UNIVERSIDADE FEDERAL DE SÃO CARLOS
CAMPUS LAGOA DO SINO
CENTRO DE CIÊNCIAS DA NATUREZA
ENGENHARIA AGRONÔMICA
Robson Rodrigues Moreira
DESEMPENHO DA CULTURA DA SOJA NA MICROBACIA DO ALTO DO
PARANAPANEMA BASEADO EM MODELAGEM DE CULTURAS
Buri
2022
UNIVERSIDADE FEDERAL DE SÃO CARLOS
CAMPUS LAGOA DO SINO
CENTRO DE CIÊNCIAS DA NATUREZA
ENGENHARIA AGRONÔMICA
Robson Rodrigues Moreira
DESEMPENHO DA CULTURA DA SOJA NA MICROBACIA DO ALTO DO
PARANAPANEMA BASEADO EM MODELAGEM DE CULTURAS
Trabalho de Conclusão de Curso apresentado
como exigência parcial para a obtenção do
grau de Bacharel em Engenharia Agronômica
na Universidade Federal de São Carlos.
Orientação: Prof. Dr. Daniel Silveira Pinto
Nassif
Financiamento: Conselho Nacional de
Desenvolvimento Científico e Tecnológico
Buri
2022
ii
ROBSON RODRIGUES MOREIRA
DESEMPENHO DA CULTURA DA SOJA NA MICROBACIA DO ALTO DO
PARANAPANEMA BASEADO EM MODELAGEM DE CULTURAS
Trabalho de Conclusão de Curso
apresentado como requisito parcial à
obtenção do título de Bacharel em
Engenharia Agronômica pela Universidade
Federal de São Carlos.
Aprovado em: 30/03/2022
BANCA EXAMINADORA
Prof. Dr. Daniel Silveira Pinto Nassif (Orientador)
Universidade Federal de São Carlos
(UFSCar)
Dr. Julián Andres Vargas
Grajales Suzano Papel e
Celulose S.A.
Dr. Rafael Vasconcelos Valadares
Tereos Açúcar e Energia S.A.
DEDICATÓRIA
Dedico este trabalho inteiramente à minha mãe Rosângela Rodrigues Moreira e a minha
avó Emília Taeko Rodrigues (in memoriam) pelo apoio incontentável e o amor
incondicional na trajetória da minha vida.
AGRADECIMENTO
Na improbabilidade da minha existência frente ao caos cósmico, agradeço o universo
pela construção da consciência, abstração e reflexão. Isto significa liberdade de rejeitar os
scripts pré-programados de modo a me condicionar aos desafios inéditos.
Agradecimentos sinceros a minha mãe Rosângela Rodrigues Moreira e ao meu pai
Antônio Cândido Moreira por serem presentes em minha vida e me incentivar o meu
crescimento humano como integrante da sociedade, bem como intelectual. À minha irmã
Geovanna Taeko Rodrigues Moreira pelo amor fraternal incondicional e pela parceria de
vida e acadêmica. À minha namorada Fabiana de Souza Moreira pela paciência e apoio.
À república Álcool-Iris pela carinhosa receptividade desde o primeiro momento e
pela amizade que se estenderá por toda a vida.
Ao Dr. Daniel Silveira Pinto Nassif pela dedicação e orientação neste projeto.
À Universidade de São Carlos campus Lagoa do Sino e a todos os funcionários que
participam para o exercício da função social da universidade.
À agência financiadora Conselho Nacional de Desenvolvimento Científico e
Tecnológico pela Bolsa de Iniciação Científica
Em especial, a sociedade brasileira que de fato é o agente mais importante do país e
que investe os recursos na educação e pesquisa.
EPÍGRAFE
Demore o tempo que for para decidir o que você quer da vida, e depois que decidir não recue
ante nenhum pretexto, porque o mundo tentará te dissuadir.
Friedrich Nietzsche
RESUMO
MOREIRA, Robson. Desempenho da cultura da soja na microbacia do Alto do
Paranapanema baseado em modelagem de culturas: 2021. Trabalho de Conclusão de
Curso – Universidade Federal de São Carlos, campus Lagoa do Sino, Buri, 2022.
A soja (Glycine max L.) é a cultura de maior importância econômica agrícola do Brasil,
visto que na safra de 2018/2019 alcançou aproximadamente 114 milhões de toneladas, sendo
amplamente utilizada na alimentação humana e animal. O clima, solo e manejo são alguns dos
fatores que podem limitar a produtividade. Sendo assim, as tecnologias e os manejos culturais
podem contribuir para ponderar e atenuar estes fatores, tais como o uso de irrigação,
diferentes épocas de semeadura e ferramentas de modelagem agrícola para tomada de decisão.
A microbacia do alto do Paranapanema, é carente de informações de produtividade no setor
agrícola, recorrendo a indicações genéricas do estado de São Paulo. Assim, objetivou-se
avaliar a produtividade da soja em função de 8 diferentes datas de semeadura, 6 lâminas de
água de irrigação e 12 municípios, por meio de modelagem agrícola. Foram utilizados dados
meteorológicos da região, que foram inseridos na plataforma DSSAT v4.7.5 e, por meio do
modelo Cropgro-soybean, analisadas as produtividades e eficiências produtivas para as safras
de 2009 a 2019. Utilizou-se também produtividade real proveniente do Sistema de
Monitoramento Agrometeorológico do Brasil e Instituto Brasileiro de Geografia e Estatística
respectivamente. Os resultados foram submetidos a ANOVA e Tukey, sendo elas mapeadas e
georreferenciadas no mapa da região. A produtividade média atingível foi de 2540 kg ha-1,
sendo o município de Apiaí mais eficiência com 64,7%. A lâmina de irrigação de 100% da
CAD foi mais eficiente, bem como a semeadura entre os meses de setembro a dezembro com
média de 2600 kg ha-1.
Palavras-chave: Dssat, Lâmina de irrigação, Produtividade, Semeadura
ABSTRACT.
The soybean crop (Glycine max L.) is the main agricultural economic crop in Brazil. In
2018/2019 harvest it reached almost 114million of tons. Due to the physicochemical
characteristics of the grains, it is widely used in human food, especially animals. However
environmental variables and crop management are factors that can limit crop yield. Thus,
technologies can help to increase crop yield, such as irrigation, different sowing periods and
crop models tools. The region of interest, the upper Paranapanema micro basin, lacks data on
crop yield in the agricultural sector, using generic indications from the state of São Paulo.
Therefore, this proposal aims to evaluate soybean crop yield according to the different sowing
dates, irrigation management and different sites based on DSSAT Cropgro-soybean crop
model using 12 weather databases from different sites in the micro basin. These will be used
to found potential crop yield for each site from 2009 to 2019 harvests. It was analyzed, in
order to consider 12 different sites, 8 sowing dates and 6 water depths with available water
capacity (CAD) parameter in the soil. The results were submitted to ANOVA and Tukey,
which were mapped and georeferenced on the region map. The average yield achievable was
2540 kg ha-1, with the municipality of Apiaí being the most efficient with 64.7%. The
irrigation depth of 100% of the CAD was more efficient, as well as the sowing between the
months of September and December, with an average of 2600 kg ha-1.
Keywords: Dssat, Irrigation blade, Productivity, Seeding
LISTA DE FIGURAS
Figura 1 - As divisões e as subdivisões dos modelos ............................................................ 19
Figura 2 - Níveis de produtividades e seus respectivos fatores de influências ....................... 20
Figura 3 – Classe de solos na microbacia do Alto do Paranapanema ..................................... 22
Figura 4 - Comportamento de precipitação médio dos municípios estudados ........................ 27
Figura 5 - Modelo de regressão linear na produtividade potencial atingível médio ............... 31
Figura 6 - Distribuição espacial de produtividade média de grãos de soja ............................. 32
Figura 7 - Produtividade de soja em função da CAD e tempo. .............................................. 34
LISTA DE TABELAS
Tabela 1 - Coeficiente genético do grupo de maturação 6 do modelo CROPGRO-Soybean .. 23
Tabela 2 - Datas da simulação de semeadura da soja ............................................................ 24
Tabela 3 - Simulação de irrigação em função da CAD.......................................................... 24
Tabela 4 - Caracterização climática dos municípios estudados. ............................................ 25
Tabela 5 - Dados médios de produtividade de soja por diferentes datas de semeadura .......... 28
Tabela 6 - Dados médios de produtividade de soja de diferentes municípios da região ......... 29
Tabela 7 - Eficiência de produtividade de soja nos municípios da região .............................. 30
Tabela 8 - Dados médios de produtividade de soja em diferentes CAD ................................ 33
SUMÁRIO
1. INTRODUÇÃO ...................................................................................................... 13
2. FUNDAMENTAÇÃO TEÓRICA ........................................................................... 14
3. MATERIAIS E MÉTODOS .................................................................................... 22
4. RESULTADOS E DISCUSSÕES ........................................................................... 25
5. CONSIDERAÇÕES FINAIS .................................................................................. 35
REFERÊNCIAS BIBLIOGRÁFICAS ......................................................................... 36
13
1. INTRODUÇÃO
A cultura da soja é responsável por 35,3 % da receita gerada pelo setor agrícola
brasileiro (IBGE, 2020). A sua relevância econômica se deve pelas inúmeras maneiras do seu
aproveitamento desde alimentação animal até indústrias de processamento alimentício.
Tamanha importância que, o Brasil produziu aproximadamente 114 milhões de toneladas na
safra 2018/2019 com consideráveis reflexos a economia.
A microbacia do Alto do Paranapanema está localizada no sudoeste do Estado de São
Paulo que, abrange 36 municípios, sendo a agricultura a principal atividade. No setor agrícola
destaca na produção agrícola de milho, feijão, cana de açúcar e a produção de soja
corresponde com 16,6% do volume estadual. No entanto, a falta de pesquisas e indicadores de
produtividade da região são alguns dos entraves, visto que os fatores determinantes e
limitantes em função dos dados meteorológicos são desconhecidos (STEINMETZ, 2000).
Tradicionalmente, a cultura da soja é praticada sob sequeiro, porém com os adventos
da instabilidade meteorológica (veranico, variabilidade da chuva, atraso no plantio, etc.)
associado ao acesso à tecnologia de irrigação, esta realidade tem alterado (EMBRAPA, 2016).
Além do aumento da produtividade e qualidade dos produtos, esse sistema reduz perdas por
deficiências hídricas acarretada pelo fenômeno de veranico, que causam perdas consideráveis
em determinadas fases fenológicas. Logo, o sistema de irrigação pode contribuir de forma a
suplementar a necessidade hídrica da cultura, com base nas características agrometeorológicas
da região.
A época de semeadura está diretamente relacionada com as condições de fotoperíodo,
temperatura média, umidade no ciclo de produção, entre outros. Sendo assim, é um manejo
que requer atenção. Além disto, pode alterar algumas características agronômicas
fundamentais, como altura e arquitetura de planta, que pode influenciar na qualidade final dos
grãos de soja (MEOTTI et al., 2012).
Os modelos de simulação de culturas visam contribuir e aperfeiçoar as tomadas de
decisões do sistema de produção. A plataforma DSSAT (do inglês Decision Support System
for Agrotechnology) é uma das principais ferramentas de modelagem, que tem como
finalidade predizer fatores de produtividade, baseado nos aspectos físicos e fisiológicos da
cultura. Portanto, a presente proposta, objetiva avaliar a produtividade da soja em função das
diferentes datas de semeadura, lâminas de irrigação e municípios, por meio de modelagem na
região da microbacia do Alto do Paranapanema.
14
2. FUNDAMENTAÇÃO TEÓRICA
O Brasil é reconhecido internacionalmente como potência agrícola. A localização
geográfica, extensas áreas e a incorporação de tecnologia colocam o país em evidência neste
setor. Segundo o Instituto Brasileiro de Geografia e Estatística (2017) a produção agrícola
nacional ultrapassa 400 itens, sendo destaque na exportação de açúcar, café, concentrado de
laranja, soja, milho, entre outros.
Essa mesma instituição correlacionou a taxa de produção em função do retorno
financeiro e concluiu que a soja, milho e cana de açúcar representam 62,4% da receita total
gerada pelo setor agrícola brasileiro, com destaque para a soja com 35,3 % alcançando um
montante de R$ 112,2 bilhões de reais (IBGE, 2020).
A soja (Glycine Max L.) é uma planta pertencente à família das leguminosas originária
da Ásia. Iniciou-se o processo de domesticação e melhoramento ainda no local de origem
(EMBRAPA, 2004). As navegações comerciais contribuíram para dispersar os resultantes dos
primeiros ensaios de melhoramento para a Europa, que deu continuidade no processo. O
primeiro registro da soja no Brasil foi em 1882, na Bahia. No entanto, a expansão da soja pelo
país teve início a partir da década de 1970, sendo hoje segundo maior produtor mundial
(EMBRAPA, 2004). É uma dicotiledônia, na qual requer condições climáticas ideais para o
seu pleno desenvolvimento, entre elas: precipitação, temperatura e fotoperíodo favoráveis
(GIANLUPPI et al., 2009).
Aproximadamente 90% do peso da planta é composto por água, sendo de grande
relevância em dois períodos do desenvolvimento da soja: A fase de germinação/emergência e
floração/enchimento de grãos (FARIAS et al., 2007). Neste primeiro período, a soja é sensível
quanto ao volume de água ofertada, isto é, requer no mínimo 50% de seu peso em água para
garantir o pleno processo de germinação, bem como a capacidade de campo disponível
(CAD) não deve extrapolar a faixa de 50 a 85 % (FARIA et al., 2007). No segundo período, é
considerado o ápice da necessidade hídrica com aproximadamente 7 a 8 mm/dia, sendo entre
450 a 800 mm por ciclo. O não atendimento destas exigências acarreta alterações fisiológicas,
fechamento estomático, dobramento foliar, entre outros, de modo a refletir no rendimento de
grãos (EMBRAPA, 2011).
A faixa de temperatura ótima para a cultura da soja encontra-se entre 20 a 30ºC e a
temperatura do solo ideal de aproximadamente 25ºC, que garante germinação rápida e
uniforme. (GIANLUPPI et al., 2009). Temperaturas de solo inferior a 20ºC pode
comprometer a taxa de germinação e consequentemente a produtividade. Segundo Farias et al.
(2007) regiões com temperaturas médias inferiores a 10ºC e superior a 40ºC são considerados
15
locais impróprio para a cultura, de modo a comprometer o crescimento, desenvolvimento,
tombamento fisiológico e danos à floração.
A soja é uma cultura altamente sensível ao fotoperíodo, considerada planta de dias
curtos, sendo um fator de restrição da cultura no Brasil. Isto porque, a latitude do país
proporciona dias longos, atrasando assim o florescimento. É importante salientar que o
fotoperíodo é um parâmetro quantitativo, ou seja, a floração ocorre, porém o momento de
indução é dependente da taxa de dias curtos (RODRIGUES et al., 2001). Posto isto, pesquisas
brasileiras desenvolveram cultivares denominadas de período juvenil longo, na qual mostrou-
se menos sensível ao fotoperíodo, tendo como resultante florescimento mais cedo (FARIAS et
al., 2007).
Segundo a Associação dos Produtores de Soja e Milho de Mato Grosso (APROSOJA-
MT, 2015), a soja brasileira participa de variados bens de consumo, por exemplo, setores
industriais como cosméticos, farmacêutica, tintas e plásticos que representam apenas 7 % da
demanda e 49 % são destinados para alimentação humana e animal através dos
processamentos de óleos e farelos. Por fim, 44 % são exportados in natura, sendo a China a
maior importadora deste produto.
No entanto, o volume exportado in natura chama atenção em relação aos produtos
processados de soja, como já referido anteriormente. Esta conduta política comercial acarreta
variados efeitos negativos ao Brasil, pois fragiliza o rendimento do produto e diminui a
absorção de mão de obra qualificada salienta o Banco Nacional do Desenvolvimento
Econômico e Social (2017). Além de que, o crescimento do setor agroindustrial está
fortemente correlacionado com aumento da produtividade agrícola, consequentemente, a taxa
de crescimento do PIB (KALDOR, 1996). Logo, em virtude deste entrave, o país desvaloriza
a possiblidade de agregar valor e desfrutar dos benefícios da industrialização da soja.
Um outro obstáculo a considerar é a deficiência logística, bem como profissionais
qualificados neste ramo. A subutilização das hidrovias, das malhas ferroviárias e rodovias são
visíveis, porém as melhorias são exequíveis de modo a impactar profundamente tanto na
qualidade do produto como no custo de produção (RODRIGUES et al., 2014).
Outro fator relevante para sojicultura brasileira é o aumento da temperatura média do
planeta, que pode refletir negativamente na produção brasileira (EMBRAPA, 2008). É
importante ressaltar a responsabilidade do agronegócio juntamente com variados setores
encarregados na tentativa de mitigar tal efeito. Pois, simulações têm-se mostrado pessimistas
nas projeções produtivas, com perdas de até 40% em 2070 (PILAU, 2018). Logo, é
imprescindível esforços provenientes de toda a sociedade, sobretudo dos setores políticos no
16
incentivo a pesquisas científicas, sendo ela, responsável por 60% da produtividade
agropecuária do país de acordo com o Ministério da Agricultura, Pecuária e Abastecimento
(MAPA, 2018).
A microbacia do Alto Paranapanema situado a sudoeste do Estado de São Paulo,
abrange 36 municípios, sendo a agricultura a principal atividade econômica da região, com
destaque a cultura de soja, milho, feijão, batata e cana de açúcar conforme salientar o comitê
da Bacia Hidrográfica do Alto Paranapanema (CBH-ALPA, 2015). A produção de soja nesta
região representa 16,6% do volume estadual, sendo o município de Itapeva maior produtor do
estado.
Neste território, a concentração de tecnologia de irrigação do tipo pivô central é bastante
difundida. Segundo a Agência Nacional de Águas (2019) 1668 pivôs centrais estão
registrados na UGRHI 14. Isto porque a ocorrência de veranicos tanto na fase de germinação-
emergência e floração-enchimento de grãos pode causar até perda total da lavoura.
(CRUSCIOL et al., 2003).
O propósito da irrigação almeja alta produtividade, maior qualidade aos produtos e
redução das perdas por deficiência hídrica (COUTO, 2003). As áreas irrigadas da cultura de
arroz (CRUSCIOL et al., 2003), soja (HERZOG et al., 2004), cana de açúcar (GAVA et al.,
2011), entre outras, mostraram aumento na produção de até 37% em comparação com as áreas
de cutivo em sequeiro. Em consonância, Couto et al. (2003) cita aumento de produtividade
média da agricultura irrigada mundial de 2,4 vezes superior em relação a agricultura sequeira.
Nessa região, o cultivo da soja é praticado sob sequeiro. Porém, diante a acessibilidade
tecnológica e advento de alguns fatores tangíveis e intangíveis pertinentes a cultura (veranico,
variabilidade da chuva, atraso no plantio, entre outros), esta realidade tem-se alterado
(EMBRAPA, 2016). De acordo com a classificação climática Köppen Brasil de Alvares et al.
(2013), a região é caracterizada como clima subtropical Cfa. Ou seja, em virtude disto, o
sistema de produção de soja atrelado a irrigação tem-se foco suplementar, que significa que o
maior volume de água consumida pela cultura é proveniente da chuva.
Segundo Cupolillo (2008) veranico é caracterizado como um período de ausência de
precipitação durante a estação chuvosa, característico de áreas subúmidas e úmidas. Ou seja,
sequências de dias secos que constitui consideráveis risco e impactos negativos devido a
imprevisibilidade deste fenômeno. Hernandez et al. (2003) cita as quedas de produção
agrícola em virtude do veranico, que variam conforme a intensidade e duração do estresse
hídrico, com também o estágio fenológico da cultura. Por exemplo, Espinoza et al. (1980)
observou queda produtiva de até 60 % na cultura do milho em estágio de floração. Este
17
mesmo autor, encontrou rendimento de até 55% superior na cultura da soja irrigada em
comparação aos cultivos conduzidos no sequeiro.
A época de semeadura também é uma variável que requer atenção (PEIXOTO et al.,
2000). Martins et al. (1999) lembra que, de forma isolada, o manejo cultural em questão, é o
que mais causa impacto na produção. Barros et al. (2003) define como conjunturas de fatores
ambientais que acarreta efeitos na planta. Ou seja, a época de semeadura está atrelada
diretamente com as condições de fotoperíodo, temperatura média, umidade no ciclo de
produção, associado as características genotípicas para determinadas circunstâncias (BARNI e
BERGAMASCHI, 1981). Portanto, altas produtividades é possível, ao culminar condições
favoráveis em todos os estágios de desenvolvimento da planta. A época de semeadura
também é passível de alterar algumas características agronômicas fundamentais, como altura
de planta, altura de inserção da primeira vagem, número de ramificações, diâmetro de caule,
acamamento, e arquitetura de planta (EMBRAPA, 1996).
Motta et al. (2002) salienta que para obtenção de grãos de soja com melhor qualidade, a
semeadura deve ser realizada no período de 03 a 20 de novembro nas condições brasileiras.
Nakagawa et al. (1983) amplia para outubro a dezembro para o estado de São Paulo, porém
com destaque para novembro. Já Pereira et al. (1979) no Paraná, Paolinelli et al. (1984) em
Minas Gerais e Tragnago e Bonetti (1984) no Rio grande do Sul concluíram, de modo geral,
que os grãos de melhores qualidades são semeados a partir do início de dezembro. Cruz et al.
(2010) observou que no Recôncavo da Bahia os melhores rendimentos de grãos foram obtidos
em período de semeadura anterior a 14 de dezembro, pois em datas posteriores, houve
redução na fase fenológica em virtude do atraso da semeadura, que também, foi observado
por Fietz e Rangel (2008) na região de Dourados – MS.
Outro fator a considerar é a variabilidade da chuva, no qual Conti (2005) explica como
um produto proveniente da interação espaço – tempo e fatores edafoclimático, sendo que sua
ação é observada em prazos aleatórios. Carmello (2013) analisou este fator em função a
produtividade da soja na bacia do rio Paranapanema e observou consideráveis interferências
na produtividade da soja em consequência das distribuições das chuvas. Em consonância,
Silva (2013) enfatizou que a distribuição da precipitação influenciou a produtividade da soja,
sobretudo durante a fase de emergência, reprodutiva e enchimento de grãos.
Além disto, com o advento de cultivares mais precoces, as semeaduras antecipadas
obtiveram mais atenção, pois assim, minimiza a pressão proveniente de pragas e doenças da
soja, como também as condições climáticas são mais favoráveis pela baixa incidência de
geadas para o milho de segunda safra que é realizado em sequência. Por outro lado, a
18
semeadura antecipada deflagra risco em virtude da baixa disponibilidade de água no solo
neste período (FIETZ et al., 2013). Portanto, o sistema de irrigação proporciona melhores
condições para ampliar a produtividade da soja e a cultura em sucessão, com possibilidade de
terceira safra no mesmo ano agrícola, bem como mitigar os impactos do veranico e
variabilidade de chuvas (EMBRAPA, 2015).
Para que seja possível usufruir dos recursos hídricos disponíveis através de rios, lagos
ou subterrâneas faz-se necessário solicitar licença ao poder público. Desta forma, garante boa
administração e promove à compatibilização harmônica entre os anseios da sociedade, lembra
o Departamento de Água e Energia Elétrica (DAEE, 2018).
Vinculado a isto, a agricultura irrigada precisa ser eficiente no uso da água por meio da
estruturação de irrigação, manejo adequado, gestão do uso de água, bem como associar
técnicas que permitem aumento da eficiência (COELHO et al., 2005). Infelizmente, existem
variados projetos de irrigação que não levam em consideração as necessidades das culturas,
em razão disto, podem tanto exceder as necessidades, como não serem suficientes, resultando
em uma baixa eficiência (THEISEN et al., 2009), que causa desequilíbrio no custo-benefício
da produção (CARLESSO et al., 2000).
O manejo de irrigação consiste na aplicação de água no momento correto e na
quantidade exigida pela cultura, ou seja, avaliar o sistema planta-solo-atmosfera para obter
panorama da situação (SOARES, 2010). Sendo assim, para ampliar a eficiência da irrigação, o
produtor precisa-se basear em turno de rega, através da evapotranspiração da cultura (ETc) e
da lâmina real necessária (ARAÚJO et al., 2006).
Também, alguns sensores podem contribuir na formação de parâmetros acurados para
irrigação, por exemplo, sonda de nêutrons, sonda de capacitância, refletômetros de TDR,
tensiômetros, equipamentos agrometeorológicos; e sistemas de planejamentos com auxílio de
aplicativos computacionais, como também, sistema de modelagem de produção agrícola
(MOREIRA et al., 2007).
Inevitavelmente, o setor primário é dependente dos recursos naturais e dos processos
biológicos, sendo que tais características representam riscos aos investidores e produtores. Em
virtude disto, a modelagem pode atenuar esse entrave, através do auxílio na tomada de
decisão, eficiência no uso hídrico, previsão de produtividade e informações referente a limites
de produções de diversas regiões (LISSON et al., 2005). Outras utilidades como compreender
o comportamento da cultura em um determinado ambiente (ITTERSUM et al., 2003) e
comprovação de teorias (BOOTE et al., 1996), também podem ser observados.
19
Modelos
Matemáticos
Simulação
Estocástico
Determinístico
Estocástico
Mecanístico
Empírico
Figura 1 - As divisões e as subdivisões dos modelos
Os modelos atuais geralmente estão atrelados ao balanço do carbono e hídrico, sendo
eles associados a absorção dos nutrientes, presença de pragas, doenças e plantas daninhas
(PENNING DE VRIES, 1982). Logo, um modelo tem avidez em caracterizar um sistema real
por meio de um conjunto de equações para estimar crescimento, desenvolvimento,
produtividade, interação entre variáveis ambientais e coeficiente genético e por fim,
representa-las em componentes de produção (MONTEITH, 1996).
Os modelos podem ser divididos em duas vertentes, sendo elas, matemáticos e
simulações (Figura 1). A primeira vertente do modelo objetiva-se descrever por meio de
expressões matemáticas um determinado fenômeno, subdividido em empírico, mecanístico e
estocástico (PAUTIAN et al., 1992), enquanto que a segunda vertente busca interpretar estes
fenômenos em função do tempo, ou seja, a longo prazo que também são subdivididos em
determinístico e estocástico.
Fonte: adaptado de Corrêa et al. (2011)
Segundo Corrêa et al. (2011), os modelos empíricos observam os dados proveniente das
análises de regressões, sem o interesse em investigar e compreender as causas pormenores.
Este mesmo autor cita que os modelos mecanísticos busca descrever as causas do processo
por meio de princípios físicos, químicos e biológicos. Os modelos estocásticos introduzem no
sistema a aleatoriedade, ou seja, os resultados são permeados pela probabilidade (LAW e
KELTON, 1991). Por fim, os modelos determinísticos preocupam-se em convergir variados
eventos em um único fator de comportamento previsível pela ausência da natureza randômica.
20
As vantagens proporcionadas pela modelagem são os baixos custos, velocidade de
processamento, qualidade das informações, criação de cenários inéditos, ideais e
personalizados. Porém, além de vantagens, apresentam algumas limitações, por exemplo,
conhecimento altamente especializado, processo de validação dos modelos são onerosos,
fidedignidade e custos dos dados em campos e presença de equipes multidisciplinares em
virtude da complexidade da agricultura (PESSOA et al., 1997).
Estimar e compreender a produtividade é o ponto chave da modelagem. Sendo assim, a
produtividade da cultura é dividida em: produtividade potencial (PP), produtividade atingível
(PA) e produtividade real (PR) (Figura 2) (SENTELHAS et al., 2015).
A produtividade potencial (PP) é a máxima produtividade da cultura determinada pelos
fatores determinantes (material genético, população de plantas, radiação solar, fotoperíodo e
temperatura) sem a presença de fatores limitantes (limitação hídrica e nutricionais) e fatores
redutores (pragas, doenças e plantas daninhas). Já a produtividade atingível é influenciada
pelos fatores determinantes e fatores limitantes, ou seja, reflete os déficits hídricos e
nutricionais. Por fim, a produtividade real é a interação dos três fatores supracitados,
determinantes, limitantes e redutores. Sendo assim, a lacuna de produtividade (do inglês Yield
Gap) explorável é o máximo de incremento de produtividade real que um produtor pode
alcançar por meio de tecnologias e manejos acurados.
Figura 2 - Níveis de produtividades e seus respectivos fatores de influências
Fonte: adaptado de Sentelhas et al. (2015) e Marin et al. (2018)
Isto posto, o Sistema de Apoio à Decisão para Transferência de Agrotecnologia,
(DSSAT do inglês Decision Support System for Agrotechnology Transfer) é um
conglomerado de modelos agrícolas em uma plataforma computacional amplamente utilizado
21
no mundo (MARIN, 2014) que simula crescimento, desenvolvimento e produtividade de mais
42 culturas em função da dinâmica solo-planta-atmosfera (HOOGENBOOM et al., 2015). A
maioria dos modelos são mecanicistas e determinísticos que simula o tempo dos estágios
vegetativos, acúmulo de biomassa e produção de grãos (DEJONGE et al., 2012) em função
características específicas da cultura (duração dos estágios fenológicos, estruturas, tamanho e
formato de folhas, etc.), condições do solo, do clima e do manejo (cultivar, espaçamento,
densidade, data da semeadura, fertilização e irrigação) (JONES et al., 2003).
O modelo de simulação mecanístico Cropgro-soybean (BOOTE et al.,1997) incluído na
plataforma do DSSAT, tem como finalidade predizer fatores de produtividade da soja, tendo
como base os aspectos físicos e fisiológicos da cultura, sendo elas: fotossíntese, respiração,
taxa de biomassa, fenologia, crescimento vegetativo, evapotranspiração, etc (DALLACORT
et al., 2006). Este modelo também, é sensível as variações meteorológicas, bem como permite
a inserção de outros modelos que simula efeito de pragas, doenças, técnicas de preparo e
correção do solo, entre outros, com intuito de aumentar sua eficiência (HOOGENBOOM et
al., 2015). Batisti (2016) observaram tal eficiência para o crescimento, desenvolvimento e
rendimento de soja irrigada mediante as calibrações necessárias.
22
3. MATERIAIS E MÉTODOS
O presente estudo foi conduzido na região da microbacia do Alto do Paranapanema,
composto por 38 municípios, localizado no Sudoeste Paulista. Foram utilizados dados
meteorológicos de 14 municípios, sendo eles: Apiaí, Avaré, Capão bonito, Ipaussu, Iporanga,
Itaberá, Itapeva, Itararé, Itapetininga, Paranapanema, Riversul, Sarutaiá, Taquarituba,
Manduri. O clima, segundo a classificação climática Köppen Brasil de Alvares et al. (2013) é
de Cfa clima subtropical úmido com precipitação superior a 30 mm no mês mais seco. O solo
predominante é Latossolo vermelho com textura argilosa como pode ser observada na Figura
3 (EMBRAPA, 2013).
Figura 3 – Classe de solos na microbacia do Alto do Paranapanema
Fonte: adaptado do IAC/SP & Embrapa (2000)
As simulações de produtividades foram realizadas por meio do modelo Cropgro-
soybean, que faz parte do sistema DSSAT v4.7.5., de modo a analisar as safras de 2009 a
2019. Os coeficientes de desenvolvimento da cultura utilizadas como parâmetro foram: índice
de área foliar, evapotranspiração, transpiração, estágio fenológico e produtividade de grãos.
Foram também realizadas ajustes de calibração de granulometria, atributos do solo na camada
superficial e subsuperficial com parâmetros propostos pela EMBRAPA (2003) do Sudoeste
Paulista, estimativa da capacidade de campo e ponto de murcha permanente em solo por meio
das funções de pedotransferência proposta por SILVA (2018) e densidade de solo
(MARCOLIN E KLEIN, 2011). Por fim, a calibração referente ao material genético,
denominado de Grupo de maturação 6 do modelo CROPGRO-Soybean dos coeficientes
mostrados na Tabela 1.
23
Tabela 1 - Coeficiente genético do grupo de maturação 6 do modelo CROPGRO-Soybean
Fonte: FERREIRA (2018)
*CSDL-Comprimento crítico do dia, PPSEN-Inclinação da resposta relativa do desenvolvimento para com o fotoperíodo (1/h); EM-FL-
Período entre a emergência da planta e o aparecimento da primeira flor (dias fototermais); FL-SH-Período aparecimento da primeira flor; FL-
SD-Período entre o aparecimento da primeira flor e o início da formação de grãos (grau-dias); SD-PM - Período entre o início da formação
de grãos e a maturidade fisiológica (grau-dias); FL-LF - Período entre o aparecimento da primeira flor e o final da expansão foliar (grau-
dias); SFDUR - Duração do período de enchimento de grãos nas vagens em condições normais de desenvolvimento (grau-dias); PODUR -
Tempo necessário para a cultivar atingir condições ideais de legumes (grau-dias); LFMAX - Taxa máxima de fotossíntese da folha em taxa
ótima de temperatura (30 °C, 350 ppm CO2, alta luz) (mg CO2 m-2 s-1); SLAVAR - Área foliar específica sob condições de crescimento
padrão (cm²); SIZLF - Tamanho máximo da folha completamente expandida (cm²); XFRT - Máxima fração do crescimento diário
particionada para legume e grão; WTPSD - Peso máximo por grão (g); SDPDV - Número médio de grãos por vagem sob condições de
crescimento padrão (unidade vagem-1).
As simulações foram conduzidas de forma a atender as especificidades da região através
das variáveis meteorológicas diárias, obtidas através do Sistema de Monitoramento
Agrometeorológica do Brasil – Agritempo (2021), como temperatura máxima e mínima do ar
(ºC) e precipitação pluviométrica diária (mm). Em dados faltantes, foram realizados a
interpolação em função do dia anterior e seguintes para a estimativa. Já a radiação solar global
foi estimada com o método Hargreaves e Samani (1985) conforme a equação (1).
𝑄𝑔 = 𝑘 √(𝑇 max − 𝑇 𝑚𝑖𝑛) 𝑄𝑜 (1)
Onde:
Qg - radiação solar estimada (MJ . m-2 d-1)
Qo - radiação solar extraterrestre (MJ . m-2 d-1)
T - temperatura (°C)
K - Adotado 0,16 °C-0,5 para localidade distante do oceano e 0,19°C-0,5 para litorâneas,
número adimensional.
O cálculo da Qo foi realizado conforme as características locais, segundo a metodologia
da FAO-56 (Allen et al. 1998) com a equação (2).
𝑄𝑜 = 37,6 𝐽0 [(
𝜋
180
) ℎ𝑛 ∗ 𝑠𝑒𝑛∅ ∗ 𝑠𝑒𝑛𝛿 + 𝑐𝑜𝑠∅ ∗ 𝑠𝑒𝑛𝛿 ∗ ℎ𝑛] (2)
Onde:
Qo - radiação solar extraterrestre (MJ/m-2 d-1)
J0 - constante solar (MJ/m-2 d-1)
δ - declinação solar
∅ - latitude
hn - Ângulo horário do nascer do sol (Graus).
CSDL PPSSEN EM-FL FL-SH FL-SD SD-PM FL-LF
12,58 0,311 20,2 9,0 16,0 35,60 18,00
SFDUR PODUR LFMAX SLAVAR SIZLF XFRT WTPSD SDPDV
23,00 10,0 1,030 375,0 180,0 1,00 0,18 2,05
Coeficiente
24
A quantificação real produtiva observada entre 2009 e 2019 nos respectivos municípios
investigados foram auferidos do Instituto Brasileiro de Geografia e Estatística (IBGE) no
Sistema de Recuperação Automática (www.sidra.ibge.gov.br), que contribuíram para parear a
eficiência de produtividades dos municípios e consequentemente quebra de rendimento
(MARIN et al., 2000).
Além dos diferentes municípios que compuseram a simulação, considerou-se também
diferentes datas de semeaduras e lâminas d’água. Em consonância com a lei 4.218 de 11 de
julho de 2012 que estabelece diretrizes do vazio sanitário para o estado de São Paulo, a
semeadura foi realizada em 8 datas distintas apresentadas na Tabela 2.
Tabela 2 - Datas da simulação de semeadura da soja
Fonte: Elaborado pelo autor (2021)
Em relação as lâminas d’água, utiliza-se como parâmetro a capacidade de água
disponível (CAD) do solo com base na profundidade efetiva 0,54 m mostrada na Tabela 3. A
CAD 100% é o referencial para a estimativa da produtividade potencial do trabalho.
Tabela 3 - Simulação de irrigação em função da CAD
Tratamentos em função da capacidade de água disponível no solo
x T1 T2 T3 T4 T5 T6
CAD 50% 60% 70% 80% 90% 100%
Fonte: Elaborado pelo autor (2021)
Os dados referentes a produtividade de grãos foram submetidos à ANOVA com
probabilidade de erro de 5%. Em caso de significância para os tratamentos, as médias foram
comparadas pelo teste de Tukey, e para eficiência da microbacia do Alto do Paranapanema os
resultados foram submetidos à análise de regressão. O programa estatístico utilizado foi o R
Core Team (2019). Por fim, por meio de softwares de georreferenciamento Source
Geographic Information System (SAGA GIS 2.3.2) foi desenvolvido o mapa de produtividade
Setembro
Outubro
Novembro
Dezembro
Mês
27°
10°
24°
8°
22°
15°
29°
13°
Dia de semeadura
25
da região através do método geoestatístico de krigagem (EMBRAPA, 2015) a fim de
extrapolar a produtividade aos demais municípios da microbacia do Alto do Paranapanema.
4. RESULTADOS E DISCUSSÕES
A região da microbacia do Alto do Paranapanema tem variação sazonal tanto em regime
térmico, quanto precipitação. A precipitação média mensal da região é de 119,8 mm, sendo a
média mínima no mês de agosto (48.4 mm) e máxima em janeiro (224.3 mm). Já a
temperatura média é de 20,3 oC, enquanto que o mês de julho apresenta a temperatura média
mínima (8,3 oC) e o mês de fevereiro a máxima (31,3 oC). A Tabela 4 apresenta as médias de
precipitação e temperatura do período por municípios.
Tabela 4 - Caracterização climática dos municípios estudados.
Temp.
med (°C)
Temp. min
(°C)
Temp. max
(°C)
Med.
Precip.
anual
(mm)
Precip.
Med.
Mensal
Precip.
med. Min
(mm)
Precip.
med. max
(mm)
Apiaí 18,7 7,4 30 1531,4 127,6 70,7 195,6
Avaré 21,4 10,7 31,1 1486,3 123,8 37,9 268,9
Capão Bonito 19,4 8,2 29,9 1261,5 105,1 37.0 215
Ipaussu 22,5 10,4 33 1372,5 127,6 36,6 233,8
Iporanga 21,9 10,5 34,1 1497,9 124,8 65,5 190,7
Itaberá 20,7 8,6 31,5 1354,7 112,9 46,6 200,4
Itapetininga 20,2 6,3 31,5 1357,5 113,1 34,7 219,5
Itapeva 20,7 9,3 31,3 1426,4 118,8 45,5 205,9
Itararé 16,8 6 27,3 1672,6 139,4 66,7 280,3
Manduri 20,9 7 32,1 1421,5 118,4 44,2 241,8
Paranapanema 20 8,4 30,4 1367 113,9 43,1 194,7
Riversul 21 8,7 31,9 1422,7 118,5 58,5 245,1
Sarutaiá 20,1 9,1 29,6 1456,1 121,3 46,4 243,1
Taquarituba 20,7 7,7 31,7 1346 112,1 44,7 205,8
Média 20,4 8,5 31,1 1426,7 119,8 49,3 224,3
O período de análise corresponde a 10 anos (2009 a 2019) e a unidade de precipitação é apresentada em mm, enquanto de temperatura em oC.
Temp.med: Temperatura média do período; Temp.min: Temperatura média mínima do período; Temp.max: Temperatura média máxima do
período; Precip.total: Soma da precipitação anual média do período; Precip.med: Precipitação média mensal do período; Precip.min:
Precipitação média mínima do período; Precip.max: Precipitação média máxima do período.
Apiaí tem o segundo maior volume total médio de precipitação da região (1531,3 mm),
segunda precipitação média mensal (127,65 mm) e no mês de agosto é o município com
maior volume de chuva (70,7 mm). Avaré tem o segundo maior volume máximo de chuva
(268 mm) no mês de janeiro, segunda maior temperatura média (21,4 oC) e também a maior
temperatura mínima (10,7 oC).
26
Capão Bonito apresenta o menor volume total de chuva da região (1261,5 mm),
consequentemente a menor média anual (105,1 mm) e a segunda menor temperatura média
(19,4 oC). O município de Ipaussu tem a terceira maior precipitação média anual (127,61 mm)
e também a maior temperatura média (22,5 oC). Já Iporanga, maior temperatura média
máxima (34,1 oC), enquanto que Itapetininga a menor precipitação mínima da região (34,7
mm).
Em destaque para o município de Itararé, que contém a menor temperatura média (16,8
oC), menor temperatura média mínima (6 oC), maior precipitação média anual (139,4 mm),
maior precipitação média máxima (280,3 mm) e maior volume total médio da região (1672,6
mm)
Na Figura 4 apresenta a distribuição média de chuva em função do tempo. É possível
perceber que os maiores volumes de chuvas estão concentrados entre outubro a março,
enquanto que abril a setembro os menores volumes. Os municípios Apiaí, Iporanga, Itapeva e
Itararé apresentaram um pico de precipitação em junho em relação aos meses adjacentes,
enquanto que os municípios Capão Bonito, Itapetininga, Paranapanema apresentaram um
volume médio inferior neste mesmo mês, porém melhor homogeneidade de distribuição no
período de seca.
Já Avaré apresenta queda acentuada a partir de janeiro até agosto, com retomada
apenas em setembro. Em Ipaussu segue o mesmo comportamento, porém além da suavidade
da queda, a retomada é mais precoce.
Como já mencionado, o mês de janeiro apresenta maior volume de chuva em todos os
municípios do estudo, no entanto apenas os municípios de Apiaí e Iporanga mantém
relativamente constante esse volume para o mês de fevereiro e março, enquanto que os demais
municípios apresentaram considerável queda.
27
Figura 4 - Comportamento de precipitação médio dos municípios estudados
Média de precipitação (mm) do período de 2009 a 2019 dos municípios: (a) Apiaí, (b) Avaré, (c) Capão Bonito, (d) Ipaussu, (e) Iporanga, (f)
Itaberá, (g) Itapetininga, (h) Itapeva, (i) Itararé, (j) Manduri (k) Paranapanema, (l) Riversul, (m) Sarutaia (n) Taquarituba
A partir da análise de variância (ANOVA), foi constatado que as médias de
produtividade de soja são estatisticamente diferentes (p-valor <0,05) em função das datas de
(a) (b)
(c) (d)
(e) (f)
(g) (h)
(i)
(k)
(m)
(j)
(l)
(n)
28
semeadura (Tabela 5). As datas entre 15 de setembro a 24 de novembro apresentaram as
maiores médias com variação de 2775 a 2473 kg ha-1 e sem diferença estatisticamente
significante entre elas, enquanto que o mês de dezembro as piores de 2199 a 1941 kg ha-1.
Tabela 5 - Dados médios de produtividade de soja por diferentes datas de semeadura
Data de semeadura
Produtividade
de soja (kg ha-1)
29/9 2775 a
13/10 2771 a
27/10 2745 a
15/9 2727 a
10/11 2612 a
24/11 2473 a b
8/12 2199 b c
22/12 1941 c
*Médias seguidas por mesma letra na coluna são diferentes pelo teste de Tukey em nível de 5% de
probabilidade. Coeficiente de variação (CV): 31.2%
Fonte: Elaborado pelo autor (2021)
Os estudos de Motta et al. (2002) mostraram melhores rendimentos de grãos de soja na
semeadura realizada no mês de novembro na região de Maringá. Já Nakagawa et al. (1983)
amplia o período para o mês de outubro a dezembro para o estado de São Paulo. O presente
estudo, converge com os estudos supracitados, exceto em relação a semeadura no mês de
dezembro. Porém, para a região sul do país, em geral os grãos apresentam maior rendimento
semeados a partir do início de dezembro (BORNHOFEN et al., 2015). É importante lembrar
que o melhor período de semeadura está diretamente atrelado com a temperatura do ar,
fotoperíodo e umidade do solo, que são influenciados pela latitude e altitude da região.
Além das características edafoclimáticas, é recomendado atentar-se a cultivar utilizada e
sua interação ambiental (BORNHOFEN et al., 2015), sobretudo em anos com ocorrência de
veranico durante o crescimento vegetal (EMBRAPA, 2012). Logo, as características
genotípicas também é um fator determinante na seleção da melhor época de semeadura.
Segundo a Tabela 6, os municípios com maiores potenciais sojicultura na região do Alto
do Paranapanema foram Apiaí com a maior produtividade média da região de 3040 kg ha-1,
seguido pelos municípios de Itararé 2934 kg ha-1, Sarutaiá 2755 kg ha-1, Paranapanema 2719
kg ha-1 e Capão Bonito 2637 kg ha-1 sem diferença estatisticamente significante entre eles. Em
contra partida, Ipaussu obteve a menor produtividade média 2044 kg ha-1 seguido pelos
municípios de Itapetininga, Riversul, Itaberá, Manduri e Taquarituba.
29
Tabela 6 - Dados médios de produtividade de soja de diferentes municípios da região
Municípios
Produtividade de soja
(kg ha-1)
Apiaí 3040 a
Itararé 2934 a b
Sarutaiá 2755 a b c
Paranapanema 2719 a b c
Capão Bonito 2637 a b c
Itapeva 2581 b c d
Avaré 2543 b c d
Iporanga 2542 b c d
Itapetininga 2488 b c d e
Riversul 2461 c d e
Itaberá 2341 c d e
Manduri 2303 c d e
Taquarituba 2176 d e
Ipaussu 2044 e
*Médias seguidas por mesma letra na coluna são diferentes pelo teste de Tukey em nível de 5% de
probabilidade. Coeficiente de variação (CV): 32.6%
Fonte: Elaborado pelo autor (2021)
O município de Itapeva é o maior produtor de soja do estado, porém em volume
absoluto. Segundo a Coordenadoria de Assistência Técnicas Integral (CATI, 2017) o fator
determinante para alavancar o município foi o aumento da área plantada em aproximadamente
30%. Segundo o Instituto Brasileiro de Geografia e Estatística (2019) os cinco municípios da
região com maiores áreas plantadas de soja em hectares são Itapeva (107.205), Itaberá
(92.445), Itapetininga (58.265), Taquarituba (32.600) e Avaré (23.860). No entanto, conforme
o resultado do presente estudo, tais municípios não apresentam as melhores condições
edafoclimático para a cultura em questão, de modo que a alta produção está a atrelado com a
ampliação de área. Os municípios com maiores produtividade média de soja demonstrados
pela Tabela 4, tem média de área plantada de aproximadamente 18 mil hectares. Portanto, é
possível perceber o erro estratégico geográfico de implantação da cultura na região, onde as
maiores áreas plantadas não correspondem com os municípios com maiores potencias em
termo produtividade.
Em consonância, a Tabela 7 apresenta a eficiência de produtividade em relação com a
produtividade atingível e produtividade potencial. A faixa de eficiência compreende de 47,6 a
30
64,7% com média de 55,2%. Como já dito, é possível também observar a incongruência entre
a área plantada e nível de eficiência de produtividade. Os municípios com maiores
potencialidades possuem eficiência superior a 57% enquanto que os municípios como
Taquarituba, que contém as maiores áreas plantadas do estado atinge apenas 47,6% de
eficiência.
Tabela 7 - Eficiência de produtividade de soja nos municípios da região
Municípios
Produtividade
Atingível
(kg ha-1)
Produtividade
Potencial
(kg ha-1)
Eficiência (%)
Apiaí 3040 4700 64,7
Itararé 2934 4618 63,5
Sarutaiá 2755 4641 59,4
Iporanga 2542 4421 57,5
Paranapanema 2719 4744 57,3
Avaré 2543 4457 57,1
Capão Bonito 2637 4651 56,7
Itapeva 2581 4568 56,5
Itapetininga 2488 4677 53,2
Riversul 2461 4646 53,0
Itaberá 2341 4713 49,7
Manduri 2303 4717 48,8
Ipaussu 2044 4257 48,0
Taquarituba 2176 4569 47,6
Fonte: Elaborado pelo autor (2021)
Segundo Battisti et al. (2012) a eficiência de produtividade agrícola de soja é de
aproximadamente 61% que compreende na faixa de eficiência do presente estudo. A
influência dos fatores determinantes (radiação solar, fotoperíodo e temperatura) e limitante
(limitação hídrica) pode explicar a baixa eficiência de partes dos municípios do presente
estudo, visto que Soares et al. (2014) identificaram que na região da microbacia do Alto
Paranapanema encontram-se os maiores índices técnicos agrícola do estado de São Paulo, que
corresponde a melhores aproveitamentos dos recursos por parte dos sojicultores, práticas
modernas de plantios, manejos, presença de assistência técnica, etc. Deste modo, reforça
novamente o erro estratégico de ampliação de áreas plantadas em municípios com baixo
potencial de produtividade da cultura em questão do ponto de vista agronômico.
A partir dos resultados da simulação realizada pelo DSSAT v4.7.5 e com valores de
significância de p-valor < 0,05 foi possível calcular o coeficiente de determinação e equação
31
de regressão que verificou que a variável produtividade atingível é possível predizer em 21 %
a partir da produtividade potencial, mostrado na Figura 5.
Figura 5 - Modelo de regressão linear na produtividade potencial atingível médio
Fonte: Elaborado pelo autor (2021)
O modelo que melhor se ajustou em relação aos dados do presente estudo é o linear, que
é o comportamento esperado da análise pela variação semelhante entre produtividade
potencial e atingível. Outro ponto importante que além da interferência geográfica dos
municípios, a influência das diferentes datas de semeaduras tenha interferência no índice de
determinação do estudo. E por fim, a cultivar de soja de maturação 6.5 utilizada no estudo
contribui nesta análise, visto que se mostrou sensível ao estresse hídrico.
Embora o software Sistema de Apoio à Decisão para Transferência de Agrotecnologia
seja considerável acurácia em termo de apoio a tomada de decisão de diversas culturas, é
preciso destacar que são modelos adaptados para a realidade e as condições dos Estados
Unidos. Além da laboriosa atividade de calibração dos parâmetros e validação do
desempenho, todos os modelos tem como premissa equações matemáticas de modo que seus
coeficientes são definidos em sua origem. Portanto, as causas supracitadas podem minimizar a
clareza do desempenho dos modelos que compromete a fidedignidade (SILVA, 2015). A
complexidade do software em relação aos parâmetros técnicos é congruente apenas no âmbito
acadêmico, de forma a inviabilizar a sua utilização na prática rotineira das atividades
32
agrícolas. Com isso, a inteligência artificial, mais especificamente aprendizado de máquinas
(Machine Learning) tem ganhado espaço na criação de modelos do setor agrícola para auxiliar
na tomada de decisão, sendo ela uma opção para complementar o processo de modelagem.
A produtividade média de soja geoespacializada na região da microbacia do Alto do
Paranapanema é mostrada na Figura 6. Observou que os municípios situados no centro da
região (Itaí, Paranapanema, Coronal Macedo, etc) tem produtividade média de 2300 a 2600
kg ha-1. Já a área que circunda a região central (Angatuba, Ribeirão Branco, Taguaí, etc.) tem
produtividade média de 2600 a 2900 kg ha-1. As maiores médias encontram-se no su-sudoeste
(SSO) podendo alcançar até 4000 kg ha-1 nos municípios de Apiaí e Bom Sucesso. Em
contrapartida no extremo sudoeste e noroeste, apresentaram médias inferiores a 2000 kg ha-1,
como por exemplo Ipaussu e Pilar do sul.
Figura 6 - Distribuição espacial de produtividade média de grãos de soja
Fonte: Elaborado pelo autor (2021)
Conforme a Tabela 8, a produtividade média de grãos de soja em diferentes capacidades
de água disponível no solo ficou entre 3407 a 4599 kg ha-1, com todas as médias dos
tratamentos estatisticamente diferentes (p-valor < 0,05) sendo que as condições de CAD
(100%) foram as melhores nas simulações.
33
Tabela 8 - Dados médios de produtividade de soja em diferentes CAD
Capacidade
água disponível
no solo (%)
Produtividade de
soja (kg ha-1)
CAD 100 4599 a
CAD 90 4513 b
CAD 80 4382 c
CAD 70 4128 d
CAD 60 3809 e
CAD 50 3407 f
*Médias seguidas por mesma letra na coluna são diferentes pelo teste de Tukey em nível de 5% de
probabilidade. Coeficiente de variação (CV): 14.5%
Fonte: Elaborado pelo autor (2021)
As simulações realizadas a partir das condições pluviométricas da região mostraram
aumento significativo da produtividade média com auxílio da irrigação complementar, ou
seja, o maior volume de água consumida pela cultura ainda é proveniente da chuva. A
capacidade de água disponível no solo (CAD) a nível de 50% já foi suficiente para superar a
produtividade média em comparação com a condição sequeira do município de maior
potencial de produtividade, no caso Apiaí. Conforme aumenta a capacidade de água
disponível no solo, observou-se aumento da produtividade média com diferença
estatisticamente significante com produtividade média máxima de aproximadamente 4600 kg
ha-1 a CAD 100%. No entanto, é importante uma ressalva no custo de irrigação com mais
estudos para identificação do ponto ideal de produtividade em relação ao custo de irrigação, e
determinação do ponto de maior lucratividade em relação as variáveis supracitadas.
A Figura 7 converge com o resultado supracitado e mostra através do grupo controle,
produtividade estimada sem irrigação, que a capacidade média de água disponível solo é
inferior a CAD 50%, e a irrigação complementar pode aumentar em aproximadamente 1000
kg/ha. Em comparação com os demais tratamentos, aqueles com irrigação complementar,
percebe que o aumento da produtividade desacelera conforme o aumento da CAD. Esse
comportamento é perceptível sobretudo em CADs superior a 70 %, com ocorrência de
saturação de água e comprometimento da produtividade, bem como desprendimento do ponto
ótimo de produção através do alto custo.
34
Figura 7 - Produtividade de soja em função da CAD e tempo.
* CONTROLE: Produtividade estimada conforme a precipitação. Sem complementação por irrigação.
Fonte: Elaborado pelo autor (2021)
35
5. CONSIDERAÇÕES FINAIS
Observou-se que durante o período avaliado, entre 2009 e 2019 na região da microbacia
do Alto do Paranapanema, a melhor época de semeadura compreende o mês de setembro a
novembro. Apiaí, Itararé, Sarutaiá, Paranapanema e Capão Bonito apresentaram maiores
potenciais para sojicultura de toda a região estudada.
De acordo com as simulações, a irrigação ampliou a produtividade, porém requer mais
estudo a respeito do ponto ótimo de produtividade x rentabilidade.
A eficiência de produtividade da região tem capacidade de ser ampliada, desde que haja
ajustes nas estratégias agrícolas, sobretudo de ampliação de área e melhoria de manejo.
É consenso em toda a comunidade científica a importância e a influência dos fatores
climáticos na agricultura, sendo assim, é imprescindível banco de dados sólidos
meteorológicos a nível municipal do país para ampliar a sustentabilidade do sistema de
produção agrícola. Por vez, no decorrer do desenvolvimento deste trabalho observou-se a
necessidade de ampliação e consolidação deste serviço, visto a relevância econômica do setor
agrícola brasileiro
36
REFERÊNCIAS BIBLIOGRÁFICAS
AGÊNCIA NACIONAL DE ÁGUAS (Brasil). Conjuntura dos recursos hídricos no
Brasil: Brasília: ANA, 2019.
ALVARES, C.A., STAPE, J.L., SENTELHAS, P.C., ET AL. Köppen’s climate
classification map for Brazil. Meteorologische Zeitschrift, v. 22, n. 6, p. 711-728, 2013.
APROSOJA-MT - Associação dos produtores de soja e milho de mato grosso.
Disponível em: . Acessado em 27 set. 2019.
ARAÚJO, A. E. et al. Embrapa: Cultivo do algodão irrigado. Sistemas de produção.
Setembro de 2006.
BARNI, N.A.; BERGAMASCHI, H. Alguns princípios técnicos para a semeadura. In:
MIYASAKA, S.; MEDINA, J.C. (Ed.). A soja no Brasil. São Paulo: ITAL, 1981. p.476-480.
BARROS H. B.; PELUZIO, J. M.; SANTOS, M. M. et al. Efeito das épocas de
semeaduras no comportamento de cultivares de soja no sul do Estado do Tocantins. Gurupi –
TO. revista ceres, v. 50, n. 261, 2003.
BATTISTI, R. Época de semeadura da cultura da soja com base no risco climático
e na rentabilidade líquida para as principais regiões produtoras do Brasil. 261 f.
Dissertação (Mestrado em Engenharia de Sistemas Agrícolas), Universidade de São Paulo –
Escola Superior de Agricultura “Luiz de Queiroz”, Piracicaba - SP, 2013
______. Calibration, uncertainties and use of soybean crop simulation models for
evaluating strategies to mitigate the effects of climate chance in southern Brazil. 189 f.
Dissertação (Doutor em Engenharia de Sistemas Agrícolas), Universidade de São Paulo –
Escola Superior de Agricultura “Luiz de Queiroz”, Piracicaba - SP, 2016
BOOTE, K.J.; JONES, J.W.; PICKERING, N.B. Potential uses and limitations of crop
models. Agronomy Journal, Amsterdam, v.88, p.704-716, 1996.
BORNHOFEN, E., BONIN, G., GALVAN, D., et al. Época de semeadura e
desempenho qualitativo de sementes de soja. Pesq. Agropec. Trop., Goiânia, v. 45, n. 1, p.
46-55, jan./mar. 2015
BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Produção
agropecuária. Brasília: jun. 2018.
CARMELO, V. Análise da variabilidade das chuvas e sua relação com a
produtividade da soja na vertente paranaense da bacia do rio Paranapanema.
Dissertação (Mestrado em Geografia). Faculdade de Ciências e Tecnologia, Universidade
Estadual Paulista, Presidente Prudente – SP, 2013.
CONTI. J. B. Clima e meio ambiente. São Paulo: Atual, 1998.
CORRÊA, S. T. R.; LORENÇONI, R.; DOURADO NETO, D. et al. Aplicações e
limitações da modelagem em agricultura – Revisão. Revista de Agricultura, v.86, n.1, p.1 -
13, 2011.
COUTO, L. Como iniciar e conduzir um sistema produção agrícola sobirrigação.
Apostila de Minicurso. CONIRD, 2003.
CRUSCIOL, C.A.C.; ARF, O.; SORATTO, R. P., et al. Produtividade do arroz de terras
altas sob condições de sequeiro e irrigado por aspersão em função do espaçamento entre
fileiras. Agronomia, v.37, n.1, p.10-15, 2003.
CRUZ, T. V.; PEIXOTO, C. P.; MARTINS, M. C. Crescimento e produtividade de soja
em diferentes épocas de semeadura no oeste da Bahia. Scientia Agraria, Curtiba, v. 11, n.1,
p. 033-042, 2010.
DALLACORT, R.; DE FREITAS, P. S. L.; DE FARIA, R. T.; et al. Utilização do
modelo Cropgro-soybean na determinação de melhores épocas de semeadura da cultura da
soja, na região de Palotina, Estado do Paraná. Acta Sci. Agron. Maringa, v. 28, n. 4, p. 583-
589, 2006.
37
DEJONGE, D. C.; ASCOUGH, J. C. ANDALES, A. A. et al. Improving
evapotranspiration simulations in the CERES-MAIZE model under limited irrigation.
Agricultural water management. v. 115, p. 92-103, 2012.
EMBRAPA - EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA.
Geoestatística Aplicada na Agricultura de Precisão. Embrapa, Brasília, 2015.
______ . EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Necessidade
de Irrigação Complementar da soja na Região Sul de Mato Grosso do Sul. Embrapa,
Dourados, 2015.
______ . EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Aquecimento
global e a nova geografia da produção agrícola no Brasil. Embrapa, São Paulo, 2008.
______ . EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. História da
Soja no Brasil. Embrapa soja, Londrina, 2004.
FARIAS, J. R. B.; NEPOMUCENO, A. L.; NEUMAIER, N. Ecofisiologia da soja.
Londrina: Embrapa Soja, 2007. (Circular técnica, n. 48).
FERREIRA. R. Modelagem da produtividade de soja em função de variáveis
meteorológicas no centro-sul do Paraná – Guarapuava. 68 f. Dissertação (Mestrado em
produção vegetal), Universidade Estadual do Centro-Oeste, Unicentro-PR, (2018).
FIETZ, C. R.; GARCIA, R. A.; COMUNELLO, E.; et al. Semeadura antecipada da
soja na região sul de Mato Grosso do Sul. Dourados: Embrapa Agropecuária Oeste, 2013.
5 p. (Embrapa Agropecuária Oeste. Circular técnica, 22).
FIETZ, C. R.; RANGEL, M. A. S. Época de semeadura de soja para região de Dourados
– MS, com base na deficiência hídrica e no fotoperíodo. Engenharia agrícola, v. 28, n. 4,
2008.
GAVA, G. J. C.; SILVA, A. S.; SILVA, R. C.; et al. Produtividade de três cultivares de
cana-de-açúcar sob manejo de sequeiro e irrigação por gotejamento. Engenharia agrícola e
Ambiental, v. 15, n. 3, 2011.
GIANLUPPI, V. et al. Cultivo de soja no cerrado de Roraima. Sistema de Produção,
Boa Vista: Embrapa Roraima, 2009.
HARGREAVES, G. H.; SAMANI, Z. A. Reference crop evapotranspiration from
temperature. Applied Engineering in Agriculture, v. 01, n. 02, p. 96-99, 1985.
HERZOG, R. L. DA S.; LEVIEN, R.; TREIN, C. R. Produtividade de soja em
semeadura direta influenciada por profundidade do sulcador de adubo e doses de resíduos em
sistema irrigado e não irrigado. Eng. Agric. Jaboticabal, v. 24, n. 3, set, 2004.
HOOGENBOOM, G. J.W. JONES, P.W. WILKENS, C.H. et al. Decision Support
System for Agrotechnology Transfer (DSSAT) Version 4.6 (http://dssat.net). DSSAT
Foundation, Prosser, Washington. 2015.
IAC/SP & Embrapa. O Mapa Pedológico do Estado de São Paulo. In: O Agronômico,
Campinas, 52-1, 2000, pp. 21-23.
IBGE. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Diretoria de
Pesquisas, Coordenação de Agropecuária, Produção Agrícola Municipal 2017. Rio de
Janeiro, 2017.
ITTERSUM, M. K. VAN; LEFFELAAR, P. A.; KEULEN, H. et al. On approaches and
applications of the Wageningen crop models. European Journal of Agronomy,
Amsterdam, v. 18, p. 201234, 2003.
JONES, J. W.; HOOGENBOOM, C. H.; PORTER, K. J. et al. The DSSAT cropping
system model. Europ. J. Agronomy. v. 18, 2003.
LAW, A.M.; KELTON, W.D. Simulation modeling and analysis. 2 ed. New York:
MacGraw-Hill, 1991.
38
LISSON, S. N.; INMAN-BAMBER, N. G.; ROBERTSON, M. J. et al. The historical
and future contribution of crop physiology and modeling research to sugarcane production
systems. Field Crops Research, Amsterdam, v. 92, n. 2/3, p. 321-335. 2005.
MARCOLIN, C. D.; KLEIN, V. A. Determinação de densidade relativa do solo por
uma função de pedotransferência para a densidade do solo. Acta Scientiarum Agronomy,
Maringá, v.33, n.2, p. 349-354, 2011.
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, Piracicaba, v.57, n.1, p. 1-6, 2000.
MEOTTI, G. V; BENIN, G.; SILVA, R. R. et al. Época de semeadura e desempenho
agronômico de cultivares de soja. Pesq. agropec. bras., Brasília, v.47, n.1, p.14-21, jan.
2012.
MONTEITH, J. The quest balance in crop modeling. Agronomy Journal, Madison, v.
88, p. 695-697, 1996.
MOTTA, I. S.; BRACCINI, A. L.; SACAPIM, C. A. et al. Época de semeadura em
cinco cultivares de soja. Efeito na qualidade fisiológica das sementes. Maringa- PR, v.24, n.5,
p. 1281-1286, 2002.
MOREIRA, A. R. B., HELFAND, S. M., FIGUEIREDO, A. M. R. "Explicando as
diferenças na produtividade agrícola no Brasil". Texto para discussão. Rio de Janeiro:
IPEA, n. 1254, 2007.
NAKAGAWA, J.; ROSOLEM, C. A.; MACHADO, J. R. Épocas de semeadura da soja.
Pesq. Agropec. bras., Brasília, v. 18, n.11, p. 1187 – 1198, 1983.
PAOLINELLI, G. P.; TANAKA, M. A. S.; ARANTES, N. E. Germinação e vigor de
sementes de soja produzidas nas safras 1980/81 e 1981/82 em Minas Gerais. In:
SEMINÁRIO NACIONAL DE PESQUISA DE SOJA, 3, Campinas, 1984. Anais... Londrina,
EMBRAPA-CNPSo. 1984.
PAUTIAN, K.; PARTON, W.J.; PERSSON, J. Modeling soil organic matter in organic-
amended and nitrogen fertilized long-term plots. Soil Science Society of America Journal,
v.56, p.476-488, 1992.
PEIXOTO, C. P. et al. Épocas de semeadura e densidade de plantas de soja:
Componentes da produção e rendimento de grãos. Scientia Agrícola, Piracicaba, v. 57, n. 1,
jan/mar., p. 89 – 96, 2000.
PENNING DE VRIES, F.W.T. System analysis and models of crop growth. In:
PENNING DE VRIES, F.W.T.; VAN LAAR, H.H. (Ed.). Simulation of plant growth and
crop production. Pudoc, Wageningen: Elsevier, 1982. p.9-22.
PEREIRA, L. A. G. et al. Efeito da época de semeadura sobre a qualidade de semente
de soja. Revista Brasileira de Sementes, Brasília, v. 1, n. 3, 1979.
PESSOA, M.C.P.Y.; LUCHIARI JUNIOR, A.; FERNANDES, E.N.; et al. Principais
modelos matemáticos e simuladores utilizados para a análise de impactos ambientais das
atividades agrícolas. Brasília, EMBRAPA, 1997.
PILAU, F. G. Simulação de cenário agrícola futuros para a cultura da soja no
Brasil com base em projeções de mudanças climáticas – Piracicaba. 96 f. Dissertação
(Mestrado em ciências agrícolas), Universidade de São Paulo, Escola Superior de Agricultura
“Luiz de Queiroz”, 2018.
R CORE TEAM: A language and environment for statistical computing. R Foundation
for Statistical Computing, Vienna. Avaliable in: Data de
acessoo: Abr. 2021.
RODRIGUES, R.; DIDONET, A. D.; LHAMBY, J. C, B. et al. Resposta quantitativa do
florescimento da soja à temperatura e ao fotoperíodo. Pesq. Agropec. Bras., Brasília, v. 36, n.
3, p. 431-437, 2001.
39
SENTELHAS, P. et al. The soybean yield gap in Brazil-magnitude, causes and possible
solutions for sustainable production. The Journal of Agricultural Science, p. 1-18, 2015.
SILVA, B. K. Funções de pedotransferência para predição da condutividade
hidráulica satura de solos do Brasil. – PR. 43 f. Dissertação (Mestrado em ciência agrária),
Universidade Federal do Paraná, Maringá, 2018.
SILVA, R. R. Relação entre precipitação pluviométrica e produtividade da cultura
de soja no município de Ibirubá – RS. 93 f. Dissertação (Mestrado em geografia e
Geociência), Universidade Federal de São Maria, Santa Maria – RS, 2013.
SILVA, S. D. Calibração e avaliação do modelo CSM-CERES-MAIZE para a
cultivares crioulas e melhoradas de milho. 54 f. Dissertação (Mestrado em Engenharia
agrícolas), Universidade Federal de Santa Maria – Centro de Ciência Rurais, Santa Maria -
RS, 2015.
SOARES, F. C. Análise de viabilidade da irrigação de precisão na cultura do milho.
(Tese de Mestrado). Universidade Federal de Santa Maria, Engenharia de Água e Solo. Santa
Maria-RS, 2010.
STEINMETZ, S. Prioridades de pesquisa e necessidade de infra-estrutura em
agrometeorologia no Brasil. Revista brasileira de agrometeorologia, Santa Maria – RS, v.8,
n.1,p.155-162, 2000.
TRAGNAGO, J.L.; BONETTI, L.P. Diferentes épocas de semeadura no rendimento e
outras características de alguns cultivares de soja no Rio Grande do Sul. In: SEMINÁRIO
NACIONAL DE PESQUISA DE SOJA, 3., Campinas, 1984. Anais. Londrina: EMBRAPA,
CNPSo, 1984. p.57-69.