de
produtividade. Em condições tropicais, de acordo com a menor variação da temperatura
e do comprimento do dia, a distribuição de chuvas é que geralmente determina a melhor
época de semeadura (EMBRAPA, 2010).
No Nordeste do Brasil (NEB) ainda prevalece na maioria das mesorregiões o
cultivo do milho via agricultura de subsistência, com pouca ou nenhuma mecanização, e
baixo potencial tecnológico. Associada a alta variabilidade interanual da pluviometria,
concentrada climaticamente em poucos meses e marcada pela variação espaço-temporal,
a pratica agrícola constitui-se numa atividade de alto risco, muitas vezes fadada a perdas
totais da safra ou a baixa produtividade (Martins et al, 2018). Cenários de mudanças
climáticas para a região, com diminuição da chuva acumulada e aumento da
evapotranspiração, inspiram ainda mais preocupação para os rendimentos futuros
(Martins et al, 2019).
Em 2012 e 2018, o NEB atravessou uma de suas maiores secas, tanto em período
de duração, quanto em magnitude e intensidade (Marengo et al, 2016; Cunha et al, 2015;
Cunha et al, 2018; Cunha et al, 2019; Alvalá et al, 2017; Martins et al, 2018). Costa et al
8

(2020) mostraram que índices de extremos climáticos indicam redução das chuvas em
boa parte do Nordeste nas últimas décadas, e Rocha Júnior et al (2020), evidenciaram que
todas as áreas do Nordeste são altamente susceptíveis ao retorno de secas em diferentes
escalas.
Nas últimas décadas, uma parte do NEB que compreende o sul dos Estados do
Maranhão e Piauí, e oeste da Bahia, tem experimentado uma revolução na produtividade
de grãos, por meio de uma agricultura com forte incremento tecnológico em práticas de
manejo e irrigação. Essa região é conhecida por MATOPIBA, acrônimo das siglas dos
Estados que a compõem, Maranhão, Tocantins, Piauí e Bahia (Salvador et al, 2018).
No entanto o MATOPIBA é uma exceção e a maior parte da produção agrícola do
NEB é de subsistência, cujas perdas frequentes levaram o Governo Federal a instituir o
Programa Garantia-Safra, que provê ao agricultor familiar uma compensação financeira
quando os municípios decretam perdas agrícolas geralmente devido ao déficit hídrico no
respectivo ano.
De acordo com Alves (2012), as análises complementares sugeriram que a
diminuição da precipitação no NEB esteve mais diretamente associada ao ciclo El NiñoOscilação Sul (ENOS) e ao dipolo de Temperatura da Superfície do Mar (TSM) no
Atlântico tropical.
Diretamente dependente da variabilidade pluviométrica, a intensidade da perda
associada a safra é tão maior quanto maior for a escassez de chuvas. Desta forma, uma
ferramenta útil a processos de tomadas de decisão na agricultura seria uma boa previsão
da safra a partir de uma previsão das chuvas acumuladas no período de crescimento das
culturas. Desta forma, o objetivo geral desse estudo é analisar e investigar o potencial
preditivo da produtividade da cultura do milho de todas as mesorregiões do NEB.

1.1.

OBJETIVOS

1.1.1. OBJETIVO GERAL
Analisar a potencial preditivo da produtividade do milho em mesorregiões do
NEB por meio da relação entre a produtividade histórica e a precipitação acumulada no
semestre chuvoso, utilizando a técnica de Análise de Correlações Canônicas (ACC).
1.1.2. OBJETIVOS ESPECÍFICOS
1. Correlacionar e identificar os períodos de maior influência das chuvas na
produtividade do milho das mesorregiões do NEB.
2. Calibrar um modelo de previsão de safras a partir de uma técnica de análise
multivariada: análise de correlações canônicas.
3. Quantificar a influência das diferentes fases do ENOS e do dipolo do atlântico na
distribuição das chuvas nas mesorregiões do NEB e impactos na produtividade do
milho.
9

2. REVISÃO BIBLIOGRAFICA
2.1.

ANÁLISE DE CORRELAÇÕES CANÔNICAS (ACC)

A Análise de Correlações Canônicas (ACC) é um método linear multivariado
(Hotelling,1936) conhecido sobretudo pelas suas qualidades teóricas, pois ele engloba

outros métodos de estatísticas multivariada, usado para comparar dois conjuntos de
dados: um independente X, também conhecido como variáveis explanatórias, e outro
dependente Y, também conhecido como variáveis de resposta, compostos por um número
p das variáveis Xi e q variáveis Yi, respectivamente.
É um método utilizado com a finalidade de identificar a influência de uma variável
sobre outra variável, a fim de encontrar uma melhor combinação linear e a máxima
correlação entre as duas variáveis. Possui como vantagem em relação a regressão linear
múltipla a possibilidade de estudar as inter-relações entre conjuntos de múltiplas variáveis
dependentes e múltiplas variáveis independentes, podendo prever simultaneamente
múltiplas variáveis dependentes a partir de múltiplas variáveis independentes (Wilks,
2011; Singh et al. 2012).
A aplicabilidade dessa técnica é ampla, desde aplicação ao fluxo de tráfego
veicular (Bogo et al., 2010), influência das variáveis meteorológicas na qualidade
industrial do trigo (Miloca et al., 2007), indicadores socioeconômicos (Proque, 2019),
identificação de preferencias virais (Gumus et al., 2012).
No entanto, a ACC ganhou destaque nas últimas décadas por sua aplicabilidade a
previsão climática, principalmente em relação à previsão sazonal. Repelli e Alves (1996)
aplicaram a ACC para prever a variabilidade sazonal das chuvas no semiárido nordestino,
em um modelo cujo preditor foi a Temperatura da Superfície do Mar (TSM). A influência
da TSM nas chuvas da região Nordeste do Brasil já é conhecida há muito tempo (Walker,
1928), mas estudos recentes vieram a comprovar isso de forma mais ampla (Ambrizzi et
al., 2002; Lucio et al., 2010; Zakaria e Hossain,2019; Gubler et al., 2020). Por extensão,
setores como agricultura e recursos hídricos de áreas cuja relação TSM-precipitação é
mais direta, como o Nordeste brasileiro, podem ser beneficiados com o desenvolvimento
de modelos usando ACC para previsão de safras, de vazões, entre outras aplicações,
melhor detalhadas a seguir.
2.1.1. ACC APLICADO À AGRICULTURA
De acordo com o estudo Esquivel (2018) na Colômbia, a ACC foi utilizada para
avaliar a precipitação sazonal do local, sua previsibilidade e habilidade de previsão das
culturas arroz, milho e feijão. A precipitação prevista foi a principal variável
meteorológica utilizada na pesquisa junto com a TSM observada e a modelada. A TSM
foi modelada pelos dados da National Centers for Environmental Prediction Climate
Forecast System (NCEP). Os resultados foram consistentes entre as previsões, podendo
oferecer ótimas informações para as tomadas de decisões referentes a agricultura nas
áreas estudadas.

10

Ferreira et al (2006), analisaram a relação entre a Temperatura da Superfície do
Mar (TSM) e a produção de soja no Paraná por meio da ACC. Para um período de análise
de 16 anos, entre 1990 a 2005, os autores verificaram um percentual de explicação da
variância da produção em torno de 75% relacionada as TSMs do Oceano Atlântico Sul
(23° - 30°S, 49° - 39°W) e em torno de 62% associada as TSMs do Oceano Pacífico
tropical na região do Niño 3 (5°N - 5°S, 150° - 90°W), apresenta que a variabilidade do
Oceano Atlântico próximo ao Estado influencia mais na produtividade do que
determinadas fases ENOS ocorridas no Oceano Pacífico. A ACC entre as TSMs dos
Oceanos Pacífico e Atlântico Sul e a produtividade de soja no Paraná apresentou melhores
correlações nos meses que correspondem ao enchimento de grãos da soja (dezembro a
abril).
Alves et al (2017) avaliaram os efeitos da multicolinearidade na
representatividade da fase de maturação do milho para a safra de 2009/2010 em uma área
experimental na Universidade Federal de Santa Maria. Inicialmente foi estudada uma
matriz de correlações a partir de vinte e nove variáveis fenotípicas, entre variáveis
proteico-nutricionais, onze variáveis agronômicas e seis variáveis energéticonutricionais. Sem a eliminação de variáveis auto correlacionadas, a ACC superestimou a
variabilidade dos coeficientes canônicos, enquanto a eliminação de variáveis é um
método eficiente para contornar a multicolinearidade na ACC.
A relação entre características locais (propriedades topográficas e físicas do solo)
com o rendimento e desenvolvimento do dossel da soja foi investigada com a ACC em
um campo de produção no Estado americano do Illinois nas temporadas de 2000 e 2001
(Martín et al, 2005). A ACC permitiu identificar que características locais eram
consistentemente correlacionadas com o desenvolvimento da soja, principalmente a
matéria orgânica, o pH e a condutividade elétrica do solo. Variáveis locais como teores
de fósforo e potássio no solo não estavam correlacionadas com as características locais.
As estruturas espaciais comuns em pares das variáveis canônicas confirmaram a relação
entre as propriedades locais e o rendimento da soja, podendo ser mais amplamente
utilizada para explorar as relações das plantas no solo em outros estudos de campo.
Para o rendimento da cana de açúcar no Estado de Alagoas, Silva et al (2007)
aplicaram a ACC para verificar as combinações lineares cujas correlações seriam mais
elevadas entre diferentes características agronômicas e fisiológicas e a produção de cana
por hectare. A ACC mostrou que o aumento da produção de cana por hectare está
relacionado com o número de touceiras por parcela, número de colmos por touceira e
diâmetro do colmo em plantas baixas.

2.1.2. ACC APLICADO À PREVISÃO CLIMÁTICA
Previsões sazonais fornecem uma visão de longo prazo das mudanças no sistema
climático terrestre para períodos de algumas semanas a meses, a partir de resultados de
mudanças previsíveis em alguns dos componentes de variação lenta do sistema. Como
exemplo temos a Temperatura da Superfície do Mar (TSM), que varia lentamente e tem
impacto decisivo em condições atmosféricas locais e remotas. Essas mudanças lentas, que
podem ser monitoradas, são a essência de todas as previsões de longo alcance.
11

Variáveis como a TSM são essenciais para o entendimento do comportamento
climático no futuro próximo. No entanto, interações complexas e não lineares impõem
limitações às previsões climáticas em todas as escalas, de semanas a meses, e trimestres,
com isso impossibilita a implementação de um bom sistema de previsão.
Neste sentido, a ACC tem sido uma ferramenta útil ao longo das últimas décadas
para maximizar a previsão climática. Chu e He (1994) utilizaram ACC para prever as
chuvas de inverno no Havaí. A ACC foi superior a outros métodos de previsão utilizados,
na comparação histórica entre simulações e observações, com esses resultados indicam
que as chuvas de inverno no Havaí poderiam ser previstas com um grau de sucesso
satisfatório com até duas estações de antecedência, sendo utilizado como preditores o
índice de oscilação sul observado no verão e os quatro modos principais de variabilidade
da pressão ao nível do mar sobre o Pacífico Norte.
A ACC foi usada para a previsão da precipitação do bimestre maio-junho em oito
estações ao longo da ilha de Taiwan, com a preditora sendo a TSM do bimestre anterior
novembro-dezembro sobre o Oceano Pacífico (50°N ± 40°S, 120°E ± 90°W). Funções
ortogonais empíricas (FOE) foram utilizadas para reduzir a dimensão dos dados
preditores, e um procedimento de validação cruzada foi usada para estimar a habilidade
do modelo de ACC, calibrado no período 1956-1985 e usado para prever as chuvas de
1986 a 1995. Os resultados mostraram uma resposta comum na aplicação de modelos de
previsão com a ACC, que existia maior habilidade em algumas estações do que em outras,
mas que de forma geral o modelo demonstrava uma habilidade média que o tornava
interessante para fins de previsão (Chu, 1998).
Landman e Mason (1999) dividiram a África do Sul em cinco regiões homogêneas
e usaram as variáveis canônicas para estudar a variabilidade e previsibilidade das chuvas
de verão na África do Sul, para os trimestres outubro-novembro-dezembro e janeirofevereiro-março, a partir da TSM em escala global. Foi encontrada uma destreza modesta
(correlações > 0,5) no interior e parte ocidental do País, com as contribuições mais
importantes oriundas do Oceano Pacífico equatorial, com previsibilidade mais fraca na
porção equatorial dos Oceanos Atlântico e Índico.
Toscano e Reisen (2000), demonstraram que a ACC pode ser usada para
identificar a estrutura de modelos de séries temporais lineares multivariados da família
ARMA. Neste sentido, Lúcio et al (2010) implementaram para o Brasil um sistema de
previsão climática sazonal da precipitação e temperatura baseado na combinação de
resultados de previsões de modelos ARIMA (Box e Jenkins, 1976), de suavização
exponencial de Holt-Winters (Holt, 1957; Winters, 1960), e de ACC (Barnston e Smith,
1996).
Com estudos prévios que demonstraram o potencial da ACC para fins de previsão
climática, Chowdhury et al (2007) tiveram como objetivo operacionalizar um modelo
estatístico de ACC para previsão do nível do mar nas ilhas americanas do Oceano
Pacífico, com vários meses de antecedência. Como potenciais preditores estariam as fases
do ENOS associadas as TSMs do Oceano Pacífico tropical, com os resultados indicam
que durante a fase quente, El Niño, havia baixa no nível do mar e durante La Niña, havia
alta do nível do mar, com fortes correlações entre a variabilidade do nível do mar e a
variação nas TSMs do Pacífico tropical.
12

Juneng e Tangang (2008) usaram modelos de previsão baseados em ACC para as
chuvas sazonais na Malásia, com os cinco preditores: as chuvas em estações anteriores, a
TSM local sobre o setor oeste do Pacífico, TSM quase global, pressão ao nível do mar e
altura geopotencial em 700hPa, de quatro períodos preditivos de três meses para projetar
campos de previsão que variam de 0 a 9 meses após um único período de previsão de 3
meses. Os resultados mostraram que o modelo apenas com a TSM quase global produziu
as melhores previsões em termos de destreza confrontada às observações, com o inverno
sendo a estação cujo modelo apresentou a melhor habilidade de previsão. Busuioc et al
(2008) usaram um modelo de redução de escala baseado em ACC para previsão de três
índices de precipitação de inverno na região de Emilia-Romagna, na Itália, utilizam como
variáveis preditoras a pressão ao nível do mar, a instabilidade potencial e a umidade
específica. Cada preditor demonstrou ter maior habilidade em casos específicos para cada
índice analisado, que foram o número de eventos que excedem o percentual 90 de longo
prazo, a intensidade diária simples da chuva e o número máximo de dias secos
consecutivos para sub-regiões homogêneas identificadas via cluster.
Lim et al (2012) propuseram uma melhoria ao método convencional da ACC para
previsão climática sazonal, aplicada a previsão para o verão boreal (junho-julho-agosto)
nas escalas global e regional a partir de um hindcast de 29 anos (1979-2007), a fim de
corrigir vieses de um Modelo de Circulação Geral (MCG). Este sistema operacional de
previsão sazonal pertence a Administração Meteorológica da Coréia do Sul e demonstra
uma previsão climática sazonal mais precisa.

2.1

CLIMA DA REGIÃO NORDESTE DO BRASIL

Segundo Prates et al (1986), o regime de chuvas ainda se constitui no principal
fator limitador das safras. Estudos recentes mostram que este fator ainda não foi
contornado, principalmente em áreas dependentes exclusivamente da agricultura de
sequeiro (Martins et al, 2017). A região Nordeste é afetada em alta frequência por
adversidades climáticas, com destaque para a seca. Silva et al (2013) estudaram a
mudança de padrão climático entre os anos de 2011, chuvoso, e 2012, extremamente seco.
No entanto, 2012 marcou o início de uma continuidade de anos secos consecutivos que,
para muitos autores, constituiu-se num dos mais intensos ciclos de seca contínua já
verificadas no Nordeste (Cunha et al, 2015; Alvalá et al, 2017; Martins et al, 2018a;
Martins et al, 2018b; Cunha et al, 2018; Marengo et al, 2018; Cunha et al, 2019).
As chuvas mostram uma acentuada variabilidade espacial, sazonal e interanual.
De acordo com a concentração de chuvas, três áreas diferem no NEB: o norte, com médias
anuais que variam de 1000 a 1800 mm/ano, do interior dos estados de Ceará e Piauí até a
porção mais úmida da região amazônica do Maranhão; 600 mm a 1200 mm no centrooeste; e leste com aproximadamente 1200 a 1400 mm/ano (Alves et al, 1992; Rao et al,
1993; Hastenrath et al, 1993; Costa et al, 2020).
De acordo com Rocha Júnior et al (2019), a porção centro-oeste do NEB inclui a
Bahia com exceção da costa norte, sul do Maranhão e Piauí, centro sul de Pernambuco e
extremo oeste de Alagoas e Sergipe, com chuvas concentradas no trimestre novembro13

dezembro-janeiro (NDJ). As chuvas ocorrem devido à influência dos sistemas frontais do
hemisfério sul e da zona de convergência do Atlântico Sul, bem como à ação de vórtices
ciclônicos de altos níveis (Kousky 1979; Kousky e Gan, 1981; Costa et al, 2014; Cordeiro
et al, 2018). O norte inclui o centro-norte do Maranhão, Piauí e Pernambuco, todo o
Ceará, e oeste do Rio Grande do Norte e Paraíba, com chuvas concentradas em fevereiromarço-abril (FMA), influenciadas pela zona de convergência intertropical (Moura e
Shukla, 1981; Hastenrath 1984; Hastenrath 2012; Carvalho et al, 2013), fortemente
modulado pela temperatura da superfície do mar no Oceano Atlântico equatorial (Silva et
al, 2013). O leste é composto pela faixa costeira do Rio Grande do Norte, Paraíba,
Pernambuco, Alagoas, Sergipe e norte do litoral da Bahia, com o principal período
chuvoso nos trimestre maio-junho-julho (MJJ), como consequência da atuação dos
distúrbios ondulatórios de leste (Kayano e Andreoli, 2006; Gomes et al, 2015; Gomes et
al, 2019).
Outros modos de variabilidade modulam as chuvas no NEB, com baixa frequência
temporal, como a oscilação do Atlântico Norte, oscilação decadal do Pacífico, oscilação
multidecadal do Atlântico e oscilação de Madden-Julian (Kousky e Kayano, 1994;
Kayano e Andreoli, 2004; Kayano e Capistrano, 2014; Barreto et al, 2017).
Em estudo recente, da Rocha Júnior et al (2020) mostraram que a variabilidade
das secas no NEB depende de vários fatores e não seguem necessariamente o mesmo
comportamento, em investigação sobre a frequência e o período de retorno das secas.
Com dados históricos de precipitação observada no NEB calcularam o índice de
precipitação padronizado, e com testes de três famílias de cópulas arquemedianas,
puderam observar que as secas mais frequentes estão concentradas no norte da região,
mas com o NEB oriental experimentam as secas mais severas, com duração de 14 a 24
meses. O NEB como um todo mostra um período de retorno médio das secas de
aproximadamente 24 meses, com o extremo sul apresenta um período de retorno superior
a 35 meses, a faixa leste com o maior período de retorno, superior a 60 meses, e com o
norte do NEB demonstram um menor período de retorno, em torno de 45 meses, sendo o
setor com a maior frequência de secas intensas.
Dois fenômenos meteorológicos possuem grande relevância referindo-se ao clima
do NEB: ENOS e o dipolo de temperatura da superfície do mar (TSM) no Atlântico
tropical possuem forte influência na variabilidade climática do NEB. De acordo com
diversos estudos na literatura têm mostrado que em anos de El Niño o NEB apresenta
menos precipitação anual do que a climatologia e em anos de La Niña apresentam mais
precipitação anual, sendo associados com as fases positivas e negativas do padrão de
dipolo de TSM. Com a fase positiva deste padrão caracteriza-se com anomalias de TSM
positivas nos setores norte do Atlântico tropical, com ventos e pressão ao nível do mar
com anomalias, já na fase negativa do dipolo de TSM, estas características são contrárias
(MOURA & SHUKLA, 1981; HASTENRATH, 1990; NOBRE & SHUKLA, 1996).
Segundo Oliveira e Kayano (2020), foi analisado na América do Sul os padrões
de precipitação associados com os ENOS sendo representado pelo índice da TSM. Afim
de investigar os efeitos da oscilação decenal do Pacifico, foram divididas em dois
períodos para melhor acurácia nos resultados: fase fria (1948-1976) e fase quente (19762002).
14

Xavier (2003) correlacionou os episódios de eventos dos ENOS com a variação
dos posicionamentos da Zona de Convergência Intertropical (ZCIT), a fim de obter
valores das chuvas acumuladas nas principais bacias hidrográficas do Ceará durante a
quadra chuvosa climatologicamente corresponde ao quadrimestre fevereiro-maio. Como
resultado preliminar ficou nítido o papel das ocorrências de eventos ENOS no Pacífico,
com relação à descida para o sul da ZCIT no Atlântico e, também, com as chuvas nas
bacias.
2.2.

MILHO E INFLUÊNCIA DO CLIMA NA PRODUÇÃO

O milho (Zea mays L.) é originário da América Central, em uma região entre o
sul do México e o norte da Guatemala. É uma gramínea que pode atingir alturas entre
1,70 e 2.50m entre as fases de florescimento e maturação. É uma planta com grande
adaptabilidade climática e pode ser cultivada desde o nível do mar até mais de 3000m de
altitude. A temperatura ideal para o cultivo do milho se dá no limiar entre 24 e 30ºC,
suportando temperaturas médias noturnas acima de 12,8°C e médias diurnas acima de
19°C (Andrade e Abreu, 2007; Bergamaschi e Matzenauer, 2009).
Algumas fases são mais sensíveis à temperatura. Para germinar, o solo deve
apresentar temperaturas entre 25 a 30°C. Temperaturas de solo inferiores a 10°C e
superiores a 40°C podem inviabilizar o processo de germinação. Verões com temperatura
média diária inferior a 19ºC e noites com temperatura média inferior a 12,8ºC não são
recomendados para cultivo do milho. Por outro lado, temperaturas noturnas superiores a
24ºC proporcionam um aumento da respiração, ocasionam uma diminuição da taxa de
fotossimilados e consequente redução da produtividade. Temperaturas inferiores a 15ºC
retardam a maturação dos grãos (Sbrussi e Zucareli, 2014).
O conceito de Graus-Dia de desenvolvimento aplicado ao milho mostra que as
exigências térmicas dos cultivares normais varia de 890 a 1200 graus dia, de 831 a 890
graus dia em cultivares precoces, e de 780 a 830 graus dia em cultivares superprecoces
(Renato et al, 2013; Gaspar et al, 2015). Estas seriam as exigências calóricas referentes a
uma evolução plena do cultivar de milho ao atingir todas as suas fases fenológicas desde
a emergência da plântula até o momento da polinização, ou fase reprodutiva que dará
início ao desenvolvimento do sabugo e enchimento dos grãos.
O milho é uma cultura de ciclo curto, e seu ciclo de vida pode variar, a depender
da variedade, de 110 a 160 dias (Alvarenga et al, 2017), com as necessidades hídricas da
cultura varia de 500 a 800mm de lâmina de água com boa distribuição desde a semeadura
até o ponto de maturação fisiológica dos grãos, sendo as fases mais sensíveis ao déficit
hídrico as de florescimento ou inflorescência, e de enchimento de grãos (Melo et al, 2010;
Martins et al, 2019).
Podendo ser cultivado em regiões com índices pluviométricos que variam de
250mm a 5000mm no ano, e consumem média 600mm de água no seu ciclo de vida, o
déficit hídrico é potencialmente danoso a cultura em qualquer de suas fases de
desenvolvimento. A planta consome em média 2,5mm/dia nos estágios iniciais de
crescimento, e de 5 a 7,5mm diários entre o espigamento e a maturação, no entanto sob
15

uma combinação de temperaturas muito altas e umidades relativas muito baixas, o
consumo diário da planta pode chegar a 10mm (Radin et al, 2003).
Completam as exigências climáticas do milho sua sensibilidade ao fotoperíodo e
a radiação solar. No Brasil os efeitos do fotoperíodo são insignificantes as variedades de
milho cultivadas, e a radiação solar é essencial ao processo de fotossíntese para fixação
de dióxido de carbono e produção de matéria seca. Redução na disponibilidade média da
luminosidade solar em torno de 30 a 40% por dias consecutivos pode reduzir em 60% a
produtividade da cultura (Schwerz et al, 2016).
O ciclo de vida do milho é dividido basicamente em quatro etapas principais, que
seriam o Estágio de Desenvolvimento 01, compreendendo da germinação à emergência,
com duração de 5 a 12 dias, a depender da umidade do solo e da temperatura do ambiente.
o Estágio de Desenvolvimento 02, compreendendo da emergência ao florescimento
feminino, com duração dependente do comprimento do ciclo do cultivar, sendo esta a
etapa vegetativa do milho. O Estágio de Desenvolvimento 03, entre o florescimento e o
espigamento com duração de no máximo 10 dias, e enfim o Quarto Estágio de
Desenvolvimento, entre o espigamento e a maturação fisiológica, ou seja, a granação com
duração de 40 a 60 dias (Bergamaschi e Matzenauer, 2009; Buske et al, 2019). No entanto,
essas são apenas os quatro mais importantes estágios de desenvolvimento.
As características gerais da cultura do milho a coloca entre as mais propícias à
agricultura de subsistência. Em condições normais de cultivo, a partir de cerca de 80 dias
após a emergência das plantas, já se é possível a obtenção do “milho verde”, a base de
alimentos humanos como milho cozido, pamonha, curau, bolos, etc. e de forragens com
a parte aérea da planta disponibilizada diretamente aos animais ou ainda através de sua
ensilagem, nesse sentido, possibilita a conservação de forragens a serem utilizadas em
ocasiões de déficits alimentares. Os grãos de milho são considerados um dos produtos
mais indispensáveis à alimentação humana.
No NEB, com exceção da região conhecida por MATOPIBA, acrônimo das siglas
dos Estados que a compõem, sendo três no NEB, Maranhão, Piauí e Bahia (Salvador et
al, 2017), boa parte do milho cultivado é produto da agricultura familiar, sob condições
de sequeiro e com pouco ou nenhum acesso à tecnologia, com rendimento médio em
quilogramas por hectare muito inferior a áreas com acesso à mecanização, cultivares com
maior resistência a pragas e adversidades climáticas, e irrigação automatizada (Martins et
al, 2014).

16

3. MATERIAIS E MÉTODOS
3.1.

DADOS E ÁREA DE ESTUDO

O NEB está em uma região equatorial entre os paralelos 1-21°S e os meridianos
32-49°W. O NEB tem aproximadamente 1,6 x 106 km2 de área, o que representa 18% do
território brasileiro. Abrange nove estados: Maranhão (MA), Piauí (PI), Ceará (CE), Rio
Grande do Norte (RN), Paraíba (PB), Pernambuco (PE), Alagoas (AL), Sergipe (SE) e
Bahia (BA). Os nove Estados do NEB são subdivididos em 42 mesorregiões, como ilustra
a Figura 1. A vegetação característica de toda região costeira é a Mata Atlântica. A
vegetação presente na porção central do NEB (região semiárida) é a Caatinga. A região
de transição entre a Caatinga e a Mata Atlântica é chamada de Agreste. Encontrada no
extremo noroeste da região, no estado de MA, predomina a vegetação típica da floresta
amazônica, enquanto no sul do estado de MA e PI, e a oeste do estado de BA, prevalece
a vegetação do Cerrado.
Para cada mesorregião, foi identificado o semestre mais chuvoso, mostrado na
Figura 1. Esta tarefa simples, mas essencial à pesquisa, foi realizada a fim de simular a
produtividade do milho em cada mesorregião considerando um ciclo médio de 120 dias
para a cultura, não incorrendo em risco cometer o erro de não adequar o período chuvoso
ao período de plantio. Como exemplo, para uma determinada mesorregião onde o
semestre mais chuvoso seja janeiro a junho, o ciclo de 120 dias da cultura ou quatro
meses, em média, estaria compreendido nele.

Figura 1. Mapa da região Nordeste do Brasil identificando os nove Estados, (a) Maranhão, (b)
Piauí, (c) Ceará, (d) Rio Grande do Norte, (e) Paraíba, (f) Pernambuco, (g) Alagoas, (h)Sergipe e
(i) Bahia, e identificando as 42 mesorregiões, numeradas entre os Estados. (Autor. 2021)
17

Tabela 1 - Mesorregiões do NEB e respectivo semestre chuvoso.
Mesorregião
Norte Maranhense
Oeste Maranhense
Central Maranhense
Leste Maranhense
Norte Piauiense
Centro Norte Piauiense
Sudeste Piauiense
Noroeste Cearense
Metropolitana de Fortaleza
Norte Cearense
Sertões Cearenses
Jaguaribe
Centro-Sul Cearense
Sul Cearense
Oeste Potiguar
Central Potiguar
Sertão Paraibano
Borborema
Sertão Pernambucano
São-Francisco Pernambucano
Vale São Franciscano da Bahia
Centro Norte Baiano
Sul Maranhense
Sudoeste Piauiense
Extremo Oeste Baiano
Centro Sul Baiano
Agreste Potiguar
Leste Potiguar
Agreste Paraibano
Mata Paraibana
Agreste pernambucano
Mata Pernambucana
Metropolitana do Recife
Sertão Alagoano
Agreste Alagoano
Leste Alagoano
Sertão Sergipano
Agreste Sergipano
Leste Sergipano
Sul Baiano
Nordeste baiano
Metropolitana de Salvador

Semestre chuvoso

Janeiro a Junho

Outubro a Março

Abril a Setembro

18

Neste estudo, foram utilizadas séries temporais de precipitação mensal de 97
estações meteorológicas convencionais do Instituto Nacional de Meteorologia (INMET),
de 1961 ao presente. A localização das estações pode ser vista na Figura 2.

Figura 2. Distribuição geográfica das 97 estações meteorológicas convencionais no NEB.

Figura 3. Semestre chuvoso de cada mesorregião do NEB.

19

Os dados de produtividade foram coletados do Banco de Dados Estatístico do
Sistema de Recuperação Automática (SIDRA) do Instituto Brasileiro de Geografia e
Estatística (IBGE), para o período de 1974 a 2018.
No entanto, a base de dados pluviométrica e de produtividade foi trabalhada para
um período em comum a fim de eliminar problemas de continuidade observados no início
das séries de produtividade do milho para cada mesorregião, sendo utilizado uma
homogeneização dos mesmos sem necessidade de preenchimento de falhas. O período
em comum de dados foi de 1981 a 2010, 30 anos, mesmo período utilizado para gerar as
climatologias das chuvas de cada mesorregião e identificar os semestres mais chuvosos.

3.2.

ANÁLISE DE CORRELAÇÕES CANÔNICAS (ACC)

Até recentemente, a ACC era uma técnica estatística relativamente desconhecida.
Como ocorre com quase todas as técnicas multivariadas, a disponibilidade de programas
computacionais facilitou sua crescente aplicação em problemas de pesquisa. Ela é
particularmente útil em situações nas quais múltiplas medidas de resultados devem estar
disponíveis, como nas previsões climáticas ou de safras em múltiplas estações (Díaz e
Villegas, 2015). A ACC é tida como o modelo geral no qual muitas outras técnicas
multivariadas são baseadas, pois ela pode utilizar tanto dados métricos quanto nãométricos para variáveis dependentes (X) ou independentes (Y), compostas de um número
p de variáveis xi e um número q de variáveis yi, respectivamente.
Na ACC, criam-se combinações lineares x* e y*, chamadas variáveis canônicas
(VC), com pelo menos duas variáveis de cada conjunto WILKS, D.S.(2011):
𝑝

𝑞

𝑥 ∗ = 𝑋𝛼 = ∑ 𝛼𝑖 𝑥𝑖 ; 𝑦 ∗ = 𝑌𝛽 = ∑ 𝛽𝑗 𝑦𝑗
𝑖=1

(1)

𝑗=1

os vetores α e β devem maximizar a correlação entre x* e y*, e cada VC deve conter
variância e não estar correlacionada com outras VC:
𝑟 ,𝑘 = 𝑀
∗]
𝐶𝑜𝑟𝑟[𝑥𝑘∗ 𝑦𝑀
={𝑐
}
0, 𝑘 ≠ 𝑀

(2)

onde rc é a correlação canónica. O cálculo das VC é realizado a partir das matrizes de
variância e de covariância [Sc] das variáveis iniciais X e Y:
[𝑆𝑐 ] = [

[𝑆𝑥𝑥 ](𝑝𝑥𝑝)

[𝑆𝑥𝑦 ](𝑝𝑥𝑞)

[𝑆𝑦𝑥 ](𝑞𝑥𝑝) [𝑆𝑦𝑦 ](𝑞𝑥𝑞)

]

(3)

[Sxx] e [Syy] são as matrizes de variância e covariância das p variáveis em X e as q
variáveis em Y; [Sxy] e [Syx] são as matrizes de covariância entre os elementos de X e os
elementos de Y. As correlações canônicas rc entre as diferentes VC são dadas pela raiz
quadrada dos valores inteiros, diferentes de zero nas matrizes.
[𝑀𝑥 ] = [𝑆𝑥𝑥 ]−1 [𝑆𝑥𝑦 ] [𝑆𝑦𝑦 ]

−1

[𝑆𝑦𝑥 ]

(4)

20

−1

[𝑀𝑦 ] = [𝑆𝑦𝑦 ]

[𝑆𝑦𝑥 ] [𝑆𝑥𝑥 ]−1 [𝑆𝑥𝑦 ]

(5)

e os vetores α e β serão os respectivos vetores típicos das matrizes que satisfazem:
[𝑀𝑥 ]𝛼 = 𝑟𝑐2 𝛼

(6)

[𝑀𝑦 ]𝛽 = 𝑟𝑐2 𝛽

(7)

Os valores de α e β revelam quais variáveis possuem a maior força explicativa
dentro da correlação e são importantes quando se está construindo um modelo preditivo
(Wilks, 2011; Singh et al, 2012). Além de α e β na ACC, também são calculadas as cargas
canônicas (CC) e as cargas canônicas cruzadas (CCC). As CC permitem conhecer a
contribuição de cada variável observada xi e yi para sua respectiva VC x* e y*. As CC
independentes são as correlações lineares entre xi e x*, e as CC dependentes entre yi e y*.
As CCC dão informações mais significativas da relação entre as variáveis observadas e
as novas VC (Katz et al, 2003). As CCC independentes são as correlações lineares entre
xi e y* e as CCC dependentes entre yi e x*. Finalmente, na ACC é calculado o coeficiente
de redundância, que permite estabelecer o percentual de variância explicada no conjunto
de variáveis dependentes, a partir do conjunto de variáveis independentes (Katz et al,
2003). A ACC foi escolhida para ser o método de previsão desta pesquisa por ser um dos
métodos menos dependentes da periodicidade dos fenômenos climáticos, e como serão
analisados resultados que evoluem em distintas escalas de tempo, utilizar esta
metodologia mostra-se apropriado aos objetivos da pesquisa.
Esta pesquisa implementa a ACC como a ferramenta para relacionar a
precipitação acumulada semestralmente e a produtividade observada do milho, em
quilogramas por hectare, nas mesorregiões do NEB com histórico de produtividade
disponível no IBGE. As séries temporais das estações meteorológicas foram eleitas por
conter dados na mesma escala de tempo da produtividade, sem dados faltantes, para o
período de 1981 a 2010.
Os dados mensais de chuva foram organizados como séries temporais acumuladas
semestralmente para os seguintes períodos: janeiro a junho (JFMAMJ), outubro a março
(ONDJFM) e abril a setembro (AMJJAS), ou seja, cada série temporal mensal contínua
de precipitação se divide em três séries de acumulados semestrais. Segundo Stevens e
Ruscher (2014), esta forma de organizar os dados maximiza a possibilidade de encontrar
relações entre a precipitação acumulada e a produtividade da cultura em cada ano
utilizado para hindcast, entre 1981 a 2010.
Tabela 2. Preditor X e respectivos semestres mais chuvosos e Preditado Y com as
respectivas séries de produtividade de cada mesorregião. (Autor:2021).

O software utilizado para realizar os cálculos matemáticos foi o CPT (Climate
Predictability Tool).
21

3.3 SOFTWARE CPT E MODELO DE PREVISÃO
O software CPT (Climate Predictability Tool) foi desenvolvido pelo International
Research Institute foi Climate and Society (IRI, 2006). Hoje, o software se encontra em
sua versão 17.4.4, é livre e sendo disponibilizado para as plataformas windows, linux e
python.
A ACC é uma entre as muitas funcionalidades do CPT, que permite realizar
correções estatísticas de previsões climáticas de modelos de circulação geral (MCG), ou
produzir previsões usando campos de TSM ou de preditores semelhantes (altura
geopotencial e componentes do vento em diversos níveis, por exemplo), além de possuir
um módulo de regressão por componentes principais e regressão linear múltipla.
Como já mencionado, a ACC é amplamente utilizada para gerar previsões
climáticas operacionais (Mason e Tippett., 2017; Esquivel et al., 2018; Hossain et al.,
2019). No CPT, a ACC pode ser usada de duas formas (ver a Figura 1 de Barnston e
Tippett, 2017), a primeira é relacionar saídas brutas de modelos dinâmicos à observações,
por exemplo, precipitação acumulada prevista de um mês/trimestre relativo a um período
de referência passado (hindcast) com as observações reais desse período, e assim
recalibrar e corrigir viéses nessas previsões, permitindo aplicar essa correção as futuras
previsões dos modelos. A segunda forma, e utilizada nessa pesquisa, é construir um
modelo de previsão puramente estatístico, relacionando um preditor a um preditando, em
nosso caso, campos de precipitação observada com dados de produção do milho em
mesorregiões do NEB. Esta metodologia é similar a previsão sazonal com ACC
relacionando TSM (preditor) com a precipitação (preditando).
Totais de precipitação dos semestre JFMAMJ, AMJJAS e ONDJFM, foram os
preditores (X), e a produção média do milho de cada mesorregião do NEB os preditandos
(Y). Ambos os campos são pré-filtrados com Funções Ortogonais Empíricas (FOE) para
eliminar ruídos dos dados originais (Horel, 1981). Nesse processo, as FOE de X e Y são
calculadas separadamente, estabelecendo-se um modelo que retenha em torno de 70% a
80% da variância original de cada variável a partir de um número de autovetores. Esse
processo força a ACC a enfatizar os modos de variabilidade dominantes de X e Y. Em
seguida, uma matriz de correlação cruzada é construída com as séries das componentes
principais de X e Y, que tem suas dimensões reduzidas ao número de modos retidos pelo
preditor e pelo preditando, obtendo-se autovetores e autovalores canônicos para X e Y
dessa matriz transposta.
Encontra-se a função canônica do preditor a partir das combinações lineares entre
os autovetores canônicos e as séries das componentes principais do preditor para cada
modo. Apesar de poder-se utilizar um número limitado de modos baseado na análise de
explicação da variância, recomenda-se estabelecer como limites para o software um
mínimo de 1 modo até um máximo de 10 modos, isto é recomendável pois permite que o
mesmo encontre de forma automatizada o número ótimo de modos baseado em um
coeficiente de bondade do modelo (goodiness index), esse índice ajusta o número de
modos de acordo com a correlação obtida a partir da testagem de vários modelos com
diferentes combinações de modos para X e Y, o que geralmente limita o número de modos
entre 3 a 6, respectivamente. A equação de regressão expressa pelos modos canônicos

22

deriva das variáveis originais, convertendo-se a função temporal canônica do preditor em
função temporal canônica do preditando.
Por fim, a equação preditiva é obtida para relacionar preditor ao preditando, ou X
a Y, e as simulações históricas e/ou previsões, podem ser realizadas. Essa pesquisa se
ateve a simulações históricas, recomendando-se para pesquisas subsequentes, testar o
modelo para previsões a partir de saídas de modelos como da família NMME (Kirtman
et al., 2014) e ECMWF (Wang et al., 2019). A Figura 4 ilustra de forma esquemática as
etapas necessárias para as simulações da produção (preditando Y) em função dos campos
de precipitação acumulada semestrais (preditor X).

Figura 4. Esquema ilustrativo das etapas utilizadas para as simulações da produção de
milho nas mesorregiões do NEB a partir da precipitação acumulada semestral, utilizando
(Autor, 2011)
23

4. RESULTADOS E DISCUSSÕES
4.1 Resultados obtidos pelo modelo de ACC
A partir da verificação do semestre mais chuvoso de cada mesorregião, mostrado
na Figura 3, o modelo de ACC foi projetado para operar com de 1 até 10 modos de
variabilidade, seguindo o fluxograma apresentado na Figura 4. A variável explicativa, ou
preditora (X), foi a precipitação acumulada levando-se em consideração o semestre mais
chuvoso de cada mesorregião e no qual, segundo o calendário agrícola da CONAB
(2019), efetivamente o milho é cultivado. Para cada mesorregião, foi obtida a variável a
ser explicada, ou preditando (Y), que foi a média de produção em kg/ha da mesorregião
obtidas pelo IBGE. O modelo foi construído para o período de 30 anos entre 1981 e 2010.
A Figura 5 mostra, para o centroide de cada mesorregião do NEB, as cargas
espaciais do primeiro modo de variabilidade para preditor X e preditando Y. O primeiro
modo é o mais dominante na correlação entre precipitação acumulada e produção,
mostrando que cargas canônicas associadas a precipitação acima da média se associam a
produção acima da média. A correlação canônica para este par de variáveis foi de 0,92
para o primeiro modo, que explica mais de 50% da variância dos dados de produção,
diretamente proporcionais como indica a Figura 6. Segundo da Rocha Júnior et al (2021),
modos retidos de variabilidade que explicam mais de 70% da variância dos dados são
suficientes para a construção de um modelo estatístico preditivo, uma vez que outros
modos podem adicionar apenas ruído ao modelo sem necessariamente melhorar os
valores previstos.

Figura 5. Cargas espaciais de X e Y (modo 1) mostram o padrão mais dominante na
correlação de precipitação associada com produção acima do normal. A correlação
canônica para este par de variáveis foi superior a 0,92. A partir das pontuações temporais
(modo 1), os padrões de precipitação, acima ou abaixo da normal, tendem a coincidir com
produção acima do normal e vice-versa. Obtido para o período 1981-2010.

24

De forma mais simplificada, a associação entre a precipitação do semestre mais
chuvoso e a produção observada em cada mesorregião é definida pela combinação linear
dos valores de índices associados a cada um dos conjuntos (FOEs), maximizando a
correlação entre os dois índices, retendo ao máximo informações contidas nas variáveis
originais. A Figura 6 mostra gráficos "scree" para X e Y. O gráfico "scree" em estatística
multivariada mostra a linha dos fatores ou componentes principais da análise, e é usado
para determinar o número de fatores retidos ou componentes principais mantidas em uma
análise, nesse caso, de ACC. Da Figura 6 percebe-se que para X, os cinco primeiros
fatores explicam 83% da variância e estes foram escolhidos para a construção do modelo
de previsão (57% para o primeiro modo ou componente principal, 8% para o segundo
modo, 7% para o terceiro modo, 6% para o quarto modo e 5% para o quinto modo). A
correspondência em Y, relativa aos primeiros cinco modos, são consistentes com os
modos de X, apenas com percentuais de explicação da variância dos dados de produção
um pouco abaixo dos observados nos modos de X (precipitação acumulada).

Figura 6. Scree plot do número de modos retidos na análise de componentes principais.
A Figura 7a mostra a comparação entre as correlações (r) obtidas de forma direta
entre a precipitação média do semestre mais chuvoso de cada mesorregião e a produção
observada de milho em kg/ha. A Figura 7b, à direita, mostra os valores de r após o
processamento com o modelo de ACC, ou seja, entre valores previstos e observados da
produção. Os resultados evidenciam que há, como já era de se esperar, uma correlação
inicial entre a chuva acumulada na estação de cultivo (semestre mais chuvoso) e a
produção, no entanto, essa relação não é suficiente para prever com confiabilidade os
valores da produção, principalmente em séries que possuem tendência. Já o modelo
construído a partir da combinação linear de preditores (a chuva acumulada em cada
mesorregião) para previsão das produções foi eficiente em elevar todos os valores de r
obtidos da simples comparação entre chuva acumulada e produção. Ainda, observou-se
que, em média, os valores de r elevaram-se em aproximadamente 0,2 com os resultados
do modelo calibrado. Das 42 mesorregiões entre todos os estados do NEB, apenas três
tiveram correlações maiores a partir da comparação direta da produção com a chuva
acumulada e inferior com a produção simulada pelo modelo: a mesorregião central
potiguar, a mesorregião da Borborema na Paraíba e a mesorregião do sertão
pernambucano. Estes valores são melhor observados na Tabela 2.
25

Figura 7. (a) Correlações entre a chuva acumulada na estação de cultivo de cada
mesorregião e a produção observada, e (b) correlação entre a produtividade prevista com
modelo de ACC e observada. Para o tamanho da amostra, 30 anos, todas as correlações
acima de 0,4 são estatisticamente significativas de acordo com o teste t-student.
Tabela 3. Para cada mesorregião, valores de correlações (r) obtidas da comparação direta
chuva acumulada x produção observada, e a partir da produção simulada pelo modelo de
ACC e observada. Valores em negrito destacam a maior r obtida.
Mesorregião
Norte Maranhense
Oeste Maranhense
Central Maranhense
Leste Maranhense
Sul Maranhense
Norte Piauiense
Centro Norte Piauiense
Sudeste Piauiense
Sudoeste Piauiense
Noroeste Cearense
Norte Cearense
Metropolitana de Fortaleza
Sertões Cearenses
Jaguaribe
Centro-Sul Cearense
Sul Cearense
Oeste Potiguar
Central Potiguar

r - chuva acumulada x produção
0,45
0,38
0,47
0,44
0,37
0,62
0,66
0,71
0,45
0,33
0,31
0,44
0,50
0,37
0,35
0,50
0,69
0,64

r - modelo x produção
0,74
0,65
0,66
0,66
0,56
0,81
0,82
0,83
0,70
0,78
0,51
0,59
0,70
0,53
0,66
0,73
0,80
0,52
26

Agreste Potiguar
Leste Potiguar
Sertão Paraibano
Borborema
Agreste Paraibano
Mata Paraibana
Sertão Pernambucano
São-Francisco Pernambucano
Agreste pernambucano
Mata Pernambucana
Metropolitana do Recife
Sertão Alagoano
Agreste Alagoano
Leste Alagoano
Sertão Sergipano
Agreste Sergipano
Leste Sergipano
Extremo Oeste Baiano
Vale São Franciscano-BA
Centro Sul Baiano
Centro Norte Baiano
Nordeste Baiano
Metropolitana de Salvador
Sul Baiano

0,63
0,42
0,43
0,60
0,63
0,50
0,76
0,39
0,75
0,64
0,35
0,77
0,62
0,20
0,53
0,43
0,34
0,17
0,28
0,16
0,65
0,62
0,36
0,42

0,74
0,62
0,71
0,54
0,65
0,56
0,53
0,65
0,81
0,69
0,48
0,79
0,63
0,42
0,63
0,67
0,71
0,68
0,43
0,67
0,72
0,67
0,68
0,69

4.2 Resultados por Estado - Maranhão
O estado do Maranhão possui produção de milho em todas as mesorregiões. No
período de análise dessa pesquisa, 1981-2010, a média produzida em cada mesorregião
foi de 523 kg/ha no norte maranhense, 746 kg/ha no oeste maranhense, 670 kg/ha no
centro maranhense, 474 kg/ha no leste maranhense e 1710 kg/ha no sul maranhense. Os
gráficos da Figuras 8 mostram a comparação entre a produção observada e simulada pelo
modelo em cada mesorregião. Percebe-se boa concordância entre a simulação e
observação, principalmente no norte maranhense (Figura 8a), com o modelo
acompanhando o aumento da produção observada a partir de 1995, embora com o modelo
subestimando as observações a partir de 2000. Essa subestimativa é verificada também
no oeste maranhense (Figura 8b), que apresentou tendência de aumento na produção a
partir de 2000, no centro maranhense a tendência de aumento inicia-se em 1998 e o
modelo subestima a partir de 2003 (Figura 8c), situação similar é verificada no leste
maranhense (Figura 8d), e por fim, tal característica de aumento na produção é mais
acentuada no sul maranhense (Figura 8e), como consequência do avanço da fronteira
agrícola denominada MATOPIBA, que tem no sul desse Estado uma de suas áreas mais
produtivas (Salvador e Brito, 2018; Reis et al, 2020). É importante frisar que, em cada
mesorregião, principalmente no sul maranhense, antes do aumento na produção o modelo
apresenta viés positivo, de superestimar a produção observada.

27

Figura 8. Produção observada (linha azul) e simulada com o modelo de ACC (linha
vermelha), para o período 1981-2010, para as mesorregiões do Maranhão: (a) norte
maranhense, (b) centro maranhense, (c) oeste maranhense, (d) leste maranhense e (e) sul
maranhense.
4.3 Resultados por Estado - Piauí
Os resultados das simulações do modelo para o Piauí mostraram ótima adequação
com as observações. Os valores das correlações obtidas foram elevados, 0,81 para o norte
piauiense, 0,82 para o centro-norte piauiense, 0,83 para o sudeste piauiense e 0,70 para o
sudoeste piauiense possuindo grande significância. A média de produção no período é
similar entre as mesorregiões norte, centro-norte e sudeste, da ordem de 480 kg/ha. No
sudoeste é de cerca de 825 kg/ha, assim como para o sul do Maranhão, em consequência
da expansão agrícola MATOPIBA (Reis et al, 2020), que avançou nessa mesorregião do
Piauí, e embora o forte da produção seja a soja (Assad et al, 2007; Pereira et al, 2018), o
milho também é plantado em maior escala que nas demais mesorregiões do Estado. As
Figuras 13 a 16 mostram que o modelo foi hábil em simular e capturar a maior parte da
variação da produção em todas as mesorregiões. Esses resultados evidenciam que no
Piauí, a resposta entre variável independente (chuva acumulada) e a variável dependente
(produção) é mais direta que em outras mesorregiões de outros Estados. O regime de
chuvas está associado ao deslocamento da ZCIT para as mesorregiões (Utida et al, 2019),
e em especial para a mesorregião sudoeste, a eventos de precipitação que ocorrem de
28

outubro a março (). Variações interanuais no deslocamento da ZCIT são decisivos para a
qualidade do período chuvoso no norte do NEB (Marengo et al, 2018), sendo o principal
fator de sucesso ou fracasso das safras.

Figura 9. Mesmo da Figura 8, mas para as mesorregiões do Piauí: (a) norte piauiense, (b)
centro-norte piauiense, (c) sudoeste piauiense e (d) sudeste piauiense.
4.4 Resultados por Estado - Ceará
O Ceará possui sete mesorregiões (Figura 10), devido ao desmembramento dos
municípios limítrofes a capital, que constituíram a mesorregião metropolitana de
Fortaleza. Em todo o Estado, o período mais chuvoso é o semestre JFMAMJ, influenciado
por sistemas como VCANs cujo ápice de atuação se dá entre janeiro e fevereiro (Costa et
al, 2014), ZCIT entre fevereiro e abril (Carvalho e Oyama, 2013), resquícios de DOLs
em maio e junho (Gomes et al, 2019), além da interação entre fenômenos de maior escala,
como sistemas frontais que induzem formação de complexos convectivos de mesoescala
(Veber et al, 2020; Lyra et al, 2020). No entanto, como em todo setor norte do NEB, há
grande variabilidade interanual e má distribuição espaço-temporal das chuvas na estação
de cultivo, refletindo em anos com maior e menor produção.
Esse padrão que alterna anos (períodos) mais/menos produtivos foi bem captado
pelas simulações do modelo em todas as mesorregiões (Figura 10). Entre as mesorregiões,
o melhor desempenho baseado nas correlações (r) foi verificado no sul cearense (Figura
10g), seguido do sertão cearense (Figura 10d), centro-sul cearense (Figura 10e),
metropolitana de Fortaleza (Figura 10b), Jaguaribe (Figura 10f) e norte do Ceará (Figura
10a).

29

Figura 10. Mesmo da Figura 8, mas para as mesorregiões do Ceará: (a) norte (b)
metropolitana de Fortaleza, (c) noroeste, (d) sertão, (e) centro-sul, (f) Jaguaribe e (g) sul
cearense.
4.5 Resultados por Estado – Rio Grande do Norte
No Rio Grande do Norte, o melhor desempenho das simulações foi observada nas
mesorregiões oeste e agreste, com correlações de 0,80 e 0,74 com as produções
observadas, respectivamente (Figuras 11a e 11c) possuindo grande significância,
acompanhando a tendência de aumento da produção a partir de meados da década de
1990. A mesorregião central (Figura 11b) apresentou a menor correlação entre simulações
e observações, influenciada por dois picos positivos nas observações de 1990 e 1993 não
captadas pelo modelo de previsão. O valor observado estimado pelo IBGE para 1993,
30

especialmente, é suspeito devido à todas as outras mesorregiões apresentarem valores
baixos de produção nesse ano, como pode-se perceber de forma mais acentuada no leste
potiguar (Figura 11d). O ano de 1993 foi influenciado pela continuidade de uma fase
quente do ENOS (El Niño), classificado como de forte intensidade no biênio 1991-1992
e fraco no biênio 1992-1993, ou seja, uma sequência de três anos sob influência de um El
Niño estendido, que em média reduz as chuvas especialmente nos estados do setor norte
do NEB (Gonzalez et al, 2013).

Figura 11. Mesmo da Figura 8, mas para as mesorregiões do Rio Grande do Norte: (a)
oeste, (b) central, (c) agreste e (d) leste potiguar.
4.6 Resultados por Estado – Paraíba
Assim como observado para o Rio Grande do Norte, o setor oeste da Paraíba em
sua mesorregião sertão, foi a que apresentou as maiores correlações entre a produção
simulada e observada possuindo grande significância (r = 0,71), seguida das mesorregiões
agreste, mata paraibana e Borborema, que compreende as microrregiões do cariri e
curimataú paraibanos, considerada uma das áreas de menores índices pluviométricos do
Brasil (Alves et al, 2015). Nota-se a habilidade do modelo em captar o comportamento
observado, embora com dificuldade para simular alguns picos positivos/negativos
específicos observados no período 1981-2010. Entre 1994 e 1997, o modelo captou e
simulou bem esse período com observações acima da média, de forma mais clara nas
mesorregiões sertão (Figura 12a), Borborema (Figura 12b) e agreste (Figura 12c). A
mesorregião da mata paraibana (Figura 12d) apresentou um pico na produção observada
em 2003 que não foi captada pelo modelo. Diferente do pico observado em 1993 na
mesorregião central do Rio Grande do Norte, este não é um valor suspeito, pois também
foi um ano de alto valor observado na mesorregião agreste.

31

Figura 12. Mesmo da Figura 8, mas para as mesorregiões da Paraíba: (a) sertão, (b)
Borborema, (c) agreste e (d) mata paraibana.
4.7 Resultados por Estado – Pernambuco
Em termos de valores médios em quilogramas por hectare, a produção de milho é
muito homogênea em quatro das cinco mesorregiões pernambucanas, com valores médios
de 480 kg/ka no sertão pernambucano (Figura 13a), 428 kg/ha no vale do rio São
Francisco (Figura 13b), 437 kg/ha no agreste (Figura 13c) e 424 kg/ha na zona da mata
(Figura 13d), destoando dessa homogeneidade apenas a mesorregião metropolitana de
Recife com produção média de 725 kg/ha.
O modelo simulou bem as observações, sem viés preferencial, com a maior
correlação versus as observações obtida para o agreste (r = 0,81), e a menor na
mesorregião metropolitana de Recife (r = 0,48). Os baixos valores de produtividade do
milho na maior parte das mesorregiões pernambucanas é reflexo da pratica de sequeiro e
por este ser um dos Estados do Nordeste com a maior taxa de retorno de secas moderadas
a severas (Pereira et al, 2017; da Rocha Júnior et al, 2020).

32

Figura 13. Mesmo da Figura 8, mas para as mesorregiões de Pernambuco: (a) sertão, (b)
vale do São Francisco, (c) agreste, (d) mata e (e) metropolitana de Recife.
4.8 Resultados por Estado – Alagoas e Sergipe
Alagoas e Sergipe são dois Estados do leste nordestino com semelhanças entre si,
ambos possuem três mesorregiões: sertão, agreste e leste, possuem basicamente o mesmo
regime climático, com período mais chuvoso, ou estação de cultivo, de abril a setembro,
cuja maior influência sobre o regime de precipitação é devido ao transporte de umidade
do Oceano Atlântico pelos ventos alísios de leste/sudeste que, por muitas vezes estão
associados a DOLs (Gomes et al, 2015; 2019). Silva et al (2018), avaliaram eventos
extremos de precipitação no leste do NEB e investigaram suas causas climáticas,
concluindo que fenômenos de diferentes naturezas em diferentes escalas temporais são
responsáveis pela dinâmica das chuvas nessa região, como ENOS, dipolo do Atlântico,
oscilação decadal do Pacífico e ciclo de manchas solares.
No entanto, a produção de grãos, nesse caso o milho, apresenta diferenças entre
as mesorregiões desses Estados no período analisado. Alagoas tem uma média de
produção de 359 kg/ha na mesorregião sertão (Figura 14a), 567 kg/ha na mesorregião
agreste (Figura 14b), e 533 kg/ha na mesorregião leste (Figura 14c), valores inferiores
aos observados para Sergipe, com uma produção média de 1239 kg/ha no sertão (Figura
15a), 880 kg/ha superior ao produzido no sertão alagoano, 997 kg/ha no agreste (Figura
33

15b), 430 kg/ha superior ao produzido no agreste alagoano, e 773 kg/ha no leste (Figura
15c), 240 kg/ha superior ao produzido no leste alagoano. As diferenças nos setores leste
e agreste podem ser explicadas pela maior predominância do cultivo de cana de açúcar
nessas mesorregiões de Alagoas do que em Sergipe (EMBRAPA 2015), no entanto, a
grande diferença observada para as produções no sertão de cada Estado precisam ser
melhor investigadas. Silva et al (2019), citam o incentivo ao crédito agrícola e tipo de
solo como fatores determinantes para a expansão do cultivo do milho em Sergipe, e
políticas relativas ao o efeito do Zoneamento Agrícola de Risco Climático (ZARC), uma
política agrícola executada pela Embrapa que exerceu um efeito superior na
produtividade do milho no Território Rural do Sertão Ocidental (TRSO) sergipano em
comparação aos municípios vizinhos de outras mesorregiões.
Vale salientar que todo agreste e leste desses Estados, e parte do Nordeste baiano,
vem experimentando um forte crescimento relativo a expansão agrícola, em uma nova
fronteira agrícola denominada SEALBA (Silva et al, 2020), com alto potencial para
agricultura mecanizada. Tais efeitos da produção de grãos no SEALBA, como o milho,
se deu após o ano de 2010, logo, tal efeito ainda não foi detectado no período de análise
dessa pesquisa: 1981-2010.
Os modelos simularam melhor a variabilidade da produção de milho no sertão
alagoano (r = 0,79) e no leste sergipano (r = 0,71), nas demais mesorregiões, foi eficiente
em acompanhar as tendências e alguns picos da produção observada.

Figura 14. Mesmo da Figura 8, mas para as mesorregiões de Alagoas: (a) sertão, (b)
agreste e (c) leste alagoano.

34

Figura 15. Mesmo da Figura 8, mas para as mesorregiões de Sergipe: (a) sertão, (b)
agreste e (c) leste sergipano.
4.9 Resultados por Estado – Bahia
Maior estado do NEB, a Bahia possui sete mesorregiões, o extremo oeste baiano,
o vale são-franciscano baiano, o nordeste, centro-norte, metropolitana de Salvador,
centro-sul e sul baiano. A produção média de 1981 a 2010 variou de 521 kg/ha no centronorte baiano a 2158 kg/ha no extremo oeste baiano, em torno de 650 kg/ha no vale do
São Francisco, centro-sul e nordeste da Bahia, e em torno de 820 kg/ha na região
metropolitana de Salvador e no sul baiano. Pela sua extensão e diferentes formas de
cultivo, a Bahia é um exemplo clássico de um Estado que possui três classes distintas de
produtividade: alta produtividade no extremo oeste, relacionado a área do estado inserido
no MATOPIBA, produtividade moderada no sul e região metropolitana de Salvador, e
baixa produtividade nas demais mesorregiões. O maior desafio no desenvolvimento de
qualquer modelo é conseguir que ele capte picos aleatórios e tendência de uma série
temporal. Nesse caso mais específico, o desafio seria o modelo captar a mudança abrupta
no patamar de produtividade observada no extremo oeste baiano a partir da década de
1990 com o avanço da fronteira agrícola nesse setor do Estado (Santos, 2018). A Figura
16a mostra a simulação versus a observação no extremo oeste baiano, e torna-se evidente
que o modelo captou o novo patamar médio de produção, que saltou de uma média
aproximada de 1000 kg/ha entre 1981 e 1990, para uma média de aproximadamente 2700
kg/ha entre 1991 e 2010, com tendência de novo aumento no final da série, com uma
correlação de 0,68 entre valores simulados e observados. Nas demais mesorregiões, como
observado nas análises para os demais estados, percebe-se que o modelo possui destreza
e acompanha o comportamento observado. Nas demais mesorregiões, as correlações entre
simulações e observações foi de 0,43 no vale do São Francisco, a mais baixa entre as
mesorregiões (Figura 16b), 0,67 no nordeste baiano (Figura 16c), 0,72 no centro-norte
baiano (Figura 16d), 0,69 na região metropolitana de Salvador (Figura 16e), 0,67 no
centro-sul baiano (Figura 16f), e 0,69 no sul baiano (Figura 16g).
35

Figura 16. Mesmo da Figura 8, mas para as mesorregiões da Bahia: (a) extremo oeste,
(b) vale do São Francisco, (c) nordeste, (d) centro-norte, (e) metropolitana de Salvador,
(f) centro-sul e (g) sul da Bahia.
4.10 Interação Oceano-Atmosfera x Produção
As análises da performance do modelo construído baseado em ACC mostraram
que, em todas as mesorregiões do Nordeste, a produção observada anual do milho pode
ser bem simulada por essa natureza de modelos estatísticos. Observou-se também a
grande variabilidade interanual da produção, que foi bem captada pelo modelo. No
entanto, o clima do NEB é complexo, e a distribuição das chuvas é a resposta de vários
fenômenos oceânicos e atmosféricos conectados entre si. Estudos clássicos já
demonstraram a relação entre o El Niño-Oscilação Sul e a variabilidade intrasazonal e
interanual da ZCIT (Philander 1990; Trenberth 1997). O dipolo de anomalias da
36

temperatura da superfície do mar no atlântico norte e sul exercem igualmente forte
influência na dinâmica de chuvas do NEB (Moura e Shukla, 1981; Nobre e Shukla, 1996)
Como esses fenômenos em suas diferentes fases ocorrem simultaneamente, pode-se ter
até nove diferentes combinações ao relacionar as fases do ENOS e do DA: DA negativo
+ Pacífico negativo (La Niña), DA negativo + Pacífico neutro, DA negativo + Pacífico
positivo (El Niño), DA neutro + Pacífico negativo, DA neutro + Pacífico neutro, DA
neutro + Pacífico positivo, DA positivo + Pacífico negativo, DA positivo + Pacífico
neutro e DA positivo + Pacífico positivo.
Cada ano entre 1981 e 2010 foi classificado a partir dessas combinações,
conforme demonstrado na Tabela 3, e em seguida foram obtidos os desvios percentuais
da produção média para cada par das combinações em relação a produção média
observada de cada mesorregião no período 1981-2010. A classificação das fases do
Pacífico foi realizada baseada no índice oceânico de Niño (ONI, de sua sigla em inglês,
https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_v5.php),
descrito em Huang et al (2017), e das fases do DA na diferença entre anomalias da TSM
em área do Atlântico norte de 5.5°N a 23.5°N e de 15°W a 57.5°W, com anomalias da
TSM em área do Atlântico sul de 0° a 20°S e de 10°E a 20°W
(https://psl.noaa.gov/data/correlation/tna.data;https://psl.noaa.gov/data/correlation/tsa.da
ta) (Enfield et al, 1999; Servain et al, 2003).
Tabela 4. Anos compostos classificados de acordo com as definições dos eventos
climáticos observados nos oceanos Pacífico e Atlântico. DIP: dipolo do Atlântico; Pac:
Pacífico; Neg: negativo; Neu: neutro; Pos: positivo.
Variáveis climáticas
DipNeg/PacNeg
DipNeg/PacNeu
DipNeg/PacPos
DipNeu/PacNeg
DipNeu/PacNeu
DipNeu/PacPos
DipPos/PacNeg
DipPos/PacNeu
DipPos/PacPos

Anos
1984, 1985, 1986, 1989, 2000, 2008
1991, 1994
1988, 1995, 2003, 2009, 2010
1996, 1999
1982, 1990, 1993, 2004
1987, 1998, 2002, 2006, 2007
1997
1980, 1981, 2001, 2005
1983, 1992

A Figura 17 mostra os desvios percentuais médios da produção para as
combinações DipNeg/PacNeg (a), DipNeg/PacNeu (b) e DipNeg/PacPos (c). As
mesorregiões no interior semiárido entre os estados do Piauí, Ceará, Rio Grande do Norte,
Paraíba e Pernambuco apresentaram em sua maioria ganho de rendimento, com exceção
do norte, oeste e sul maranhense, e extremos oeste da Bahia para a combinação Dipolo
negativo e Pacífico negativo (Figura 17a), todas as mesorregiões do Maranhão, do centroleste da Bahia, de Sergipe e agreste e leste alagoanos para a combinação Dipolo negativo
e Pacífico neutro (Figura 17b). A combinação dos anos com Dipolo negativo e Pacífico
positivo foi a que apresentou a maior parte das mesorregiões com aumento médio da
produção, com destaque para todo o norte do NEB, Alagoas e Sergipe no leste do NEB,
e as mesorregiões do oeste baiano, vale do São Francisco, nordeste, metropolitana de
37

Salvador e sul baiano (Figura 17c), chegando a mais de 60% em relação a média no sertão
sergipano.

Figura 17. Desvio médio da produção em relação à média do período 1981-2010 de anos
classificados sob a influência de Dipolo do Atlântico negativo e (a) Pacífico negativo, (b)
Pacífico neutro e (c) Pacífico positivo.
Sob condições neutras do DA, a maior parte das mesorregiões do norte do NEB
apresentam desvios positivos de produção em relação à média, ocorrendo o contrário na
maior parte das mesorregiões do leste do NEB (Figura 18a). Para a combinação DA
neutro e Pacífico neutro, com exceção de poucas mesorregiões que apresentaram um
baixo desvio positivo da produção, a maior parte das mesorregiões apresentaram desvios
negativos, ou seja, com produção inferior a média, de até -60% no sudeste piauiense
(Figura 18b). A combinação DA neutro e Pacífico positivo não apresenta homogeneidade,
com mesorregiões alternando desvios positivos e negativos, com os negativos mais
concentrados nas mesorregiões do Piauí e Pernambuco, e os positivos no centro-oeste
maranhense, centro-sul cearense, e extremo leste do NEB (Figura 18c).

Figura 18. Desvio médio da produção em relação à média do período 1981-2010 de anos
classificados sob a influência de Dipolo do Atlântico neutro e (a) Pacífico negativo, (b)
Pacífico neutro e (c) Pacífico positivo.
Por fim, tem-se a análise das combinações para DA positivo e as fases do Pacífico.
Para DA positivo e Pacífico negativo, a porção oeste do NEB que envolve a maior parte
38

das mesorregiões do Maranhão, Piauí e algumas do Ceará, Rio Grande do Norte e Paraíba,
apresentaram em média redução no percentual de produção, fato também observado em
mesorregiões do leste do NEB de Pernambuco a Bahia (Figura 19a). A combinação DA
positivo e Pacífico neutro (Figura 19b) já evidenciaram a maior parte do centro-leste do
NEB com desvios negativos da produção, com exceção relevante em mesorregiões do
Maranhão e no sudoeste piauiense. Já a combinação DA positivo e Pacífico positivo
representou a situação mais prejudicial a produção de milho, superando -80% no sul
maranhense e sudeste piauiense, a exceção nesse caso se deu apenas para as mesorregiões
centro-sul, metropolitana de Salvador e sul da Bahia (Figura 19c).
Tal fato já foi investigado e os resultados para essa última combinação vão ao
encontro dos resultados obtidos por Alves et al (2009), ao investigar a influência das
diferentes fases do Pacífico e Atlântico na produção de milho e feijão para o Ceará entre
1952 e 2000.

Figura 19. Desvio médio da produção em relação à média do período 1981-2010 de anos
classificados sob a influência de Dipolo do Atlântico positivo e (a) Pacífico negativo, (b)
Pacífico neutro e (c) Pacífico positivo.

5. CONCLUSÕES
O modelo baseado em ACC, relacionando preditor (chuva acumulada no semestre
mais chuvoso, ou “estação de cultivo”) e preditando (produção do milho por mesorregiões
do NEB), apresentou, na maior parte das mesorregiões, correlações moderadas a altas,
corroborando sua eficácia em captar o comportamento das séries temporais das
observações. Foi observado que já existia correlações estatisticamente significantes
relacionando de forma simples a chuva acumulada com a produção, mas o modelo de
ACC apresentou simulações que foram mais próximas dos valores observados,
aumentando a correlação ao utilizar a chuva acumulada como preditora da produção
observada.
Existe uma relação estatística bem definida entre a variabilidade climática dos
Oceanos tropicais (Pacífico e Atlântico) e a produção do milho, o que deve ocorrer por
similaridade com outros cultivos. Para agricultura de sequeiro, como se dá a maior parte
da agricultura familiar do NEB, em geral para anos com a combinação de dipolo do
Atlântico negativo e Pacífico negativo (La Niña), houve desvios positivos na produção
39

em relação à média, o que se repetiu mesmo na combinação entre dipolo negativo e
Pacífico positivo (El Niño), evidenciando que as condições de TSMs do Atlântico tendem
a impactar mais o clima do NEB que as do Pacífico, possivelmente inibindo efeitos
negativos (redução das chuvas) associadas a eventos de El Niños fracos e/ou moderados,
uma vez que estudos já demonstraram que em casos excepcionais de El Niños muito
fortes sua influência sobre a redução de chuvas no NEB se sobrepõem a influenciam de
uma condição de dipolo negativo. Para condições de dipolo do Atlântico neutro, os
resultados mais expressivos se deram da combinação com Pacífico negativo, que resultou
em desvios positivos da produção no norte do NEB, e um resultado surpreendente veio
da combinação de dipolo neutro e Pacífico neutro, com redução (desvios percentuais
negativos) da produção na maior parte das mesorregiões nordestinas.
Por fim, analisando as três combinações do Pacífico com a condição do dipolo do
Atlântico positivo, o resultado de desvios negativos da produção para dipolo positivo e
pacífico positivo (El Niño) foi confirmado, com maior efeito para o norte do NEB, com
algumas mesorregiões com perdas relativas superiores a 90% em relação a média
observada de produção do período.

6. REFERENCIAS BIBLIOGRAFICAS
ABIMILHO. Associação Brasileira das Indústrias de Milho (2020). Milho. Disponível
em: <http://www.abimilho.com.br/milho/cereal>. Acesso em: 25 Março.
ADAMS, M.W.; GRAFIUS, J.E. Yield componente compesation alternative
interpretations. Crop Sci., Madson, v. 11, p. 33-35, 1971.
ALVALA, R.C.S.; CUNHA, A.P.M.A.; BRITO, S.S.B.; SELUCHI, M.E.; MARENGO,
J.A.; MORAES, O.L.L.; CARVALHO, M.A. Drought monitoring in the Brazilian
Semiarid region. Anais da Academia Brasileira de Ciências, v. 91, p. 1–15, 2017.
ALVARENGA, R.P.; QUEIROZ, T.R.; NADAE, J. Risco tóxico e potencial perigo
ambiental no ciclo de vida da produção de milho. Espacios, v.38 (1), , p.12, 2017.
ALVES, J.M.; REPELLI, C.A. A variabilidade pluviométrica no setor norte do nordeste
e os eventos El Nino-Oscilação Sul (ENOS). Revista Brasileira de Meteorologia, v. 7,
p. 583–592, 1992.
ALVES, J.M.B. Recentes variações climáticas no Nordeste do Brasil com ênfase a
precipitação: Relações com o ENOS, dipolo de temperatura da superfície do mar no
atlântico tropical e a oscilação decadal do pacífico. Revista de Geografia (UFPE) V. 29,
No. 3, 2012.
ALVES, B.M.; CARGNELUTTI FILHO, A.; BURIN, C. Multicollinearity in canonical
correlation analysis in maize. Genetics and Molecular Research, v. 16(1), p. 1–14,
2017.

40

ARIEL ORTIZ-BOBEA,; TOBY R. AULT,; CARLOS M. CARRILLO,; ROBERT G.
CHAMBERS & DAVID B. LOBELL Anthropogenic climate change has slowed global
agricultural productivity growth. Nature Climate Change, v. 11, p. 306-312, 2021.
ANDRADE, J.A.; ABREU, F.G. Influência da temperatura e do teor de humidade do solo
na área foliar e acumulação de matéria seca durante o estabelecimento da ervilha, do
milho e do girassol. Revista de Ciencias Agrarias, v. 30, n. 2, p. 27-37, 2007.
BARNETT, T.P.; PREISENDORFER, R. Origins and levels of monthly and seasonal
forecast skill for United States surface air temperatures determined by canonical
correlation analysis. Monthly Weather Review, v. 115, p. 1825–1850, 1987.
BARNSTON, A.G. Linear statistical short-term climate predictive skill in the Northern
Hemisphere. Journal of Climate, v. 7, p. 1513–1564, 1994.
BARNSTON, A.G.; SMITH, T.M. Specification and prediction of global surface
temperature and precipitation from global SST using CCA. Journal of Climate, v. 9, p.
2660-2697, 1996.
BARNSTON, A.G.; TIPPETT, M.K. Do Statistical Pattern Corrections Improve Seasonal
Climate Predictions in the North American Multimodel Ensemble Models? Journal of
Climate, v. 30, p. 8335-8355, 2017.
BARRETO, N.J.C.; MESQUITA, M.S.; MENDES, D.; SPYRIDES, M.H.C.; PEDRA,
G.U.; LUCIO, P.S. Maximum covariance analysis to identify intraseasonal oscillations
over tropical Brazil. Climate Dynamics, v. 49, p. 1583–1596, 2017.
BARROS, J.F.C.; CALADO, J.G. A cultura do milho. Évora: Universidade de Évora,
52 p, 2014.
BERGAMASCHI, H.; MATZENAUER, R. Parte II - Cultivos temporários: milho. In:
Instituto Nacional de Meteorologia. INMET. (Org.). Agrometeorologia dos cultivos
O fator meteorológico na produção agrícola. Brasília: INMET, p.240-260, 2009.
BOX, G.E.P.; JENKINS, G.M. Time Series Analysis: Forecasting and Control,
Revised Edition, San Francisco: Holden Day, 1976.
BUSKE, T.C.; ROBAINA, A.D.; PEITER, M.X.; TORRES, R.R. Modelos
agrometeorológicos para estimativa e comparativo de quebra de produtividade da cultura
do milho. Irriga, v. 24, n. 4, p. 693-703, 2019.
BUSUIOC, A.; TOMOZEIU, R.; CACCIAMANI, C. Statistical downscaling model
based on canonical correlation analysis for winter extreme precipitation events in the
Emilia-Romagna region. International Journal of Climatology, v. 28, p. 449-464, 2008.
CARVALHO, M.; ÂNGELO, V.; OYAMA, M.D. Variabilidade da largura e intensidade
da Zona de Convergência Intertropical atlântica: Aspectos observacionais. Revista
Brasileira de Meteorologia, v. 28, p. 305–316, 2013.
41

CHOWDHURY, R.; CHU, P-S.; SCHROEDER, T.; COLASACCO, N. Seasonal sealevel forecasts by canonical correlation analysis – an operational scheme for the U.S.affiliated Pacific Islands. International Journal of Climatology, v. 27, p. 1389-1402,
2007.
CHU, P-S.; HE, Y. Long-Range prediction of Hawaiian winter rainfall using Canonical
Correlation Analysis. International Journal of Climatology, v. 14, p. 659-669, 1994.
CHU, P-S. Short-Term climate prediction of Mei-Yu rainfall for Taiwan using Canonical
Correlation Analysis. International Journal of Climatology, v. 18, p. 215-224, 1998.
CORDEIRO, E.S.; FEDOROVA, N.; LEVIT, V. Synoptic and thermodynamic analysis
of events with thunderstorms for alagoas state in a period of 15 years (1998–2012).
Revista Brasileira de Meteorologia, v. 33, p. 685–694, 2018.
COSTA, R.L.; DE SOUZA, E.P.; SILVA, F.D.D.S. Aplicação de uma teoria
termodinâmica no estudo de um Vórtice Ciclônico de Altos Níveis sobre o nordeste do
Brasil. Revista Brasileira de Meteorologia, v. 29, p. 96–104, 2014.
COSTA, R.L.; BAPTISTA, G.M.M.; GOMES, H.B.; SILVA, F.D.S.; DA ROCHA
JÚNIOR, R.L.; SALVADOR, M.A.; HERDIES, D.L. Analysis of climate extremes
indices over northeast Brazil from 1961 to 2014. Weather and Climate Extremes, v.
28, 100254, 2020.
CUNHA, A.P.M.A.; ALVALÁ, R.C.S.; NOBRE, C.A.; CARVALHO, M.A. Monitoring
vegetative drought dynamics in the Brazilian semiarid Region. Agricultural and Forest
Meteorology, v. 214, p. 494-505, 2015.
CUNHA, A.P.M.A.; TOMASELLA, J.; RIBEIRO-NETO, G.G.; BROWN, M.;
GARCIA, S.R.; BRITO, S.B.; CARVALHO, M.A. Changes in the spatial-temporal
patterns of droughts in the Brazilian Northeast. Atmospheric Science Letters, v. 19,
e855, 2018.
CUNHA, A.P.M.A.; ZERI, M.; LEAL, K.D.; COSTA, L.; CUARTAS, L.A.;
MARENGO, J.A.; TOMASELLA, J.; VIEIRA, R.M.; BARBOSA, A.A.;
CUNNINGHAM, C.; et al. Extreme Drought Events over Brazil from 2011 to 2019.
Atmosphere, v. 10, p. 642, 2019.
DEVIDE, A.C.P.; RIBEIRO, R.L.D.; VALLE, T.L.; ALMEIDA, D.L.; CASTRO, C.M.;
FELTRAN, J. C. Produtividade de raízes de mandioca consorciada com milho e caupi em
sistema orgânico. Bragantia, v. 68, n. 1, p. 145-153, 2009.
DÍAZ, D.; VILLEGAS, N. Canonical Correlation between large scale climate oscillations
and surface meteorological variables in Colombia. Revista U.D.C.A Actualidad &
Divulgación Científica, v. 18 (2), p. 543 - 552, 2015.
EMBRAPA, Cultivo do Milho. 6 ª edição Set./2010

42

ESQUIVEL A. Predictability of seasonal precipitation across major crop growing areas
in Colombia. Climate Services Volume 12 Pages 36-47, December, 2018
FERREIRA, D.B.; MELLO, L.T.A.; LUCIO, P.S.; FORTES, L.T.G.; BALBINO, H.T.;
SALVADOR, M.A.; SANTOS, L.A.R.S.; SILVA, F.D.S. Análise da influência da
variabilidade da temperatura da superfície do mar sobre a produtividade de soja no Estado
do Paraná utilizando o “Climate Predictability Tool”. In: XIV Congresso Brasileiro de
Meteorologia, Florianópolis, 2006.
GARNETT, E.R.; KHANDEKAR, M.L. The impact of large-scale atmospheric
circulations and anomalies on Indian monsoon droughts and floods and on world grain
yields - a statistical analysis. Agricultural and Forest Meteorology, v. 61, p. 113-128,
1992.
GASPAR, N.A.; APARECIDO, L.E.O.; ROLIM, G.S.; SOUZA, P.S.; BOTELHO, T.G.
Software for the management of weather stations and for agrometeorological
calculations. Australian Journal of Crop Science, v.9 (6), p.545-551, 2015.
GOMES, H.B.; AMBRIZZI, T.; HERDIES, D.L.; HODGES, K.; DA SILVA, B.F.P.
Easterly Wave Disturbances over Northeast Brazil: An Observational Analysis.
Advances in Meteorology, v. 2015, p. 1–20, 2015.
GOMES, H.B.; AMBRIZZI, T.; DA SILVA, B.F.P.; HODGES, K.; DIAS, P.L.S.;
HERDIES, D.L.; SILVA, M.C.L.; GOMES, H.B. Climatology of easterly wave
disturbances over the tropical South Atlantic. Climate Dynamics, v. 53, p. 1393–1411,
2019.
HASTENRATH, S. Interannual Variability and Annual Cycle: Mechanisms of
Circulation and Climate in the Tropical Atlantic Sector. Monthly Weather Review, v.
112, p. 1097–1107, 1984.
HASTENRATH, S.; GREISCHAR, L. Circulation mechanisms related to northeast
Brazil rainfall anomalies. Journal of Geophysical Research. Space Physics. v.98, p.
5093–5102, 1993.
HASTENRATH, S. Exploring the climate problems of Brazil’s Nordeste: a review.
Climatic Change, v. 112, p. 243–251, 2012.
HOLT, C.C. Forecasting seasonals and trends by exponentially weighted moving
averages. ONR Research Memorandum, Carnigie Institute 52, 1957.
HOPKINS, W.G. A New View of Statistics: Correlation Coefficient. New York:
Internet Society for Sport Science, 2009.
HOTELLING, H, 1936. Relations between two sets of variates. Biometrika 28, 321.
JOHANSSON, A.; BARNSTON, A.; SAHA, S.; VAN DEN DOOL, H.M. On the level
and origin of seasonal forecast skill in northern Europe. Journal of the Atmospheric
Science, v. 55, p. 103–127, 1998.
43

JUNENG, L.; TANGANG, F. Level and source of predictability of seasonal rainfall
anomalies in Malaysia using canonical correlation analysis. International Journal of
Climatology, v. 28, p. 1255-1267, 2008.
KATZ, R.W.; PARLANGE, M.B.; TEBALDI, C. Stochastic modelling of the effects of
large-scale circulation on daily weather in the southeastern US. Climatic Change, v. 60,
p. 189-216, 2003.
KAYANO, M.T.; ANDREOLI, R.V. Decadal variability of northern northeast Brazil
rainfall and its relation to tropical sea surface temperature and global sea level pressure
anomalies. Journal of Geophysical Research, v. 109, C11, 2004.
KAYANO, M.T.; ANDREOLI, R.V. Relationships between rainfall anomalies over
northeastern Brazil and the El Niño–Southern Oscillation. Journal of Geophysical
Research: Space Physics, v. 111, 13102, 2006.
KAYANO, M.T.; CAPISTRANO, V.P. How the Atlantic Multidecadal Oscillation
(AMO) modifies the ENSO influence on the South American rainfall. International
Journal of Climatology, v. 34, p. 162–178, 2014.
KOUSKY, V.E. Frontal Influences on Northeast Brazil. Monthly Weather Review, v.
107, p. 1140–1153, 1979.
KOUSKY, V.E.; GAN, M.A. Upper tropospheric cyclonic vortices in the tropical South
Atlantic. Tellus, v. 33, p. 538–551, 1981.
KOUSKY, V.E.; KAYANO, M.T. Principal Modes of Outgoing Longwave Radiation
and 250-mb Circulation for the South American Sector. Journal of Climate, v. 7, p.
1131–1143, 1994.
LANDMAN, W.A.; MASON, S.J. Operational Long-Lead prediction of South African
rainfall using Canonical Correlation Analysis. International Journal of Climatology, v.
19, p. 1073-1090, 1999.
LIM, Y.; JO, S.; LEE, J.; OH, H-S.; KANG, H-S. An improvement of seasonal climate
prediction by regularized canonical correlation analysis. International Journal of
Climatology, v. 32, p. 1503-1512, 2012.
LUCIO, P.S.; SILVA, F.D.S.; FORTES, L.T.G.; SANTOS, L.A.R.; FERREIRA, D.B.;
SALVADOR, M.A.; BALBINO, H.T.; SARMANHO, G.F.; SANTOS, L.S.F.C.;
LUCAS, E.W.M.; BARBOSA, T.F.; DIAS, P.L.S. Um Modelo Estocástico Combinado
de Previsão Sazonal para a Precipitação no Brasil. Revista Brasileira de Meteorologia,
v. 25, p. 70-87, 2010.
MARENGO, J.A.; TORRES, R.R.; ALVES, L.M. Drought in Northeast Brazil-past,
present, and future. Theoretical and Applied Climatology, v. 129, p. 1189-1200, 2016.
MARENGO, J.A.; ALVES, L.M.; ALVALA, R.C.C.; CUNHA, A.P.M.A.; BRITO, S.B.;
MORAES, O.L.L. Climatic characteristics of the 2010–2016 drought in the semiarid
44

Northeast Brazil region. Anais da Academia Brasileira de Ciências, v. 90, p. 1973–
1985, 2018.
MARTÍN, N.F.; BOLLERO, G.; BULLOCK, D.G. Associations between field
characteristics and soybean plant performance using canonical correlation analysis. Plant
and Soil, v. 273, p. 39–55, 2005.
MARTINS, M.A.; ALVALÁ, R.C.S.; TOMASELLA, J. Modelos de produtividade
agrícola aplicados à agricultura de sequeiro: Limitações e vantagens para avaliação de
colapso de safras. ACSA – Agropecuária Científica no Semiárido, v.10 (4), p 41-48,
2014.
MARTINS, M.A.; HOCHRAINER-STIGLER, S.; PFLUG, G. Vulnerability of
Agricultural Production in the Brazilian Semi-Arid: An Empirical Approach including
Risk. Journal of Integrated Disaster Risk Management, v. 7(1), p. 1 - 23, 2017.
MARTINS, M.A.; TOMASELLA, J.; RODRIGUEZ, D.A.; ALVALÁ, R.C.;
GIAROLLA, A.; GAROFOLO, L.L.; JÚNIOR, J.L.S.; PAOLICCHI, L.T.; PINTO, G.L.
Improving drought management in the Brazilian semiarid through crop forecasting.
Agricultural Systems, v. 160, p. 21-30, 2018.
MARTINS, E.S.P.R.; COELHO, C.A.S.; HAARSMA, R.; OTTO, F.E.L.; KING, A.D.;
VAN OLDENBORGH, G.J.; KEW, S.; PHILIP, S.; JÚNIOR, F.C.V.; CULLEN, H. A
multimethod attribution analysis of the prolonged northeast Brazil hydrometeorological
drought (2012–16). Bulletin of the American Meteorological Society, v. 99, p. 65-69,
2018.
MARTINS, M. A.; TOMASELLA, J.; DIAS, C. G. Maize yield under a changing climate
in the Brazilian Northeast: Impacts and adaptation. Agricultural Water Management,
v. 216, p. 339-350, 2019.
MELO, T.M.; WOTTRICH, I.; LOUZADA, J.A.; HELFER, F. Avaliação do atendimento
da demanda hídrica da cultura do milho através da subirrigação. Revista Brasileira de
Agricultura Irrigada, v.4 (4), p.226–233, 2010.
MOURA, A.D.; SHUKLA, J. On the dynamics of droughts in northeast Brazil:
Observations, theory and numerical experiments with a general circulation model.
Journal of Atmospheric Sciences, v. 38, p. 2653–2675, 1981.
OLIVEIRA, G.C.S; ALVES, K.M.A.S.; NÓBREGA, R.S. Sistemas Atmosféricos
Dinâmicos de Grande Escala Responsáveis pela Ocorrência de Chuva no Nordeste
Brasileiro. In: II Workshop de Mudanças Climáticas e Recursos Hídricos de
Pernambuco, 2010, Recife. Mudanças Climáticas e Recursos Hídricos. Recife, 2010.

OLIVEIRA, C.P.; KAYANO, M.T. EFEITOS DO ENOS NA PRECIPITAÇÃO NA
AMÉRICA DO SUL ANTES E DEPOIS de 1977. Acta de las Jornadas Científicas de
la Asociación Meteorológica Española. Edição 30, 2020.
45

PRATES, J.E.; SEDYAMA, G.C.; VIEIRA, H.A. Clima e produção agrícola. Informe
Agropecuário, Belo Horizonte-MG, v. 12, n. 138, p. 18 - 22, 1986.
RADIN, B.; BERGAMASCHI, H.; SANTOS, A.O.; BERGONCI, J.I.; FRANÇA, S.
Evapotranspiração da cultura do milho em função da demanda evaporativa atmosférica e
do crescimento das plantas. Pesquisa Agropecuária Gaúcha, v. 9 (1-2), p. 7-16, 2003.
RAO, V.B.; DE LIMA, M.C.; FRANCHITO, S.H. Seasonal and Interannual Variations
of Rainfall over Eastern Northeast Brazil. Journal of Climate, v. 6, p. 1754–1763, 1993.
RENATO, N.S.; SILVA, J.B.L.; SEDIYAMA, G.C.; PEREIRA, E.G. Influência dos
métodos para cálculo de graus-dia em condições de aumento de temperatura para as
culturas de milho e feijão. Revista Brasileira de Meteorologia, v.28 (4), p. 382-388,
2013.
ROCHA JÚNIOR, R.L.; DOS SANTOS SILVA, F.D.; LISBOA COSTA, R.; BARROS
GOMES, H.; HERDIES, D.L.; RODRIGUES DA SILVA, V.P.; CANDIDO XAVIER,
A. Analysis of the Space-Temporal Trends of Wet Conditions in the Different Rainy
Seasons of Brazilian Northeast by Quantile Regression and Bootstrap Test. Geosciences,
v. 9, p. 457, 2019.
ROCHA JÚNIOR,.L.; DOS SANTOS SILVA, F.D.; LISBOA COSTA, R.; BARROS
GOMES, H.; CAVALCANTE PINTO, D.D.; HERDIES, D.L. Bivariate Assessment of
Drought Return Periods and Frequency in Brazilian Northeast Using Joint Distribution
by Copula Method. Geosciences, v. 10, p. 135, 2020.
SALVADOR, M.A.; BRITO, J.I.B. Trend of annual temperature and frequency of
extreme events in the MATOPIBA region of Brazil. Theoretical and Applied
Climatology, v. 133, p. 253-261, 2018.
SBRUSSI, C.A.G.; ZUCARELI, C. Germinação de sementes de milho com diferentes
níveis de vigor em resposta à diferentes temperaturas. Semina: Ciências Agrárias,
Londrina, v. 35 (1), p. 215-226, 2014.
SCHWERZ, F.; CARON, B.O.; ELLI, E.F.; OLIVEIRA, D.M.; MONTEIRO, G.C.;
SOUZA, V.Q. Avaliação do efeito de doses e fontes de nitrogênio sobre variáveis
morfológicas, interceptação de radiação e produtividade do girassol. Revista Ceres,
Viçosa, v. 63 (3), p. 380-386, 2016.
SILVA, J.W.; SOARES, L.; FERREIRA, P.V.; SILVA, P.P.; SILVA, M.J.C. Canonical
correlations of agro-industrial characteristics in sugarcane. Acta Scientiarum.
Agronomy, v. 29(3), p. 345-349, 2007.
SILVA, V.B.S.; KOUSKY, V.E.; SILVA, F.D.S.; SALVADOR, M.A.; ARAVEQUIA,
J.A. The 2012 severe drought over Northeast Brazil. Bulletin of the American
Meteorological Society, v. 94, S240, 2013.

46

SILVA, F. D. S.; ROCHA JUNIOR, R. L.; COSTA, R. L. ; SILVA, D. F. ; PEREIRA,
M. P. S. . SEALBA, Características Climáticas da Nova Fronteira Agrícola
Brasileira. In: André Becker Nunes; Glauber Lopes Mariano. (Org.). Meteorologia em
Tópicos-Volume 7. 1ed.: DR LTDA, 2020, v. 7, p. 200-246.
SINGH, A.; ACHARYA, N.; MOHANTY, U.C.; MISHRA, G. Performance of Multi
Model Canonical Correlation Analysis (MMCCA) for prediction of Indian summer
monsoon rainfall using GCMs output. Comptes Rendus Geoscience, v. 345(2), p. 6272, 2012.
SOUZA, A.E.; REIS, J.G.M.; RAYMUNDO, J.C.; PINTO, R.S. Estudo da produção do
milho no Brasil. South American Development Society Journal, v. 4(11), p. 182–194,
2018.
STEVENS, K.; RUSCHER, P.H. Large scale climate oscillations and mesoscale surface
meteorological variability in the Apalachicola Chattahoochee-Flint River Basin. Journal
of Hydrology, v. 517, p. 700-714, 2014.
TORCANO, E.M.M.; REISEN, V.A. The Use of Canonical Correlation Analysis to
Identify the Order of Multivariate ARMA Models: Simulation and Application. Journal
of Forecasting, v. 19, p. 441-455, 2000.
WILKS, D.S. Statistical Methods in the Atmospheric Sciences, 3rd ed.; Academic
Press: Cambridge, MA, USA, 2011.
WINTERS, P.R. Forecasting sales by exponentially weighted moving averages.
Management Science, v. 6, p. 324-342, 1960.
XAVIER, T.M.B. Interrelações Entre Eventos ENOS (ENSO), a ZCIT (ITCZ) no
Atlântico e a Chuva nas Bacias Hidrográficas do Ceará. RBRH - Revista Brasileira de
Recursos Hídricos, v. 2, n. 2, 2003.
XAVIER, T. DE MA. B. S.; XAVIER, A. F. S. O Planeta Terra: Aquecimento Global
e Mudanças Climáticas. BSBMET, v.30, n.4, p.73-79, 2007.

ZAKARIA H. Assessment of Better Prediction of Seasonal Rainfall by Climate
Predictability Tool Using Global Sea Surface Temperature in Bangladesh. Asian Journal
of Advanced Research and Reports, v. 4, n. 4, p. 1-13, 2019.

47