THAYWANNE (2021).pdf
Documento PDF (4.5MB)

Exibir conteúdo Baixar

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

THAYWANNE NOVAES DE ALMEIDA

IMPACTOS NA PRODUTIVIDADE DO FEIJÃO NA REGIÃO NORDESTE DO
BRASIL SOB CONDIÇÕES DO CENÁRIO CLIMÁTICO RCP 4.5

MACEIÓ-AL
2021

THAYWANNE NOVAES DE ALMEIDA

IMPACTOS NA PRODUTIVIDADE DO FEIJÃO NA REGIÃO NORDESTE DO
BRASIL SOB CONDIÇÕES DO CENÁRIO CLIMÁTICO RCP 4.5

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

MACEIÓ-AL
2021

Á minha família, em especial, ao meu filho.

AGRADECIMENTOS

Primeiramente, a Deus, pelo dom da vida e a graça da fé, que não me permitiu
fraquejar e desistir, e honrou-me com a bênção alcançada.
Aos meus amigos de curso, que por diversos momentos, compartilharam seus
conhecimentos e sempre estiveram solícitos em ajudar.
Aos professores do PPGMET que fizeram parte dessa caminhada, incentivaram e
contribuíram para meu aprendizado, em especial, ao meu orientador Fabrício, que
se fez presente e contribuiu para essa conquista, meus agradecimentos, de maneira
especial, por me apresentar a agrometeorologia e repassar parte da sua
experiência.
A Fundação de Amparo à Pesquisa do Estado de Alagoas – FAPEAL, que apoiou
e potencializou o resultado da nossa pesquisa, com processo de nº
E:600.30.0000000756/2019. A essa instituição, deixo aqui registrado meus
agradecimentos, por contribuir com a ciência e acreditar na educação.
E por fim, a minha família, que sempre me apoiou e acreditou nas minhas
escolhas, sem dúvidas, é o alicerce mais importante da vida.

RESUMO
O feijão é uma leguminosa com variabilidade agronômica, rica em nutrientes e
exigentes em condições climáticas - os índices pluviométricos e as temperaturas, em
geral, são as principais variáveis meteorológicas que afetam o seu desenvolvimento e
produtividade. Na Região Nordeste do Brasil (NEB), a cultura do feijão é uma das mais
praticadas e importantes do ponto de vista socioeconômico, sendo que maior parte do
território do NEB insere-se no clima semiárido, característico de seca e estiagens
prolongadas, fatores que influenciam diretamente o rendimento de safras agrícolas. O
Painel Intergovernamental sobre Mudanças Climáticas (IPCC) aponta uma
predominância positiva do aumento da temperatura média global ao longo dos próximos
anos, que pode ser analisado com base nos cenários de mudanças climáticas. Contudo,
para analisar o impacto das mudanças climáticas na produtividade do feijão no NEB,
foram utilizados dados da produtividade do feijão disponibilizado pelo IBGE de 1817
municípios entre 1974 a 2018. Destes municípios, foi possível calibrar e validar o
modelo agrometeorológico em 73, por apresentarem dados meteorológicos e de
produtividade confiáveis, classificados em três grupos homogêneos (baixa, média e alta
produtividade). Para geração de cenários futuros regionalizados e avaliação dos
impactos das mudanças climáticas na produtividade do feijão foi empregada a técnica
de downscaling estatístico, para o cenário RCP4.5. Foram utilizados seis modelos
climáticos globais que compuseram o quinto relatório do IPCC: o canadense
CANESM2, os franceses CNRM-CM5 e IPSL-CM5A-MR, o americano GFDLESM2M, o alemão MPI-ESMMR, e o modelo norueguês NORESM1-MS. Por meio dos
modelos, observaram-se as áreas do NEB que terão impacto na produtividade, com base
no período climatológico de simulações, para os anos de 2011-2040, 2041-2070 e 20712100. As simulações indicaram que a maior parte dos municípios produtores do NEB
terá sua produtividade reduzida, como consequência direta da tendência de redução
significativa da precipitação acumulada, e de aumento das temperaturas que, por
conseguinte, aumentarão a evapotranspiração potencial.
Palavras-chave:

Modelo

Downscaling Estatístico.

agrometeorológico.

Modelos

Climáticos

Globais.

ABSTRACT
Beans are a legume with agronomic variability, rich in nutrients and demanding in
climatic conditions - rainfall and temperatures, in general, are the main meteorological
variables that affect its development and productivity. In the Northeast Region of Brazil
(NEB), the bean crop is one of the most practiced and important from a socioeconomic
point of view, and most of the NEB territory is part of the semi-arid climate,
characteristic of drought and prolonged droughts, factors that directly influence the
yield of agricultural crops. The Intergovernmental Panel on Climate Change (IPCC)
points to a positive predominance of the increase in global average temperature over the
next few years, which can be analyzed based on climate change scenarios. However, to
analyze the impact of climate change on bean productivity in NEB, bean productivity
data provided by IBGE from 1817 municipalities between 1974 and 2018 were used. Of
these municipalities, it was possible to calibrate and validate the agrometeorological
model in 73, as they presented reliable meteorological and productivity data, classified
into three homogeneous groups (low, medium and high productivity). To generate
regionalized future scenarios and assess the impacts of climate change on edible beans
productivity, the statistical downscaling technique was used for the RCP4.5 scenario.
Six global climate models that made up the fifth IPCC report were used: the Canadian
CANESM2, the French CNRM-CM5 and IPSL-CM5A-MR, the American GFDLESM2M, the German MPI-ESMMR, and the Norwegian model NORESM1-MS.
Through the models, the NEB areas that will have an impact on productivity were
observed, based on the climatological period of simulations, for the years 2011-2040,
2041-2070 and 2071-2100. The simulations indicated that most of the NEB producing
municipalities will have their productivity reduced, as a direct consequence of the
tendency of a significant reduction in accumulated precipitation, and of an increase in
temperatures, which, therefore, will increase the potential evapotranspiration.

Keywords:
Downscaling.

Agrometeorological

model.

Global

Climate

Models.

Statistical

LISTA DE FIGURAS

Figura 1: Forçante radiativa dos RCPs .......................................................................... 22
Figura 2: (a) Distribuição espacial dos 97 municípios do NEB com estações
meteorológicas convencionais do INMET e (b) distribuição espacial dos 73 municípios
utilizadas na pesquisa. .................................................................................................... 27
Figura 3: Análise de agrupamento para três áreas: (a) Distribuição espacial dos
municípios, grupo G1 destacado em vermelho, grupo G2 em azul e grupo G3 em verde;
(b) dendograma dos grupos e (c) grupos selecionados em três diferentes níveis. .......... 38
Figura 4: Distribuição dos municípios com estações meteorológicas utilizadas para
aplicação do modelo agrometeorológico, identificados a cada grupo homogêneo de
produtividade do feijão ao qual pertencem: G1, G2 e G3. ............................................. 38
Figura 5: Produtividades observadas e simuladas do feijão nas cidades de (a) São João
do Piauí (G1), (b) Campina Grande (G2) e (c) Cabrobó (G3). Respectivos parâmetros de
calibração do modelo indicados em destaque nos gráficos. ........................................... 42
Figura 6: Da esquerda para a direita: climatologia a partir de dados observados da
precipitação acumulada anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera). .................................................................................................................... 45
Figura 7: Similar a Figura 6, mas para o modelo CANESM2....................................... 45
Figura 8: Similar a Figura 6, mas para o modelo CNRM-CM5.................................... 46
Figura 9: Similar a Figura 6, mas para o modelo GFDL-ESM2M ............................... 46
Figura 10: Similar a Figura 6, mas para o modelo IPSL-CM5A-MR. .......................... 46
Figura 11: Similar a Figura 6, mas para o modelo MPI-ESM-MR. .............................. 46
Figura 12: Similar a Figura 6, mas para o modelo NORESM1-M. .............................. 47
Figura 13: Similar a Figura 6, mas para o modelo ENSEMBLE. ................................. 47
Figura 14: Diferença entre climatologias simuladas pela média de todos os modelos
(ensemble) e obtida das observações no período 1979-2000. ........................................ 47
Figura 15: Climatologia observada e simuladas por todos os modelos do período 19792000, para São Luís (MA). ............................................................................................. 48
Figura 16: Climatologia observada e simuladas por todos os modelos do período 19792000, para Teresina (PI). ................................................................................................ 48
Figura 17: Climatologia observada e simuladas por todos os modelos do período 19792000, para Fortaleza (CE). .............................................................................................. 48

Figura 18: Climatologia observada e simuladas por todos os modelos do período 19792000, para Natal (RN). ................................................................................................... 49
Figura 19: Climatologia observada e simuladas por todos os modelos do período 19792000, para João Pessoa (PB). ......................................................................................... 49
Figura 20: Climatologia observada e simuladas por todos os modelos do período 19792000, para Recife (PE).................................................................................................... 49
Figura 21: Climatologia observada e simuladas por todos os modelos do período 19792000, para Maceió (AL). ................................................................................................ 49
Figura 22: Climatologia observada e simuladas por todos os modelos do período 19792000, para Aracajú (SE). ................................................................................................ 50
Figura 23: Climatologia observada e simuladas por todos os modelos do período 19792000, para Salvador (BA). .............................................................................................. 50
Figura 24: Da esquerda para a direita: climatologia a partir de dados observados da
temperatura máxima anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera). .................................................................................................................... 52
Figura 25: Da esquerda para a direita: climatologia a partir do ensemble dos MCGs da
temperatura máxima anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera). .................................................................................................................... 52
Figura 26: Diferença entre climatologias simuladas pela média de todos os modelos
(ensemble) para a temperatura mínima e obtida das observações no período 1979-2000.
........................................................................................................................................ 52
Figura 27: Da esquerda para a direita: climatologia a partir de dados observados da
temperatura mínima anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera). .................................................................................................................... 52
Figura 28: Da esquerda para a direita: climatologia a partir do ensemble dos MCGs da
temperatura máxima anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera). .................................................................................................................... 53
Figura 29: Diferença entre climatologias simuladas pela média de todos os modelos
(ensemble) para a temperatura mínima e obtida das observações no período 1979-2000.
........................................................................................................................................ 53

Figura 30: Correlação r entre simulações e observações, para dados agregados em
decêndios, (a) precipitação, (b) temperaturas máximas e (c) temperaturas mínimas. .... 55
Figura 31: Viés entre simulações e observações, para dados agregados em decêndios,
(a) precipitação (mm), (b) temperaturas máximas (°C) e (c) temperaturas mínimas (°C).
........................................................................................................................................ 55
Figura 32: RMSE entre simulações e observações, para dados agregados em decêndios,
(a) precipitação (mm), (b) temperaturas máximas (°C) e (c) temperaturas mínimas (°C).
........................................................................................................................................ 55
Figura 33: Diferenças médias anuais da precipitação acumulado do ensemble dos
modelos para (a) 2011-2040, (b) 2041-2070 e (c) 2071-2100, com as médias 1979-2000.
........................................................................................................................................ 58
Figura 34: Diferenças médias anuais das temperaturas máximas do ensemble dos
modelos para (a) 2011-2040, (b) 2041-2070 e (c) 2071-2100, com as médias 1979-2000.
........................................................................................................................................ 58
Figura 35: Diferenças médias anuais das temperaturas mínimas do ensemble dos
modelos para (a) 2011-2040, (b) 2041-2070 e (c) 2071-2100, com as médias 1979-2000.
........................................................................................................................................ 59
Figura 36: Estimativa média da produtividade do feijão, para o cenário RCP 4.5, para o
calendário 1 e 3, entre o período de 2011 a 2100. .......................................................... 61
Figura 37: Similar à figura 36, mas para os calendários 2 e 10. ................................... 62
Figura 38: Similar à figura 36, mas para o calendário 4. .............................................. 63
Figura 39: Similar à figura 36, mas para o calendário 5. .............................................. 64
Figura 40: Similar à figura 36, mas para os calendários 6, 7, 8 e 9. ............................. 65

LISTA DE TABELAS

Tabela 1: Escala fenológica para o feijão. ..................................................................... 19
Tabela 2: Vantagens e limitações dos principais métodos de downscaling estatístico. 24
Tabela 3: Valores de Kc e Ky para o Feijão. ................................................................. 31
Tabela 4: Descrição dos modelos de circulação geral (MCG) usados neste estudo. .... 35
Tabela 5: Metadados das estações meteorológicas do Grupo 1: Município, unidade da
federação, longitude, latitude, altitude, e respectivas produtividades médias, mínima e
máxima observada relativa ao período 1974-2018. ........................................................ 39
Tabela 6: Mesmo da Tabela 5, mas para estações meteorológicas do Grupo 2. ........... 40
Tabela 7: Mesmo da Tabela 5, mas para estações meteorológicas do Grupo 3. ........... 40
Tabela 8: Calendário de plantio por Estados. ................................................................ 59

LISTA DE SIGLAS
ARM – Armazenamento de Água no Solo
CAD – Capacidade de campo
EMA – Erro Médio Absoluto
ETP – Evapotranspiração Potencial
ETPc – Evapotranspiração Potencial da Cultura
ETPr – Evapotranspiração Real da Cultura
GS – Programa Garantia Safra
IBGE – Instituto Brasileiro de Geografia e Estatística
INMET – Instituto Nacional de Meteorologia
IPCC – Painel Intergovernamental de Mudanças Climáticas
MAPA – Ministério da Agricultura Pecuária e Abastecimento
MCG – Modelos Climáticos Globais
MDE – Modelo de Downscaling Estatístico
NEB – Região Nordeste do Brasil
PDFoi- Densidade de Probabilidade das Observações
PDFpi- Densidade de Probabilidade das Previsões
Pei – Produtividade Final Estimada
Poi – Produtividade Real Observada
PR – Produtividade Real
PREC – Precipitação
PRO – Produtividades Reais Observadas
PRT – Produção Máxima Tecnológica
RCP – Caminho de Concentração Representativa
RMSE – Regressão é o Coeficiente de Determinação
RV – Razão das Variâncias
S – Desvio Padrão
SD – Downscaling Estatístico
SEAF – Seguro da Agricultura Familiar
TN – Temperatura Mínima
TX – Temperatura Máxima

SUMÁRIO
1. INTRODUÇÃO ............................................................................................................. 15
1.1. Objetivos ................................................................................................................. 17
1.1.1. Geral ................................................................................................................. 17
1.1.1.2. Específicos ..................................................................................................... 17
2. REVISÃO BIBLIOGRÁFICA ....................................................................................... 18
2.1 Clima e cultivo do feijão ......................................................................................... 18
2.2 Modelos Agrometeorologicos................................................................................. 20
2.3 Modelos Climáticos Globais e cenários de mudanças climáticas ....................... 21
2.3.1 Cenário RCP4.5 ................................................................................................. 22
2.4 Downscaling Estatístico.......................................................................................... 23
3. MATERIAIS E MÉTODOS ........................................................................................... 27
3.1 Dados e Área de Estudo ......................................................................................... 27
3.2 Classes de Produtividade via Análise de Agrupamento ...................................... 28
3.3 Modelo agrometeorológico de penalização por déficit hídrico ........................... 29
3.4 Calibração do modelo agrometeorológico ............................................................ 31
3.5 Downscaling Estatístico: métodos ......................................................................... 33
3.5.1 Dados de reanálise e construção da relação preditor-preditando ...................... 34
3.5.2 Dados de cenários RCP ..................................................................................... 34
3.6 Descrição do MDE .................................................................................................. 35
4. RESULTADOS E DISCUSSÃO .................................................................................... 37
4.1 Determinação de áreas homogêneas de produtividade ....................................... 37
4.2 Calibração e validação do modelo agrometeorológico ........................................ 41
4.3 Calibração e validação do modelo de downscaling estatístico ............................ 43
4.3.1. Simulação do clima presente ............................................................................ 44
4.3.2. Validação da simulação do clima presente ....................................................... 53
4.4. Cenários futuros da precipitação, temperaturas máximas e mínimas ............. 56
4.5. Cenários futuros de produtividade ...................................................................... 59
5. CONCLUSÃO.................................................................................................................... 67
6. REFERÊNCIA BIBLIOGRÁFICA .............................................................................. 68

15
1. INTRODUÇÃO
O feijão é uma leguminosa muito exigente em condições climáticas, os índices
pluviométricos e as temperaturas afetam diretamente seu desenvolvimento e produção.
Em virtude da capacidade baixa de recuperação após a deficiência hídrica e com sistema
radicular pouco desenvolvido, o feijoeiro é considerado uma planta sensível ao estresse
hídrico (Fernandes e Turco, 2003).
O rendimento da produtividade de safras agrícolas, incluindo-se o feijão, está
fortemente relacionado às condições climáticas. A mudança na temperatura média
global provoca pertubações no ciclo da água, ocasionando uma redistribuição do
recurso, aumentando a intensidade e frequência das chuvas e da temperatura de uma
determinada região (Faria, 2012; Xiang Li et. Al, 2014).
Os modelos agrometeorológicos são fundamentais para representar a interação
do clima com a agricultura. De acordo com Greatrex (2012) são realizados
experimentos para o aprimoramento desses modelos, em virtude da tendência das
mudanças climáticas. O principal objetivo desses experimentos é assegurar as
representações com maior confiabilidade, e assim antever o desenvolvimento das
plantas, as melhores datas para semeadura e aplicação de técnicas de manejo agrícola e
previsibilidade das safras em resposta ao clima (Hanks e Rasmussen, 1982).
O Painel Intergovernamental sobre Mudanças Climáticas realizou observações
experimentais de vários parâmetros ambientais para determinar a influência antrópica
no clima atual. As variações na temperatura média, nos padrões de precipitação pluvial,
na área coberta por neve, no nível do mar e muitas outras variáveis foram analisadas
detalhadamente. Segundo o IPCC (2013), o clima global vem sofrendo um aumento da
temperatura significativo nas últimas décadas, o Relatório de Avaliação Científica
(AR5), afirmou que a temperatura média da superfície global aumentou 0,85 °C durante
o período de 1800 a 2012, e acredita-se que um aumento adicional ocorrerá durante o
século XXI dependendo do cenário climático ao qual poderá estar submetida a
humanidade.
O IPCC projeta as condições médias do clima futuro usando modelos climáticos
em escala global que representam o planeta em milhões de quadrículas, ou grade, que
resolvem complexas equações matemáticas a fim de calcular como a energia é
transferida entre os pontos de grade usando as leis da termodinâmica. Se feito
corretamente, esses modelos são capazes de representar como se dá a circulação de
energia no planeta, podendo ser utilizados para estimar variáveis ambientais (vento,

16
temperatura, umidade, etc). Esses modelos simulam condições passadas que são
comparadas a registros observacionais, e no caso de recriarem adequadamente as
condições passadas, pode-se avançar no tempo e projetar o que pode acontecer no futuro
(Chou et al., 2007; Gidey et al., 2018).
Para “guiar” os modelos climáticos nas projeções futuras, os mesmos realizam
seus cálculos baseados em cenários climáticos. O quinto relatório do IPCC (AR5, de sua
sigla em inglês), lançado em 2014, trouxe a definição de novos cenários climáticos
futuros, os RCPs, ou Representative Concentration Pathways (Caminhos representativos
de concentração), que são um conjunto consistente de projeções baseados apenas nos
componentes que afetam o forçamento radiativo, como entrada para a modelagem
climática. Esses parametros que afetam a forçante radiativa estão relacionados a
diferentes projeções populacionais, econômicas, de uso de recursos energéticos do
planeta, e principalmente, das possíveis formas que essas atividades, entre outras,
influenciarão nas concentrações de gases de efeito estufa, incluindo CO 2, CH4, N2O,
VOCs, CO, SO2, aerossóis carbonosos, HFCs, PFCs e SF6 (Brenkert et al., 2003; Kim et
al., 2006; Clarke et al., 2007; van Vuuren et al., 2011).
Os RCPs são nomeados de acordo com o nível de forçamento radiativo até o ano
de 2100. Há quatro RCPs, o RCP2.6 que inclui um nível muito baixo de forçamento
baseado em um cenário futuro de mitigação da concentração de gases de efeito estufa e
outros agentes forçantes, o RCP4.5 e RCP6.0, de estabilização média, e um cenário
representativo na continuidade e aumento de emissões de gases de efeito estufa,
atingindo valores muito altos, o RCP8.5. Cada valor após a sigla RCP indica o nível de
energia adicionado ao sistema climático terrestre, em W/m2.
A maior parte da Região Nordeste do Brasil (NEB) insere-se no clima semiárido,
caracteristico de estiagens e secas prolongadas. Estudos recentes apontam que existe
uma predominância positiva para aumento das temperaturas, o que, consequentemente,
deve provocar aumento da evapotranspiração potencial (ETP). O aumento na ETP
associado à alta variabilidade espaço-temporal da precipitação, pode incrementar efeitos
de secas mais duradouras e prejudicar ainda mais as atividades agrícolas (Marengo et
al., 2009; Silva, 2014a; Cunha et al., 2018).
A agricultura praticada no NEB é em sua maior parte de subsistência e de
sequeiro (Silva e Silva, 2016). Os produtores, em sua maioria, são de baixa renda e não
possuem condições de mecanizar o cultivo para aperfeiçoar a produtividade. O relatório
do IPCC (2014), intitulado Impactos, Adaptação e Vulnerabilidade, alerta para os riscos

17
aos qual este tipo de atividade agrícola está fadado. Segundo o documento, os riscos da
mudança climática provem da vulnerabilidade (falta de preparo), exposição (pessoas ou
bens em perigo) e sobreposição com os riscos (tendências ou eventos climáticos
desencadeantes).
1.1. OBJETIVOS
1.1.1. Geral
Analisar o impacto de mudanças climáticas na produtividade do feijão no NEB,
por meio de um modelo agrometeorológico de penalização por déficit hídrico e sob
condições do cenário futuro regionalizado RCP4.5 aplicado a MCGs do CMIP5
(Coupled Model Intercomparison Project Phase 5).
1.1.1.2. Específicos
 Validar um modelo agrometeorológico de penalização por déficit hídrico
aplicado a cultura do feijão no NEB;
 Validar uma técnica de downscaling estatístico da precipitação e ETP para
estações meteorológicas do NEB, a partir de previsões de MCGs para o cenário
futuro de forçante radiativa RCP4.5;
 Estimar a produtividade da cultura do feijão no NEB, para o cenário futuro de
forçante radiativa RCP4.5;
 Quantificar os resultados da produtividade real observada com a gerada a partir
do cenário de mudanças climáticas RCP4.5.

18
2. REVISÃO BIBLIOGRÁFICA
2.1 CLIMA E CULTIVO DO FEIJÃO
O Brasil é o principal consumidor e maior produtor de feijão do mundo, sendo
os estados do Paraná, Minas Gerais, Bahia, São Paulo e Goiás os que mais produzem
essa leguminosa. De acordo com os dados disponibilizados pelo CONAB (2020) a
produtividade estimada para a primeira safra do ano é de 1,05 milhão de toneladas,
6,1% superior à última safra que sofreu com adversidades climáticas, para a segunda e
terceira safra estima-se um aumento de 2,5%. O calendário de colheita é organizado da
seguinte forma:


1ª Safra – colheita de novembro a março – concentração nas Regiões Sul,
Sudeste, Goiás, Piauí e Bahia.



2ª Safra – colheita de abril a junho – concentrações nas Regiões
Nordeste, Sul, Sudeste, Mato Grosso, Rondônia e Goiás.



3ª Safra – colheita de agosto a outubro – concentração em Minas Gerais,
Goiás, São Paulo, Bahia, Pará, Pernambuco e Alagoas.

A cultura do feijão assume grande importância socioeconômica, além de ser uma
excelente fonte de proteínas, carboidratos, vitaminas e minerais, e possuir grande
quantidade de fibras dietéticas, baixa quantidade de gordura (2% de óleo em média) e
não conter colesterol, o feijoeiro é alimento básico, principalmente da classe
populacional de renda mais baixa, tornando-se assim, alimento indispensável nas
refeições da maioria dos brasileiros (Arf et al. 1996; Arf et al. 2004).
O feijoeiro é cultivado em quase todas as regiões do Brasil, principalmente em
lavouras de pequeno e médio porte onde, de modo geral, é a cultura de maior destaque,
responsável pela maior fonte de renda das propriedades, como é o caso da NEB, que a
pratica agrícola do feijão é de subsistência, e sequeiro.
O feijão-comum é cultivado em grande diversidade de ambientes, e em muitos
países, por essa razão, é uma espécie com variabilidade agronômica, uma leguminosa
muito exigente em condições climáticas, os índices pluviométricos e as temperaturas
afetam diretamente seu desenvolvimento e produção. Em virtude da capacidade baixa
de recuperação após a deficiência hídrica e com sistema radicular pouco desenvolvido,
o feijoeiro é considerado uma planta sensível ao estresse hídrico (Campos, 2010).
As exigências do feijoeiro quanto à disponibilidade hídrica e clima são
responsáveis pela grande oscilação da oferta do produto no decorrer dos anos, no Brasil,

19
aproximadamente 90% da produtividade é proveniente de cultivos das “águas” e da
“seca”, ambos de elevado risco. Outros elementos do clima que exercem influência no
crescimento e desenvolvimento dessa cultura são o fotoperíodo, vento e radiação solar
(Maia, 1996).
O ciclo médio para a produtividade do feijão é de 90 dias. As fases vegetativa
(V) e reprodutiva R são subdivididas em dez etapas. A germinação inicia-se na fase V0,
corresponde ao dia da semeadura em solo úmido, ou em caso de solo seco, corresponde
ao dia da primeira chuva ou irrigação, ou seja, no dia que há umidade para germinar. A
tabela 1 representa a escala fenológica para o feijão.
Tabela 1: Escala fenológica para o feijão.
Período vegetativo
V0

V1

V2

V3

V4
R5

Semeio

Período reprodutivo

Botões
florais

R6

R7

R8

R9

Maturação/
Colheita

Fonte: Fernández e Guepts, 1986.
A etapa de germinação (V0) dura entorno de cinco dias e termina quando os
cotilédones atinge o solo. A etapa V1 corresponde aos cotilédones fora do solo e a V2
as folhas encontram-se na posição horizontal. As etapas V3 e V4 iniciam-se quando as
folhas trifoliadas estão totalmente abertas, sendo um de uma a três folhas,
respectivamente. Por conseguinte, a fase reprodutiva inicia-se em R5 que é a
prefloração, e se estende até a abertura da primeira flor, sendo a vagem aberta nas
etapas R6 e R7. Na R8 a vagem atinge sem comprimento máximo e a R9 maturação
para colheita.
Trabalhos relevantes na literatura tentam demonstrar que a temperatura é uma
das condições mais importantes para o desenvolvimento do feijoeiro, muito embora
existam outras condições edafoclimáticas que estejam associadas a grau de
produtividade, tais como a precipitação, umidade do solo, umidade relativa do ar,
ventos, etc. Martins (2017) faz uma abordagem das condições edafoclimáticas no NEB
e seu impacto em safras agrícolas.
Faria (2012) analisa em sua pesquisa a influência da temperatura sobre a
ramificação e o florescimento padrão da vagem. Contudo, o autor observa à produção

20
nas mais diversas condições climáticas. Dickson e Petzoldt (1987), faz um trabalho
semelhante, no entanto, observa a germinação das sementes e as lesões provocadas em
temperaturas mais baixas e solos mais úmidos.
Filgueira (2008), por sua vez, afirma que o feijão amplamente adaptável à
temperatura ambiente e que se desenvolve positivamente de uma faixa de 18 a 30°C.
Quando a temperatura torna-se 35°C, a produtividade diminui significativamente, pois o
pólen é prejudicado, acarretando vagens deformadas.
Para definir a melhor época de plantio o zoneamento agroclimático é uma
alternativa necessária de acordo com as limitações de cada região. As simulações com
modelos agros meteorológicos também possibilitam avaliar a viabilidade da
produtividade futura.
2.2 MODELOS AGROMETEOROLOGICOS
A agricultura é umas das atividades mais importantes do Brasil, e umas das mais
afetadas por condições climáticas. Os modelos agrometeorológicos são ferramentas de
grande potencial, que permite simulações para diferentes áreas e situações. Além de
permitir o estudo do comportamento da interação dos fatores naturais com a agricultura.
O conceito de modelo é bem definido por Witti (1978), mas antes é necessário
que se faça a separação dos termos sistemas, modelos e simulações, conforme Parizi
(2010, p. 46):
Sistema é o conjunto de componentes e suas inter-relações, que são
agrupados com o objetivo de estudar alguma parte do mundo real, sendo que
a seleção desses componentes depende dos objetivos do estudo; O modelo é a
representação matemática de um sistema ou um processo, enquanto que
modelagem é o processo de desenvolvimento dessa representação; Simulação
inclui os processos necessários para a operacionalização do modelo ou a
solução do modelo visando simular o que acontece no sistema.

Sob essa perspectiva, os modelos devem aproximar-se ao máximo do sistema
real e conter maior parte dos aspectos importantes nos processos envolvidos.
Os modelos agrometeorológicos são equações matemáticas, empíricas ou
mecanísticas, que visam simular a realidade e representar o desenvolvimento das
plantas, para antever sua produtividade em função de fatores influentes (Acock, 1991;
Passioura, 1996; Cheeroo-Nayamuth, 1999; Pedersen e Lauer, 2002). Na literatura, os
modelos agrometeorológicos consagrados são citados por Silva (2014).
De acordo com Robertson (1983), os modelos agrometeorológicos procuram
quantificar os efeitos das variações climáticas sobre o comportamento vegetal.

21
O modelo agrometeorológico, proposto por Doorenbos e Kassam (1979) e suas
variações desenvolvidas por Rao et al (1988), foram amplamente utilizados na
estimativa da produtividade de safras agrícolas.
Kaboosi (2010) afirma que o rendimento das safras agrícolas está associado ao
déficit hídrico, e que este modelo descreve o comportamento das safras relacionado às
variáveis meteorológicas, preticipitação e ETP na produtividade, assim gerando as
estimativas de perdas, de modo que seja possível prever o impacto nas condições
climáticas.
Logo, para o modelo conceitual de Doorenbos e Kassam (1979) considera-se
somente a influência de fatores climáticos sobre a produtividade da cultura, funcionando
como medidores de eficiência. Em determinadas condições de clima, cultivo e operação,
este modelo possibilita a previsão de produtividades físicas da água a serem utilizadas
nas análises econômicas e são particularmente importantes em análises de produção
agrícola quando a água é escassa.
2.3 MODELOS CLIMÁTICOS GLOBAIS E CENÁRIOS DE MUDANÇAS
CLIMÁTICAS
Os Modelos Climáticos Globais simulam o clima global com base nos cenários
futuros de gases do efeito estufa. Sua resolução horizontal média varia
aproximadamente de 150 a 200 km, e a vertical varia conforme o MCGs, podendo
variar até 20 níveis (Taylor et. al. 2012, Kazmi et. al. 2015). Os MCGs atuais são
acoplados com modelos oceânicos, contemplando ainda processos biogeoquímicos.
Estes modelos possuem alta complexidade matemática, e são bons representantes em
escala global.
Apesar dos MCGs caracterizarem bem as condições climáticas globais, ainda é
necessário aumentar o nível de confiabilidade em áreas com coberturas vegetais,
topografias complexas, e regiões litorâneas. Diferentes técnicas de redução de escala
foram desenvolvidas para auxiliar a tomada de decisões e o uso dos MCGs em níveis
locais (WMO, 2002; Silva, 2014a; Saddique et al. 2019).
Os cenários de mudanças climáticas são projetados pelo IPCC, representam uma
visão possível do desenvolvimento da humanidade relacionada à emissão de forçantes
radioativas (GEE), numa combinação coerente e internamente consistente de assunções
sobre forçamentos controladores como: demografia, desenvolvimento socioeconômico,
e mudança na tecnologia, assim como suas interações (IPCC, 2011).

22
Os novos cenários de emissão atmosférica foram apresentados pelo IPCC, no
quinto relatório em 2014. Em português, são denominados como “caminhos
representativos de concentrações ou RCPs- Representative Concentration Pathways”.
No RCP2.6, ocorreria um pico na forçante radiativa de aproximadamente
3W/m2 antes de 2100, que estabiliza e passa a diminuir. Para que esse cenário
acontecesse, seria preciso estabilizar as concentrações de gases do efeito estufa até
2025. O RCP4.5 prevê uma forçante climática que atinge 4.5W/m2 até 2050, com
posterior estabilização, o aumento da temperatura terrestre poderia variar de 1,1ºC e
2,6ºC. O terceiro cenário, RCP6 é mais lento que o do cenário RCP4.5 até 2050, mas
contínuo e o ultrapassa até 2100. O pior cenário é o RCP8.5, com contínuo crescimento
da forçante radiativa que atingirá o valor de 8.5W/m2 até 2100 (Riahi et al., 2007; Rao e
Riahi., 2006; Fujino et al., 2006; Hijioka et al.,2008; Smith e Wigley., 2006; Clarke et
al.,2007; Wise et al.,2009; van Vuuren et al., 2006, 2007).
A Figura 1 mostra em detalhes estes prováveis e representativos caminhos da
forçante radiativa.
Figura 1: Forçante radiativa dos RCPs

Fonte: Van Vuuren et. al (2011).
2.3.1 Cenário RCP4.5
Entre os cenários, o RCP4.5 é considerado um cenário realista, com alta
probabilidade de que a humanidade siga o curso de seu desenvolvimento indo ao
encontro dos pressupostos inerentes a esse cenário. Os RCPs são uma evolução dos
cenários das famílias A e B do CMIP3, que tinha como mais provável cenário a ser
alcançado pela humanidade o cenário A1B (Costa et al., 2021). Os cenários realistas
preveem estabilização nas emissões globais de gases de efeito estufa. O RCP4.5 prevê

23
estabilização da forçante radiativa em 4,5 W/m2 aproximadamente no ano de 2050,
permanecendo nessa condição até o final do século, com aproximadamente 650 ppm de
CO2. Nesse cenário, o forçamento radiativo é definido em termos de um conjunto de
seis gases de efeito estufa, dióxido de carbono (CO2), metano (CH4), óxido nitroso
(N2O), hidrofluorcarbonetos (HFCs), perfluorcarbonetos (PFCs) e hexafluoreto de
enxofre (SF6), além da influencia do monóxido de carbono (CO) e compostos orgânicos
voláteis (VOCs), e ainda considera a influencia de aerossóis de enxofre e de carbono
negro e orgânico. No RCP4.5 o gás de efeito estufa mais importante liberado
antropogenicamente, o CO2, tem concentrações de aproximadamente 550 ppm até
2100, com esse valor mais ou menos estável a partir de 2050. Esse cenário foi
construído levando-se em consideração conjuntos de dados históricos, inventários de
emissões de gases atualizados e informações sobre fornecimento de biomassa residual
(Lamarque et al., 2010; Gregg e Smith 2010), além de um modelo de uso e cobertura do
solo sofisticado em relação aos usados no CMIP3 (Wise et al., 2009).
Como os RCPs são baseados em cenários, cada um irá refletir de forma diferente
um conjunto de premissas socioeconômicas. O RCP4.5 é um cenário de estabilização,
portanto, pressupõe a imposição de políticas de mitigação de emissões (Clarke et al.,
2007).
2.4 DOWNSCALING ESTATÍSTICO
Os modelos climáticos globais (MCGs) apresentam-se em escalas espaciais e
temporais, como já mencionado. O downscaling estatístico (DE), por sua vez, é um
método de refinamento de escala das projeções dos MCGs (Saddique et. al. 2019). É
importante para áreas de topografia complexa, ilhas e regiões costeiras ou ainda áreas
com cobertura do solo/uso da terra extremamente heterogêneos (Murphy, 2000; Wilby
et al., 2004; Vrac et al., 2007).
Métodos de DE pode também ser conhecidos como métodos de desagregação ou
refinamento estatístico; podem ser de natureza temporal, como por exemplo, em
Mendes & Marengo (2009), espacial (Ramos, 2000) ou ainda envolvendo os dois tipos
de dimensões (escalas) simultaneamente.
O DE foi desenvolvido com o objetivo de se ter uma informação mais detalhada
no tempo e no espaço, de modo computacional e com grande número de preditores
derivados de MCGs. Assim sendo, sua principal vantagem em relação aos modelos
dinâmicos. No entanto, são necessárias séries temporais, da variável de interesse, de

24
dados observados diários suficientes para calibração do modelo (Silva, 2014a; Costa et
al, 2020; Costa et al, 2021).
O downscaling pode ter dois tipos de abordagem, dinâmica e empírica. A
primeira depende dos limites dos MCGs, inclui desenvolvimento de modelos climáticos
regionais (MCRs) e geralmente são fortemente influenciados por uma região específica
(Turco et al. 2011) que exige o uso de DE para projeções de mudanças climáticas. Os
MCRs são bons representantes de fenômenos meteorológicos de escala global, e com o
acoplamento de grades refinadas, conseguem representar de forma mais acurada
fenômenos de escala local. Para tanto, na abordagem empírica ou estocástica são
utilizados métodos estatísticos para estimar relações quantitativas entre preditores
relacionados a fatores de larga escala (fatores que mensuram aspectos de circulação
global) e variáveis prognósticas dependentes de condições fisiográficas locais
(topografia, alternância terra/mar nas regiões costeiras e uso da terra) (Wilby et al.,
2004; Fowler et al, 2007; Mendes e Marengo, 2009; Costa et al, 2020; Costa et al,
2021).
No documento “Guidelines for use of climate scenarios developed from
statistical downscaling methods” as técnicas de downscaling estatístico são classificadas
em três categorias: Métodos baseados na classificação de padrões de tempo (weather
classification ou weather typing schemes); Geradores de tempo (weather generators) e
Modelos de Regressão. As vantagens e limitações de cada método estão apresentadas na
Tabela 2.
Tabela 2: Vantagens e limitações dos principais métodos de downscaling estatístico.
TIPO DE MÉTODO
VANTAGENS
LIMITAÇÕES
- resultam em relações com - requer a tarefa adicional
interpretação física entre os de classificação de padrões
preditores de larga escala e de tempo
variáveis

climáticas

da - esquemas baseados em

Métodos baseados na

superfície

classificação de padrões

- são versáteis, podendo ser podem ser insensíveis a

de tempo (weather

aplicados para diferentes forçantes climáticas futuras

typing)

padrões

tipos de estudos (qualidade -

talvez

de

não

circulação

capturem

de ar, erosão, enchentes, variações de tempo dentro
etc)

dos diferentes padrões de

- uma composição desses classificação

25
métodos é útil para análise
de eventos extremos
-

há

produção

de - há ajustamento arbitrário

informação para análise de de
incertezas

parâmetros

para

condições de clima futuro

Geradores de tempo

- permitem

interpolação - diversas variáveis são

(weather generators)

espacial de parâmetros do modeladas separadamente,
modelo
-

sem

podem

que

produzir interdependências

suas
sejam

informação em escala de consideradas.
horas
-

de

aplicação - alguns modelos explicam

relativamente fácil - podem apenas uma pequena fração
utilizar todos os preditores da variabilidade observada
Métodos de análise de
regressão

disponíveis para posterior - alguns desses métodos
seleção

dos

mais requerem relações lineares

importantes

entre respostas e preditores

- são de fácil entendimento e normalidade da variável
e há grande disponibilidade resposta
de softwares para análise

- de um modo geral, não
representam
adequadamente

eventos

extremos
Fonte: Adaptado de Wilby et. al. (2004).
No Brasil, há uma predominância do uso de métodos dinâmicos de redução de
escala via desenvolvimento de modelos climáticos regionais (RCMs). A variável
prognóstica mais frequente é a precipitação; entre os métodos utilizados, há uma
predominância de redes neurais artificiais e análise de regressão (Ramos, 2000;
Valverde et al., 2005; Valverde e Ferreira, 2006; Mendes e Marengo, 2009; Gonçalves
et. al. 2010).
Por fim, o desempenho dos métodos de redução de escala é intimamente ligado à
sua estrutura e configuração específica. Cada MDEs depende da variável, época e região
de interesse.

26
Silva (2014a) afirmou que para uma representação adequada, é necessário que se
tenha um estudo particular da aplicação de cada conjuntos de MDEs que precisa ser
testado e validado. Assim, tornando a validação o principal componente de um MDE.
Cada experimento deve conter todas as informações necessárias para o processo de
redução de escala: um conjunto único de preditores, os preditandos e um MDE (Cofiño
et al, 2007). Para definir um experimento as três etapas sequenciais devem ser adotadas:
1. Preditores: Definição da região geográfica e preditores a serem utilizados.
2. Preditandos: Definição de um ou vários preditandos a serem processados.
3. Método de Redução de Escala: Definição e validação de um ou vários MDE para
ser aplicado no experimento.
Uma vez que a cadeia Preditores → Preditandos → Método de redução de escala
tenha sido concluída, os MDEs estarão prontos para ser utilizados e aplicados a
qualquer um dos MCGs disponíveis. Para a elaboração dos resultados de downscaling
estatístico das variáveis precipitação, temperaturas máximas e mínimas desta pesquisa,
foram utilizadas as funcionalidades fornecidas pelo ENSEMBLES Downscaling Portal,
desenvolvido pelo Grupo Santander Meteorologia (http://www.meteo.unican.es) coma
assistência técnica do Predictia (http://www.predicita.es) como parte das atividades do
projeto

ENSEMBLES

financiado

pela

União

https://www.meteo.unican.es/downscaling/intro.html).

Européia

(2004-2009,

ver

27
3. MATERIAIS E MÉTODOS
3.1 DADOS E ÁREA DE ESTUDO
Foram obtidos dados de produtividade observada do Feijão de municípios
produtores de todos os Estados do NEB, disponibilizados pelo Instituto Brasileiro de
Geografia e Estatística (IBGE), através de seu Sistema IBGE de Recuperação
Automática (SIDRA). Estes dados estão disponíveis desde o ano de 1974, em
quilogramas por hectare. Os dados de produtividade fornecidos pelo IBGE não
informam o ciclo da cultura nem a variedade plantada, desta forma, utilizou-se esta
informação como sendo o rendimento obtido para determinado município considerando
um ciclo médio para o feijão de 90 dias.
Os dados meteorológicos foram obtidos de 97 estações meteorológicas
convencionais do INMET espacialmente distribuídas no NEB. Tais dados já foram
consistidos e passaram por três passos importantes para assegurar a confiabilidade:
controle de qualidade, preenchimento de falhas e homogeneização, descritos em Costa
et al. (2020).
Para cada um dos municípios sede das estações, foi avaliada se as séries
temporais de produtividade possuíam a qualidade necessária para simulações da
produtividade com um modelo agrometeorológico, sendo critérios de escolha a
quantidade de falhas nas séries de produtividade e a quantidade de valores repetidos.
Desta forma, dos 97 municípios com estações meteorológicas do INMET, 73 foram
selecionados, sendo descartados 24 com dados de produtividade que não atendiam a um
dos critérios, ou aos dois. A Figura 2a mostra a distribuição espacial das 97 estações, e
na Figura 2b as 73 selecionadas para as simulações de produtividade.
Figura 2: (a) Distribuição espacial dos 97 municípios do NEB com estações
meteorológicas convencionais do INMET e (b) distribuição espacial dos 73 municípios
utilizadas na pesquisa.

28

3.2 CLASSES DE PRODUTIVIDADE VIA ANÁLISE DE AGRUPAMENTO
Trabalhos pioneiros como os de Monteiro et al. (2013; 2017) demonstraram que,
independente da cultura analisada, diferentes condições de clima e de tecnologia
associadas ao manejo implicam em diferentes classes de produtividade, que podem
diferir muito entre si na quantidade de quilogramas por hectare produzidas (kg/ha). Para
encontrar áreas (municípios/estações) homogêneas quanto à produtividade do feijão, foi
empregada uma análise de agrupamento aos dados de produtividades médias do feijão
em grãos de 1786 municípios do NEB.
Como descrito em Costa et al. (2020), a análise de agrupamento é uma técnica
multivariada que permite aglomerar os elementos relativos aos dados de acordo com a
semelhança entre eles. A avaliação da estrutura de grupos contida nos dados foi feita
pela análise hierárquica de agrupamento, adotando-se como medida de semelhança a
distância euclidiana (Mimmack et al., 2001) e como algoritmo de agrupamento o
método de Ward. E para indicar a menor variação entre os grupos, agrupando os
elementos cuja soma dos quadrados seja mínima, ou cuja soma dos erros seja mínima,
utilizando-se um método não supervisionado conhecido como K-médias (Hervada-Sala
e Jarauta-Bragulat, 2004; André et al, 2008), que busca agrupar as unidades
experimentais segundo semelhança entre elas, aqui representadas pelas médias de
produtividade entre os municípios, levando-se em conta os valores estimados pelo
IBGE entre 1974 a 2018.

29

3.3 MODELO AGROMETEOROLÓGICO DE PENALIZAÇÃO POR DÉFICIT
HÍDRICO
O modelo de simulação para produtividade das culturas utilizado segue a base
teórica proposta por Doorenbos e Kassan (1979), que estabelece relações entre perdas
de produtividade e deficiência hídrica no decorrer das fases fenológicas da cultura. Este
modelo é composto por dois módulos: um que estima a produtividade potencial da safra
ou produtividade máxima, e outra que estima o decréscimo do potencial de
produtividade em função do déficit hídrico (Silva et al., 2020). Esse modelo é função da
Evapotranspiração Potencial da Cultura (ETPc), da Evapotranspiração Real da Cultura
(ETRc) e do coeficiente de penalização por déficit hídrico (ky), mostrados na equação
1.
𝑌𝑑 = (1 −

𝐸𝑇𝑅𝑐
) × 𝑘𝑦 × 100
𝐸𝑇𝑃𝑐

(1)

em que Yd = penalizacao final, ETRc = Evapotranspiração Real da Cultura, ETPc =
Evapotranspiração Potencial da Cultura e ky = coeficiente de penalização por déficit
hídrico.
No entanto, antes de chegar à etapa final para o cálculo da penalização por
déficit hídrico, estágios anteriores tem que ser expostos, e são mostrados na sequência
das equações 2 a 7. Nos cálculos, o desenvolvimento da cultura do feijão é tabelado
para um ciclo de 90 dias. Este ciclo contém os coeficientes da cultura (kc) e de
penalização hídrica (ky), com valores diários (Doorenbos e Kassam, 1979). O cálculo da
evapotranspiração da cultura (ETC) depende de um valor para o kc, e a
evapotranspiração real da cultura (ETRc) depende de um coeficiente de umidade para o
solo, o ks, calculado conforme o manual de irrigação de Salassier et al (2008), abaixo.
𝐸𝑇𝐶 = 𝐸𝑇𝑃 × 𝑘𝑐

(2)

𝐸𝑇𝑅𝑐 = 𝑘𝑠 × 𝐸𝑇𝑃 × 𝑘𝑐

(3)

𝐿𝑜𝑔(𝐴𝑅𝑀 + 1)
𝐿𝑜𝑔(𝐴𝑅𝑀𝑐 )

(4)

𝑘𝑠 =

𝐶𝐴𝐷 =

𝑘𝑐
×𝐶𝐴𝐷𝑚𝑎𝑥
𝑘𝑐𝑚𝑎𝑥

(5)

𝐴𝑅𝑀 = 𝐴𝑅𝑀𝑎𝑛𝑡 − 𝐸𝑇𝑅𝑐 + 𝑃𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎çã𝑜
𝐴𝑅𝑀𝑐 =(1 − 𝑝)×CAD

(7)

(6)

30
em que: ETP = evapotranspiração; ETPc = evapotranspiração da cultura; CAD =
capacidade de campo; ARM = armazenamento de água no solo; ARMc =
armazenamento crítico (a partir do qual a planta perde produtividade); ARMant =
armazenamento anterior; p = fator de disponibilidade, tabelado pela Food and
Agriculture Organization of the United Nations (FAO); ks = coeficiente de umidade; kc
= coeficiente de cultura; kcmax = máximo coeficiente de cultura. O ARM nunca pode ser
maior do que a CAD.
Diante da formulação acima mostrada, algumas definições são necessárias. A
CAD pode ser definida como a quantidade máxima de água que o solo pode armazenar
na profundidade explorada pelo sistema radicular da planta, variando ao longo do ciclo
das culturas em função das características físicas do solo, nas diferentes profundidades,
e devido ao crescimento do sistema radicular até atingir a profundidade efetiva. Para a
cultura do feijão, a profundidade do sistema radicular pode chegar, em média, a 40 cm.
A ETP é a mudança de estado da água da fase líquida para a gasosa, no caso de
solos parcialmente vegetados (Berlato e Molion, 1981).

A ETP foi definida por

Thornthwaite (1948) como a quantidade de água utilizada por uma extensa área
vegetada, em crescimento ativo, sob condições ótimas de umidade do solo. Penman
(1956) definiu ETP como “a quantidade de água utilizada na unidade de tempo por uma
cultura de porte baixo e verde, cobrindo totalmente a superfície, com altura uniforme e
sem deficiência hídrica”. Independente das definições, em 1990 a FAO recomendou o
método de Penman-Monteith como padrão na estimativa da ETP (Monteith, 1973;
Smith, 1991; Silva et al, 2018).
O cálculo de ETP diária utiliza dados de temperatura máxima e mínima do ar,
umidade relativa do ar, insolação e velocidade do vento medida a dois metros de altura,
segundo a equação 8. O procedimento detalhado para obtenção dos parâmetros desta
equação são encontrados em Pereira et al (1997) e Allen et al (1998).
𝛿

1

𝛾

900

𝐸𝑇𝑃 = 𝛿+𝛾∗ (𝑅𝑛 − 𝐺) 𝜆 + 𝛿+𝛾∗ 𝑇+273 (𝑒𝑠 − 𝑒𝑎 )

(8)

em que ETP é a evapotranspiração diária de referência (mm); λ é o calor latente de
vaporização (MJ kg-1); δ é a inclinação da curva da pressão de vapor saturado versus
temperatura (k PaK-1); Rn é o saldo de radiação (MJ m-2dia-1); G é o fluxo de calor no
solo (MJ m-2dia-1); es é a pressão de vapor saturado do ar (k Pa); ea é a pressão de vapor
do ar na altura z (k Pa); T é a temperatura do ar na altura z (oC); γ* é o coeficiente

31
psicrométrico modificado (k Pa K-1) = γ(1+ 0,33U2); U2 é a Velocidade do vento
medida a 2 metros de altura (m s-1); 900 é uma Constante (k J-1 kg oK).
3.4 CALIBRAÇÃO DO MODELO AGROMETEOROLÓGICO
O modelo agrometeorológico proposto foi calibrado para o período 2000-2010,
com dados de produtividade do feijão, em kg/ha, para a área plantada de 73 municípios
localizados na região NEB, de acordo com as épocas de semeadura indicadas pela
Companhia Nacional de Abastecimento (CONAB), do Governo Federal.
O primeiro passo, de acordo com Monteiro et al (2013; 2017), é obter, dos dados
de produtividade, a produtividade máxima chamada de Produtividade Máxima
Tecnológica (PMT), estimada a partir de um ajuste estatístico baseado na série de dados
das Produtividades Reais Observadas (PRO). Uma equação linear de primeiro grau
(Y=ax+b), dos dados observados versus o tempo (ano) deve ser obtida, onde a linha reta
indica a tendência da produtividade ao longo dos anos (TPA). Os desvios ao longo da
linha de tendência são causados por fatores climáticos, de disponibilidade hídrica e de
manejo da cultura. A segunda etapa consiste na determinação de um fator de correção
que, quando multiplicado pela tendência da produtividade observada (TPA), elevaria os
valores de produtividade em uma situação sem restrição de água. Esse fator de correção
foi nomeado coeficiente de produtividade máxima tecnológica (Δp). Logo, a PMT foi
calculada para cada ano "n", em função da produtividade real ajustada multiplicada por
Δp: PMT = TPA x Δp.
Desta forma, Δp é ajustado a partir de uma regressão linear sem tendência e
consiste em um dos parâmetros calibrados no modelo. Os valores dos coeficientes de
cultura (kc) e de déficit hídrico (ky), apresentados por Doorembos e Kassam (1979) para
o feijão, de acordo com suas fases fenológicas, foram adaptados para a escala diária,
facilitando sua posterior obtenção para a escala decendial, como mostra a Tabela 3.
Tabela 3: Valores de Kc e Ky para o Feijão.
Coeficientes para o Feijão
Decêndio
s
1
2
3
4
5
6
7
8
9
0,5
0,5
0,56
0,7
0,83
0,94
1,02
1,07
1,09
Kc
0,2
0,2
0,2
0,2
0,26
0,42
0,5
0,48
0,35
Ky
A Produtividade Real (PR) é estimada a partir da relação entre o déficit relativo
de água [1- (ETRc/ETPc)], e as perdas de produtividade relativa, ponderada pelo fator
de déficit hídrico (ky), para cada fase fenológica:
𝑌𝑑 =

𝑃𝑅
𝐸𝑇𝑅𝑐
= [1 − (
)] × 𝑘𝑦 × 100
𝑃𝑀𝑇
𝐸𝑇𝑃𝑐

(9)

32
Neste modelo, uma alteração importante é encontrar, para qualquer estação
meteorológica, de acordo com a sua classe de produtividade (muito baixa, baixa, média
ou alta), um parâmetro empírico denominado "fator de déficit hídrico ajustado", ou
"ky*", que resulta em maior ou menor resposta ao estresse hídrico. Outra diferença é a
utilização da PMT. Com tais mudanças, o modelo final apresentará a seguinte equação:
𝑃𝑅
𝐸𝑇𝑅𝑐
= [1 − (
)] × 𝑘𝑦 × 𝑘𝑦 ∗ ×100
𝑃𝑀𝑇
𝐸𝑇𝑃𝑐

(10)

Em que, nesta equação, a PMT é usada como referência inicial para começar o
procedimento de cálculo das perdas, para cada estação.
O processo de parametrização consiste no ajuste do coeficiente de
produtividade máxima tecnológica (Δp), e do "ky*", a fim de maximizar a correlação
entre as produtividades reais observadas e estimadas, e também para minimizar o erro
médio absoluto (EMA) entre eles. Neste processo, ky* começa com valor igual a 1,
sendo acrescido ou reduzido de acordo com o ganho ou perda na correlação e no EMA
entre as produtividades observadas e estimadas. O EMA é caracterizado pela média do
módulo dos erros absolutos das estimativas, sendo dado por:
𝑛

1
𝐸𝑀𝐴 = ∑|𝑃𝑒𝑖 − 𝑃𝑜𝑖 |
𝑛

(11)

𝑖=1

onde Pei é a produtividade final estimada em um ano i e Poi é a produtividade real
observada pelo IBGE no ano i, e n é o número de comparações.
No modelo da Equacao 10, a ETRc é calculada pelo balanço hídrico sequencial,
onde são computados as mudanças diárias na umidade do solo, de acordo com o método
de Thornthwaite (1948).
A validação do modelo parametrizado se dará pela comparação das
produtividades médias obtidas, em kg/ha no período 2001-2011, estimada pelo IBGE e
simuladas pelo modelo, além do EMA e do erro médio relativo dado pela divisão do
EMA pela PMO, e do coeficiente de correlação, que mede a força da relação linear entre
observações (o) e simulações (s) e é definido como a covariância das duas variáveis,
observadas e simuladas, dividida pelo produto de seus desvios-padrão (Equação 12).
𝑟𝑜,𝑠 =

𝐶𝑜𝑣(𝑜, 𝑠)
𝜎𝑜

12

Para garantir que o valor de r realmente exprima a concordância entre
observações e simulações, usou-se o teste paramétrico t-Student (Huang e Paes, 2009;
Menezes, 2010) para avaliar o grau de relação entre as variáveis em questão. Uma

33
premissa para o uso do teste é que o tamanho da amostra, N, da qual obtém-se o valor
do coeficiente de correlação, r, seja igual ou superior a 6, então o valor de t é dado por:

t

r

1 - r /N  2
2

(13)

A equação (14) é uma distribuição para t com N-2 graus de liberdade. A
aplicação desta fórmula para qualquer valor de r e de N vai testar a hipótese nula de que
o valor observado vem de uma população em que não existe correlação significativa
entre os dados. Uma vez obtido o valor de t, pode-se extrair o coeficiente de correlação
critico (rc), que é um valor para a qual se aceita ou não a hipótese estatística que existe
correlação entre os dados simulados e observados, rc é dado por:

rc 

t2
N  2   t 2

(14)

3.5 DOWNSCALING ESTATÍSTICO: MÉTODOS
O downscaling estatístico é um campo da ciência que permite relacionar os
cenários de mudanças climáticas globais fornecidas pelos MCGs com observações
históricas de variáveis de superfície locais, como a precipitação ou temperatura de
estações meteorológicas em uma região de interesse (Timbal et al., 2003; Hewitson e
Crane, 2006; Timbal e Jones, 2008; Benestad, 2010; Brands et al., 2011a; Brands et al.,
2011b; Gutzler e Robbins, 2011; Costa et al., 2020).
Um modelo de downscaling estatístico (MDE) geralmente é construído por meio
de uma função de transferência R=F(L), com R sendo a resposta local (por exemplo,
precipitação, temperatura ou evapotranspiração obtidas de uma determinada estação
meteorológica), e F uma função determinística/estocástica condicionada por L, obtida a
partir da relação empírica obtida da respectiva grade associada ao MCG utilizado.
O MDE escolhido para a geração das séries dos respectivos cenários foi o
método dos análogos. Este método tem sido aplicado essencialmente no campo da
previsão do tempo (Lorenz, 1969; Kruizinga e Murphy, 1983), e na previsão do clima a
curto prazo (Barnett e Preisendorfer, 1978; van den Dool, 1994). Para fins de redução
de escala, este método ainda é pouco aplicado (Zorita et al., 1995; Cubasch et al., 1996;
Biau et al., 1999, Zorita e Storch, 1999), embora a sua metodologia seja simples (Costa
et al., 2020; Costa et al., 2021). A circulação atmosférica em grande escala simulada por

34
um MCG é comparada com cada uma das observações históricas, representadas em uma
grade comum de conjuntos de reanálises, e o padrão mais semelhante com o observado
na reanálise é escolhido como seu análogo, com esta relação podendo ser imposta as
observações realizadas por estações meteorológicas de superfície. O clima local
observado simultaneamente é, então, associado ao padrão de grande escala simulado.
3.5.1 Dados de reanálise e construção da relação preditor-preditando
Os dados diários de reanálise para o período de 1979 a 2010 foram obtidos do
projeto ERA-Interim (Dee et al., 2011); disponíveis em uma cobertura espacial de 2,0
graus de longitude por 2,0 graus de latitude incluindo um conjunto de 23 preditores
entre variáveis e níveis atmosféricos. As variáveis preditoras utilizadas e que melhor se
correlacionaram com as variáveis de superfície foram a pressão média corrigida ao nível
do mar (PMNM), altura geopotencial (Φ) a 500 hPa, umidade relativa (UR) em 700
hPa, ventos meridionais e zonais (V e U) em 850 hPa, temperatura (T) em 850 hPa e
umidade específica (q) em 850 hPa. Uma premissa básica é que os preditores das
reanálises sejam os mesmos para todos os MCGs usados para geração dos cenários
futuros. O método de seleção dos preditores é consistente com os de outros estudos
similares (Wilby et al., 2002; Khan et al., 2006; Hashmi et al. 2011; Mahmood e Babel
2013; Gulacha e Mulungu 2017; Meaurio et al., 2017; Silva et al., 2020), baseado nas
variáveis preditoras que mais se mostram correlacionadas aos preditandos.
Uma vez que a cadeia Preditores → Preditandos → MDE tenha sido concluída,
os MDEs estarão prontos para ser utilizados e aplicados a qualquer um dos MCGs para
a geração das séries temporais das estações de superfície em um horizonte futuro, para
qualquer cenário de mudança climática (Gutierrez et al., 2013; Silva et al., 2020).
3.5.2 Dados de cenários RCP
Seis saídas de MCGs (CanESM2, CNRM-CM5, IPSL-CM5A-MR, GFDLESM2M, MPI-ESM-MR e NorESM1-M) com o cenário RCP4.5 foram processados
usando as funcionalidades fornecidas pelo software desenvolvido pelo Grupo Santander
Meteorologia (http://www.meteo.unican.es), como parte das atividades do projeto
ENSEMBLES financiado pela União Europeia (Cofiño et al., 2007). O RCP4.5 ilustra
um RCP de forçamento radiativo em ascensão, subindo para ~ 4,5 Wm-2 até 2070
(Moss et al., 2010).
Uma das etapas mais importantes é avaliar se os MCGs capturam bem o ciclo
anual da precipitação e temperatura. Os dados do MCG foram interpolados na mesma

35
resolução da grade (2,0° x 2,0°) dos dados do ERA-Interim para eliminar os vieses que
podem ter ocorrido pelas contradições presentes nessa escala. Então, o ERA-Interim e
todos os preditores dos MCGs foram normalizados com a média e o desvio padrão
adquiridos a partir do período histórico de 1979-2000. A Tabela 4 fornece as
características gerais de cada MCG, como nome, instituto de desenvolvimento e
resolução da grade.
Tabela 4: Descrição dos modelos de circulação geral (MCG) usados neste estudo.
Instituto de desenvolvimento-País
MCG
Resolução da grade
Canadian Centre for Climate Modelling
CanESM2
2.7906° × 2.8125°
and Analysis - Canada
Centre Europeen de Recherche
CNRM-CM5
1.4008° x 1.40625°
Meteorologique - França
Geophysical Flui Dynamics Laboratory GFDL-ESM2M
2.0225° × 2.5°
Estados Unidos
IPSL-CM5AInstitutte Pierre Simon Laplace - França
1.2676° x 2.5°
MR
Max Planck Institute - Alemanha
MPI-ESM-MR
1.8653° × 1.875°
Norwegian Climate Center's Earth System
NorESM1-M
1.8947° x 2.5°
Model - Noruega
3.6 DESCRIÇÃO DO MDE
O MDE empregado foi o método dos análogos (Gutierrez et al., 2013; Silva et
al., 2020; Costa et al., 2020; Costa et al., 2021). Uma vez construída a relação entre
preditores e preditandos, pode-se aplicar esta relação às variáveis observadas na estação
meteorológica. No MDE usado, padrões análogos são filtrados por funções ortogonais
empíricas (FOE), especificando um estado local coerente com um estado simultâneo de
grande escala. Como exemplo, as anomalias da circulação atmosférica, por exemplo,
representadas por (f) do campo da Pressão ao Nível do Mar (PNM), são descritos por
poucos

padrões

principais

de

FOE:

n

f(i, t) = ∑ xk t gk i + ϵt

(15)

k=1

onde i é um índice de ponto de grade, t é o tempo, gk é o padrão de ordem k da FOE,
xk(t) é a amplitude deste padrão no tempo t, n representa o número de padrões de FOE
retidos, e Є é a parte da variabilidade não descrita pelos principais padrões n,
considerado pequeno. Os análogos são pesquisados apenas dentro do espaço gerado por
estas n FOE padrões.

36
Os dados diários são analisados em decêndios, acumulados de chuva e média das
temperaturas máximas e mínimas em 10 dias, com um decêndio para cada mês do ano,
ou 36 decêndios anuais. O período de calibração do MDE é o climatológico 1979-2000,
para verificar a habilidade dos modelos em simular os ciclos anuais. A validação é
realizada para o período 2001-2010. Os coeficientes usados para essa fase de validação
do MDE foram divididos em: estatística descritiva, medida de precisão e similaridade
das distribuições. Na estatística descritiva temos a média e o desvio padrão, que são
obtidos através das equações 16 e 17. Nas medidas de precisão temos o coeficiente de
correlação (equação 12 mostrada no tópico 3.4) e RMSE (Raiz do erro médio
quadrático) na equação 18. E para analisar a similaridade das distribuições temos a
razão das variâncias (equação 19) e o PDFescore (equação 20).
1

𝑀 = 𝑁 ∑𝑁
𝑖=1 𝑥𝑖

(16)

1

𝜎 = √𝑁−1 ∑𝑁
𝑖=1(𝑥𝑖 − 𝑥̅ )²
∑𝑛 (𝑃𝑖− 𝑂𝑖)

𝑅𝑀𝑆𝐸 = √ 𝑖=1 𝑛
𝜎𝑝²

𝑅𝑉 = 𝜎𝑜²

(17)
(18)

(19)

𝑃𝐷𝐹𝑒𝑠𝑐𝑜𝑟𝑒 = ∑200
𝑖=1 (𝑃𝐷𝐹𝑝𝑖 − 𝑃𝐷𝐹𝑜𝑖)

(20)

37
4. RESULTADOS E DISCUSSÃO
4.1 DETERMINAÇÃO DE ÁREAS HOMOGÊNEAS DE PRODUTIVIDADE
A análise de agrupamento foi empregada aos dados de produtividade média
anual do feijão em grão (kg/ha) de 1786 municípios do NEB a fim de identificar
padrões de homogeneidade, e assim, avaliar os municípios por faixas de produtividades.
Os testes variaram para 2 a 5 grupos, sendo selecionados e considerados
satisfatórios, de acordo com a similaridade entre os valores observados, 3 grupos, como
mostra a Figura 3a, identificados por Grupo 1 (G1), Grupo 2 (G2) e Grupo 3 (G3). A
Figura 3b mostra um dendograma bi-dimensional dos grupos determinados pelo método
aglomerativo. Nesse diagrama, cada ramo representa um elemento, enquanto a raiz
representa o agrupamento de todos os elementos. O gráfico mostrado na Figura 3c
destaca os grupos selecionados, de acordo com uma distância de corte para definição
dos grupos, com base em conhecimento prévio da natureza e estrutura dos dados.
A média de produtividade encontrada para cada grupo homogêneo apontou os
seguintes valores: média de 237 kg/ha e valores mínimo e máximo de 31 a 610kg/ha
relativo ao G1; média de 415 kg/ha e valores mínimo e máximo de 82 a 984kg/ha
relativo ao G2 e média de 856 kg/ha e valores mínimo e máximo de 201 a 1732kg/ha
relativo ao G3.
Com estes resultados foi possível identificar, entre os 73 municípios
selecionados para a aplicação do modelo agrometeorológico de produtividade, segundo
os critérios apresentados no tópico 3.1, a qual classe ou grupo homogêneo pertencem
(Figura 3). Tanto na Figura 3a quanto na Figura 4, é possível perceber que a maior parte
dos municípios classificados como G1, ou de baixa produtividade (destacados em
vermelho na Figura 2a), entre 0 a 300 kg/ha/ano localiza-se na faixa norte do NEB entre
o centro-norte dos estados do Piauí, quase todo o Ceará com exceção de municípios
localizados no extremo leste desse Estado, mesorregiões central e agreste potiguar, parte
da mesorregião da Borborema na Paraíba, mesorregiões sertão, são-Francisco e agreste
pernambucanos, e alguns municípios espalhados entre as mesorregiões dos sertões
alagoano e sergipano na faixa central da Bahia. Municípios agrupados na classe G2, ou
de média produtividade entre 300 a 600 kg/ha/ano (destacados em azul), localizam-se
naturalmente na fronteira entre municípios com baixa (G1) e alta produtividade (G3, em
verde na Figura 2a e produtividade média anual superior a 600kg/ha). Vale ressaltar que
a classe, ou grupo G3, localiza-se majoritariamente nas faixas leste do NEB do Rio
Grande do Norte ao sul da Bahia, centro-oeste do Maranhão e oeste da Bahia, com

38
municípios localizados claramente na fronteira entre os estados da Bahia e Pernambuco,
onde provavelmente os produtores se beneficiam do uso da irrigação com águas do Rio
São Francisco.

Figura 3: Análise de agrupamento para três áreas: (a) Distribuição espacial dos
municípios, grupo G1 destacado em vermelho, grupo G2 em azul e grupo G3 em verde;
(b) dendograma dos grupos e (c) grupos selecionados em três diferentes níveis.

Figura 4: Distribuição dos municípios com estações meteorológicas utilizadas para
aplicação do modelo agrometeorológico, identificados a cada grupo homogêneo de
produtividade do feijão ao qual pertencem: G1, G2 e G3.

39

As Tabelas 5, 6 e 7 mostram, para cada município com estação meteorológica do
INMET nos respectivos grupos, as produtividades médias anuais, mínimas e máximas,
além dos metadados de cada estação, com respectivos valores de latitude e longitude em
graus, altitude em metros e unidade da federação a qual pertencem.
Tabela 5: Metadados das estações meteorológicas do Grupo 1: Município, unidade da
federação, longitude, latitude, altitude, e respectivas produtividades médias, mínima e
máxima observada relativa ao período 1974-2018.

40
Tabela 6: Mesmo da Tabela 5, mas para estações meteorológicas do Grupo 2.

Tabela 7: Mesmo da Tabela 5, mas para estações meteorológicas do Grupo 3.

41
4.2 CALIBRAÇÃO E VALIDAÇÃO DO MODELO AGROMETEOROLÓGICO
A análise de agrupamento empregada aos dados de produtividade média anual
do feijão em grão (kg/ha) permitiu a distinção de três grupos específicos, o que engloba
municípios com baixa produtividade, de 0 a 300 kg/ha/ano (G1), o de média
produtividade com 300 a 600 kg/ha/ano (G2), e o de alta produtividade com mais de
600 kg/ha/ano (G3). Entre os municípios, a produtividade mínima média observada foi
de 156 kg/ha/ano em Monteiro na Paraíba, enquanto a máxima média observada foi de
1452 kg/ha/ano em Barreiras na Bahia. A produtividade elevada observada em
municípios do oeste baiano está relacionada ao MATOPIBA (Salvador e Brito, 2018).
Esta variabilidade entre as produtividades médias observadas reflete como dois
importantes fatores influenciam a produtividade do feijão entre os municípios: o grau de
vulnerabilidade ao estresse hídrico e a influência tecnológica. Por isso, foram calculados
o coeficiente de rendimento máximo tecnológico (Δp) e o fator de déficit hídrico
ajustado (ky*) para cada município, durante o processo de calibração do modelo de
produtividade. Estes parâmetros permitiram simular, com mais precisão, a
produtividade em cada ano.
Primeiro, é obtida uma estimativa da produtividade, para cada município, sem
levar em consideração o rendimento máximo tecnológico (Δp) e o fator de déficit
hídrico ajustado (ky*), pela formulação clássica proposta por Doorenbos e Pruitt (1997),
cuja penalização depende apenas da relação entre ETRc e ETPc. Em seguida, ao se
calcular a produtividade potencial tecnológica, com a correção das tendências de
rendimento ao longo do tempo, a precisão das estimativas tanto dos baixos quanto dos
altos rendimentos é melhorada e podem-se aproximar os valores de perda percentual da
produtividade aos valores observados pelo IBGE, calibrando o modelo e encontrando os
valores de Δp e ky*. Em alguns casos, onde o fator de estresse hídrico não se torna
muito relevante, o valor de ky* continua igual a 1 (Monteiro et al., 2013; Silva 2014;
Monteiro et al., 2017; Silva et al., 2020a,b).
Para exemplificar a importância destes parâmetros na simulação da
produtividade, os gráficos da Figuras 5 mostram as curvas, entre 2000 e 2010, da
estimativa de produtividade versus a produtividade observada nos municípios de São
João do Piauí (G1), Campina Grande (G2) e Cabrobó (G3) após o processo de
calibração. Para o tamanho da amostra, ou seja, N=11 anos de comparações, o teste de
significância estatística aponta como valor de correlação crítica rc=0,61 a um nível de
confiança de 95%. Em São João do Piauí (Figura 4a), foi obtida uma correlação entre as

42
observações e simulações (ro,s) igual a 0,78, com tendência positiva no período como
indicado pela reta de produtividade potencial tecnológica. Em Campina Grande (Figura
5b), foi obtida ro,s igual a 0,81, com tendência negativa no período como indicado pela
reta de produtividade potencial tecnológica, e para Cabrobó (Figura 5c), foi obtida ro,s
igual a 0,77, também com tendência negativa no período indicado pela reta de
produtividade potencial tecnológica.
Em

trabalho

similar,

Silva

et

al

(2020b)

calibraram

esse

modelo

agrometeorológico para as produtividades relacionadas a cultura do algodão em 23
municípios do NEB, obtendo altas correlações entre a produtividade observada e
estimada e pequenos valores de erros médios absolutos, que relacionam a média obtida
das estimativas em um período contra as médias observadas. Lima et al (2021),
aplicaram esse modelo a cultura do milho para o Estado de Alagoas e determinaram as
áreas mais aptas ao seu cultivo, as que apresentam as maiores produtividades, e também
a extensão das melhores janelas de cultivo nas três mesorregiões de Alagoas.

Figura 5: Produtividades observadas e simuladas do feijão nas cidades de (a) São João
do Piauí (G1), (b) Campina Grande (G2) e (c) Cabrobó (G3). Respectivos parâmetros de
calibração do modelo indicados em destaque nos gráficos.

43

4.3 CALIBRAÇÃO E VALIDAÇÃO DO MODELO DE DOWNSCALING
ESTATÍSTICO
Nesta seção discutir-se-ão os resultados obtidos no processo de calibração e
validação do MDE utilizado para a geração de cenários futuros. Em seguida serão
mostrados os mapas dos desvios das médias de precipitação e temperaturas máximas e
mínimas obtidas para o período 2011-2100 (2011-2040; 2041-2070 e 2071-2100) em
relação às médias das observações das estações no período 1979-2000, para o cenário
RCP4.5 a partir do processamento dos MCGs usados nesta pesquisa.

44
4.3.1. Simulação do clima presente
Um dos critérios comumente usados na avaliação de desempenho de qualquer
MDE é se a condição histórica (observação) pode ser ou não replicada. Portanto tornase indispensável que os métodos usados para transferir os resultados de MCGs para
estações meteorológicas gerem séries temporais de precipitação e temperatura que
tenham as mesmas propriedades dos dados meteorológicos observados, resultando em
boa correlação entre ambos e que apresentem habilidade em caracterizar a climatologia
de um período de referência.
A Figura 6 mostra a climatologia do período de referencia 1979-2000 referente à
dados observados para a precipitação acumulada média anual e trimestres
representativos das estações do ano: dezembro-janeiro-fevereiro (verão), março-abrilmaio

(outono),

junho-julho-agosto

(inverno)

e

setembro-outubro-novembro

(primavera). Percebe-se a variação natural entre períodos secos e chuvosos. Os
extremos anuais variaram de 502mm em Macau-RN, com maior contribuição do
outono, a 2291mm em Recife-PE, com maior contribuição do inverno para a acumulado
anual. O interior do semiárido nordestino apresentou nesse período de referência
acumulados anuais da ordem de 520mm, como em Petrolina-PE e Paulo Afonso-BA.
Além do litoral leste do NEB, as maiores médias anuais se concentram no norte do
Maranhão, onde ultrapassam os 2000mm. Na análise sazonal, as chuvas de verão se
concentram no oeste do NEB (Maranhão, centro-oeste do Piauí e oeste da Bahia), no
norte do NEB no outono e leste no outono/inverno, que caracteriza o período mais seco
do interior semiárido. A primavera é seca no norte e leste da região e registra as
primeiras ocorrências de chuvas no extremo oeste do NEB.
Da Figura 7 a Figura 12, na sequência, tem-se a mesma análise obtida a partir do
MDE aplicado ao período de referência 1979-2000 para cada MCG: CanESM2,
CNRM-CM5, GFDL-ESM2M, IPSL-CM5A-MR, MPI-ESM-MR e NORESM1-M.
Todos os modelos representam bem as características da climatologia observada, com
variações anual e sazonal entre eles. Dessa forma, apresenta-se na Figura 13 o ensemble
dos modelos, que nada mais é que a média simples entre todos os modelos e é uma
forma simples e direta de analisar a habilidade média de um conjunto de modelos em
representar a climatologia histórica (Silva et al., 2020; Costa et al., 2020; Costa et al.,
2021).
A Figura 14 mostra as diferenças entre o ensemble e as observações em níveis
anual e sazonal. Em média, os MCGs subestimam a precipitação na maior parte do

45
NEB, de 50 a 100mm na porção central da região, e de 100 a 200mm no centro-sul do
Maranhão, sul do Piauí e oeste da Bahia, e no extremo do litoral norte entre Maranhão e
Ceará. No leste do NEB a variação é menor, inclusive observando-se superestimativa no
leste do estado do Rio Grande do Norte. De uma forma geral, a maior tendência de
subestimar a precipitação acumulada anual já foi verificada por outros autores que
identificaram um viés seco na maior parte dos MCGs do CMIP5 para todo o norte da
América do Sul, relacionado à uma deficiência na representação da precipitação
associada a Zona de Convergência Intertropical (Hirota e Takayabu., 2013; Tian e
Dong., 2020).
Esses resultados mostram que o MDE foi muito eficiente para representar o ciclo
anual médio da precipitação em todo o NEB no período de referência, uma variável
normalmente complexa devido a sua natureza discreta (as séries diárias apresentam ou
zeros-não chuva, ou qualquer outro valor diferente de zero). A literatura indica que este
é um fator fundamental para impor confiança as projeções regionalizadas da
precipitação simulada para o futuro mediante cenários de mudanças climáticas (Chou et
al., 2014; Gidey et al., 2018; Arias et al., 2021).
Figura 6: Da esquerda para a direita: climatologia a partir de dados observados da
precipitação acumulada anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera).

Figura 7: Similar a Figura 6, mas para o modelo CANESM2.

46
Figura 8: Similar a Figura 6, mas para o modelo CNRM-CM5

Figura 9: Similar a Figura 6, mas para o modelo GFDL-ESM2M

Figura 10: Similar a Figura 6, mas para o modelo IPSL-CM5A-MR.

Figura 11: Similar a Figura 6, mas para o modelo MPI-ESM-MR.

47
Figura 12: Similar a Figura 6, mas para o modelo NORESM1-M.

Figura 13: Similar a Figura 6, mas para o modelo ENSEMBLE.

Figura 14: Diferença entre climatologias simuladas pela média de todos os modelos
(ensemble) e obtida das observações no período 1979-2000.

Para corroborar os resultados descritos em relação as Figuras 6 a 14, mostra-se
na sequência das Figuras 15 a 23, a comparação entre a climatologia observada e obtida
por cada MCG e ensemble, para cada capital de cada estado do NEB, como uma
amostra do total de estações utilizadas. Os resultados evidenciam a habilidade dos
MCGs em simular a climatologia a nível mensal, o que resulta na representação
satisfatória do ciclo anual. Em algumas dessas localidades, como em São Luís, percebese como os MCGs simulam bem o ciclo anual mas subestimam o total observado
principalmente nos meses mais chuvosos do ano, refletindo essa característica no
ensemble. Este resultado foi obtido de forma similar por Costa et al (2021) aplicando o
mesmo MDE para quatro MCGs do CMIP3, com objetivo de geração de cenários
futuros regionalizados relativos aos cenários A1B e A2 do quarto relatório do IPCC
(IPCC 2007). Autores mencionam similaridades entre os cenários A1B e RCP4.5,

48
principalmente no que tange a cenários que buscariam um maior equilíbrio entre fontes
de energias renováveis com as provenientes de combustíveis fósseis.
Figura 15: Climatologia observada e simuladas por todos os modelos do período 19792000, para São Luís (MA).

Figura 16: Climatologia observada e simuladas por todos os modelos do período 19792000, para Teresina (PI).

Figura 17: Climatologia observada e simuladas por todos os modelos do período 19792000, para Fortaleza (CE).

49
Figura 18: Climatologia observada e simuladas por todos os modelos do período 19792000, para Natal (RN).

Figura 19: Climatologia observada e simuladas por todos os modelos do período 19792000, para João Pessoa (PB).

Figura 20: Climatologia observada e simuladas por todos os modelos do período 19792000, para Recife (PE).

Figura 21: Climatologia observada e simuladas por todos os modelos do período 19792000, para Maceió (AL).

50

Figura 22: Climatologia observada e simuladas por todos os modelos do período 19792000, para Aracajú (SE).

Figura 23: Climatologia observada e simuladas por todos os modelos do período 19792000, para Salvador (BA).

Geralmente, o uso de diversos modelos em um “conjunto” (ensemble) torna-se
útil para avaliar a variabilidade entre os modelos do sistema terrestre, podendo-se
quantificar as incertezas das projeções futuras considerando vários cenários de vários

51
modelos (Brankovi et al., 1994). Dos resultados da precipitação, pode-se concluir que o
ensemble dos modelos fornece uma forma mais direta e objetiva de comparar a
performance dos dados gerados pelos MCGs em comparação aos observados no
contexto histórico, o que imprime confiabilidade as simulações históricas e projeções
futuras. Para a temperatura máxima e mínima, todos os resultados relativos a simulação
do clima no período de referência 1979-2000 será baseado no resultado do ensemble.
A Figura 24 mostra a climatologia anual e sazonal das temperaturas máximas.
Os valores indicam que as maiores médias anuais estão localizadas entre os estados do
Maranhão e Piauí, oeste e leste do Ceará e centro-oeste do Rio Grande do Norte , e as
mais amenas no centro-sul baiano, e em núcleos associados a estações em municípios
com altitudes superiores a 500m, como observado no norte do Ceará (estação localizada
em Guaramiranga, a 870,7m de altura), Pernambuco (Garanhuns a 822,8m e Triunfo a
1105m), Paraíba (Areia a 574,6m e Campina Grande a 547,6m), e na Bahia (Vitória da
Conquista a 874,8m, Caetité a 882,5m e Morro do Chapéu a 1003,3m). O outono é o
período de temperatura máximas mais amenas no norte do NEB, coincidente com o
período chuvoso, e o mesmo efeito é observado no leste do NEB no inverno. A
primavera se destaca com temperaturas máximas acima dos 33°C no centro-norte do
NEB, abrangendo Maranhão, Piauí (onde há maior homogeneidade em relação as
temperaturas mais elevadas), boa parte do Ceará, e oeste dos estados do Rio Grande do
Norte, Paraíba e Pernambuco.
A Figura 25 mostra o mesmo resultado da Figura 24, mas para o ensemble dos
modelos, onde nota-se a habilidade dos mesmos em simular comportamento climático
muito similar das observações, porém com áreas visivelmente mais quentes, cujo viés
positivo é comprovado na Figura 26, com desvios positivos mais marcantes no outono e
inverno, resultando numa média anual superior a 1°C em relação a observada mais
pronunciada em partes do Maranhão e leste do NEB.
As Figuras 27 a 29 mostram os mesmos resultados das Figuras 24 a 26, mas para
as temperaturas mínimas. Para esta variável, também é visível que o ensemble (Figura
28) simula satisfatoriamente o ciclo anual observado (Figura 27), porém com maior
alternância em áreas onde o ensemble superestima e subestima as observações.
Interessante notar que esse padrão de aquecimento/resfriamento é homogêneo entre as
estações do ano, mostrando um comportamento de viés sistemático dos modelos durante
todo o ano em relação aos valores observados.

52
Figura 24: Da esquerda para a direita: climatologia a partir de dados observados da
temperatura máxima anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera).

Figura 25: Da esquerda para a direita: climatologia a partir do ensemble dos MCGs da
temperatura máxima anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera).

Figura 26: Diferença entre climatologias simuladas pela média de todos os modelos
(ensemble) para a temperatura mínima e obtida das observações no período 1979-2000.

Figura 27: Da esquerda para a direita: climatologia a partir de dados observados da
temperatura mínima anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera).

53
Figura 28: Da esquerda para a direita: climatologia a partir do ensemble dos MCGs da
temperatura máxima anual, do trimestre dezembro-janeiro-fevereiro (verão), marçoabril-maio (outono), junho-julho-agosto (inverno) e setembro-outubro-novembro
(primavera).

Figura 29: Diferença entre climatologias simuladas pela média de todos os modelos
(ensemble) para a temperatura mínima e obtida das observações no período 1979-2000.

4.3.2. Validação da simulação do clima presente
No processo de calibração e sua posterior validação, os resultados independem
do MCG a ser utilizado para geração de cenários futuros, uma vez que se busca estudar
a relação entre os preditores escolhidos das reanálises, com as variáveis de superfície. O
MDE estatístico usado foi o método dos análogos. A calibração comprovou a habilidade
do MDE em explicar a variabilidade dos preditandos. Mas, além disso, devido a não
estacionariedade do clima, faz-se necessário verificar a capacidade do MDE em
simular/prever as variáveis para um período independente. Enquanto o processo de
calibração permitiu a reconstituição do clima no período 1979-2000, para a validação
foram calculados e analisados parâmetros estatísticos relacionando simulações para o
período 2001-2010 as observações desse mesmo período.
As séries sintéticas de precipitação, temperaturas máximas e mínimas geradas
para este período foram analisadas diariamente e agregadas a cada 10 dias, e
comparadas às observações, pois o passo de tempo do modelo agrometeorológico usado
nessa pesquisa é decendial.

54
A Figura 30 mostra a correlação para a precipitação acumulada média decendial
(a), temperaturas máximas médias decendiais (b) e temperaturas mínimas decendiais
(c). Neste período de validação (2001-2010), agregados de 10 dias correspondem a 360
decêndios. Para este tamanho n=360, todas as correlações apresentaram significância
estatística ao nível de 95% de confiança. As maiores correlações, acima de 0,6, estão
concentradas na porção centro-oeste do NEB. Um núcleo de correlações mais baixas, da
ordem de 0,3 a 0,6 está concentrado no leste do NEB entre o centro-sul da Paraíba e
Bahia. A temperatura máxima, por sua vez, é a variável que apresentou as maiores
correlações em toda a região, atingindo valor máximo de 0,91 em determinados pontos
da faixa leste. As temperaturas mínimas também apresentaram correlações elevadas que
também atingiram 0,91 em algumas localidades da faixa leste, no entanto seus valores
diminuem na porção noroeste do NEB, com os menores valores observados em pontos
localizados entre os estados do Piauí e Maranhão.
A Figura 31 mostra o viés para a precipitação acumulada média decendial (a),
temperaturas máximas médias decendiais (b) e temperaturas mínimas decendiais (c).
Para a precipitação, os maiores vieses estão concentrados na faixa leste onde as
correlações foram mais baixas. Predominaram vieses negativos para a precipitação,
corroborando a tendência do MDE em subestimar a precipitação no período de
validação, semelhante ao ocorrido no período de calibração. As temperaturas máximas e
mínimas apresentaram um viés positivo na faixa leste, tendência de superestimar a
temperatura observada, mas apenas as temperaturas máximas apresentaram viés
negativo, tendência de subestimar as observações, no noroeste da região entre os estados
do Piauí e Maranhão.
A Figura 32 mostra o RMSE para a precipitação acumulada média decendial (a),
temperaturas máximas médias decendiais (b) e temperaturas mínimas decendiais (c).
Quanto a este parâmetro, que é uma medida usada para estimar as diferenças entre
valores simulados e observados, mostra para a precipitação agregada de 10 dias valores
médios em torno de 20mm a 40mm na parte central do NEB, atingindo valores de até
90mm no norte do Maranhão. Os maiores valores de RMSE localizam-se nas porções
extremas das áreas mais chuvosas do NEB, incluindo valores um pouco mais elevados
de RMSE no leste da região. As temperaturas máximas apresentaram maiores valores de
RMSE comparadas as temperaturas mínimas, mas em ambas variáveis, as áreas de
maiores valores desse parâmetro estão localizadas no centro-oeste do NEB, entre Bahia,
sul do Piauí e Maranhão, com pontos próximos aos 2°C.

55
Assim como observados em Costa et al (2021), esse parâmetro apresenta
padrões aceitáveis de comparação entre os dados simulados e observados,
proporcionando confiança para o uso das séries temporais de precipitação, temperaturas
máximas e mínimas geradas para os cenários futuros.
Figura 30: Correlação r entre simulações e observações, para dados agregados em
decêndios, (a) precipitação, (b) temperaturas máximas e (c) temperaturas mínimas.

Figura 31: Viés entre simulações e observações, para dados agregados em decêndios,
(a) precipitação (mm), (b) temperaturas máximas (°C) e (c) temperaturas mínimas (°C).

Figura 32: RMSE entre simulações e observações, para dados agregados em decêndios,
(a) precipitação (mm), (b) temperaturas máximas (°C) e (c) temperaturas mínimas (°C).

56

4.4.

CENÁRIOS

FUTUROS

DA

PRECIPITAÇÃO,

TEMPERATURAS

MÁXIMAS E MÍNIMAS
Após a seleção dos preditores, calibração e validação do MDE, e verificação da
destreza dos modelos em simular o ciclo climático anual, foram geradas as projeções
das variáveis a partir do cenário futuro RCP4.5, para cada MCG, uma vez que se torna
essencial conhecer suas incertezas a fim de alcançar representações confiáveis do clima
futuro.
Muitas são as incertezas associadas aos cenários socioeconômicos, emissões de
gases de efeito estufa, estrutura e parametrizações dos modelos, e ao próprio método de
regionalização empregado. Os resultados são apresentados em termos das alterações de
longo prazo, a nível anual para o cenário RCP4.5 entre a média obtida das variáveis
para o ensemble dos modelos, que de acordo com a literatura é uma abordagem simples
e eficiente de reduzir a variabilidade intermodelos sob qualquer tipo de abordagem de
previsões/projeções climáticas (Sanderson et al., 2015; Fyfe et al., 2021; Osman et al.,
2021). Os três subperíodos apresentados representam um futuro atual/próximo (20112040), um futuro intermediário (2041-2070) e um futuro distante (2071-2100). Todos os
desvios são em relação as observações do período de referência 1979-2000.
A Figura 33 mostra uma redução do total anual da precipitação acumulada já
para o período 2011-2040 de 100 a 200mm na maior parte da região, com áreas que
superam os 200mm de diferença em núcleos esparsos observados em todos os Estados,
embora mais concentrados na Bahia. Para 2041-2070, esse feito é intensificado, com as
áreas de déficit superiores a 200m anuais predominando e núcleos com déficits
inferiores a 500mm anuais observados. A ápice dessa tendência de redução nos
acumulados anuais é projetado no período 2071-2100, com déficits que ultrapassam os
750mm em algumas localidades.
A Figura 34 mostra uma tendência de aumento das temperaturas máximas entre
0,5 e 1°C em partes do norte do NEB e de até 2°C na maior parte do restante da região.
Para 2041-2070, essa tendência é incrementada, com áreas de aumento entre 2 e 3°C,
atingindo o máximo de aumento em relação entre 2071-2100 principalmente no centrosul da região, inclusive com núcleos isolados apresentando acréscimo superior aos 3°C.
A Figura 35 mostra, para as temperaturas mínimas, comportamento similar ao
projetado para as temperaturas máximas, com acréscimo de até 2°C na maior parte da

57
região entre 2011 e 2040, com núcleos esparsos que já superam os 2°C entre 2041-2070
e de 2 a 3°C entre 2071-2100.
Estes resultados tem similaridade a outros estudos que projetam mudanças
climáticas de precipitação e temperaturas para o NEB, porém com nuances nas
intensidades dessas mudanças. Para a precipitação, onde se projeta uma redução
significante do acumulado anual das chuvas até o final do século, valores similares
foram obtidos por Costa et al (2020), usando a mesma metodologia de downscaling
estatístico e mesma base de dados, mas para diferentes cenários: A1B e A2. No entanto,
outros estudos ora convergem/divergem dos resultados aqui apresentados, em relação à
precipitação.
Marengo et al (2016), analisaram projeções futuras de precipitação e
temperaturas de um ensemble de 24 modelos (ou diferentes versões de modelos) do
CMIP5 para o NEB para verificar o potencial de ocorrência de secas futuras, e
verificaram redução do total das chuvas anuais sob condições do cenário RCP4.5, mais
proeminentes no centro-leste do NEB. Guimarães et al (2016) analisaram projeções
climáticas para o final do século aplicando regionalização dinâmica ao ensemble de 32
modelos/versões de modelos, para o cenário RCP4.5, e encontraram projeções para o
período 2079-2099 de aumento de até 200 mm/ano na costa norte do NEB, e diminuição
mais elevada em maior parte da região centro-leste, de até -100 mm/ano, o que contrasta
dos resultados aqui apresentados, embora o norte do NEB também seja a área do NEB
onde obteve-se as menores projeções futuras de redução da precipitação acumulada
anual. Para as temperaturas diversos estudos encontram, sob diferentes magnitudes, para
diferentes modelos, aumento das temperaturas até o final do século para o NEB
(Guimarães et al., 2016; Alves et al., 2016; Silva et al., 2020, Costa et al., 2020; Santos
et al., 2020; Costa et al., 2021).

58
Figura 33: Diferenças médias anuais da precipitação acumulado do ensemble dos
modelos para (a) 2011-2040, (b) 2041-2070 e (c) 2071-2100, com as médias 1979-2000.

Figura 34: Diferenças médias anuais das temperaturas máximas do ensemble dos
modelos para (a) 2011-2040, (b) 2041-2070 e (c) 2071-2100, com as médias 1979-2000.

59
Figura 35: Diferenças médias anuais das temperaturas mínimas do ensemble dos
modelos para (a) 2011-2040, (b) 2041-2070 e (c) 2071-2100, com as médias 1979-2000.

4.5. CENÁRIOS FUTUROS DE PRODUTIVIDADE
A partir da calibração e validação do modelo agrometeorológico e downscaling
estatístico são exibidos os resultados da produtividade relativa do feijão no NEB, para o
período de 2010 a 2100, utilizando o cenário RCP 4.5 do quinto relatório do IPCC. Os
modelos validados são: CANESM2, CNRM-CM5, GFDL-ESM2M, IPSL-CM5A-MR,
MPI-ESM-MR, e NORESM1-M. A plantação do feijão acontece em diferentes épocas,
sendo esse período divido em 10 calendários agrícolas para os nove estados do NEB.
Para cada um dos 73 municípios estudados, há seis simulações, de cada MCG. A Tabela
8 mostra cada calendário de plantio, com três datas (CONAB, 2019), onde deve-se
realizar uma ponderação dos valores de produtividade obtidos considerando-se a
seguinte proporcionalidade: 25% dos agricultores semeia na primeira data do
calendário, 50% na segunda data e 25% na terceira data.
Tabela 8: Calendário de plantio por Estados (dec = decêndio, nov = novembro, dez =
dezembro, e assim por diante para demais meses).
UF
MA
BA
MA
PI
CE/PE/PB
PB (centro-leste)
RN (leste)
PE (leste)
AL/SE
BA (leste)

Calendário
1
2
3
4
5
6
7
8
9
10

1ª Data
01 dec/nov
01 dec/nov
01 dec/dez
01 dec/dez
01 dec/jan
01 dec/fev
01 dec/mar
01 dec/mar
01 dec/abr
01 dec/abr

2ª Data
01 dec/dez
02 dec/nov
01 dec/jan
02 dec/jan
02 dec/fev
02 dec/mar
01 dec/abr
02 dec/abr
02 dec/mai
01 dec/mai

3ª Data
03 dec/dez
03 dec/dez
03 dec/jan
03 dec/fev
03 dec/mar
03 dec/abr
03 dec/abr
03 dec/mai
03 dec/jun
02 dec/jun

60
As figuras apresentadas abaixo se referem à média de produtividade dos
municípios, conforme seu calendário de plantio, simulada por cada modelo. O período
de análise varia com base climatológica entre os anos de 2011-2040, 2041-2070 e 20712100, onde se observa a predominância do aumento das temperaturas e seu impacto na
produtividade.
A produtividade do calendário 1 e 3, que correspondem aos municípios do
Estado do Maranhão (MA) são apresentados na figura 36. Maior parte dos municípios
produtores do Maranhão (MA) corresponde ao grupo G2, de média produtividade,
exceto Turiaçu que está inserido no G3, grupo de alta produtividade. Nas representações
abaixo, é possível observar uma diminuição da produtividade até 2100 para todos os
municípios.
No Calendário 1, Carolina (MA) se destaca por apresentar as maiores reduções
de produtividade. Há predominância positiva do aumento das temperaturas é ainda mais
elevada para regiões no interior do NEB, que por consequência, tem clima mais seco.
Em Turiaçu, calendário 3, o rendimento é mais afetado após 2041, estima-se que essa
redução seja de aproximadamente 22% até 2100. Sousa et. al (2009) explica como o
estresse hídrico do feijoeiro, causado pela diminuição da precipitação e o aumento da
ETP, afeta o desenvolvimento das culturas e é ainda mais severo nas fases de floração e
frutificação.

61
Figura 36: Estimativa média da produtividade do feijão, para o cenário RCP 4.5, para o
calendário 1 e 3, entre o período de 2011 a 2100.

O plantio no Estado da Bahia é dividido entre o calendário 2 e o calendário 10.
O calendário 2 é o que detêm a maior parte dos municípios, como apresentado na figura
37. Em ambos os calendários a rendimento da produtividade do feijão é reduzido,
exceto em Carinhanha (BA) e Itiruçu (BA), que são respectivamente, classificados
como G2 e G3. Carinhanha apresenta entre o período de 2041-2070 produtividade mais
alta que Itiruçu, e a partir de 2071 o aumento é previsto para os dois municípios.
Carinhanha é um município do Estado da Bahia que está localizado às margens
do Rio São Francisco, o rendimento da produtividade observada para o feijão nessa
região é afetado por eventos extremos, seja inundações ou secas prolongadas. Segundo
Assad et. al (2008) 95% das perdas no setor agrícola estão associadas a esses fatores,
que são ainda destacados pela Empraba como os principais para a perda de terras
agricultáveis.

62
Figura 37: Similar à figura 36, mas para os calendários 2 e 10.

O Estado do Piauí (PI) é o estado com o maior número de municípios com baixa
produtividade do feijão. As simulações para esses municípios são apresentadas na figura
38. Observa-se a tendência positiva para as reduções no rendimento da produtividade
para todos os municípios, exceto em Bom Jesus do Piauí (PI). O aumento da
produtividade nesse município é melhor visualizado a partir de 2070, considerando as
simulações do clima apresentados na seção anterior, o ápice do aumento da temperatura
ocorre nesse período, e conforme o calendário de plantio, em Bom Jesus do Piauí, o
plantio ocorre durante o verão, que é o período mais quente da região e ainda com o
maior número de chuvas.

63
Figura 38: Similar à figura 36, mas para o calendário 4.

O calendário 5 é composto por plantio em três Estados (Ceará, Paraíba e
Pernambuco), apresentados na figura 39. No Ceará observa-se que a redução da
produtividade não é tão impactante como foi demonstrado em outros estados, sendo o
rendimento da safra do feijão acrescido em Jaguaruana (CE), Cratéus (CE),
Quixeramobim (CE) e Barbalha (CE), e no geral, apresenta-se como o estado com
maior aumento produtivo. O impacto do aumento da temperatura global relaciona-se
diretamente a uma perturbação no ciclo hidrológico e na ETP, contribuindo assim, para
todo um desequilíbrio agroclimático. Contudo, o aumento da produtividade no Ceará, é
atribuído para previsão de temperaturas na faixa de 18-30ºC, onde o feijão é
amplamente adaptável.

64
Figura 39: Similar à figura 36, mas para o calendário 5.

Para os demais municípios produtores do calendário 5 não foram observadas
reduções ou aumento tão significativos, assim como em Ceará-Mirim (RN) no
calendário 7, apresentado na figura 40. Os calendários 6, 8 e 9 apresentam redução a
partir de 2041, como previsão para quase todos os municípios produtores, fato
destacado pelo aumento da temperatura ser intensificado nesse período. Algumas
variações são observadas em todas as simulações, contudo, pressupõe-se que o NEB
não é autossuficiente quanto à produtividade do feijão, visto que a região é extensa e
não permite os ganhos em escala.

65
Figura 40: Similar à figura 36, mas para os calendários 6, 7, 8 e 9.

O impacto das mudanças climáticas está diretamente associado ao aumento da
temperatura. Ortiz-Bobea et. al (2021) afirma que esse aumento é desigual pelo mundo,
sendo algumas regiões mais afetadas que outras. As temperaturas quanto mais altas,
mais prejudiciais à produtividade agrícola total. E ainda de acordo com essa pesquisa, o
impacto das mudanças climáticas representa uma perda de crescimento da produtividade
baseada em 7 anos. Essa perda, de aproximadamente 26-34%, é observada de forma
mais severa em regiões mais quentes, como a África, América Latina e Caribe.
A agricultura global tornou-se mais vulnerável às mudanças climáticas, os vários
estudos como de Silva et al (2014b), Ayoade (2007), Pinto e Netto (2008) ressaltam a
importância das variáveis climáticas para agricultura. Costa et al; Junior et al; Silva et al
(2020), também estudaram diferentes cenários de mudanças climáticas em outras
determinadas áreas da região NEB e observaram que as principais características
climáticas que afetam safras agrícolas são a precipitação e a temperatura, que segundo
apresentado por Ortiz-Bobea et al (2021) possuem relação, de maneira inversa, sendo a
temperatura aproximadamente linear.
Por vez, os mais diversos autores e trabalhos incluem em suas pesquisas a
importância da previsibilidade da produção de safras agrícolas, com diferentes
conjuntos de dados e para outros cenários futuros, no NEB, para o planejamento

66
socioeconômico. Como destaca Silva (2014a), os progressos científicos têm contribuído
para o planejamento agrícola e maiores possibilidades para as safras resistirem à
variabilidade do tempo, sendo ainda o clima uma das variáveis mais importantes para a
agricultura. E, ao que é descrito pelo CONAB o estudo para que a produção cresça está
associado à introdução de variedades mais produtivas e mais resistentes.

67
5. CONCLUSÃO
As representações do IPCC são semelhantes às simuladas pelos modelos, e a
previsibilidade é que os impactos das mudanças climáticas são tendenciosamente
maiores a partir de 2041. As projeções indicaram reduções significativas das taxas de
precipitação, em média, os MCGs subestimam a precipitação na maior parte do NEB, e
no leste do NEB essa variação é menor, inclusive observa-se uma superestimativa no
leste do estado do Rio Grande do Norte. Para a temperatura máxima e mínima, as
simulações preveem similaridade no aumento, sendo a tendência máxima de 2ºC entre
2041-2070 e de 2 a 3ºC em 2071-2100.
Quanto à produtividade mesmo com expressiva diminuição, o Estado da Bahia
continua sendo o primeiro grande produtor, seguido do Ceará, que apresenta aumento
nos rendimentos futuros. Dentre a classificação, estima-se que esse aumento de
produtividade em alguns municípios seja em um futuro distante (2071-2100) e que
tenha relação com as perturbações no ciclo hidrológico provocada pela tendência
positiva da ETP.
Os resultados obtidos permitem afirmar que a calibração dos modelos utilizados
para as simulações do clima foram satisfatórias. Os parâmetros estatísticos mostraram
que o conjunto de preditores escolhidos para empregar a técnica de dowscaling
estatístico tem capacidade reprodutiva suficiente para representações.
Dessa forma, foi possível realizar validações para 6 MCGs para o cenário futuro
de mudanças climáticas, o RCP4.5 e, ainda, diante do exposto, ressaltar a importância
da pesquisa para o planejamento agrícola e para as adequações do plantio em
decorrência da variabilidade climática. As séries históricas, portanto, permitem avaliar o
passado e prever o futuro, sendo forma de recurso para informações e prevenção de
prejuízos sociais e econômicos para a população.

68
6. REFERÊNCIA BIBLIOGRÁFICA
ACOCK, B.; TRENT, A. The soybean crop simulator, GLYCIM: documentation for the
modular version 91. Moscow: University of Idaho, Department of Plant, Soil and
Entomological Sciences, 1991. 242p.
ALLEN, R.G., PEREIRA, L.S., RAES, D., SMITH, M. Crop evapotranspiration:
guidelines for computing crop water requirements. In: FAO Irrigation and Drainage
Paper No. 56. FAO, Rome, Italy, 300 pp. 1998.
ALVES, J.M.B.; VASCONCELOS JÚNIOR, F.C.; CHAVES, R.R.; SILVA, E.M.;
SERVAIN, J.; COSTA, A.A.; SOMBRA, S.S.; BARBOSA, A.C.B.; SANTOS, A.C.S.
Evaluation of the AR4 CMIP3 and the AR5 CMIP5 Model and Projections for
Precipitation in Northeast Brazil. Frontiers in Earth Science, v. 4: 44, 2016. doi:
10.3389/feart.2016.00044
ANDRÉ, R.G.B.; MARQUES, V.S.; PINHEIRO, F.M.A.; FERRAUDO, A.S.
Identificação de regiões pluviometricamente homogêneas no estado do Rio de Janeiro,
utilizando-se valores mensais. Revista Brasileira de Meteorologia, v. 23, p. 501-509,
2008.
ARF, O.; RODRIGUES, R.A.F.; SÁ, M.E.; BUZETTI, S.; NASCIMENTO, V. Manejo
do solo, água e nitrogênio no cultivo de feijão. Pesquisa Agropecuária Brasileira,
Brasília, v. 39, n. 2, p. 131-138, 2004.
ARF, O.; SÁ, M.E.; OKITA, C.S.; TIBA, M.A.; GUERREIRO N.G.; OGASSAWARA,
F.Y. Efeito de diferentes espaçamentos e densidades de semeadura sobre o
desenvolvimento do feijoeiro (Phaseolus vulgaris L.). Pesquisa Agropecuária
Brasileira, Brasília, v.31, n.8, p.533-597, 1996.
ARIAS, P.A.; ORTEGA, G.; VILLEGAS, L.D.; MARTÍNEZ, J.A. Colombian
climatology in CMIP5/CMIP6 models: Persistent biases and improvements. Revista
Facultad de Ingeniería, Universidad de Antioquia, n.100, p. 75-96, 2021.
ASSAD, E. et al. Impactos das Mudanças Climáticas na Produção Agrícola
Brasileira. LCSAR – The World Bank, 2013.
AYOADE, J. O. Introdução à climatologia para os trópicos. São Paulo: Difel, 2007.
BÁRDOSSY, A.; PEGRAM, G. Downscaling precipitation using regional climate
models and circulation patterns toward hydrology. Water Resources Research., v. 47,
W04505, 2011.
BARNETT, T.; PREISENDORFER, R. Multifield analog prediction of short-term
climate fluctuations using a climate state vector. Journal of Atmospheric Sciences, v.
35, p. 1771- 1787, 1978.
BENESTAD, R. E. Downscaling precipitation extremes. Theoretical and Applied
Climatology, v. 100 (1-2), p. 1-21, 2010.
BERLATO, M. A.; MOLION, L. C. B. Evaporação e evapotranspiração. Porto
Alegre: IPAGRO, 95p, 1981. (IPAGRO. Boletim Técnico, 7).
BIAU, G.; ZORITA, E.; VON STORCH, H.; WACKERNAGEL, H. Estimation of
precipitation by kriging in the EOF space of the sea level pressure field. Journal of
Climate, v. 12, p. 1070-1085, 1999.
BRANDS, S.; HERRERA, S.; SAN-MARTIN, D.; GUTIERREZ, J. M. Validation of
the ensembles global climate models over southwestern Europe using probability

69
density functions, from a downscaling perspective. Climate Research, v. 48(2-3), p.
145–161, 2011a.
BRANDS, S.; TABOADA, J. J.; COfiNO, A. S.; SAUTER, T.; SCHNEIDER, C.
Statistical downscaling of daily temperatures in the Iberian Peninsula from global
climate models: validation and future scenarios. Climate Research, v.48(2-3), p. 163–
176, 2011b.
BRANKOVI, P.; TIM FERRANTI, L. Predictability of Seasonal Atmospheric
Variations. Journal of Climate - J CLIMATE. 7. 217-237. 10.1175/15200442(1994)007<0217:POSAV>2.0.CO;2. 1994.
BRENKERT A.; SMITH S.; KIM S.; PITCHER H. Model Documentation for the
MiniCAM. PNNL14337. Pacific Northwest National Laboratory, Richland,
Washington. 2003.
CAMPOS, J. H. B. C. Impactos das alterações climáticas sobre a área de cultivo e
produtividade de milho e feijão no Nordeste do Brasil usando modelagem
agrometeorológica. Tese (Doutorado em Recursos Naturais), 93f. Universidade
Federal de Campina Grande, Campina Grande, PB, 2010.
CHEEROO-NAYAMUTH, B.F. Crop modelling/simulation: an overview. In: annual
meeting of agricultural scientists, 1999, Réduit. [Proceedings]. Réduit: Food and
Agricultural Research Council, p.11-26. 1999.
CHOU, S.C., et al. Evaluation of the Eta Simulations Nested in Three Global Climate
Models. American Journal of Climate Change, 3, 438-454. 2007.
http://dx.doi.org/10.4236/ajcc.2014.35039
CHOU, SIN CHAN & LYRA, ANDRE & MOURÃO, CAROLINE &
DERECZYNSKI, CLAUDINE & PILOTTO, ISABEL & GOMES, JORGE &
BUSTAMANTE, JOSIANE & TAVARES, PRISCILA & SILVA, ADAN &
RODRIGUES, DANIELA & CAMPOS, DIEGO & CHAGAS, DIEGO & MEDEIROS,
GUSTAVO & SIQUEIRA, GRACIELLE & MARENGO, JOSE. Assessment of
Climate Change over South America under RCP 4.5 and 8.5 Downscaling Scenarios.
American Journal of Climate Change. 2014. DOI: 03. 512-527.
10.4236/ajcc.2014.35043.
CLARKE L.; EDMONDS J.; JACOBY H.; PITCHER H.; REILLY J.; RICHELS R.
CCSP Synthesis and Assessment Product 2.1, Part A: Scenarios of Greenhouse Gas
Emissions and Atmospheric Concentrations. U.S. Government Printing Office.
Washington, DC. 2007.
COFIÑO, A.S.; SAN-MARTÍN, D.; GUTIÉRREZ, J.M. A Web Portal for Regional
Projection of Weather Forecast Using GRID Middleware. In: SHI, Y.; VAN ALBADA,
G.D.; DONGARRA, J.; SLOOT, P.M.A. (eds) Computational Science - ICCS 2007.
Lecture Notes in Computer Science, v. 4489. Helsinki: Springer, 2007.
COMPANHIA NACIONAL DE ABASTECIMENTO - CONAB. Acompanhamento
de safra brasileira: grãos. V.7-SAFRA 2019/20 N. 6 - sexto levantamento.
COSTA, R.L.; GOMES, H.B.; SILVA, F.D.S.; BAPTISTA, G.M.M.; DA ROCHA
JÚNIOR, R.L.; HERDIES, D.L.; SILVA, V.P.R. Cenários de Mudanças Climáticas
para a Região Nordeste do Brasil por meio da Técnica de Downscaling Estatístico.
Revista Brasileira de Meteorologia, v. 35, n. Especial, p. 785-801, 2020a.

70
COSTA, R.L.; BAPTISTA, G.M.M.; GOMES, H.B.; SILVA, F.D.S.; DA ROCHA
JÚNIOS, R.L.; NEDEL, A.S. Analysis of future climate scenarios for northeastern
Brazil and implications for human thermal comfort. Anais da Academia Brasileira de
Ciências, v. 93, n. 1, e20190651, 2021.
COSTA, R.L.; BAPTISTA, G. M. M. ; GOMES, H. B. ; SILVA, F. D. S. ; ROCHA
JUNIOR, R. L. ; li, M. A. ; HERDIES, D. L. . Analysis of climate extremes indices over
northeast Brazil from 1961 to 2014. Weather and climate extremes, v. 28, p. 100254,
2020b.
CUBASCH, U.; VON STORCH, H.; WASZKEWITZ, J. ZORITA, E. Estimates of
climate changes in southern Europe using different downscaling techniques. Climate
Research, v. 7, p. 129-149, 1996.
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, n.
10, e855, 2018.
DEE, D. P.; UPPALA, S. M.; SIMMONS, A. J.; BERRISFORD, P.; POLI, P.;
KOBAYASHI, S.; ANDRAE, U.; BALMASEDA, M. A.; BALSAMO, G.; BAUER, P.;
BECHTOLD, P.; BELJAARS, A. C. M.; van de BERG, L.; BIDLOT, J.; BORMANN,
N.; DELSOL, C.; DRAGANI, R.; FUENTES, M.; GEER, A. J.; HAIMBERGER, L.;
HEALY, S. B.; HERSBACH, H.; HOLM, E. V.; ISAKSEN, L.; KALLBERG, P.;
KOHLER, M.; MATRICARDI, M.; McNALLY, A. P.; MONGE-SANZ, B. M.;
MORCRETTE, J. J.; PARK, B. K.; PEUBEY, C.; ROSNAY, P.; TAVOLATO, C.;
THEPAUT, J. N.; VITART, F. The ERA-Interim reanalysis: configuration and
performance of the data assimilation system. Quarterly Journal of the Royal
Meteorological Society, v. 137, p. 553–597, 2011.
DOORENBOS, J. & KASSAM, A. H. – Yield response to water. Rome. FAO, 1979.
197p. (FAO Irrigation and Drainage Paper, 33). DOORENBOS, J., KASSAM, A. H.
Efeito da água no rendimento das culturas. Estudos FAO – Irrigação e Drenagem 33,
Campinas Grande, UFPB, 1979. 306p.
DOORENBOS, J.; PRUITT, W. O. Crop water requirements. Rome: FAO, 1977.
(Irrigation and drainage paper, 24).
FARIA, M. T. Produtividade da cultura do feijão (phaseolus vulgaris l.) Irrigada por
aspersão convencional com diferentes métodos de estimativa de lâmina de irrigação.
Tese de doutorado. 99p. Unesp – Jaboticabal, 2012.
FERNANDES, E. J.; TURCO, J. E. P. Evapotranspiração de Referência para Manejo da
Irrigação em Cultura de Soja, Irriga, Botucatu, v.8, n.2, p.132-141, maio-agosto, 2003.
FERNÁNDEZ DE CÓRDOVA, FERNANDO; GEPTS, PAUL L; LÓPEZ GENES,
MARCELIANO. Etapas de desarrollo de la planta de fríjol común (Phaseolus vulgaris
L.). Centro Internacional de Agricultura Tropical (CIAT), Cali, CO. 33 p. 1986.
FILGUEIRA, F. A R. Novo Manual de Olericultura: agrotecnologia moderna na
produção e comercialização de hortaliças. Viçosa: UFV, 2008. 421 p.
FOWLER, H. J.; BLENKINSOP, S.; TEBALDI, C. Linking climate change modelling
to impacts studies: Recent advances in downscaling techniques for hydrological
modelling. International Journal of Climatology, v. 27, n. 1, p. 1547-1578, 2007.

71
FUJINO, J. et al. Multigas miligation analysis on stabilization scenarios using AIM
global model . Multigas miligation and climate policy. Energy J. 3 (Special Issue). 343354 (2006).
FYFE, J.C.; KHARIN, V.V.; SANTER, B.D.; COLE, J.N.S.; GILLET, N.P. Significant
impact of forcing uncertainty in a large ensemble of climate model simulations.
Proceedings of the National Academy of Sciences of the United States of America
(PNAS), v. 118, n. 23, e2016549118, 2021.
GIDEY, E. DIKINYA, O. SEBEGO, R. et al. Previsões de futuro perigo de seca
meteorológica (~2070) sob o caminho de concentração representativo (RCP) 4.5
cenários de mudanças climáticas em Raya, norte da Etiópia. Modeling Earth Systems
and Environment, v. 4, p. 475-488, 2018. https://doi.org/10.1007/s40808-018-0453-x.
GONCALVES, A.R.; PES, M.P.; PEREIRA, E.B.; MARTINS, F.R.; CRUZ
SEGUNDO, E.I.; LYRA, A.A. Statistical downscaling of Eta-HadCM3 climate model
for near surface wind assessment in Brazil, Eos Trans. AGU, 91(26), Meet. Am.
Suppl., Abstract GC21A-05, 2010.
GREATREX, H. The application of seasonal rainfall forecasts and satellite rainfall
estimates to seasonal crop yield forecasting for Africa. (Doctoral thesis). University of
Reading. 2012.
GREGG, J.S.; SMITH, S.J. Energy from Residue Biomass. Mit. Adap. Strat. for
Global Change, 2010 DOI 10.1007/s11027-010-9215-4.
GULACHA, METEKIYA & MULUNGU, DEOGRATIAS. Generation of climate
change scenarios for precipitation and temperature at local scales using SDSM in
Wami-Ruvu River Basin Tanzania. Physics and Chemistry of the Earth, Parts
A/B/C. 2016. DOI: 100. 10.1016/j.pce.2016.10.003.
GUIMARÃES, S.O.; COSTA, A.A.; VASCONCELOS JÚNIOR, F.C.; SILVA, E.M.;
SALES, D.C.; ARAÚJO JÚNIOR, L.M.; SOUZA, S.G. Projeções de mudanças
climáticas sobre o nordeste brasileiro dos modelos do CMIP5 e do CORDEX. Revista
Brasileira de Meteorologia, v. 31, n. 3, p. 337-365, 2016.
GUTIÉRREZ, J.M.; SAN-MARTIN, D.; BRANDS, S.; MANZANAS, R.; HERRERA,
S. Reassessing statistical downscaling techniques for their robust application under
climate change conditions. Journal of Climate. v.26, p. 171-188, 2013.
GUTZLER, D. S.; ROBBINS, T. O. Climate variability and projected change in the
western United States: regional downscaling and drought statistics. Climate Dynamics,
v. 37 (5-6), p. 835–849, 2011
HANKS, R. J. & RASMUSSEN, V. P. Predicting crop production as related to plant
water stress. In: BRADY, N. C., ed. Crop production and plant water stress. Advances
in Agronomy, Madison, 35:193-215, 1982.
HASHMI, M.Z.; SHAMSELDIN, A.Y.; MELVILLE, B.W. Comparison of SDSM and
LARS-WG for simulation and downscaling of extreme precipitation events in a
watershed. Stochastic Environmental Research and Risk Assessment, v. 25, n. 4, p.
475-484, 2011.
HERVADA-SALA, C.; JARAUTA-BRAGULAT, E. A program to perform Ward’s
clustering method on several regionalized variables. Computers & Geosciences, v. 30,
p. 881-886, 2004.

72
HEWITSON, B. C.; CRANE, R. G. Consensus between GCM climate change
projections with empirical downscaling: precipitation downscaling over South Africa.
International Journal of Climatology, v. 26, p. 1315-1337, 2006.
HIJIOKA, Y.; MALSUOKA, Y.; NISHIMOLO, H.; MASUI, M.; KAINUMA, M.
Global GHG emissions scenarios under GHG concentration stabilization targels. J.
Glob. Enviran. Eng: 13, 97-108 (2008).
HIROTA, NAGIO & TAKAYABU, YUKARI. Reproducibility of Precipitation
Distribution over the Tropical Oceans in CMIP5 Multi-Climate Models Compared to
CMIP3. Climate Dynamics. 2013. 41. 10.1007/s00382-013-1839-0.
HUANG, G.; PAES, A. T. Posso usar o teste t-Student quando preciso comparar três ou
mais grupo? Einstein: Educação Continuada em Saúde, v. 7, n. 2, p. 63-64, 2009.
IPCC. Working Group I Contribution to the IPCC Fifth Assessment Report (AR5),
Climate Change 2013: The Physical Science Basis. Intergovernmental Panel on
Climate. Change, Geneva, Switzerland, 2013.
KABOOSI, K.; KAVEH, F. Sensitivy analysis of Doorenbos and Kassam (1979) crop
water production function. African Journal of Agricultural Research, Phuket, v. 5, p.
2399-2417, 2010.
KAZMI, D. H.; LI, J.; RASUL, G.; TONG, J.; ALI, G.; CHEEMA, S. B.; LIU, L.;
GEMMER, M.; FISCHER, T. Statistical downscaling and future scenario generation of
temperatures for Pakistan Region. Theoretical and Applied Climatology, v. 120, issue
1-2, 2015. DOI: 10.1007/s00704-014-1176-1
KHAN, M.S.; COULIBALY, P.; DIBIKE, Y. Uncertainty analysis of statistical
downscaling methods. Journal of Hydrology, v. 319, n. 1-4, p. 357-382, 2006.
KIM. S.H, EDMONDS, J, LURZ, J, SMITH, S, WISE, M. The Object-oriented Energy
Climate Technology Systems (ObjECTS) Framework and Hybrid Modeling of
Transportation in the MiniCAM Long-Term, Global Integrated Assessment Model. The
Energy Journal Special Issue: Hybrid Modeling of Energy-Environment Policies:
Reconciling Bottom-up and Top-down: 63- 91. 2006.
KRUIZINGA, S.; MURPHY, A H. Use of an Analogue Procedure to Formulate
Objective Probabilistic Temperature Forecasts in the Netherlands. Monthly Weather
Review, v. 111, p. 2244-2254, 1983
LAMARQUE, J.F.; BOND, T.C.; EYRING, V.; GRANIER, C.; HEIL, A.; KLIMONT,
Z.; LEE, D. S.; LIOUSSE, C.; MIEVILLE, A.; OWEN, B.; SCHULTZ, M.;
SHINDELL, D.; SMITH, S. J.; STEHFEST, E; VAN AARDENNE, J.; COOPER, O.;
KAINUMA, M.; MAHOWALD, N.; MCCONNELL, J. R.; RIAHI, K., AND VAN
VUUREN, D.: HISTORICAL (1850–2000) gridded anthropogenic and biomass burning
emissions of reactive gases and aerosols. Atmospheric Chemistry and Physics, v. 10,
n. 15, p. 7017-7039, 2010.
LIMA, C.I.S.; SILVA, F.D.S.; FREITAS, I.G.F.; PINTO, D.D.C.; COSTA, R.L.;
GOMES, H.B.; SILVA, E.H.L.; SILVA, L.L.; SILVA, V.P.R.; SILBA, B.K.N. Método
Alternativo de Zoneamento Agroclimático do Milho para o Estado de Alagoas. Revista
Brasileira de Meteorologia, v. 35, n. Especial, P. 1057-1067, 2021.
LORENZ, E.N. Atmospheric predictability as revealed by naturally occurring
analogues. Journal of the Atmospheric Sciences, v. 26, p. 636-646, 1969.

73
WISE, M. et al., The Implications of Limiting CO2 Concentrations for Agriculture,
Land-use Change Emissions, and Bioenergy (Tech. Rep. PNNL-18341; available at
www.pnl.gov/gtsp/publications/2009/ 200902_co2_landuse.pdf), 2009.
MAHMOOD, RASHID. Evaluation of SDSM developed by annual and monthly submodels for downscaling temperature and precipitation in the Jhelum basin, Pakistan and
India. Theoretical and Applied Climatology. 113p. 2012. DOI: 10.1007/s00704-0120765-0.
MAIA, F.M.M. Composição e caracterização nutricional de três cultivares de Vigna
unguiculata (L.). Dissertação Mestrado. Walp: EPACE-10, Olho de ovelha e IPA-206.
Fortaleza: UFC, 87p. 1996.
MARENGO, J.A. & ESPINOZA, J.C. Extreme seasonal droughts and floods in
Amazonia: Causes, trends and impacts. International Journal of Climatology 36,
1033–1050. 2016
MARENGO, J.A.; JONES, R.; ALVES, L.M.; VALVERDE, M.C. Future change of
temperature and precipitation extremes in South America as derived from the PRECIS
regional climate modeling system. International Journal of Climatology, v.29, p.
2241-2255, 2009.
MARTINS, M.A. Estimativa da produtividade de milho no semiárido brasileiro, com
base no modelo AquaCrop e previsão climática sazonal., Ano de obtenção: 2017. Tese
(Doutorado em Ciência do Sistema Terrestre). 135f. Instituto Nacional de Pesquisa
Espacial, São José dos Campos, SP, 2017.
MEAURIO, M.; ZABALETA, A.; BOITHIAS, L.; EPELDE, A.M.; SAUVAGE, S.;
SÁNCHEZ-PÉREZ, J.M.; ANTIGUEDAD, I. Assessing the hydrological response
from an ensemble of CMIP5 climate projections in the transition zone of the Atlantic
region (Bay of Biscay). Journal of Hydrology, v. 548, p. 46-62, 2017.
MENDES, D; MARENGO, J.A. Temporal downscaling: a comparison between
artificial neural network and autocorrelation techniques over the Amazon Basin in
present and future climate change scenarios. Theoretical and Applied Climatology., v.
100, n. 3-4, p. 121-134, 2009.
MENEZES, H.E.A. Influência da Zona de Convergência Secundária do Atlântico Sul
sobre a ocorrência de precipitação no leste do Nordeste brasileiro. Tese de Doutorado UFCG, Campina Grande-PB, 103p. 2010.
MIMMACK, G.M.; MASON, S.J.; GALPIN, J.S. Choice of distance matrices in cluster
analysis: defining regions. Journal of Climate, v. 14, p. 2790-2797, 2001.
MONTEIRO, J.E.B.A.; AZEVEDO, L.C.; ASSAD, E.D.; SENTELHAS, P.C. Rice
yield estimation based on weather conditions and on technological level of production
systems in Brazil. Pesquisa Agropecuária Brasileira, v. 48, p. 123-131, 2013.
MONTEIRO, L.A.; SENTELHAS, P.C.; PEDRA, G.U. Assessment of NASA/POWER
satellite-based weather system for Brazilian conditions and its impact on sugarcane
yield simulation. International Journal of Climatology, (wileyonlinelibrary.com)
DOI: 10.1002/joc.5282, 2017.
MONTEITH, J.L. Principles of environmental physics. Londres: Edward Arnold.
241p. 1973.
MOSS R, et al. A próxima geração de cenários para climaa pesquisa de mudança e
avaliação. Nature 463: 747-756. 2010.

74
MURPHY, J. Predictions of climate change over Europe using statistical and dynamical
downscaling techniques. International Journal of Climatology, v. 20, p. 489-501,
2000.
ORTIZ-BOBEA, A. Reproduction Materials for: the Chapter “Climate, Agriculture and
Food” (Handbook of Agricultural Economics). Catalog nº. 2856. Itha, NY: Cornell
Center for Social Science | Research Support [distributor]. 2021-05-26. Version 1.
https://doi.org/10.6077/fb1a-c376.
OSMAN, M.; COELHO, C.A.S.; VERA, C.S. Calibration and combination of seasonal
precipitation forecasts over South America using Ensemble Regression. Climate
Dynamics, 2021. https://doi.org/10.1007/s00382-021-05845-2.
PARIZI, A.R. Efeito de diferentes estratégias de irrigação sob as culturas de feijão
(Phaseolus vulgaris L.) e milho (Zea mays L.) na região de Santiago, RS. 2007. 124f.
Dissertação (Mestrado Engenharia Agrícola) – Universidade Federal de Santa Maria,
Santa Maria, 2007.
PARIZI, A.R.C. Funções de reprodução das culturas de milho e feijão através de estudo
experimental e simulado. Tese de doutorado (Engenharia Agrícola) – Universidade
Federal de Santa Maria, Santa Maria, 2010.
PASSIOURA, J.B. Simulation models: science, snake
engineering? Agronomy Journal, v.88, p.690-694, 1996.

oil,

education,

or

PEDERSEN, P.; LAUER, J.G. Application of the CROPGRO-soybean model to predict
soybean yield. In: FERTILIZER, AGLIME AND PEST MANAGEMENT
CONFERENCE, Madison. Proceedings. Madison: University of Wisconsin, p.186-189,
2002.
PENMAN, H.L. Evaporation: Introduction
Agricultural Science. v.4, n. 1, p.9- 29, 1956.

survey.

Netherlands

Journal

of

PEREIRA, A.R.; VILLA NOVA, N.A.; SEDIYAMA, G.G. Evapo(transpi)ração.
Piracicaba: FEALQ, 183p. 1997.
PINTO, J.E.S.S.; NETTO, A.O.A. Clima Geografia e agrometeorologia: uma
abordagem interdisciplinar. São Cristovão: Ed.UFS, 2008.
RAMOS, A.M. Desagregação espacial da precipitação simulada por modelos
atmosféricos no Nordeste do Brasil. (Dissertação de Mestrado). Universidade Federal
da Paraíba, 2000. 96p.
RAO, N.H.; SARMA, P.B.S.; CHANDER, S.A simple dated water-production function
for use in irrigated agriculture. Agricultural Water Management, Amsterdam, 13:2532, 1988.
RAO, S.; RIAHI, K. The role of non-CO2 greenhouse gases in climate change
miligation: Long-term scenarios for the 21st century. Multigas mitigation and climate
policy. Energy Journal, v. 3 (Special Issue), p. 177-200, 2006.
RIAHI, K.; GRUEBLER, A.; NAKICENOVIC, N. Scenarios of long –term sócioeconomic and environmental development under climate stabilization. Technol.
Forecast. Soc. Change, v. 74, p. 887-935, 2007.
ROBERTSON, G.W. Guidelines on crop-weather models. Geneve, World
Meteorological Organization, 1983. 115 p. (World Climate Application Programme,
50).

75
SADDIQUE, C.B.; KRONENBERG, R.; USMAN, M. Downscaling of CMIP5 Models
Output by Using Statistical Models in a Data Scarce Mountain Environment (Mangla
Dam Watershed), Northern Pakistan. Korean Meteorological Society and Springer
Nature B.V. 2019.
SALASSIER, B.; SOARES, A.A.; MANTOVANI, E.C. Manual de Irrigação. Editora
UFV, 625p, 8.ed, 2008.
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.
SANDERSON, B.M.; OLESON, K.W.; STRAND, W.G.; LEHNER, F.; O’NEILL,
B.C. A new ensemble of GCM simulations to assess avoided impacts in a climate
mitigation scenario. Climatic Change, v. 146, n. 3-4, p. 303-318. doi: 10.1007/s10584015-1567-z.
SANTOS, D.J.; PEDRA, G.U.; SILVA, M.G.B.; GUIMARÃES JÚNIOR, C.A.;
ALVES, L.M.; SAMPAIO, G.; MARENGO, J.A. Mudanças futuras de precipitação e
temperatura no Brasil a partir dos níveis de aquecimento global de 1,5ºC, 2ºC e 4ºC.
Sustainability in Debate - Brasília, v. 11, n.3, p. 74-90, 2020.
SILVA, A.F.; SILVA, M.C.B.C. Agricultura no Nordeste semiárido e os resíduos
orgânicos aproveitáveis. Revista Equador, v. 5, n. 2, p. 102-119, 2016.
SILVA, F.D.S. Cenários climáticos atuais e futuros da produtividade do algodão
herbáceo no Nordeste do Brasil. Tese (Doutorado em Meteorologia), 105f.
Universidade Federal de Campina Grande, Campina Grande, PB, 2014a.
SILVA, F.D.S.; COSTA, R.L. ; ANTONIO, M.A.V. ; AFONSO, E.O. ; SANTOS,
D.M.; MATEUS, N.P.A.; ANTONIO, J.F. Tendências observadas da evapotranspiração
potencial no estado de Alagoas (1961-2016) (Observed trends of potential
evapotranspiration in the state of Alagoas (1961-2016)). Revista brasileira de
geografia física, v. 11, p. 028-043, 2018.
SILVA, F.D.S.; COSTA, R.L.; DA ROCHA JÚNIOR, R.L.; GOMES, H.B.;
AZEVEDO, P.V.; SILVA, V.P.R.; MONTEIRO, L.A. Cenários Climáticos e
Produtividade do Algodão no Nordeste do Brasil. Parte II: Simulação Para 2020 a 2080.
Revista Brasileira de Meteorologia, v. 35, n. Especial, p. 913-929, 2020.
SILVA, F.D.S.; COSTA, R.L.; DA ROCHA JÚNIOR, R.L.; GOMES, H.B.;
AZEVEDO, P.V.; SILVA, V.P.R.; MONTEIRO, L.A. Cenários Climáticos e
Produtividade do Algodão no Nordeste do Brasil. Parte I: Calibração e Validação do
Modelo Agrometeorológico. Revista Brasileira de Meteorologia, v. 35, n. Especial, p.
903-912, 2020.
SILVA, R. R. da; SARTORI, M. G. B. ; WOLLMANN, C. A. . relação entre
precipitação pluviométrica e produtividade da cultura de soja, no município de IbirubáRS. Revista do Departamento de Geografia, v. 27, p. 296-314, 2014b.
SMITH, M. Report on the expert consultation on procedure for revision of RAO
guidelines for prediction of crop water requirements: Rome: FAO, 1991. 54 p.
SMITH, S.J.; WIGLEY, T.M.L. Multigas forcing stabilization with the MiniCAM.
Multigas miligation and climate policy. Energy J. 3 (Special Issue), 373-391 (2006).

76
SOUSA, M.A.; LIMA, M.D.B.; SILVA, M.V.V.; ANDRADE, J.W.S. Estresse hídrico e
profundidade de incorporação do adubo afetando os componentes de rendimento do
feijoeiro. Pesquisa Agropecuária Tropical,v.39, p.175-182, 2009.
TAYLOR, K.E.; STOUFFER, R.J.; MEEHL, G.A. An Overview of CMIP5 and the
Experiment Design. Bulletin of the American Meteorological Society,
DOI:10.1175/BAMS-D-11-00094.1, 2012.
THORNTWAITE, G.W. An approach toward a rational classification of climate.
Geographycal Review, New York, v.38, n.1, p.55-94. 1948.
TIAN, B.; DONG, X. The Double ITCZ Bias in CMIP3, CMIP5, and CMIP6 Models
Based on Annual Mean Precipitation. Geophysical Research Letters, v. 47, n. 8, Mar.
28, 2020. [Online]. Available: https://doi.org/10.1029/2020GL087232.
TIMBAL, B.; DUFOUR, A.; MCAVANEY, B. An estimate of future climate change
for western France using a statistical downscaling technique. Climate Dynamics, v. 20,
p. 807- 823, 2003.
TIMBAL, B.; JONES, D.A. Future projections of winter rainfall in southeast Australia
using a statistical downscaling technique. Climatic Change, V. 86(1), P.165-187, 2008.
TURCO, M.; QUINTANA-SEGUÍ, P.; LLASAT, M.C.; HERRERA, S.; GUTIÉRREZ,
J.M. Testing MOS precipitation downscaling for ENSEMBLES regional climate models
over Spain. Journal of Geophysica. 2011. DOI: 116. 10.1029/2011JD016166.
VALVERDE, M.C.R.; FERREIRA, N. J.; CAMPOS VELHO, H. Linear and Nonlinear
Statistical Downscaling for Rainfall Forecasting over Southeastern Brazil. Weather
and Forecasting, v. 21, n.6, p. 969-989, 2006.
VALVERDE, M.C.R.; FERREIRA, N.J.; CAMPOS VELHO, H. Artificial neural
network technique for rainfall forecasting applied to the São Paulo region. Journal of
Hydrology, v. 301, n.1-4, p. 146-162, 2005.
VAN DEN DOOL, H. Searching for analogs, how long must we wait? Tellus, 46A,
p. 314- 324, 1994.
VAN VUUREN, D.P. et al. Stabilizing greenhouse gas concentrations at low levels: na
assessment of reduction strategies and costs. Clim. Change 81, 119-159 (2007).
VAN VUUREN, D.P.; EDMONDS, J.; KAINUMA, M.; RIAHI, K.; THOMSON, A.;
HIBBARD, K.; HURTT, G.C.; KRAM, T.; KREY, V.; LAMARQUE, J-F.; MASUI,
T.; MEINSHAUSEN, M.; NAKICENOVIC, N.; SMITH, S.J.; ROSE, S.K. The
representative concentration pathways: an overview. Climatic Change, v. 109, paper 5,
2011. doi:10.1007/s10584-011-0148-z.
VAN VUUREN, D.P.; EICKHOUT, B.; LUCAS, P.L.; DEN ELZEN, M.G.J. Longterm multigas scenarios to stabilise radiative forcing – Exploring costs and benefits
within na integrated assessment framework. Multigas mitigation and climate policy.
Energy J.3 (Special Issue), 201-234 (2006).
VRAC, M; STEIN, M.L.; HAYHOE, K.; LIANG, X-Z. A general method for validating
statistical downscalling methods under future climate change. Geophysical Research
Letters, v. 34, 2007. doi:10.1029/2007GL030295
WAONG, O.M.; LAUX, P.; KUNSTMANN, H. Adaptation to climate change: The
impacts of optimized planting dates on attainable maize yields under rainfed conditions
in Burkina Faso. Agricultural and Forest Meteorology, V. 205, P. 23-39, 2015.

77
WILBY, R.L. Guidelines for use of climate scenarios developed from statistical
downscaling methods. Available on line at: http://www.ipcc-data.org/guidelines/
dgm_no2_v1_09_2004.pdf.
WILBY, R.L.; DAWSON, C.W. The Statistical DownScaling Model (SDSM): Insights
from one decade of application. International Journal of Climatology, v. 33, p. 17071719, 2013.
WILBY, R.L.; DAWSON, C.W.; BARROW, E.M. SDSM - A decision support tool For
the assessment of regional climate change impacts. Environmental Modelling and
Software, v. 17, p. 147-159, 2002.
WILBY, R.L.; WIGLEY, T.M.L. Downscaling general circulation model output: A
reappraisal of methods and limitations. Progress in Physical Geography, v. 21, n. 4, p.
530- 548, 1997.
WISE, M.; CALVIN, K.; THOMSON, A.; CLARKE, L.; SANDS, R.; SMITH, S.J.;
JANET, O.S.A.; EDMONDS, J. Implicações da limitação das concentrações de CO2
para o uso da terra e Energy. Science 324: 1183-1186, 2009.
WITTI, C.T. Simulation for assimilation, respiration, on transpiration of crop.
Ageningen: A Halsted . J. Wiley, 1978. 140p.
WMO. Atmospheric RCMs: A multipurpose tool? Report of the joint WGNE/WGCM
ad hoc panel on Regional. Climate Modelling, Geneva, Switzerland, 2002.
XIANG, L. TAKAHASHI, T. SUZUKI, N. KAISER, H.M. Impact of Climate Change
on Maize Production in Northeast and Southwest China and Risk Mitigation Strategies.
APCBEE Procedia 8, 11-20, 2014.
ZORITA, E.; HUGHES, J.P.; LETTENMAIER, D.P.; VON STORCH, H. Stochastic
characterization of regional circulation patterns for climate model diagnosis and
estimation of local precipitation. Journal of Climate, v.8, p.1023-1042, 1995.
ZORITA, E.; VON STORCH, H. The analog method as a simple statistical downscaling
technique: Comparison with more complicated methods. Journal of Climate, v. 12(n.
8, Part 2), p. 2474-2489, 1999.