Marshall Victor (2015) .pdf
Marshall Victor (2015) .pdf
Documento PDF (2.5MB)
Documento PDF (2.5MB)
UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
PROGRAMA DE PÓS-GRADUAÇÃO EM
METEOROLOGIA
MARSHALL VICTOR CHAGAS SANTOS
DESEMPENHO DO MODELO APSIM EM CRESCIMENTO E PRODUTIVIDADE
DE MILHO EM ALAGOAS
MACEIÓ - AL
2015
MARSHALL VICTOR CHAGAS SANTOS
DESEMPENHO DO MODELO APSIM EM CRESCIMENTO E PRODUTIVIDADE
DE MILHO EM ALAGOAS
Dissertação de Mestrado apresentada
ao Colegiado do curso de PósGraduação em Meteorologia da
Universidade Federal de Alagoas –
UFAL, como requisito para a
obtenção do grau de Mestre em
Meteorologia.
ORIENTADOR: JOSÉ LEONALDO DE SOUZA
MACEIÓ - AL
2015
“A Deus, por me conceder sabedoria e
discernimento. Aos meus pais, Arnaldo José
dos Santos e Ana Maria Andrade Chagas
Santos (In memoriam), pelos incentivos e
investimentos que contribuíram para minha
formação
acadêmica
e
conclusão
do
mestrado. Aos meus irmãos Marcell Gustavo
e Marcelle Tanylle, pelo apoio indispensável.
A minha querida Cynthia Albuquerque pelo
companheirismo.”
Ofereço e dedico.
“Na procura do conhecimento o primeiro passo é o silêncio, o segundo ouvir, o terceiro
relembrar, o quarto praticar e o quinto ensinar aos outros."
(Ibn Gabriol)
AGRADECIMENTOS
Ao meu orientador Prof. Dr. José Leonaldo de Souza, pela oportunidade de ingressar na
carreira científica e pelos ensinamentos que me foi dado.
Aos membros da banca examinadora, Dr. André Luis Carvalho, Prof. Dr. Rosiberto
Salustiano e Prof. Dr. Ricardo Araújo Ferreira Junior, pelas indispensáveis contribuições ao
presente trabalho.
Ao corpo docente do Instituto de Ciências Atmosféricas (ICAT) pelos ensinamentos e
incentivos.
Ao Leandro Cerqueira, pelo compartilhamento de informações e material bibliográfico
relacionados ao modelo APSIM.
Aos meus colegas de turma do mestrado, pelas contribuições e companheirismo, em especial
aos amigos Mauro Bernasconi e Rodolfo Marcelo.
Aos meus companheiros do grupo de pesquisa do Laboratório de Agrometeorologia e
Radiometria Solar (LARAS): Adolpho Quintela, Ivomberg Magalhães, Joelmir Albuquerque,
Pedro Luã Sarmento e Renato Araújo, pelos aprendizados mútuos, companheirismo, amizade
e momentos de descontração.
A CAPES e ao CNPq pela concessão de bolsas, contribuindo para a realização desse trabalho.
RESUMO
A modelagem na agricultura é uma ferramenta de suporte na tomada de decisão e na gestão de
sistemas de cultivos agrícolas em condições específicas. O APSIM (The Agricultural
Production System SIMulator) é um modelo de sistemas agrícolas estruturado em módulos
biológicos e ambientais, e permite ao usuário criar simulações com complexas práticas de
manejo e sob diferentes condições ambientais. A cultura do milho (Zea mays L.) foi escolhida
para exemplificar as simulações realizadas nesse estudo devido a sua ampla utilização nos
mais variados setores socioeconômicos mundiais, em que também se destaca entre as culturas
mais produzidas no Brasil. No Estado de Alagoas, o milho tem relevância principalmente para
a agricultura familiar e sua produtividade é abaixo da média nacional, devido ao baixo nível
tecnológico utilizados nos cultivos. No entanto, a utilização de modelos agrometeorológicos,
associados a maiores níveis tecnológicos e manejo adequado podem contribuir para a
otimização da produtividade na região. Com isso, objetivou-se no presente estudo, avaliar o
modelo APSIM na simulação de variáveis de crescimento e de produção da cultura do milho
no Estado de Alagoas. As regiões estudadas foram Arapiraca-AL e Rio Largo-AL, as quais o
modelo foi avaliado com dados experimentais ambientais e da cultura. Inicialmente foram
inseridos variáveis fenológicas referentes a variedade de milho utilizada experimentalmente
(AL Bandeirante) e variáveis físicas, químicas e hídricas do solo, para que o modelo possa
identificar e reproduzir a dinâmica de água no solo e processos de
crescimento/desenvolvimento da cultura. O APSIM-Maize estimou o conteúdo de água no
solo com diferença média entre os dados observados e simulados (RMSE) variando entre
0,021 e 0,053 mm mm-1, em que, as estimativas para a região de Arapiraca-AL foram mais
ajustadas as observações. Para Rio Largo-AL, os cálculos da dinâmica de água do solo foram
influenciados por uma característica física do solo (camada adensada em torno de 30 cm) que
foi identificada, mas não foi bem representada pelo modelo. Esse fator edáfico foi minimizado
por ajustes no parâmetro de drenagem. O índice de área foliar (IAF) foi estimado com RMSE
de 0,69 cm2 cm-2, e na maioria dos casos reproduziu adequadamente as observações até os 60
dias após a semeadura. Em algumas épocas de semeadura, a simulação do IAF foi eficiente
durante todo o ciclo da cultura com baixos desvios percentuais. A produção de biomassa foi
simulada com RMSE entre 2,04 e 3,33 Mg ha-1 e apresentou grandes desvios durante os ciclos
de crescimento da cultura, no entanto para os valores finais de biomassa o modelo teve
estimativas satisfatórias com erros percentuais variando entre 3,52 e 35,16%. Portanto, o
APSIM-Maize se mostrou um modelo confiável na estimativa dos componentes do balanço de
água no solo. Mas, apresentou inconsistências, em alguns casos, para estimativas de variáveis
de crescimento e de produção para as condições estudadas. A calibração aqui apresentada só é
válida para as condições edafoclimáticas para quais o modelo foi testado, ou seja, o modelo
não pode ser aplicado a todas as regiões do Estado de Alagoas, tendo em vista que o APSIM
apresentou alta sensibilidade as mudanças ambientais e requer uma calibração específica para
cada local.
Palavras-chave: Modelagem. Agrometeorologia. Zea mays.
ABSTRACT
The crop modelling is a support tool in decision making and management of agricultural
cropping systems under specifics conditions. The Agricultural Systems SIMulator (APSIM) is
a model of agricultural systems, structured in biological and environmental modules, and
allows users to create simulations with complex management pratices and under different
environmental conditions. The maize (Zea mays L.) was chosen to exemplify the simulations
performed in this study due to its wide use in various worldwide socioeconomic sectors and
also stands out among the crops most produced in Brazil. In the State of Alagoas,
Northeastern Brazil, the maize is relevant mainly for family farms, and has productivity below
the national average due to low technology used in cropping systems. However, the use of
crop models, associated with higher levels of technology and appropriate management, can
contribute to the optimization of productivity in region. Thus, the aim of this study, was
evaluate the APSIM-Maize model to simulate growth and productions variables of maize in
the State of Alagoas, Brazil. The regions studied were Arapiraca-AL and Rio Largo-AL, in
which the model was evaluated with edaphoclimatic data of regions. Initially were inserted
phenological variables relating to maize variety used experimentally (AL Bandeirante), soil
water parameters and physicochemical parameters for the model to identify and reproduce the
soil water dynamics and growth process of the crop. The APSIM-Maize simulated the soil
water content with average difference between observed and simulated data (RMSE) ranging
between 0.021 and 0.053 mm mm-1, wherein, the estimates for the Arapiraca-AL were better
adjusted with observed data. For simulations in Rio Largo-AL, calculations of soil water
dynamics were influenced by a physical characteristic of the soil (dense layer of soil at a
depth of 30 cm) that was identified, but not well represented by the model. This edaphic
factor was minimized by adjustments in the drainage parameter. The leaf area index (LAI)
was estimated with RMSE of 0.69 cm2 cm-2, and in most cases adequately reproduces the
observations until about 60 days after sowing. In some sowing dates, the simulations of the
LAI was efficient throughout the crops cycle with low percentage deviations. Biomass
production was simulated with RMSE between 2.04 and 3.33 Mg ha-1, and had large
deviations during the growth cycle of the culture, however for the final biomass production
values the model has satisfactory estimates with percentage errors varying between 3.52 and
35.16%. Therefore, the APSIM-Maize proved to be a reliable model to estimate the
components of the water balance in the soil. But showed inconsistencies in some cases to
estimate growth and production variables for the conditions studied. The calibration presented
here is only valid for edaphoclimatic conditions for which the model has tested, i.e., the model
can not be applied to the Alagoas State as a whole, given that the APSIM model is sensitive to
environmental changes and requires a specific calibration for each location.
Keywords: Modelling. Agrometeorology. Zea mays.
LISTA DE ILUSTRAÇÕES
Figura 1 - Mapa de Alagoas com destaque às regiões de Arapiraca (1) Rio Largo (2), e
respectivas fotos dos experimentos juntamente aos sistemas de aquisição de dados e sensores.
.................................................................................................................................................. 25
Figura 2 - Representação do balanço de água do solo e seus componentes considerados no
modelo APSIM. ........................................................................................................................ 30
Figura 3 - Evaporação acumulada em função do tempo, descrevendo a sistemática do cálculo
de evaporação no modelo APSIM-Maize. ................................................................................ 31
Figura 4 - Irradiação solar global (Hg) [a] e temperaturas máximas (Tmax), médias (Tmed) e
mínimas (Tmin) [b] durante as quatro épocas de semeadura para a região de Arapiraca-AL, ano
2008. ......................................................................................................................................... 40
Figura 5 - Irradiação solar global (Hg) (a) e temperaturas máximas (Tmax), médias (Tmed) e
mínimas (Tmin) [b] durante as quatro épocas de semeadura para a região de Rio Largo-AL,
ano 2011. .................................................................................................................................. 40
Figura 6 - Conteúdo de água do solo (SW) na profundidade de 0 a 60 cm simulados (SWsim) e
observados (SWobs), para as quatro épocas de semeadura do milho a) E1, b) E2, c) E3 e d) E4
na região de Arapiraca, AL....................................................................................................... 42
Figura 7 - Conteúdo de água do solo (SW) na profundidade de 0 a 30 cm simulados (SW sim) e
observados (SWobs), para as quatro épocas de semeadura do milho a) E1, b) E2, c) E3 e d) E4
na região de Rio Largo, AL. ..................................................................................................... 44
Figura 8 - Simulação no APSIM da transpiração (TR), evaporação (E), transpiração
acumulada (TRacum) e evaporação acumulada (Eacum) no ciclo da cultura, para as quatro épocas
de semeadura, na região de Arapiraca-AL em função dos graus-dia acumulados (GDA). ...... 46
Figura 9 - Simulação no APSIM da transpiração (TR), evaporação (E), transpiração
acumulada (TRacum) e evaporação acumulada (Eacum) no ciclo da cultura, para as quatro épocas
de semeadura, na região de Rio Largo-AL, em função dos graus-dia acumulados (GDA). .... 47
Figura 10 - Índice de área foliar simulados (IAFsim) e observados (IAFobs) em função dos Dias
após a semeadura (DAS) para a cultura do milho na região de Arapiraca, AL........................ 49
Figura 11 - Índice de Área Foliar simulados (IAFsim) e observados (IAFobs) em função dos
Dias após a semeadura (DAS) para a cultura do milho na região de Rio Largo, AL. .............. 50
Figura 12 - Biomassa real (BMobs) e simulado (BMsim) e Rendimento de grãos real (Yobs) e
simulado (Ysim) em função dos Dias Após a Semeadura (DAS) para a cultura do milho na
região de Arapiraca, AL. .......................................................................................................... 53
Figura 13 - Biomassa real (BMobs) e simulado (BMsim) e Rendimento de grãos real (Yobs) e
simulado (Ysim) em função dos Dias Após a Semeadura (DAS) para a cultura do milho na
região de Rio Largo, AL. .......................................................................................................... 54
LISTA DE TABELAS
Tabela 1 - Datas de semeadura para as quatro épocas (E1, E2, E3, E4) referente aos
experimentos de Arapiraca e Rio Largo. .................................................................................. 26
Tabela 2 - Parâmetros físico-hídricos utilizados na criação do arquivo de solo no modelo
APSIM-Maize. .......................................................................................................................... 27
Tabela 3 - Parâmetros químico-orgânicos utilizados na criação do arquivo de solo no modelo.
.................................................................................................................................................. 27
Tabela 4 - Parâmetros fenológicos utilizados na calibração da variedade AL Bandeirante no
modelo APSIM-Maize. ............................................................................................................. 29
Tabela 5 - Parâmetros utilizados para ajuste do Índice de Área Foliar (IAF). ......................... 29
Tabela 6 - Produção de biomassa final observada (BTOBS) e simulada (BTSIM) e rendimento de
grãos observado (YOBS) e simulado (YSIM) para as regiões de Arapiraca e Rio Largo. ........... 55
LISTA DE ABREVIATURAS E SIGLAS
APSIM
The Agricultural Production System Simulator
APSRU
Unidade de Pesquisas de Sistemas de Produção Agrícola
CATI
Coordenadoria de Assistência Técnica Integral
CECA
Centro de Ciências Agrárias
CSIRO
Órgão nacional para pesquisa científica na Austrália
DAS
Dias após a semeadura
EMBRAPA
Empresa Brasileira de Pesquisa Agropecuária
FAO
Food and Agriculture Organization of the United Nations
NEB
Nordeste do Brasil
TDR
Reflectometria no domino do tempo
UFAL
Universidade Federal de Alagoas
LISTA DE SÍMBOLOS
RFA
Radiação Fotossinteticamente ativa, MJ m-2 dia-1
Hg
Irradiação solar global, MJ m-2 dia-1
Hgacum
Irradiação solar global acumulado durante o ciclo, MJ m-2 ciclo-1
EUR
Eficiência no uso da radiação, g MJ-1
T
Temperatura do ar, ºC
Tmed
Temperatura média do ar, ºC
Tmáx
Temperatura máxima do ar, ºC
Tb
Temperatura base pra o desenvolvimento da cultura, ºC
Tm
Temperatura máxima pra o desenvolvimento da cultura, ºC
Topt
Temperatura ótima pra o desenvolvimento da cultura, ºC
tav
Temperatura média do ar anual, ºC
amp
Amplitude de temperatura anual, ºC
P
Precipitação, mm d-1
Pacum
Precipitação acumulada durante o ciclo, mm ciclo-1
UR
Umidade relativa, %
ETo
Evapotranspiração de referência, mm
ETc
Evapotranspiração da cultura, mm
IAF
Índice de área foliar
CO2
Dióxido de carbono
G
Duração do ciclo da cultura, dias
GD
Graus-dia, ºC d-1
GDA
Graus-dia acumulados, ºC ciclo-1
metfile
Arquivo de dados meteorológicos
N
Nitrogênio
NH4NO3
Nitrato de Amônio
P2O5
Pentóxido de fósforo
K2O
Óxido de potássio
Zn
Zinco
SFS
Superfosfato simples
E1
Primeira época de semeadura
E2
Segunda época de semeadura
E3
Terceira época de semeadura
E4
Quarta época de semeadura
VE
Estádio fenológico da emergência
V4
Estádio fenológico da 4ª folha desenvolvida
V8
Estádio fenológico da 8ª folha desenvolvida
R1
Estádio fenológico do florescimento
R5
Estádio fenológico do início do enchimento de grãos
U
Quantidade de água evaporada na primeira fase de evaporação
CONA
Coeficiente de regressão para a segunda fase de evaporação
t
Tempo, horas.
Es
Evaporação do solo, mm
Eos
Evaporação potencial diária do solo, mm
Eacum
Evaporação acumulada durante o ciclo, mm ciclo-1
Emáx
Evaporação máxima, mm
TR
Transpiração da cultura, mm
TRmáx
Transpiração máxima da cultura, mm
TRacum
Transpiração da cultura acumulada durante o ciclo, mm ciclo-1
ƩEs
Evaporação do solo acumulada, mm
FE
Frente de extração de água do solo, mm
FE
Taxa de progresso da FE
VFE
Velocidade potencial da FE
ω EV
Fator de água no solo para o avanço da FE
kl
Fração de água disponível para as raízes, dia-1
Ci
Captação de água pelas raízes em uma camada “i”
SW
Conteúdo volumétrico de água no solo, mm mm-1
SWobs
Conteúdo volumétrico de água no solo observado (TDR), mm mm-1
SWsim
Conteúdo volumétrico de água no solo simulado, mm mm-1
SWsupply
Conteúdo total de água no solo, mm
SWCON
Condutividade de água no solo, d-1
DUL
Capacidade de campo, mm mm-1
LL
Ponto de murcha, mm mm-1
LL15
Ponto de murcha a 15bar, mm mm-1
airdry
Umidade no ponto de solo seco, mm mm-1
D
Difusividade hidráulica, mm mm-1
q
Fluxo de água no solo, mm mm-1
∂SW/∂x
Gradiente de água no solo em umidade volumétrica, mm mm-1
PLA
Área foliar de folhas verdes por planta, cm-2
TPLA
Área foliar total por planta, cm-2
TPLA
Valor máximo de TPLA, cm-2
SPLA
Área foliar senescida por planta, cm-2
IAF
Índice de área foliar, cm2 cm-2
k
Coeficiente de extinção de luz
TLN
Número total de folhas por planta
BMT
Produção de biomassa limitada pela disponibilidade de água, Mg ha-1
BMpot
Produção de biomassa limitada pela energia radiante, Mg ha-1
BM
Produção de biomassa, Mg ha-1
BMobs
Produção de biomassa observada, Mg ha-1
BMsim
Produção de biomassa simulada, Mg ha-1
BTOBS
Produção de biomassa total observada, Mg ha-1
BTSIM
Produção de biomassa total simulada, Mg ha-1
Y
Rendimento de grãos, Mg ha-1
Yobs
Rendimento de grãos observado, Mg ha-1
Ysim
Rendimento de grãos simulado, Mg ha-1
ERRO
Erro percentual, %
RMSE
Raíz quadrada do erro médio, Mg ha-1
EF
Eficiência da modelagem
16
SUMÁRIO
1.
2.
3.
4.
5.
6.
INTRODUÇÃO .............................................................................................................. 17
REVISÃO DE LITERATURA ...................................................................................... 19
2.1 Aspectos gerais da cultura do milho .......................................................................... 19
2.2
A Modelagem na Agricultura .................................................................................... 20
2.3
O modelo APSIM ...................................................................................................... 21
2.4
Variáveis meteorológicas e produtividade agrícola ................................................... 22
MATERIAL E MÉTODOS ........................................................................................... 25
3.1 Localização e dados ................................................................................................... 25
3.2
Métodos de entradas no modelo APSIM-Maize ........................................................ 26
3.3
Opções de manejo no APSIM-Maize ........................................................................ 28
3.4
Calibração do Índice de Área Foliar (IAF) e variedade utilizada .............................. 28
3.5
O Balanço de água no solo no APSIM ...................................................................... 30
3.5.1
Evaporação ......................................................................................................... 30
3.5.2
Captação de água pelas raízes ............................................................................ 32
3.5.3
Transpiração ....................................................................................................... 33
3.5.4
Movimento de água no solo ............................................................................... 33
3.6
Fenologia da cultura................................................................................................... 34
3.7
Desenvolvimento do dossel e índice de área foliar .................................................... 35
3.8
Acúmulo e partição de biomassa ............................................................................... 36
3.9
Análise de dados ........................................................................................................ 37
3.9.1
Erro Percentual (ERRO) ..................................................................................... 37
3.9.2
Raíz Quadrada do Erro Médio (RMSE) ............................................................. 37
3.9.3
Eficiência de Modelagem (EF) ........................................................................... 37
RESULTADOS E DISCUSSÃO ................................................................................... 39
4.1 Condições meteorológicas durante os ciclos da cultura ............................................ 39
4.2
Balanço de água no solo ............................................................................................ 41
4.3
Transpiração e evaporação simuladas no APSIM ..................................................... 45
4.4
Índice de área foliar ................................................................................................... 48
4.5
Produção de Biomassa e Rendimento de grãos ......................................................... 52
CONCLUSÕES............................................................................................................... 56
REFERÊNCIAS ............................................................................................................. 57
APÊNDICE A – Código-fonte da variedade AL Bandeirante inserido no modelo. ............ 65
17
1.
INTRODUÇÃO
A otimização de sistemas agrícolas é uma busca constante nas últimas décadas,
impulsionada por uma maior demanda dos setores agroindustriais e bioenergéticos, devido ao
acréscimo da população mundial. Assim, melhores resultados na produção de culturas
agrícolas, proporcionam o surgimento de novas ferramentas para auxiliar produtores e
pesquisadores na gestão de sistemas de cultivos. O modelo APSIM (The Agricultural
Production System SIMulator) surgiu através de uma iniciativa combinada entre dois órgãos
australianos que são o APSRU (Unidade de pesquisas em Sistemas de Produção Agrícola da
Austrália) e CSIRO (Órgão nacional para pesquisa científica na Austrália), com o objetivo de
desenvolver uma ferramenta para melhorar a eficiência de produção, auxiliar na gestão de
riscos ambientais e oferecer uma maior sustentabilidade nos sistemas agrícolas da Austrália
subtropical. O APSIM é um modelo de sistemas agrícolas que, através de um conjunto de
módulos, permite a simulação de sistemas que cobrem uma gama de interações de plantas,
animais, solo, clima e manejos agrícolas. O APSIM pode ser configurado para simular rotação
de diferentes culturas, com complexas regras de manejo. O APSIM está sendo utilizado
mundialmente, no entanto, ainda são poucas as pesquisas envolvendo simulações da cultura
do milho.
A cultura do milho (Zea Mays L.), está entre as de maior valor socioeconômico, e por
isso é muito estudada e produzida mundialmente. A produtividade mundial de milho saltou de
1,35 Mg ha-1 (toneladas por hectare) no início da década de 60 para 3,86 Mg ha-1 na safra de
2013 (FAO, 2015). Essa tendência de elevação deve permanecer, principalmente, pela recente
utilização do milho como fonte alternativa da matriz energética. Nos EUA, parte da produção
de milho está sendo destinada ao setor de biocombustíveis. No entanto, isso é pauta de
discussões, devido à preocupação para que a produção destinada ao setor bioenergético não
prejudique a produção de alimentos, tendo em vista o aumento populacional. O milho
apresenta alta sensibilidade as variáveis meteorológicos/climáticos e as propriedades do solo
que são componentes limitantes de sua produtividade. Tais fatores limitantes, associados a
baixos níveis tecnológicos e práticas de manejo inadequadas, contribuem para que o Brasil
tenha uma produtividade média histórica (1961-2013) de 2,3 Mg ha-1, muito abaixo dos EUA
(atual maior produtor mundial de milho) que possui produtividade média de 7,0 Mg ha-1
(FAO, 2015).
No Nordeste Brasileiro (NEB), a maioria dos cultivos são realizados em regime de
sequeiro e destinados à agricultura de subsistência. Devido a isso, a cultura do milho no NEB
18
apresenta baixos índices de produtividade, com uma média histórica (1976/1977-2012/2013)
em torno de 0,84 Mg ha-1. Na safra 2012/2013 o NEB teve um rendimento de
aproximadamente 2,0 Mg ha-1. O Estado de Alagoas acompanha as baixas produtividades do
NEB, com rendimento de grãos médio de 0,53 Mg ha-1, abaixo da média nacional de 2,3 Mg
ha-1 (CONAB, 2014). No entanto, esses valores oficiais não representam o potencial
produtivo da região, tendo em vista que, em sistemas de produção conduzidos de maneira
adequada (recursos técnico/tecnológico) na região de Arapiraca (agreste de Alagoas),
resultaram em níveis de produtividade em torno de 6,0 Mg ha-1, para variedades (Ferreira
Junior et al., 2014).
Uma ferramenta atual que auxilia a busca de melhores resultados e eficiência de
produção, são os modelos de sistemas agrícolas, que simulam e detalham os processos de
desenvolvimento, fotossíntese, respiração, dentre outros. Os modelos permitem aos
agricultores e pesquisadores acompanhar os fatores de influência sobre o crescimento e
desenvolvimento da cultura, que é suporte na tomada de decisão para evitar prejuízos
econômicos, além de proporcionar uma visão antecipada sobre a produção da cultura. A
modelagem também traz para a agricultura uma maior sustentabilidade no planejamento
agrícola, tendo em vista que auxilia na redução de custos de produção e na utilização de
recursos naturais minimizando os danos ao meio ambiente. O presente trabalho tem por
objetivo, calibrar e avaliar o desempenho do modelo APSIM-Maize na simulação de variáveis
de crescimento e de produção para cultivos de milho em duas regiões do Estado de Alagoas. E
como objetivos específicos determinar: 1) balanço de água no solo; 2) índice de área foliar; 3)
produção de biomassa e rendimento de grãos, para duas regiões de Alagoas.
19
2.
REVISÃO DE LITERATURA
2.1
Aspectos gerais da cultura do milho
O milho (Zea mays L.) é responsável por alavancar diversos setores agroindustriais
devido à natureza das reservas energéticas acumuladas em seu grão (Fancelli & Dourado
Neto, 2004). É uma cultura de origem tropical que se desenvolve com altas taxas
fotossintéticas, e por isso é preferencialmente cultivado em climas quentes para expressar seu
potencial produtivo. Os fatores ambientais modificam seus processos vegetativos e
reprodutivos, e por consequência pode prejudicar o desenvolvimento da cultura (Magalhães et
al., 2002). O milho é produzido em climas que variam de zona temperada à tropical, em que
as temperaturas médias diárias são geralmente superiores a 15ºC sem risco de geadas
(Dorrenboos & Kassam, 1979; Gourdji et al., 2015)
A produção brasileira de milho apresenta uma tendência de elevação desde o fim da
década de 80 (FAO, 2012). A principal justificativa para tal crescimento é a eliminação de
tarifas sobre produtos importados no início da década de 90 que ocasionou o aumento das
importações, principalmente de países do Mercosul. Devido a maior competição com o
mercado das importações, houve a preocupação e necessidade por parte dos produtores
brasileiros em buscarem aumentos contínuos de produtividade, o que resultou no crescimento
da produção nacional (Calderelli & Bacci, 2010). A produtividade de milho no Brasil
aumentou de 3,4 Mg ha-1 para 4,3 Mg ha-1 entre os anos de 2001 a 2010. Países como Estados
Unidos da América (EUA) e China (principais produtores mundiais de milho) também
obtiveram o mesmo aumento, porém, possuem rendimentos superiores, quando comparado ao
Brasil. Os EUA saltou de 8,6 Mg ha-1 para 9,5 Mg ha-1 e China obteve um crescimento de 4,5
Mg ha-1 para 5,4 Mg ha-1 durante o referido período (FAO, 2012).
O milho é cultivado em variadas regiões do mundo, com área cultivada de 164
milhões de hectares no ano de 2010 (Steduto et al., 2012). As maiores áreas de cultivo de
milho pertencem a China com aproximadamente 33,5 milhões de hectares (106 ha) e EUA
(33,0 106 ha), seguido de países como o Brasil (12,6 106 ha), Índia (8,0 106 ha), México (7,0
106 ha) e Argentina (3,0 106 ha). Os continentes africano e europeu também se destacam com
grandes áreas cultivadas de 31,7 e 14,0 106 ha, respectivamente (FAO, 2012).
20
2.2
A Modelagem na Agricultura
A implementação da modelagem na agricultura, com a finalidade de modelar as taxas
fotossintéticas de culturas agrícolas foi iniciada nos anos 60 por de Wit (1965). A partir de
então, pesquisas que visam uma melhor performance na reprodução de sistemas agrícolas
através de modelos biofísicos foram intensificadas (Muchow et al 1990; Carberry, et al.,
1993; Santos, 2013). Com o avanço tecnológico a partir da década de 80, os modelos de
sistemas agrícolas foram aprimorados, principalmente no que se diz respeito à criação de
interfaces que permitam aos usuários uma melhor adaptação e compreensão às simulações,
como é o caso de modelos como o AquaCrop (Steduto et al., 2009), APSIM (Keating et al.,
2003) DSSAT (Jones et al., 2003), Hybrid-Maize (Yang et al., 2004), que possuem interface
de usuário amigável, oferecendo uma criação e visualização das simulações sem a
necessidade do entendimento de técnicas de programação. O modelo CERES-Maize (Jones &
Kiniry, 1986) foi um dos primeiros modelos estruturados destinado a simulação de
crescimento da cultura do milho, no qual a maioria dos seus sucessores (Yang et al., 2004a;
Keating et al., 2003; Jones et al., 2003) herdaram muito de suas formulações e parâmetros que
ainda são comumente utilizados.
Os modelos de simulação do crescimento/desenvolvimento das culturas tentam
contornar a obrigatoriedade de testar experimentalmente os ensaios envolvendo as variáveis
do sistema solo-planta-atmosfera. Uma definição que representa muito bem essa ferramenta
foi sugerida por de Wit (1982), que define um modelo como a representação simplificada de
um sistema, e simulação como uma arte de construir modelos. No entanto, Hoogenboom
(2000) define modelo como uma simplificação de um sistema do mundo real, ou seja, incluiu
a palavra “simplificação” em sua definição pelo fato de não ser possível considerar todas as
interações entre o ambiente e o sistema modelado. Nesse contexto, modelo determinístico é
quando dadas às condições experimentais pode-se predizer o resultado final do experimento
utilizando coeficientes definidos, e modelo estocástico associa-se variáveis aleatórias
(métodos probabilísticos) para cada saída no resultado antes da realização do experimento
(Bai, et al, 2007).
Além dos modelos determinísticos e estocásticos, Murth (2004) classifica outros tipos
de modelos, que podem ser: 1) modelos estatísticos, em que as relações do sistema modelado
são simuladas utilizando técnicas estatísticas, como por exemplo, regressões e correlações. 2)
modelos mecânicos, que utilizam um mecanismo que definem a relação da influencia de
variáveis dependentes baseado em um conjunto de representações físicas. 3) modelos
21
dinâmicos, quando o tempo é incluído como uma variável, ou seja, tanto as variáveis
dependentes ou independentes tem valores que permanecem constantes ao longo de um dado
período de tempo. 4) modelos estáticos, quando o tempo não é incluído como uma variável.
Nesse caso, as variáveis dependentes e independentes possuem valores que permanecem
constantes ao longo de um dado período de tempo. 5) modelos de simulação, que são modelos
computacionais, em geral, expressam uma representação matemática de um sistema do mundo
real. Nesse caso, o modelo tem por objetivo principal estimar a produção agrícola por meio de
conjuntos de equações diferenciais e cálculo das variáveis de crescimento, normalmente desde
o plantio até a colheita.
Todos os modelos agrometeorológicos, necessitam de entradas que representem a
componente atmosférica. Em geral, as variáveis meteorológicas como temperatura do ar,
precipitação e a radiação solar são as entradas principais dos modelos de simulação.
Hoogenboom (2000) as considera como “variáveis primárias” e as demais, tais como,
velocidade do vento, umidade relativa, temperatura do ponto de orvalho, evaporação do
tanque classe A, temperatura do solo, dentre outros, como “variáveis secundárias”. Os
modelos de simulação de culturas agrícolas são desenvolvidos a fim de atender várias
demandas no ramo da meteorologia agrícola, como por exemplo, o suporte ao agricultor na
gestão de culturas em condições desfavoráveis, com solos pobres em nutrientes e climas
severos, e oferecer aos pesquisadores uma ferramenta útil para encontrar soluções nos
complexos problemas do sistema solo-planta-atmosfera e auxiliar aos políticos e
administradores na gestão da meteorologia agrícola (Murthy, 2004).
2.3
O modelo APSIM
No início da década de 90 a Divisão de Culturas Tropicais do CSIRO (órgão nacional
para pesquisa científica na Austrália) e a Unidade de Pesquisas de Sistemas de Produção
Agrícola (APSRU), se uniram para desenvolver ferramentas que ofereçam aos clientes de
sistemas agrícolas, uma melhor eficiência de produção, gestão de riscos e maior
sustentabilidade nos cultivos na região da Austrália subtropical (McCown et al., 1995). A
partir disso, o APSRU reuniu dois modelos de cultivos já existentes. O primeiro foi o
PERFECT (Littleboy et al., 1992), desenvolvido principalmente para simulações dos efeitos
da erosão sobre a produtividade dos vertissolos nos subtrópicos australianos, influenciado
pelo manejo de solo. Mas, é muito utilizado em pesquisas operacionais em sistemas agrícolas.
O segundo modelo foi o AUSIM (McCown & Williams, 1989; McCown et al., 1995),
desenvolvido para pesquisas nos trópicos semiáridos australianos e africanos, particularmente
22
no que se diz respeito aos cultivos de rotações e consórcios de grãos e legumes. Desde a
formação do APSRU, desenvolve-se um novo modelo baseado em seus precursores
(PERFECT e AUSIM) e nas experiências adquiridas com o desenvolvimento de ambos. Esse
novo modelo é o APSIM (Keating et al., 2003), que foi desenvolvido para auxiliar a busca
por melhores resultados e estratégias na agricultura para gerenciamento de riscos e tomada de
decisão mais eficaz.
O APSIM (The Agricultural Production System SIMulator) é uma plataforma
computacional de modelagem de sistemas de cultivos estruturado em módulos que são
separados em dois grandes grupos. Primeiro, o biológico, em que se inserem os módulos das
culturas, pastos e resíduos superficiais. Segundo, o ambiental, que abrange o módulo
meteorológico, de solo, entre outros. Cada módulo do APSIM possui um processo de
simulação específico e se comunica com outros módulos através de um mecanismo central de
simulação. Os módulos são completamente autossuficientes e responsáveis por sua própria
leitura de parâmetros e configuração interna. O APSIM permite ao usuário escolher diferentes
combinações de módulos em conjunto para configurar diferentes simulações. Atualmente, o
modelo é utilizado mundialmente em pesquisas relacionadas a sistemas agrícolas e seus
componentes (Archountoulis et al., 2014; Nair et al., 2012; Snow et al., 2007). Essa aplicação
em âmbito mundial da plataforma APSIM, se deve, principalmente a duas características
importantes. Primeiro, o modelo possui uma interface amigável, que oferecem flexibilidade
tanto em simulações simples, quanto complexas, sem a necessidade de escrever códigos
adicionais. Segundo, o APSIM, simula diferentes situações de produção, incluindo potencial e
atingível (limitado por água, manejo ou nutrientes), incluindo outras situações reais
(competição com ervas daninhas) para mais de 30 espécies, incluindo culturas de rotação
(Keating et al., 2003; Wang et al., 2002).
2.4
Variáveis meteorológicas e produtividade agrícola
A produtividade das culturas agrícolas é dependente da combinação entre fatores
genéticos, ambientais (climáticas e edáficas) e de manejo. Entre os principais fatores que
limitam o rendimento das culturas está inserido as condições meteorológicas/climáticas. O
pleno crescimento/desenvolvimento das culturas, assim como o seu potencial produtivo
depende de condições ótimas de radiação solar, temperatura do ar e disponibilidade de água
(precipitação ou irrigação). O milho é influenciado por todos estes elementos, que atuam
eficientemente nas atividades fisiológicas e afetam diretamente a fenologia, produção de
matéria seca e de grãos.
23
A radiação solar, de acordo com formulação proposta por Muchow et al. (1990),
descreve o potencial produtivo da cultura do milho em condições ótimas de manejo, água e
nutrientes. E por isso, essa variável meteorológica se destaca em pesquisas que visam o
rendimento potencial das plantas cultivadas através de uma melhor receptação de radiação
solar pelo dossel e maior eficiência de conversão em biomassa (Andrade et al., 1993;
Marchão 1994; Sinclair & Muchow, 1999; Freitas et al., 2001; Kunz et al, 2007; Ferreira
Junior et al., 2014). A faixa da radiação solar atuante na fotossíntese é denominada de
radiação fotossinteticamente ativa (RFA), que no espectro solar está compreendida entre os
comprimentos de onda de 400 a 700 nm (nanômetros). A RFA é absorvida pelo tecido
clorofilado das folhas e, em seguida, utilizada na transformação do dióxido de carbono (CO2)
em carboidratos, através do processo fotossintético, resultando no crescimento dos vegetais. A
cultura do milho apresenta taxa fotossintética elevada, ou seja, um aumento na
disponibilidade de RFA, até certo limite, induz a planta a uma maior eficiência na conversão
da radiação solar em biomassa resultando em rendimentos mais elevados. Além disso, o
milho possui uma elevada eficiência no uso da radiação solar (EUR) que é atribuída a
anatomia da sua folha, por apresentar menor área entre as nervuras e lamela suberizada, o que
minimiza a perda de CO2 para a atmosfera (Hattersley, 1984; Christin et al., 2012).
A disponibilidade térmica afeta diretamente a fenologia e rendimento de grãos das
plantas cultivadas (Muchow et al., 1990; Andrade et al., 1993; Gadioli et al., 2000), de tal
maneira que em determinados locais ou épocas do ano que se dispõe de temperaturas mais
elevadas até certo limite, ocorre uma aceleração no desenvolvimento das culturas, reduzindo o
intervalo para atingir os estádios fenológicos. Por outro lado, baixas temperaturas tendem a
retardar o processo fenológico da cultura, estendendo o período entre os estádios. A primeira
tentativa de relacionar a fenologia das culturas com a temperatura do ar, foi feita pelo Físico
Reaumur, em 1735, no qual sugeriu que a soma das temperaturas médias diárias do ar para a
ocorrência de um determinado estádio de desenvolvimento era praticamente constante para
uma espécie de planta. Então, surgiu o conceito de graus-dia (GD) também conhecido como
unidades de calor ou sistema de unidades térmicas (Souza, 1989). Esse conceito melhorou o
entendimento da duração dos eventos fenológicos das culturas agrícolas, que até então
demonstrava inconsistência, devido ao fato de que a duração de subperíodos e ciclos das
plantas estarem associados às variações nas condições ambientais e não ao número de dias. A
temperatura do ar também influencia na cultura do milho de diversas outras maneiras,
principalmente na absorção de água do solo através do sistema radicular, atividade
fotossintética, transpiração e translocação dos produtos fotossintéticos. Essa variável
24
meteorológica se apresenta como a mais importante para descrever a fenologia das culturas,
desde que não haja deficiência hídrica (Gadioli et al., 2000).
A água é um recurso essencial na otimização da produção agrícola (assim como o seu
uso racional), pois sua disponibilidade proporciona variações na produtividade da cultura e
altera a qualidade do produto (Abedinpour et al., 2012). As formas em que o déficit hídrico
afeta o crescimento e o rendimento das culturas, variam de acordo com a espécie e estádio
fenológico de ocorrência. O milho possui um consumo de água geralmente oscilando entre 4 e
6 mm dia-1 e exige no mínimo de 400-600 mm de precipitação pluvial durante o seu ciclo para
permitir alcançar seu potencial produtivo, podendo variar de acordo com a região e condições
edafoclimáticas. (Doorenbos & Kassam, 1979; Kong et al., 2012). As fases da cultura com
maiores exigências hídricas são a emergência, florescimento e enchimento de grãos (Fancelli
& Dourado Neto, 2004). No entanto, Bergamaschi et al. (2004) observaram que independente
das condições climáticas da região, a produtividade de grãos de milho é decorrente das
condições hídricas durante o período crítico entre o pendoamento e o início do enchimento de
grãos. No NEB, a maioria dos cultivos são destinados à agricultura de subsistência e em
regime de sequeiro. Por esse motivo, é importante conhecer o regime pluviométrico da região,
para realizar a semeadura nas épocas em que a precipitação coincida com as fases que cultura
necessita de maior disponibilidade hídrica, permitindo assim rendimentos mais elevados. Lyra
et al. (2010) relata que no Estado de Alagoas, a cultura do milho é semeada preferencialmente
no início do período úmido (maio e junho), assegurando (conforme o regime de precipitação
local) que o ciclo da cultura ocorra sob condições hídricas favoráveis ao seu crescimento e
desenvolvimento.
25
3.
MATERIAL E MÉTODOS
3.1
Localização e dados
Os dados meteorológicos e da cultura do milho utilizados nas simulações de
crescimento e desenvolvimento através do modelo APSIM-Maize (Versão 7.6) foram
oriundos de dois experimentos realizados em regime de sequeiro no Estado de Alagoas
(Figura 1). O primeiro foi conduzido no povoado Batingas, região de Arapiraca-AL
(09°48‘55,1"S; 36°36‘22,8"W; 260m) que possui um clima megatérmico; sub-úmido seco,
com grande deficiência de água no verão e excesso de água moderado no inverno de acordo
com a classificação de Thornthwaite. O segundo experimento foi realizado no Centro de
Ciências Agrárias da Universidade Federal de Alagoas (CECA/UFAL), no município de Rio
Largo-AL (09º 28´02"S; 35º49’43"W; 127m) com clima úmido (B1), megatérmico quente
(A’) com deficiência de água moderada no verão (s) e grande excesso de água no inverno
(w2). Os experimentos foram compostos por quatro épocas de semeadura (E1, E2, E3 e E4)
que estão descritas na Tabela 1. A variedade de milho utilizada foi a AL Bandeirante
desenvolvida pelo Departamento de Sementes, Mudas e Matrizes da CATI para ambos
experimentos. Maiores detalhes experimentais podem ser encontrados em Medeiros (2009) e
Silva (2013), respectivamente, para o experimento 1 e 2 (Figura 1).
Figura 1 - Mapa de Alagoas com destaque às regiões de Arapiraca (1) Rio Largo (2), e
respectivas fotos dos experimentos juntamente aos sistemas de aquisição de dados e sensores.
Fonte: Autor (2015).
26
Os dados ambientais de irradiação solar global (obtidos por um Piranômetro CM3 da
Kipp & Zonen), temperatura e umidade do ar (medidos através de sensores HMP45C –
Vaisala Inc.), velocidade do vento (obtido por um sensor Wind Monitor, 05103-5 / Young,
Campbell Sci.), Precipitação (medido por um sensor TB3, Hydrological Service PTY. LTD.,
Sydney, Austrália) e umidade do solo (obtido por TDR – CS616, Campbell Sci., Logan, Utah)
foram obtidos por sistemas automáticos de aquisição de dados (CR1000 – Campbell Sci.), em
ambos os experimentos.
Tabela 1 - Datas de semeadura para as quatro épocas (E1, E2, E3, E4) referente aos
experimentos de Arapiraca e Rio Largo.
Época de semeadura
Local
Arapiraca
Rio Largo
Ano 2008
Ano 2011
14/06
06/05
E1
22/06
19/05
E2
28/06
10/06
E3
05/07
30/06
E4
3.2
Métodos de entradas no modelo APSIM-Maize
O APSIM necessita de dois arquivos de entrada principais para iniciar a simulação,
que consiste nos arquivos meteorológicos diários e de solo. Estes foram formatados de acordo
com as exigências do modelo. Os dados de entrada no arquivo meteorológico (metfile) foram:
temperatura média anual (tav, ºC), amplitude térmica anual (amp, ºC), dados de
posicionamento geográfico (latitude e longitude, em graus), além de dados diários de
temperatura do ar máximas e mínimas (ºC), umidade relativa do ar (%), precipitação (mm),
irradiação solar (MJ m-2) e velocidade do vento (m s-1). Os dados utilizados na criação dos
arquivos meteorológicos foram de estações meteorológicas automáticas correspondentes a
cada região de estudo.
O arquivo de solo pode ser elaborado através da ferramenta APSoil, oferecida pelo
APSIM. O APSoil foi utilizado para a elaboração dos arquivos de solo, que foram criados
para as duas regiões estudadas, com base em dados de análises experimentais do solo. Esse
arquivo é constituído por submódulos, em que no primeiro denominado “Water” foram
inseridos dados das características hidrofísicas do solo (densidade do solo, conteúdo de água
do solo na saturação, conteúdo de água do solo na capacidade de campo e conteúdo de água
do solo no ponto de murcha permanente, dentre outros). O segundo submódulo “SoilWat” é
um modelo de balanço hídrico inserido no APSIM com base em seus precursores CERES
(Jones & Kiniry, 1986) e PERFECT (Littleboy et al, 1992) e requer parâmetros específicos
para o cálculo dos componentes do balanço de água no solo, que foram mantidos os padrões
27
do modelo. O terceiro submódulo “SoilOrganicMatter” consiste em dados referentes à matéria
orgânica do solo, onde também foram mantidos os valores do modelo. O quarto submódulo
“Analysis” é destinado aos dados da composição química do solo, em que, nesse caso foram
inseridos dados de análises químicas das regiões estudadas (Tabela 3). Por último, o quinto
submódulo, denominado “Fertiliser” considera o nitrogênio inicial contido no solo, em que os
valores foram utilizados conforme Probert et al., (1998).
O solo da região experimental de Arapiraca-AL é classificado como Latossolo
Vermelho Amarelo Distrófico, de textura franco-arenosa, e densidade média de 1,35 g cm-3, na
profundidade de 0 a 60 cm. Para essa região, a profundidade do sistema radicular considerada
no modelo foi de 60 cm, de acordo com observações de Medeiros (2009). O solo da área
experimental de Rio Largo-AL é classificado como Latossolo Amarelo Coeso Argilosólico de
textura médio-argilosa, com densidade média de 1,44 g cm-3, na profundidade de 0 a 30 cm.
Maiores detalhes sobre os dados físico-hídricos dos solos experimentais estão descritos na
Tabela 2 e 3.
Tabela 2 - Parâmetros físico-hídricos utilizados na criação do arquivo de solo no modelo
APSIM-Maize.
Prof.
DS
LL15
DUL
SAT
-3
-1
cm
g cm
mm mm
Arapiraca-AL
0-30
1,33
0,063
0,102
0,400
30-60
1,38
0,076
0,113
0,390
Rio Largo-AL
0-10
1,36
0,12
0,20
0,40
10-20
1,44
0,13
0,22
0,43
20-30
1,52
0,14
0,24
0,43
DS – Densidade do solo; LL15 – Conteúdo de água no solo no ponto de murcha permanente; DUL – Conteúdo de água no
solo na capacidade de campo; SAT – Conteúdo de água no solo na saturação.
Fonte: Laboratório de solos, CECA/UFAL.
Tabela 3 - Parâmetros químico-orgânicos utilizados na criação do arquivo de solo no modelo.
Prof.
NH4
NO3
CO
FBIOM
FINERT
pH
cm
mg kg-1
mg kg-1
%
(0-1)
(0-1)
(água)
0-30
30-60
3,30
0,78
6,45
0,99
0-10
10-20
20-30
1,30
1,00
1,00
1,75
2,58
2,12
Arapiraca-AL
2,66
0,023
0,99
0,010
Rio Largo-AL
1,03
0,035
0,86
0,020
0,77
0,015
0,46
0,62
0,39
0,47
0,52
5,23
4,30
5,52
5,10
5,00
NH4 – Amônio inicial; NO3 – Nitrato inicial; CO – Carbono orgânico; FBIOM – Proporção de CO inicial, assumindo que
seja inerte; FINERT – Proporção da fração de biomassa do CO total (BIOM), não inerte.
Fonte: Probert et al. (1988) e Laboratório de solos, CECA/UFAL.
28
3.3
Opções de manejo no APSIM-Maize
As práticas de manejo agrícola foram programadas no APSIM pelo módulo
“operations schedule”, que permite criar uma cronologia e programar todas as operações
através de comandos. O manejo nutricional foi inserido através do comando “fertiliser apply
amount” indicando a quantidade de adubação, fonte e profundidade. As adubações foram
reproduzidas no modelo de maneira a representar as operações experimentais, considerando
as adubações de fundação e de cobertura.
No experimento de Arapiraca-AL a adubação de fundação foi efetuada utilizando 40
kg ha-1 de nitrogênio (N), 60 kg ha-1 de pentóxido de fósforo (P2O5,) 50 kg ha-1 de óxido de
potássio (K2O) e 2 kg ha-1 de zinco (Zn) e a de cobertura foram aplicados 100 kg ha-1 de N.
Para a experimentação de Rio Largo-AL, a adubação de fundação foi aplicada utilizando 10
kg ha-1 de N, 60 Kg ha-1 de P e 45 kg ha-1 de K e a de cobertura aplicou-se 60 kg ha-1 de N,
nas quais as fontes desses nutrientes foram sulfato de amônio ((NH4)2SO4), superfosfato
simples (SFS) e cloreto de potássio (KCl). No entanto, o modelo só contempla fontes
nutricionais baseadas em nitrogênio (N) e fósforo (P), e por esse motivo as adubações com
fontes de potássio (K) não foram consideradas na programação do manejo nutricional. A
adubação de fundação no modelo foi programada para o início da simulação, e as de cobertura
foram divididas em duas aplicações, correspondentes aos estádios fenológicos V4 (4ª folha
desenvolvida)
e
V8
(8ª
folha
desenvolvida),
conforme
as
práticas
realizadas
experimentalmente. A fonte de N utilizada no modelo foi o nitrato de amônio (NH4NO3) que
possui cerca de 34% de N. Em virtude do APSIM não contemplar o sulfato de amônio como
fonte de N foi necessário ajustar a quantidade de NH4NO3 inserida no modelo, para
corresponder à aplicação de N experimental. Após esse ajuste de N, a quantidade da adubação
programada para Arapiraca-AL foi de 117,6 kg ha-1 de NH4NO3 na fundação e 206 kg ha-1 de
NH4NO3 para cada aplicação de cobertura. Em Rio Largo 29,4 kg ha-1 de NH4NO3 na
fundação e 88,2 kg ha-1 de NH4NO3 para cada aplicação de cobertura.
3.4
Calibração do Índice de Área Foliar (IAF) e variedade utilizada
A plataforma APSIM não dispõe da variedade utilizada nos experimentos (AL
Bandeirante), devido a isso, foi necessário inseri-la no modelo. Essa inserção foi realizada no
arquivo maize.xml, no qual consta todas as informações utilizadas na simulação do
crescimento do milho. Os parâmetros requeridos pelo APSIM para o tipo de
variedade/híbrido, são relacionados, principalmente, a sua fenologia. As alterações para
29
representar a variedade utilizada foram referentes aos graus-dia acumulados (GDA) entre a
emergência e o fim do estádio juvenil (tt_emerg_to_endjuv), GDA entre a floração e
maturação (tt_flower_to_maturity); GDA entre o lançamento da folha bandeira e o
florescimento (tt_flag_to_flower), GDA do florescimento ao enchimento de grãos
(tt_flower_to_start_grain); GDA entre a maturação e a colheita (tt_maturity_to_ripe). Esses
valores foram obtidos através da fenologia da variedade utilizada. O APÊNDICE A descreve
o código que representa essas modificações (inserido no arquivo maize.xml), e os valores dos
parâmetros fenológicos utilizados estão descritos na Tabela 4.
Tabela 4 - Parâmetros fenológicos utilizados na calibração da variedade AL Bandeirante no
modelo APSIM-Maize.
Parâmetro
Valor utilizado Descrição
196.08
1. tt_emerg_to_endjuv
GDA entre a emergência e o fim do estádio juvenil.
488.1
2. tt_flower_to_maturity
GDA entre a floração e maturação.
3. tt_flag_to_flower
10
GDA entre o lançamento da folha bandeira e o
florescimento.
4. tt_flower_to_start_grain
68,5
GDA do florescimento ao enchimento de grãos.
5. tt_maturity_to_ripe
1
GDA entre a maturação e a colheita.
1 – GDA entre a emergência e a 4ª folha totalmente expandida (V4); 2 – GDA entre o florescimento (R1) à maturação
fisiológica (R6); 3 – GDA entre dois dias após o pendoamento (VT) e o florescimento (R1); 4 – GDA entre o florescimento
(R1) e o início enchimento de grãos (R2); 5 – GDA entre a maturação fisiológica (R6) e a colheita.
Fonte: Autor (2015)
As modificações para o ajuste do Índice de área foliar (IAF), foram realizadas
nosparâmetros: 1) “x_lai”, que representa a variação do IAF, e foi modificado baseado em
observações experimentais, em que, o valor máximo experimental (IAF = 5,6) ultrapassou o
máximo valor previamente considerado pelo modelo (IAF = 4,0). 2) “leaf_no_dead_slope”,
que foi alterado para representar o decaimento da curva do IAF, conforme metodologia
adotada por Archontoulis et al. (2014). 3) “lai_sen_light”, que indica quando a senescência
induzida ocorre, e foi modificado pelo mesmo motivo do parâmetro “x_lai”. A Tabela 5
mostra os valores que foram utilizados.
Tabela 5 - Parâmetros utilizados para ajuste do Índice de Área Foliar (IAF).
Parâmetro
x_lai
leaf_no_dead_slope
lai_sen_light
Fonte: Autor (2015)
Valor
APSIM
0.1 – 4.0
0.00035
4.0
Valor
utilizado
0.1 – 6.0
0.0002
6.0
Descrição
Variação do IAF
Declive da curva do IAF
Ocorrência da senescência induzida
30
3.5
O Balanço de água no solo no APSIM
O APSIM possui dois métodos de cálculo do balanço de água no solo, o primeiro é
através do módulo “SoilWater” (Probert et al., 1998) que é um modelo estratificado em
camadas e o segundo consiste no módulo “SWIM” que é baseado na equação de Richard’s
(Verberg et al., 1996). Nesse estudo, foi utilizado o módulo “SoilWater”, que calcula o
balanço de água no solo em uma escala de tempo diário e por camadas, incluindo os processos
de evaporação do solo, transpiração da planta, drenagem e escoamento superficia (Figura 2).
Os parâmetros padrões do APSIM para a evaporação do solo, escoamento superficial e
eficiência de transpiração da cultura do milho foram mantidos.
Figura 2 - Representação do balanço de água do solo e seus componentes considerados no
modelo APSIM.
Fonte: Autor (2015)
3.5.1 Evaporação
A evaporação do solo no APSIM é calculada em duas fases, a primeira constante e a
segunda considerando uma taxa de depleção de acordo com a metodologia proposta por
Ritchie (1972). Na primeira fase, o solo é suficientemente úmido para que a água seja
transferida da superfície do solo para a atmosfera a uma taxa de evaporação potencial. A
segunda fase ocorre quando o teor de água no solo diminui para um limiar abaixo da
evaporação potencial. Estes comportamentos são descritos no módulo “Soil Water” através
da utilização dos parâmetros U e CONA. O parâmetro U representa a quantidade evaporada
antes do fornecimento de água ser reduzido abaixo da demanda atmosférica (primeira fase),
ou seja, U é o somatório da quantidade evaporada na primeira fase (Equação 1).
31
E U
(1)
s
A taxa de evaporação do solo (Es) durante a segunda fase é especificada pelo coeficiente de
regressão CONA como uma função do tempo (Equação 2), onde inicia-se a partir do final da
primeira fase de evaporação.
E s CONA. t
(2)
A água perdida por evaporação é removida a partir da camada superficial, em que essa
camada pode secar abaixo do ponto de murcha (LL) para a umidade de solo seco (airdry),
abaixo de LL. A Figura 3 exemplifica o acúmulo de água evaporada em função do tempo, nas
condições de U = 6 mm e CONA = 3,5 e é possível confirmar no gráfico as condições
mencionadas a seguir (Equação 3 e 4), onde a evaporação potencial diária do solo (Eos) é igual
à evaporação do solo (Es) na primeira fase de evaporação (t ≤ t1), e a partir da segunda fase
(t > t1) a evaporação acumulada (ƩEs) é dado pela soma entre evaporação acumulada na
primeira fase e a raiz quadrada do tempo multiplicado pelo parâmetro CONA (representando
a segunda fase de evaporação).
Se t ≤ t1 ; Es = Eos
(3)
Se t > t1 ; ƩEs = U.t + CONA (t – t1)1/2
(4)
Evaporação acumulada (mm)
Figura 3 - Evaporação acumulada em função do tempo, descrevendo a sistemática do cálculo de
evaporação no modelo APSIM-Maize.
CONA = 3,5
FASE
1
U=6mm
FASE
2
Tempo (t)
Fonte: Autor (2015) adaptado de APSIM (2015b)
32
3.5.2 Captação de água pelas raízes
A captação de água do solo pelas plantas depende da profundidade da frente de
extração de água do solo e da capacidade de extração da água disponível no solo pelas raízes
(Huth et al., 2009). Como já foi visto no início dessa sessão, o APSIM descreve a distribuição
vertical do conteúdo de água do solo através de camadas (Probert et al., 1998). E por isso, a
água contida em cada camada torna-se progressivamente disponível, conforme a profundidade
da frente de extração de água do solo (FE, mm) aumenta. A taxa de progresso da frente de
exploração ( FE ) é calculada usando uma velocidade potencial da frente de extração (VFE),
que é dependente do conteúdo de água do solo na camada, para identificar o efeito de
camadas de solo seco sobre a penetração das raízes.
FE
VFEω EV (SWi )
t
(5)
em que, ω EV é um fator de água no solo para o avanço da frente de extração e SW é o
conteúdo volumétrico de água no solo.
Quando a frente de extração atinge uma camada “i”, a captação potencial de água na
camada “i” (Ci) é descrita usando um simples modelo de decaimento de primeira ordem
(Meinke et al., 1993) para o teor de água acima do ponto de murcha (LL), de acordo com a
equação abaixo. O parâmetro kl representa a fração de água disponível no solo que pode ser
extraída por dia.
Ci
SWi
x i kli (SWi LL i )x i
t
(6)
A profundidade efetiva do sistema radicular, conforme observações de campo, foi de
30 cm para as simulações da região de Rio Largo-AL. E para a região de Arapiraca-AL 60 cm
para as três primeiras épocas de semeio. A quarta época de semeadura (E4), foi considerada
uma profundidade de 75 cm, devido a diminuição da chuva no ciclo da cultura que reduziu o
conteúdo de água do solo, e também pelo fato da simulação no modelo para 60 cm não ter
reproduzido bem as observações. Assim, inferiu-se esse valor, pois a frente de extração de
água foi rebaixada, e por isso o sistema radicular aumentou pela busca por disponibilidade de
água em camadas mais profundas. No entanto, experimentalmente essa hipótese não foi
constatada, porque a profundidade do sistema radicular foi medida em uma época de
semeadura que não sofreu estresse hídrico.
33
3.5.3 Transpiração
A transpiração potencial da planta (TR0) é calculada pelo módulo “micromet”
utilizando a formulação da equação de Penman-Montheith (Snow e Huth, 2004).
1000 N t init R ar D Ga
TR 0
G
água
a 1
Gc
(7)
em que, TR0 é a transpiração potencial (mm); é a declividade da curva de saturação de
vapor; ar é a densidade do ar (Kg m-3); é o calor latente de vaporização (J kg-1); D é o
déficit de pressão de vapor específico (Kg Kg-1); Ga é a condutância aerodinâmica (m s-1); ΔR
é a energia disponível para a evapotranspiração (W m-2); N é o fotoperíodo (s); Gc
condutância do dossel (m s-1) e tinit é a duração da evaporação referente a precipitação
interceptada (s).
O APSIM requer o processo de captação de água do solo pela planta (C) descrito no
tópico anterior (equação 6), juntamente a TR0 (Equação 7) para concluir a transpiração real da
cultura (TR), que é então, definida para ser igual ao mínimo entre o abastecimento de água
(C) e a demanda (TR0).
TR min(TR0 , C )
(8)
Se a C for maior do que TR0, a captação de água em cada camada é distribuída para baixo
proporcionalmente a demanda para abastecimento. A proporção de transpiração potencial
(TR0) para a transpiração real (TR) é utilizada para quantificar o fator de estresse hídrico
diário para o crescimento da planta (ωg), em que o valor de 1 significa sem estresse e 0
significa estresse absoluto.
3.5.4 Movimento de água no solo
O balanço de água estratificado em camadas considera que, quando o conteúdo de
água do solo está entre a capacidade de campo (DUL) e a saturação (SAT), uma fração de
água é drenada para a camada seguinte (ΔSWi), de acordo com a equação (9), que ajusta o
fluxo pelo SWCON, que é um parâmetro de drenagem que indica a proporção de água acima
de DUL que drena a cada dia na simulação. O valor de SWCON utilizado foi de 0,2 para Rio
34
Largo-AL e para Arapiraca-AL 0,6 obtido pelo método das tentativas e erros, sendo este o
valor que ofereceu um melhor ajuste entre resultados do modelo e os valores de conteúdo de
água do solo observados pelo TDR. Portando, para as condições de solo saturado, ou seja,
com o conteúdo de água do solo (SW) acima de DUL, temos:
SWi 1 SWCON i (SWi DUL i ) ;
para uma camada i, com SWi > DULi
(9)
Para condições de solo não saturado (SWi < DULi) o movimento de água irá depender
do gradiente sob o teor de água entre as camadas, e da difusividade hidráulica (D), que é uma
função do conteúdo médio de água entre duas camadas. O fluxo de água (q) entre camadas
cessa a um gradiente de água limitante (gravity_gradient). Com isso, o fluxo de água no solo
em condições não saturadas é descrito pelas equações (10) e (11).
D (SW) ae b(SWLL15)
q D(SW)
SW
x
(10)
(11)
em que, a e b são, respectivamente, a constante de difusividade (diffus_const) e o declive de
difusividade (diffus_slope) e ∂SW/∂x é o gradiente de água no solo em umidade volumétrica.
3.6
Fenologia da cultura
O módulo de milho do APSIM possui 11 estádios fenológicos e 9 fases (tempo entre
os estádios). Os estádios fenológicos são determinados pelos graus-dia (GD), com exceção da
semeadura, e também da germinação que é dirigida pela umidade do solo. Os valores dos
graus-dia acumulados (GDA) são usados para determinar a duração de cada estádio. Os
valores dos GDA são menores quando a planta está sob estresse de água ou nitrogênio. Os
GDA entre a semeadura e germinação é dependente dos níveis de água no solo. Os GDA entre
a germinação e emergência inclui um efeito sobre a profundidade de semeadura. A duração
entre a emergência e o aparecimento da folha bandeira é determinado pelo número total de
folhas destinadas a aparecer na planta, e a taxa na qual as folhas aparecem, que também é
determinada pela temperatura do ar.
35
O GDA é calculado a partir da função linear da temperatura do ar, usando as máximas e
mínimas temperaturas diárias. O GDA é derivado do acúmulo de GD após a emergência.
GDA = 0,
para T< Tb ou T > Tm
(12)
GDA = T – Tb,
para Tb < T < Topt
(13)
1 (T Topt )
GDA (Topt Tb )
,
(Tm Topt )
para Topt < T < Tm
(14)
em que, Tb é a temperatura base para o crescimento da folha (ºC); T opt é a temperatura ótima
para o crescimento da folha (ºC) e Tm é a temperatura máxima do ar para o crescimento da
folha (ºC).
Para minimizar o erro associado à variação diurna da temperatura do ar, é utilizado
uma média de temperatura do ar a cada 3 horas para ser utilizada nas equações descritas
acima. As médias de temperatura do ar a cada 3 horas são derivadas a partir das temperaturas
do ar máximas e mínimas, conforme descrito por Jones & Kiniry (1986).
3.7
Desenvolvimento do dossel e índice de área foliar
O desenvolvimento do dossel é calculado de acordo com Hammer et al. (2010),
considerando a planta inteira, através de uma relação entre a área foliar total da planta (TPLA)
e os GDA.
TPLA
TPLAmáx
1 e[ (GDA )]
(15)
em que, TPLAmáx é o valor máximo de TPLA; GDA é calculado conforme descrito no tópico
anterior; e α, β são coeficientes de ajuste.
A área foliar de folhas verdes por planta (PLA) é determinada como a diferença entre a
área foliar total produzida por planta (TPLA) e a área foliar senescida por planta (SPLA),
utilizando procedimento descrito por Hammer & Muchow (1994).
PLA TPLA SPLA
SPLA
TPLAmáx
1 e[ (GDA )]
em que, ε e τ são coeficientes de ajuste.
(16)
(17)
36
Hammer & Muchow (1994) relataram que os valores α = 0,018 e β = 390 simulou
TPLA satisfatoriamente para uma ampla gama de cultivares. Carberry et al. (1993)
encontraram valor de τ = 0,0071, e uma relação entre ε e o número total de folhas por planta
(TLN) de ε = 81,5 * TLN – 321. Eles descobriram que τ diferiu significativamente entre as
cultivares, mas que essa diferença teve pouco efeito sobre a previsão da senescência foliar.
Por fim, o Índice de Área Foliar (IAF) é calculado de acordo com Jones & Kiniry (1986), por
um produto entre a área foliar de folhas verdes com a densidade de plantio (D).
IAF ( PLA) D104
3.8
(18)
Acúmulo e partição de biomassa
O acúmulo de biomassa no modelo é calculado em um intervalo de tempo diário, onde
são realizadas duas estimativas a cada dia, a primeira limitada pela disponibilidade de água
para a transpiração (Equação 19) e a segunda limitada pela energia radiante (Equação 20). A
diferença entre essas duas estimativas representa a produção de biomassa real (BM) para cada
dia.
BM T SWsupplyTE
(19)
em que, SWsupply é o conteúdo total de água no solo (mm), TE é a eficiência de transpiração
derivada do coeficiente de eficiência da transpiração (TRB = 0.009 kPa kg-1 m-3) e do déficit
de pressão de vapor (dpv, kPa) estimados pela temperatura do ar.
BM pot H g EUR (1 exp ( k*IAF) )
(20)
em que, Hg é a irradiação solar (MJ m-2), EUR é a e eficiência no uso da radiação que é de 1,6
g MJ-1 (Hg) da emergência ao início do enchimento de grãos, e depois diminui para 1,4 g MJ-1
a partir do início do enchimento de grãos, representando os efeitos da senescência foliar e
redução da taxa fotossintética (Muchow et al, 1990). A radiação interceptada é calculada a
partir do índice de área foliar e um coeficiente de extinção de luz (k = 0.53).
A produção diária de biomassa é dividida para as partes da planta em diferentes
proporções, dependendo do estágio de colheita. Até o final da fase juvenil a razão de
biomassa destinada a parte aérea é mantida em 1,0 e depois diminui para um valor de 0,087
no florescimento. Entre a emergência e o aparecimento da folha bandeira, a proporção de
biomassa produzida que é particionado para a folha aumenta exponencialmente com o
aparecimento das folhas. Entre a iniciação floral e aparecimento da folha bandeira, a biomassa
37
remanescente após a alocação para folha, é então alocada entre o caule e a espiga numa taxa
de 1:0,30. Após as folhas estiverem totalmente expandidas, a biomassa é dividida entre caule
e a espiga, apenas até o início de enchimento de grãos. A partir do enchimento de grãos, o
particionamento de biomassa é destinado apenas para a os grãos (APSIM, 2015a).
3.9
Análise de dados
Para avaliar o desempenho das estimativas foram realizadas as seguintes análises
estatísticas: Erro percentual, Raíz quadrada do erro médio, Raíz quadrada do erro médio
relativo e Eficiência da modelagem.
3.9.1 Erro Percentual (ERRO)
O erro percentual (ERRO) foi utilizado para indicar subestimativa (desvio negativo) e
superestimativa (desvio positivo), entre os valores simulados e observados (Tojo Soler, 2004).
O ERRO é calculado por:
ERRO
(Si M i )
100
Mi
(21)
3.9.2 Raíz Quadrada do Erro Médio (RMSE)
A Raíz Quadrada do Erro Médio (RMSE) é utilizada para mensurar a performance
geral dos modelos e sintetiza a diferença média entre os valores observados e estimados. A
unidade da RMSE é a mesma utilizada pelas variáveis observadas e simuladas. O modelo é
melhor ajustado quando a RMSE se aproxima de zero (Loague & Green, 1991).
RMSE
1 N
(S i M i ) 2
N i 1
(22)
3.9.3 Eficiência de Modelagem (EF)
A Eficiência de modelagem (-∞ a 1), também denominada de Coeficiente de
Eficiência de Nash-Sutcliffe (Nash & Sutcliffe, 1970) é uma medida adimensional, que foi
desenvolvida para testar a eficiência de modelos hidrológicos, no entanto, é amplamente
utilizada para testar modelos de culturas agrícolas (Yang et al., 2014a). A eficiência da
modelagem igual a um (EF = 1) indica uma combinação perfeita entre a saída do modelo e os
dados observados. A eficiência da modelagem menor que um (EF < 1) é uma condição
38
fundamental para qualquer simulação realista. A eficiência da modelagem menor que zero
(EF < 0) se o resultado do modelo for pior do que o resultado utilizando simplesmente a
̅ i) para substituir os valores simulados (Si). A eficiência da modelagem
média observada (𝑀
maior ou igual a zero (EF ≥ 0) é uma condição fundamental para concluir aproximação entre
os dados estimados e observados.
(S M )
EF 1
(M M )
2
i
i
i
i
2
(23)
39
4.
RESULTADOS E DISCUSSÃO
4.1
Condições meteorológicas durante os ciclos da cultura
A região de Arapiraca-AL teve valores máximos diários da irradiação solar
(Hg, MJ m2) entre as épocas de semeadura variando entre 16,7 MJ m-2 (E3) e 26,7 MJ m-2
(E4). As demais épocas (E1 e E2) tiveram valores máximos de Hg igual a 25,0 MJ m-2 e
25,7 MJ m-2, respectivamente. Os valores mínimos diários de Hg variaram entre 1,96 MJ m-2
(E1) e 7,3 MJ m-2 (E2, E3 e E4) (Figura 4a). A Hg acumulada durante os ciclos da cultura
(Hgacum) variou entre 1808,9 MJ m-2 (E1) e 2095,3 MJ m-2 (E4), onde as épocas E2 e E3
atingiram valores intermediários iguais a 1925,6 MJ m-2 e 1987,4 MJ m-2. A temperatura do ar
(Figura 4b) na E1 e E2 variou entre 15,1ºC e 31,3ºC, com médias de 22,7ºC e 22,6ºC, e grausdia acumulados de 1748,0 e 1765,8 GDA, respectivamente. Na E3 e E4 a temperatura do ar
teve variação entre 15,1ºC e 31,7ºC, com médias de 22,6ºC e 22,9ºC, que resultaram em
1745,5 e 1749,2 GDA, respectivamente.
Devido a data de semeadura mais tardia, o ciclo E4 teve a menor precipitação
acumulada (Pacum) dentre as demais épocas, com 344,6 mm, abaixo do mínimo recomendado
por Dorenboos & Kassam (1979) para a cultura do milho que é de 400 mm no ciclo.
Isso ocorreu devido à má distribuição anual da precipitação na região (média climatológica
anual de 870 mm), em que, cerca de 70% do total de chuva ocorre entre os meses de abril a
agosto, prejudicando as épocas de semeadura mais tardias devido a menor disponibilidade
pluvial. O ciclo E1 por ter sido semeado no início do período chuvoso da região, teve maior
disponibilidade hídrica com Pacum igual a 677,6 mm. Seguido das épocas E2 e E3, que tiveram
Pacum igual 518,9 e 404,6 mm, respectivamente.
A região de Rio Largo-AL, teve máximos valores diários de Hg (Figura 5a) entre as
quatro épocas de semeadura, variando de 24,9 MJ m-2 (E1 e E3) a 29,9 MJ m-2 (E2), e a Hg
máxima diária na E4 foi igual a 25,7 MJ m-2. O valor mínimo diário de Hg para todas as
épocas foi de 5,6 MJ m-2. A Hgacum foi maior nas épocas mais tardias (E3 e E4) com valores
respectivos de 2262,6 e 2242,2 MJ m-2. Isso ocorreu, devido aos ciclos E3 e E4 se estenderem
até meados do mês de outubro, em que na região a cultura já dispõe de fotoperíodos maiores,
resultando em dias mais longos. E também, a partir de setembro já se inicia o período seco
(não chuvoso) da região, e por consequência, uma menor cobertura de nuvens e maior
disponibilidade de Hg são observados. Na E1, Hgacum teve valor de 2070,6 MJ m-2 e E2 igual
a 2031,4 MJ m-2.
40
Temperatura
do ar (ºC)
Irradiação
solar (MJ m-2)
Figura 4 - Irradiação solar global (Hg) [a] e temperaturas máximas (Tmax), médias (Tmed) e
mínimas (Tmin) [b] durante as quatro épocas de semeadura para a região de Arapiraca-AL, ano
2008.
início do ciclo
fim do ciclo
30 a) E1 E2
E3
E4
E1
E4
E2
E3
25
20
15
10
5
0 b)
30
Tmax
Tmed
Tmin
25
20
15
10
120 130 140 150 160 170 180 190 200 210 220 230 240 250 260 270 280 290 300 310
Dia do ano
Fonte: Autor (2015)
DJ vs Rad
Temperatura
do ar (°C)
Irradiação
solar (MJ m-2)
Figura 5 - Irradiação solar global (Hg) (a) e temperaturas máximas (Tmax), médias (Tmed) e
mínimas (Tmin) [b] durante as quatro épocas de semeadura para a região de Rio Largo-AL, ano
2011.
início do ciclo
fim do ciclo
30 a) E1 E2 E3 E4
E1
E2 E3 E4
25
20
15
10
34
32
30
28
26
24
22
20
18
16
b)
Tmax
Tmed
Tmin
160 170 180 190 200 210 220 230 240 250 260 270 280 290 300 310
Dia do ano
Fonte: Autor (2015)
41
A temperatura do ar (Figura 5b) na E1 e E2 variou entre 17,81 e 30,8ºC, com média de
23,6ºC, resultando em 1889,7 e 1833,3 GDA, respectivamente. Nas épocas E3 e E4, a
temperatura do ar apresentou variação de 17,81 a 31,5ºC, com uma média de 24,0ºC, que
obtiveram, respectivamente, 2005,9 e 1967,7 GDA. A Pacum variou de maneira decrescente ao
longo das quatro épocas de semeadura, devido a região de Rio Largo-AL também apresentar
maior parte da precipitação anual concentrada entre os meses de abril a agosto. Com isso, os
valores de Pacum variaram entre 732,2 mm (E1) a 634,2 mm (E4), e os valores intermediários
foram 655,3 mm (E2) e 642,6 mm (E3).
Elementos meteorológicos como a irradiação solar e temperatura do ar interagem entre
si, quando se diz respeito a quantidade de radiação interceptada pela cultura. Do ponto de
vista que a temperatura afeta no desenvolvimento foliar, que por sua vez irá reduzir a área das
folhas, e alterar a fração da radiação interceptada e a eficiência de interceptação. Wilson et al.
(1995) destaca a importância da irradiação solar e temperatura do ar na determinação do
potencial produtivo de milho em climas diversos, e observou que em climas tropicais o
potencial produtivo é limitado pelo crescimento de curta duração, em função de altas
temperaturas que aceleram o ritmo de desenvolvimento da cultura. No presente estudo, não
foram observadas diferenças significativas com relação a duração dos ciclos de
desenvolvimento da cultura devido a temperatura do ar. Para Arapiraca-AL, a duração do
ciclo variou entre 116 dias (E4) e 120 dias (E2), e para a região de Rio Largo-AL, a variação
foi de 116 dias (E2) a 125 dias (E3). Isso acontece porque nas regiões estudadas a cultura não
se submete a amplitudes térmicas com diferença significativa entre as épocas de semeadura.
Salienta-se que em ambos os locais estudados, a temperatura média do ar não atingiu valores
que pudessem comprometer o desenvolvimento e maturação da cultura, se mantendo durante
todo período acima de 20ºC. De acordo com Doorenbos & Kassam (1979), temperaturas
abaixo 20ºC tende a estender o período para atingir o amadurecimento em aproximadamente
10 a 20 dias para cada 0,5 ºC de diminuição da temperatura, dependendo da variedade.
4.2
Balanço de água no solo
O modelo simulou a dinâmica de água no solo, para a região de Arapiraca-AL com
RMSE variando de 0,021 mm mm-1 (E1) a 0,032 mm mm-1 (E3) entre as diferentes épocas de
semeadura (Figura 6). A simulação inicial (E1) mostra um adequado ajuste com os dados
observados (Figura 6a), indicando um resultado satisfatório referente a todos os parâmetros
utilizados para obter os componentes do balanço de água no solo (mencionados no tópico 3).
42
Figura 6 - Conteúdo de água do solo (SW) na profundidade de 0 a 60 cm simulados (SWsim) e observados (SWobs), para as quatro épocas de
semeadura do milho a) E1, b) E2, c) E3 e d) E4 na região de Arapiraca, AL.
a)
-1
RMSE= 0,021 mm mm
ERRO = 9,59 %
EF = 0,99
0.30
E1 b)
RMSE= 0,032 mm mm
ERRO = 27,63 %
EF = 0,70
-1
40
30
0.20
20
0.15
0.10
10
0.05
0.00
120 140
0.30
c)
160
180
200
220
240
260
140
160
E3 d)
RMSE= 0,029 mm mm-1
ERRO = 17,58 %
EF = 0,99
0.25
0
180 200 220 240 260
40
E4
RMSE= 0,024 mm mm-1
ERRO = 19,26 %
30
EF = 0,99
0.20
20
0.15
10
0.10
0.05
160
180
200
220
240
260
280
300
200
Dia do ano
RMSE: Raíz quadrada do erro médio (mm mm-1); EF: Eficiência da modelagem; ERRO: Erro percentual (%).
Fonte: Autor (2015).
E2
220
240
260
280
300
0
320
Precipitação (mm dia-1)
Conteúdo de água do solo (mm mm-1)
0.25
Precipitação
SWsim
SW obs
0.35
43
Essa parametrização refletiu também nos resultados das demais épocas de semeadura
(E2, E3 e E4), em que os valores observados e simulados apresentaram tendências
semelhantes, apesar de magnitudes distintas, com erro percentual variando na ordem de 9,5 a
27,6 %, evidenciando que o modelo reproduziu o processo real da dinâmica de água no solo
satisfatoriamente. No entanto, Archontoulis et al. (2014) não considera esse tipo de resultado
surpreendente, tendo em vista que o APSIM requer dados do conteúdo de água na capacidade
de campo (DUL) e ponto de murcha (LL), ambos determinados em condições experimentais.
Por outro lado, as simulações para a região de Rio Largo-AL, que possui um tipo de solo com
características físicas diferentes (com uma camada adensada em ~ 30 cm de profundidade),
mostraram que o modelo mesmo utilizando parâmetros físico-hídricos reais, não reproduziu
adequadamente determinados processos da dinâmica de água do solo. Processos estes que
certamente estejam relacionados ao parâmetro de drenagem utilizados pelo APSIM. Essa
hipótese é levantada, porque foi observado que em dias ou períodos com grande precipitação
acumulada, o APSIM superestimou as observações de SW (Figura 7). Em períodos com baixo
acumulado de chuva, o modelo se aproximou das observações. Na prática, o APSIM
identificou a camada adensada (numa profundidade em torno de 30 cm) existente no solo da
região, que diminuiu a drenagem da água, que foi subestimada para esse caso particular no
modelo. Por esse motivo, ajustou-se o parâmetro de condutividade de água do solo (SWCON,
d-1) de 0,2 (Probert et al., 1998) para 0,6 pelo método das tentativas e erros, representando o
valor de melhor ajuste entre os dados de SWobs e SWsim. O SWCON representa a água acima
de DUL que é drenada a cada dia. Apesar da modificação no parâmetro de drenagem, as
estimativas de SW para Rio Largo-AL resultaram em erros percentuais variando da ordem de
7,4 a 17,5 %, com RMSE de 0,033 mm mm-1.
Resultados semelhantes sobre a dinâmica de água no solo foram encontrados por
Arcountoulis et al. (2014) com o modelo APSIM para a cultura do milho na região CentroOeste dos EUA, com RMSE em torno de 0,03 mm mm-1. Porém, no presente estudo foi
possível obter resultados mais satisfatórios para a região de Arapiraca-AL (Figura 6a-d). Uma
razoável performance do APSIM na estimativa de SW foi encontrada na simulação da cultura
do algodão no Norte da China (Yang et al., 2014b), trigo no oeste da Austrália (Asseng et al.,
1998) e canola no sul da Australiano (Zeleke et al., 2014). Nesses trabalhos observaram-se
boas previsões de SW (com coeficientes de determinação (r2) acima de 0,92), utilizando o
módulo SoilWat (Probert et al., 1998).
44
Figura 7 - Conteúdo de água do solo (SW) na profundidade de 0 a 30 cm simulados (SWsim) e observados (SWobs), para as quatro épocas de
semeadura do milho a) E1, b) E2, c) E3 e d) E4 na região de Rio Largo, AL.
0.35
RMSE= 0,022 mm mm-1
ERRO = 7,44 %
EF = 0,78
a)
E1
RMSE= 0,023 mm mm-1
ERRO = 7,66 %
EF = 0,84
b)
E2
80
70
60
50
0.25
40
30
0.20
20
0.15
180
0.35
c)
10
200
220
240
260
280
RMSE= 0,053 mm mm-1
ERRO = 17,58 %
EF = 0,38
0.30
300
E3
200
220
240
260
280
RMSE= 0,036 mm mm-1
ERRO = 15,06 %
EF = 0,90
d)
0
300
80
E4
70
60
50
0.25
40
0.20
30
20
0.15
10
0.10
180
200
220
240
260
280
300
320
200
Dia do ano
RMSE: Raíz quadrada do erro médio (mm mm-1); EF: Eficiência da modelagem; ERRO: Erro percentual (%).
Fonte: Autor (2015)
220
240
260
280
300
0
320
Precipitação (mm dia-1)
Conteúdo de água do solo (mm mm-1)
0.30
Precipitação
SWsim
SW obs
45
As simulações para SW realizadas nesse estudo confirmam a eficiência do APSIM no
cálculo dessa variável, com desempenho dentro da realidade de outras pesquisas semelhantes
(Mohanty et al., 2012; Asseng et al., 1998), e em certas condições (Figura 6a) com
performance superior. Isso é respaldo de uma correta calibração, conferindo boa confiança do
modelo na estimativa das variáveis do balanço de água no solo.
4.3
Transpiração e evaporação simuladas no APSIM
Devido a calibração da dinâmica da água no solo no modelo APSIM foi possível obter
as componentes: transpiração da cultura (TR) e evaporação da água do solo (E) referentes a
cada época de semeadura simuladas pelo modelo. A E é um elemento importante no balanço
de água em sistemas agrícolas, embora não seja considerada como um fator diretamente
relacionado com a produção das culturas, mas pode influenciar indiretamente a
disponibilidade de água para a TR, que está diretamente associado à produção das culturas
(Singh et al., 2014). Para as simulações de Arapiraca-AL, as duas primeiras épocas (Figura 8a
e 8b) tiveram evaporação máxima diária (Emáx) de 4,9 mm e evaporação acumulada durante o
ciclo (Eacum) de 206 mm e 212,7 mm, respectivamente. A terceira época (Figura 8c) obteve
Emáx de 4,5 mm e Eacum de 200 mm. Na época mais tardia (Figura 8d) a Emáx foi de 4,3 mm, e
Eacum igual a 206 mm. Para a transpiração da cultura, os valores da transpiração máxima
(TRmáx) variou entre 2,5 mm (E1 e E4) e 3,0 mm (E2 e E3) com TRacum entre 48,0 mm (E4) e
102,0 mm (E2). As simulações para Rio Largo-AL (Figura 9) mostraram uma Emáx variando
entre 4,5 mm (E4) e 5,0 mm (E1, E2, E3). Os valores de Eacum ficaram entre 182,6 mm (E2) e
200,7 mm (E4), e as demais épocas com 189,8 mm (E1) e 194,5 mm (E4). A transpiração da
cultura teve valores de TRmáx com variação entre 4,1 mm (E3) e 5,4 mm (E1) e valores de
TRacum variando de 124,0 mm (E1) a 194,5 mm (E4).
O incremento da transpiração da cultura foi diretamente proporcional ao
crescimento/desenvolvimento do tecido foliar, em que, de maneira geral para as duas regiões
estudadas (Figura 8 e 9) os valores de TRmáx ocorreram entre os estádios fenológicos V8 e R5,
na qual a cultura já tem a maior parte de suas folhas totalmente expandidas e atinge a
maturação fisiológica. A redução da evaporação também se deu concomitantemente ao
aparecimento de folhas, em que de maneira geral, dentre as simulações, pode-se observar
depleção significativa de E a partir do estádio V4. A redução da transpiração foi proporcional
à redução de folhas verdes, decorrente do processo de senescência da planta.
46
Figura 8 - Simulação no APSIM da transpiração (TR), evaporação (E), transpiração acumulada (TRacum) e evaporação acumulada (Eacum) no ciclo da
cultura, para as quatro épocas de semeadura, na região de Arapiraca-AL em função dos graus-dia acumulados (GDA).
Fonte: Autor (2015).
47
Figura 9 - Simulação no APSIM da transpiração (TR), evaporação (E), transpiração acumulada (TRacum) e evaporação acumulada (Eacum) no ciclo da
cultura, para as quatro épocas de semeadura, na região de Rio Largo-AL, em função dos graus-dia acumulados (GDA).
Fonte: Autor (2015)
48
Do ponto de vista fisiológico da cultura, de acordo com Godoy et al. (2001), o
aumento da transpiração pode ser ocasionado pela destruição da cutícula, aumento da
permeabilidade da membrana das células da folha e pela inibição do fechamento dos
estômatos. A diminuição da transpiração pode ser resultante do fechamento induzido dos
estômatos por doenças, redução dos espaços do mesófilo pelas hifas ou hipertrofia das células
do mesófilo, obstrução dos tecidos condutores e estômatos, desfolha e/ou murcha e seca
precoce das folhas. No entanto, em nenhum dos experimentos, houve aparecimento
descontrolado de pragas e doenças, que viesse a causar danos em grande escala ao tecido das
folhas ou perda de produtividade. Com isso, a variação da transpiração da cultura se deu
somente em função dos processos fisiológicos da planta que são considerados no modelo.
Comparações da estimativa de E pelo APSIM foram feitas por outros pesquisadores (Singh et
al., 2014; Wei et al., 2015), e no geral as simulações foram bem avaliadas.
4.4
Índice de área foliar
A prévia calibração do IAF foi importante para não haver equívocos nas estimativas
de outros elementos dependentes das variáveis de crescimento da cultura (biomassa e
rendimento de grãos). Por isso, alguns parâmetros foram ajustados para representar as
condições reais de crescimento e obter melhores estimativas do IAF. O parâmetro associado
com o envelhecimento das folhas (“leaf_no_dead_slope”) foi reduzido de 0,00035 para
0,0002, a fim de atingir melhor representação do decaimento da curva do IAF, decorrente do
processo de senescência foliar, concordando com a metodologia adotada por Archontoulis et
al (2014). A variação do IAF (“x_lai”) foi ampliada de 0,1 a 4,0 para 0,1 a 6,0, porque esse
limite superior (4,0) impediu a simulação de acompanhar as observações, tendo em vista que
em condições experimentais o IAF máximo foi de 5,6 em Rio Largo-AL.
O modelo estimou o índice de área foliar (IAF) para a região de Arapiraca-AL com
erro percentual (ERRO) médio entre as épocas de semeadura de 24,4 %, e RMSE igual a
0,60 cm2 cm-2 (Figura 10). As épocas E2 e E4 estimaram o IAF satisfatoriamente, em relação
as demais, com RMSE variando de 0,380 a 0,430 cm2 cm-2 (Figura 11b,d). Nas E1 e E3
(Figura 10a,c) o modelo conseguiu reproduzir a curva do IAF durante todo período inicial de
crescimento, até por volta dos 50 a 60 DAS com erro percentual abaixo de 20%. Os valores
simulados E4 (Figura 10d) se mostraram mais ajustados as observações após a modificação na
profundidade do sistema radicular de 60 para 75 cm, que representou uma redução de 26,3%
no erro da estimativa.
49
Figura 10 - Índice de área foliar simulados (IAFsim) e observados (IAFobs) em função dos Dias após a semeadura (DAS) para a cultura do milho na
região de Arapiraca, AL.
6
a)
IAF sim
b)
RMSE= 0,557 cm2 cm-2
ERRO = 14,81 %
EF = 0,99
4
Índice de Area Foliar
IAF obs
E1
E2
RMSE= 0,430 cm2 cm-2
ERRO = 26,30 %
EF = 0,99
2
0
6
c)
RMSE= 1,050 cm2 cm-2
ERRO = 35,25 %
EF = 0,98
4
E4
E3 d)
RMSE= 0,380 cm2 cm-2
ERRO = 21,28 %
EF = 0,99
2
0
0
20
40
60
80
0
20
40
Dias Após a Semeadura
Fonte: Autor (2015).
60
80
100
120
50
Figura 11 - Índice de Área Foliar simulados (IAFsim) e observados (IAFobs) em função dos Dias após a semeadura (DAS) para a cultura do milho na
região de Rio Largo, AL.
IAF obs
8
a)
IAF sim
b)
E1
RMSE= 1,78 cm2 cm-2
ERRO = 42,24 %
EF = 0,84
6
E2
RMSE= 1,48 cm2 cm-2
ERRO = 38,53 %
EF = 0,63
Índice de Área Foliar
4
2
0
c)
RMSE= 1,53 cm2 cm-2
ERRO = 45,15 %
EF = 0,94
RMSE= 1,60 cm2 cm-2
ERRO = 28,85 %
EF = 0,77
6
E4
d)
E3
4
2
0
0
20
40
60
80
0
20
Dias Após a Semeadura
Fonte: Autor (2015).
40
60
80
100
51
Para a região de Rio Largo-AL (Figura 11) o APSIM simulou o IAF com ERRO
variando de 28,8 a 38,5 % entre as épocas de semeadura E2 e E3, e as estimativas para a E3 e
E4 resultaram em ERRO em torno de 40%. O RMSE foi de 1,59 cm2 cm-2 e EF de 0,79 dentre
as avaliações. A simulação E1 conseguiu reproduzir com baixos desvios os dados observados
até aproximadamente 55 DAS. As simulações para E2 e E3 tiveram uma tendência
semelhante, sendo que a E2 subestimou as observações durante toda a fase de crescimento
(Figura 11b) e a E3 superestimou os dados observados durante esse período (Figura 11c). No
entanto, ambas as simulações conseguiram reproduzir os valores iniciais e finais do IAF
observado. A simulação para E4, apesar de concordar com as observações na fase inicial e
final do ciclo, apresentou grandes desvios durante a fase de crescimento (Figura 11d).
Estudos com a cultura do trigo em regiões da Austrália (Meinke et al., 1997; Asseng et
al., 1998) consideraram baixa eficiência do APSIM-Wheat (Módulo de trigo) na previsão do
IAF, apesar do bom desempenho do modelo na simulação de variáveis fenológicas e de
produção (biomassa). No entanto, as previsões do IAF, para a cultura do milho nas regiões
avaliadas nesse estudo, de um modo geral, foram razoáveis. Boa precisão foi obtida nas fases
iniciais e finais de crescimento. Archontoulis et al. (2014) encontraram RMSE na estimativa
do IAF com o APSIM-Maize, variando entre 0,44 e 0,56 cm2 cm-2 e considerou a simulação
satisfatória. É importante ressaltar que no presente estudo o APSIM gerou RMSE de até
0,38 cm2 cm-2. Assim, o desempenho razoável das estimativas do IAF não comprometeu a
acurácia das simulações de produção de biomassa. Asseng, et al. (1998) consideraram
surpreendente o fato de que, muitas vezes simulações do IAF com baixa acurácia não
comprometam as previsões da biomassa, embora o IAF seja fundamental para a interceptação
de luz e cálculo de fotossíntese no modelo. No entanto, a baixa influência dos valores
simulados do IAF sobre a biomassa (em alguns casos) pode ser explicada pela maior
importância de simulações com menor erro do IAF na fase inicial e final de crescimento e do
enchimento de grãos. Uma menor relevância da estimativa do IAF é observada quando o solo
está totalmente coberto (IAF máximo). Nesse caso, o aumento do IAF passa a ter baixo efeito
sobre a interceptação de luz (Ritchie et al., 1985; Asseng et al., 1998), que observou-se na
cultura do trigo. No presente estudo não notou-se independência entre o IAF e produção de
biomassa, ou seja, os valores da biomassa se mostraram sensíveis às modificações realizadas
na calibração do IAF.
52
4.5
Produção de Biomassa e Rendimento de grãos
A produção de biomassa (Figura 12 e 13) é dependente do coeficiente de extinção de
luz (k ou “y_extinct_coef”), que foi mantido o valor padrão do modelo de 0,53. No entanto,
Ferreira Junior et al., 2014 encontrou 0,62 obtido para a RFA em condições experimentais
referente a variedade utilizada, que corresponde praticamente ao mesmo valor de 0,53 se
considerar a irradiação solar (Hg). A eficiência no uso da radiação (EUR) foi 1,6 g MJ -1 até o
início do enchimento de grãos, após isso foi decrescida para 1,4 g MJ-1 (Muchow et al.,
1990), devido a redução da taxa fotossintética, decorrente do processo de senescência das
folhas. Os valores de EUR também foram mantidos os padrões do APSIM (Versão 7.6),
porque estudos recentes realizados nos EUA mostraram que a EUR para a cultura do milho é
de aproximadamente 1,67 g MJ-1 Hg, ou seja, um valor condizente com os adotados pelo
APSIM-Maize (Singer et al., 2011; Archontoulis et al., 2014). No entanto, a utilização desses
valores, diferem de outros modelos de simulação do crescimento da cultura do milho, como é
o caso do CERES-Maize (Jones & Kiniry, 1986), que em sua primeira versão considerou 5,0
g MJ-1 RFA, mas que foi reduzido para 4,3 g MJ-1 RFA em suas versões subsequentes (Kiniry
et al., 1997), que posteriormente foi utilizado pelo modelo Hybrid-Maize (Yang et al., 2004).
Para Arapiraca-AL (Figura 12), o APSIM estimou a biomassa observada (BMobs),
durante o período de crescimento, com erro de 54,3 % e uma diferença média entre os valores
observados e simulados (RMSE) de 2,72 Mg ha-1 com EF de 0,66. Apesar dos grandes
desvios observados ao longo dos ciclos da cultura, o modelo estimou com baixos desvios a
biomassa total (BT) para as duas primeiras épocas (Figura 12a e 12b) e rendimento de grãos
(Y), que estão destacados na Tabela 6. A E1 teve uma produção de biomassa total observada
(BTOBS) de 11,05 Mg ha-1 e produção de biomassa total simulada (BTSIM) igual a
10,66 Mg ha-1, resultando em ERRO de 3,5%. A E2 teve BTOBS e BTSIM de 12,26 Mg ha-1 e
11,25 Mg ha-1, respectivamente, e ERRO igual a 8,9 %. As duas últimas épocas (E3 e E4)
tiveram, respectivamente, a BTOBS de 12,26 Mg ha-1 e 10,37 Mg ha-1 e BTSIM iguais a 8,17
Mg ha-1 e 8,03 Mg ha-1, que resultaram em subestimativas de 33,3 % e 34,5 %. O rendimento
de grãos (Y) se aproximou das observações para as quatro épocas de semeaduras com ERRO
variando entre 15,0 % (E2) e 41,3 % (E4). Na E2 o Yobs foi de 4,18 Mg ha-1 e Ysim de 4,81 Mg
ha-1 e na E4 o Yobs foi de 1,96 Mg ha-1 e Ysim de 2,77 Mg ha-1. Nas épocas E1 e E3 o Yobs
foram de 3,77 e 4,49 Mg ha-1 e o Ysim de 4,59 e 3,17 Mg ha-1, respectivamente.
53
Figura 12 - Biomassa real (BMobs) e simulado (BMsim) e Rendimento de grãos real (Yobs) e simulado (Ysim) em função dos Dias Após a Semeadura
(DAS) para a cultura do milho na região de Arapiraca, AL.
Yobs
Ysim
BMobs
BMsim
Biomassa e rendimento de grãos (Mg ha-1)
16
E2
E1 b)
a)
RMSE= 2,78 Mg ha-1
ERRO = 50,57%
EF = 0,69
12
RMSE= 2,71 Mg ha-1
ERRO = 55,54 %
EF = 0,71
8
4
0 c)
16
12
E3 d)
RMSE= 3,33 Mg ha-1
ERRO = 58,54 %
EF = 0,57
E4
RMSE= 2,04 Mg ha-1
Rendimento observado
ERRO = 52,60 %
Rendimento simulado
EF = 0,67
8
4
0
0
20
40
60
80 100 120 140 0
20
Dias Após a Semeadura
Fonte: Autor (2015).
40
60
80 100 120 140
54
Figura 13 - Biomassa real (BMobs) e simulado (BMsim) e Rendimento de grãos real (Yobs) e simulado (Ysim) em função dos Dias Após a Semeadura
(DAS) para a cultura do milho na região de Rio Largo, AL.
BMobs
Biomassa e rendimento de grãos (Mg ha-1)
20
BMsim
Ysim
E2
E1 b)
a)
RMSE= 2,41 Mg ha-1
ERRO = 24,45 %
EF = 0,98
RMSE= 3,02 Mg ha-1
ERRO = 66,06 %
EF = 0,938
16
Yobs
12
8
4
20
16
12
E4
E3 d)
c)
RMSE= 2,18 Mg ha-1
ERRO = 22,65 %
EF = 0,972
RMSE= 2,89 Mg ha-1
ERRO = 82,91 %
EF = 0,90
8
4
0
0
20
40
60
80
100 120 140
0
20
Dias Após a Semeadura
Fonte: Autor (2015).
40
60
80
100 120 140
55
Salienta-se que os dados apresentados na E4 (Figura 12d) foram devido a modificação na
profundidade do sistema radicular de 60 para 75 cm, que representou redução de 16,7 % no
erro da estimativa.
Tabela 6 - Produção de biomassa final observada (BTOBS) e simulada (BTSIM) e rendimento de
grãos observado (YOBS) e simulado (YSIM) para as regiões de Arapiraca e Rio Largo.
Época de
semeadura
BTOBS
Mg ha-1
BTSIM
Mg ha-1
E1
E2
E3
E4
11,05
12,26
12,26
10,37
10,66
11,25
8,17
8,03
E1
E2
E3
E4
15,67
17,42
16,27
15,22
10,16
12,62
12,81
12,68
ERRO
YOBS
(%)
Mg ha-1
Arapiraca-AL
3,52
3,72
8,97
4,18
33,3
4,49
34,5
1,96
Rio Largo-AL
35,16
3,50
27,15
3,72
21,26
3,35
16,68
2,20
YSIM
Mg ha-1
ERRO
(%)
4,59
4,81
3,17
2,77
21,7
15,0
29,3
41,3
5,01
5,69
3,38
5,92
43,1
52,9
0,80
169,0
As estimativas da BM para a região de Rio Largo-AL (Figura 13) resultaram em
ERRO de 49%, RMSE de 2,62 Mg ha-1 e EF de 0,94. A comparação entre valores de BT,
tiveram em erro percentual variando entre 16,68% (E4) e 35,16 % (E1). A E4 teve BTOBS de
15,22 Mg ha-1 e BTSIM de 12,68 Mg ha-1 e E1 teve BTOBS de 15,67 Mg ha-1 e BTSIM de 10,16
Mg ha-1. A E2 teve BTOBS de 17,42 Mg ha-1 e BTSIM de 12,69 Mg ha-1, resultando em um
ERRO de 27,1 %. A E3 teve BTOBS de 16,27 Mg ha-1 e BTSIM de 12,81 Mg ha-1, com ERRO
de 21,2 %. O modelo APSIM simulou bem o Y para E3 (Figura 13c) com baixo erro de 0,8
%, sendo esse, o menor entre todas as estimativas. A E2 teve Yobs de 3,72 Mg ha-1 e Ysim de
5,69 Mg ha-1, com ERRO de 52,9%.
O baixo desvio percentual observado na estimativa do rendimento de grãos (Y) para as
épocas de semeadura referentes a Arapiraca (E1, E2, E4) e Rio Largo (E3), provavelmente
ocorreu devido ao Y ser calculado pontualmente em função dos valores da produção de
biomassa (razão entre a produção de biomassa total da planta e biomassa de grãos). Ou seja,
durante a simulação, as fases de crescimento que obtiveram baixos desvios para a produção de
biomassa compensaram os altos desvios, e também pelo fato do modelo ter reproduzido
satisfatoriamente os valores de BTOBS para a maioria das épocas avaliadas, contribuindo para
uma estimativa de Y mais precisa.
56
5.
CONCLUSÕES
O APSIM-Maize mostrou-se satisfatório na estimativa da dinâmica de água do solo,
em que, a parametrização com dados físico-hídricos contribuíram para a boa performance do
modelo no cálculo do armazenamento de água, principalmente, para a região de ArapiracaAL. Para Rio Largo-AL, as estimativas da dinâmica de água do solo obteve desempenho
inferior, porque o APSIM não reproduziu adequadamente as observações em dias ou períodos
com alto acumulo de precipitação. O modelo identificou uma característica do solo da região
(camada adensada do solo em ~30cm de profundidade) mas não conseguiu reproduzi-la
adequadamente. Isso resultou em subestimativa da drenagem, que foi ajustada para melhor
representar os dados observados. Tais fatores reforçam a importância da calibração do modelo
para os diferentes tipos de solo. A calibração realizada nesse estudo não se aplica a todas as
regiões do Estado de Alagoas, pois somente é válida para as condições edafoclimáticas
avaliadas. As simulações do conteúdo de água solo para a região de Rio Largo-AL foram
classificadas como boas.
A variável de crescimento (índice de área foliar) apresentou estimativa razoável. Na
maioria das épocas avaliadas, o APSIM representou melhor as observações até cerca de 60
dias após a semeadura. Em alguns casos o modelo reproduziu adequadamente as observações
durante todo o processo de desenvolvimento da cultura. Para a simulação de Arapiraca-AL, a
época mais tardia apresentou melhores resultados quando a profundidade efetiva do sistema
radicular foi aumentada. A calibração referente às propriedades fenológicas da variedade
utilizada
(AL
Bandeirante)
foi
imprescindível
para
o
modelo
simular
o
crescimento/desenvolvimento da cultura, dentro da realidade experimental.
Apesar do desempenho razoável do índice de área foliar, as variáveis de produção da
cultura do milho foram estimadas com mau desempenho no decorrer dos ciclos da cultura.
Esperava-se maior precisão na estimativa da biomassa durante o processo de crescimento,
principalmente para as épocas que as estimativas do IAF foram mais precisas. Apesar disso,
os valores pontuais da biomassa final e rendimento de grãos, apresentaram baixos desvios
percentuais, e de modo geral tiveram boas estimativas.
Por fim, O APSIM-Maize, se mostrou um modelo confiável na estimativa das
componentes do balanço de água no solo. Mas, apresentou inconsistências em alguns casos
para simulações de variáveis de crescimento e produção. Portanto, a aplicação do APSIMMaize para a região estudada, ainda requer cautela e uma adequada validação referente a
calibração realizada nesse estudo.
57
6.
REFERÊNCIAS
ABEDINPOUR, M.; SARANGI, A.; RAJPUT, T.B.S.; SINGH, M.; AHMAD, T.
Performance evaluation of AquaCrop model for maize crop in a semi-arid environment.
Agricultural Water Management, v.110, p.55-65, 2012.
ANDRADE, F.H.; UHART, S.A.; CIRILO, A. Temperature Affects radiation use efficiency
in maize. Field Crops Research, Amsterdam, v.32, p.17-25, 1993.
ASSENG, S.; KEATING, B.A.; FILLERY, I.R.P.; GREGORY, P.J.; BOWDEN, J.W.;
TURNER, N.C.; PALTA, J.A.; ABRECHT, D.G. Peformance of the APSIM-wheat model in
Western Austrália. Field Crops Research, v.57, p.163–179, 1998.
APSIM. APSIM Maize module, disponível em:
<http://www.apsim.info/Documentation/Model,CropandSoil/CropModuleDocumentation/Mai
ze.aspx > Acesso em 21 jan. 2015a.
APSIM. APSIM SoilWat module, disponível em:
<http://www.apsim.info/Documentation/Model,CropandSoil/SoilModulesDocumentation/Soil
Wat.aspx> Acesso em 21 jan. 2015b.
ARCHONTOULIS, S.V.; MIGUEZ, F.E.; MOORE, K.J. Evaluating APSIM Maize, Soil
Water, Soil Nitrogen, Manure, and Soil Temperature Modules in the Midwestern United
States. Agronomy Journal, v.106, p.1025-1040, 2014.
BAI, P.; BANKS, H.Y.; DEDIU, S.; GOVAN, A.Y.; LAST, M.; LLOYD, H.K.; NGUYEN,
M.S.; REMPALA, G.; SLENNING, B.D. Sthochastic and deterministic model for agricultural
production networks. Mathematical, biosciences and engineering. v.3, nº3, p.373-402,
2007.
BERGAMASCHI, H.; DALMAGO, G.A.; BERGONCI, J.I.; BIANCHI, C.A.M.; MULLER,
G.A.; COMIRAN, F.; HECKLER, B.M.M. Distribuição hídrica no período crítico do milho e
produção de grãos. Pesquisa Agropecuária Brasileira., Brasília-DF, v.39, n.9, p.831-839,
2004.
CALDERELLI, C.A.; BACCHI, M.P.R. Fatores de influência no preço do milho no Brasil.
Brasília-DF, Embrapa Informação Tecnológica. 2010. Disponível em:
<http://www.embrapa.br/publicacoes/tecnico/folderTextoDiscussao/arquivos-pdf/Texto39_30-03-11.pdf> Acesso em: 04 out. 2012
CHRISTIN, P.A.; OSBORNE, C.P.; CHARTELET, D.S.; COLUMBUS, J.T.; BESNARD,
G.; HODKINSON, T.R.; GARRISON, L.M.; VORONTSOVA, M.S.; EDWARDS, E.J.
58
Anatomical enablers and the evolution of C4 photosynthesis in grasses. PNAS. v.110, no 4,
p.1381-1386, 2012.
CARBERRY, P.S., MUCHOW, R.C. HAMMER GL. Modelling genotypic and
environmental control of leaf area dynamics in grain sorghum. II. Individual leaf level. Field
Crops Research, v.33, p.311–328, 1993.
de WIT, C.T. Photosynthesis of leaf Canopies, Report 663, Center for Agric. Publ. and
Doc., Wageningen, The Netherlands. 1965.
de WIT, C.T. Coordination of models. In: PENNING DE VRIES, F.W.T.; Van LAAR, H.H.
(Ed.) Simulation of plant growth and crop production. Wageningen: PUDOC, 1982.
DOORENBOS, J. & KASSAN, A.H. Yield response to water. FAO. Irrigation and
DrainagePaper 33, p.193, 1979.
FAO. FAOSTAT online database, disponível em: < http://faostat3.fao.org/> Acesso em 21
jan. 2015.
FAO. FAOSTAT online database, disponível em: <http://faostat.fao.org> Acesso em 03 out.
2012.
FANCELLI, A.L.; DOURADO NETO, D. Produção de milho. 4ªed., Livroceres, Piracicaba,
306 p, 2004.
FERREIRA JUNIOR, R.A.; SOUZA, J.L.; TEODORO, I.; LYRA, G.B.; DE SOUZA, R.C.;
ARAÚJO NETO, R.A. Eficiência do uso da radiação em cultivos de milho em Alagoas. R.
Bras. Eng. Agríc. Ambiental, v.18, n.3, p.322–328, 2014.
FERREIRA JUNIOR, R.A.; SOUZA, J.L.; LYRA, G.B.; TEODORO, I.; SANTOS, M.A.;
PORFÍRIO, A.C.S. Crescimento e fotossíntese de cana-de-açúcar em função de variáveis
biométricas e meteorológicas. Revista Brasileira de Engenharia Agrícola e Ambiental, v.6,
n.11, p.1229-1236, 2012.
FREEBAIRN, D.M.; SMITH, C.J. An overview of APSIM, a model designed for farming
systems simulation. European Journal of Agronomy, v.18, p.267–288, 2003.
FREITAS, P.S.L.F.; MANTOVANI, E.C.; REZENDE, R.; GONÇALVES, A.C.A.G.;
BERTONHA, A. Influência da radiação solar sobre os valores de produtividade da cultura do
milho, Zea mays L., simulados pelo modelo CERES-Maize. Acta Scientarum, v.23, n.5,
p.1221-1227, 2001.
59
GADIOLI, J.L.; DOURADO NETO, D.; GARCÍA, A.G.; BASANTA, M.V. Temperatura do
ar, rendimento de grãos de milho e caracterização fenológica associada à soma calorífica.
Scientia Agricola, v.57, n.3, p.377-383, jul./set. 2000.
GOURDJI, S.; LADERACH, P.; VALLE, M.A.; MARTINEZ, C.Z.; LOBELL, D.B.
Historical climate trends, desaforestation, and maize and bean yields in Nicaragua.
Agricultural and Forest Meteorology, v.200, p.270–281, 2015.
GODOY, C.V.; AMORIM, L.; BERGAMIN FILHO, A. Alterações na fotossíntese e na
respiração de folhas de milho infectadas por Phaeosphaeria maydis. Fitopatologia
Brasileira, v.26, p.209-215, 2001.
HAMMER, G.L.; OOSTEROM, E.V.; MCLEAN, G.; CHAPMAN, S.C.; BROAD, I.;
HARLAND, P.; MUCHOW, R.C. Adapting APSIM to model the physiology and genetics of
complex adaptive traits on field crops. Journal of Experimental Botany, v.61, n.8, p. 21852202, 2010.
HAMMER, G.L.; MUCHOW, R.C. Assessing climatic risk to sorghum production in waterlimited subtropical environments. I. Development and testing of a simulation model. Field
Crops Research, v.36, p.221-234, 1994.
HATTERSLEY, P.W. Characterization of C4 type leaf anatomy in grasses (Poaceae).
Mesophyll: budles sheath area rations. Annual of Botany, v.53, p.163-179. 1984.
HOGENBOOM, G. Contribution of agrometeorology to the simulation of crop production
and its applications. Agricultural and Forest Meteorology, v.103, p.137-157. 2000.
HUTH, N.I.; HENDERSON, C.; PEAKE, A. Developmente and testing of a horticultural crop
model within APSIM. In: 18th World IMACS / MODSIM Congress, Cairns, Austrália, 13-19
jul, 2009.
JONES, J.W.; HOOGENBOOM, G.; PORTER, C.H.; BOOTE, K.J.; BATCHELOR, W.D.;
HUNT, L.A.; WILKENS, P.W.; SINGH, U.; GIJSMAN, A.J.; RITCHIE, J.T. The DSSAT
cropping system model. European Journal Agronomy, v.18, p. 235-265, 2003.
JONES, C. A.; KINIRY, J. R. CERES-Maize: A Simulation Model of Maize Growth and
Development. Texas A&M University Press, College Station, TX, 1986.
60
KEATING, B.A.; CARBERRY, P.S.; HAMMER, G.L.; PROBERT, M.E.; ROBERTSON,
M.J.; HOLZWORTH, D.; HUTH, N.I.; HARGREAVES, J.N.G.; MEINKE, H.; HOCHMAN,
Z.; MCLEAN, G.; VERBUG, K.; SNOW, V.; DIMES, J.P.; SILBURN, M.; WANG, E.;
BROWN, E.; BRISTOW, K.L.; ASSENG, S.; CHAPMAN, S.; MCCOWN, R.L.;
FREEBAIRN, D.M.; SMITH, C.J. An overview of APSIM, a model designed for farming
systems simulation .European Journal Agronomy v.18, p.267-288, 2003.
KINIRY, J.R., WILLIAMS, J.R., VANDERLIP, R.L., ATWOOD, J.D., REICOSKY, D.C.,
MULLIKEN, J., COX, W.J., MASCAGNI, H.J., HOLLINGER, S.E.; WIEBOLD, W.J.
Evaluation of two maize models for nine US locations. Agronomy Journal. v.89, p.421–426,
1997.
KONG, F.; CAI, W.; SHI, L.; CHEN, F. The characteristics of Annual Water Consumption
for Winter Wheat and Summer Maize in North China Plain. Procedia Engineering, v.28
p.376-381, 2012.
KUNZ, J.H.; BERGONCI, J.I.; BERGAMASCHI, H,; DALMAGO, G.A.; HACKLER,
B.M.M.; COMIRAN, F. Uso da radiação solar pelo milho sob diferentes preparos do solo,
espaçamento e disponibilidade hídrica. Pesquisa Agropecuária Brasileira, Brasília, v.42,
n.11, p.1511-1520, 2007.
LITTLEBOY, M.; SILBURN, D. M.; FREEBAIRN, D. M., WOODRUFF, D. R., HAMMER,
G. L.; LESLIE, J. K. Impact of soil erosion on production in cropping systems. I.
Development and validation of a simulation model. Australian Journal Soil Research, v.30,
p.757-774, 1992.
LOAGUE, K.; GREEN, R.E., Statistical and graphical methods for evaluating solute transport
models: Overview and application. In: P.J Wierenga (Guest Editor), Validation of Flow and
Transport Models for the Unsaturated Zone. Journal of Contaminant Hydrology, v.7, p.5173, 1991.
LYRA, G.B.; SOUZA, J.L.S., TEODORO, I.; LYRA, G.B.; MOURA FILHO, G.;
FERREIRA JUNIOR, R.A. Conteúdo de água no solo em cultivo de milho sem e com
cobertura morta na entrelinha na região de Arapiraca-AL. Irriga, Botucatu, v.15, n.2, p.173183, 2010.
MAGALHÃES, P.C.; DURÃES, F.O.M.; CARNEIRO, N.P.; SILVA, E. Fisiologia do milho.
Sete Lagoas: EMBRAPA-CNPMS, p.23 (EMBRAPA-CNPMS Circular Técnica, 22), 2002.
Disponivel em:
<http://www.cnpms.embrapa.br/publicacoes/publica/2002/circular/Circ_22.pdf> Acesso em:
20 jan. 2015.
61
MA, L.L.R.; AHUJA, S.A.; SASEENDRAN, R.W.; MALONE, T.R.; GREEN, B.T.;
NOLAN.; BARTILING, P.N.S.; FLERCHINGER, G.N.; BOOT, K.J.; HOOGENBOOM, G.
A protocol for parameterization and calibration of RZWQM2 in field research. In: L.R.
Ahuja and L. Ma, editors, Methods of introducing system models into agricultural research.
SSSA Book Ser. SSSA, Madison, WI. p.1–64, 2011.
MARCHÃO, R.L.; BRASIL, E.M.; XIMENES, P.A. Interceptação da radiação
fotossinteticamente ativa e rendimento de grãos de milho adensado. Revista Brasileira de
Milho e Sorgo, v.5, p.170-181, 2006.
MCCOWN, R.L.; HAMMER, G.L.; HARGREAVES, J.N.G.; HOLZWORTH, D.; HUTH,
N.I. APSIM: na agricultural production system simulator model for operational research.
Mathematics and Computers in Simulation. v.39, p. 225-321, 1995.
MCCOWN, R.L. & WILLIAMS, J. AUSIM: A cropping systems model for operational
research, Proc. SSA IMACS, Biennial Conference on Modelling and Simulation, ANU,
1989.
MEDEIROS, R.P. Componentes do balanço de água e de radiação solar no
desenvolvimento do milho em quatro épocas de semeadura no agreste de Alagoas. 2009.
76 p. Dissertação (Agronomia - Produção Vegetal) - Universidade Federal de Alagoas, Rio
Largo, 2009.
MEINKE, H.; G.L. HAMMER.; P.J. Want. Potential soil water extraction by sunflower on a
range of soils. Field Crops Research, 32, 59-81, 1993.
MEINKE, H.; HAMMER, L.G.; VAN KEULEN, H.; RABBINGE, R.; KEATING, B.A.
Improving wheat simulation capabilities in Australia from a cropping system perspective:
water and nitrogen effects on spring wheat in a semi-arid environment. European Journal of
Agronomy, v.7, p.75-88, 1997.
MOHANTY, M.; PROBERT, M.E.; REDDY, K.S.; DALAL, R.C.; MISHRA, A.K.; RAO,
A.S.; SINGH, M.; MENZIES, N.W. Simulating soybean-wheat cropping system: APSIM
model parametrization and validation. Agriculture, Ecosystems and Environment, v.152,
p.68– 78, 2012.
MURTHY, V.R.K. Crop growth modeling and its applications in agricultural
meteorology. In: satellite remote sensing and GIS applications in agricultural
meteorology. Ed. Sivakumar, M. V. K.; Roy, P. S.; Harmsen, K. and Saha, S. K. p.235-261,
2004.
MUCHOW, R.C.; SINCLAIR, T.R.; BENNETT, J.M. Temperature and Solar Radiation
Effects on Potential Maize Yield across Locations. Agronomy Journal, v.82, p.338-343,
1990.
62
NAIR, S.S.; KANG, S.; ZHANG, X.; MIGUEZ, F.E.; IZAURRALDE, R.C.; POST, W.M.;
DIETZE, M.C.; LYND, L.R.; WULLSCHLEGER, S.D. Bioenergy crop models: descriptions,
data requirement and future challenges. CGB Bioenergy, 2012. doi: 10.1111/j.17571707.2012.01166.x
NASH, J.E., SUTCLIFFE, J.V. River flow forecasting through conceptual models part I- A
discussion of principles. Journal Hydrology v.10, p.282–290, 1970.
PRIESACK, E.; GAYLER, S.; HARTMANN, H.P. The impact of crop growth submodelchoice on simulated water and nitrogen balances. Nutrition Cycle Agroecosystem,
v.75, p.1–13, 2006.
PROBERT, M.E., DIMES, J.P., KEATING, B.A., DALAL, R.C., STRONG, W.M. APSIM's
water and nitrogen modules and simulation of the dynamics of water and nitrogen in fallow
systems. Agricultural System, v.56(1), p.1-28, 1998
RITCHIE, J.T. Model for predicting evaporation from a row crop with incomplete cover.
Water Resources Research. v.8, p.1204-1213. 1972.
RITCHIE, J.T., GODWIN, D.C., OTTER, S. CERES-wheat: A user-oriented wheat yield
model. Preliminary documentation. AGRISTARS Publication No. YM-U3-04442-JSC
18892. Michigan State University, MI, p.252, 1985.
SANTOS, M.V.C. Produtividade de milho na região de Arapiraca-AL por modelos
agrometeorológicos. 2013. 49p. TCC (Graduação em meteorologia) - Universidade Federal de
Alagoas, Maceió, 2013.
SINGH, B.; EBERBACK, P.L.; HUMPHREYS, E. Simulation of the evaporation of soil
water beneath a wheat crop. Agricultural Water Management, v.135 p.19– 26, 2014.
SINGER, J.W., D.W. MEEK, T.J. SAUER, J.H. PRUEGER, AND J.L. HATFIELD.
Variability of light interception and radiation use efficiency in maize and soybean. Field
Crops Research, v.121, p.147–152, 2011. doi:10.1016/j.fcr.2010.12.007
SINCLAIR, T.R.; MUCHOW, R.C. Radiation use efficiency. Advances in Agronomy, v.65,
p.216-265, 1999.
SILVA, M.B.P. Desenvolvimento de milho em função de variáveis agroambientais em
diferentes épocas de semeio. 64p. TCC (Graduação em Agronomia). UFAL, Rio Largo-AL,
2013.
63
SNOW, V.O.; HOULBROOKE, D.J.; HUTH, N.I. Predicting soil water, tile drainage, and
runoff in a mole‐tile drained soil, New Zealand Journal of Agricultural Research, v.50,
n.1,p.13-24, 2007. DOI: 10.1080/00288230709510278
SNOW, V.O.; N.I. HUTH. The APSIM-Micromet Module, Internal Report No.
2004/12848, HortResearch, p.18, Auckland, New Zealand, 2004.
SOUZA, J.L. Avaliação Agroclimática de Quatro Microrregiões do Estado de Minas
Gerais para Alguns Cultivares de Feijão. 1989. 70p. Dissertação (Mestrado em
Meteorologia Agrícola), Universidade Federal de Viçosa – MG, 1989.
STEDUTO, P.; HSIAO, T.C.; FERERES, E.; RAES, D. Crop yield response water. Irrigation
and drainage paper No 66, FAO; Rome, p.503. 2012.
STEDUTO, P.; HSIAO, T.C.; RAES, D.; FERERES, E. AquaCrop—The FAO Crop Model
to Simulate Yield Response to Water: I. Concepts and Underlying Principles. Agronomy
Journal. v.101, p.426–437, 2009.
TOJO SOLER, C.M.; Uso do modelo Ceres-Maize para previsão de safra do milho
“safrinha”. 132p. Tese (Doutorado), Escola Superior de Agricultura Luiz de Queiroz,
ESALQ/USP. 2004.
VERBERG, K., ROSS, P.J., BRISTOW, K.L. SWIMv2.1 User Manual. Divisional Report
No 130. CSIRO Division of Soils, Canberra, Australia, 1996.
WANG, E., M.J. ROBERTSON, G.L. HAMMER, P.S. CARBERRY, D. HOLZWORTH, H.
MEINKE.; CHAPMAN, S.C.; HARGREAVES, J.N.G.; HUTH, N.I.; MCLEAN, G.
Development of a generic crop model template in the cropping systems model APSIM.
European Journal Agronomy, v.18, p.121–140, 2002. doi:10.1016/S1161-0301(02)00100-4
WEI, Z.; PAREDES, P.; LIU, Y.; CHI, W.W.; PEREIRA, L.S. Modelling transpiration, soil
evaporation and yield prediction of soybean in North China Plain. Agricultural Water
Management, v.147, p.43–53, 2015.
WILSON, D.R.; MUCHOW, R.C.; MURGATROYD, C.J. Model analysis of temperature and
solar radiation limitations to maize potential productivity in a cool climate. Field Crops
Research. v.43, p.1-18. 1995.
YANG, J.M.; YANG, J.Y.; LIU, S.; HOOGENBOOM, G. An evaluation of the statistical
methods for testing the performance of crop models with observed data. Agricultural
Systems, v.127, p.81-89, 2014a.
64
YANG, Y.; YANG, Y.; HAN, S.; MACADAM, I.; LIU, D.L. Prediction of cotton yield and
water demand under climate charge and future adaptation measures. Agricultural Water
Management, v.144, p.42–53, 2014b.
YANG, H.S.; DOBERMANN, A.; LINDQUIST, J.L.; WALTERS, D.T.; ARKEBAUER, T.J.
Hybrid-maize – a maize simulation model that combines tow crop modeling approaches.
Agronomy & Horticulture – Faculty Publications. Paper 137, 2004.
http://digitalcommons.unl.edu/agronomyfacpub/137
ZELEKE, K.T.; LUCKETT, D.J.; COWLEY, R.B.; The influence of soil water conditions on
canola yields and productions in Southern Austrália. Agricultural Water Management,
v.144, p.20–32, 2014.
65
APÊNDICE A – Código-fonte da variedade AL Bandeirante inserido no modelo.
<ALBandeirante cultivar="yes">
<!-GRAIN GROWTH
-->
<head_grain_no_max description="450 in CM-KEN ()">500 </head_grain_no_max>
<grain_gth_rate units="mg/grain/day" description="10.5 in CM-KEN">10.5</grain_gth_rate>
<!-CANOPY HEIGHT - function of stem biomass per plant (need to adjust this for density effects)
-->
<x_stem_wt units="g/stem" description="look up table for canopy height">0
80</x_stem_wt>
<y_height units="mm" description="plant canopy height">0 2000</y_height>
<!-PHENOLOGY
-->
<tt_emerg_to_endjuv description="135 ! 125 in CM-KEN (oC)">196.08</tt_emerg_to_endjuv>
<est_days_endjuv_to_init>20</est_days_endjuv_to_init>
<tt_endjuv_to_init units="oC">0.0</tt_endjuv_to_init>
<photoperiod_crit1 units="hours">12.5</photoperiod_crit1>
<photoperiod_crit2 units="hours">24.0</photoperiod_crit2>
<photoperiod_slope units="oC/hour">10.0</photoperiod_slope>
<tt_flower_to_maturity description="660 in CM-KEN (oC)">488.1 </tt_flower_to_maturity>
<tt_flag_to_flower units="oC">10</tt_flag_to_flower>
<tt_flower_to_start_grain units="oC">68.5</tt_flower_to_start_grain>
<tt_maturity_to_ripe units="oC">1</tt_maturity_to_ripe>
<x_stem_wt units="g/stem" description="look up table for canopy height">0
<y_height units="mm" description="plant canopy height">0 2000</y_height>
</ALBandeirante>
80</x_stem_wt>