INFLUÊNCIA DE VARIÁVEIS MACROCLIMÁTICAS SOBRES AS...
Transcript of INFLUÊNCIA DE VARIÁVEIS MACROCLIMÁTICAS SOBRES AS...
0
UNIVERSIDADE FEDERAL DE GOIÁS ESCOLA DE AGRONOMIA E ENGENHARIA DE ALIMENTOS
PROGRAMA DE PÓS-GRADUAÇÃO EM AGRONOMIA
INFLUÊNCIA DE VARIÁVEIS
MACROCLIMÁTICAS SOBRES AS PRINCIPAIS
DOENÇAS DO ARROZ
JORDENE TEIXEIRA DE AGUIAR
Orientador:
Dr. Murillo Lobo Junior
Goiânia - GO
Bra
sil
Fevereiro - 2016
JORDENE TEIXEIRA DE AGUIAR
INFLUÊNCIA DE VARIÁVEIS
MACROCLIMÁTICAS SOBRES AS PRINCIPAIS
DOENÇAS DO ARROZ
Goiânia, GO - Brasil
2016
Dissertação apresentada ao Programa de Pós-
Graduação em Agronomia, da Universidade
Federal de Goiás, como requisito parcial à
obtenção do título de Mestre em Agronomia, área
de concentração: Fitossamidade
Orientador:
Prof. Dr. Murillo Lobo Junior
Permitida a reprodução total ou parcial deste documento, desde que citadaa fonte – O autor
“Os nossos maiores problemas não estão nos obstáculos do caminho,
mas na escolha da direção errada. ”
Augusto Cury
Com todo o amor e gratidão, dedico este trabalho especialmente aos meus
pais, José Antonio B. Aguiar e Ivone Teixeira de Aguiar, por todo o apoio, ensinamento,
amor e carinho!!
Aos meus irmãos, Weberson Teixeira (in memoriam) e Welder Teixeira, pela amizade,
amor e companheirismo!!
Ao meu sobrinho Riquelme Teixeira, amor e carinho!!!
Ao meu namorado Odilon Peixoto, por toda a alegria, apoio e companheirismo!!!
AGRADECIMENTOS
A Deus, pelo presente mais precioso que recebi um dia, a vida, e com ela a
capacidade para amar e lutar pelos meus ideais.
À UFG-Goiânia (Universidade Federal de Goiás), pela oportunidade de
aquisição de conhecimentos valiosos e à CAPES pela concessão da bolsa de estudos
durante a realização do curso.
A todos os docentes da Escola de Agronomia da UFG, pela competência e
profissionalismo.
A todos os funcionários da UFG, pela dedicação, profissionalismo e respeito
aos acadêmicos, em especial ao secretário Wellinton Motta, do programa de pós-graduação
em agronomia.
À Embrapa Arroz e Feijão (CNPAF) e a todos os pesquisadores, em especial
ao Dr. Anne Sitarama Prabhu, Drª Valácia Lemes, Drª Marta Cristina Filippi, Dr.
Alexandre Bryan Heinemann e Dr. Silvando Carlos Da Silva pelos ensinamentos
fornecidos durante as atividades na instituição. Aos analistas Dino Soares e Sergio Lopes
e ao Bolsista Danilo Santana, pelo apoio e cooperação durante as atividades desenvolvidas
na instituição.
Aos funcionários do apoio, principalmente ao Pedro Mauricio, Luiz Lopes (in
memoriam), seu Zé, Santos, Caiado, Nelson, aos ex-estagiários Flavio Henrique e Paulo
Holanda. Também as funcionárias da biblioteca Da. Ana Lúcia e Riquelma, pela amizade
e cooperação.
Aos meus colegas e amigos do Laboratório de Fitossanidade da Embrapa Arroz
e Feijão e do Programa de Pós-Graduação em Agronomia, especialmente ao Renan
Macedo, que não mediu esforços em me ajudar durantes as fases finais do trabalho, pelo
o grande companheirismo, troca de experiências e contestantes ajuda. À Priscila Santos,
grande amiga que sempre me esteve presente passando força companheirismo e amizade.
Às colegas, Fernanda Yoshida, Tariane Alves, Rildânia Barcelos, Lorena Peixoto, Leilane
Silveira, Rejanne Lima, Eugenio Sperandio, Bárbara Melo, Thaty Pereira, Marina, Alan
Carlos, Amanda Abdallah, Fabio Gonçalves, Denise Candine, Bruna Alicia, Jacqueline
Campos, Nara Cristina, Mythali Garcia, Maythsulene e Stela Valdo, pela amizade e
carinho.
Aos Funcionários dos laboratórios de Fitossanidade da Embrapa Arroz e
Feijão, Marcio Vinício, Livia Teixira, Elder Tadeu, Anaires Almeida, Maria Monica,
Ronair José e Alécio Souza, pela amizade e cooperação durante as atividades na
instituição.
Ao meu orientador Dr. Murillo Lobo Junior, pela orientação, confiança
depositada, paciência, amizade e oportunidades oferecidas, essenciais para o meu
crescimento profissional e pessoal.
Aos meus pais Jose Antônio e Ivone Teixeira, pelo exemplo, suporte em todos
os campos da minha vida, amor, compreensão e motivação. Aos meus irmãos, Weberson
Teixeira (in memoriam) e Welder Teixeira e ao meu sobrinho Riquelme Teixeira, pelo
carinho. Ao meu namorado Odilon Morais, pelo apoio e companheirismo, fundamentais
para execução do meu trabalho.
Aos meus tios, Maria Emídia e Arnou Wandeley aos meus primos Marcos,
Caroline, Wiliana, Ronald, Adriana, Marcio, Vitor Augusto e Maria Heloisa, pelo imenso
apoio, amor e carinho.
A todos vocês minha eterna gratidão!
0
SUMÁRIO
LISTA DE TABELAS……………………………………………………………………..8
LISTA DE FIGURAS…………………………………………………………………...... 9
RESUMO GERAL……………………………………………………………………….11
GENERAL ABSTRACT………………………………………………………………... 12
1 INTRODUÇÃO GERAL……………………………………………………….13
2 REVISÃO BIBLIOGRÁFICA…………………………………………………15
2.1 PRODUÇÃO DE ALIMENTOS NO SÉCULO XXI…………………………..15
2.2 A CULTURA DO ARROZ E SUAS DOENÇAS……………………………... 16
2.2.1 Brusone………………………………………………………………………… 17
2.2.2 Mancha parda………………………………………………………………… 18
2.2.3 Queima da bainha…………………………………………………………….. 19
2.2.4 Escaldadura…………………………………………………………………… 20
2.2.5 Manchas de grãos……………………………………………………………... 20
2.3 CLIMA E DOENÇAS DE PLANTAS………………………………………… 21
2.4 REFERÊNCIAS……………………………………………………………….. 24
3 VALIDAÇÃO DE DADOS METEOROLOGICOS OBTIDOS VIA SENSOR
REMOTO ORBITAL EM DIFERENTES REGIÕES BRASILEIRAS….. 29
RESUMO………………………………………………………………………………… 29
ABSTRACT……………………………………………………………………………… 30
3.1 INTRODUÇÃO……………………………………………………………….. 31
3.2 MATERIAL E MÉTODOS……………………………………........................ 33
3.2.1 Origem de dados macroclimáticas………………………………………….. 33
3.2.2 Seleção das localidades………………………………………………………. 33
3.2.3 Análise estatísticas……………………………………………………………. 35
3.3 RESULTADOS E DISCUSSÃO………………………………………............. 37
3.3.1 Relação entre os dados de precipitação mensal e média mensal de temperatura
máxima e mínima dos dados observados e estimados……………………….. 37
3.3.2 Exatidão entre os dados estimados e observados de precipitação, temperatura
máxima e mínima em diferentes localidades brasileira……………………... 42
3.3.3 Acurácia e exatidão dos dados estimados de precipitação mensal…............. 43
3.3.4 Acurácia e exatidão dos dados médios estimados de temperatura máxima.. 44
3.3.5 Acurácia e exatidão dos dados médios estimados de temperatura mínima.. 46
3.4 CONCLUSÕES………………………………………………………………… 47
3.5 REFERÊNCIAS………………………………………………………………... 48
4 INFLUÊNCIA DE VARIÁVEIS CLIMÁTICAS SOBRES AS PRINCIPAIS
DOENÇAS DO ARROZ……………………………………………………… 51
RESUMO…………………………………………………………………………………. 51
ABSTRACT……………………………………………………………………………… 52
4.1 INTRODUÇÃO………………………………………………………………… 53
4.2 MATERIAIS E MÉTODOS……………………………………………………. 54
4.2.1 Obtenção dos dados histórico das principais doenças da cultura do arroz
irrigado e de terras altas……………………………………………………… 54
4.2.2 Obtenção da série histórica variáveis climáticas……………………………. 58
4.2.3 Análises estatísticas……………………………………………........................60
4.3 RESULTADOS E DISCUSSÃO…………………………………..................... 61
4.3.1 Associação entre variáveis climáticas e a severidade de doenças da cultura do
arroz em 15 localidades………………………………………………………. 61
4.3.2 Associação entre as variáveis climáticas e a severidade das doenças do arroz
para as regiões Norte, Nordeste e Centro-Oeste do Brasil…………………. 63
4.4 CONCLUSÕES…………………………………………………………………. 66
4.5 REFERÊNCIAS…………………………………………………………………. 67
5 CONSIDERAÇÕES FINAIS…………………………………………………... 70
8
LISTA DE TABELAS
Tabela 4.1 Escalas de notas referente a severidade de doenças do arroz, brusone
na folha (BF), brusone na panícula (BP), mancha parda (MP), mancha
de grãos (MG) e escaldadura (ESC) ………………………………… 57
Tabela 4.2 Exemplo com parte de uma tabela de contingência com a Distribuição
anual da frequência da nota de severidade de doenças avaliada por
escala de 1 a 9, para mancha parda (MP) e mancha de grãos (MG), e
para produção média em kg/ha (Prod), no período de 1986 a 2014 em
ensaios de VCU no município de Vilhena, RO……………………….
58
Tabela 4.3 Estrutura resumida das planilhas com as variáveis climáticas
registrada pelo INMET de 1986 a 2014 no município de Vilhena RO:
Representação dos dois primeiros eixos da análise de correspondência
canônica (CCA1 e CCA2), com respectivos valores dos testes de qui-
quadrado e significância de modelos obtidos para estimar a influência
de variáveis climáticas sobre doenças do arroz, em 15 localidades e
suas respectivas regiões Média da temperatura máxima para o mês de
dezembro (Tmax_12), média da temperatura mínima (Tmin_12),
amplitude média (Amp_12), precipitação acumulada (Pre_12),
número de dias de chuvas acima de 2 mm (Dc>2_12), número de dias
com chuvas acima de 5 mm (Dc>5_12), número de dias com chuvas
acima de 10 mm (Dc>10_12), número de dias com temperatura de
20º C a 30º C em dezembro, e média da temperatura máxima no mês
de fevereiro (Tmax_02)………………................................................ 59
Tabela 4.4 Representação dos dois primeiros eixos da análise de correspondência
canônica (CCA1 e CCA2), com respectivos valores dos testes de qui-
quadrado e significância de modelos obtidos para estimar a influência
de variáveis climáticas sobre doenças do arroz, em 15 localidades e
suas respectivas regiões……………………………………………… 62
LISTA DE FIGURAS
.
Figura 3.1 Localização das estações meteorológicas (INMET) utilizadas para
validação de dados climáticos obtidos por sensores remotos, de 30
municípios brasileiros distribuídos em seis regiões conforme a
homogeneidade de precipitação. Região-01 (Centro Oeste) Região-
02 (Sul). Região-03 (Litoral Sudeste). Região-04 (Pantanal).
Região-05 (Nordeste) e Região-06 (Extremo Norte)……………… 34
Figura 3.2 Relação entre os dados do acumulado mensais de precipitação
obtidos via estações do INMET (Dados observados) e POWER
(Dados estimados). Diagrama de dispersão referentes as seis regiões
de estudo, região Centro-Oeste (A) Sul (B) Litoral Sudeste (C)
Pantanal (D) Nordeste (F) e Norte (F). *** = significativo a
1%........................................................................................................ 38
Figura 3.3 Relação entre médias mensais de temperatura máxima obtidos via
base de dados POWER (dados estimados) e estações terrestres do
INMET (dados observados), referentes as seis regiões de estudo:
Centro-Oeste (A) Sul (B) Litoral Sudeste (C) Pantanal (D)
Nordeste (F) e Norte (F). *** = significativo a 1%.......................... 40
Figura 3.4 Relação entre os dados médios de temperatura mínima obtidos via
estações do INMET (Dados observados) e POWER (Dados
estimados). Diagrama de dispersão referentes as seis regiões de
estudo, região Centro-Oeste (A) Sul (B) Litoral Sudeste (C)
Pantanal (D) Nordeste (F) e Norte (F)……………………………... 41
Figura 3.5 Variações do índice de concordância médio (ICM) para
precipitação média anual, temperatura máxima e mínima estimados
pela base de dados POWER para 30 localidades distribuídas em
seis regiões brasileiras, em comparação com dados obtidos pelo
INMET. As localidades são numeradas de acordo com a Figura 1,
e representam municípios das regiões Centro-Oeste (01, 02, 03, 04,
05 e 06), Sul (07, 08, 09, 10, 11 e 12), Litoral Sudeste (13,14,15 e
16), Pantanal (17, 18, 19, 20 e 21), Nordeste (22, 23, 24 e 25) e
Extremo Norte (26, 27, 28, 29 e 30)………………………………. 43
Figura 3.6 Variação mensal do índice de concordância e do desvio médio
quadrático para a precipitação mensal estimada pela base de dados
POWER de janeiro de 2004 a dezembro de 2014, nas respectivas
regiões Centro-Oeste, Sul, Litoral Sudeste, Pantanal Mato-
grossense, Nordeste e Extremo Norte……………………………... 44
Figura 3.7 Variação média do índice de concordância (A, B, C, D, E e F) e
desvio médio quadrático (G, H, I, J, K e L) para a variável 45
temperatura máxima, nas respectivas regiões Centro-Oeste, Sul,
Litoral Sudeste, Pantanal, Nordeste e Extremo Norte……………..
Figura 3.8 Variação média do índice de concordância (A, B, C, D, E e F) e
desvio médio quadrático (G, H, I, J, K e L) para a variável
temperatura mínima, nas respectivas regiões Centro-Oeste, Sul,
Litoral Sudeste, Pantanal, Nordeste e Extremo Norte……………. 46
Figura 4.1 Distribuição dos locais com ensaios de VCU selecionados para os
estudos da influência das variáveis climáticas sobre as doenças.
Marcadores na cor vermelha correspondem ao ensaio de arroz
irrigado; Penedo AL (A), Goianira GO (B), Formoso do Araguaia
TO (C), Belém PA (D), Uruguaiana RS (E). Marcadores na cor
laranja correspondem aos ensaios de arroz de terras altas; Santo
Antônio de Goiás GO (F), Porangatu GO (G), Querência MT (H),
Sorriso MT (I), Sinop (J), Vilhena RO (K) São Raimundo das
Mangabeira MA (L) Teresina (M), Paragominas (N) e Altamira PA
(O)……………………………………………………………….... 55
Figura 4.2 Diagramas de ordenação nos dois primeiros eixos da análise de
correspondência canônica (CCA) para região Norte, com
associação entre as variáveis climáticas e a severidade da
escaldadura e da macha parda do arroz. Acrônimos se referem à
precipitação mensal (Prec), médias mensais da temperatura
máxima (Tmax) e mínima (Tmin), amplitude térmica média
(Amp), e número de dias com chuvas (Precd) nos meses de
fevereiro, março e abril (02, 03 e 04)…………………………….. 63
Figura 4.3 Diagramas de ordenação nos dois primeiros eixos da análise de
correspondência canônica (CCA) para região Centro-Oeste, com
associação entre as variáveis climáticas e a severidade brusone na
folha (bf), brusone na panícula (bp), escaldadura (esc), mancha de
grão (mg) e macha parda (mp) do arroz. Variáveis ambientais
correspondem á precipitação mensal (Prec), média da temperatura
máxima (Tmax) e mínima (Tmin), amplitude térmica (Amp) e
número de dias com chuvas (Precd) nos meses de dezembro,
janeiro e fevereiro (12, 01 e 02)…………………………………… 64
Figura 4.4 Diagramas de ordenação nos dois primeiros eixos da análise de
correspondência canônica (CCA) para região Nordeste, com
associação entre as variáveis climáticas e a severidade da brusone
na folha (bf), brusone na panícula (bp), escaldadura (esc), mancha
de grão (mg) e macha parda (mp). Variáveis ambientais
correspondem a precipitação mensal (Prec), média da temperatura
máxima (Tmax) e mínima (Tmin), amplitude térmica (Amp) e
número de dias com chuvas (Precd) nos meses de dezembro,
janeiro e fevereiro (12, 01 e 02)…………………………………… 65
RESUMO GERAL
AGUIAR, J. T. Influência das variáveis macroclimáticas sobre as principais doenças do
arroz. 2016.70 f. Dissertação (Mestrado em Agronomia: Fitossanidade)-Escola de Agronomia
e Engenharia de Alimentos, Universidade Federal de Goiás, Goiânia, 2016.1
Este estudo foi realizado para se verificar a influência de variáveis climáticas
sobre doenças do arroz no Brasil. Inicialmente, foi necessário validar dados climáticos
obtidos via sensor remoto orbital, obtidos no banco de dados Prediction of Worldwide
Energy Resource (POWER) da NASA. Esses dados foram comparados aos obtidos de
estações de superfície brasileiras do Instituto Nacional de Meteorologia (INMET). Os dados
foram compostos de séries históricas (2004 a 2014) de médias mensais de temperaturas e
precipitação. Para validação, foram estimados os coeficientes correlação de Pearson e
modelos de regressão linear entre os dados estimados via satélite e obtidos via estações de
superfície. Para verificação da acurácia, foram estimados o erro médio absoluto, o desvio
médio quadrático e o índice de concordância. Os dados de precipitação mensal para a maioria
das regiões apresentaram coeficientes de correlação satisfatórios, entre 0,75 e 0,95 (P<0,05).
Já os dados de temperaturas máxima e mínima obtidos por satélites apresentaram resultados
irregulares que variavam conforme a região. Nestes casos, verificou-se que os dados obtidos
remotamente não detectaram eventos climáticos extremos, como chuvas ou seca intensas.
As médias de precipitação mensal também apresentaram resultados mais consistentes para
todas as regiões, em testes de acurácia. Os dados validados subsidiaram a segunda etapa
deste trabalho, quando foram avaliados os efeitos das variáveis climáticas sobre as doenças
da cultura do arroz. Contou-se com uma série histórica de dados de severidade de doença
registrados entre 1983 a 2014. Os dados climáticos do INMET, Embrapa e NASA/POWER
foram utilizados para compor uma matriz com variáveis ambientais, e verificação de sua
correspondência com a severidade de doenças em 15 locais com séries históricas de pelo
menos oito anos. Por meio da análise de componentes principais foram eliminadas as
variáveis climáticas redundantes. Com dados estruturados em duas matrizes, clima
(variáveis explanatórias) e severidade de doença mais produtividade (variáveis de resposta)
foram realizadas análises de correspondência canônicas (CCA) por local e por regiões.
Dentre os 15 locais analisados, apenas cinco apresentaram modelos significativos a 5%, com
a explicação da variação dos dados pelos dois primeiros eixos acima de 50%, demostrando
que, em alguns locais, a variação total da severidade das doenças é explicada parcialmente
por variáveis climáticas. De acordo com as CCAs por regiões, observou-se que na região
Norte as variáveis climáticas não influenciam significativamente as doenças do arroz. Por
outro lado, modelos significativos demonstraram a correspondência entre as variáveis
climáticas e doenças para as regiões Centro-Oeste e Nordeste, ainda que com baixa
porcentagem de explicação. De modo geral, a maior severidade de doenças foi atribuída á
ocorrência de chuvas e menores temperaturas mínimas durante o estádio reprodutivo da
cultura. Em todos os casos, a produtividade não foi relacionada ás variáveis ambientais.
Palavras-chave: Oryza sativa L., mudanças climáticas, modelagem, planejamento agrícola,
sensoriamento remoto.
1 Orientador: Prof. Dr. Murillo Lobo Junior. PPGA/EA-UFG .
GENERAL ABSTRACT
AGUIAR, J. T. 2016. 70 f. Influence of macroclimatic variables on the main rice
diseases. Dissertation (Master in Agronomy: Plant Protection)-Escola de Agronomia e
Engenharia de Alimentos, Universidade Federal de Goiás, Goiânia, 2016. 2
The influence of climatic variables on rice diseases was assessed in Brazil.
Firstly, it was necessary to validate climate data from remote sensoring, retrieved from
NASA’s database Prediction of Worldwide Energy Resource (POWER). POWER data were
compared to climate records of surface stations from the National Institute of Meteorology
(INMET). Climate data consisted of a time series (2004-2014) of monthly average
temperatures and rainfall. Validation tests were carried out with Pearson’s coefficient of
correlation and adjustment of linear regression models between the satellite data and surface
stations. Further, data accuracy was checked according to average absolute error, root mean
square deviation and concordance index. Monthly rainfall from most regions satisfactory
correlated with Pearson coefficients between 0.75 and 0.95 (P<0.05). In contrast, maximum
and minimum temperatures recorded by satellites showed irregular results that vary by
region. In these cases, remote sensing did not detect extreme weather events, such as heavy
rainfall or drought. Monthly rainfall comparisons also showed the most consistent results for
all regions in accuracy tests. The endorsed data supported the next stage of this work,
regarding the effects of climate variables on rice diseases. This investigation counted on a
historical series of disease severities recorded in field tests, carried out between 1983 and
2014. Climatic data from INMET, EMBRAPA and NASA/POWER was arranged in a
matrix of environmental variables, and tested for correspondence with disease severities
recorded in 15 sites for at least eight years. Redundant climate variables were eliminated by
principal component analysis. With structured data disposed in two datasets of climate
(explanatory variables) and disease severity and productivity (response variables), canonical
correlation analysis was performed (CCA) by location and by regions. The influence of
climate on disease severity was demonstrated in only five sites, according to CCA models
significant at 5%, with their first two axes explaining over than 50% of explanatory
variables. In such sites, the total variation in disease severity was partially explained by
climate variables. In the regional approach, climate variables did not significantly influence
rice diseases in the North Region. Nevertheless, significant models demonstrated the
correlation between climatic variables and disease in the Center-West and Northeast, despite
the small percentage of explanation by the first two axes. In general, higher disease severity
was related to rainfall and lower minimum temperatures during the reproductive stage of
rice plots. In all cases, yield was not related to environmental variables.
Key words: Oryza sativa L., climate change, modelling, crop management, remote sensing.
2 Adviser: Prof. Dr. Murillo Lobo Junior. PPGA/EA-UFG
13
1 INTRODUÇÃO GERAL
O arroz é considerado um dos principais alimentos para a população mundial.
Estudos realizados pelo IFPRRI (International Food Policy Research Institute) estimam que
até 2050 a produção de arroz vai diminuir em 15% nos países em desenvolvimento com
acréscimo de 12% nos preços, com reflexos principalmente na segurança alimentar
(Sundström et al., 2014). De acordo com o mais recente levantamento realizado pela FAO
(FAO, 2015) a produção mundial de arroz, no ano de 2015 foi de 491,5 milhões de toneladas,
totalizando 5% abaixo do esperado para esta safra, sendo esta redução atribuída a condições
climáticas desfavoráveis, principalmente a seca que atingiu países asiáticos. Segundo o
levantamento da Companhia Nacional de Abastecimento (Conab) divulgado no mês de
fevereiro de 2016, a produção de arroz no Brasil, houve redução de 7,4% na área plantada e
7,7% na produção total. Um dos motivos para a redução de rendimento foram as chuvas mais
intensas na região sul, principal produtor de arroz irrigado em nosso país (Conab, 2016).
Atualmente são encontrados vários trabalhos com modelos que abordam os
impactos das variáveis climáticas sobre os a produtividade do arroz (Chun et al., 2016)
(Bocchiola, 2015), mas estudos que tratam dos efeitos de variações climáticas sobre doenças
ainda são raros para esta cultura. (Kim & Cho, 2015), por exemplo, estimaram o efeito das
alterações climáticas sobre a brusone na folha e queima da bainha do arroz na Coréia,
prevendo a diminuição da severidade da doença para os próximos 100 anos. De acordo com
(Wiik & Ewaldz, 2009), estimou-se que a precipitação foi a variável mais correlacionada
com a severidade das doenças do trigo, e que dados meteorológicos podem ser usados com
sucesso em modelos de previsão de doenças do trigo. No Brasil, em estudos realizados por
(Del Ponte et al., 2006) para previsão de ferrugem asiática usando modelos com dados de
variáveis climáticas, observou-se a forte influência da precipitação nesta doença da soja,
principalmente para os locais onde a temperatura é fator limitante para o desenvolvimento
da doença.
14
Estudos dessa natureza são de grande valia para a melhor eficiência do controle
de doenças. Apesar das dimensões continentais e da importância da agricultura em nosso
país, ainda são poucos os estudos que estimam riscos e danos causados por doenças na
cultura do arroz no Brasil. Desta forma, o presente estudo teve como principal objetivo
avaliar o efeito das variáveis climáticas sobre a severidade das principais doenças da cultura
do arroz, em diferentes localidades brasileiras.
15
2 REVISÃO BIBLIOGRÁFICA
2.1 PRODUÇÃO DE ALIMENTOS NO SÉCULO XXI
O aumento populacional contínuo no Século XXI evidencia a necessidade de se
aumentar a produção de alimentos no planeta, e de conciliar a segurança alimentar da
população com a proteção aos recursos naturais de garantem a sustentabilidade da
agricultura. São vários os estudos que demostram que até o ano de 2050 a produção agrícola
terá de dobrar para atender as demandas mundiais (Tilman et al., 2011), em um ambiente em
constante transformação. A produção agrícola nas diferentes regiões do planeta é regulada
pelo clima, que se vale da regularidade de estações climáticas, e o desbalanço entre variáveis
importantes como chuvas e temperaturas é uma fonte de riscos e incertezas sobre as
colheitas. Além disso, a agricultura também afeta o ambiente, sendo considerada uma das
atividades que pode provocar perda da biodiversidade, degradação do solo, contaminação da
água, além de contribuir de forma significativa para as alterações do climática (Bajželj et al.,
2014). Por estes motivos, conciliar o aumento da produção de alimento em alta escala e
reduzir simultaneamente os danos ambientais é um dos principais desafios do século XXI
(Foley et al., 2011).
Para atender as demandas crescente por alimentos, a produção agrícola deve
crescer continuamente próximos anos, e ao mesmo tempo diminuir os impactos provocados
no meio ambiente (Ray et al., 2013; Foley et al., 2011) Como a expansão da área cultivada
afeta áreas de vegetação nativa ou é limitada por condições ambientais adversas, o aumento
da produtividade das culturas agrícolas é considerado a principal estratégia para garantir a
segurança alimentar nos próximos anos será (Godfray et al., 2010; Phalan et al., 2011). Os
principais fatores que limitam a produção agrícola são a degradação dos recursos naturais, a
fertilidade dos solos, as alterações do clima e a ocorrência de pragas e doenças (Sundström
et al., 2014)
Vários destes fatores limitantes estão inter-relacionados, como as doenças que
afetam as culturas agrícolas e o clima. As variáveis climáticas afetam todo o ciclo de vida
dos patógenos, assim como o de suas hospedeiras. Essas alterações nos padrões de
precipitação e temperatura, afetam diretamente o rendimento das culturas e ainda, podem
16
aumentar ou diminuir a severidade de doenças de plantas, principalmente devido à forte
influência que as condições climáticas exercem sobre o desenvolvimento dos patógenos
(Garrett et al., 2006). Ainda que muitos dos eventos que determinam o ciclo de vida dos
fitopatógenos ocorram de acordo com o microclima formado sob o dossel das culturas, sem
dúvidas, chuvas, variações de temperaturas, ventos determinam o transporte do inóculo
inicial e o ciclo infeccioso. Estas condições macroclimáticas foram determinantes em fatos
registrados na história mundial, como as epidemias de requeima da batata no Século XIX na
Europa e da mancha parda do arroz em Bengala, em 1942 (Agrios, 2005), não sem
desconsiderar a importância da resistência genética às doenças.
Apesar de todos os avanços na proteção de plantas às doenças e pragas, os riscos
à produção agrícola não foram necessariamente reduzidos, em parte, por serem formados
por fatores praticamente incontroláveis pelo ser humano. Mais recentemente, as mudanças
climáticas que afetam o regime de chuvas e de temperaturas têm sido consideradas um dos
maiores riscos à segurança alimentar. Entre vários exemplos de como estas mudanças afetam
a agricultura, estudos realizados por (Scherm & Yang, 1995) na China e (Culbreath &
Srinivasan, 2011) nos Estados Unidos observaram redução na da incidência ferrugem no
trigo em anos do fenômeno El Niño (China) e menor ocorrência de Tospovirus em plantas
de amendoim no sudeste dos Estados Unidos em anos de ocorrência do fenômeno La Niña
(Culbreath & Srinivasan, 2011).
Nos anos de El Nino ocorre o aquecimento anormal das águas do oceano
Pacífico, que provocam alterações nos sistemas atmosféricos, o que resulta em aumento da
precipitação ao longo da costa do Ocidental da América do Sul e EUA e no leste da África
e simultaneamente provoca longos períodos de estiagem no sudeste da Ásia, África do Sul e
Norte e Nordeste do Brasil (Yeh et al., 2009; Xu & Huang, 2015). Por outro lado, em anos
do fenômeno La Niña, as águas do oceano pacifico tornam-se mais frias que o normal,
provocando mudanças na circulação atmosférica, provocando eventos climáticos extremos
em diferentes partes do mundo que incluem secas severas em vários países como por
exemplo nos Estados Unidos (Kiladis & Diaz, 1989). Outro exemplo é o aumento da
precipitação e consequentemente de inundações em países na América do Sul (Hoyos et al.,
2013).
2.2 A CULTURA DO ARROZ E SUAS DOENÇAS
17
O arroz (Oryza sativa L.) é um dos cereais mais importantes do mundo, e um
dos principais componentes da dieta básica da população mundial. A produção mundial no
ano de 2015 foi de 491,5 milhões de toneladas, com a maior parte de sua produção originadas
em países do Sudeste Asiático. No Brasil, após aumento de 2,6% na safra 2014/2015 que
atingiu 12,43 milhões de toneladas, houve redução na safra de 2015/2016 de 7,4% na área
plantada e 7,7 na produção total. Cerca de 2/3 desta produção é obtida no Rio Grande do Sul
e em Santa Catarina, em lavouras irrigadas. No restante do país, as lavouras estão
distribuídas em cultivos de terras altas e irrigado tropical, tanto para agricultura familiar
quanto para comercialização (Conab, 2016).
2.2.1 Brusone
A brusone Magnaporthe oryzae é considerada uma das principais doenças da
cultura do arroz, responsável pela queda de 10 a 30% da produção mundial desta cultura
(Skamnioti & Gurr, 2009). No Brasil, a brusone ocorre em todo o território brasileiro, do
Rio Grande do Sul ao Amazonas, considerada a principal doença do arroz no país,
provocando perdas significativas de até 100% na produtividade, quando as condições
ambientais são favoráveis. No Rio Grande de Sul, a brusone causa danos menores à
produtividade, em comparação às perdas observadas no Tocantins (Ribeiro, 1984), devido
principalmente às temperaturas menores que limitam sua incidência e severidade.
Em estudos realizados no Brasil, com brusone nas folhas em condições de terras
altas, verificou-se que as temperaturas de 30° C durante o dia junto com períodos
prolongados de orvalho proporcionaram um maior número de infecções (Prabhu et al., 1986).
A severidade da brusone nas panículas foi correlacionada significativamente com a
temperatura mínima, entre 110 a 117 dias após o plantio de IAC 47 em terras altas. A
ocorrência de chuvas abundantes durante o enchimento dos grãos, por sua vez, pode reduzir
a severidade da brusone nas panículas (Prabhu & Morais, 1986).
A análise de risco da brusone associada a temperaturas e precipitação foi
analisada para cinco países Asiáticos utilizando dados coletados em 53 locais, combinando-
se os modelos CERES-Rice e BLASTSIM (Luo et al. 1995). Nesta análise, a mudança na
precipitação pluvial não afetou significativamente a incidência da brusone. Por outro lado,
18
as temperaturas mostraram efeitos negativos e diferentes quanto aos danos causados devido
à brusone em diferentes zonas agroecológicas.
Em um segundo estudo representado por Luo et al. (1998), foram avaliados a
perda de rendimento causada pela brusone na folha e relacionada com as mudanças de
temperatura em cinco países da Ásia. Observou se que na maioria dos locais cujo a
temperatura é considerada mais baixa (Japão e norte da China), o aumento da temperatura
teve efeitos significativos sobre as perdas de rendimentos. Já em locais quentes e úmidos
como no Sul da China, Filipinas e Tailândia a temperatura mais baixar levou a um maior
risco de perda.
No trabalho de Luo et al. (1998), foram incorporadas no modelo somente a
contribuição de danos causada por esta doença nas folhas. O efeito da brusone nas panículas
sobre o rendimento do arroz é maior do que nas folhas, principalmente, em condições
tropicais como a do Brasil. De acordo com projeções feitas por Prabhu et al. (2008), no caso
de um incremento de 1 a 5°C, pode haver um aumento da severidade da brusone em várias
regiões brasileiras, o que torna necessário traçar novas estratégias de sustentabilidade para a
cultura do arroz.
2.2.2 Mancha parda
A mancha parda, causada pelo fungo Bipolaris oryzae é uma doença que vem
assumindo grande importância econômica em todo território nacional. A doença afeta
principalmente as lavouras semeadas em novembro, momento em que as plantas estão
próximas à maturação, provocando, em média, perdas de 12% a 30% no peso dos grãos
(Fillipi & Prabhu, 1998). As sementes infectadas por B. oryzae sofrem uma redução
significativa na germinação e, em geral, os grãos manchados causam perdas também no
rendimento de engenho, além de depreciar os aspectos visual dos grãos.
A mancha parda ataca o coleóptilo, folhas, bainha, ramificações das panículas,
glumelas e grãos. Os sintomas geralmente manifestam-se nas folhas logo após a floração e,
mais tarde, nas glumelas e grãos. Nas folhas, os sintomas são lesões circulares ou ovais, de
coloração marrom, com centro acinzentado ou esbranquiçado, com margens pardas ou
avermelhadas. As lesões nas bainhas são semelhantes às lesões típicas nas folhas. Nos grãos,
19
as manchas têm coloração marrom-escura e, muitas vezes, juntam-se, cobrindo-os
completamente (Vidhyasekaran, 1986)
A doença é favorecida por temperaturas entre 20°C e 30°C e por alta umidade
relativa do ar, maior que 89%. O estresse por excesso ou falta de água, a baixa fertilidade do
solo - principalmente em relação à adubação com potássio - e o uso de nitrogênio em níveis
muito altos ou muito baixos aumentam a suscetibilidade da planta à mancha parda (Fillipi &
Prabhu, 1998).
Bipolaris oryzae tem grande potencial destrutivo nas condições altamente
favoráveis. Em 1943, dois milhões de habitantes de Estado de Bengala Oeste, em
Bangladesh, morreram de fome devido à falta de arroz, atribuída à epidemia de mancha
parda causada por B. oryzae (Agrios, 2005). A epidemia foi facilitada pelo aumento de
temperaturas mínimas e alta precipitação pluvial e nebulosidade (Padmanabhan, 1973).
Diante disto, pode-se prever que esta doença poderá em breve ocorrer com maior frequência,
de acordo os prognósticos do IPCC (International Pannel on Climate Change 3 ),
principalmente, nas regiões subtropicais, local em que a maior parte da produção de arroz
está concentrada.
2.2.3 Queima da bainha
A queima-da-bainha causada pelo fungo Rhizoctonia solani J.G. Kühn
[teleomorfo Thanatephorus cucumeris (Frank) Donk] é considerada importante doença na
cultura do arroz irrigado em diferentes países, tanto de clima temperado como no tropical
(Webster & Gunell, 1992). A doença é caracterizada por manchas ovaladas, elípticas ou
arredondadas, de coloração branco-acinzentada e bordas marrons bem definidas situada da
bainha até a base da haste do arroz. Em casos severos observam-se manchas semelhantes
nas folhas, porém com aspecto irregular, que podem causar seca parcial ou total das folhas.
No Brasil, a ocorrência da queima-da-bainha foi assinalada em lavouras de arroz
de alguns municípios dos Estados de São Paulo, Rio Grande do Sul, Amazonas e Tocantins,
onde ocorre com maior frequência em lavouras cultivadas em rotação com soja, que também
é hospedeira do mesmo patógeno (Prabhu et al., 2008).
3 http://www.ipcc.ch/
20
Com o prognóstico de aumento de temperaturas mínimas e máximas na Região
Sul do Brasil, junto a rotações de culturas inadequadas, a queima-da-bainha pode se tornar
uma das principais doenças do arroz como a brusone. A alta precipitação pluvial típica dos
anos de El Niño no Sul do Brasil também pode contribuir para possíveis epidemias desta
doença. As condições climáticas favoráveis para o surgimento da doença são umidade acima
de 95% e temperatura média em torno de 28 a 32 º C (Lee & Rush, 1983)
2.2.4 Escaldadura
O agente causal da escaldadura é o fungo Monographella albescens. Esta doença
tem se manifestando de forma significativa em todas as regiões brasileiras, destacando-se
nas regiões Norte e Centro-Oeste (Silva-Lobo et al., 2011), em todos os sistemas de
produção, tanto irrigado como o de terras altas (Prabhu et al., 1999).
A doença é favorecida em ambientes que apresentam alta pluviosidade, períodos
prolongados de molhamento foliar, com temperatura média em torno de 24 a 28 º C, excesso
de adubação nitrogenada e plantio adensado (OU, 1985; Groth et al., 1992)
Os sintomas da doença iniciam-se nas extremidades apicais ou nas bordas das
lâminas foliares. As manchas não apresentam margens bem definidas e são inicialmente de
coloração verde-oliva. Com o desenvolvimento da doença, as áreas afetadas apresentam
sucessões de faixas concêntricas. As lesões coalescem, causando secamento e morte das
folhas afetadas. As lavouras afetadas apresentam amarelecimento geral, com as pontas das
folhas secas (Prabhu et al.,1999). As principais medidas de controle são o uso de sementes
de boa qualidade fisiológica e sanitária, a rotação de cultura a adoção de práticas culturais,
combinadas com o uso de cultivares resistentes, reduz-se o uso de produtos químicos e,
consequentemente, dos danos ambientais e do custo de produção (Silva-Lobo et al., 2007).
2.2.5 Manchas de grãos
A mancha de grãos tem assumido maior importância nos últimos anos em
lavoura de produção de arroz. A doenças é causada por um complexo de patógenos composto
por fungos e bactérias que atuam simultaneamente. Observa se os principais agentes casuais
21
Bipolaris oryzae (=Helminthosporium oryzae), Magnaporthe oryzae, Phoma sorghina,
Microdochium oryzae (=Rhynchosporium oryzae), alternaria padwickii, alternaria spp.,
Curvularia lunata e Nigrospora oryzae, como os principais patógenos, responsáveis pela
redução da qualidade dos grãos (Malavolta et al., 2007). A mancha de grãos tem sido
considerada como um dos principais problemas do arroz de terras altas. Segundo Prabhu &
Bedendo (1988), as perdas do peso das panículas podem variar de 22 a 45% e no rendimento
industrial de 0 a 14% em ano de epidemia. As manchas nos grãos aparecem desde o início
da emissão da panícula até o seu amadurecimento. Os sintomas são muito variáveis,
dependendo do patógeno predominante, do estádio de infecção. As condições climáticas
favoráveis dependem muito do patógeno predominante no complexo (Ou,1985). Nas regiões
Sul do Brasil ocorrerem maior ocorrência da doença quando se registra dias com umidades
mais elevadas e temperatura em torno de 15 a 20ºC durante a fase de emborrachamento dos
grãos ou no período de floração da cultura (Nunes,2013).
O controle mais eficiente são as medidas preventivas como o plantio de sementes
sadias ou o tratamento das sementes com fungicidas que aumenta o vigor das plântulas e o
estande da lavoura, além de diminuir o inóculo inicial. O controle químico deve ser realizado
de maneira preventiva, com uma ou mais aplicações, dando preferência aos fungicidas de
ação sistêmica. A primeira aplicação deve ocorrer no final da fase de emborrachamento e
início da emissão de panículas e, a segunda, 10 dias após a primeira aplicação (Silva-Lobo
et al., 2007).
2.3 CLIMA E DOENÇAS DE PLANTAS
O ambiente pode influenciar a resistência e a suscetibilidade da planta
hospedeira, a multiplicação, a sobrevivência e as atividades do patógeno, assim como a
interação entre a planta hospedeira e patógeno (Ghini.,2005). As recentes mudanças
verificadas no clima do planeta, diante da intensificação antrópica, certamente estão
promovendo significativas alterações na ocorrência e severidade de doenças de plantas.
Os cenários climáticos futuros, de modo geral, indicam um aumento da
temperatura, o qual, certamente, alterará a resposta das plantas às doenças, seja devido à
própria composição genética do hospedeiro (mutações no DNA, por exemplo), seja por
alterações causadas na comunidade de organismos que induzem resistência. Essas mudanças
22
têm se manifestado de diversas formas, dentre as quais se destaca o “aquecimento global”,
ou seja, o aumento da temperatura do planeta. Nesse sentido, não faltam evidências de que
ocorrerão mudanças climáticas globais em função do aumento da concentração de gases de
efeito estufa, como o gás carbônico (CO2), o metano (CH4) e óxido nitroso (N2O), além do
próprio vapor d’água (H2O), conforme relatos cada vez mais consistentes e aceitos pela
comunidade científica internacional (Pellegrino et al., 2007).
Os fitopatógenos estão entre os primeiros organismos a sofrerem os efeitos das
mudanças climáticas devido às numerosas populações, facilidade de multiplicação e
dispersão, além do curto tempo entre gerações (Scherm et al., 2000). Dessa forma, estes
microrganismos constituem um grupo fundamental de indicadores biológicos que deve ser
avaliado quanto aos impactos das mudanças climáticas. Além disso, constituem um dos
principais fatores responsáveis por reduções de produção e podem colocar em risco a
sustentabilidade dos agroecosistemas.
Conforme já visto, a manutenção da sustentabilidade dos sistemas agrícolas é
diretamente dependente do manejo e controle de doenças e insetos-praga. Apesar do
pessimismo imposto pelas projeções de alterações climáticas, há uma série de incertezas que
são difíceis de serem antecipadas pela pesquisa científica. Essas alterações certamente terão
efeitos regionalizados na produtividade, mas é difícil estimar com exatidão qual a extensão
destas consequências.
Por outro lado, o passado é uma fonte excelente de informações. É possível
estudar o histórico de doenças de plantas e suas consequências em escala local, regional, ou
mesmo continental, e descobrir padrões que auxiliam a compreensão dos patossistemas, e
que subsidia a tomada de decisões para o futuro. A organização de séries históricas de
ocorrência de doenças e de variáveis climáticas relacionadas a estes registros pode revelar
padrões espaço-temporais de grande utilidade para estudos de variações climáticas sobre
doenças e o rendimento das culturas agrícolas.
De acordo com Ghini et al. (2011), as alterações climáticas vão aumentar a
incerteza na produção de muitas culturas em países tropicais, incluindo vários países em
desenvolvimento, onde estas culturas podem formar uma base importante do produto interno
bruto. Além disso, segundo os mesmos autores, patógenos secundários poderão ter uma
maior chance de causar doença, principalmente através de estresse da planta, causado por
mudanças na temperatura e precipitação, especialmente porque o material genético resistente
23
não está sendo selecionado para controle desses patógenos. Dessa forma, é fundamental o
estudo dos impactos ambientais em importantes doenças de plantas, com a finalidade de
minimizar perdas de produção e de qualidade, auxiliando a escolha de estratégias para
contornar os problemas fitossanitários (Chakraborty et al., 2000).
Vários estudos fornecem evidências dessas alterações, tais como aumentos
significativos nas taxas fotossintéticas, produção de papilas, acúmulo de silício, alterações
em sítios de penetração do apressório, maior acúmulo de carboidratos nas folhas, mais cera,
camadas adicionais de células epidérmicas, aumento no teor de fibras, redução da
concentração de nutrientes e alteração na produção de enzimas relacionadas a resistência
(Hibberd et al., 1996). Pode-se perceber assim que são diversos os efeitos nas alterações
fisiológicas causadas nas plantas com relação as mudanças climáticas apresentadas. Diante
disto, a adaptabilidade de alguns sistemas agrícolas pode ajudar a minimizar o impacto
negativo das mudanças climáticas com a adoção de novas cultivares e outras práticas manejo.
24
2.4 REFERÊNCIAS
AGRIOS, G. N. Elservier Academic Press, Plant Pathology, 5 ed. San Diego. 2005. 922 p.
BAJŽELJ, B.; RICHARDS, K. S.; ALLWOOD, J. M.; SMITH, P.; DENNIS, J. S.;
CURMI, E.; GILLIGAN, C. A. Importance of food-demand management for climate
mitigation. Nature Climate Change, London, v. 4, n. 10, , 31 ago. 2014. 924-929 p.
BOCCHIOLA, D. Impact of potential climate change on crop yield and water footprint of
rice in the Po valley of Italy. Agricultural Systems, Barking, v. 139, , out. 2015. 223-237
p.
CONAB, Companhia Nacional de Abastecimento. Acompanhamento de safra brasileira:
Grãos, primeiro levantamento, janeiro/2016. Conab, Brasília, 2016.
CÁRDENAS, R. M.; POLÓN, C. R.; PÉREZ, N.; CRISTO, E.; MESA, S.; FABRÉ, L.;
HERNÁNDEZ, J. J. Relación entre la incidencia de la Piriculariosis (Pyricularia grisea
Sacc.) del arroz (Oryza sativa Lin.) y diferentes variables climáticas en el Complejo
Agroindustrial Arrocero Los Palacios. Cultivos Tropicales, La Habana, v. 31, n. 1, 2010.
14-18 p.
CHAKRABORTY, S.; TIEDEMANN, A. V.; TENG, P. S. Climate change: potential
impact on plant diseases. Environmental Pollution, Barking, v.108, n. 3, , 2000. 317-326
p.
CHUN, J. A. et al. Assessing rice productivity and adaptation strategies for Southeast Asia
under climate change through multi-scale crop modeling. Agricultural Systems,
Barking,v. 143, mar. 2016. 14-21 p.
CULBREATH, A. K.; SRINIVASAN, R. Epidemiology of spotted wilt disease of peanut
caused by Tomato spotted wilt virus in the southeastern U.S. Virus research,
Amsterdam,v. 159, n. 2, ago. 2011. 101-119 p.
DA SILVA, S. C.; STONE, L. F.; DE SANTANA, N. M. P. Arroz de terras altas: período
limite de semeadura para a região Centro-Oeste. Embrapa Arroz e Feijão. Comunicado
Técnico 57 , Santo Antonio de Goiás, 2003.
DEL PONTE, E. M.; GODOY, C. V; LI, X.; YANG, X. B. Predicting Severity of Asian
Soybean Rust Epidemics with Empirical Rainfall Models. Phytopathology, Brasilia, v. 96,
n. 7, 2006. 797-803 p.
FERREIRA, C. M.; SANTIAGO, C. M. Informações técnicas sobre o arroz de terras altas:
estados de Mato Grosso e Rondônia-safras 2010/2011 e 2011/2012. Santo Antônio de
Goiás: Embrapa Arroz e Feijão, 2012.
25
FILLIPI, M. C.; PRABHU, A. S. Doenças do arroz e seu controle. In: Tecnologia para o
arroz de terras altas. Santo Antônio de Goiás: Embrapa Arroz e Feijão, p.139-156,1998.
FOLEY, J. A. et al. Solutions for a cultivated planet. Nature, London, v. 478, n. 7369, , 20
out. 2011. 337- 370 p.
GARRET, K. A.; DENDY, S. P.; FRANK, E. E.; ROUSE, M. N. Climate change effects
on plant disease: genomes to ecosystems. Annual Review of Phytopathology, Palo Alto,
v.44, 2006. 489-509 p.
GHINI, R. Mudanças climáticas e doenças de plantas. Jaguariúna: Embrapa Meio
Ambiente,. 2005. 104 p.
GHINI, R.; HAMADA, E.; JÚNIOR, P.; JOSÉ, M.; GONÇALVES, R. R. D. V. Incubation
period of Hemileia vastatrix in coffee plants in Brazil simulated under climate change.
Summa Phytopathologica, Jaguariúna, v. 37, n. 2, , 2011. 85-93 p.
GODFRAY, H. C. J. et al. Food security: the challenge of feeding 9 billion people.
Science New York, v. 327, n. 5967, , 12 fev. 2010. 812–820 p.
GROTH, D.E, D.E.; RUSH, M.C.; HOLLIER, C.A. Prediction of rice sheath blight
severity and yield loss based on early season infection. Louisiana Agriculture, Baton
Rouge, v 35, , 1992. 20-23 p.
KILADIS, G. N.; DIAZ, H. F. Global Climatic Anomalies Associated with Extremes in the
Southern Oscillation. Journal of Climate, Boston, v. 2, n. 9,1 set. 1989. 1069–1090 p.
KIM, K.-H.; CHO, J. Predicting potential epidemics of rice diseases in Korea using multi-
model ensembles for assessment of climate change impacts with uncertainty information.
Climatic Change, Dordrecht-Holland, v. 134, n. 1-2, 17 set. 2015. 327-339 p.
LAUNAY, M.; CAUBEL, J.; BOURGEOIS, G.; HUARD, F.; GARCIA DE CORTAZAR-
ATAURI, I.; BANCAL, M.-O.; BRISSON, N. Climatic indicators for crop infection risk:
Application to climate change impacts on five major foliar fungal diseases in Northern
France. Agriculture, Ecosystems & Environment, Amsterdam, v. 197, , dez. 2014. 147-
158 p.
LEE, F.; RUSH, M. Rice sheath blight: A major rice disease. Plant Disease, St. Paul, v.
67.n 07 , jul.1983. 820-832 p.
LUO, Y.; TEBEEST, D. O.; TENG, P. S.; FABELLAR, N. G. Simulation studies on risk
analysis of rice leaf blast epidemics associated withglobal climate change in several Asian
countries. Journal of Biogeograghy, v. 22, 1995. 673-678 p.
LUO, Y.; TENG, P. S.; FABELLAR, N. G.; TEBEEST, D. O. Risk analysis of yield losses
caused by rice leaf blast associated with temperature changes above and below for five
Asian countries. Agriculture, Ecosystems & Environment, Amsterdam, v.68: , 1998.
197-205 p.
26
MALAVOLTA, V. M. A.; SOLIGO, E. De A.; DIAS, D. D.; AZZINI, L. E.; BASTOS, C.
R. Incidência de fungos e quantificação de danos em sementes de genótipos de arroz.
Summa Phytopathologica, Jaguariúna, v. 33, n. 3, set. 2007. 280-286 p.
MISHRA, A. K.; MOTTALEB, K. A.; KHANAL, A. R.; MOHANTY, S. Abiotic stress
and its impact on production efficiency: The case of rice farming in Bangladesh.
Agriculture, Ecosystems & Environment, Amsterdam, v. 199, jan. 2015. 146-153 p.
NUNES, C.D.M. Doencas da Cultura do Arroz Irrigado. Embrapa Clima Temperado.
Documento 360 , Pelotas, n. 360, 2013.
OERKE, E.-C. Crop losses to pests. The Journal of Agricultural Science, v. 144, n. 01, 9
dez. 2005. 31 p.
PADMANABHAN, S. Y. The great Bengal famine. Annual Review of Phytopathology,
v.11, 1973. 11-24 p.
PELLEGRINO, G. Q.; ASSAD, E. D.; MARIN, F. R. Mudanças climáticas globais ea
agricultura no Brasil. Revista Multiciência. 2007.
PHALAN, B.; BALMFORD, A.; GREEN, R. E.; SCHARLEMANN, J. P. W. Minimising
the harm to biodiversity of producing more food globally. Food Policy, Oxford v. 36, jan.
2011. 62-71 p.
PINHEIRO, P. V. P. et al. Variáveis experimentais da Embrapa Arroz e Feijão. [s.l.]
Embrapa Arroz e Feijão, 2009.
PRABHU, A. S.; MORAIS, O. P. Blast disease management in upland rice in Brazil.
In: International Upland Rice Conference, 2., 1985, Jakarta, Indonesia. Progress in upland
rice research: proceedings. Manila: IRRI, 1986. 382-394 p.
PRABHU, A. S.; SILVA, S. C.; FILIPPI, M. C. C. Impacto potencial das mudanças
climáticas sobre as doenças do arroz no Brasil. In: Ghini, R.; Hamada, E. (Org.).
Mudanças climáticas. Impactos sobre doenças de plantas no Brasil. Brasília: Embrapa
Informação Tecnológica, 2008. 301-331 p.
PRABHU, A. S.; STEINMETZ, S.; ZIMMERMANN, FJP. Identificação de fatores
climáticos favoráveis às infecções de brusone nas folhas em condições de arroz de
sequeiro. Fitopatologia Brasileira, Brasília, v. 11, 1986, 324 p.
PRABHU, A.S.; FILIPPI, M.C.C.; SILVA, G.B.; SILVA-LOBO, V.L. AND MORAIS,
O.P. Na Unprecedented Outbreak of Rice Blast on a Newly Released Cultivar BRS
Colosso in Brazil. In: Wang, G.L. and Valent, B. (eds.) Advances in Genetics, Genomics
and Control of Rice Blast. Springer Science, Netherlands, 2009. 257-267 p.
PRABHU, A.S.; BEDENDO, I.P. Glume blight of rice in Brazil: etiology, varietal reaction
and loss estimates. Tropical Pest Management, London, v. 34, 1988 . 85-88 p.
27
PRABHU, A.S.; FILIPPI, M.C.; RIBEIRO, A.S. Doenças e o seu controle. In: VIEIRA,
N.R. de A.A.; SANTOS, A.B. dos; SANT’ANA, E.P.A cultura do arroz no Brasil. Santo
Antônio de Goiás. EMBRAPA Arroz e Feijão, 1999. 262-307 p.
RAY, D. K.; MUELLER, N. D.; WEST, P. C.; FOLEY, J. A. Yield Trends Are
Insufficient to Double Global Crop Production by 2050. PloS one, San Francisco v. 8, n. 6,
, jan. 2013. 664 p.
RIBEIRO, A. S. DOENÇAS DE ARROZ IRRIGADO. (EMBRAPA-UEPAE Pelotas.
Circular Técnica, 19) 2.ed. EMBRAPA-UEPAE Pelotas, 1984. 56 p.
SAVARY, S.; MADDEN, L. V.; ZADOKS, J. C.; KLEIN-GEBBINCK, H. W. Use of
Categorical Information and Correspondence Analysis in Plant Disease Epidemiology.
Advances in Botanical Research, New York, v. 21, 1995. 213-240 p.
SCHERM, H. (Iowa S. U. A. .; YANG, X. B. Interannual variations in wheat rust
development in China and the United States in relation to the El Nino/Southern Oscillation.
Phytopathology (USA), 1995.
SCHERM, H.; SUTHERST, R.; HARRINGTON, R.; INGRAM, J. Global networking for
assessment of impacts of global change on plant pests. Environmental Pollution, Barking,
v. 108, n. 3, 2000. 333-341 p.
SILVA, G. B. da; PRABHU, A. S.; FILIPPI, M. C. C. de; ARAÚJO, L. G. de;
ZAMBOLIM, L. Caracterização da virulência de Magnaporthe grisea em cultivares
diferenciadoras japonesas e linhas quase-isogênicas das cultivares IAC-25 e de CO-39 de
arroz. Summa Phytopathologica, Botucatu, v. 33, n. 4, Oct./Dec. 2007 .372-377 p.
SILVA, L. P. S.; PRABHU, A. S.; SILVA-LOBO, V. L.; FILIPPI; M. C.; CÉSAR, M. C.
Inibição in vitro de Pyricularia griseapor Sarocladium oryzae, o agente causal da podridão
da bainha em arroz. Fitopatologia Brasileira, Brasília, DF, v. 32, , ago. 2007.
Suplemento. Ref. 0747. Edição dos Resumos do XL Congresso Brasileiro de Fitopatologia,
Maringá, PR, ago. 2007. 258 p.
SILVA-LOBO, V. L. da; LACERDA, M. da G.; FILIPPI, M. C. de; SILVA, G. B. da;
PRABHU, A. S. Influência da adubação nitrogenada, época de plantio e aerosporos sobre a
severidade da mancha de grãos em arroz de terras altas. Summa Phytopathologica,
Botucatu, v.37, n.3, , Jul./set.2011. 110-115 p.
SKAMNIOTI, P.; GURR, S. J. Against the grain: safeguarding rice from rice blast disease.
Trends in Biotechnology, Amsterdam, v.27, 2009. 141-150 p.
SUNDSTRÖM, J. F. et al. Future threats to agricultural food production posed by
environmental degradation, climate change, and animal and plant diseases – a risk analysis
in three economic and climate settings. Food Security, Dordrecht, v. 6, n. 2, 17 fev. 2014.
201-215 p.
28
TILMAN, D.; BALZER, C.; HILL, J.; BEFORT, B. L. Global food demand and the
sustainable intensification of agriculture. Proceedings of the National Academy of
Sciences of the United States of America, Washington, v. 108, n. 50, , 13 dez. 2011.
202-224 p.
WANG, R.; BOWLING, L. C.; CHERKAUER, K. A. Estimation of the effects of climate
variability on crop yield in the Midwest USA. Agricultural and Forest Meteorology,
Amsterdam, v. 216, 2016. 141-156 p.
WEBSTER, R. K.; GUNNELL, P. S. Compendium of rice diseases. American
Phytopathological Society, St. Paul ,1992. 62 p.
WIIK, L.; EWALDZ, T. Impact of temperature and precipitation on yield and plant
diseases of winter wheat in southern Sweden 1983–2007. Crop Protection, Tehran, v. 28,
n. 11, 2009. 952-962 p.
XU, X.-M. et al. Relationship between the fungal complex causing Fusarium head blight of
wheat and environmental conditions. Phytopathology, St. Paul, v. 98, n. 1, 14 jan. 2008.
69-78 p.
YEH, S.-W.; KUG, J.-S.; DEWITTE, B.; KWON, M.-H.; KIRTMAN, B. P.; JIN, F.-F. El
Niño in a changing climate. Nature, London, v. 461, n.7263, 24 set. 2009. 511-520 p.
ZHAO, Z.; JIANG, Y.; XIA, L.;, TENGFEI, Y, WENMING, G.;, YANZHENG, J.; XIN
F.; ELCHICO, H. J. Application of canonical correspondence analysis to determine the
ecological contribution of phytoplankton to PCBs bioaccumulation in Qinhuai River,
Nanjing, China. Environmental science and pollution research international,
Landsberg, v. 21, n. 4, fev. 2014. 309-320 p.
VIDHYASEKARAN, P. Host-Specific Toxin Production by Helminthosporium oryzae.
Phytopathology, Brasília, v. 76, n. 3, 1 jan. 1986. 261 p.
29
3 VALIDAÇÃO DE DADOS METEOROLOGICOS OBTIDOS VIA SENSOR
REMOTO ORBITAL EM DIFERENTES REGIÕES BRASILEIRAS
RESUMO
Dados meteorológicos obtidos via sensoriamento remoto e estimados por meio
de algoritmos tem sido fundamental para a pesquisa climatológica em regiões onde há
poucas estações de superfície. Além disso, a escassez de estações meteorológicas de
superfície em determinadas regiões pode ser limitante à realização de estudos de ampla
abrangência geográfica em temas diversos, tais como agricultura. Neste contexto, o objetivo
deste trabalho foi validar o uso de dados de precipitação, temperaturas máxima e mínima
mensais obtidas via sensor remoto orbital, em comparação com dados de estações
meteorológicas de superfície, para subsidiar estudos agrícolas dos efeitos de variáveis
macroclimáticas sobre seis regiões brasileiras, classificadas quanto à homogeneidade da
precipitação. Para tanto, foi utilizado o banco de dados climático da NASA Prediction of
Worldwide Energy Resource (POWER). Esses dados foram comparados aos obtidos de
estações de superfície brasileiras, oriundos do Instituto Nacional de Meteorologia (INMET).
Os dados foram compostos de séries históricas (2004 a 2014) de médias mensais de
temperaturas e precipitação, e submetidos a testes estatísticos para sua validação. Foram
estimados os coeficientes correlação de Pearson e modelos de regressão linear entre os dados
estimados via satélite e obtidos via estações de superfície. Para verificação da acurácia dos
dados estimados via satélite, foram estimados o erro médio absoluto, o desvio médio
quadrático e o índice de concordância. Estas análises foram conduzidas separadamente para
cinco municípios de cada uma das seis regiões brasileiras consideradas como uniformes
quanto à precipitação. Os dados de precipitação mensal para a maioria das regiões
apresentaram coeficientes de correlação satisfatórios, entre 0,75 e 0,95 (P<0,05). Já os dados
de temperaturas máxima e mínima obtidos por satélites apresentaram resultados irregulares
que variavam conforme a região, em especial quando a amplitude térmica estimada por
estações do INMET era baixa. Nestes casos, verificou-se que os dados obtidos remotamente
não detectaram eventos climáticos extremos, como chuvas ou seca intensas e que, portanto,
tais dados precisam ser aplicados com cautela. Em relação à acurácia dos dados, as médias
de precipitação mensal foram maiores e mais consistentes para todas as regiões, ao contrário
das temperaturas máxima e mínima.
Palavras-chave: Climatologia, sensoriamento remoto, modelagem, planejamento agrícola.
30
ABSTRACT
VALIDATION OF WEATHER DATA OBTAINED VIA ORBITAL REMOTE
SENSORING IN DIFFERENT BRAZILIAN REGIONS
Meteorological data obtained by remote sensing and estimated by algorithms has
been critical to the climatological research, in areas where surface stations are not available.
In addition, insufficiency of ground meteorological stations in certain regions can limit wide
geographic studies on various topics, such as agriculture. In this context, the aim of this study
was to validate the use of rainfall, maximum temperature and minimum monthly data
obtained via remote sensing, in comparison to ground meteorological stations to support
agricultural studies about the effects of macroclimatic variables on six Brazilian regions,
labeled according to their precipitation homogeneity. For this, climatic records were
retrieved from the NASA’s Prediction of Worldwide Energy Resource (POWER) database.
POWER records were compared to records from Brazilian surface stations managed by the
National Institute of Meteorology (INMET). The experimental data comprised historical
series (2004-2014) of monthly average temperatures and precipitation from both institutions
from five municipalities of each of six Brazilian regions regarded as uniform as precipitation.
Validation tests consisted of Pearson coefficients of correlation and linear regression models,
between the satellite-estimated data and ground stations. The accuracy of the satellite-
estimated data was verified by average absolute error, root mean square deviation and
concordance index. The monthly rainfall data for most locations showed satisfactory
correlation coefficients, between 0.75 and 0.95 (P<0.05). Maximum and minimum
temperatures estimated by satellites showed irregular results that varied according to the
region, especially when the temperature range estimated by INMET stations was low. In
these cases, remotely obtained data did not detect extreme climatic events such as heavy
rainfall or draught and, therefore, such data needs to be appraised with caution. Regarding
the accuracy of weather records, average monthly rainfall were higher and more consistent
for all regions, unlike the maximum and minimum temperatures.
Key-words: Climatology, remote sensing, modelling, agricultural planning.
31
3.1 INTRODUÇÃO
As condições climáticas estão entre os principais fatores que influenciam os
sistemas produção agrícola e regem a distribuição da produção de alimentos no mundo. As
variações climáticas afetam toda a produção agrícola mundial conforme as diferentes
exigências das plantas em água, luz e temperaturas favoráveis e, conforme padrões regionais
estabelecidos há milênios, se determina a aptidão de cada local para produção de alimentos.
Os padrões de chuvas e temperaturas permitem classificar as regiões do planeta em zonas
climáticas (Alvares et al., 2013). Porém, tais variáveis oscilam naturalmente e são
incontroláveis. Apesar destes padrões viabilizarem o zoneamento agrícola e os frequentes
recordes de safras, há também vários exemplos de quebras de safras no Brasil e no mundo,
com enormes prejuízos à agricultura e à sociedade, devido às oscilações climáticas que
incluem eventos extremos (Iizumi et al., 2014; Ferreira Filho & Moraes, 2015; Gourdji et
al., 2015).
Atualmente, tanto a segurança alimentar quanto o agronegócio dependem de
planejamento feito com base em dados climáticos. O uso de estações meteorológicas,
automatizadas de superfície e de satélites, para monitoramento climático tem se tornado uma
importante ferramenta aplicada em estudos de diversas áreas científica e socioeconômicas
(Mariano Júnior, 2006). No entanto, o número de estações de superfície distribuídas nas
regiões brasileiras ainda é muito restrito (Buarque et al., 2011).
De acordo com Oliveira et al. (2012) no Brasil encontram-se 245 estações
convencionais e 464 estações automáticas, mantidas pelo Instituto Nacional de Meteorologia
(INMET). Além dessas, conta-se com estações terrestres dos serviços estaduais de
meteorologia, das cooperativas, de universidades, de fundações de apoio à pesquisa e de
empresas privadas. Este número é considerado baixo para cobrir toda a extensão territorial
do Brasil, e além disso, parte das estações apresentam limitações por causa de erros,
especialmente como dados faltantes. Outro fator limitante é que a grande maioria das
estações automáticas foram implantadas após o ano de 2006, impedindo principalmente a
elaboração de series históricas mais longas, para estudos diversos.
32
A baixa densidade de estações meteorológicas e a dificuldade de obtenção destas
informações precisas são problemas não apenas do Brasil, e faz com que o a utilização de
modelos atmosféricos regionais e globais sejam cada vez mais utilizados (Dinku et al.,
2007). As estimativas dos dados agrometeorológicos obtidos remotamente são derivadas,
em geral, de sistemas complexos e sofisticados, que integram dados de satélites
(imageadores e não imageadores), dados de radar, modelos matemáticos, e que necessitam
ser calibrados com dados observados em estações meteorológicas terrestres. O uso desse tipo
de dados tem sido amplamente utilizado em diferentes países tais como China, Estados
Unidos África, para estudos em ampla escala geográfica (White et al., 2008 ; Pinker et al.,
2009 ; Bai et al., 2010 ; Saldanha et al., 2015).
Várias bases de dados climatológicos estão disponíveis online, como a
CLIMOND (Global climatologies for bioclimatic modelling4, Austrália), onde seus dados
são reformulados por meio de outras duas bases a Worldclim e a Climate Research Unit
(CRU) (Kriticos et al., 2012). Há também a POWER (Prediction Of Worldwide Energy
Resource5) do departamento de metodologias agroclimatologias da NASA, criada no ano de
2003. Estas bases cobrem praticamente todo o globo terrestre e disponibilizam gratuitamente
dados meteorológicos de radiação, temperatura, precipitação, umidade relativa, velocidade
do vento, a partir de sensores orbitais e algoritmos de transferência (Bai et al., 2010).
Os dados meteorológicos disponibilizados pela POWER abrangem uma grade
de coordenadas de 1º latitude por de 1º longitude (110 km) a nível mundial. Para a maioria
das variáveis, com exceção para precipitação, os dados são fornecidos a partir de 1983 e
atualizados até próximo da data presente (8 dias). Os dados de temperatura máxima e mínima
de janeiro de 1983 até a data presente são fornecidos pelo Goddard Earth Observing System
(GOES), passando por algumas atualizações nas versões dos modelos de assimilação. Já os
4 https://www.climond.org/
5 http://power.larc.nasa.gov/
33
dados de precipitação são fornecidos Global Precipitation Climatology Project (GPCP)
a partir de janeiro de 1997 até a data presente (White et al., 2011).
Deste modo, é possível utilizar dados climatológicos obtidos remotamente por
satélites, para pesquisa e planejamento agrícola, mas a validação destes dados é uma
premissa básica para sua confiabilidade (Tang et al., 2015). Entre inúmeras possibilidades
de uso de dados validados no Brasil, há necessidade de informações climatológicas para
sistemas de alerta e previsão de doenças para as culturas do arroz e do feijão comum, que
constituem a base alimentar do povo brasileiro. Por estes motivos, este trabalho tem como
principal objetivo validar o uso de dados de precipitação, temperaturas máxima e mínima
obtidas via sensor remoto orbital, mantidos pela base de dados online POWER NASA, para
fins de apoio à pesquisa agrícola no Brasil.
3.2 MATERIAL E MÉTODOS
3.2.1 Origem de dados macroclimáticas
Dados diários de precipitação, temperatura máxima e temperatura mínima
registrados por estações automatizadas de superfície foram obtidos a partir da base online
do BDMEP (Banco de dados Meteorológicos para Ensino e Pesquisa6) (INMET/BDMEP,
2015). Este banco de dados possui dados diários em forma digital, de séries a partir do ano
de 1961 das estações meteorológicas convencionais pertencentes à rede de estações do
INMET. Esses dados foram comparados aos dados estimados obtidos da base online
POWER (Stackhouse Jr, 2015).
3.2.2 Seleção das localidades
A seleção das localidades foi baseada no trabalho de (Keller Filho et al., 2005),
onde os autores dividiram o Brasil em seis regiões distintas, quanto a padrões de distribuição
de chuvas. A partir das seis regiões foram selecionados os locais representativos de cultivos
6 http://www.inmet.gov.br/projetos/rede/pesquisa/
34
do arroz irrigado e de terras altas, cujos municípios contavam com séries históricas, do
período entre janeiro de 2004 e dezembro de 2014 com séries de dados do mesmo
período (Figura 3.1).
Figura 3.1 Localização das estações meteorológicas (INMET) utilizadas para validação de dados climáticos
obtidos por sensores remotos, de 30 municípios brasileiros distribuídos em seis regiões conforme
a homogeneidade de precipitação. Região-01 (Centro Oeste) Região-02 (Sul). Região-03 (Litoral
Sudeste). Região-04 (Pantanal). Região-05 (Nordeste) e Região-06 Norte).
Os dados foram organizados e estruturados em planilhas do programa MS Excel,
formando uma base de dados com pontos georreferenciados por meio das coordenadas de
latitude e longitude em graus decimais. Para análises estatísticas de validação, os dados
foram denominados em observados “INMET” e estimados “POWER. Apesar da base
POWER disponibilizar dados de precipitação a partir de 1997, a seleção de dados foi
realizada no período de janeiro de 2004 a dezembro de 2014. Foi determinada esse período
devido os dados observados do INMET apresentarem menor número de dados faltantes. Os
dados diários estimados pela POWER não apresentaram problemas com dados faltantes.
Quando necessário, foram eliminados os dados diários estimados que não apresentavam par
correspondente no conjunto dos dados observado.
35
3.2.3 Análise estatísticas
A partir das estruturações das planilhas, foram estimadas médias mensais para
as variáveis temperatura máxima e mínima, e a precipitação acumulada mensal em mm. Os
dados estimados e observados foram submetidos à análise de correlação para estimativa dos
coeficientes de Pearson, e à análise de regressão linear, utilizando-se o programa R 3.2.3
(R Development Core Team, Vienna, Austria, 2015) com os pacotes lattice, latticeExtra,
Rcolorbrewer, gridExtra, extrafont, alr3, car, plyr, e reshape e ggplot2. A análise de
regressão linear é bastante usada em estudos de validação de dados, por meio do coeficiente
de determinação “” que representa a medida numérica do grau de similaridade entre os
dados observados e estimados. Por este método, também é possível determinar a precisão do
método e indicar o grau de dispersão dos pontos em relação à média, o chamado erro
aleatório. Vale ressaltar que a precisão é considerada o grau de variação de resultados de
uma mediação. No presente estudo foi considerado satisfatório o coeficiente de
determinação acima de 0,70 e significativo ao nível de 5% de probabilidade.
Para verificar a acurácia e a exatidão entre os dados estimados e observados
foram realizados os testes estatísticos conforme Camparotto et al.( 2013), avaliando-se o erro
médio absoluto (Eq. 01), erro médio quadrático (Eq. 02), desvio médio quadrático (Eq. 03)
e índice de concordância modificado (Eq.04). Segundo Wilks (2006) as estimativas do erro
médio absoluto (EMA) e desvio médio quadrático (RMSE) são métodos bastante eficientes
para verificação da acurácia dos dados estimados em relação ao observados.
Eq.01
𝐸𝑀𝐴 = 𝑁−1 ∑[𝑜𝑖 − 𝑒𝑖 ]
𝑁
𝑖=1
Em que:
EMA: N é o número de pares de dados;
𝑜𝑖 Dados observados (INMET)
𝑒𝑖 Dados estimados (POWER)
Eq.02
𝐸𝑀𝑄 = 𝑁−1 ∑(𝑜𝑖 − 𝑒𝑖 )2
𝑁
𝑖=1
36
Em que:
EMQ: N é o número de pares de dados;
𝑜𝑖 Dados observados elevado ao quadrado;
𝑒𝑖 Dados estimados elevado ao quadrado;
Eq.03
𝑅𝑀𝑆𝐸 = √𝑁−1 ∑(𝑜𝑖 − 𝑒𝑖 )2
𝑁
𝑖=1
Em que:
RMSE: Raiz do erro médio quadrático.
Eq.04
𝐼𝐶𝑀 = 1 − |∑(𝑒𝑖 − 𝑜𝑖 )
∑(|𝑒𝑖 − 𝑜| + |𝑜𝑖 − 𝑜|)|
Em que:
ICM : Índice de concordância modificado
𝑜𝑖 Sãos os dados observados;
𝑒𝑖 Sãos os dados estimados
Para verificar a exatidão dos dados estimados obtidos da base POWER, foi
utilizado o método de índice de concordância (ICM) proposto por (Willmott et al., 1985).
Os valores de índice de concordância modificado variam entre 0 e 1, quanto mais próximo
da unidade melhor será o ajuste entre os dados observados e estimadas. Para medir a
confiabilidades, os erros e desvios dos dados, foi realizada a estimativa dos intervalos de
confiança por meio do método de permutação não-paramétrico denominado de bootstrap
(Willmott et al., 1985). A estimativa do intervalo de confiança foi realizada por meio do
pacote “Boot” do programa R, constituídas de 10.000 reamostras com os dados. Todas as
estimativas dos dados foram realizadas no ambiente de programação R, com os auxílios dos
pacotes “gdata e boot” para cálculos dos erros.
37
3.3 RESULTADOS E DISCUSSÃO
3.3.1 Relação entre os dados de precipitação mensal e média mensal de temperatura
máxima e mínima dos dados observados e estimados.
Foram obtidos modelos lineares simples para todas as análises de regressão, para as
seis regiões em estudo. Na figura 3.2 estão apresentados os seis modelos e seus respectivos
diagramas de dispersão, referentes às seis regiões estudadas no período de 2004 a 2014.
Dentre as regiões estudadas, as regiões com maiores coeficientes de determinação foram as
identificadas como C, E e F, respectivamente com municípios do litoral da Região Sudeste
(R2=0,71), Região Nordeste (R2=0,77) e Região Norte (R2= 0, 82) (Figura 3.2). Na região
C, grande parte dos dados se concentraram entre 0 mm e 200 mm mensais de precipitação.
Apesar de um menor número de registros acima de 200 mm, os dados estimados por sensores
remotos foram de modo geral semelhantes aos observados na superfície, mesmo para as
poucas ocasiões com chuvas acima de 500 mm.
Por outro lado, observou-se maior discrepância entre dados estimados e
observados nas regiões A, B e D, que por consequência apresentaram menor qualidade no
ajustamento das equações de regressão, com coeficientes de determinação entre 0,63 e 0,66,
abaixo do padrão de 0,7 tradicionalmente adotado para validação de dados estimados de
precipitação.
38
Figura 3.2 Relação entre os dados do acumulado mensais de precipitação obtidos via estações do INMET (Dados
observados) e POWER (Dados estimados). Diagrama de dispersão referentes as seis regiões de estudo,
região Centro-Oeste (A) Sul (B) Litoral Sudeste (C) Pantanal (D) Nordeste (F) e Norte
(F). *** = significativo a 1%.
Para as regiões A e D, este ajuste foi prejudicado por estimativas de chuvas em
meses em que não houve registro pelas bases do INMET. Além disso, nestas mesmas regiões
houveram casos de dados subestimados ou superestimados numa ampla faixa de
precipitação, entre 0 mm e 600 mm.
De modo geral todas as seis regiões apresentaram alta correlação entre dados
estimados por satélite e estações terrestres, com coeficientes entre 0,80 e 0,90, o que também
indica boa associação entre os dados observados pelas estações de superfície e os estimados
via sensores remotos. No entanto, é importante destacar que os dados obtidos vias POWER
subestimaram a precipitação por ocasião de alguns eventos extremos. Dois exemplos
destacados foram chuvas intensas que causaram enchentes em maio de 2004 em Pelotas (RS)
e chuvas acima da média durante novembro de 2008 e dezembro de 2013 em Vitória (ES).
Verificou-se que os satélites não conseguem registrar eventos climáticos
extremos como estes. Quando um sistema meteorológico de baixa pressão, decorrente de um
ciclone extratropical passou pelo Rio Grande do Sul e provocou umas das maiores enchentes
39
dos últimos 30 anos na cidade de Pelotas (Damé et al., 2005) A precipitação
mensal registrada pela estação de superfície foi de 491,4 mm, bem diferente da estimativa
de 175,2 mm por sensores remotos, com erro bruto de 316,2 mm. No caso de Vitória (ES),
as chuvas acumuladas para novembro de 2008 foram de 662,8 mm, em contraste à estimativa
de 406,1mm, e erro bruto de 256,7 mm. Em dezembro de 2013, as precipitações médias
registradas pela estação meteorológica terrestre e pelo satélite foram respectivamente de
713,9 mm e de 505 mm, com erro bruto de 208,9 mm. Segundo Mello et al. (2012) a
ocorrência de chuvas mais intensas nessa região está relacionada com a formação de Zonas
de Convergência do Atlântico Sul (ZCAS), principal responsável pelas fortes chuvas nos
meses de novembro a janeiro em grande parte da região Sudeste do Brasil.
Nas seis regiões representadas na Figura 3.3, podemos observar a dispersão
dos dados médios de temperatura máxima, com modelos significativos (P<0,01) para todos
os casos. A dispersão de dados e os coeficientes de determinação dão uma ideia da
proximidade ou distância entre dados estimados e observados, com resultados medianos para
as regiões B, C e E (R2 entre 0,42 e 0,60), e ajuste ruim de modelos para as demais. Dentre
as seis regiões estudadas, apenas as regiões localizadas no Sul e litoral do Sudeste (B e C)
apresentaram coeficiente de correlação acima de (=0,75) e foram consideradas
significativas. Estes índices estão abaixo dos estimados por outros autores que também
validaram dados de temperatura obtidos via base POWER, no Estado Unidos e na China,
cujos coeficientes de correlação situaram-se acima de 0, 80) (White et al., 2008; Bai et al.,
2010).
40
Figura 3.3 Relação entre médias mensais de temperatura máxima obtidos via base de dados POWER (dados
estimados) e estações terrestres do INMET (dados observados), referentes as seis regiões de
estudo: Centro-Oeste (A) Sul (B) Litoral Sudeste (C) Pantanal (D) Nordeste (F) e Norte (F). *** =
significativo a 1%.
A região Centro-Oeste apresentou menor coeficiente de correlação ( = 0,30) ou
seja, as maiores variações nos dados estimados não são explicadas pelos dados observados
e sim por outros fatores. Nota-se para as temperaturas máximas desta região que, dentro da
amplitude térmica anual estimada por estações terrestres entre 25 ºC e 30ºC, os dados obtidos
por satélite estimam médias mensais acima desta faixa, frequentemente 5ºC acima dos dados
observados, com médias que podem superar 40ºC em alguns casos. De acordo com (Yu et
al., 2012; Pinker et al., 2009), as principais causas da falta de precisão de dos dados de
temperatura terrestres está relacionada com a variabilidade temporal e a emissividade da
superfície terrestre, relacionada à cobertura do solo. No trabalho realizado por Sousa &
Júnior (2012) os autores estudaram o comportamento térmico de áreas ocupada pela
urbanização e agricultura no município de Goiânia usado imagens obtidas do satélite
Landsat7. Os resultados demostraram que em área de pastagens secas e solo expostos as
estimativas de temperatura foram superestimadas, semelhantes às registradas em áreas
urbanas.
y 16,50 0,47 x
R2
0,09***
A
10
20
30
40
10 20 30 40
Dados
est
imados
(ºC
) y 4,03 0,87 x
R2
0,60***
B
10
20
30
40
10 20 30 40
y 5,34 0,76 x
R2
0,57***
C
10
20
30
40
10 20 30 40
y 19,33 0,44 x
R2
0,20***
D
10
20
30
40
10 20 30 40
Dados observados (ºC)
Dados
est
imados
(ºC
) y 5,41 0,77 x
R2
0,42***
E
10
20
30
40
10 20 30 40
Dados observados (ºC)
y 13,49 0,45 x
R2
0,24***
F
10
20
30
40
10 20 30 40
Dados observados (ºC)
41
Também não houve ajuste satisfatório dos modelos lineares obtidos para
temperaturas mínimas, com exceção das regiões Sul e Litoral Sudeste (Figura 3.4). Apesar
de todos os modelos obtidos serem significativos, os únicos coeficientes de determinação
satisfatório foram de 0,84 e 0,85, respectivamente para o Sul e Litoral Sudeste. Para as
demais regiões, observou-se ampla dispersão entre dados estimados e observados, e modelos
com R2 entre 0,08 e 0,53. Este padrão se manteve com a estimativa dos coeficientes de
correlação que demonstraram alta precisão entre os dados observados e estimados para as
regiões as regiões B e C (Sul e Litoral do Sudeste) = 0,91 e 0,92, seguidos pelas regiões
formadas por municípios do Pantanal Mato-grossense e Nordeste brasileiro, ambas com =
0,70. A correlação entre os dados observados e estimados de temperatura mínima foi
considerada satisfatória para região do Centro-Oeste ( = 0,70).
Figura 3.4 Relação entre os dados médios de temperatura mínima obtidos via estações do INMET (Dados
observados) e POWER (Dados estimados). Diagrama de dispersão referentes as seis regiões de
estudo, região Centro-Oeste (A) Sul (B) Litoral Sudeste (C) Pantanal (D) Nordeste (F) e Norte
(F).
y 8,00 0.51 x
R2
0,48***
D
10
20
30
10 20 30
Dados observados (°C)
Dad
os
est
imados
(°C
) y 5,50 0,76 x
R2
0,48***
E
10
20
30
10 20 30
Dados observados (°C)
y 15,83 0,31 x
R2
0,08***
F
10
20
30
10 20 30
Dados observados (°C)
y 10,25 0,48 x
R2
0,53***
A
10
20
30
10 20 30
Dados
est
imados
(°C
) y 1,90 0,83 x
R2
0,84***
B
10
20
30
10 20 30
y 1.50 0,93 x
R2
0,85***
C
10
20
30
10 20 30
42
A correlação entre temperaturas mínimas estimadas e observadas para a região
Norte (F) foi a pior dentre as seis estudadas ( = 0,28), provavelmente por sua amplitude
restrita a 22ºC e 27ºC. Todos os municípios avaliados desta região são capitais estaduais, e
não se conta com outras opções de série temporal confiável em outros municípios de seus
respectivos estados. Isso indica que as variações nos dados estimados por algoritmos não
podem ser explicadas pelos dados registrados nas estações de superfícies, e sem esta
associação as variações são consideradas aleatórias. Observa-se que os dados com maiores
graus de superestimação encontram na grande maioria em anos onde ocorreram as
atualizações nas versões de assimilação do GOES.
3.3.2 Exatidão entre os dados estimados e observados de precipitação, temperatura
máxima e mínima em diferentes localidades brasileira.
Em geral, o índice de concordância modificado (ICM) indicou boa concordância
para entre dados estimados e observados para os 30 municípios em estudo, com relação à
precipitação anual de 2004 a 2014. Para esta variável, na maioria dos locais, o ICM se
concentrou acima de 0,5 (Figura 3.5). Para as variáveis temperatura máxima e mínima
mensais os valores sofreram maiores variações e obtivemos menores ICMs oscilando entre
0,1 e 0,5. Em locais representados pela Região Sul os ICMs para temperaturas máxima e
mínima se mantiveram acima de 0,5 variando até próximo de 0,8 o que o indica o boa
concordância entre valores estimados e valores observados.
Dentre os 30 locais estudados, os menores ICMs para temperatura máximas
foram observados para as localidades do Extremo Norte, à semelhança dos piores ajustes
obtidos com as análises de regressão para as mesmas temperaturas nos mesmos locais. Os
valores médios do ICM ficaram abaixo de 0,20 indicando maior afastamento entre os dados,
ou seja, os dados de temperatura máxima foram subestimados pelos algoritmos usado pela
POWER, principalmente nos meses de setembro a dezembro nos anos de 2008 e 2009.
43
Figura 3.5 Variações do índice de concordância médio (ICM) para precipitação média anual, temperatura
máxima e mínima estimados pela base de dados POWER para 30 localidades distribuídas em seis
regiões brasileiras, em comparação com dados obtidos pelo INMET. As localidades são
numeradas de acordo com a Figura 1, e representam municípios das regiões Centro-Oeste (01, 02,
03, 04, 05 e 06), Sul (07, 08, 09, 10, 11 e 12), Litoral Sudeste (13,14,15 e 16), Pantanal (17, 18,
19, 20 e 21), Nordeste (22, 23, 24 e 25) e Extremo Norte (26, 27, 28, 29 e 30).
3.3.3 Acurácia e exatidão dos dados estimados de precipitação mensal
A variação mensal do índice de concordância e do desvio médio quadrático, por
regiões de estudo pode ser observada na Figura 3.6 .Cada caixa representa a variação dos
desvios ao de longo de cada mês do ano, no período entre janeiro de 2004 a dezembro de
2014. Neste período, não se observam grandes oscilações mensais entre o ICM para as
regiões Sul e Litoral Sudeste, que flutua em torno de 0,6. A variação observada para o ICM
da região Centro-Oeste se refere à oscilação anual de chuvas, sendo que durante nos
principais meses de plantio de culturas anuais, o ICM se situa entre 0,5 e 0,6. Já nas regiões
Nordeste, Pantanal e Norte, as oscilações são mais evidentes.
Observou-se também que na região Centro-Oeste as variações maiores do RSME
estão concentradas nos meses de janeiro, fevereiro e março chegando até 200 mm de chuvas.
No entanto, os maiores afastamentos entre os dados estão relacionados com eventos
extremos de secas ocorridas no verão 2005 e 2010 no estado de Mato Grosso. Nesse período,
os dados registrados pelas estações do INMET, foram muito inferiores ao estimados pelo
44
algoritmo usado pela base POWER. No geral a média do RSME para grande maioria
das localidades concentrou-se abaixo de 70 mm para os meses onde as chuvas são mais
intensas.
Figura 3.6 Variação mensal do índice de concordância e do desvio médio quadrático para a precipitação
mensal estimada pela base de dados POWER de janeiro de 2004 a dezembro de 2014, nas
respectivas regiões Centro-Oeste, Sul, Litoral Sudeste, Pantanal Mato-grossense, Nordeste e
Extremo Norte.
3.3.4 Acurácia e exatidão dos dados médios estimados de temperatura máxima
Na Figura 3.7 encontram-se as estimativas das variações médias mensais dos
ICMs e dos RMSEs da temperatura máxima. Houve pouca variação mensal entre o ICM que
se situou entre 0,1 e 0,2 em todas as regiões, com exceção para a Região Sul. Os menores
RMSE (abaixo de 2ºC) foram estimados para o Sul, Litoral Sudeste, Pantanal e Norte,
enquanto que este índice teve variação mensal para o inverno no Centro-Oeste e todo o ano
nos municípios do Pantanal. No trabalho realizado por (Johann et al., 2011) os autores
avaliaram dados de temperatura média obtidos pela base online ECMWF (European Center
45
for Medium-Range Weather Forecast) para a região Sul e os valores médios de RMSE
encontrado foi de 1,7 ºC.
Figura 3.7 Variação média do índice de concordância e desvio médio quadrático para a variável temperatura
máxima, nas regiões Centro-Oeste, Sul, Litoral Sudeste, Pantanal, Nordeste e Norte.
Verificou se que o RMSE médio na região Norte foi de 5º C, sofrendo algumas
alterações durante os meses mais quente do ano (setembro a dezembro) o que indica que em
geral, na região Norte o algoritmo usado pela POWER subestima os dados em praticamente
todos os meses do ano, em média 5º C. Já em localidades presente na região do Pantanal
brasileiro o ICM médios foi a baixo de 0,2 e os RMSE médios foram os maiores, comparados
com as demais regiões. Observa-se que houveram maiores variações principalmente entre
os meses de agosto a novembro, que foram até próximo de 10º C. Indicando. Neste caso
específico, é importante informar que os dados do INMET das localidades situadas na região
do Pantanal foram enviados pelo SADMET (Seção de Armazenamento de Dados
Meteorológicos), sem que tenham passado pelo processo de consistência. Ou seja, é possível
que os dados da POWER não sejam exatamente superestimados, pois também podem haver
problemas de precisão ou a ocorrência de dados faltantes nos registros em campo dos dados
temperatura máxima do INMET.
46
3.3.5 Acurácia e exatidão dos dados médios estimados de temperatura mínima
Com relação aos índices de concordância e os desvios médios quadráticos da
temperatura mínima para as seis regiões de estudadas, os maiores ICMs foram estimados nas
regiões Sul e no Litoral do Sudeste ( Figura 3.8). Consequentemente, essas foram as regiões
que apresentaram RMSE com valores inferiores a 2º C de temperatura mínima. A região
Norte foi a que apresentou menor variação no RMSE em torno de 1,5ºC de temperatura
mínima. Apesar da magnitude do erro ter sido pequena para essa região, no geral seu
respectivo ICM sofreu maiores variações principalmente nos meses onde a temperatura é
mais elevada (agosto a dezembro).
Figura 3.8 Variação média do índice de concordância e desvio médio quadrático para a variável temperatura
mínima, para as regiões Centro-Oeste, Sul, Litoral Sudeste, Pantanal, Nordeste e Extremo Norte.
Os maiores desvios médios quadráticos da temperatura mínima foram
registrados para as regiões do Centro-Oeste e Pantanal com RMSE médios acima de 3ºC
para o período entre maio e setembro. Observa-se grandes variações entre e dentro de cada
mês ao longo do ano, o que indica que para essas regiões a magnitude dos erros entre os
dados observado e estimado são maiores em comparação às demais regiões. Novamente, os
dados de temperatura mínima também foram fornecidos pelo SADMET sem uma análise
prévia de sua consistência. Dessa forma, essa falta de exatidão e precisão entre os dados
47
observados e estimados de temperatura máxima e mínima podem estar relacionados aos
erros contidos nos dados observados (INMET) e não nas estimativas feito pelos
modelos usados pela POWER.
No geral observa-se que a validação dos dados mensais, estimados por sensores
remotos de precipitação para todas as localidades ou regiões avaliadas neste estudo,
apresentou resultados satisfatórios em todos os parâmetros avaliados. É importante ressaltar
que a ocorrência de eventos climáticos extremos induz a superestimação, ou a subestimação
de dados, pelo modelo da POWER. Dessa forma recomenda-se analisar com cautela, os anos
de ocorrência desses eventos, ao usar os dados climáticos estimados por satélites, em estudos
onde se necessita de séries históricas.
Tomando-se as devidas precauções, há vários exemplos de uso dados
meteorológicos obtidos por satélites na pesquisa agrícola. São exemplos de uso eficiente de
dados da POWER os trabalhos realizados por (White et al., 2008) na China, com modelos
para fenologia do trigo, por (Bai et al., 2010) com simulação do potencial da produção de
milho nos Estados Unidos, e (Moeletsi & Walker, 2012) na África do Sul, com estudos de
balanço hídrico para produção de milho, todos esses trabalhos utilizaram dados
meteorológicos obtidos pela POWER. Neste estudo com dados brasileiros, os resultados aqui
apresentados mostraram valores de desvios e coeficientes de correlação menores ou
próximos aos resultados obtidos, pelos autores acima citados. Em especial para a
precipitação, os resultados comparados aos registros do INMET podem abrir uma série de
oportunidades para a pesquisa agrícola no Brasil, e ser uma importante ferramenta para
estudos onde há a necessidade de dados meteorológicos.
3.4 CONCLUSÕES
I. Os dados de precipitação média mensal disponibilizados online pela base da
POWER/NASA são válidos para estudos climatológicos em diversas regiões
brasileiras.
II. Os dados da base POWER para temperatura máxima e mínima estimadas são
válidos para estudos nas localidades da região Sul. Para as demais regiões
estudadas, há dados superestimados ou subestimados nos dados obtidos por
sensores remotos.
48
III. A baixa acurácia para temperaturas máximas e mínimas não devem ser
associados somente a falhas nos dados estimados, mas também a erros
embutidos nos dados observados, registrados por estações terrestres.
3.5 REFERÊNCIAS
ALVARES, C. A.; STAPE, J. L.; SENTELHAS, P. C.; DE MORAES GONÇALVES, J.
L.; SPAROVEK, G. Köppen’s climate classification map for Brazil. Meteorologische
Zeitschrift, Johannisstr, v. 22, n. 6, 1 dez. 2013. 711-728 p.
BAI, J.; CHEN, X.; DOBERMANN, A.; YANG, H.; CASSMAN, K. G.; ZHANG, F.
Evaluation of NASA Satellite-and Model-Derived Weather Data for Simulation of Maize
Yield Potential in China. Agronomy Journal, Madison, v. 102, n. 1, 2010. 9 p.
BUARQUE, D. C.; DE PAIVA, R. C. D.; CLARKE, R. T.; MENDES, C. A. B. A
comparison of Amazon rainfall characteristics derived from TRMM, CMORPH and the
Brazilian national rain gauge network. Journal of Geophysical Research: Atmospheres,
Washington v. 116, n.19, out. 2011. 105-119 p.
CAMPAROTTO, L. B.; BLAIN, G. C.; GIAROLLA, A.; ADAMI, M.; CAMARGO, M.
B. P. De. Validation of temperature and rainfall data obtained by remote sensing for the
State of São Paulo, Brazil. Revista Brasileira de Engenharia Agrícola e Ambiental,
Campina Grande v. 17, n. 6, jun. 2013. 665-671 p.
CULBREATH, A. K.; SRINIVASAN, R. Epidemiology of spotted wilt disease of peanut
caused by Tomato spotted wilt virus in the southeastern U.S. Virus Research, Amsterdam,
v. 159, n. 2, 2011. 101-109 p.
DAMÉ, R. C. F.; TEIXEIRA, C. F. A.; MOURA, C.; MACHADO, R.; BESKOW, S.
Análise do impacto de um evento de precipitação ocorrido na cidade de Pelotas-RS.
Revista de Ciências Agro-Ambientais, Cáceres,v. 3, 2005. 15-25 p.
DINKU, T.; CECCATO, P.; GROVER‐KOPEC, E.; LEMMA, M.; CONNOR, S. J.;
ROPELEWSKI, C. F. Validation of satellite rainfall products over East Africa’s complex
topography. International Journal of Remote Sensing, London, v. 28, n. 7, 2007. 1503-
1526 p.
EASTERLING, D. R.; MEEHL, G. A.; PARMESAN, C.; CHANGNON, S. A.; KARL, T.
R.; MEARNS, L. O. Climate Extremes: Observations, Modeling, and Impacts. Science,
Washington, v. 289, n. 5487, 2000. 2068-2074 p.
FERREIRA FILHO, J. B. De S.; MORAES, G. I. De. Climate change, agriculture and
economic effects on different regions of Brazil. Environment and Development
Economics, Cambridge, v. 20, n. 01, 2015. 37-56 p.
49
GARRETT, K. A.; DENDY, S. P.; FRANK, E. E.; ROUSE, M. N.; TRAVERS, S. E.
Climate Change Effects on Plant Disease: Genomes to Ecosystems. Annual Review
of Phytopathology, Palo Alto, v. 44, n. 1, 2006. 489-509 p.
GOURDJI, S.; LÄDERACH, P.; VALLE, A. M.; MARTINEZ, C. Z.; LOBELL, D. B.
Historical climate trends, deforestation, and maize and bean yields in Nicaragua.
Agricultural and Forest Meteorology, Amsterdam,v. 200, 2015. 270-281 p.
HAMADA, E.; GHINI, R.; GONÇALVES, R. R. V. Efeito da mudança climática sobre
problemas fitossanitários de plantas: metodologia de elaboração de mapas. Engenharia
Ambiental, Epirito Santo do Pinhal,v. 3, 2006. 73-85 p.
HOYOS, N.; ESCOBAR, J.; RESTREPO, J. C.; ARANGO, A. M.; ORTIZ, J. C. Impact of
the 2010-2011 La Niña phenomenon in Colombia, South America: The human toll of an
extreme weather event. Applied Geography, Sevenoaks, v. 39, 2013. 16-25 p.
IIZUMI, T. et al. Historical changes in global yields: major cereal and legume crops from
1982 to 2006. Global Ecology and Biogeography, Oxford, v. 23, n. 3, 2014. 346-357 p.
JOHANN, J. A.; ROCHA, J. V.; DE SOUZA ROLIM, G.; LAMPARELLI, R. A. C.;
DUFT, D. G. Comparação entre dados de temperatura média de estações meteorológicas
com dados do modelo ECMWF entre 2000 e 2009 no Estado do Paraná. In: XV Simpósio
Brasileiro de Sensoriamento Remoto – SBSR, Curitiba, Anais … São José dos Campos,
INPE, 2011.5817 p.
KELLER FILHO, T.; ASSAD, E. D.; LIMA, P. R. S. De R. Rainfall homogeneous areas in
Brazil. Pesquisa Agropecuária Brasileira, Brasilia,v. 40, n. 4, abr. 2005. 311-322 p.
KILADIS, G. N.; DIAZ, H. F. Global Climatic Anomalies Associated with Extremes in the
Southern Oscillation. Journal of Climate, Boston, v. 2, n. 9, 1989. 1069-1090 p.
KRITICOS, D. J.; WEBBER, B. L.; LERICHE, A.; OTA, N.; MACADAM, I.;
BATHOLS, J.; SCOTT, J. K. CliMond: global high-resolution historical and future
scenario climate surfaces for bioclimatic modelling. Methods in Ecology and Evolution,
Hoboken, v. 3, n. 1, 2012. 53-64 p.
MARIANO JÚNIOR, E. O uso do sensoriamento remoto orbital na pesquisa
socioeconômica. Revista Científica Eletrônica de Agronomia, Garça, v. 10, 2006.
MELLO, C. R. De; VIOLA, M. R.; CURI, N.; SILVA, A. M. Da. Spatial distribution of
monthly and annual rainfall and rainfall erosivity in Espirito Santo, Brazil. Revista
Brasileira de Ciência do Solo, Viçosa v. 36, n. 6, dez. 2012. 1878-1891 p.
MOELETSI, M. E.; WALKER, S. Evaluation of NASA satellite and modelled temperature
data for simulating maize water requirement satisfaction index in the Free State Province
of South Africa. Physics and Chemistry of the Earth, Parts A/B/C, Oxford, v. 50-52,
2012. 157-164 p.
50
OLIVEIRA, M. J.; BAPTISTA, G. M. D. M.; MACHADO, W. P. Evolução Temporal
da Localização Média da Temperatura do Ar obtida em Estações da Rede do INMET.
GeoNorte, v. 1, 2012. 573-584 p.
PINKER, R. T.; SUN, D.; HUNG, M.-P.; LI, C.; BASARA, J. B. Evaluation of Satellite
Estimates of Land Surface Temperature from GOES over the United States. Journal of
Applied Meteorology and Climatology, New York, v. 48, n. 1, 2009. 167-180 p.
SCHERM, H. Interannual Variations in Wheat Rust Development in China and the United
States in Relation to the El Nino/Southern Oscillation. Phytopathology, Brasilia,v. 85, n.
9, 1995. 970 p.
STACKHOUSE, P. W., JR.. Prediction of worldwide energy resources. NASA,
Washington, Disponível em http://power.larc.nasa.gov: Acesso em: 25/07/2015
SOUSA, S. B. De; JÚNIOR, L. G. F. Relação entre temperatura de superfície terrestre,
índices espectrais e classes de cobertura da terra no município de Goiânia (GO). Raega -O
Espaço Geográfico em Análise, v. 26, n. 0, dez. 2012.
TANG, L.; TIAN, Y.; YAN, F.; HABIB, E. An improved procedure for the validation of
satellite-based precipitation estimates. Atmospheric Research, Amsterdam, v. 163, 2015.
61-73 p.
WHITE, J. W.; HOOGENBOOM, G.; STACKHOUSE, P. W.; HOELL, J. M. Evaluation
of NASA satellite- and assimilation model-derived long-term daily temperature data over
the continental US. Agricultural and Forest Meteorology, Amsterdam, v. 148, n. 10, ,
2008. 1574-1584 p.
WHITE, J. W.; HOOGENBOOM, G.; WILKENS, P. W.; STACKHOUSE, P. W.; HOEL,
J. M. Evaluation of Satellite-Based, Modeled-Derived Daily Solar Radiation Data for the
Continental United States. Agronomy Journal, Madison, v. 103, n. 4, 2011. 1242 p.
Wilks, D. S. Theoretical probability distributions. In: Statistical methods in the
atmospheric sciences.2. ed, Academic Press. 2006. 102-104 p.
WILLMOTT, C. J. et al. Statistics for the evaluation and comparison of models. Journal
of Geophysical Research: Oceans, Hoboken, v. 90, n. C5, set. 1985. 8995-9005 p.
YU, Y.; YU,Y .; TARPLEY, D.; PRIVETTE, J.L.; FLYNN, L. E. XU, H.; CHEN, M.;
VINNIKOV, K. Y.; SUN, D.; TIAN, Y. Validation of GOES-R Satellite Land Surface
Temperature Algorithm Using SURFRAD Ground Measurements and Statistical Estimates
of Error Properties. IEEE Transactions on Geoscience and Remote Sensing, New York
v. 50, n. 3, mar. 2012. 704-713 p.
51
4 INFLUÊNCIA DE VARIÁVEIS CLIMÁTICAS SOBRES AS PRINCIPAIS
DOENÇAS DO ARROZ
RESUMO
Estudos mostram que nas últimas décadas o clima tem passado por alterações,
que trazem incertezas na produção agrícola e para segurança alimentar no mundo. Essas
mudanças afetam o manejo das culturas e alteram a severidade de doenças de plantas,
principalmente devido à forte influência de condições climáticas, sobre o desenvolvimento
dos patógenos. A cultura do arroz está exposta a estas incertezas e apesar do seu papel
estratégico tanto social quanto econômico, são poucos os trabalhos que associam o efeito
das variáveis ambientais sobre a doenças, no Brasil e no exterior. O objetivo do presente
estudo foi avaliar o efeito das variáveis climáticas sobre as principais doenças da cultura do
arroz, em diferentes localidades e regiões brasileiras. Contou-se com uma série de dados de
severidade de doença iniciada em 1983, e gerenciada pela Embrapa Arroz e Feijão.
Posteriormente, foram obtidos dados climáticos do INMET, Embrapa e NASA/POWER
para compor uma matriz com variáveis ambientais, e verificação de sua correspondência
com a severidade de doenças em 15 locais, com avalições de severidade de doença por pelo
menos oito anos. Deste modo, os dados foram estruturados em duas matrizes, clima
(variáveis explanatórias) e severidade de doença mais produtividade (variáveis de resposta).
Por meio da análise de componentes principais foram eliminadas as variáveis climáticas
redundantes. Em seguida foram realizadas com o software R e pacote vegan, as análises de
correspondência canônicas por local e por regiões. Dentre os 15 locais analisados apenas
cinco apresentaram modelos significativos a 5%, com a explicação média dos dois primeiros
eixos acima de 50%, demostrando que, em alguns locais, a variação total da severidade das
doenças é explicada parcialmente pela variação das variáveis climáticas. Dentre as
estimativas da CCA por regiões, foi possível observar a que na região Norte, as variáveis
climáticas não influenciam significativamente as doenças do arroz, também devido à baixa
variação da severidade das doenças. Por outro lado, modelos significativos demonstraram a
correspondência entre as variáveis climáticas e doenças para as regiões Centro-Oeste e
Nordeste, ainda que com baixa porcentagem de explicação. De modo geral, a maior
severidade de doenças foi atribuída a ocorrência de chuvas e menores temperaturas mínimas
durante o estádio reprodutivo da cultura. Em todos os casos, a variação da produtividade não
foi relacionada ás variáveis ambientais.
Palavras-chave: Oryza sativa, mudanças climáticas, arroz de terras altas, arroz irrigado
tropical, epidemiologia.
52
ABSTRACT
INFLUENCE OF CLIMATIC VARIABLES ON RICE DISEASES
In recent decades, Earth’s climate has undergone in evident changes, which bring
uncertainties in agricultural production and food security worldwide. These changes affect
the overall crop management severity of diseases in plants, mainly due to the marked
influence of climatic conditions on the life cycle of pathogens. The rice crops are exposed
to such uncertainties and in spite of its huge importance as a stable food in many countries,
there are few in few studies involving the effect of environmental factors on rice diseases,
in Brazil and abroad. Therefore, the aim of this study was to evaluate the effect of climate
variables on major diseases of rice grown in different Brazilian municipalities and regions.
Disease records were provided by a historical series of disease severity data started in 1983,
and managed by Embrapa Rice and Beans. Further, climate data was retrieved from INMET,
EMBRAPA and NASA / POWER to compose a matrix of environmental variables, and
check their correspondence with the rice disease severities at 15 sites assessed in at least
eight years. Thus, the experimental data consisted of two data sets, environmental
(explanatory variables) and disease severity complemented by yield (response variables).
Through principal component analysis, redundant climate variables were eliminated.
Subsequently, canonical correspondence analysis (CCA) by location and by regions were
performed using the R software and vegan package. Among the 15 analyzed locations only
five showed significant models (P<0.05) with an average explanation of the first two axes
above 50%, showing that, in some locations, the total variation of the severity of the disease
is partially explained by the variation of climate variables. CCA suggested that climate
variables in the Brazilian North did not influence rice diseases significantly, probably due to
low variation in disease severities. On the other hand, significant models showed the
correspondence between climatic variables and disease in the Center-West and Northeast
regions, despite a small percentage of explanation by their respective models. In general, the
greater severity of disease was assigned will rainfall and lower minimum temperatures
during the reproductive stage of culture. Yield was not related to climatic variables.
Key-words: Oryza sativa, climate change, upland rice, tropical irrigated rice, epidemiology.
53
4.1 INTRODUÇÃO
O clima mundial tem passado por diversas mudanças que, por sua vez, se
tornaram mais evidentes nas últimas décadas, gerando incertezas na produção agrícola e na
segurança alimentar (Brown & Funk, 2008). As alterações no clima vêm se manifestando de
diferentes formas, sendo as mais expressivas o aumento da temperatura e a maior frequência
de eventos extremos tais como, enchentes, nevascas, ondas de calor e secas severas, que
penalizam tanto as áreas urbanas quanto as rurais (Hamada et al., 2006). Só nos Estados
Unidos, após o ano 1987 foram registrados mais de 360 eventos climáticos extremos, que
provocaram prejuízos acima de 5 milhões de dólares (Easterling et al., 2000). Os fenômenos
climáticos El Nino e La Nina estão fortemente relacionados com as ocorrências desses
eventos. Em estudo realizado por Ferreira Filho & Moraes, (2015) sobre os efeitos das
alterações climática na agricultura em diferentes regiões do Brasil, observou-se que os
efeitos mais expressivos são em regiões agrícolas com menor índice de desenvolvimento,
com prejuízos maiores principalmente para a agricultura familiar.
O arroz (Oryza sativa L.) é considerado uma das mais importantes culturas
agrícolas, pelo papel estratégico que desempenha como base alimentar da população em vários
países do mundo (Borresen & Ryan, 2014). Dentre os riscos que afetam a produção de arroz,
destacam-se as diversas doenças que incidem sobre a cultura, que por sua vez, também são
influenciadas diretamente por fatores climáticos (Mishra et al., 2015). Segundo estimativas
realizadas por Oerke. (2005) as doenças são responsáveis por 37% da queda da produtividade
do arroz.
A severidade das doenças é fortemente influenciada pelas condições ambientais,
principalmente pelas variáveis climáticas (temperatura precipitação, radiação solar, etc.) e
microclimáticas (período de molhamento foliar, temperaturas sob o dossel), além de fatores
genéticos e culturais. Em estudo realizado por Kim & Cho, (2015) foi estimado o efeito das
alterações climáticas sobre a brusone nas folha e queima da bainha do arroz na Coréia.
Estes autores estimaram a diminuição da severidade para os próximos 100 anos. Estudos
realizados por Wiik & Ewaldz, ( 2009) sobre o impacto da temperatura e precipitação sobre
o rendimento e as doenças do trigo no sul da Suécia, concluiu-se que a precipitação é a
variável mais bem correlacionada com a severidade das doenças do trigo. Estes autores e
54
também (Del Ponte et al., 2006) concluíram que os dados meteorológicos podem ser
usados com sucesso em modelos de previsão de doenças do trigo e da soja.
Estudos que associam variáveis climáticas como indicadores da possível ocorrência
de doença e rendimento de culturas são de grande importância para proporcionar uma visão em
maior escala dos patossistemas e suas consequências. Porém, não há muitos exemplos de estudos
em escala regional ou nacional que demonstrem, por exemplo, qual a favorabilidade climática
ou qual a influência de variações como o fenômeno El Niño sobre as doenças (Launay et al.,
2014; Wang et al., 2016). Esta carência de informações é consequência de dificuldades técnicas
como o tempo demandado para compor séries históricas representativas, repetição de ensaios ou
coleta de dados em diferentes sítios, e métodos estatísticos mais desafiadores que permitam
correlacionar as variáveis ambientais com as doenças. Tais estudos demandam o envolvimento
de uma equipe qualificada e bem coordenada, metodologias validadas e padronizadas, filtragem
e conferência de dados, que conforme sua dimensão, necessitam organização em bases de dados
complexas. Além disso, é igualmente desafiante obter dados climáticos sobre os mesmos locais
de estudo, isentos de erros e tendências.
Apesar de toda a importância da cultura do arroz para o mundo, são raros os estudos
em ampla escala que estudem suas doenças, e aparentemente não há avaliações sobre este tema
específicos para o Brasil, e que demonstrem a influência do clima, das diferentes regiões do país,
sobre as doenças desta cultura. Desta forma, o presente estudo teve como principal objetivo
avaliar o efeito das variáveis climáticas (temperatura máxima e mínima) sobre a severidade das
principais doenças da cultura do arroz, em diferentes localidades brasileiras.
4.2 MATERIAL E MÉTODOS
4.2.1 Obtenção dos dados histórico das principais doenças da cultura do arroz irrigado
e de terras altas.
Os dados utilizados para o presente estudo foram fornecidos pelo programa de
melhoramento genético de arroz da Embrapa Arroz e Feijão7. Os dados contidos na base são
7 https://www.embrapa.br/en/arroz-e-feijao
55
arquivos do softwase SAS (SAS Institute, Carey, NC, EUA), de ensaios dos
últimos 31 anos (1983 a 2014), conduzidos pela Embrapa e instituições parceiras, em várias
localidades brasileiras, com a análise de ensaios de VCU – valoração, cultivo e uso. Após
migração de dados e organização de seus “metadados” nos programa Kwnowledge Tree, os
dados foram transferidos para planilhas do MS Excel, por onde passaram por averiguação
da sua qualidade, com eliminação de dados discrepantes e estruturação das planilhas com
variáveis de interesse. Dentre as várias localidades com resultados disponíveis, foram
selecionadas apenas os locais que haviam séries acima de oito anos de ensaios de VCU com
dados que identificavam seus tratamentos (neste caso, linhagens e cultivares), a severidade
de doenças de arroz de terras altas ou irrigado e a produtividade dos respectivos tratamentos
(Figura 4.1).
Figura 4.1 Distribuição dos locais com ensaios de VCU selecionados para os estudos da influência das
variáveis climáticas sobre as doenças. Marcadores na cor vermelha correspondem ao ensaio de
arroz irrigado; Penedo AL (A), Goianira GO (B), Formoso do Araguaia TO (C), Belém PA (D),
Uruguaiana RS (E). Marcadores na cor laranja correspondem aos ensaios de arroz de terras altas;
56
Santo Antônio de Goiás GO (F), Porangatu GO (G), Querência MT (H), Sorriso MT (I),
Sinop (J), Vilhena RO (K) São Raimundo das Mangabeira MA (L) Teresina (M),
Paragominas (N) e Altamira PA (O).
As doenças avaliadas por meio de escala de notas, selecionadas para o estudo,
foram: brusone na panícula (BP) e brusone na folha (PF), mancha parda (MP), mancha de
grãos (MG) e escaldadura (ESC), sempre com escalas padronizadas (Tabela 4.1) (Pinheiro
et al., 2009). Após averiguação e seleção das variáveis de doenças, foram elaboradas tabelas
de contingência com a frequência das notas para cada doença, nos diferentes locais e anos
de condução de ensaios (Tabela 4.2). Em anos que havia mais de um ensaio conduzido no
mesmo local foi selecionado apenas o primeiro ensaio. Como a grande maioria dos ensaios
não apresentavam datas de plantio, a seleção do primeiro ensaio foi feita considerando a
sequência do código numérico de identificação dos mesmos. Em sua grande maioria, os
ensaios de VCUs nas regiões Centro-Oeste, Nordeste e Sul são implantados no mês de
novembro, para colheita em março. Já na região Norte do país, geralmente os plantios
ocorrem em janeiro com colheitas até maio. Os tratos culturais nos ensaios seguem padrões
das recomendações técnicas para cada região (Da SILVA et al., 2003; Dos Santos &
Santiago, 2014; Ferreira & Santiago, 2012).
57
Tabela 4.1 Escalas de notas referente a severidade de doenças do arroz, brusone na folha (BF),brusone na panícula (BP), mancha parda (MP), mancha de grãos (MG) e
escaldadura (ESC) Escala de nota
(Severidade) Brusone nas folhas Brusone nas panículas
Mancha parda nas
folhas Mancha de grãos Escaldadura nas folhas
0 Sem lesão Nenhuma incidência. __ Nenhuma incidência __
1 Pequenas pontuações
de cor marrom
Menos de 5% de
panículas infectadas
Menos de 1%. Da área
foliar afetada
Menos de 1% de grãos
infectados
Menos de 1% de lesões
apicais
2 Pequenas pontuações
de bordas marrom __ De 1% a 3%. __ __
3 Pequenas lesões
arredondadas
De 5% a 10% de
panículas infectadas De 4% a 5%. De 1% a 5%. De 1% a 5% de lesões apicais
4 Lesões típicas 3mm __ De 6% a 10%. __ __
5 Lesões típicas 2% a
10%
De 11% a 25% de
panículas infectadas De 11% a 15%. De 6% a 25% De 6% a 25% de lesões
apicais
6 Lesão típicas 11% a
25% __ De 16% a 25%. __ __
7 Lesão típicas 26% a
50% De 26% a 50% De 26% a 50%. De 26% a 50%. De 26% a 50% de lesões
apicais
8 Lesão típicas 51% a
74% __ De 51% a 75%. __ __
9 Lesão típicas mais
75% Mais de 50% De 76% a 100%. De 51% a 100% De 51% a 100% de lesões
apicais e marginais
58
Tabela 4.2 Exemplo com parte de uma tabela de contingência com a distribuição anual da frequência da
nota de severidade de doenças avaliada por escala de 1 a 9, para mancha parda (MP) e mancha
de grãos (MG), e para produção média em kg/ha (Prod), no período de 1986 a 2014 em ensaios
de VCU no município de Vilhena, RO.
Ano MP.01 MP.03 MP.05 MP.07 MP.09 MG.01 MG.03 MG.05 MG.07 . . . Prod.
1986 0 35 21 18 2 1 25 17 18 . . . 1777
1987 0 34 46 0 0 2 26 51 1 . . . 1165
1988 0 52 24 4 0 26 24 13 8 . . . 3569
1989 0 35 33 8 0 0 39 35 1 . . . 3724
1993 0 46 19 3 0 8 38 13 4 . . . 1578
1996 0 60 12 8 7 2 16 25 25 . . . 2500
1997 11 44 45 2 0 3 28 29 18 . . . 2830
1998 0 11 24 37 7 0 7 18 23 . . . 2690
1999 0 0 1 24 54 8 33 16 16 . . . 4067
2000 56 79 0 0 0 9 82 2 5 . . . 2758
2001 0 17 80 26 0 6 80 25 11 . . . 2374
2002 0 78 26 5 13 0 43 33 3 . . . 2656
. . . . . . . . . . . .
. . . . . . . . . . . .
. . . . . . . . . . . .
2014 13 27 32 9 0 35 53 4 0 . . . 3374
4.2.2 Obtenção da série histórica variáveis climáticas
Dados diários das variáveis climáticas foram obtidos gratuitamente a partir da
base online do BDMEP (Banco de dados Meteorológicos para Ensino e Pesquisa),
(INMET/BDMEP, 2015), de estações meteorológicas da Embrapa e da base online POWER
(Prediction Of Worldwide Energy Resource) do departamento de metodologias
agroclimatologias da NASA (Stackhouse, 2015). Os dados da POWER foram usados como
alternativas apenas para localidades onde não haviam registros de dados climáticos ou que
poderiam comprometer as análises devido à ocorrência de dados faltantes das estações de
superfície. As datas de registro iniciaram a partir de 1984 variando de local para local.
O levantamento dos dados diários de precipitação, temperatura máxima e
mínima para as 15 localidades foi realizado incialmente a partir do início do mês de plantio,
estendendo-se até o final do mês de colheita. Posteriormente, considerou-se para as análises
apenas o período mais favorável para o surgimento dos sintomas das doenças da cultura do
arroz, a partir do perfilhamento da cultura (segundo mês após o plantio), até a fase de 30 dias
antes da colheita). Este período foi definido para as regiões Centro-Oeste, Nordeste e Sul de
59
dezembro a fevereiro. Já para a Região Norte, o a seleção definitiva dos dados foi para o
período de fevereiro a março. A partir dos dados de precipitação diárias foram calculados o
número de dias com chuvas no respectivo mês (Dc), dias com chuvas acima de dois
milímetros, (Dc>2mm), a cima de cinco milímetros (Dc>5mm) e acima de dez milímetros
(Dc>10mm), além da precipitação acumulada mensal. Para os dados de temperatura foram
calculados o número de dias com temperatura máxima, entre 20º C a 30º C e a amplitude
térmica média mensal, além das medias mensais de temperatura máxima e mínima. Todas
estas variáveis estão relacionadas na literatura ao desenvolvimento de epidemias (Cárdenas
et al., 2010). O número de anos de levantamento destes dados variou de localidade para
localidade, sempre baseando na série histórica dos ensaios de VCU para cada localidade
especifica. A partir dos cálculos mencionados acima, foi realizada a estruturação dos dados
climáticos em planilhas do MS Excel com as diferentes variáveis (Tabela 4.3).
Tabela 4.3 Estrutura resumida das planilhas com as variáveis climáticas registrada pelo INMET de 1986 a
2014 no município de Vilhena RO: Média da temperatura máxima para o mês de dezembro
(Tmax_12), média da temperatura mínima (Tmin_12), amplitude média (Amp_12), precipitação
acumulada (Pre_12), número de dias de chuvas acima de 2 mm (Dc>2_12), número de dias com
chuvas acima de 5 mm (Dc>5_12), número de dias com chuvas acima de 10 mm (Dc>10_12),
número de dias com temperatura de 20º C a 30º C em dezembro, e média da temperatura máxima
no mês de fevereiro (Tmax_02).
Anos Tmax_12 Tmin_12 Amp_12 Prec_12 Dc>2_12 Dc>5_12 Dc>10_12 Tf_12 . . . Tmax_02
1986 29.77 19.83 5.24 308.08 8 7 4 24 . . . 29.53
1987 29.43 19.48 5.30 308.38 14 9 7 20 . . . 30.80
1988 30.08 19.95 2.40 314.08 15 9 5 19 . . . 29.59
1989 29.43 20.16 6.67 287.30 6 5 3 22 . . . 30.09
1993 29.80 19.70 7.20 313.08 17 11 8 21 . . . 29.49
1996 30.06 19.74 5.56 319.71 10 6 4 30 . . . 29.65
1997 28.85 19.85 6.39 279.05 11 8 7 25 . . . 29.8
1998 29.49 20.03 2.76 293.13 19 13 5 22 . . . 28.79
1999 28.77 19.73 4.50 279.95 15 12 10 21 . . . 30.44
2000 29.57 19.74 6.33 304.71 18 14 8 22 . . . 29.15
2001 30.47 20.34 4.13 314.06 15 8 4 23 . . . 29.25
2002 29.76 19.40 6.72 321.24 11 10 8 18 . . . 29.73
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
2014 27.11 21.78 6.67 165.3 18 15 10 31 . . . 29.1
60
4.2.3 Análises estatísticas
As analises estatísticas multivariadas foram divididas em duas etapas. Primeiro
foi realizada a análise de componentes principais (PCA) apenas com as matrizes de dados
climáticos, com o objetivo de eliminar as variáveis redundantes (Jolliffe, 1973). A análise
de componentes principais é um método frequentemente usado para resumir conjuntos de
dados muito extensos. Esta técnica também pode ser empregada quando existe redundância
nos dados, entendida como dados altamente correlacionados. No presente estudo, o método
foi empregado para selecionar um número menor de variáveis climáticas sem perder
informações importantes.
Numa segunda etapa, foi realizada a análise de correspondência canônica
(CCA). A análise de correspondência canônica é uma técnica de ordenação multivariada,
geralmente usada pelos pesquisadores das áreas de ecologia, ciências sociais e ciência
florestal (Greenacre, 2010; Zhao et al., 2014; Żołnierz et al., 2016). Já em estudos
fitopatológicos ainda são encontrados poucos trabalhos com o uso desse método
multivariado (Xu et al., 2008).
Uma das principais vantagens do uso da CCA é a possibilidade de trabalhar
com conjuntos de dados tanto categóricos como numéricos, e associar a resposta de dados
de interesse (como a severidade de doenças) dispostos em uma matriz, a variáveis ambientais
organizadas em outra matriz. Neste estudo, não se considerou os números gerados pelas
escalas de notas como variáveis contínuas. Na prática, notas 1, 3, 5, 7 e 9 não geram
resultados com distribuição normal e equivalem às categorias “ausência de doença”,
severidade “baixa”, “média, “alta” e “muito alta”. Segundo Savary et al. (1995), a CCA é
recomendada para estudos epidemiológicos que contam com dados quantitativos e
qualitativos categorizados. Os dados para cada localidade estudada foram separados em dois
conjuntos, uma com as matrizes das variáveis climáticas (quantitativas) selecionadas pela
PCA, e a outra contendo a matriz com os dados categóricos de severidade de doenças, mais
a produtividade dos tratamentos.
A PCA e a CCA foram realizadas com o software R 3.2.3 (R Development Core
Team, Vienna, Austria, 2015) com o auxílio dos pacotes vegan, ggplot2, graphics e grid. Por
61
meio da função anova.cca, foram realizados os testes de significância (P0,05) pelo teste F
para cada modelo estimado. O efeito de variáveis climáticas sobre doenças e produtividade
do arroz foi estimado com CCAs feitas separadamente para as 15 localidades.
Posteriormente, foi realizada a análise conjunta das localidades agrupadas de acordo com
sua região de origem (Norte, Nordeste e Centro-Oeste). Para as análises regionais, também
foram realizados testes de significância dos modelos obtidos de cada região.
4.3 RESULTADOS E DISCUSSÃO
4.3.1 Associação entre variáveis climáticas e severidade de doenças em arroz.
Por meio das análises da CCA foram estimadas as relações entre as variáveis
climáticas e a severidade das principais doenças que incidem sobre a cultura do arroz, tanto
no sistema irrigado como de terras altas. Dentre as 15 selecionadas foram obtidos modelos
significativos (P0,05) apenas para cinco municípios (Tabela 4.4).
Formoso do Araguaia (TO), Goianira (GO), Porangatu (GO), Querência (MT) e
Sinop (MT) foram os locais cujos modelos foram significativos. Isso evidencia a influência
das variações climáticas sobre a severidade das doenças do arroz nestes municípios. Para
Querência, Goianira e Sinop, as variáveis climáticas explicaram, nos dois primeiros eixos da
CCA, mais de 50 % de toda as variações.
Para as demais localidades, os modelos adotados não foram significativos, ou
seja, as variáveis climáticas levantadas não foram as suficientes para explicar a variação total
da severidade das doenças. Entre possíveis causas que interferiram nesta análise, estão a
baixa variação de precipitação e temperaturas, possibilidade de dados climáticos não
corrigidos, superestimativa ou subestimação na avaliação de doenças, avaliação de doenças
em épocas inadequadas, ausência de inóculo inicial dos patógenos, ou mesmo, variação
ambiental não detectada, como o período de formação de orvalho, que pode causar respostas
nos diferentes patossistemas. Os dois primeiros eixos da CCA são os principais responsáveis
pela maior porcentagem de explicação da variação total dos dados de severidade e
rendimento. Porém, em modelos não significativos, a variação explicada pelos primeiros
62
eixos nem sempre foi baixa. Neste caso, é possível que a CCA não tenha ordenado
corretamente os dados em função do clima.
Tabela 4.4 Representação dos dois primeiros eixos da análise de correspondência canônica (CCA1 e CCA2),
com respectivos valores dos testes de qui-quadrado e significância de modelos obtidos para estimar
a influência de variáveis climáticas sobre doenças do arroz, em 15 localidades e suas respectivas
regiões.
Localidades CCA 01 CCA 02 X2 Valor de P
Altamira -PA 0.18 0.09 0.01 0.61
Belém -PA 0.31 0.19 0.05 0.75
Formoso do Araguaia -TO 0.21 0.12 0.05 0.04 *
Goianira -GO 0.40 0.15 0.19 0.04 *
Paragominas -PA 0.28 0.15 0.03 0.57
Penedo -AL 0.42 0.21 0.06 0.72
Porangatu -GO 0.34 0.13 0.69 0.01 *
Querência -MT 0.51 0.18 0.02 0.03 *
Santo Antônio de Goiás -GO 0.12 0.10 0.42 0.81
São R. Mangabeiras -MA 0.39 0.22 0.07 0.47
Sinop -MT 0.30 0.21 0.10 0.05 *
Sorriso -MT 0.26 0.11 0.11 0.48
Teresina -PI 0.17 0.11 0.02 0.79
Uruguaiana -RS 0.22 0.01 0.01 0.60
Vilhena -RO 0.12 0.09 0.06 0.36
Região Norte 0.10 0.07 0.01 0.76
Região Centro-Oeste 0.08 0.03 0.05 0.008 *
Região Nordeste 0.22 0.12 0.06 0.017 *
* Significativo ao nível de 5%.
63
4.3.2 Associação entre variáveis climáticas e severidade de doenças do arroz para as
regiões Norte, Nordeste e Centro-Oeste do Brasil
De acordo com as CCAs por região (Figura 4.2), observa-se que houve
influência das variáveis climáticas sobre a severidade de doenças no Nordeste e no Centro-
Oeste, que apresentaram nos modelos significativos, mesmo com os dois primeiros eixos
(CCA01 e CC02) explicando pouco a variação do conjunto de dados. A porcentagem
explicada nos primeiros eixos para região Nordeste foi de 34 %, e de 11% para a região
Centro-Oeste. Não foram obtidos modelos significativos para a região Norte (17% de
variação).
As condições climáticas são tidas como decisivas para o sucesso ou insucesso
do surgimento das doenças em plantas. Na região Norte, as doenças de maior importância
para cultura do arroz são a escaldadura e a mancha parda. No diagrama de ordenação a
representação dos dois primeiros eixos da CCA para as localidades desta região (figura 4.2),
a baixa porcentagem de explicação dos dois eixos é explicada pela baixa variação entre a
severidade das duas doenças, as únicas registradas no período de estudo. Junto com a pouca
variação climática demonstrada para o Norte no capítulo anterior, sugere-se que as variáveis
ambientais não permitem ordenar as variáveis de resposta, que também pouco variam, sem
então permitir qualquer inferência sobre este conjunto de dados.
Figura 4.2 Diagramas de ordenação nos dois primeiros eixos da análise de correspondência canônica (CCA)
para região Norte, com associação entre as variáveis climáticas e a severidade da escaldadura e da
macha parda do arroz. Acrônimos se referem à precipitação mensal (Prec), médias mensais da
tmax_02
tmin_02amp_02
prec_02
precd_03
tmax_03
tmin_03
amp_03
prec_03
precd_04
tmax_04
tmin_04
amp_04
prec_04
esc1esc3esc5mp1mp3mp5prod
-2
0
2
4
6
-10 -5 0 5 10
CCA 01 (10%)
CC
A 0
2 (
07%
)
64
temperatura máxima (Tmax) e mínima (Tmin), amplitude térmica média (Amp), e número de dias
com chuvas (Precd) nos meses de fevereiro, março e abril (02, 03 e 04).
É possível observar pouca variação da severidade da mancha parda e da
escaldadura ao longo dos 17 anos de avaliações em ensaios de VCU na região Norte,
endossando os comentários acima. Vale ressaltar que para esta região, o ambiente é pouco
favorável à mancha de grão e à brusone, que foram excluídos desta análise por ocorrerem
nos ensaios apenas de foram esporádicas.
Na Figura 4.3 estão representados, por meio do diagrama de ordenação as
variáveis ambientais e as de resposta, nos dois principais eixos da CCA para a região Centro-
Oeste, cujo modelo foi significativo. Estes dois primeiros eixos não foram suficientes para
explicar a maior parte das causas de variação da severidade de doenças, fato atribuído à
complexidade dos fatores envolvidos no conjunto total dos dados. Dentre as três regiões
estudas, o Centro-Oeste foi a que mais apresentou variações, ao longo dos anos, e a
ocorrência do maior número de doenças que incidem sobre a cultura do arroz, em
comparação com as demais regiões.
Figura 4.3. Diagramas de ordenação nos dois primeiros eixos da análise de correspondência canônica (CCA)
para região Centro-Oeste, com associação entre as variáveis climáticas e a severidade brusone na
folha (bf), brusone na panícula (bp), escaldadura (esc), mancha de grão (mg) e macha parda (mp)
do arroz. Variáveis ambientais correspondem á precipitação mensal (Prec), média da temperatura
máxima (Tmax) e mínima (Tmin), amplitude térmica (Amp) e número de dias com chuvas (Precd)
nos meses de dezembro, janeiro e fevereiro (12, 01 e 02).
Observa-se no Centro-Oeste a ordenação das severidades de doença pela CCA,
com a formação de três grupos de severidade (Figura 4.4). A notas 1 (ausência de sintomas)
tmax_12
tmin_12
amp_12
prec_12precd_01
tmax_01
tmin_01
amp_01
prec_01precd_02
tmax_02
tmin_02
amp_02
prec_02bf1
bf3
bf5
bf7
bp1
bp3
bp5 bp7
bp9
mg1
mg3
mg5
mg7
mg9
esc1
esc3 esc5 esc7
esc9
mp1
mp3
mp5
mp7
prod
-0.4
0.0
0.4
-1.0 -0.5 0.0 0.5
CCA 01 (8%)
CC
A 0
2 (
3%
)
65
foram associadas à menor precipitação e às menores temperaturas mínimas nos meses de
janeiro e fevereiro, que correspondem à fase reprodutiva do arroz, com a formação de cachos
e enchimento de grãos. Portanto, mesmo com a interferência de variáveis não definidas aqui,
a menor ocorrência de chuvas e temperaturas mínimas menores afetam negativamente as
doenças do arroz, para a região Centro-Oeste. As doenças com notas de severidade entre 5 e
7 apresentam maior relação com a amplitude térmica e relação inversa com as temperaturas
máximas. Já as maiores severidades de macha de grãos e da escaldadura correspondem aos
meses de janeiro e fevereiro com temperaturas mínimas mais baixas, e maior número de dias
chuvosos.
A Figura 4.4 representa o diagrama de ordenação dos dois primeiros eixos da
análise de correspondência canônica a região Nordeste. Os dois eixos explicam 32% do total
da variação e o modelo também foi significativo. Observa-se que no Nordeste, a maior
precipitação corresponde as maiores severidades da brusone na panícula, da escaldadura e,
aparentemente, também da mancha parda. Já a maior severidade da mancha de grãos foi
associada com a temperatura máxima e menor precipitação. A não-ocorrência de
escaldadura, macha parda e brusone na panícula foi relacionada à menor temperatura
mínima, à semelhança do observado na região Centro-Oeste. Não foi possível relacionar a
brusone na folha (bf) com as variáveis climáticas.
Figura 4.4 Diagramas de ordenação nos dois primeiros eixos da análise de correspondência canônica (CCA)
para região Nordeste, com associação entre as variáveis climáticas e a severidade da brusone na
folha (bf), brusone na panícula (bp), escaldadura (esc), mancha de grão (mg) e macha parda (mp).
Variáveis ambientais correspondem a precipitação mensal (Prec), média da temperatura máxima
66
(Tmax) e mínima (Tmin), amplitude térmica (Amp) e número de dias com chuvas (Precd) nos
meses de dezembro, janeiro e fevereiro (12, 01 e 02).
4.4 CONCLUSÕES
I. As variáveis climáticas apresentam pouca influência na severidade das principais
doenças da cultura do arroz na região Norte, pois precipitação e temperaturas ao
logo do tempo e em diferentes localidades não são suficientes para formar um
complexo de várias doenças nesta região, ou severidades de doença muito variáveis.
II. A Região Centro-Oeste apresenta maior variabilidade de variáveis climáticas e de
doenças, que atingem maior severidade sob chuvas mais frequentes e dias de
temperatura mais amena, durante o seu estádio reprodutivo.
III. Apesar de uma menor pressão de doenças, na região Nordeste, a maior severidade
também foi associada à ocorrência de chuvas no estádio reprodutivo, enquanto que
novamente, as menores mínimas foram relacionadas à ausência de doenças.
67
4.5 REFERÊNCIAS
BOCCHIOLA, D. Impact of potential climate change on crop yield and water footprint of
rice in the Po valley of Italy. Agricultural Systems, Barking, v. 139, , out. 2015. 223-237
p.
BORRESEN, E. C.; RYAN, E. P. Rice and other whole grains in health. In Wheat and
Rice Disease Prevention and Health. San Diego, Elsevier, 2014.279-281 p.
CÁRDENAS, R. M.; POLÓN, C. R.; PÉREZ, N.; CRISTO, E.; MESA, S.; FABRÉ, L.;
HERNÁNDEZ, J. J. Relación entre la incidencia de la Piriculariosis (Pyricularia grisea
Sacc.) del arroz (Oryza sativa Lin.) y diferentes variables climáticas en el Complejo
Agroindustrial Arrocero Los Palacios. Cultivos Tropicales, La Habana, v. 31, n. 1, 2010.
14-18 p.
DA SILVA, S. C.; STONE, L. F.; DE SANTANA, N. M. P. Arroz de terras altas: período
limite de semeadura para a região Centro-Oeste. Embrapa Arroz e Feijão. Comunicado
Técnico 57 , Santo Antonio de Goiás, 2003.
DEL PONTE, E. M.; GODOY, C. V; LI, X.; YANG, X. B. Predicting Severity of Asian
Soybean Rust Epidemics with Empirical Rainfall Models. Phytopathology, Brasília, v. 96,
n. 7, 2006. 797-803 p.
DOS SANTOS, A. B.; SANTIAGO, C. M. Informações técnicas para a cultura do arroz
irrigado nas regiões Norte e Nordeste do Brasil. Embrapa Arroz e Feijão. Documento
279, Santo Antonio de Goiás, n. 279, 2014.
EASTERLING, D. R.; MEEHL, G. A.; PARMESAN, C.; CHANGNON, S. A.; KARL, T.
R.; MEARNS, L. O. Climate Extremes: Observations, Modeling, and Impacts. Science,
Washington, v. 289, n. 5487, 2000. 2068-2074 p.
FERREIRA FILHO, J. B. De S.; MORAES, G. I. De. Climate change, agriculture and
economic effects on different regions of Brazil. Environment and Development
Economics, Cambridge, v. 20, n. 01, 2015. 37-56 p.
FERREIRA, C. M.; SANTIAGO, C. M. Informações técnicas sobre o arroz de terras altas:
estados de Mato Grosso e Rondônia-safras 2010/2011 e 2011/2012. Embrapa Arroz e
Feijão. Documento 268 , Santo Antonio de Goiás, n. 268, 2012.
FOLEY, J. A. et al. Solutions for a cultivated planet. Nature, London, v. 478, n. 7369, , 20
out. 2011. 337-342 p.
68
GREENACRE, M. Canonical correspondence analysis in social science research.
Berlin, Springer, 2010, 279-286 p.
HAMADA, E.; GHINI, R.; GONÇALVES, R. R. V. Efeito da mudança climática sobre
problemas fitossanitários de plantas: metodologia de elaboração de mapas. Revista
Engenharia Ambiental, Espírito Santo do Pinhal, v.3, n. 2, 2006. 73-85 p.
JOLLIFFE, I. T. Discarding Variables in a Principal Component Analysis. II: Real Data.
Journal of the Royal Statistical Society. Series C (Applied Statistics), London v. 22, n.
1, 1973. 21-31 p.
KIM, K.-H.; CHO, J. Predicting potential epidemics of rice diseases in Korea using multi-
model ensembles for assessment of climate change impacts with uncertainty information.
Climatic Change, Boston, v. 134, n. 1-2, 17 set. 2015. 327-339 p.
LAUNAY, M.; CAUBEL, J.; BOURGEOIS, G.; HUARD, F.; GARCIA DE CORTAZAR-
ATAURI, I.; BANCAL, M.-O.; BRISSON, N. Climatic indicators for crop infection risk:
Application to climate change impacts on five major foliar fungal diseases in Northern
France. Agriculture, Ecosystems & Environment, Amsterdam, v. 197, dez. 2014. 147-
158 p.
MISHRA, A. K.; MOTTALEB, K. A.; KHANAL, A. R.; MOHANTY, S. Abiotic stress
and its impact on production efficiency: The case of rice farming in Bangladesh.
Agriculture, Ecosystems & Environment, Amsterdam, v. 199, p. 146–153, jan. 2015.
OERKE, E.-C. Crop losses to pests. The Journal of Agricultural Science, London, v.
144, n. 01, 9 dez. 2005. 31 p.
PINHEIRO, P. V.; LOPES JÚNIOR, S.; OLIVEIRA, J. P. de; GUIMARÃES, C. M.;
STONE, L. F.; MADARI, B. E.; FILIPPI, M. C. C. de; PEREIRA, H. S.; EIFERT, E. da
C.; SILVA, J. F. A. e; WENDLAND, A.; LOBO JUNIOR, M.; FERREIRA, E. P. de B.
Variáveis experimentais da Embrapa Arroz e Feijão. Embrapa Arroz e Feijão.
Documento 250 , Santo Antonio de Goiás, n. 250, 2009.
SAVARY, S.; MADDEN, L. V.; ZADOKS, J. C.; KLEIN-GEBBINCK, H. W. Use of
Categorical Information and Correspondence Analysis in Plant Disease Epidemiology.
Advances in Botanical Research, London, v. 21, 1995. 213-240 p.
STACKHOUSE, P. W., JR.. Prediction of worldwide energy resources. NASA,
Washington, Disponível em http://power.larc.nasa.gov: Acesso em: 28/11/2015.
WANG, R.; BOWLING, L. C.; CHERKAUER, K. A. Estimation of the effects of climate
variability on crop yield in the Midwest USA. Agricultural and Forest Meteorology,
Amsterdam, v. 216, 2016. 141-156 p.
WIIK, L.; EWALDZ, T. Impact of temperature and precipitation on yield and plant
diseases of winter wheat in southern Sweden 1983–2007. Crop Protection, Tehran, v. 28,
69
n. 11, 2009. 952-962 p.
XU, X.-M. et al. Relationship between the fungal complex causing Fusarium head blight of
wheat and environmental conditions. Phytopathology, Brasília, v. 98, n. 1, 14 jan. 2008.
69-78 p.
ZHAO, Z. Application of canonical correspondence analysis to determine the ecological
contribution of phytoplankton to PCBs bioaccumulation in Qinhuai River, Nanjing, China.
Environmental science and pollution research international, Landsberg, v. 21, n. 4, fev.
2014. 3091-103 p.
ŻOŁNIERZ, L.; WEBER, J.; GILEWSKA, M.; STRĄCZYŃSKA, S.; PRUCHNIEWICZ,
D. The spontaneous development of understory vegetation on reclaimed and afforested
post-mine excavation filled with fly ash. CATENA, Cremlingen, v. 136, jan. 2016. 84-90
p.
70
5 CONSIDERAÇÕES FINAIS
Trabalhos com avaliação do efeito clima sobre a severidade de doenças de
plantas são poucos desenvolvidos no Brasil. Principalmente pela dificuldade de obtenção de
dados de séries históricas de dados de doenças. E pela dificuldade em obter dados climáticos
de séries histórica com grande abrangência de locais com registros. Os números de as
estações meteorológicas distribuídas nas regiões brasileiras ainda não são suficientes, para
estudados com alta abrangência de locais. O presente estudo traz informações importante
para a academia e sociedade em geral. Mostra que temos mais uma importante ferramenta
para apoio aos estudos relacionados com as variáveis climáticas em larga escala. Os dados
da base POWER podem ser obtidos pelos os usuários com relativa facilidade, pois estão
disponíveis online, gratuitamente. Vale lembrar que devemos usá-los com cautela uma vez
que os dados podem apresentar alguns erros de superestimativas ou subestimativas. O que
não dever ser considerado pesquisador/acadêmico como um fator limitante para estudos
onde não temos uma outra ferramenta válida.
As associações claras entre variáveis climáticas e severidades das doenças do
arroz traz infamações que podem ser bastantes úteis para o estudo de previsão de doenças da
cultura do arroz, as informações obtidas no presente estudo foram importantes para
identificar quais as regiões brasileiras em que as relações entre variáveis climáticas e
severidade das doenças do arroz são mais claras. Essas informações podem ajudar na tomada
de decisão para o controle das doenças, ou seja, sabe-se em quais regiões de estudos a
influência das variáveis são mais significativas. Essas informações poderão serem validas
para em estudos futuros criar mapas de previsão de doenças para cultura do a arroz para
diferentes regiões brasileiras. No entanto outras variáveis e métodos terão que ser usado.