lívia Pilar (2019)

Dissertação_Lívia Oliveira.pdf
Documento PDF (2.5MB)

Exibir conteúdo Baixar

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

CLIMA E PRODUTIVIDADE DA CANA DE AÇUCAR NO LESTE DO
NORDESTE - PRESENTE E FUTURO

LÍVIA PILAR MELO DE OLIVEIRA

MACEIÓ - AL
Julho de 2019

LÍVIA PILAR MELO DE OLIVEIRA

CLIMA E PRODUTIVIDADE DA CANA DE AÇUCAR NO LESTE DO
NORDESTE - PRESENTE E FUTURO

Área de concentração: Micrometeorologia e Agrometeorologia

Prof. Dr. Fabrício Daniel dos Santos Silva
(Orientador)

MACEIÓ - AL
Julho de 2019

Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecária Responsável: Helena Cristina Pimentel do Vale – CRB-4 - 661
O48c

Oliveira, Lívia Pilar Melo de.
Clima e produtividade da cana-de -çúcar no leste do nordeste : presente e futuro
/ Lívia Pilar Melo de Oliveira. – 2019.
76 f.. : il.
Orientador; Fabrício Daniel dos Santos Silva.
Dissertação (mestrado em Meteorologia) – Universidade Federal de Alagoas.
Instituto de Ciências Atmosféricas. Maceió, 2019.
Bibliografia: p. 69-76.
1. Meteorologia agrícola. 2. Climatologia – Brasil, Nordeste. 3. Agrometeorologia.
4. Cana-de-açúcar – Produtividade. I. Título.

CDU: 551.58:631(812/813)

DEDICATÓRIA

Dedico primeiramente à Deus, que nos deu a dádiva da vida e a oportunidade
de aprendizado, nos permitindo evoluir.
Aos meus pais, Ivonete e Paulo, que com muito esforço e dificuldades, me
propiciaram a oportunidade de estudar e batalhar por conhecimento e evolução
como ser humano. Obrigada por todos os ensinamentos morais.
À minha irmã Ivy, que sempre esteve presente ao meu lado.
Aos meus amigos de longa data e colegas de faculdade, obrigada pela parceria.

AGRADECIMENTOS

Agradeço primeiramente à Deus, só eu e Ele sabemos as dificuldades
enfrentadas, obstáculos vencidos com muita perseverança e fé, acima de tudo.
Agradeço especialmente para minha mãe, que não me permite fraquejar e
desistir em momento algum, sempre me aconselhando e me protegendo com
seu amor e cuidados e acima de tudo, me incentivando a evoluir em todos os
aspectos.
À minha família em geral, por sempre confiarem em mim.
Aos meus amigos, obrigada pelo companheirismo e amor.
Aos meus colegas de faculdade, obrigada por todos os momentos de parceria,
pelos ensinamentos e incentivos.
Aos professores do ICAT, obrigada pelo ensinamento, pelas experiências,
incentivo e paciência, acima de tudo.
Ao meu orientador, Fabrício Silva, meu agradecimento especial. Obrigada por
aceitar em me orientar, primeiramente. Obrigada por todos ensinamentos,
incentivo, auxílio, pela paciência e por sua parceria.
A todos que fizeram parte dessa caminhada de alguma forma, muito obrigada.

RESUMO
A cana de açúcar é a mais importante cultura agrícola do Estado de Alagoas e uma das
principais no Nordeste brasileiro, com grande área plantada para a produção de etanol e
açúcar. No cultivo da cana de açúcar a previsão a produtividade é realizada na ocasião que
antecede a colheita dos canaviais e acontece muito mais de acordo com o conhecimento do
executor ao invés de parâmetros estatísticos. Já na estimativa da produção é comum a
utilização de modelos agrometeorológicos. O uso destes modelos permite a simulação de
cultivos com sistemas de informações geográficas (GIS) e é uma importante ferramenta na
avaliação do potencial produtivo. Neste trabalho, o modelo agrometeorológico proposto por
Doorenbos e Kassam (1979) foi utilizado com o objetivo simular a produtividade da cultura
da cana de açúcar para a região do leste do Nordeste brasileiro, no período de 2021 a 2080,
utilizando cenários de mudanças climáticas futuras e confrontando os valores obtidos através
das simulações com resultados já conhecidos de produtividade anual disponibilizados pelo
IBGE (Instituto Brasileiro de Geografia e Estatíscia). Para atingir esse objetivo, foi utilizada
a técnica de downscaling estatístico da precipitação e da evapotranspiração na região
estudada a partir de observações de modelos climáticos globais para os cenários A1B e A2
do quarto relatório do IPCC (Intergovernmental Panel on Climate Change) e para os cenários
RCP 4.5 e RCP 8.5 do quinto relatório. A área de estudo se estende entre os estados da
Paraíba, Pernambuco e Recife, nas cidades de: João Pessoa, Recife, Maceió e Porto de
Pedras, já que em conjunto concentram a maior produção de cana de açúcar da região
Nordeste. Com a técnica do Downscaling Estatístico (DE), podemos obter informações de
alta resolução para projeções climáticas a partir de MCGs. A calibração do modelo
agrometeorológico foi satisfatória e conseguiu simular a produtividade média com valor
próximo ao observado pelo IBGE no mesmo período. A destreza do modelo
agrometeorológico foi obtida pela correlação de Pearson e pela raiz do erro quadrático médio
(REQM). Após a calibração, o modelo foi utilizado para a simulação dos valores de
produtividade da cultura para as cidades estudadas, para os cenários futuros. Apesar das
simulações confirmarem a tendência da região para o aumento de temperatura e diminuição
da precipitação, para todas as cidades e para a maioria dos MCGs e cenários, a projeção é de
aumento na produtividade da cana de açúcar. Uma explicação para este resultado reside no
fato de que, apesar da redução prevista para os meses mais chuvosos do ano no leste do
Nordeste, os cenários projetam maior quantidade de chuvas para os meses mais secos do
ano, o que traria uma melhor distribuição temporal ao longo do ano dos eventos de chuvas.
Na cidade de Maceió (AL), por exemplo, esse aumento representa um crescimento de 8,81%
da produtividade.

Palavras-Chave: Produtividade da cana de açúcar, modelo agrometeorológico, mudanças
climáticas.

ABSTRACT
Sugarcane is the most important agricultural crop in the State of Alagoas and one of the main
crops in the Brazilian Northeast, with a large area planted to produce ethanol and sugar. In
sugarcane cultivation, productivity is predicted at the time that precedes the harvesting of
cane fields, and much more happens according to the knowledge of the implementer rather
than statistical parameters. In the estimation of production, the use of agrometeorological
models is common. The use of these models allows the simulation of crops with geographic
information systems (GIS) and is an important tool in the evaluation of productive potential.
In this work, the agrometeorological model proposed by Doorenbos and Kassam (1979) was
used to simulate the productivity of the sugarcane crop for the eastern region of the Northeast
of Brazil, from 2021 to 2080, using future climate change scenarios and comparing the
values obtained through the simulations with already known results of annual productivity
provided by IBGE (Brazilian Institute of Geography and Statistics). In order to reach this
objective, the technique of statistical downscaling of precipitation and evapotranspiration in
the studied region was used from observations of global climate models for scenarios A1B
and A2 of the fourth report of the Intergovernmental Panel on Climate Change (IPCC) and
for scenarios RCP 4.5 and RCP 8.5 of the fifth report. The area of study extends between the
states of Paraíba, Pernambuco and Recife, in the cities of: João Pessoa, Recife, Maceió and
Porto de Pedras, since together they concentrate the largest sugarcane production in the
Northeast region. With the Statistical Downscaling (DE) technique, we can obtain high
resolution information for climate projections from MCGs. The calibration of the
agrometeorological model was satisfactory and was able to simulate the average yield close
to that observed by the IBGE in the same period. The dexterity of the agrometeorological
model was obtained by Pearson correlation and root mean square error (REQM). After
calibration, the model was used to simulate crop yield values for the cities studied for future
scenarios. Although simulations confirm the region's tendency to increase temperature and
decrease precipitation, for all cities and most MCGs and scenarios, the projection is for
increased sugarcane productivity. One explanation for this result is that, despite the expected
reduction in the wettest months of the year in the east of the Northeast, the scenarios project
more rainfall for the driest months of the year, which would bring a better temporal
distribution to the region. during the year of the rain events. In the city of Maceió (AL), for
example, this increase represents an increase of 8.81% in productivity.

Keywords: Sugarcane yield, agrometeorological model, climatic changes

SUMÁRIO
1. INTRODUÇÃO ..........................................................................................................11
2. OBJETIVOS ...............................................................................................................13
2.1 OBJETIVO GERAL .....................................................................................................13
2.2 OBJETIVOS ESPECÍFICOS........................................................................................13
3. REVISÃO BIBLIOGRÁFICA ..................................................................................14
3.1 CLIMA E CULTIVO DA CANA DE AÇÚCA ...........................................................14
3.2 MODELOS AGROMETEOROLÓGICOS ..................................................................19
3.3 MODELOS CLIMÁTICOS GLOBAIS E CENÁRIOS DE MUDANÇAS
CLIMÁTICAS .............................................................................................................20
3.4 DOWNSCALING ESTATÍSTICO ..............................................................................23
4. DADOS E METODOLOGIA ....................................................................................24
4.1 ÁREA DE ESTUDO, DADOS METEOROLÓGICOS E DE PRODUTIVIDADE .....24
4.2 MODELO DE SIMULAÇÃO DE PRODUTIVIDADE AGRÍCOLA .........................25
4.3 DOWNSCALING ESTATÍSTICO ..............................................................................27
4.3.1 SELEÇÃO DOS PREDITORES ............................................................................28
4.3.2 SELEÇÃO DOS PREDITANDOS .........................................................................29
4.3.3 SELEÇÃO DO MÉTODO DE DOWNSCALING ESTATÍSTICO .......................30
4.3.4 VALIDAÇÃO DO DOWNSCALING ESTATÍSTICO .........................................31
5. RESULTADOS E DISCUSSÕES ..............................................................................33
5.1 CALIBRAÇÃO DA PRECIPITAÇÃO ........................................................................33
5.1.2 CALIBRAÇÃO DA TEMPERATURA MÁXIMA ..............................................35
5.1.3 CALIBRAÇÃO DA TEMPERATURA MÍNIMA .................................................38
5.2 VALIDAÇÃO DO DOWNSCALING DA PRECIPITAÇÃO ....................................40
5.2.1 VALIDAÇÃO DO DOWNSCALING DA TEMPERATURA MÁXIMA .............41
5.2.2 VALIDAÇÃO DO DOWNSCALING DA TEMPERATURA MÍNIMA ...............42
5.3 CALIBRAÇÃO E VALIDAÇÃO DO MODELO AGROMETEOROLÓGICO .........43
5.4 COMPORTAMENTO DA PRECIPITAÇÃO, TEMPERATURA MÉDIA E ETP PARA
OS CENÁRIOS FUTUROS DO AR4 CMIP 5 ..............................................................45
5.4.1 JOÃO PESSOA .......................................................................................................45
5.4.2 RECIFE ...................................................................................................................47
5.4.3 PORTO DE PEDRAS ..............................................................................................50
5.4.4 MACEIÓ .................................................................................................................52
5.5 SIMULAÇÃO DE PRODUTIVIDADE DA CANA DE AÇÚCAR PARA CENÁRIOS
FUTUROS .....................................................................................................................54
5.5.1 JOÃO PESSOA .......................................................................................................54
5.5.2 RECIFE ...................................................................................................................58
5.5.3 PORTO DE PEDRAS ..............................................................................................61
5.5.4 MACEIÓ .................................................................................................................64
6
CONCLUSÕES ..............................................................................................................67
7
REFERÊNCIAS BIBLIOGRÁFICAS .........................................................................69
1

LISTA DE FIGURAS

Figura 1: Mapeamento da cana de açúcar................................................................................14
Figura 2: Estágios fenológicos da cana-de-açúcar...................................................................16
Figura 3: Variação espacial da temperatura do ar, média anual, no Brasil, segundo as
exigências térmicas da cana de açúcar ......................................................................................18
Figura 4: Forçante radiativa dos RCPs ....................................................................................22
Figura 5: Distribuição geográfica das estações meteorológicas convencionais de João Pessoa (PB),
Recife (PE), Maceió e Porto de Pedras (AL) do INMET na região Nordeste .........................................25
Figura 6: Detalhe dos preditores e grade utilizada para a precipitação da região Nordeste ......29
Figura 7: Janela de criação de um preditando paraas temperaturas máximas, mínimas e
precipitação das estações do INMET ........................................................................................30
Figura 8: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
precipitação na cidade de João Pessoa.......................................................................................33
Figura 9: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
precipitação na cidade de Recife ...............................................................................................34
Figura 10: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
precipitação na cidade de Porto de Pedras .................................................................................34
Figura 11: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
precipitação na cidade de Maceió .............................................................................................35
2

Figura 12: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura máxima na cidade de João Pessoa .........................................................................36
Figura 13: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura máxima na cidade de Recife ..................................................................................36
Figura 14: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura máxima na cidade de Porto de Pedras ....................................................................37
Figura 15: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura máxima na cidade de Maceió ................................................................................37
Figura 16: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura mínima na cidade de João Pessoa ..........................................................................38
Figura 17: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura mínima na cidade de Recife ..................................................................................39
Figura 18: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura mínima na cidade de Porto de Pedras ....................................................................39
Figura 19: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura mínima na cidade de Maceió .................................................................................40
Figura 20: Comparação gráfica da produtividade observada pelo IBGE e simulada com o
modelo agrometeorológico, para Maceió em 20 anos (1996 a 2015) ........................................44

Figura 21: Comparativo entre valores médios obtidos através do IBGE, modelo
agrometeorológico observado e modelo agrometeorológico com cenário de mudança climática
...................................................................................................................................................44
Figura 22: Comportamento da precipitação nos cenários A1B e A2 para a cidade de João
Pessoa, nas séries temporais estudadas contrastadas com o período de observação ..................45
Figura 23: Comportamento da temperatura média nos cenários A1B e A2 para a cidade de João
Pessoa, nas séries temporais estudadas contrastadas com o período de observação...................46
Figura 24: Comportamento da ETP nos cenários A1B e A2 para a cidade de João Pessoa, nas
séries temporais estudadas contrastadas com o período de observação .....................................46
Figura 25: Comportamento da precipitação nos cenários RCP 4.5 e RCP 8.5 para a cidade de
João Pessoa, nas séries temporais estudadas contrastadas com o período de
observação.................................................................................................................................46
Figura 26: Comportamento da temperatura média nos cenários RCP 4.5 e RCP 8.5 para a
cidade de João Pessoa, nas séries temporais estudadas contrastadas com o período de
observação ................................................................................................................................47
Figura 27: Comportamento da ETP nos cenários RCP 4.5 e RCP 8.5 para a cidade de João
Pessoa, nas séries temporais estudadas contrastadas com o período de
observação.................................................................................................................................47
Figura 28: Comportamento da precipitação nos cenários A1B e A2 para a cidade de Recife,
nas séries temporais estudadas contrastadas com o período de observação ...............................48
Figura 29: Comportamento da temperatura média nos cenários A1B e A2 para a cidade de
Recife, nas séries temporais estudadas contrastadas com o período de observação...................48
Figura 30: Comportamento da ETP nos cenários A1B e A2 para a cidade de Recife, nas séries
temporais estudadas contrastadas com o período de observação ...............................................48
Figura 31: Comportamento da precipitação nos cenários RCP 4.5 e RCP 8.5 para a cidade de
Recife, nas séries temporais estudadas contrastadas com o período de observação
...................................................................................................................................................49
Figura 32: Comportamento da temperatura média nos cenários RCP 4.5 e RCP 8.5 para a
cidade de Recife, nas séries temporais estudadas contrastadas com o período de observação
...................................................................................................................................................49
Figura 33: Comportamento da ETP nos cenários RCP 4.5 e RCP 8.5 para a cidade de Recife,
nas séries temporais estudadas contrastadas com o período de observação ...............................49
4

Figura 34: Comportamento da precipitação nos cenários A1B e A2 para a cidade de Porto de
Pedras, nas séries temporais estudadas contrastadas com o período de observação ..................50
Figura 35: Comportamento da temperatura média nos cenários A1B e A2 para a cidade de
Porto de Pedras, nas séries temporais estudadas contrastadas com o período de
observação.................................................................................................................................50
Figura 36: Comportamento da ETP nos cenários A1B e A2 para a cidade de Porto de Pedras,
nas séries temporais estudadas contrastadas com o período de observação...............................51
Figura 37: Comportamento da precipitação nos cenários RCP 4.5 e RCP 8.5 para a cidade de
Porto de Pedras, nas séries temporais estudadas contrastadas com o período de observação
...................................................................................................................................................51
Figura 38: Comportamento da temperatura média nos cenários RCP 4.5 e RCP 8.5 para a
cidade de Recife, nas séries temporais estudadas contrastadas com o período de observação
...................................................................................................................................................51
Figura 39: Comportamento da ETP nos cenários RCP 4.5 e RCP 8.5 para a cidade de Recife,
nas séries temporais estudadas contrastadas com o período de observação ...............................52
Figura 40: Comportamento da precipitação nos cenários A1B e A2 para a cidade de Maceió,
nas séries temporais estudadas contrastadas com o período de observação .............................52
Figura 41: Comportamento da temperatura média nos cenários A1B e A2 para a cidade de
Maceió, nas séries temporais estudadas contrastadas com o período de observação .................53
Figura 42: Comportamento da ETP nos cenários A1B e A2 para a cidade de Maceió, nas séries
temporais estudadas contrastadas com o período de observação ...............................................53
Figura 43: Comportamento da precipitação nos cenários RCP 4.5 e RCP 8.5 para a cidade de
Maceió, nas séries temporais estudadas contrastadas com o período de observação .................53
Figura 44: Comportamento da temperatura média nos cenários RCP 4.5 e RCP 8.5 para a
cidade de Maceió, nas séries temporais estudadas contrastadas com o período de
observação.................................................................................................................................54
Figura 45: Comportamento da ETP nos cenários RCP 4.5 e RCP 8.5 para a cidade de Maceió,
nas séries temporais estudadas contrastadas com o período de observação ..............................54
Figura 46: Produtividade média prevista para a cana de açúcar em João Pessoa, no cenário
A1B no período de 2021 – 2080 ................................................................................................55

Figura 47: Produtividade média prevista para a cana de açúcar em João Pessoa, no cenário A2
no período de 2021 – 2080 ........................................................................................................56
Figura 48: Produtividade média prevista para a cana de açúcar em João Pessoa, no cenário
RCP 4.5 no período de 2021 – 2080 ..........................................................................................56
Figura 49: Produtividade média prevista para a cana de açúcar em João Pessoa, no cenário
RCP 8.5 no período de 2021 – 2080 ..........................................................................................57
Figura 50: Produtividade média prevista para a cana de açúcar em João Pessoa, para o
ENSEMBLE dos modelos de todos os cenários estudados no período de 2021 - 2080 ..............57
Figura 51: Produtividade média prevista para a cana de açúcar em Recife, no cenário A1B no
período de 2021 – 2080 .............................................................................................................58
Figura 52: Produtividade média prevista para a cana de açúcar em Recife, no cenário A2 no
período de 2021 – 2080 .............................................................................................................59
Figura 53: Produtividade média prevista para a cana de açúcar em Recife, no cenário RCP 4.5
no período de 2021 – 2080 ........................................................................................................59
Figura 54: Produtividade média prevista para a cana de açúcar em Recife, no cenário RCP 8.5
no período de 2021 – 2080 ........................................................................................................60
Figura 55: Produtividade média prevista para a cana de açúcar em Recife, para o ENSEMBLE
dos modelos de todos os cenários estudados no período de 2021 – 2080 ...................................60
Figura 56: Produtividade média prevista para a cana de açúcar em Porto de Pedras, no cenário
A1B no período de 2021 – 2080 ................................................................................................61
Figura 57: Produtividade média prevista para a cana de açúcar em Porto de Pedras, no cenário
A2 no período de 2021 – 2080 ..................................................................................................62
Figura 58: Produtividade média prevista para a cana de açúcar em Porto de Pedras, no cenário
RCP 4.5 no período de 2021 – 2080 .........................................................................................62
Figura 59: Produtividade média prevista para a cana de açúcar em Porto de Pedras, no cenário
RCP 8.5 no período de 2021 – 2080 .........................................................................................63
Figura 60: Produtividade média prevista para a cana de açúcar em Porto de Pedras, para o
ENSEMBLE dos modelos de todos os cenários estudados no período de 2021 – 2080 .............63
Figura 61: Produtividade média prevista para a cana de açúcar em Maceió, no cenário A1B no
período de 2021 – 2080 .............................................................................................................64
6

Figura 62: Produtividade média prevista para a cana de açúcar em Maceió, no cenário A2 no
período de 2021 – 2080 .............................................................................................................65
Figura 63: Produtividade média prevista para a cana de açúcar em Maceió, no cenário RCP 4.5
no período de 2021 – 2080 ........................................................................................................65
Figura 64: Produtividade média prevista para a cana de açúcar em Maceió, no cenário RCP 8.5
no período de 2021 – 2080 ........................................................................................................66
Figura 65: Produtividade média prevista para a cana de açúcar em Maceió para o ENSEMBLE
dos modelos de todos os cenários estudados no período de 2021 – 2080 ...................................66

LISTA DE TABELAS

Tabela 1. Condições hídricas nos períodos de desenvolvimento e colheita da cana de açúcar da
safra 2016/17.............................................................................................................................15
Tabela 2. Número de dias em cada fase e no ciclo da cana, coeficiente de cultura (kc) e fator
de resposta ao déficit hídrico (ky) usado para estimar Yr ..........................................................26
Tabela 3. Descrição das variáveis, níveis de altura e unidades do conjunto de parâmetros
disponíveis para seleção de preditores......................................................................................28
Tabela 4. Análise do cenário AR4 da variável precipitação para a validação do downscaling
..40
Tabela 5: Análise do cenário CMIP5 da variável precipitação para a validação do downscaling
...................................................................................................................................................40
Tabela 6: Análise do cenário Ar4 da variável temperatura máxima para a validação do
downscaling..............................................................................................................................41
Tabela 7: Análise do cenário CMIP5 da variável temperatura máxima para a validação do
downscaling ..............................................................................................................................41
Tabelo 8: Análise do cenário AR4 da variável temperatura mínima para a validação do
downscaling ..............................................................................................................................41
Tabela 9: Análise do cenário CMIP5 da variável temperatura mínima para a validação do
downscaling ..............................................................................................................................42
Tabela 10: Valores de produtividade média obtidos no período de 2021 a 2080, com cenário
de mudanças climáticas A1B e A2, confrontado com valores observados pelo IBGE no período

LISTA DE SIGLAS E ABREVIATURA

AR4
Quarto Relatório de Avaliação do Painel Intergovernamental
sobre mudanças climáticas
AZM

Modelo da Zona Agrometeorológica

Teor de Água Colhida da Planta

CONAB

Companhia Brasileira de Abastecimento

CMIP5
Quinto Relatório de Avaliação do Painel Intergovernamental
sobre mudanças climáticas
Ciaf

Coeficiente de Área Foliar

Cic

Coeficiente de Manutenção da Taxa de Respiração

Cresp

Coeficiente de Respiração

Cwc

Coeficiente de Teor de Água nos Caules

Downscaling Estatístico

ETP

Evapotranspiração

FAO

Organização das Nações Unidas para a Alimentação e Agricultura

Taxa Fotossintética

GIS

Sistema de Informações Geográficas

IBGE

Instituto Brasileiro de Geografia e Estatística

INMET

Instituto Nacional de Meteorologia

INSOL

Insolação

IPCC

Painel Intergovernamental de Mudanças Climáticas

Coeficiente da cultura

Coeficiente de penalização hídrica
9

MCGs

Modelos Climáticos Globais

PBMC

Painel Brasileiro de Mudanças Climáticas

PREC

Precipitação

RCP

Caminhos Representativos de Concentrações

REQM

Erro Quadrático Médio

SIDRA

Sistema IBGE de Recuperação Automática

Temperatura Média

Temperatura Mínima

Temperatura Máxima

Rendimento Potencial

Rendimento Real

1. INTRODUÇÃO
A agricultura é a atividade econômica mais dependente das condições climáticas.
Hoogenboom (2000) cita que de acordo com Fageria (1992) ao redor do 80% da
variabilidade da produção agrícola no mundo devem-se à variabilidade das condições
meteorológicas durante o ciclo do cultivo, especialmente para as culturas de sequeiro, já
que os agricultores não podem exercer nenhum controle sobre tais fenômenos naturais.
A diversidade de clima e solos em que é cultivada e a escolha da melhor variedade
adaptada ao melhor ambiente de produção são aspectos decisivos para conseguir o melhor
retorno econômico no ciclo produtivo (UNICA, 2012). Existe diferença entre estimativa e
previsão feitas pelos modelos. A estimativa é feita com dados históricos e representa uma
condição atual (CARRIERO et al., 2009). Já a previsão é a estimativa feita para o futuro, ou
seja, com dados disponíveis atuais simular uma condição futura (CLEMENTS;
GALVÃO,2013).
No cultivo da cana-de-açúcar a previsão da produtividade é realizada na ocasião que
antecede a colheita dos canaviais, o método utilizado é baseado na experiência do executor,
que percorrendo as áreas e baseando-se em históricos e na sua percepção, realiza a previsão
sem parâmetros estatísticos (SCHIMIDT et al., 2001).
Há também como estimar a produção através de modelos agrometeorológicos. O uso
de modelos de simulação de cultivos com sistemas de informação (GIS) tornou-se uma
importante ferramenta para avaliar o potencial produtivo da cana diferentes regiões
(MONTEIRO,2013). Segundo Jank (2010), em torno de 18% da energia consumida no
Brasil é proveniente do etanol da cana de açúcar, a colocando como a segunda fonte de
energia brasileira, atrás apenas dos derivados de petróleo e como a principal fonte de energia
renovável do País. Esta eficiência produtiva é devida as ótimas condições climáticas que a
cana de açúcar encontra no Brasil, tornando-o o maior produtor mundial desta commoditie
agrícola.
Neste contexto, Modelos Climáticos Globais (MCGs), vem sendo desenvolvidos e
melhorados com o intuito de gerar projeções factíveis do clima futuro, baseado no panorama
atual de tendências de emissões de gases de efeito estufa, para cenários que sejam favoráveis
a estabilização/redução das emissões, assim como para cenários caóticos onde a população
mundial intensificará o uso de combustíveis fósseis, principalmente, sem nenhum esforço
de controle. Estes cenários são atualizados para melhorar a compreensão do que pode
acontecer com o clima futuro de acordo com a influência antrópica no clima atual, de acordo
11

com vários parâmetros ambientais compilados pela equipe do Painel Intergovernamental
sobre Mudanças Climáticas (IPCC), que investiga as alterações climáticas em curso no
planeta (SILVA, 2013). Para a região Nordeste do Brasil, estudos recentes (MARENGO et
al., 2009; SALES et al, 2015; NOBREGA et al., 2015; GUIMARÃES et al., 2016) mostram
que existe uma tendência predominantemente positiva no aumento das temperaturas,
principalmente das temperaturas mínimas, diminuindo a amplitude térmica diária, o que
deve provocar diretamente um aumento da evapotranspiração potencial (ETP) desta região.
O aumento na ETP associado a já conhecida alta variabilidade espaço-temporal da
precipitação, pode prejudicar ainda mais as atividades agrícolas, notadamente as de sequeiro,
assim como aumentando a demanda por água em cultivos irrigados (SALVIANO et al.,
2016).
Esta pesquisa tem como objetivo gerar cenários climáticos futuros e avaliar os
impactos na produtividade da cana de açúcar através de um modelo agrometeorológico, para
o horizonte 2001-2100, balizados pela comparação com a produtividade anual a partir de
dados climatológicos observados e de produção disponibilizados pelo IBGE (Instituto
Brasileiro de Geografia e Estatística).
Um estudo detalhado das recentes alterações climáticas na região Nordeste, no tocante
as variáveis precipitação e ETP, assim como, de posse de cenários futuros de mudanças
climáticas, permitirão analisar o grau de magnitude que estas mudanças afetarão a região
Nordeste, possibilitando avaliar o grau de risco associado ao cultivo da cultura da cana de
açúcar. Nesse contexto, a presente pesquisa foi desenvolvida no sentido de alcançar os
seguintes objetivos:

2 OBJETIVOS
2.1 OBJETIVO GERAL
Gerar cenários climáticos futuros e avaliar os impactos na produtividade da cana
de açúcar através de um modelo agrometeorológico, comparando com a produtividade
anual observada em um período de referência.
2.2 OBJETIVOS ESPECÍFICOS
1. Validar um modelo agrometeorológico de penalização por déficit hídrico aplicado à
cultura da cana de açúcar;
2. Validar o downscalling estatístico da precipitação e ETP para o leste do Nordeste
brasileiro, a partir de previsões de modelos climáticos globais, para dois cenários
diferentes futuros de emissão de CO2: A1B e A2 do quarto relatório do IPCC, e rcp8.5 e
rcp4.5 do quinto relatório do IPCC;
3. Comparar os resultados da produtividade real observada do período 2001-2015 com a
gerada a partir dos cenários de mudanças climáticas.
4. Analisar cenários futuros de produtividade da cana de açúcar no Nordeste do Brasil,
período 2021-2080.

3. REVISÃO BIBLÍOGRÁFICA

3.1 - CLIMA E CULTIVO DA CANA DE AÇÚCAR NA REGIÃO NORDESTE DO
BRASIL
A cana de açúcar encontrou no leste do Nordeste brasileiro condições de solo e
climáticas extremamente favoráveis, que juntamente a outros Estados produtores,
principalmente do sudeste e centro-oeste, fazem do Brasil o maior produtor desta cultura
do mundo, seguida pela Índia, China e Tailândia. Na safra de 2018-2019, o Brasil
produziu cerca de 620,44 milhões de toneladas de cana de açúcar, o açúcar atingiu 29,04
milhões de toneladas e o etanol 33,14 bilhões de litros (CONAB,2019).
Os três Estados do Nordeste onde se dá a maior produção da cana de açúcar são
em Alagoas, Pernambuco e Paraíba, em áreas que se estendem do litoral até
aproximadamente 50 a 150km em direção ao interior destes estados conforme a Figura 1.
Nas regiões semiáridas destes Estados a cana de açúcar não é cultivada devido suas
exigências edafoclimáticas.

Figura 1: Mapeamento da cana de açúcar. Fonte: Conab (2017).

Assim como na maior parte da região, a economia agrícola no leste do Nordeste
também é seriamente afetada por adversidades climáticas, principalmente associadas às
14

secas frequentes (BARBOSA; KUMAR., 2016). Silva et al. (2013), mostraram a
influência do oceano atlântico na severa seca do ano de 2012, associada a intensidade do
fenômeno oceânico-atmosférico conhecido como Dipolo do Atlântico.
Em diferentes estágios do estresse térmico, quase todos os estágios da vida das
plantas são afetados pelo estresse térmico. Os efeitos dos danos causados pelo calor são
mais sutis do que os do frio extremo, que matam uma planta instantaneamente. Estresse
térmico pode aparecer em muitas formas e podem ser confundidos com outros tipos de
estresse. Refinando a distribuição espacial da zona de calor da planta bem como
identificar melhor os limiares de tolerância ao calor das plantas permitirá aos agricultores
prever com mais precisão quais plantas podem sobreviver aos verões quentes (ZYDI
TEQJA et al, 2018).
No Nordeste, os eventos de chuva estão associados a mecanismos dinâmicos de
grande escala, entre os quais: Zona de Convergência Intertropical (ZCIT)
(HASTENRATH, 1984; MOURA e SHUKLA, 1981), penetração de sistemas oriundos
de latitudes médias austrais (KOUSKY, 1979), Vórtices Ciclônicos de Altos Níveis
(VCANs) (KOUSKY e GAN, 1981), distúrbios ondulatórios dos ventos alísios (GOMES
et al., 2015) e a Oscilação de Madden-Julian (KOUSKY e KAYANO, 1994). Esta
dinâmica climática modula as variações sazonais e interanuais em todo o Nordeste, desde
o semiárido, aos litorais norte e leste do Nordeste, onde o calendário agrícola deve se
enquadrar rigorosamente no período climatológico de máxima ocorrência de chuvas a fim
de minimizar o risco de perdas das safras agrícolas.
Há duas formas de plantio da cana de açúcar (SEGATO et al., 2006), conhecidas
como sistema de cana-de-ano e sistema de cana-de-ano-e-meio. Esta pesquisa será
trabalhada para um ciclo de vida 360 dias, relativa a cana-de-ano. Segundo a CONAB,
em suas diretrizes de calendário agrícola, nos Estados da Paraíba, Pernambuco e Alagoas,
a cana deve ser plantada em meados de setembro, mais precisamente no segundo decêndio
do mês (Tabela 1). Isto se dá porque a cana vegeta ativamente por cerca de 8 meses,
ocorrendo o processo de maturação nos 4 meses finais. Assim, o canavial apresenta
máxima taxa de crescimento entre novembro e abril, em virtude do longo fotoperíodo, da
alta temperatura e da maior disponibilidade hídrica. Segundo Segato et al. (2006), em
ambos os sistemas de produção, para que o canavial possa aproveitar, ao máximo, as
condições favoráveis de fotoperíodo, temperatura e chuva do verão, é importante que o
15

sistema radicular já esteja desenvolvido e que as plantas contem com pelo menos 12
folhas (MONTEIRO, 2009).

Tabela 1: Condições hídricas nos períodos de desenvolvimento e colheita da cana de
açúcar da safra 2016/17. Fonte: Conab.

Segundo Câmara (1993), o ciclo da cana de açúcar pode ser dividido em quatro
fases características: brotação e emergência, estabelecimento e perfilhamento,
crescimento intenso e maturação (Figura 2).
Figura 2: Estágios fenológicos da cana-de-açúcar. Adaptado de Doorembos e Kassan
(1979) e Gasho e Shih (1983).

A chuva age indiretamente, afetando o crescimento, o desenvolvimento das
culturas e a disponibilidade hídrica dos solos, que tem influência direta na absorção de
16

água pelas raízes e o status hídrico da cultura (HOOGENBOOM, 2000). Períodos de secas
e períodos de excesso de chuvas afetam a produtividade da cultura, comprometendo sua
fotossíntese e atividades radiculares e absorção de águas e nutrientes pela planta.
O consumo hídrico médio exigido pela cana de açúcar é em torno de 1500mm ao
longo do ciclo da cultura, em meio logicamente a uma grande variabilidade desta
exigência

para

diferentes

cultivares

(PEREZ,

1988;

INMAN-BAMBER

McGlINCHEY, 2003; SANTOS, 2005). De acordo com Santos (2005), o consumo de
água da cultura da cana-de-açúcar varia em função do ciclo (cana de ano ou de ano e
meio), do estágio de desenvolvimento, das condições climáticas, da água disponível no
solo e das variedades.
Com relação a deficiência hídrica, pode-se tomar como valores referenciais os
apresentados em Doorembos e Kassan (1979) para o fator de resposta à deficiência hídrica
(ky), igual a 0,75 nas fases de emergência e estabelecimento, caindo para 0,5 durante a
fase de desenvolvimento da cultura, atingindo apenas 0,1 durante a maturação. Segundo
Ramesh (2000), as fases de estabelecimento e desenvolvimento da cultura são as mais
sensíveis à deficiência hídrica.
As principais variáveis meteorológicas que afetam a cultura de modo geral, como
seu crescimento, desenvolvimento e produtividade são a chuva, temperatura do ar e
radiação solar (HOOGENBOOM, 2000; PEREIRA et al., 2002; MAVI E TUPPER,
2004)
A faixa ótima média de temperaturas para a cana é de 23 a 32°C (FAUCONIER e
BASSEREAU, 1970), variando de acordo com as diferentes fases fenológicas da cultura.
Vários autores convergem em definir que abaixo de 20°C ocorre expressiva queda na taxa
de crescimento, crescimento máximo ocorre entre 30 e 34°C, a partir de 35°C a planta
apresentará estresse por calor, e interromperá seu crescimento para temperaturas a partir
dos 38°C. Esta interrupção do crescimento também ocorrerá se a plantar experimentar
por determinado tempo temperaturas inferiores a valores entre 16ºC e 18ºC, (VILLA
NOVA, 1977; DOOREMBOS; KASSAN, 1979; MAGALHÃES,1987; BARBIERI et al.,
1979). Na figura 3 temos a variação espacial da temperatura do ar média anual no Brasil,
com as exigências térmicas da cana de açúcar.

Figura 3: Variação espacial da temperatura do ar, média anual, no Brasil, segundo as
exigências térmicas da cana de açúcar. Fonte: Monteiro, J.E.B.A, 2009. Embrapa.

Em relação a radiação solar, a cana de açúcar atingirá seu máximo
desenvolvimento sob condições de abundancia desta variável, associadas a elevada
disponibilidade de água e temperaturas elevadas. Seu desenvolvimento também é
condicionado pelo fotoperíodo, com valores ideais entre 10 e 14horas (RODRIGUES,
1985).
No Brasil, a atividade da cana de açúcar provavelmente se beneficiará com o
aumento da temperatura do ar, dobrando a quantidade de área adequada para o plantio em
todo o país. O cultivo dessa cultura será ampliado na região sul, que hoje sofrem restrições
devido à baixas temperaturas e que terão grande potencial de produção em um futuro
próximo (PINTO HS et al, 2008; MARIN FR et al, 2013).
18

3.2 - MODELOS AGROMETEOROLÓGICOS

Modelos agrometeorológicos são usados para estimar/simular a produtividade das
culturas, desempenhando um papel notável no auxílio à compreensão do
desenvolvimento vegetal e sua relação com clima e solo, por meio de equações dedicadas
a representar o crescimento das plantas. Com o apoio computacional, a modelagem tornouse uma ferramenta de extrema importância na compreensão do funcionamento dos fenômenos
biológicos e físicos no sistema agrícola, dando suporte a solução de problemas que excedem
a capacidade de síntese do cérebro humano.

Se baseiam na interação estatística entre variáveis dependentes que serão
estimadas (a exemplo da produtividade da cana de açúcar) e variáveis meteorológicas,
como: precipitação, evapotranspiração, temperatura média do ar, através de uma
regressão linear múltipla (MOREIRA, 2008)
Um modelo agrometeorológico muito utilizado em vários estudos para estimar a
produtividade agrícola das culturas é o proposto por Doorenbos e Kassam (1979). Este
modelo procura explicar o efeito das variáveis meteorológicas, precipitação e ETP na
produtividade, relacionando a perda de rendimento de culturas com o déficit hídrico,
sendo comumente utilizado para gerar estimativas de perdas. Pereira et al., (2002)
destacam que o modelo da FAO foi utilizado em vários locais ao redor do mundo devido
as suas principais vantagens, que consistem em sua simplicidade e precisão, quando
devidamente calibrado para a cultura e região a ser estudada.
Para a cana-de-açúcar, os modelos mecanicistas mais utilizados são o
DSSAT/CANEGRO (Inman-Bamber 1991) e APSIM-Sugarcane (Keating et al. 1999).
Esses modelos são altamente complexo e usa vários índices e coeficientes que precisa de
calibração para simular todos os processos envolvidos crescimento e desenvolvimento da
cana, rendimento e qualidade (MONTEIRO; CENTELHAS, 2014). Uma alternativa a
exigência de informações destes modelos é justamente o tipo de modelo proposto por
Doorenbos e Kassam (1979), também do tipo mecanístico, capaz de simular um ou mais
fenômenos relativos a produtividade das culturas. Este modelo tem dois módulos
principais, o modelo de Zona Agroecológica para estimar a produtividade potencial (Yp),
e o modelo de penalização por déficit hídrico para estimar o rendimento real (Ya).
19

Por sua simplicidade e precisão, com resultados confiáveis, sua aplicação é
largamente empregada em diversas partes do mundo e a uma gama de culturas de ciclo
bem definidos. No Brasil, pode-se mencionar Dourado Neto et al., (2004) em estudos
para o milho no Rio Grande do Sul, Assad et al., (2007) para previsão da safra de soja em
diferentes Estados brasileiros, a citar Rio Grande do Sul, Santa Catarina, Mato Grosso do
Sul, Maranhão, Piauí e Bahia. Os efeitos do clima na produtividade do milho no Rio
Grande do Sul foram estudados por Dourado Neto et al., (2004).
Usando os princípios deste modelo, Assad et al., (2007) elaboraram um sistema
para prever as safras da cultura da soja, em cada região brasileira, com os melhores
resultados sendo obtidos para o Rio Grande do Sul, Santa Catarina, Mato Grosso do Sul,
Maranhão, Piauí e Bahia. Rosa et al., (2010) usou este modelo alimentando-o com
informações de sensoriamento remoto e modelagem atmosférica para estimar a
produtividade do café. Para o cenário de mudanças climáticas A1B do quarto relatório do
IPCC, Santos et al., (2011) estimaram a produtividade do milho em diferentes
mesorregiões do Estado de Minas Gerais. Além disso, Martin et al., (2007), demonstrou
a importância deste modelo para avaliar diferentes estratégias de irrigação. Monteiro e
Sentelhas (2014) associaram este modelo a um sistema de informações geográficas para
determinar a variabilidade espacial e temporal da produtividade da cana-de-açúcar no
sudeste do Brasil.
Gouveia et al., (2009) e Oliveira et al., (2012) mostram que o modelo FAO pode
produzir dados confiáveis em comparação com os rendimentos de cana de açúcar
observados em nível regional.

3.3 - MODELOS CLIMÁTICOS GLOBAIS E CENÁRIOS DE MUDANÇAS
CLIMÁTICAS

Modelos Climáticos Globais (MCGs) buscam simular as condições climáticas
baseados nas propriedades físicas dos fluidos principais, atmosfera e oceano, de modo a
contemplar de maneira satisfatória as características médias do clima em todo o planeta,
para diversas sub-camadas atmosféricas desde a superfície. A demanda computacional
destes modelos é extensa pela complexidade das equações matemáticas. Para esta
representação do clima global, características importantes de escala sub-grade podem
20

estar mal representadas, a exemplificar tempestades associadas a nuvens isoladas e efeitos
de topografia, devido a sua resolução espacial grosseira (em média, da ordem de 250 km
na horizontal, com 20 níveis na vertical). Os MCG's atuais são acoplados com modelos
oceânicos, contemplando ainda processos biogeoquímicos. Desta forma, apesar de
caracterizar bem as condições climáticas globais, pecam em caracterizar bem
características climáticas regionais, principalmente em áreas com coberturas vegetais e
topografias complexas, e regiões litorâneas (WMO, 2002).
Os MCGs evoluíram muito ao longo das últimas décadas (VANNITSEM e
CHOME, 2005), passando a incorporar dados relativos as emissões de gases de efeito
estufa para atender a demanda do IPCC (Intergovernmental Panel on Climate Change) e
gerar projeções do clima futuro, em horizontes que podem ultrapassar o final do século
XXI (JONES et al., 2004).
Estas projeções futuras são realizadas de acordo com cenários de mudanças
climáticas concebidos pelo IPCC no que concerne aos mais prováveis padrões de
evolução da humanidade no consumo dos combustíveis fósseis e emissões de gás
carbônico, monóxido de carbono, oxido nitroso, dióxido de enxofre, metano, entre outros
gases (MITCHELL; HULME, 1999; NAKICENOVIC et al., 2000).
No quarto relatório do IPCC lançado em 2007, os cenários foram divididos em
duas grandes famílias, conhecidos como A (A1, A1FI, A1T e A1B) e B (B1 e B2). A
família A continha os cenários considerados de realistas a pessimistas, e a família B os
cenários otimistas (SRES, 2010). O cenário A1 representa um futuro de rápido
crescimento econômico, crescimento populacional lento tendendo a estabilização e
introdução de tecnologias mais eficientes para o uso de energia renováveis. Este cenário
de dividia em três subcenários: com o uso intensivo de combustíveis fósseis (A1FI),
fontes não fósseis (A1T) ou um equilíbrio entre as fontes (A1B), este último considerado
o mais provável (SRES, 2010). O cenário A2 retrata um mundo heterogêneo, com alto
índice populacional e rápido crescimento econômico, e uso incessante e crescente de
combustíveis fósseis (SRES, 2010).
A nova família de cenários foi lançada em 2014 no quinto relatório do IPCC
(SYR-AR5, 2014). Os quatro novos cenários são uma evolução dos apresentados no
quarto relatório do IPCC por incorporarem aos perfis de emissões forçantes de cunho
21

político-social baseados em protocolos de acordos firmados por nações relativos a
implementação de políticas públicas voltadas a minimizar as emissões de gases de efeito
estufa. Os cenários atualizados foram denominados, em português, "caminhos
representativos de concentrações", ou RCPs de sua sigla em inglês para Representative
Concentration Pathways.
Os cenários são os RCP2.6, RCP4.5, RCP6 e RCP8.5, nomeados desta forma para
uma provável faixa de valores de forçamento radiativo no ano 2100 em relação aos
valores pré-industriais (+2,6, +4,5, +6,0 e +8,5 W/m2, respectivamente). No RCP2.6,
ocorreria um pico na forçante radiativa de aproximadamente 3W/m2 antes de 2100, que
estabiliza e passa a diminuir. O RCP4.5 prevê uma forçante climática que atinge 4.5W/m2
até 2050, com posterior estabilização, no RCP6 é mais lento que o do cenário RCP4.5 até
2050, mas contínuo e o ultrapassa até 2100. O pior cenário é o RCP8.5, com contínuo
crescimento da forçante radiativa que atingirá o valor de 8.5W/m2 até 2100 (RIAHI et
al., 2007; RAO e RIAHI., 2006; FUJINO et al., 2006; HIJIOKA et al.,2008; SMITH e
WIGLEY., 2006; CLARKE et al.,2007; WISE et al.,2009; van VUUREN et al., 2006,
2007).
A Figura 4 exibe em detalhes estes prováveis e representativos caminhos da
forçante radiativa.
Figura 4: Forçante radiativa dos RCPs. Extraída de van Vuuren et al (2011).

3.4 - DOWNSCALING ESTATÍSTICO
O downscaling é um procedimento para levar à escala local informações
conhecidas em escalas maiores, ou seja, é um refinamento de uma escala espacial global
para uma escala local. Há dois tipos de downscaling, o dinâmico e o estatístico. O
downscaling dinâmico requer a execução de modelos climáticos de alta resolução em um
subdomínio regional, usando dados observacionais ou saídas de modelos climáticos de
baixa resolução como uma condição de contorno, baseiam-se em princípios físicos para
reproduzir o clima local, e requerem uso computacional intensivo. O Downscaling
Estatístico (DE) é um processo de duas etapas que consiste, primeiro, no desenvolvimento
de relações estatísticas entre variáveis climáticas locais (por exemplo, precipitação e
temperatura do ar à superfície) e preditores de grande escala (por exemplo, campos de
pressão ao nível médio do mar), e em seguida, aplicar estas relações em saídas de MCGs
para simular características climáticas locais no presente e futuro (WILBY e WIGLEY,
1997; 2000).
Para Hewitson e Crane (1996), devido a utilização de séries continuas, existem
diferentes sistemas de tempo que podem não ter um desenvolvimento dinâmico, surge
então a necessidade de aplicação do downscaling estatístico. É uma técnica de pós
processamento das saídas dos MCG’s (Modelos Climáticos Globais).
As vantagens de usar técnicas de DE consistem na não exigência de recursos
computacionais de alto desempenho, à sua aplicabilidade em qualquer local que tenha um
histórico de observações, na fácil obtenção das relações estatísticas entre dados do MCG
e dados observados de superfície e rapidez em derivar informações de um MCG para o
clima presente e previsões para um clima futuro (WILBY et al., 2002). Também os
métodos de DE podem ser utilizados como geradores de tempo estocástico ou para
preenchimento de lacunas em dados meteorológicos (GIRVETZ et al., 2009).
O downscaling estatístico se torna uma abordagem realista para desenvolver uma
previsão climática para um ponto específico local. São comumente aplicados a projeções
dos MCG mas também podem ser aplicados aos Modelos Climáticos Globais (MCR).
Geralmente os métodos estatísticos mais utilizados para encontrar as melhores relações
entre dados de grande escala do MCG e dados de superfície, abrangem métodos de
23

regressão entre preditores e preditandos, comparação de padrões análogos, redes neurais
artificiais, entre outras (WILBY e HARRIS, 2006; WILBY e DAWSON, 2007).
O Primeiro Relatório de Avaliação Nacional do PBMC (Painel Brasileiro de
Mudanças Climáticas) cita que a classificação dos métodos de downscaling estatístico
pode ser feita em três categorias:
•

Métodos baseados na classificação de padrões de tempo: Variáveis climáticas
locais são relacionadas com escala sinótica (Fowler et al., 2007);

•

Geradores de tempo: Produzem series temporais sintéticas das variáveis
meteorológicas para uma determinada região;

•

Modelos de Regressão: Estimam relações quantitativas entre preditoes
gerados através do MCG e variáveis prognósticas locais utilizando modelos
empíricos (Fowler et al., 2007; Mendes et al., 2009). Os preditores podem ser
entendidos como saídas de reanálises para um período representativo
comumente de 30 anos.

Muitos estudos usando técnicas de DE ganharam impulso após a divulgação dos
relatórios do IPCC contendo as projeções futuras do clima derivadas de MCGs. Bettolli
et al., (2010) analisou a variabilidade do rendimento agrícola de pastagens no Uruguai a
partir dos cenários A2 e B2 fornecidos pelos MCG's HadCM3 e CSIRO-Mk2, chegando
a conclusão de uma provável recorrência de eventos de estresse térmico durante o verão
até o final do século XXI. O comportamento de índices de extremos climáticos para as
próximas décadas também podem ser avaliados a partir de séries temporais locais obtidas
de técnicas de DE (NATIVIDADE et al., 2017).
4. DADOS E METODOLOGIA

4.1 - ÁREA DE ESTUDO, DADOS METEOROLÓGICOS E DE PRODUTIVIDADE
A área de estudo desta pesquisa estará concentrada no leste do Nordeste, entre os
Estados da Paraíba, na cidade de João Pessoa. Pernambuco, com a cidade de Recife e
Alagoas, com as cidades de Maceió e Porto de Pedras, que juntos concentram a maior
produção de cana de açúcar da região Nordeste (CONAB, 2015), contribuindo com cerca
de 9% da produção nacional.

Os dados meteorológicos são provenientes das estações convencionais do INMET
(Instituto Nacional de Meteorologia), disponíveis a partir de 01/01/1961 e utilizados deste
período até o ano de 2015. Os dados a ser utilizados serão, essencialmente, de
Precipitação (Prec), Temperaturas Máximas (TX) e Mínimas (TN), Temperaturas Médias
(TM) e Insolação (Insol). A Figura 5 mostra a distribuição destas estações convencionais
no Nordeste.
Os dados relativos ao rendimento médio (produtividade) da cana de açúcar em
quilogramas por hectare para os municípios dos três Estados focos da pesquisa são
provenientes do Sistema IBGE de Recuperação Automática (SIDRA), que disponibiliza
diversas informações de caráter socioeconômico, por município, incluindo a agricultura.
Figura 5: Distribuição geográfica das estações meteorológicas convencionais de João
Pessoa (PB), Recife (PE), Maceió e Porto de Pedras (AL) do INMET na região Nordeste.

4.2 – MODELO DE SIMULAÇÃO DA PRODUTIVIDADE AGRÍCOLA
O Modelo da Zona Agroecológica (AZM) apresentado por Doorenbos e Kassam
(1979) será utilizado para determinar o potencial de rendimento da cana-de-açúcar (Yp).
Os dados climáticos necessários ao modelo são a temperatura média do ar, insolação,
precipitação e evapotranspiração potencial. Para a cultura, são necessários o índice
25

máximo de área foliar (IAF), taxa de respiração de manutenção (Resp), índice de colheita
(Harv) e teor de água na parte colhida da planta (CC). A equação geral do modelo Yp é
apresentada abaixo.
𝑛

𝑌𝑃 = ∑(𝐹𝐵 × 𝐶𝐼𝐴𝐹 × 𝐶𝑅𝐸𝑆𝑃 × 𝐶𝐼𝐶 × 𝐶𝑊𝐶 )

Equação 1

𝑖=1

Onde: Yp é o rendimento potencial final (Kg ha-1), n é o intervalo de tempo considerado
(10 dias, decendial), variando de acordo com o tipo e ciclo da cultura, FB é a taxa
fotossintética bruta (produtividade primária bruta) para cada período de 10 dias, expressa
como matéria seca de uma safra padrão (Kg ha-1). CIAF é um coeficiente para o índice de
área foliar, 𝐶𝑅𝐸𝑆𝑃 é o coeficiente de respiração, CIC é um coeficiente de resposta para
manutenção da taxa de respiração, e CWC é um coeficiente do teor de água nos caules.
Todos os coeficientes de correção são adimensionais.
A FB é determinada pela soma da produtividade primária bruta em períodos
nublados e nos períodos de sol, considerando que a energia disponível para fotossíntese
sob cada condição sofre mudanças, afetando a absorção de energia pelas plantas. Os
valores destas produtividades primárias sob condições de céu claro e dias nublados e
todos seus coeficientes foram determinados seguindo Doorenbos e Kassam (1979) e
Pereira et al. (2002). O coeficiente CIAF é determinado por:
2
𝐶𝐼𝐴𝐹 = 0,0093 + 0,185 × 𝐼𝐴𝐹𝑚𝑎𝑥 − 0,0175 × 𝐼𝐴𝐹𝑚𝑎𝑥

𝐸𝑞𝑢𝑎çã𝑜 2

Para IAFmax ≥ 5; CIAF = 0,5, onde IAFmax é o IAF máximo da cultura em cada
período de 10 dias do ciclo da cultura.
O CRESP é considerado 0,5 durante os períodos de 10 dias, quando a temperatura
média (Tmed) é maior ou igual a 20°C e 0,6 quando Tmed < 20°C (Doorenbos e Kassam
1979). O CIC é 0,8, enquanto o CWC é determinado pela seguinte equação (onde U é o teor
relativo de água dos caules = 80%):

𝐶𝑊𝐶 = (1 −

𝑈 −1
)
100

Equação 3

Para estimar o rendimento real (Yr), consideramos uma relação direta entre a
quebra de rendimento relativo (1 - Yr/Yp) e o déficit relativo de água (1 - ETr/ETc). ETc
refere-se à evapotranspiração da cultura e ETr é a evapotranspiração real. A ETc foi
26

calculada dividindo a evapotranspiração de referência (ETo), estimada pelo método de
Hargreaves e Samani (1985), pelo coeficiente de cultura (kc) para cada fase da cultura
durante o ciclo (Tabela 1). A ETr é estimada através do balanço hídrico da cultura usando
o método de Thornthwaite e Mather (1955). O fator de resposta da água (ky), usado no
modelo para vincular a quebra de rendimento relativo ao déficit hídrico, foi obtido de
Doorenbos e Kassam (1979) e reproduzido na Tabela 2. Estes coeficientes obtidos do
balanço hídrico e as demais variáveis permitem o cálculo do Yr.
𝑛

𝑌𝑅 = ∑ {𝑌𝑃𝑖 × [1 − 𝑘𝑦 (1 −
𝑖=1

𝐸𝑇𝑟𝑖
)]}
𝐸𝑇𝑐𝑖

Equação 4

Onde: YR é o rendimento real (Kg ha-1); i representa as fases fenológicas durante
o ciclo da cultura (Tabela 1); YRi é o rendimento real da cultura na fase fenológica anterior
(Kg ha-1) - no caso da primeira fase fenológica, o rendimento real anterior é igual a Yp; e
ETr e ETc são a evapotranspiração real e máxima da cultura (mm), respectivamente.
Tabela 2: Número de dias em cada fase e no ciclo da cana, coeficiente de cultura (kc) e
fator de resposta ao déficit hídrico (ky) usado para estimar YR.
Fase fenológica (i)
25% coberto
25-50%
50-75%
75-100%
máximo
senescencia
amadurecimento
Dias (total)

Número de dias
30
30
20
50
175
30
30
365

Kc
0,4
0,7
1
1,2
1,3
1,1
0,8
-

IAF
1,5
2
2,5
3,5
3
2,5
2
-

Ky
0,7
0,7
0,3
0,3
0,3
0,3
0,1
-

4.3 – DOWNSCALING ESTATISTICO
O downscaling permite obter informações de alta resolução para projeções
climáticas a partir de MCGs de resolução relativamente grosseira. Normalmente, os
MCGs têm uma resolução espacial de 150-300 km entre pontos de grade. Para avaliação
de impactos locais/regionais em setores como agricultura, saúde e recursos hídricos, estas
informações precisam ser reduzidas à escalas de 50 km ou menores, usando para tanto
algum método para estimar as informações em menor escala. O downscaling estatístico
(DE) primeiro deriva relações estatísticas entre variáveis observadas em pequena escala
(estação meteorológica) e grande escala (MCG), usando métodos de análogos (tipificação
27

da circulação), análises de regressão ou métodos de redes neurais. Os valores futuros das
variáveis de larga escala obtidas das projeções dos MCGs (geopotencial, vento zonal e
meridional, temperatura, etc) são então usados para derivar relações estatísticas e, assim,
um Modelo de Downscaling Estatístico (MDE) proveniente desta relação pode então ser
aplicado aos dados de superfície (Wilby e Dawson, 2013).
Inicialmente os MDEs combinam as informações dos MCGs a dados de
reanálises das observações das variáveis de superfície, ambos sob a mesma dimensão de
grade, a fim de selecionar os melhores preditores. Estes serão os preditores utilizados para
calibrar/validar o MDE para as séries temporais de dados observados de precipitação e
temperaturas das estações meteorológicas. Uma vez que a cadeia Preditores →
Preditandos → MDE tenha sido concluída, o MDE estará prontos para ser utilizados e
aplicados a qualquer um dos MCGs disponíveis.
Para a elaboração dos resultados de downscaling estatístico das variáveis
precipitação, temperaturas máximas e mínimas desta pesquisa, serão utilizadas as
funcionalidades fornecidas pelo software desenvolvido pelo Grupo Santander
Meteorologia (http://www.meteo.unican.es), como parte das atividades do projeto
ENSEMBLES financiado pela União Europeia (Cofiño et al, 2007).
A redução de escala com o MDE consiste em quatro etapas principais: (1)
seleção de preditores, (2) calibração de funções de transferência, (3) validação dos
resultados do modelo de redução de escala, e (4) geração de cenários (Wilby e Fowler,
2010), descritas a seguir.

4.3.1 SELEÇÃO DOS PREDITORES

Para a calibração do modelo, é preciso escolher um período com o maior número
possível de dados observados. Nesta pesquisa trabalhar-se-á com o período de calibração
e validação sugerido por Carter et al., (2007), 1961-1990. Os dados de reanálises do
projeto ERA40 serão usados para calibração da precipitação e do NCEP/NCAR para as
temperaturas máximas e mínimas, em uma grade comum 2,5° x 2,5° para o período de
controle 1961-1990 (Flato et al., 2013; Collins et al., 2013; Hartmann et al., 2013). Para
a variável precipitação, a Figura 6 mostra a grade utilizada projetada sobre a região
Nordeste, com as respectivas variáveis preditoras: componente meridional da velocidade
média do vento no nível de 850 hPa, componente zonal da velocidade média do vento no
28

nível de 850 hPa, umidade especifica no nível de 850 hPa, pressão ao nível médio do mar,
geopotencial em 500 hPa e temperatura no nível de 850 hPa. Para as temperaturas
máximas e mínimas, foram selecionadas variáveis preditoras: umidade especifica no nível
de 850 hPa, pressão ao nível médio do mar, geopotencial em 500 hPa e temperatura no
nível de 850 hPa.
Figura 6: Detalhes dos preditores e grade utilizada para a precipitação da região
Nordeste.

A Tabela 3 mostra as variáveis de grande escala disponíveis, tanto do projeto
ERA40 quanto do NCEP/NCAR, para seleção dos preditandos, que devem coincidir com
variáveis simuladas pelos MCGs (Wilby e Wigley, 2000; Fowler et al., 2007; Teutschbein
et al., 2011).
Tabela 3. Descrição das variáveis, níveis de altura e unidades do conjunto de parâmetros
disponíveis para seleção de preditores.
Variável (Código)
Níveis Atmosféricos (hPa) Unidades
Geopotencial (Z)
1000, 850, 700, 500, 300
m2 s–2
Componente Meridional do Vento (V)
850, 700, 500, 300
m s–1
Componente Zonal do Vento (U)
850, 700, 500, 300
m s–1
Temperatura (T)
850, 700, 500, 300
K
Umidade Específica (q)
850, 700, 500, 300
kg kg–1
Pressão ao Nível do Mar (PNM)
superfície
Pa
Temperatura a 2m (2T)
superfície
K

4.3.2 SELEÇÃO DOS PREDITANDOS
29

Inicialmente, foram trabalhados dados observados de precipitação, temperaturas
máximas e mínimas de 97 estações meteorológicas do INMET de toda a região Nordeste
do Brasil, não apenas da faixa leste entre os Estados de Paraíba, Pernambuco e Alagoas,
a fim de permitir uma visão espacializada das projeções de mudanças climáticas em toda
região. A Figura 7 mostra a localização espacial das estações. Após essa etapa, foram
selecionadas as estações meteorológicas para obtenção dos dados nas cidades de Maceió,
Porto de Pedras, Recife e João Pessoa.
Figura 7: Janela de criação dos preditandos para as temperaturas máximas, mínimas e
precipitação das estações do INMET.

4.3.3 SELEÇÃO DO MÉTODO DE DOWNSCALING ESTATÍSTICO

Para geração dos cenários de mudanças climáticas, foi empregado o método dos
análogos (Gutierrez et al., 2013). Neste método, padrões análogos são filtrados por
funções ortogonais empíricas, especificando um estado local coerente com um estado
simultâneo de grande escala. Como exemplo, as anomalias da circulação atmosférica, por
exemplo, representadas por (f) do campo da Pressão ao Nível do Mar (PNM), são
descritos por poucos padrões principais de FOE:

f(i, t) = ∑ xk t gk i + ϵt

Equação (5)

k=1

Onde i é um índice de ponto de grade, t é o tempo, gk é o padrão de ordem k da FOE,
xk(t) é a amplitude deste padrão no tempo t, n representa o número de padrões de EOF
retidos, e Є é a parte da variabilidade não descrita pelos principais padrões n, considerado
pequeno. Os análogos são pesquisados apenas dentro do espaço gerado por estas n FOE
padrões.
A validação é feita para dados diários e decendiais. O período de calibração do
modelo é o climatológico 1961-1990 (75% dos dados), para verificar a habilidade dos
modelos em simular os ciclos anuais. A validação é realizada para o período 1991-2000
(25% dos dados), sendo obtidos diversos parametros estatisticos que permitem estimar a
destreza do MDE em simular o presente e dar confiança para as projeções futuras, tais
como: coeficiente de correlação de Pearson (r), PDFescore, razão de variancias e curvas
Q-Q Plot entre simulações e observações. O teste de significância estatística t-student foi
empregado para obter o valor crítico de correlação (rc), valor para a qual se aceita ou não
a hipótese estatística que existe correlação entre os dados simulados e observados, a um
nível de confiança estatística de no mínimo 95%. rc é dado por:

t2
rc =
(N − 2 ) + t 2

Equação (6)

4.3.4 VALIDAÇÃO DO DOWNSCALING ESTATÍSTICO

O método de downscaling definido utilizando o portal citado por esse trabalho, é
automaticamente validado usando uma abordagem treino/teste. O período histórico
comum para preditores (reanálise; essa validação é feita em condições de Prognóstico
Perfeito) e preditandos (observações locais) é dividido entre 75% de treino (dos dados) e
25% de teste.
Na fase de treinamento, o método de downscaling é calibrado usando os dados
de treinamento (por exemplo: os coeficientes de regressão são ajustados para os dados),
enquanto na fase de teste o método é validado nos dados do teste. A precisão e os guias
de similaridade mostram diferença de pontuação relacionados à precisão (os padrões são
correlação, MAE, RMSE e RMSE normalizado) e a confiabilidade (BIAS, BIAS
normalizado, razão de variâncias e Valor p do teste de Kolmogorov-Smirnov) do método.

Os cenários climáticos do AR4 possuem o experimento de controle no período de
1961-2000, onde: 1961-1990 é o período de Calibração e 1991-2000 é o período de
validação. Para os cenários do CMIP5 o experimento de controle foi no período de 19792010, onde: 1979-2000 é o período de calibração e 2001-2010 o período de validação.
Os coeficientes usados para essa fase de validação do downscaling foram
divididos em: Estatística descritiva, medida de precisão e similaridade das distribuições.
Na estatística descritiva temos a média e o desvio padrão, que são obtidos através das
equações 7 e 8 respectivamente. Na medida de precisão temos o coeficiente de correlação
(equação 9) e RMSE (Raiz quadrada do erro médio) na equação 10. E na similaridade das
distribuições temos a razão das variâncias (equação 11) e o PDFescore (equação 12).
1

𝑀 = 𝑁 ∑𝑁
𝑖=1 𝑥𝑖 Equação (7)

𝑟 𝑜, 𝑝 =
𝑅𝑉 =

𝐶𝑜𝑣 (𝑜,𝑝)

𝜎𝑝²
𝜎𝑜²

𝜎𝑜,𝑝

Equação (9)

Equação (11)

𝜎 = √ 𝑁 ∑𝑁
𝑖=1(𝑥𝑖 − 𝑥̅ )² Equação (8)
∑𝑛 (𝑃𝑖− 𝑂𝑖)

𝑅𝑀𝑆𝐸 = √ 𝑖=1 𝑛

Equação (10)

𝑃𝐷𝐹𝑒𝑠𝑐𝑜𝑟𝑒 = ∑200
𝑖=1(𝑃𝐷𝐹𝑝𝑖 − 𝑃𝐷𝐹𝑜𝑖) Equação (12)

6. RESULTADOS E DISCUSSÕES
5.1 - CALIBRAÇÃO DA PRECIPITAÇÃO
Nesta seção, os resultados da calibração da precipitação serão exibidos
sequencialmente para as quatro cidades estudadas, com duas imagens onde se encontram
as comparações entre as climatologias observadas e os modelos estudados tanto nos
MCGs dos cenários AR4 e CMIP5 e dois gráficos que apresentam o comportamento das
observações sobrepostas com o ENSEMBLE dos modelos, para cada série temporal
estudada. A ordem das cidades a serem apresentadas será: João Pessoa, Recife, Porto de
Pedras e Maceió.
É observado que todos os modelos foram hábeis em representar o ciclo médio
anual da precipitação, no entanto, para todas as cidades estudadas houve subestimativa
da chuva acumulada média mensal nos meses mais chuvosos e superestimativa nos meses
mais secos. Esses comportamentos são visíveis nas figuras a seguir.

Figura 8: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
precipitação na cidade de João Pessoa.

Figura 9: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
precipitação na cidade de Recife.

Figura 10: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
precipitação na cidade de Porto de pedras.

Figura 11: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
precipitação na cidade de Maceió.

5.1.2 - CALIBRAÇÃO DA TEMPERATURA MÁXIMA
Nesta seção, os resultados da calibração da temperatura máxima serão exibidos
sequencialmente para as quatro cidades estudadas, seguindo o mesmo modelo exibido na
precipitação onde em duas imagens se encontram as comparações entre as climatologias
observadas e os modelos estudados tanto nos MCGs dos cenários AR4 e CMIP5 e dois
gráficos que apresentam o comportamento das observações sobrepostas com o
ENSEMBLE dos modelos, para cada série temporal estudada. A ordem das cidades a
serem apresentadas será a mesma exibida na seção anterior.

De uma maneira geral, houve pouca variação entre a climatologia dos modelos e
a climatologia observada. O CMIP 5 apresentou maior destreza com a representação da
climatologia observada. Já os modelos do AR4 apresentaram leve tendência para
superestimar a temperatura máxima nos meses mais frios.

Figura 13: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura máxima na cidade de Recife.

Figura 14: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura máxima na cidade de Porto de Pedras.

Figura 15: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura máxima na cidade de Maceió.

5.1.3 - CALIBRAÇÃO DA TEMPERATURA MÍNIMA
Nesta seção, os resultados da calibração da temperatura mínima seguirão os
mesmos modelos apresentados nas duas seções anteriores seguindo também a mesma
ordem para as cidades estudadas.
Seguindo o mesmo padrão observado na calibração da temperatura máxima, os
modelos do CMIP5 apresentaram também maior destreza em simular a climatologia
observada. Os modelos do AR4 superestimaram os valores médios mensais da
temperatura mínima nas cidades de João Pessoa, Recife e Porto de Pedras e subestimaram
esses valores na cidade de Maceió.

Figura 16: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura mínima na cidade de João Pessoa.

Figura 17: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura mínima na cidade de Recife.

Figura 18: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura mínima na cidade de Porto de Pedras.

Figura 19: Comparação entre a climatologia observada e dos modelos estudados em cada
cenário (lado esquerdo) X Comportamento dos dados observados comparados com o
ENSEMBLE dos modelos (lado direito), para seus respectivos períodos da variável da
temperatura mínima na cidade de Maceió.

5.2 – VALIDAÇÃO DO DOWNSCALING DA PRECIPITAÇÃO
Nesta seção, os resultados da validação do downscaling da varíável precipitação
serão exibidos em duas tabelas, onde em cada uma delas estarão dispostas as quatro
cidades estudadas e os respectivos coeficientes e médias observados nessa etapa de
validação. Na tabela 4 encontram-se os valores de análise dos modelos do cenário AR4 e
na tabela 5 estão os valores de análise dos modelos do cenário CMIP5. Os valores de
precipitação são acumulados de 10 dias (decendial) e todos os valores de correlações
foram estatisticamente significantes ao nível de 95% pelo teste t-student, exposto através
da equação 13.
As médias e desvio padrão observadas e simuladas na estatística descritiva para
acumulação a cada 10 dias foram levemente melhores para o downscaling estatístico dos
modelos do AR4 do que os modelos do CMIP5, mas de uma forma geral, mostram que
houve pouca variabilidade entre observações e simulações. As medidas de precisão
mostram melhora das simulações do CMIP5 em relação ao AR4, com maiores valores de
correlações e menores valores de RMSE. Com as similaridades das distribuições há uma

melhora da razão entre as variâncias do CMIP5 em relação ao AR4 para as cidades de
João Pessoa e Recife, enquanto o PDFescore foi levemente superior no CMIP5.

Tabela 4: Análise do cenário AR4 da variável precipitação para a validação do
downscaling.

Tabela 5: Análise do cenário CMIP5 da variável precipitação para a validação do
downscaling.

𝑡²

𝑟𝑐 = √(𝑁−2)+𝑡²

Equação (12)

5.2.1 – VALIDAÇÃO DO DOWNSCALING DA TEMPERATURA MÁXIMA
Nesta seção, os resultados da validação do downscaling da varíável temperatura
máxima serão exibidos em duas tabelas, seguindo o mesmo padrão da seção anterior do
downscaling da precipitação. Os valores de correlações também foram estatisticamente
significantes ao nível de 95% pelo teste t-student.
Para a variável temperatura máxima, todas as medidas de validação mostraram
superioridade no CMIP5 em relação ao AR4, com única exceção na cidade de Porto de
Pedras onde os indicadores do AR4 foram levemente superiores aos verificados no
CMIP5.

Tabela 6: Análise do cenário AR4 da variável temperatura máxima para a validação do
downscaling.

Tabela 7: Análise do cenário CMIP5 da variável temperatura máxima para a validação
do downscaling.

5.2.2 – VALIDAÇÃO DO DOWNSCALING DA TEMPERATURA MÍNIMA
Nesta seção, os resultados da validação do downscaling da varíável temperatura
mínima serão exibidos em duas tabelas, seguindo o mesmo padrão das duas seções
anteriores. Os valores de correlações também foram estatisticamente significantes ao
nível de 95% pelo teste t-student.
Similarmente ao ocorrido na validação da temperatura máxima, todas as medidas
de validação mostraram superioridade no CMIP5 em relação ao AR4, com única exceção
na cidade de Porto de Pedras onde os indicadores do AR4 foram levemente superiores
aos verificados no CMIP5.

Tabela 8: Análise do cenário AR4 da variável temperatura mínima para a validação do
downscaling.

Tabela 9: Análise do cenário CMIP5 da variável temperatura mínima para a validação
do downscaling.

5.3 – CALIBRAÇÃO E VALIDAÇÃO DO MODELO AGROMETEOROLÓGICO
O modelo agrometeorológico utilizado foi calibrado para o período de 1996-2015.
A organização dos dados meteorológicos foi dada em uma escala de tempo de 10 dias
(decendial), para um ciclo da cultura de 12 meses. A produtividade simulada foi
comparada à observada no período pelo IBGE (Figura 20), indicando muito boa
concordância entre as simulações e observações na primeira metade dos anos, de 1996
até 2004. Após esta data o modelo tendeu a estimar valores próximos a média do período,
no entanto, os dados do IBGE de 2012 a 2015 apresentaram o mesmo valor, o que deixa
dúvidas quanto a qualidade dos mesmos, o que pode prejudicar na avaliação da
performance do modelo. Apesar disso, o modelo conseguiu simular a produtividade
média com valor muito próximo a observada pelo IBGE no período, com médias de 64777
kg/ha para o IBGE e 66703 kg/ha do modelo. A destreza do modelo agrometeorológico
foi obtida pela correlação de Pearson (r = 0,63), e pela raiz do erro quadrático médio
(REQM), igual a 4637 kg/ha.

Figura 20: Comparação gráfica da produtividade observada pelo IBGE e simulada com
o modelo agrometeorológico, para Maceió em 20 anos (1996 a 2015).

Ainda para efeito de validação do modelo, já inserindo o cenário de mudança
climática A1B, foi possível observar no gráfico da figura 21 o comportamento dos valores
de produtividade quando comparados os valores obtidos pelo IBGE, modelo
agrometeorológico observado e o modelo agrometeorológico com cenário de mudança
climática, no período de 2001 a 2015. De uma maneira geral, não há grandes
discrepâncias nos valores de produtividade.
Figura 21: Comparativo entre valores médios obtidos através do IBGE, modelo
agrometeorológico observado e modelo agrometeorológico com cenário de mudança
climática.

5.4 – COMPORTAMENTO DA PRECIPITAÇÃO, TEMPERATURA MÉDIA E ETP
PARA OS CENÁRIOS FUTUROS DO AR4 E CMIP5.
5.4.1 – JOÃO PESSOA
Nesta seção serão exibidos os resultados do comportamento das variáveis
utilizadas no modelo agrometeorológico, já nas séries futuras simuladas, que foram
dividias em: 2021 – 2050 e 2051 – 2080, confrontadas com a série observada que
corresponde ao período de 1961 – 1990. As três variáveis serão exibidas lado a lado nos
cenários A1B/A2 e nos cenários RCP4.5/RCP 8.5 para uma melhor visualização de seus
comportamentos, ressaltando que os resultados são para o ENSEMBLE dos modelos.
Os cenários A1B e A2 subestimam a precipitação no período chuvoso entre março
e agosto na cidade de João Pessoa. No cenário RCP 4.5 apresentou a superestimativa da
precipitação ne período considerado mais seco, entre setembro e dezembro e no RCP 8.5
esse comportamento é visível na série de 2021 – 2050. A temperatura média, nos cenários
A1B e A2 mostram aumentos de 0,5°C entre 2021 – 2050 e de até 2°C entre 2051 – 2080,
um comportamento similar foi observado nos RCPs. Em relação a ETP prevê-se
aumentos de 20mm nos meses mais quentes nos cenários A1B e A2, já nos RCPs prevêse redução da ETP nos períodos mais quentes do ano.
Figura 22: Comportamento da precipitação nos cenários A1B e A2 para a cidade de João
Pessoa, nas séries temporais estudadas contrastadas com o período de observação.

Figura 23: Comportamento da temperatura média nos cenários A1B e A2 para a cidade
de João Pessoa, nas séries temporais estudadas contrastadas com o período de observação.

Figura 24: Comportamento da ETP nos cenários A1B e A2 para a cidade de João Pessoa,
nas séries temporais estudadas contrastadas com o período de observação.

Figura 25: Comportamento da precipitação nos cenários RCP 4.5 e RCP 8.5 para a cidade
de João Pessoa, nas séries temporais estudadas contrastadas com o período de observação.

Figura 26: Comportamento da temperatura média nos cenários RCP 4.5 e RCP 8.5 para
a cidade de João Pessoa, nas séries temporais estudadas contrastadas com o período de
observação.

Figura 27: Comportamento da ETP nos cenários RCP 4.5 e RCP 8.5 para a cidade de
João Pessoa, nas séries temporais estudadas contrastadas com o período de observação.

5.4.2 – RECIFE
Nesta seção, a exemplo da anterior, serão exibidos os resultados do
comportamento das variáveis utilizadas no modelo agrometeorológico, já nas séries
futuras simuladas, que foram dividias em: 2021 – 2050 e 2051 – 2080, confrontadas com
a série observada que corresponde ao período de 1961 – 1990. As três variáveis serão
exibidas lado a lado nos cenários A1B/A2 e nos cenários RCP4.5/RCP 8.5 para uma
melhor visualização de seus comportamentos, ressaltando que os resultados são para o
ENSEMBLE dos modelos.
Assim como visto na cidade de João Pessoa, os cenários A1B e A2 subestimam a
precipitação no período chuvoso entre março e agosto, porém há previsão de aumento das
chuvas nos meses de setembro a dezembro, nos mesmo cenários. Nos RCPs, um
comportamento similar foi observado. A temperatura média apresenta aumento de 0,5°C
entre 2021 – 2050 e de até 2°C entre 2051 – 2080. Os cenários RCPs apresentam a
47

aumento de até 1,5°C. A evapotranspiração em Recife prevê-se que nos cenários A1B e
A2 existam aumento de até 30mm nos meses mais quentes enquanto nos RCPs os valores
médios mensais da ETP pouco se alteram em relação a climatologia de referência
observada.
Figura 28: Comportamento da precipitação nos cenários A1B e A2 para a cidade de
Recife, nas séries temporais estudadas contrastadas com o período de observação.

Figura 29: Comportamento da temperatura média nos cenários A1B e A2 para a cidade
de Recife, nas séries temporais estudadas contrastadas com o período de observação.

Figura 30: Comportamento da ETP nos cenários A1B e A2 para a cidade de Recife, nas
séries temporais estudadas contrastadas com o período de observação.

Figura 31: Comportamento da precipitação nos cenários RCP 4.5 e RCP 8.5 para a cidade
de Recife, nas séries temporais estudadas contrastadas com o período de observação.

Figura 32: Comportamento da temperatura média nos cenários RCP 4.5 e RCP 8.5 para
a cidade de Recife, nas séries temporais estudadas contrastadas com o período de
observação.

Figura 33: Comportamento da ETP nos cenários RCP 4.5 e RCP 8.5 para a cidade de
Recife, nas séries temporais estudadas contrastadas com o período de observação.

5.4.3 – PORTO DE PEDRAS
Nesta seção, a exemplo das duas seções anteriores, serão exibidos os resultados
do comportamento das variáveis utilizadas no modelo agrometeorológico, sendo eles
exibidos para o ENSEMBLE dos modelos.
Em relação a precipitação, o comportamento observado foi semelhante ao
encontrado em Recife. Nos cenários A1B e A2 há previsão de aumento da temperatura
média em até 3,5°C entre 2051 – 2080 e de aumento entre 1°C a 2,5°C nos RCPs. Com
relação a ETP nos cenários A1B e A2 há redução significativa, de até 70mm nos meses
de inverno. Nos cenários RCP essa diminuição é moderada nos meses mais frios do ano,
sendo de até 20mm e com um aumento de até 10mm nos meses mais quentes.
Figura 34: Comportamento da precipitação nos cenários A1B e A2 para a cidade de Porto
de Pedras, nas séries temporais estudadas contrastadas com o período de observação.

Figura 35: Comportamento da temperatura média nos cenários A1B e A2 para a cidade
de Porto de Pedras, nas séries temporais estudadas contrastadas com o período de
observação.

Figura 36: Comportamento da ETP nos cenários A1B e A2 para a cidade de Porto de
Pedras, nas séries temporais estudadas contrastadas com o período de observação.

Figura 37: Comportamento da precipitação nos cenários RCP 4.5 e RCP 8.5 para a cidade
de Porto de Pedras, nas séries temporais estudadas contrastadas com o período de
observação.

Figura 38: Comportamento da temperatura média nos cenários RCP 4.5 e RCP 8.5 para
a cidade de Porto de Pedras, nas séries temporais estudadas contrastadas com o período
de observação.

Figura 39: Comportamento da ETP nos cenários RCP 4.5 e RCP 8.5 para a cidade de
Porto de Pedras, nas séries temporais estudadas contrastadas com o período de
observação.

5.4.4 – MACEIÓ
Nesta seção, a exemplo das três seções anteriores, serão exibidos os resultados do
comportamento das variáveis utilizadas no modelo agrometeorológico, sendo eles
exibidos para o ENSEMBLE dos modelos.
Assim como Porto de Pedras e Recife, o comportamento da precipitação foi
semelhante ao encontrado nessas cidades. A temperatura média apresentou um aumento
nos cenários A1B e A2 que varia entre 0,5°C a 2°C, essa mesma média de variação foi
encontrada nos RCPs no período de 2051 – 2080. Em relação a ETP, os cenários A1B e
A2 preveem um comportamento similar ao de Porto de Pedras, porém nos RCPs prevêse uma diminuição de até 10mm no inverno com um aumento moderado de até 30mm
nos meses mais quentes.
Figura 40: Comportamento da precipitação nos cenários A1B e A2 para a cidade de
Maceió, nas séries temporais estudadas contrastadas com o período de observação.

Figura 41: Comportamento da temperatura média nos cenários A1B e A2 para a cidade
de Maceió, nas séries temporais estudadas contrastadas com o período de observação.

Figura 42: Comportamento da ETP nos cenários A1B e A2 para a cidade de Maceió, nas
séries temporais estudadas contrastadas com o período de observação.

Figura 43: Comportamento da precipitação nos cenários RCP 4.5 e RCP 8.5 para a cidade
de Maceió, nas séries temporais estudadas contrastadas com o período de observação.

Figura 44: Comportamento da temperatura média nos cenários RCP 4.5 e RCP 8.5 para
a cidade de Maceió, nas séries temporais estudadas contrastadas com o período de
observação.

Figura 45: Comportamento da ETP nos cenários RCP 4.5 e RCP 8.5 para a cidade de
Maceió, nas séries temporais estudadas contrastadas com o período de observação.

5.5 – SIMULAÇÃO DE PRODUTIVIDADE DA CANA DE AÇÚCAR PARA
CENÁRIOS FUTUROS
5.5.1 – JOÃO PESSOA
Nesta seção serão exibidas as simulações de produtividade média da cana de
açúcar, processo esse realizado após a etapa de calibração e validação do modelo
agrometeorológico e do downscaling estatístico, para o período que corresponde de 2021
a 2080, utilizando os cenários A1B e A2 (AR4) do quarto relatório do IPCC e os cenários
RCP 4.5 e RCP 8.5 (CMIP 5), do quinto relatório do IPCC. Os modelos gerados no
cenário A1B e A2 foram: BCM2, CNCM3, ECHAM-5OM e HADGEM-2ES. Já nos
cenários RCP 4.5 e RCP 8.5 foram: CANESM2, CNRM-CM5, GFDL-ESM2M, IPSLCM5A-MR, MIROC-ESM, MPI-ESM-MR e NORESM1-M.
As simulações serão exibidas individualmente para uma melhor visibilidade de
todos os modelos simulados e o comportamento da produtividade média, expressa em
54

kg/ha. Por último, encontra-se uma figura onde estão os quatro cenários estudados
confrontados de maneira que é possível ver o comportamento das simulações para o
ENEMBLE desses modelos. Em todos os modelos dos cenários A1B e A2 é presente a
tendência de aumento da produtividade média da cultura na cidade de João Pessoa. Nos
modelos dos cenários RCP 4.5 e RCP 8.5 essa tendência crescente é menos pronunciada.
No ENSEMBLE observa-se que os cenários RCPs tendem a estimar uma produtividade
maior que a dos modelos dos cenários A1B e A2. Há uma estabilização das estimativas
entre cenários e modelos a partir do ano de 2060.
Figura 46: Produtividade média prevista para a Cana de açúcar em João Pessoa, no
cenário A1B no período de 2021 – 2080.

Figura 47: Produtividade média prevista para a Cana de açúcar em João Pessoa, no
cenário A2 no período de 2021 – 2080.

Figura 48: Produtividade média prevista para a Cana de açúcar em João Pessoa, no
cenário RCP 4.5 no período de 2021 – 2080.

Figura 49: Produtividade média prevista para a Cana de açúcar em João Pessoa, no
cenário RCP 8.5 no período de 2021 – 2080.

Figura 50: Produtividade média prevista para a Cana de açúcar em João Pessoa, para o
ENSEBLE dos modelos de todos os cenários estudados no período de 2021 – 2080.

5.5.2 – RECIFE
Nesta seção serão exibidas as simulações de produtividade média da cana de
açúcar, seguindo o mesmo padrão existente na seção anterior.
As simulações serão exibidas individualmente para uma melhor visibilidade de
todos os modelos simulados e o comportamento da produtividade média, expressa em
kg/ha. Por último, encontra-se uma figura onde estão os quatro cenários estudados
confrontados de maneira que é possível ver o comportamento das simulações para o
ENEMBLE desses modelos. Em Recife é possível observar que as tendências da
produtividade são similares a João Pessoa, porém o ENSEMBLE mostra que há maior
tendência de aumento da produtividade média nos cenários A1B e A2, diferente de João
Pessoa que apresentava essa tendência nos RCPs.
Figura 51: Produtividade média prevista para a Cana de açúcar em Recife, no cenário
A1B no período de 2021 – 2080.

Figura 52: Produtividade média prevista para a Cana de açúcar em Recife, no cenário
A2 no período de 2021 – 2080.

Figura 53: Produtividade média prevista para a Cana de açúcar em Recife, no cenário
RCP 4.5 no período de 2021 – 2080.

Figura 54: Produtividade média prevista para a Cana de açúcar em Recife, no cenário
RCP 8.5 no período de 2021 – 2080.

Figura 55: Produtividade média prevista para a Cana de açúcar em Recife, para o
ENSEBLE dos modelos de todos os cenários estudados no período de 2021 – 2080.

5.5.3 – PORTO DE PEDRAS
Nesta seção serão exibidas as simulações de produtividade média da cana de
açúcar, seguindo o mesmo padrão existente nas duas seções anteriores.
As simulações serão exibidas individualmente para uma melhor visibilidade de
todos os modelos simulados e o comportamento da produtividade média, expressa em
kg/ha. Por último, encontra-se uma figura onde estão os quatro cenários estudados
confrontados de maneira que é possível ver o comportamento das simulações para o
ENEMBLE desses modelos. No cenário A1B há uma maior variabilidade entre os
modelos até o ano de 2050, apesar da tendência crescente observada. Entre 2051 e 2080
todos os resultados convergem para valores próximos da produtividade. O cenário A2
mostra essa tendência crescente em toda a série de forma mais harmônica. Já nos RCPs
os modelos apresentam a tendência crescente de produtividade de forma acentuada até o
ano de 2050 e de forma mais linear de 2051 – 2080. No ENSEMBLE observa-se que os
RCPs superam os valores previstos pelos cenários A1B e A2 até o ano de 2050 e então
tem os valores médios superados pelos modelos dos cenários A1B e A2.

Figura 56: Produtividade média prevista para a Cana de açúcar em Porto de Pedras, no
cenário A1B no período de 2021 – 2080.

Figura 57: Produtividade média prevista para a Cana de açúcar em Porto de Pedras, no
cenário A2 no período de 2021 – 2080.

Figura 58: Produtividade média prevista para a Cana de açúcar em Porto de Pedras, no
cenário RCP 4.5 no período de 2021 – 2080.

Figura 59: Produtividade média prevista para a Cana de açúcar em Porto de Pedras, no
cenário RCP 8.5 no período de 2021 – 2080.

Figura 60: Produtividade média prevista para a Cana de açúcar em Porto de Pedras, para
o ENSEBLE dos modelos de todos os cenários estudados no período de 2021 – 2080.

5.5.4 – MACEIÓ
Nesta seção serão exibidas as simulações de produtividade média da cana de
açúcar, seguindo o mesmo padrão existente nas três seções anteriores.
As simulações serão exibidas individualmente para uma melhor visibilidade de
todos os modelos simulados e o comportamento da produtividade média, expressa em
kg/ha. Por último, encontra-se uma figura onde estão os quatro cenários estudados
confrontados de maneira que é possível ver o comportamento das simulações para o
ENEMBLE desses modelos. O comportamento das linhas de produtividade estimados
pelos modelos dos cenários A1B e A2 é muito similar ao que foi observado em Recife e
também para os RCPs. No entanto, as estimativas de produtividade dos modelos dos
RCPs são superiores aos dos modelos dos cenários A1B e A2.
Figura 61: Produtividade média prevista para a Cana de açúcar em Maceió, no cenário
A1B no período de 2021 – 2080.

Figura 62: Produtividade média prevista para a Cana de açúcar em Maceió, no cenário
A2 no período de 2021 – 2080.

Figura 63: Produtividade média prevista para a Cana de açúcar em Maceió, no cenário
RCP 4.5 no período de 2021 – 2080.

Figura 64: Produtividade média prevista para a Cana de açúcar em Maceió, no cenário
RCP 8.5 no período de 2021 – 2080.

Figura 65: Produtividade média prevista para a Cana de açúcar em Maceió, para o
ENSEBLE dos modelos de todos os cenários estudados no período de 2021 – 2080.

6. CONCLUSÕES
Diante de todos os resultados obtidos, é possível afirmar que referente a calibração
dos modelos utilizados para a simulação do clima observado a representação do ciclo
médio anual das variáveis foi muito boa, fortalecendo a escolha dos preditores escolhidos
para o downscaling estatístico. As medidas de verificação mostraram que o conjunto de
preditores escolhidos para o downscaling estatístico tem a capacidade de reproduzir de
forma satisfatória as condições observadas.
Em relação aos cenários futuros das variáveis meteorológicas estudadas a
precipitação apresentou unanimidade entre os modelos e cenários para a redução no
acumulado de chuvas do período chuvoso. Alguns modelos preveem o aumento das
chuvas no período seco de setembro a dezembro para as cidades com exceção da cidade
de João Pessoa. Os diferentes modelos e cenários também convergem na previsão do
aumento das temperaturas médias, sob diferentes graus de intensidade. Com relação a
ETP, os resultados são mais variados, com determinados cenários prevendo redução,
aumento ou pouca variação em relação à climatologia observada dos valores futuros desta
variável.
Após bons resultados nas etapas anteriores, em relação aos cenários futuros de
produtividade média da cana de açúcar é possível afirmar que todos os cenários analisados
estimam para o futuro aumento da produtividade da cana de açúcar em relação à média
de produtividade observada pelo IBGE no período de 1996 a 2015. O aumento da
produtividade é similar para todas as cidades, variando de 8 a 15% acima dos valores
médios observados no mesmo período de 1996 a 2015. Existe uma variação entre as
famílias de cenários, alternando-se entre as cidades no que se refere a quais preveem os
maiores incrementos de produtividade para o futuro. O modelo MIROC utilizado na
família dos cenários RCPs apresentou sempre valores bem contraditórios em relação aos
demais modelos. Sem a influência deste modelo, a diferença observada no ENSEMBLE
entre as curvas dos cenários A1B e A2 em relação aos cenários RCPs 4.5 e 8.5 seriam
maiores.
A variação entre a produtividade prevista por cada modelo em determinado
cenário é diretamente proporcional à previsão das variáveis meteorológicas por cada
modelo e cenário. Na contramão do que é esperado em relação a previsão de

produtividade de culturas para o futuro da região Nordeste, estes resultados indicam
previsão de aumento da produtividade da cana de açúcar. Para algumas cidades pode-se
supor que, mesmo com a diminuição prevista da precipitação no período chuvoso, o
aumento da previsão de chuvas entre setembro e dezembro pode equilibrar a relação
natural existente hoje entre períodos secos e chuvosos do ano, o que pode beneficiar a
cultura. Esse fator combinado com a variabilidade prevista da ETP pode ser um segundo
fator positivo para o aumento da produtividade. Estudos desse tipo, por envolverem
incertezas, precisam sempre serem aprimorados e atualizados.

7. REFERÊNCIAS BIBLIOGRÁFICAS
Acompanhamento da safra brasileira de cana de açúcar. V.1- Brasília: Conab, 2013v. Companhia Nacional de Abastecimento
ASSAD, E.D; Pinto,H.S; Junior,J.z; Ávila, A.M.H. Impacto das mudanças climáticas
no zoneamento agroclimático do café no Brasil.
ASSAD, E.D.; MARIN, F.R.; EVANGELISTA, S. R.; OILAU, F. G,. FARIAS, J. R. B.;
PINTO, H. S.; JUNIO, J. Z. Sistema de previsão para a safra de soja para o Brasil.
Pesquisa Agropecuária Brasileira, Brasília-DF, v.42, n.5, p.615-625, 2007.
BARBIERI, V.; VILLA NOVA, N. A. Climatologia e a cana-de-açúcar. Araras:
PLANALSUCAR – Coordenadoria Regional Sul – COSUL. Climatologia, p.1-22, 1977.
BARBOSA, H.A.; LAKSHMI KUMAR, T.V. Influence of rainfall variability on the
vegetation dynamics over Northeastern Brazil. Journal of Arid Environments, v. 124,
p. 377-387, 2016.
BELLOUIN N.; BOUCHER, O.; HAYWOOD, J.; JOHNSON, C.; JONES, A.; RAE, J.;
WOODWARD, S. Improved representation of aerosols for HadGEM2. Meteorological
Office Hadley Centre, Technical Note 73, March 2007.
BETTOLLI, M. L.; CARMEN, M. A. A.; BRASESCO, G. C.; RUDORFF, F.; ORTIZ,
A. M.; ARROYO, J.; ARMOA, Y. J. Pastura natural de salto (Uruguay): Relacion con la
variabilidad climatica y analisis de contextos futuros de cambio climatico. Revista
Brasileira de Meteorologia, Brasília-DF, v. 25, p. 248-259, 2010.
BRANDS, S.; GUTIERREZ, J. M.; HERRERA, S. On the Use of Reanalysis Data for
Downscaling. Journal of Climate, v.25, p. 2517-2526, 2012.
CAMARA, G. M. S.; OLIVEIRA E. A. M. Produção de cana-deaçúcar. Piracicaba:
ESALQ/USP, 1993.
CARRIERO, A.; KAPETANIOS, G.; MARCELINO, M. Forecasting Exchange rates
with a large Bayesian VAR. International Jounal of Forecasting, v.25, p.400,417.
CARTER, M. R.; GREGORICH, E. G. Soil Sampling and Methods of Analysis. 2007.
CLEMENTS, M. P.; GALVÃO, A. B.; Forecasting with vector autoregressive modelo f
data vintages, US output growth and inflation. International Journal of forecasting,
v.29, n4, p.698-714, 2013.
COFIÑO, A. S.; SAN-MARTIN, D.; GUTIÉRREZ, J.M. A web portal for regional
projection of weather forecast using GRID middleware. Santander Meteorology Group,
2007.
COLLINS, W. J.; BELLOUIN, N.; DOUTRIAUX-BOUCHER, M.; GEDNEY, N.;
HINTON, T. C.; JONES, D.; LIDDICOAT, S.; MARTIN, G.; OCONNOR, F.; RAE, J.;
69

SENIOR, C.; TOTTERDELL, I.; WOODWARD, S. Evaluation of the HadGEM2 model.
Meteorological Office Hadley Centre, Technical Note 74, 2008.
COLLINGS, M.; KNUTTI, R.; ARBLASTER, J.; DUFRESNE, J. L.; FICHEFET, T.;
FRIEDLINGSTEIN, O.; GAO, X.; GUTOWSKI, W. J.; JOHNS, T.; KRINNER, G.;
SHONGWE, M.; TEBALDI, C.; WEAVER, A. J.; WEHNER, M. Long-term climate
change: Projections, commitments and irreversibility. In climate Change 2013: The
Physical Science Basis. Contribution of Working Group I to the Fifth Assessment
Reporto of the Intergovernmental Panel on Climate Change, 2013.
Chou, S.C; Souza, C.R; Gomes, J.L; Evangelista,E.F.D; Osósrio, C; Cataldi, M.
Refinamento Estatístico das Previsões Horárias de Temperatura a 2 m do Modelo
ETA em Estações do Nordeste do Brasil. Revista Brasileira de Meteorologia, v22, n.3,
287-296, 2007.
DOURADO NETO, D.; DARIO, G. J. A; JUNIOR, P. A. V.; MANFRON, P.A;
MARTIN, T.N.; BONNECARRÉRE, R. A. G; CRESPO, P. E. N. Aplicação e influência
do fitorregulador no crescimento das plantas de milho. Revista da Faculdade de
Zootecnia, Veterinária e Agronomia, v.11, n.1, p.93-102, 2004.
DOORENBOS, J.; KASSAM, A. H. Yield response to water. Rome: FAO, 1979. 139 p.
(Irrigation and Drainage Paper, 33).
BOLETIM DA SAFRA DA CANA DE AÇÚCAR. CONAB, 2019.
DOORENBOS, J; PRUITT, W.O. Necessidades hídricas das culturas. Tradução de
GHEYI, H.R; METRI, J. E. C; DAMASCENO, F. A. V. Campina Grande: UFPB
(Estudos FAO: Irrigação e Drenagem, 24), 1997.
DOORENBOS, J; KASSAM, A. H. Efeito da água no rendimento das culturas. Tradução
de GHEYI, H.R; SOUZA, A. A; DAMASCENO, J. F. 2. Ed. Campina Grande: UFPB,
2000. (Estudos FAO: Irrigação e Drenagem, 33).
DOORENBOS, J; KASSAM, A. H. Yield response to water. Roma, Irrigation and
Drainage Paper 33, FAO, 179p, 1979.
Embrapa. Impactos de mudanças climáticas/variabilidade nos sistemas de produção
de trigo e estratégias para a adaptação da cultura no sul do Brasil.
FAUCONNIER, R.; BASSEREAU, D. La Carme Sucre, p.468, 1970.
FAGERIA, N.K. Maximizing crop yields. Nacional Rice and Bean Research Center,
Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA),1992.
FAO—Food and Agriculture Organization (FAO). FAOSTAT. http://faostat.org/
(accessed December 21, 2012).

FOWLER, H. J.; WILBY, R. L.; Detecting changes in seasonal precipitation extremes
using regional climate model projections: Implications for managing fluvial flood risk.
Water Resources Research, AGU Journal, 2010.
FLATTO, G.; MAROTZKE, J.; ABIODUN, B.; BRACONNOT, P.; CHOU, S. C.;
COLLINS, W.; COX, P.; DRIOUECH, F.; EMORI, S.; EYRING, V.; FOREST, C.;
GLECKLER, P.; GUILYARDI, E.; JAKOB, C.; KATTSOV, V.; REASON, C.;
RUMMUKAINEN, M. Evaluation of climate models. In Climate Change 2013: The
Physical Science Basis. Contribution of Working Grooup I to the Fifth Assessment
Reporto of the Intergovernmental Panel on Climate Change, 2013.
GIRVETZ, E. H.; ZGANJAR, C.; RABER, G. T.; MAURER, E. P.; KAREIVA, P.;
LAWLER, J. J. Applied Climate-Change Analysis: The Climate Wizard Tool. Plos One,
v.4, n.12, 19p, 2009.
GOUVÊA, J. R. F.;, SENTELHAS, P.C.; GAZZOLA, S. T.; SANTOS, M. C. Climate
changes and technological advances: impacts on sugarcane productivity. Tropical
southern Brazil. Scientia Agrícola 66, 593–605.
GUIMARÃES, S. O; COSTA, A. A; JUNIOR, F. C. V; S; SILVA, E. M; SALES, D. C;
JUNIOR, L. M. A; SOUZA, S. G. Projeções de mudanças climáticas sobre o nordeste
brasileiro dos modelos do CMIP5 e do CORDEX. Revista Brasileira de Meteorologia,
v.31, n.3, 337-365, 2016.
HARGREAVES, G. H.; SAMANI, Z. A. Reference crop evapotranspiration from
temperature. Applied Engineering in Agriculture, v. 1, n. 2, 1985.
HASTENRATH, S. Interannual variability and annual cycle: mechanisms of circulation
and climate in the tropical Atlantic. Monthly Weather Review, v. 112, p. 1097-1107,
1984.
HOOGENBOOM, G. Contribution of agrometeorology to the simulation of crop
production and its applications. Agricultural and Forest Meteorology, v. 103, Issues 12 June 2000, p. 137-157, 2000.
INMAN-BAMBER, N. G. A growth model for sugarcane based
on
a
simple
carbon
balance
and
the
CERES-Maize
water
balance. South African Journal of Plant and Soil, Pretoria, v.
8, n. 2, p. 93-99, 1991.
INMAN-BAMBER,
N.
G.;
MCGLINCHEY,
M.
G.
Crop
coeffiients
and
water-use
estimates
for
sugarcane
based
on
long-term
Bowen
ratio
energy
balance
measurements.
Field
Crops Research, Amsterdam, v. 83, n. 2, p. 125-138, 2003.
JANK, M. S. Etanol e bioeletricidade. A cana-de-açúcar no futuro da matriz
energética. União da Indústria de Cana-de-açúcar (ÚNICA), 2010.

JONES, R. G.; NOGUER, M.; HASSEL, D. C.; HUDSON, D.; WILSON, S. S.;
JENKINS, G. J.; MITCHELL, J. F. B. Generating high resolution climate change
scenarios using PRECIS. Meteorological Office Hadley Centre. Exeter, UK, 40p. 2004.
KALNAY, E., and Coauthors. The NCEP/NCAR 40-Year Reanalysis Project. Bulletin
of the American Meteorological Society, v.77(3), p.437–471, 1996.
KEATING, B.A.; ROBERTSON, M.J.; MUCHOW, R.C.; HUTH, N.I. Modelling
sugarcane production systems. I. Development and performance of the sugarcane
module. Field Crops Research, v.61, p.253-271, 1999.
KERSEBAUM, K.C., HECKER, J. M., MIRSCHEL, W., WEGEHENKEL, M.
Modelling water and nutrient dynamics in soil–crop systems: a comparison of
simulation models applied on common data sets, 2007.
Kousky, V. E. Frontal Influences on Northeast Brazil. Instituto de Pesquisas Espaciais
(INPE), Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPQ),
1979.
KOUSKY, V. E.; GAN, M. A. Upper Tropospheric Cyclonic Vortices in the Tropical
South Atlantic. Tellus, v.33, p. 538-551, 1981.
KOUSKY, V. E.; KAYANO, M. T. Principal modes of outgoing longwave radiation and
250 mb circulation for the South American sector. Journal of Climate, v. 7, p. 1131 1143, 1994.
KORNDÖRFER, G. H.; PEREIRA, H. S.; CAMARGO, M. S. Papel do silício da
produção de cana-de-açúcar. STAB Açúcar e Álcool e Subprodutos, Piracicaba, v. 21,
n. 1, p. 6-9, 2002.
MAGALHÃES,
A.
C.
N.
Ecofiiologia
da
cana-de-açúcar:
aspectos
do
metabolismo
do
carbono
na
planta.
In:
CASTRO,
P. R. C.; FERREIRA, S. O.; TSUIOSHI, Y. Ecofisiologia da
produção agrícola. Piracicaba: POTAFOS, 1987. 249 p.
MARENGO, J.A. Mudanças Climáticas Globais e Regionais: Avaliação do Clima
Atual do Brasil e Projeções de Cenários Climáticos do Futuro. Centro de Previsão de
Tempo e Estudos Climáticos/ Instituto Nacional de Pesquisas Espaciais, 2001.
MARENGO, J. A.; JONES, R.; ALVES, L. M.; VALVERDE, M. C. Future change of
temperature and precipitation extremes in South America as derived from the PRECIS
regional climate modeling system. International Journal of Climatology, v. 29, p. 2241
-2255, 2009.
MARIN, F. R.; SENTELHAS, P. C.; UNGARO, M. R. G. Perda de rendimento potencial
da cultura do girassol por deficiência hídrica, no Estado de São Paulo. Scientia Agrícola,
v.57, n.1, p.1 -6, 2013.

MARSLAND, S. J.; HAAK, H.; JUNGCLAUS, J. H.; LATIF, M.; ROESKE, F. The
Max-Planck-Institute global ocean/sea ice model with orthogonal curvilinear coordinates.
Ocean Modelling, v. 5, p. 91-127, 2003.
MAVI, H. S.; TUPPER, G. J. Principles and Applications of Climate Studies in
Agriculture, 2004.
MITCHELL, T. D.; HULME, M. Predicting regional climate change: living with
uncertainty. Progress in Physical Geography, v.23, n.1, p.57-78, 1999.
MONTEIRO, J. E. B. A. Agrometeorologia dos cultivos- o fator meteorológico na
produção agrícola. 1. Ed. Brasília-DF, INMET-MAPA, 2009.
MONTEIRO, L. A; SENTELHAS, P. C. Potential and Actual Sugarcane Yields in
Southern Brazil as a Function of Climate Conditions and Crop Management. Sugar Tech,
V.16, issue 3, pp 264-276, 2013.
MOURA, A. D.; SHUKLA, J. On the dynamics of droughts in northeast Brazil:
Observations, theory and numerical experiments with a general circulation model.
Journal of the Atmospheric Science, v. 38, p. 2653-2675, 1981.
MOREIRA, L. F. Multicolinearidade em análise de regressão. 12º Encontro Regional
de Matemática Aplicada e Computacional, Foz do Iguaçu. Anais, Unioeste. p.61-75,
2008.
NAKICENOVIC, N.; ALCAMO, J.; DAVIS, G.; DE VRIES, B.; FENHANN, J.;
GAFFIN, S.; GREGORY, K.; GRÜBLER, A.; JUNG, T. Y.; KRAM, T.; LA ROVERE,
E. L.; MICHAELIS, L.; MORI, S.; MORITA, T.; PEPPER, W.; PITCHER, H; PRICE,
L.; RAIHI, K.; ROEHRL, A.; ROGNER, H.H.; SANKIVSKI, A.; SCHLESINGER, M.;
SHUKLA, P.; SMITH, S.; SWART, R.; VAN ROOIJEN, S;; VICTOR, N.; DADI, Z.
IPCC: Special Reporto n Emissions Scenarios, Cambridge University Press,
Cambridge, United Kingdom and New York, USA, 2000.
NOBREGA R. R. A.; FERREIRA, H. F.; FILHO, N., M., G.; FEIJÓ, A.; MENDONÇA,
S. V.;LAGGUTH, A. Non-volant mammals from Baturité Ridge, Ceará state, Northeast
Brazil. Check List the jornal of biodiversity data, v.11, 2015.
OLIVEIRA, A. R.; SANTOS, R. S.; RIBEIRO, A.; ZOLNIER, S.; BARBOSA, M. H. P.
Estimativa da produtividade da cana-de-açúcar para as principais regiões produtoras de
Minas Gerais usando-se o método ZAE. Revista Brasileira de Engenharia Agrícola e
Ambiental (AGRIAMBI), v. 16, n.5, p.549—557, 2012.
PEREIRA, A. R.; ANGELOCCI, L. R.; SENTELHAS, P. C. Agrometeorologia:
fundamentos e aplicações práticas, 478. Guaíba: Agropecuária, 2002.
PERES,
F.
C.
Determinação
dos
coefiientes
de
cultura
(Kc)
da
cana-de-açúcar:
ciclo
de
cana
soca.
1988.
94
f.
Dissertação
(Mestrado
em
Agronomia)
–
Escola
Superior
de
73

Agricultura
Piracicaba.

“Luiz

Queiroz”,

Universidade

São

Paulo,

PINTO, H. S.; ASSAD, E. D. Aquecimento global e cenários futuros da agricultura
brasileira. Embrapa, 2008.
RADDATZ T. J.; REICK, C. H.; KNORR , W.; KATTGE, J.; ROECKNER, E.;
SCHNUR, R.; SCHNITZLER, K.-G.; WETZEL, P.; JUNGCLAUS, J. Will the tropical
land biosphere dominate the climate-carbon cycle feedback during the twenty first
century? Climate Dynamics, v. 29, p. 565-574, 2007.
RAMESH, P. Effect of drought on nutrient utilization, yield and
quality
of
sugarcane
(Saccharum
offiinarum)
varieties.
Indian
Journal of Agronomy, Nova Delhi, v. 45, n. 2, p. 401-406, 2000.
RODRIGUES,
J.
Unesp, 1995. 99 p.

Fisiologia

cana-de-açúcar.

Botucatu:

ROSA, V. G. C.; MOREIRA. M. A.; RUDOFF, B. F. T.; ADAMI. M. Estimativa da
produtividade de café com base em um modelo agrometeorológico espectral. Pesquisa
agropecuária brasileira., Brasília, v.45, n.12, p.1478-1488, 2010.
SALES, D. C; COSTA, A. A; SILVA, E. M; JUNIOR, F. C. V; CAVALCANTE, A. M.
B; MEDEIROS, S. S; MARIN, A. M. P; GUIMARÃES, S. O; JUNIOR, L. M. A;
PEREIRA, J. M. R. Projeções de mudanças na precipitação e temperatura no nordeste
brasileiro utilizando técnica de downscaling dinâmico. Revista Brasileira de
Meteorologia, v. 30, n.4, 2015.
SALVIANO, M. F; GROPPO, J. D.; PELEGRINO, G. Q. Análise de tendências em dados
de precipitação e temperatura no Brasil. Revista Brasileira de Meteorologia, v.31, n.1,
p.64-73, 2016.
SAMANI, Z. Estimating Solar Radiation and Evapotranspiration Using Minimum
Climatological Data. Journal of Irrigation and Drainage Engineering, v. 126, n. 4,
2000.
SANTOS,
M.
A.
L.
Irrigação
suplementar
da
cana-de-açúcar
(Saccharum spp): um modelo de análise de decisão para o
Estado de Alagoas. 2005. 100 f. Tese (Doutorado em Agronomia
–
Irrigação
e
Drenagem)-Escola
Superior
de
Agricultura
“Luiz
de Qeuiroz”, Universidade de São Paulo, Piracicaba.
SANTOS, R. S.; COSTA, L. C.; SEDYIAMA, G.C.; LEAL, B. G.; OLIVEIRA, R. A.;
JUSTINO, F. B. Avaliação da relação seca/produtividade agrícola em cenários de
mudanças climáticas. Revista Brasileira de Meteorologia, v.26, n.2, p.313-321, 2011.

SEGATO, S. V.; PINTO, A. S.; JENDIROBA, E.; NÓBREGA, J. C. M. Atualização em
produção da cana-de-açúcar. 2.ed. Piracicaba, PROL, 2006. 415p.
SILVA, V. B. S.; KOUSKY, V. E.; SILVA, F. D. S.; SALVADOR, M. A.;
ARAVEQUIA, J. A. The 2012 severe drought over Northeast Brazil. Bulletin of the
American Meteorological Society, v. 94, p. 162, 2013.
SCHMIDT, N.; LIPP, E. K.; LUTHER, M. E.; ROSE, J.B. Determing the effects of El
Niño-Southern Oscillation events on coastal water quality. Estuaries, v.24, n.4, p.491497, 2001.
SRES- Esmissions Scenarios: A Special Reporto f IPCC Working Group III. Published
for the Intergovernmental Panel on Climate Change, ISBN: 92-9169-113-5, 2010.
TEQJA, Z.; KOPALI, A. A study of the Impacts of Climate Change Scenarios on the
Plant Hardiness Zones of Albania. Journal of Applied Meteorology and Climatology,
2018.
TEUTSCHBEIN, C.; WETTERHALL, F.; SEIBERT, J. Evaluation of diferente
downscaling techniques for hydrological climate-change impact studies at the catchment
scale, Climate Dynamics, v.37, p.2087-2105.
THORNTHWAITE, C. W., MATHER, J. R. The water balance, 104. Philadelphia:
Publications in Climatology, Drexel Institute of Technology, 1955.
UNICA.
Dados
e
cotações
estatísticas.
http://www.unica.com.br/dadosCotacao/estatistica/
em: 13 abr. 2012.

Disponível
>.

em:
<
Acesso

UPPALA, S., et al. The era-40 re-analysis. Quarterly Journal of The Royal
Meteorlogical Society, v. 131 (612, PartB), p. 2961–3012, 2005.
VANNITSEM, S.; CHOMÉ, F. One-way nested regional climate simulations and domain
size. Journal of Climate, v.18, p.229-233, 2005.
VILLA NOVA, N.A.; PEDRO JUNIOR, M. J.; PEREIRA, A. R.; OMETTO, J. C.
Estimativa de graus-dia acumulados acima de qualquer temperatura base, em função das
temperaturas máxima e mínima. Caderno de Ciência da Terra, n.30, p.8, 1972.
WILBY, R. L; WIGLEY, T. M. L. Downscaling general circulation model output: a
review of methods and limitations. Progress in Physical Geofraphy, v.21, n.4, p.530548, 1997.
WILBY, R.L; WIGLEY, T. M. L. Downscaling general circulation model output: A
reappraisal of methods and limitations. In Climate Prediction and Agriculture.
Proceedings of the START/WMO International Workshop, Washington, DC, pp. 3968, 2000.
75

WILBY, R. L.; HARRIS, I. SDSM – A framework for assessing uncertainties in climate
change impacts: low fllow scenarios for the River Thames, UK. Water Resources
Research, v. 42: W02419.1 –w02419.10, 2006.
WILBY, R. L; DAWSON, C. W. User manual for SDSM 4.2, 2007.
WILBY, R. L.; DAWSON, C. W. The Statistical DownScaling Model (SDSM): Insights
from one decade of application. International Journal of Climatology, v. 33, p. 17071719, 2013.
WMO. Atmospheric RCMs: A multipurpose tool? Report of the joint WGNE/WGCM ad
hoc panel on Regional. Climate Modelling, Geneva, Switzerland, 2002.
ZYDI T.; LEKAJ, E.; SENES, G.; XHOXHI, O.Evaluation of public parks based on
user’s preceptions: A comparative study between Tirana and Milan. Albanian j.
acriculture, 2018.