Modelagem agrometeorológica do rendimento de arroz irrigado no Rio Grande do Sul

Abstract

Resumo -O objetivo deste trabalho foi elaborar e testar modelos para a estimativa de rendimento de arroz irrigado, no Estado do Rio Grande do Sul. O estudo foi realizado com dados meteorológicos de temperatura mínima do ar, radiação solar global e dados de estatísticas agrícolas de rendimento de arroz irrigado, das seis regiões orizícolas do Rio Grande do Sul, referentes às safras 1982/1983 até 2005/2006. Foram feitas análises de tendência tecnológica dos rendimentos, e foram estabelecidos os indicadores agrometeorológicos para o ajuste de modelos de estimativa de rendimento de arroz irrigado, para o Rio Grande do Sul. Existe tendência tecnológica de aumento nos rendimentos de arroz irrigado no Estado. As variáveis meteorológicas avaliadas -dias com temperatura mínima do ar inferior a 15°C e radiação solar global -podem ser usadas como indicadores do rendimento de arroz irrigado. Os modelos agrometeorológicos elaborados para as seis regiões orizícolas e para o Estado do Rio Grande do Sul apresentam características de precisão, fácil implementação e baixo custo e podem, portanto, ser introduzidos ao programa nacional de previsão de safras.Termos para indexação: Oryza sativa, previsão de safras, radiação solar, temperatura mínima. Agrometeorological modelling of irrigated rice yield in Rio Grande do Sul, BrazilAbstract -The objective of this work was to elaborate and test models to estimate the irrigated rice yield, in Rio Grande do Sul State, Brazil. The study was carried out using meteorological data of minimum air temperature, global solar radiation and data of agricultural statistics about the irrigated rice yield, involving six rice production regions of Rio Grande do Sul, relative to crop years from 1982/1983 to 2005/2006. Analyses of yield technological tendencies were performed, and agrometeorological indicators for model adjustments of irrigated rice yields were established. There is a technological tendency of increasing the irrigated rice yield in the State. The analyzed meteorological variables -global solar radiation and days with minimum air temperature below or equal to 15°C -can be used as indicators of the irrigated rice yield. The adjusted agrometeorological models, elaborated for the six rice production regions and for the Rio Grande do Sul State, show characteristics of accuracy, easy implementation and low cost, which make them able to be introduced in the national program of crop forecast.

Modelo agrometeorológico-espectral para estimativa da produtividade de grãos de arroz irrigado no Rio Grande do Sul

“…Esse coeficiente de determinação obtido foi superior aos encontrados por Klering et al (2008) Outro fator que deve ser considerado são os dados meteorológicos utilizados para o ajuste do modelo. Em função das poucas estações meteorológicas com séries de observações contínuas, dentro do período de estudo, foram utilizados dados de, no máximo, quatro estações por região orizícola (Figura 1).…”

“…Assim, a temperatura mínima do ar pode ser considerada como indicador agrometeorológico da produtividade de arroz irrigado. Esse elemento influencia o crescimento e o desenvolvimento das plantas e, portanto, responde por parte importante da variabilidade da produtividade no Estado (Klering, et al 2008).…”

Rice yield estimation based on weather conditions and on technological level of production systems in Brazil

“…There is a group of simulation models for rice yield estimation and forecasting, among them is Infocrop (Aggarwal et al, 2006), Warm (Confalonieri et al, 2009) and Oryza (Bouman et al, 2006). In Brazil, some of these models have been parameterized, like Oryza/ Apsim for upland (Lorençoni et al, 2010) and irrigated rice, which is based in temperature and solar radiation (Klering et al, 2008). However, despite all those advances in crop modeling, a challenge still needs to be addressed in Brazil.…”

CO2-response function of radiation use efficiency in rice for climate change scenarios

“…Crop simulation models vary in complexity from simple empirical statistic-based models (Pedro Júnior et al, 1995;Klering et al, 2008) to very complex process-based models (Hasegawa & Horie, 1996;Mall & Aggarwal, 2002;Bouman & Laar, 2006;Confalonieri et al, 2009). Models with intermediate levels of complexity combine advantages from the former (simplicity) and from the latter (mechanisms) by using general and robust response functions for describing plant processes on a canopy level, which requires less and more easily-measured coefficients and inputs.…”