Universidade de São Paulo Escola Superior de Agricultura “Luiz de Queiroz”

Modelagem do balanço hídrico para a determinação da evapotranspiração da soja no MATOPIBA por meio de

sensoriamento remoto

Álex Júnior Zanchet Bordignon

Trabalho de Conclusão de Curso apresentado para obtenção do título de Bacharel em Engenharia Agronômica

Piracicaba (2018)

Álex Júnior Zanchet Bordignon

Modelagem do balanço hídrico para a determinação da evapotranspiração da soja no MATOPIBA por meio de sensoriamento remoto

Orientador: Prof. Dr. MARCOS VINICIUS FOLEGATTI

Trabalho de conclusão de curso apresentado para obtenção do título de Bacharel em Engenharia Agronômica.

Piracicaba (2018)

2

Dados Internacionais de Catalogação na Publicação DIVISÃO DE BIBLIOTECA – DIBD/ESALQ/USP

Bordignon, Álex Júnior Zanchet

Modelagem do balanço hídrico para a determinação da evapotranspiração da soja no MATOPIBA por meio de sensoriamento remoto / Álex Júnior Zanchet Bordignon. - - Piracicaba, 2018.

35 p.

Trabalho de Conclusão de Curso (TCC) - - USP / Escola Superior de Agricultura “Luiz de Queiroz”.

1. Irrigação 2. Modelagem 3. Sensoriamento remoto 4. Glycine max L. Modelagem do balanço hídrico para a determinação da evapotranspiração da soja no MATOPIBA por meio de sensoriamento remoto

3

DEDICATÓRIA

A Deus pela vida e suas bênçãos.

À minha mãe e a meu pai, que pelo amor, me ensinaram a aprender.

Às minhas irmãs e meu irmão pela energia em seguir a diante.

À minha madrinha e padrinhos por iluminarem e facilitarem meus caminhos.

Às minhas avós que por suas virtudes reproduzem o bem em minha vida.

Aos demais familiares e amigos pelos milagres da amizade.

Aos meus colegas acadêmicos e orientador por me inserirem nos caminhos da busca pelo

conhecimento.

4 AGRADECIMENTOS

À Fazenda Santa Isabel (Bom Jesus-PI) pela prontidão em ajudar em quaisquer

ocasiões.

Em especial:

Nelci Zanchet Bordignon

Lorinês Bordignon

Valmir José Bordignon, Soraia Gemelli Bordignon

Fábio Bordignon, Lisiane Scariot Bordignon

Idemar Piaia, Vânia Zanchet Bordignon

Valmor Luiz Bordignon, Zélia Queiroz de O. Bordignon

À gloriosa ESALQ e Departamento de Engenharia de Biossistemas pelo ensino e pelo

apoio.

Em especial:

Prof. Marcos Vinícius Folegatti

Beatriz Regina Duarte Novaes

Fernanda Barbosa Neves da Silva

Angela Márcia Derigi Silva

Gilmar Batista Grigolon

Prof. Fabio Ricardo Marin

Prof. Felipe Gustavo Pilau

À UNL e Daugherty Water For Food Global Institute pelo auxílio em conhecimento,

estrutura, equipamentos e softwares, todos indispensáveis para realização do trabalho.

Em especial:

Prof. Christopher Neale - Director of Research

Ivo Zution Gonçalvez - Postdoctoral Research Associate

Lacey Bodnar - Research Project Manager

Babak Safa - Postdoctoral Research Associate

À equipe da empresa Fitoagro atenção e coletas de solo para análise.

Em especial:

Andreza Bertoldo

Às pessoas importantes que me ajudaram nesta jornada.

Em especial:

Carolina Machado Marini

Ana Clara Zanchet Bordignon

Otávio Neto Almeida Santos

5

EPÍGRAFE

“A mind that is stretched by a new experience can never go back to its old dimensions”.

Oliver Wendell Holmes, Jr.

6 SUMÁRIO

RESUMO ................................................................................................................................................. 7

ABSTRACT ............................................................................................................................................. 8

1. INTRODUÇÃO .................................................................................................................................. 10

1.1. PRODUÇÃO DE SOJA EM ÁREA DE EXPANSÃO .................................................................................. 10 1.2. NECESSIDADE DE IRRIGAÇÃO NO MATOPIBA ................................................................................ 14 1.3. OBJETIVO DO TRABALHO ............................................................................................................... 16

2. MATERIAL E MÉTODOS ................................................................................................................. 17

2.1. CARACTERIZAÇÃO DA ÁREA ........................................................................................................... 17 2.2. INFORMAÇÕES METEOROLÓGICAS .................................................................................................. 18 2.1. SENSORIAMENTO REMOTO E MODELO DE EVAPOTRANSPIRAÇÃO ESPACIAL ....................................... 20

3. RESULTADOS E DISCUSSÃO ........................................................................................................ 22

3.1. DISTRIBUIÇÃO ESPACIAL DA EVAPOTRANSPIRAÇÃO E PRODUTIVIDADE .............................................. 22 3.2. BALANÇO HÍDRICO ........................................................................................................................ 24

REFERÊNCIAS ..................................................................................................................................... 26

7

RESUMO

Modelagem do balanço hídrico para a determinação da evapotranspiração da

soja no MATOPIBA por meio de sensoriamento remoto

A demanda da soja (Glycine max L.) impulsionada pela China tem contribuído

para a manutenção dos preços da commoditie no Brasil, incentivando a consolidação de

novas áreas sobretudo no MATOPIBA. Contudo a nova fronteira apresenta produção

irregular causada por ciclos de estiagem, sendo apontada a irrigação como solução. A fim

de oferecer subsídios para a implantação de projetos de irrigação em região com limitada

disponibilidade de água, o presente trabalho simulou, com o auxílio de imagens de satélite,

o balanço hídrico para a cultura da soja em três safras distintas para determinar os valores

de ETr e Kcb. Foi estimada a evapotranspiração espacial através do software SETMI para

uma área de 2.175 ha no estado do PI por meio do uso de imagens LANDSAT e MODIS.

O emprego da simulação espacial do balanço hídrico corrigido por imagens de satélite

mostrou-se satisfatória apresentando valores de ETr acumulado de 394 a 538 mm e

valores máximos de Kcb entre 1,06 e 1,29.

Palavras-chave: 1. Irrigação 2. Modelagem 3. Sensoriamento remoto 4. Glycine max L.

8 ABSTRACT

Modeling of the water balance for the determination of soybean

evapotranspiration in MATOPIBA through remote sensing

Demand from China-led soybeans (Glycine max L.) has contributed to commodity price

maintenance in Brazil, encouraging the creation of a new region to grow crops: MATOPIBA.

The new frontier appears with irregularities of production due to drought cycles and the

irrigation is indicated as a solution. In order to provide subsidies for the implementation of

irrigation projects in regions with low water availability, this work used satellite images to

run water balance for soybean crop in three different harvests to determine the values of

ETr and Kcb. A spatial simulation was developed using SETMI software for an area of

2,175 ha in the state of the PI using LANDSAT and MODIS images. The use of the spatial

water balance corrected by satellite images was satisfactory, showing ETr accumulated in

394 to 538 mm and the maximum values of Kcb between 1.06 and 1.29

Keywords: 1. Irrigation 2. Modeling 3. Remote Sensing 4. Glycine max L..

9

10

1. INTRODUÇÃO

1.1. Produção de soja em área de expansão

O Brasil tem-se destacado pelo setor agrícola, consolidando-se como terceiro maior

exportador de alimentos do mundo com 5,7% do mercado, atrás dos EUA (11%) e União Europeia

(41,1%) (FAO, 2018). A balança comercial do agronegócio brasileiro em 2017 foi de US$ 96 bilhões,

dos quais 33% corresponde a soja (AGROSTAT, 2018). Na safra de 2017/2018 o Brasil produziu 119

milhões de toneladas de soja (CONAB, 2018), ficando atrás somente dos EUA com estimativa de 124,8

milhões de toneladas (USDA, 2018). Segundo DA SILVA e SCHNEIDER (2017), o crescimento da

produção se deve à maior produtividade das lavouras existentes e da expansão da produção em novas

áreas. Muitas dessas áreas encontram-se nos estados de Maranhão, Tocantins, Piauí e Bahia, que

compõem região que, nos últimos anos, cresce em média cinco vezes mais que o Brasil na produção

de grãos, o MATOPIBA (acrônimo das siglas dos estados) (COLUSSI, 2017), (Figura 1).

Fonte: MIRANDA et al., 2014.

Figura 1: Delimitação territorial do MATOPIBA e as 31 microrregiões geográficas do IBGE que o compõem.

Com 73 milhões de hectares distribuídos em Tocantins (38%), Maranhão (33%), Bahia (18%)

e Piauí (11%), o MATOPIBA foi institucionalizado em 06/05/2015 pelo decreto presidencial Nº 8.447

como região de desenvolvimento no país. O MATOPIBA é caracterizado como última fronteira agrícola

11

do Brasil (DE SA et al., 2015; PESSOA et al., 2014) e a maior do mundo em área para expansão

(OECD/FAO, 2015). Além do mais essa região tem se destacando na crescente produção de milho,

algodão, feijão (LANDAU et al., 2014), e especialmente, a soja (SA et al., 2015) que teve seu

desenvolvimento rápido (Tabela 1) impulsionado pela expansão das atividades agrícolas e

investimentos relacionados (COLUSSI, 2017).

Tabela 1: Crescimento do PIB, Área cultivada e Valor da produção dos estados do MATOPIBA no período de 2005

a 2015.

Fonte: IBGE, 2018.

De acordo com a Tabela 1, o crescimento agrícola acelerado favoreceu o aumento do PIB

em todos os estados, exceto o Maranhão que apresentou crescimento equivalente. Contudo, esse

avanço tem sido prejudicado pelas condições precárias de comunicação, escoamento de produtos e

serviços financeiros. Esses fatores viabilizam apenas agricultores e empresas de grande porte (DE

LIMA FILHO et al., 2013; BRASIL, 2018) e ao mesmo tempo impedem que o desenvolvimento atinja as

classes menos favorecidas da população destes estados (DE SA et al., 2015).

No entanto, a participação do MATOPIBA na produção de grãos dos quatro estados cresceu

de 54,6% para 90,5% entre 1991 e 2011. No âmbito nacional a participação avançou de 3,0% para

8,2% (GARAGORRY et al., 2015), com expectativa de atingir 9,6% em 2021 (25,4 milhões de

toneladas) (BRASIL, 2018). Nesse cenário, destaca-se a soja, que na região ampliou sua participação

na produção de grãos de 24,05% em 1991 para 56,19% em 2011 (GARAGORRY et al., 2015).

O aumento da demanda de soja provocada pela China em conjunto com a desvalorização da

taxa cambial e instabilidade climática nas safras dos Estados Unidos e Argentina mantiveram a

PIB (bilhões de R$)

2005 2010 2015 Crescimento

2005-2010 (%)

Crescimento

2010-2015 (%)

Crescimento

2005-2015 (%)

BA 88,29 154,42 245,02 74,90 58,67 177,52

MA 25,10 46,31 78,48 84,47 69,46 212,60

PI 10,71 22,27 39,15 107,89 75,80 265,47

TO 7,71 16,40 28,93 112,85 76,35 275,36

Área cultivada (milhões ha)

2005 2010 2015 Crescimento

2005-2010 (%) Crescimento

2010-2015 (%) Crescimento

2005-2015 (%)

BA 3,54 4,69 5,00 32,73 6,51 41,37

MA 1,61 1,77 1,83 9,97 3,62 13,95

PI 0,99 1,26 1,56 27,34 23,56 57,35

TO 0,69 0,67 1.20 -2,50 79,25 74,78

Valor da produção no período (bilhões R$)

2005 2010 2015 Crescimento

2005-2010 (%) Crescimento

2010-2015 (%) Crescimento

2005-2015 (%)

BA 3,98 10,59 17,21 165,88 62,48 332,02

MA 1,31 2,46 3,89 87,21 58,27 196,29

PI 0,58 0,92 2,67 58,61 190,74 361,15

TO 0,73 1,27 3,17 74,68 149,32 335,50

12 rentabilidade da cultura (PESSOA et al., 2014), o que contribui para os investimentos em produtividade

e abertura de áreas na região. De 2000 a 2010, a produtividade média da região aumentou 13,35%

(DE LIMA FILHO et al., 2013) e a área ocupada pela cultura saltou de 0,59 milhões de ha em 1995 para

3,39 milhões de ha em 2014 (COLUSSI, 2017).

Nesse cenário de crescimento acelerado, muita atenção tem sido dada para o desmatamento.

A região possui várias aptidões, sendo que algumas áreas são aptas a mais de um sistema. Ao todo

26 milhões (35%) de ha aptos para agricultura intensiva, como produção de grãos (BOLFE et al., 2016),

cerca de 32,3 milhões de ha (43%) aptos para atividades de silvicultura e 43,7 milhões de ha (59%)

aptos para pastagens plantadas. A região teria cerca de 7,4 milhões de ha ou 10,1% que seriam inaptos

à produção agrícola (LUMBREJAS et al., 2015).

Em meio ao potencial agropecuário que a região do MATOPIBA oferece, simulações para

2050 demonstram que cerca de 35 milhões de ha serão desmatados, representando 47% da área

(AGUIAR, 2016). Somente no cerrado, que ocupa 91% do MATOPIBA, houve uma média de 0,7

milhões de ha desmatados a cada ano no período de 2008 a 2014, sendo os estados pertencentes ao

MATOPIBA os que desmataram a maior área relativa à área de cerrado dentro de cada estado (BOLFE

et al., 2017). Contudo, a região possui grande porção de áreas de preservação (Tabela 2), contribuindo

para manutenção dos ecossistemas.

Tabela 2: Quadro agrário da região do MATOPIBA.

Fonte: FONSECA, 2014.

Dos 73 milhões de ha da região, 17,76% são distribuídos em: Unidades de Proteção Integral,

Unidades de Uso Sustentável e Terras Indígenas; 5,41% em Assentamentos Rurais e Áreas

Quilombolas, totalizando (descontadas sobreposições) 21,42% da região (FONSECA, 2014).

Este total somado as Reservas Legais previstas no código ambiental, onde na região do

cerrado (no código, 60% do MATOPIBA) deve ser de 20% e na região da Amazônia legal (no código,

62% do MATOPIBA) 35%, confere um caráter sustentável para o progresso agrícola na região

(MAGALHAES & MIRANDA, 2014). Para Miranda et al. (2014) a agricultura do MATOPIBA avança mais

sobre áreas subutilizadas como pastagens nativas ou degradadas, savanas e áreas pouco produtivas,

do que sobre florestas, promovendo a mudança do uso da terra.

A expansão da agricultura no MATOPIBA sobre áreas subutilizadas foi possível graças a

grandes investimentos em tecnologias para melhorar as condições de solo, bem como a mecanização

das etapas da produção (LUMBREJAS et al., 2015) (FREITAS, 2011). Além disso, a região apresenta

grandes áreas planas de Chapadas e Depressões (MINGOTI et al., 2014) e tipos de solo (Figura 2) das

Classes dos Latossolos Amarelos (22,51 milhões de ha), Neossolos Quartzarênicos (9,58 milhões de

ha) e Plintossolos Pétricos (9,55 milhões de ha), os quais favorecem a agricultura mecanizada de larga

escala, não sendo aptos a manejos extrativistas (MAGALHAES & MIRANDA, 2014).

Área (ha) (%)

Área Total 73.173.485 100,00

Área Unidades de Conservação 8.838.764 12,08

Área Terras Indígenas 4.157.189 5,68

Área Assentamentos 3.706.699 5,07

Áreas Quilombolas 249.918 0,34

Conjunto 15.673.078 21,42

13

Fonte: MAGALHAES & MIRANDA, 2014.

Figura 2: MATOPIBA, classes de solo até o segundo nível categórico.

O clima da região é predominantemente tropical semiúmido, ocorrendo em cerca de 78% da

área, com temperatura média superior a 18 ºC em todos os meses e 4 a 5 meses sem chuva. Na

porção leste, o clima é semiárido, com 6 meses secos e temperaturas acima de 18 ºC em todos os

meses (Figura 3) (MAGALHAES & MIRANDA, 2014).

A região é em geral quente ao longo do ano, apresentando estação seca definida e

abundância em radiação solar (DE LIMA FILHO et al., 2013), duração do período sem chuvas entre 3,5

e 7,5 meses, bem como acentuada variação na pluviosidade (850 a 1800 mm) (Figura 3) (LUMBREJAS

et al., 2015).

14

Fonte: LUMBREJAS et al., 2015.

Figura 3: MATOPIBA, caracterização climática. C1: Precipitação entre 1600 e 2000 mm por ano, período de

estiagem de 3 a 4 meses. C2: Precipitação entre 1300 e 1600 mm por ano, período de estiagem de 5 a 6 meses. C3: Precipitação entre 1100 e 1300 mm por ano, período de estiagem de 6 a 7 meses. C4: Precipitação entre 900 e 1100 mm por ano, período de estiagem de 6 a 7 meses. C5: Precipitação entre 800 e 900 mm por ano; período de estiagem de 7 a 8 meses (LUMBREJAS et al., 2015).

1.2. Necessidade de irrigação no MATOPIBA

Apesar da quantidade de chuvas (Figura 3) e uma ampla época de semeadura para a cultura

da soja (DE ANDRADE JÚNIOR et al., 2001; EVANGELISTA et al., 2017), algumas regiões do

MATOPIBA apresentam veranicos frequentes durante o período chuvoso, prejudicando a produtividade

e a estabilidade da produção dessa cultura (Tabela 3) sobretudo no Centro-Sul do Piauí e Oeste da

Bahia (ASSAD et al., 1993).

Tabela 3 Produtividade média da cultura da soja em kg ha-1 das últimas 11 safras em toda extensão dos estados

do MATOPIBA.

Ano 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 Média

Brasil 2819 2817 2624 2939 3111 2635 2932 2858 3022 2894 3392 2913

MATOPIBA 2563 3009 2665 2763 3085 2918 2422 2654 2865 1781 2964 2699

Bahia 2700 3036 2552 3060 3360 2889 2288 2512 3134 2104 3242 2807

Piauí 2242 3231 2821 2531 2982 2793 1727 2375 2659 1147 2906 2492

Fonte: IBGE 2018.

O MATOPIPA registra produtividade de soja inferior à brasileira, fato que se estende até o

estado da Bahia o qual possui maior produtividade da região. No tocante à estabilidade da

produtividade ao longo das safras o MATOPIBA também está abaixo da média nacional com desvio

padrão (DV) de 348 kg ha-1 frente a 205 kg ha-1 nacional.

Em termos de produtividade e estabilidade da produção no MATOPIBA, o estado do Piauí é

o menos produtivo e o mais instável apresentando um desvio padrão (DV) de 577 kg ha-1 enquanto a

Bahia, o mais produtivo, apresenta 388 kg ha-1. Esta instabilidade ocorre devido à variabilidade das

15

chuvas da região (ASSAD et al., 1993; MOLION & BERNARDO, 2000). Entretanto é notável que a

Bahia possui desempenho melhor em ambos os aspectos mesmo com regimes de chuva semelhantes.

Fato que pode explicar a baixa produtividade de soja do Piauí é a baixa expressividade da

agricultura irrigada. Em 2014 o estado contava com apenas 19 pivôs, enquanto o estado da Bahia já

possuía 1.231 pivôs (LANDAU et al., 2014). Pois, enquanto por um lado os cultivos de soja irrigada são

mais produtivos (MAEHLER et al., 2003; FERNANDES & TURCO, 2003; HERZOG et al., 2004), por

outro, a falta de água é o principal limitante da produtividade da soja, com perdas que podem chegar a

40% (EVANGELISTA et al., 2017).

Apesar de possuir a menor média de produtividade do MATOPIBA, o Piauí apresenta elevado

potencial produtivo. Na safra de 2008 o estado registrou média de 3.231 kg ha-1, 30% a mais que a

média. No estado da Bahia, BATTISTI, et al (2018) apresentaram produtividades de 4.967 kg ha-1 em

área comercial a uma eficiência climática de 0,48 (razão entre a máxima produtividade sem déficit

hídrico e a produtividade máxima atingível com déficit hídrico), sendo que, ainda segundo os mesmos,

a produtividade potencial para a região seria de 12.347 kg ha-1, a maior do Brasil.

Em meio a cenário de quebras de safra frequentes causados por falta de chuva e

produtividades reais distantes das potenciais, a irrigação vem como forma de estabilizar a produção e

elevar a produtividade. Entretanto a região apresenta limitada disponibilidade hídrica, fato que pode

comprometer a rentabilidade do novo sistema. Para calcular a rentabilidade de um sistema de irrigação

é necessário que se saiba a quantidade de água a ser aplicada e o retorno, em forma de rendimento.

Além disso, é necessário que se conheçam características importantes para o planejamento

e condução de um sistema de irrigação para cultura da soja, como: (i) evapotranspiração de cultura

(ETc), (ii) ETc máxima do ciclo (ETmax), (iii) evapotranspiração real da cultura (ETr), (iv) déficit hídrico

total da cultura (DH), (v) coeficiente de cultura (Kc), (vi) coeficiente de transpiração da cultura (Kcb),

(vii) precipitação efetiva (Pef). Estas variáveis resultam do balanço hídrico da cultura, onde:

i. É a soma total de água usada por uma cultura da semeadura à colheita, sem restrição hídrica

(ANGELOCCI et al., 2002). É necessária para que se conheça quanto a cultura utiliza de

água. Este valor multiplicado pela área resulta no volume de água necessário para que a

cultura complete seu ciclo na região sem que apresente estresse hídrico e, portanto,

expressando sua produtividade máxima (desconsiderando outras perdas).

ii. É o maior valor diário de ETc em todo o ciclo da cultura. É importante para o dimensionamento

do sistema de irrigação.

iii. Quantidade de água utilizada pela cultura em situações que pode ou não haver restrição

hídrica (ANGELOCCI et al., 2002). É a quantidade de água que de fato foi usada pela cultura,

sendo que quanto mais distantes forem os valores em relação à ETc mais estresse por falta

de água a cultura sofreu durante o ciclo.

iv. Somatória de toda água que deixou de ser evapotranspirada devido a restrições hídricas

durante o ciclo da cultura (ANGELOCCI et al., 2002). É importante para cálculos de quebra

de produtividade. Também é usado avaliar o ano climático e para zoneamento agrícola.

v. Também chamado de coeficiente de ajuste, é utilizado para calcular a ETc de forma indireta,

com base em medidas de estação meteorológica (ANGELOCCI et al., 2002). Seu valor varia

de acordo com o estádio de desenvolvimento da cultura e o índice de área foliar.

16 vi. Coeficiente de cultura basal ou, coeficiente de transpiração da cultura (ALLEN et al., 2005).

É o Kc subtraído o coeficiente de evaporação do solo (Ke). É mais indicado para manejo com

déficit e irrigação localizada, por levar em conta apenas a água efetivamente usada pela

cultura.

vii. Precipitação útil ou utilizável (SAMPAIO et al., 2000). Auxilia na modelagem de balanços

hídricos mais avançados.

Portanto o consumo de água da cultura da soja depende da demanda evaporativa da

atmosfera e do seu estágio de desenvolvimento. Assim, seu valor absoluto pode variar em função do

genótipo empregado, do ano climático, e da época de semeadura (FARIAS et al., 2001).

Da estatística experimental, para um estudo ser pertinente é exigido que seja representativo.

Para que se obtenham resultados amplos para a implantação de projetos de irrigação na região é

preciso que se realizem experimentos com cultivares, áreas, épocas de semeadura e anos climáticos

distintos, ou seja, manejos diferentes.

Tal procedimento seria oneroso com o uso de métodos convencionais para determinar a

evapotranspiração com o uso de lisímetros ou estimá-la por meio de metodologias como o tanque

classe A ou a razão de bowen. O uso de modelos é uma alternativa mais acessível para se conseguir

tais resultados. Para CORREA et al., (2012), modelos de simulações podem conseguir bons resultados

com baixo custo. Contudo, para que as simulações de um modelo representem bem a realidade é

necessário que esse esteja devidamente aferido.

A maioria dos modelos tradicionais necessitam de experimentos de campo para calibrar as

características intrínsecas a cultivar e ao ambiente utilizado. Sem a devida calibração e validação do

modelo, não é possível garantir a confiabilidade dos resultados a este tipo de simulação (CORREA et

al., 2012). Desta forma, apesar de menos onerosa que os métodos convencionais, os modelos também

requerem recursos para sua execução, sobretudo nas etapas iniciais (calibração e validação). Outro

entrave dos modelos convencionais é sua limitação a grandes áreas, uma vez que só podem extrapolar

os resultados para áreas próximas às simuladas.

A fim de obter melhores estimativas da evapotranspiração espaço-temporal e de estudar as

interações entre a terra e a atmosfera próxima à superfície, foi criado o SETMI (Spatial ET Modeling

Interface), modelo que utiliza imagens de sensoriamento remoto para fornecer estimativas de fluxos de

energia superficial e ET diário (GELI & NEALE, 2012). Esta característica não dispensa por completo

as calibrações, contudo as simplifica resumindo os experimentos de campo à coleta de algumas

informações da área de estudo.

Este modelo vem sendo utilizado em áreas do meio-oeste americano nas culturas de soja e

milho para irrigação de precisão a taxa variável (BARKER et al., 2015; BARKER et al., 2018). Além

disso, a região do MATOPIBA facilita o uso de sensoriamento remoto, uma vez que possuem topografia

plana e grandes áreas de cultivo.

1.3. Objetivo do trabalho

O presente trabalho tem como objetivo principal determinar a evapotranspiração da cultura

da soja por meio de simulações de balanço hídrico no software SETMI em área produtiva do

MATOPIBA em diferentes safras e tipos de manejo.

17

2. MATERIAL E MÉTODOS

2.1. Caracterização da área

O estudo foi realizado em uma área de cultivo de soja em sequeiro, localizada no estado do

Piauí, município de Bom Jesus (Latitude: -9°20’39’’; Longitude: -44°56’30”). O clima da região é

classificado como Aw (clima tropical com inverno seco) (KÖPPEN & GEIGER, 1928). As áreas

escolhidas foram quatro talhões, identificados como 1, 2, 3 e 4, os quais apresentam áreas de 760,

325, 835 e 255 ha, respectivamente (Figura 4). O histórico de toda a área é de 15 anos de cultivo de

culturas anuais, especialmente soja e milho.

Figura 4: Localização da propriedade e detalhe dos talhões.

O tipo de solo em todos os talhões é um Latossolo Amarelo distrófico típico de textura média

(cerca de 20% de argila). As umidades a Capacidade de Campo (FC) e Ponto de Murcha Permanente

(PMP) foram respectivamente de 0,23 e 0,1 m3m-3, determinados a partir de amostras de solo

indeformadas coletadas na área de estudo. Uma vez que os latossolos possuem boa drenagem, não

foi considerada a possibilidade escoamento superficial. Os talhões também apresentam características

físicas e químicas de solo que não comprometem o desenvolvimento das raízes em profundidade.

Entretanto, vale ressaltar a existência de variabilidade nas condições de fertilidade entre os

talhões. Embora todos os talhões apresentem saturação por bases acima de 65% e teor de fósforo alto

para seu teor de argila, os proprietários classificaram os talhões quanto a fertilidade em: Alta fertilidade

para os talhões 1 e 2 e média fertilidade para os talhões 3 e 4. Além da diferença de fertilidade entre

os talhões, existem também diferenças de manejo representadas na tabela 4.

As safras de 2012-2013, 2016-2017 e 2017-2018 foram escolhidas no presente estudo com

base nas produtividades médias obtidas na região, a partir das quais tais safras foram classificadas

como “ruim”, "adequada" e "boa", respectivamente. Também foram coletadas as produtividades reais

(Yr) dos registros de pesagem de grãos produzidos em cada talhão de cada safra (Tabela 4).

18

Tabela 4: Informações de manejo referentes cada talhão em cada safra referentes a cultivar empregada, duração

do ciclo em dias e data de semeadura (DS), e às produtividades reais (Yr) obtidas.

Talhão Cultivar Ciclo (dias)

DS Yr (kgha-1)

2012-2013

1 Pioneer Y70 120 09/11 2400,0

2 Pioneer Y71 120 24/11 2400,0

3 Monsoy 9350 135 10/11 1920,0

4 Monsoy 9351 135 10/11 1920,0

2016-2017

1 Agroeste 3810 115 04/12 3660,0

2 Agroeste 3811 115 04/12 3660,0

3 Monsoy 8349 120 22/11 3480,0

4 Monsoy 8350 120 22/11 3480,0

2017-2018

1 Monsoy 8808 130 12/11 4596,0

2 FT 4180 105 12/11 4680,0

3 Monsoy 8808 130 22/11 4620,0

4 Monsoy 8808 130 22/11 4620,0

2.2. Informações meteorológicas

Os dados climáticos foram obtidos em escala horária a partir de cinco estações

meteorológicas automáticas pertencentes ao Instituto Nacional de Meteorologia (INMET). Buscou-se

utilizar dados das estações mais próximas dentro do mesmo bioma da área de estudo (descartando-se

estação de área em desertificação no município de Gilbués-PI). As variáveis utilizadas foram: radiação

solar (RS), velocidade do vento (V), temperatura máxima (Tmáx), temperatura mínima (Tmín),

temperatura do ponto de orvalho (To) e Umidade Relativa (UR). A precipitação (P) foi o único parâmetro

medido no local a partir de leituras diárias (Tabela 5).

Tabela 5: Regime de chuvas das safras estudadas. Em que: P total, soma das chuvas do ano agrícola; P intervalo,

01 de novembro a 30 de abril (181) dias; DSP intervalo, Dias Sem Chuva; DCSP intervalo, Dias Consecutivos Sem Chuva; Período, datas de início e fim da contagem de dias sem chuva.

Safra P total (mm) P intervalo (mm) DSP intervalo DCSP intervalo Período

2012-2013 1055 1040 129 47 20/01/2013 a 07/03/2013

2016-2017 796 659 148 26 16/12/2016 a 10/01/2017

2017-2018 894 855 129 21 14/12/2017 a 03/01/2018

As estações utilizadas e suas respectivas distâncias em linha reta da propriedade foram: Bom

Jesus (PI), 73,5 km; Alto Parnaíba (MA), 112 km; Alvorada do Gurguéia (PI), 155 km; Uruçuí (PI), 220

km; Balsas (MA), 241 km. Os dados foram corrigidos e estimados para a localidade da seguinte forma:

I. Os dados faltantes de cada estação foram preenchidos com o auxílio do Software SDSS

(Statistical Package for the Social Sciences). Para isto, foram testados vários ajustes, sempre

adotando o que melhor representaria a realidade. Para RS foi adotada a média simples dos

10 valores mais próximos; para V foi adotada a mediana dos 40 valores mais próximos, para

Tmáx, Tmín e UR foi adotada a média simples dos 6 valores mais próximos, para To foi

adotada a média simples dos dois valores mais próximos. Falhas com cinco ou mais dias

consecutivos não foram corrigidas.

19

II. Uma interpolação dos dados foi realizada com base em média inversamente proporcional às

distâncias para estimar os valores para a localização da fazenda. Como ainda haviam dados

faltantes em todas as estações, foi realizada uma rotina com auxílio de planilha de Excel

onde, em caso de dado faltante em uma ou duas estações, utilizava-se os dados das

remanescentes com os pesos relativos às distâncias corrigidos.

III. A evapotranspiração de referência (ETo) foi calculada pelo método de Pennman-Monteith por

meio de um módulo do software Aquacrop (FAO) para essa finalidade. Os dados de entrada

foram: RS, Tmáx, Tmín, UR, V e To.

A interpolação das estações e a estimativa da ETo se mostraram pertinentes frente os dados

pluviométricos da propriedade (Figura 5). É possível observar que RS e V diminuem próximos aos dias

chuvosos, enquanto a UR e a To se elevam. Além disso a variabilidade de Tmáx, Tmín e ETo se eleva

no período chuvoso. Essas variações estão dentro do esperado em dias chuvosos. A coerência dos

dados estimados com os dados medidos melhora a credibilidade do método utilizado.

0

10

20

30

40

50

60

70

80

90

100Faz SI 2012-2013

0

15

30

45

60

75

90

105

120

135

150

0

3

6

9

12

15

18

21

24

27

30Faz SI 2012-2013

0

10

20

30

40

50

60

70

80

90

100Faz SI 2016-2017

0

15

30

45

60

75

90

105

120

135

150

0

3

6

9

12

15

18

21

24

27

30Faz SI 2016-2017

0

10

20

30

40

50

60

70

80

90

100Faz SI 2017-2018

UR Tmáx Tmín To

0

15

30

45

60

75

90

105

120

135

150

0

3

6

9

12

15

18

21

24

27

30Faz SI 2017-2018

P RS ETo V

20 Figura 5: Variáveis climatológicas para a localidade da propriedade em estudo com os respectivos anos agrícolas

de cada safra. Os dados encontram-se em escala diária, sendo: UR é umidade relativa média (%), Tmáx

é temperatura máxima registrada (°C), Tmín é temperatura mínima registrada (°C), To é a temperatura

do ponto de orvalho (°C), P é precipitação (mm), RS é radiação solar acumulada (MJ), ETo é a

evapotranspiração de referência estimada (mm), V é a média das rajadas de vento (ms-1).

2.1. Sensoriamento remoto e modelo de evapotranspiração espacial

Duas constelações de satélites artificiais foram usadas para fornecer as imagens: LANDSAT

(7 e 8) e MODIS, com resolução espacial de 30 x 30 m e 500 x 500 m e frequência de revisita de 16 e

8 dias respectivamente. Para cada talhão em cada safra foram utilizadas em média 6 imagens.

Apenas as imagens dentro do ciclo da cultura foram selecionadas. Imagens com nuvens que

obstruíssem a visualização de algum talhão foram descartadas. Portanto cada talhão teve uma seleção

a fim de aproveitar o máximo de imagens possível.

Além disso, as imagens da série LANDSAT passaram por um processamento de retirada de

nuvens, o qual localiza e apaga dados poluídos por nuvens. Este método permite o maior

aproveitamento de imagens e maior confiabilidade dos dados, entretanto pode fornecer imagens com

"buracos" (dados faltantes) para o software.

Por fim foram usadas as bandas 1 a 3; 2 a 4; e 1, 2 e 4 para LANDSAT 7 e 8, e MODIS

respectivamente. Estas bandas correspondem ao verde, vermelho e vermelho distante (ou

infravermelho próximo) as quais são usadas para os cálculos de NDVI e SAVI (equações 1 e 2)

(ELVIDGE & CHEN, 1995).

NDVI =(NIR - Red)

(NIR + Red)

(Equação 1)

Onde: NDVI, Índice de Vegetação da Diferença Normalizada (Normalized Difference Vegetation Index); NIR, banda do Infravermelho próximo (Near Infra Red) e Red, banda do vermelho.

SAVI =(NIR - Red)

(NIR + Red + L)×1+ L

(Equação 2)

Onde: SAVI, Índice de Vegetação Ajustado ao Solo (Soil Adjusted Vegetation Index); NIR, banda do Infravermelho próximo (Near Infra Red); Red, banda do vermelho e L, fator de ajuste do fundo do dossel, podendo variar de 0 a

1, sendo mais comumente usado o valor de 0,5.

Os índices são usados pelo sensoriamento remoto para acompanhar o desenvolvimento das

culturas. Ambos variam entre 0 e 1, onde, quanto maior este índice, mais vegetação fotossinteticamente

ativa há. Entretanto o SAVI é ajustado pelo fator L o qual diminui sua variação por descontar os erros

causados pela reflectância do solo.

Por fim foram inseridos no modelo SETMI (Interface de modelagem de evapotranspiração

espacial, do inglês: Spatial EvapoTranspiration Modeling) os dados referentes a clima, solo e manejo,

juntamente com as imagens de satélite (consultar Barker, 2017). Foi simulado o balanço hídrico para

os talhões de um a quatro, em cada uma das três safras, totalizando 12 simulações.

21

O Balanço hídrico da cultura foi realizado pelo modelo através dos coeficientes de

transpiração da cultura baseados em reflectância (Kcbrf) os quais são usados para ajustar as curvas de

estimativa de Kcb. Os valores de Kcbrf são obtidos através dos valores de SAVI das imagens de satélite

pela relação para a cultura da soja apresentada na equação 3.

Kcbr = 1,57 × SAVI – 0,0075

(Equação 3)

Onde: O coeficiente de transpiração da cultura baseado em reflectância (Kcbrf) fica em função do Soil Adjusted Vegetation Index (SAVI) conforme proposto por CAMPOS et al., (2017).

Além disso o modelo simula valores de Ke, coeficiente de estresse hídrico (Ksw) e coeficiente

de estresse por temperatura (Kst). Com os valores de Ke é calculado o coeficiente de cultura ajustado

(Kc ajustado) sendo: Kc ajustado = Kcb + Ke. Já com o uso de Ksw, Kst e Kcb é calculado coeficiente

de transpiração de cultura ajustado (Kcbaj) pela equação: ∑ (Kcb Ksw Kst) (CAMPOS et al., 2018).

Com Kcbaj foi calculada a produtividade estimada (Ye) pela seguinte equação:

Ye = HI × [14 × ∑ (Kcb Ksw Kst)] - 9,2

100

(Equação 4)

Onde: Ye, produtividade estimada; HI, índice de colheita (do inglês Harvest Index) tendo assumido o valor de 0,33 segundo Battist & Sentelhas (2015); Kcb, coeficiente de transpiração de cultura; Ksw, coeficiente de estresse hídrico, variando de 0 a 1, onde menores estresses são representados por valores maiores; Kst, coeficiente de estresse por temperatura, variando de 0 a 1, onde menores estresses são representados por valores maiores (CAMPOS et al., 2018).

Com base nos resultados do balanço hídrico e registros de produtividade dos talhões foram

calculadas a eficiência do uso da água por medida de ETr e a eficiência do uso da água pluvial com

base na P. A razão desses índices é a própria Pef.

Os dados de imagens do programa SETMI foram processados no software ArgGIS onde

foram montados mapas de variação espacial da ETr e ∑ (Kcb Ksw Kst). Esses mapas foram reduzidos

em 200 m partindo de todo o perímetro dos talhões ao seu centro. Este procedimento foi adotado pois

os pixels do satélite MODIS representam grande área, o que poderia causar erros por valores coletados

fora dos campos. Não foi adotado um valor superior a 200 m a fim de preservar os resultados. Os

mapas de cada talhão foram unidos, normalizando-os à mesma escala de forma a facilitar a

comparação entre talhões de uma mesma safra.

Além disso foram montados gráficos com base na média dos valores de balanço hídrico de 10

pixels escolhidos aleatoriamente em cada talhão.

Por fim foi rodada a estatística simples para cada talhão onde foram utilizados todos os pixels

de cada.

22

3. RESULTADOS E DISCUSSÃO

3.1. Distribuição espacial da evapotranspiração e produtividade

As simulações geraram os mapas de ETr e ∑ (Kcb Ksw Kst) para os quatro talhões nas três

safras, apresentados na Figura 6. Estas imagens exibem variação espacial da soma da ETr e o índice

∑ (Kcb Ksw Kst) devido suas relevâncias no dimensionamento de projetos de irrigação, e no

entendimento da produtividade respectivamente. As análises foram feitas de maneira independente

para cada pixel em cada campo. Vale ressaltar que o modelo não preenche os dados faltantes

causados pela retirada das nuvens, o que explica os vazios das imagens.

A

B

ETr ∑ (Kcb Ksw Kst)

ETr ∑ (Kcb Ksw Kst)

23

Figura 6: Mapas de ETr (mm) e ∑ (Kcb Ksw Kst) gerados pelo programa para a safra de 2017-2018 (A), 2016-

2017 (B) e 2017-2018 (C) na Fazenda Santa Isabel (Bom Jesus PI).

Esse tipo de análise pode auxiliar no manejo prático da cultura e direcionamento dos

investimentos.

O menor valor de ETr simulado foi de 324 mm (Talhão 3, safra 2012-2013) (Figura 6A)

enquanto o maior foi de 555 mm (Talhão 1, safra 2017-2018) (Figura 6B) o que pode representar de

modo geral os limites inferior e superior de evapotranspiração para a região. Esses valores

correspondem ao menor resultado em safra climaticamente "ruim" (2012-2013) e ao melhor resultado

de uma safra climaticamente "boa" (2017-2018) (Tabela 5). Portanto a ETr teve uma amplitude de 231

mm na área de estudo.

Para a safra de 2012-2013, a ETr variou de 324 a 448 mm, com uma amplitude 107 mm. Essa

diferença corresponde a 38% do volume do limite inferior. Na safra 2016-2017 a ETr variou de 383 a

431 mm, divergindo em 48 mm. A diferença corresponde a 13% do limite inferior. Já na safra de 2017-

2018 a ETr variou de 380 a 555 mm com 175 mm de diferença. Esse valor corresponde a 46% do limite

inferior.

Essas diferenças de ETr em cada safra podem ser atribuídas a um conjunto de fatores não

controlados os quais não podem ser separados. Sendo eles: a distribuição espacial e temporal das

chuvas dentro e entre os talhões devido a coleta de dados em apenas um ponto na área (2.175 ha); a

heterogeneidade espacial das propriedades físicas e químicas do solo; diferentes épocas de

semeadura e uso de cultivares com ciclos diferentes (Tabela 4). Mesmo assim as imagens de satélite

juntamente com o modelo mostraram-se sensíveis ao detectar estas diferenças.

O índice ∑ (Kcb Ksw Kst) variou de 30 a 72 na safra 2012-2013, de 64 a 86 na safra 2016-

2017 e de 73 a 117 na safra 2017-2018 (Figura 6C). Esse índice pode ser utilizado para constrastar as

diferenças de produtividade dentro de cada talhão. Entretanto não apresentou-se adequado quando

utilizado para comparar as diferenças entre talhões, já que o talhão mais produtivo (Talhão 2, Tabela

4) apresentou valor equivalente ao talhão 1 da safra 2012-2013 que obteve quase metade de sua

produtividade (Tabela 4).

C

ETr ∑ (Kcb Ksw Kst)

24 As diferenças no índice ∑ (Kcb Ksw Kst) podem ser explicados pela menor duração do ciclo

da cultivar empregada no talhão 2 que na safra 2017-2018. Isso ocorre porque o índice leva em

consideração a soma da transpiração corrigida pelos estresses, sendo que esse valor tende a ser maior

ou menor conforme a duração de cada ciclo. Portanto este índice pode ser utilizado apenas entre

talhões com as mesmas cultivares ou com cultivares de ciclos próximos.

3.2. Balanço hídrico da cultura

Os resultados e estatística do balanço hídrico da cultura com base em todos os pixels das

imagens está representado na tabela 6.

Os valores da soma da ETr durante o ciclo variaram entre 394 e 538 mm, sendo que os

maiores valores aconteceram na safra 2017-2018 a qual teve o menor período sem chuva (Tabela 5).

Esses valores se aproximam ao encontrado por Oliveira, Meirelles e Franco (2011) de 471 mm em

cultivo de soja no cerrado do Distrito Federal.

A safra 2012-2013 que apresentou a menor Yr, obteve os menores valores médios de Kc,

enquanto que a safra com maior Yr (2017-2018) apresentou os maiores valores de Kc.

Existe relação entre Kc e Yr, pois o Kc é dependente da transpiração da cultura, e portanto,

de sua disponibilidade de água. Menores valores de Kc para uma mesma cultura podem indicar

fechamento estomático e consequentemente menor absorção de CO2 (biomassa) que compõe a

produtividade (MORANDO et al., 2014).

Além disso, de modo geral os talhões que apresentaram maiores valores de ∑ (Kcb Ksw Kst)

também foram os mais produtivos, com a exceção do talhão 2 que na safra 2017-2018 apresentou os

menores valores de ∑ (Kcb Ksw Kst), mesmo sendo o mais produtivo. Por ser um indicador de

biomassa, o ∑ (Kcb Ksw Kst) deve ser ajustado pelo índice de colheita de acordo com a duração dos

estádios reprodutivos da cultura (BATTIST & SENTELHAS 2015).

Contudo realizar este ajuste é um desafio para o sensoriamento remoto que trabalha com

dados limitados de data de semeadura e fenologia da cultura (BARKER, 2017). Para MAATOUG et al.,

(2013) o desenvolvimento das técnicas de acompanhamento da fenologia da soja por sensoriamento

remoto ainda enfrenta falta de dados ou de baixa qualidade.

Para as produtividades estimadas com base no índice ∑ (Kcb Ksw Kst) estas superestimaram

as produtividades da safra 2012-2013 e 2017-2018. Contudo para a safra 2016-2017 apresentou

valores mais próximos.

Na eficiência do uso da água os talhões produtivos também foram os mais eficientes, tanto

na comparação entre talhões das mesmas safras, quanto entre diferentes safras.

Portanto de forma geral os talhões que apresentaram maior ETr também apresentaram

maiores produtividades, obtendo também maiores valores de eficiência do uso da água.

25

EU

AP

(kg

mm

-1 *)

4,8

4,8

2,7

2,7

7,3

7,3

7,1

7,1

7,1

10

,4

7,0

7,0

EU

A

(kg

mm

-1 *)

5,6

5,7

4,4

4,5

8,9

9,0

8,6

8,7

8,7

11

,9

8,7

8,6

Pe

f

(mm

)

0,8

6

0,8

4

0,6

2

0,6

2

0,8

2

0,8

2

0,8

2

0,8

1

0,8

2

0,8

7

0,8

0

0,8

1

P

(mm

)

50

0,2

50

0,2

69

8,2

69

8,2

50

1,0

50

1,0

49

3,0

49

3,0

64

6,0

45

2,0

66

4,0

66

4,0

Ye

(kg

ha

-1)

31

37

,5

28

52

,1

25

94

,0

24

73

,7

36

49

,4

35

30

,4

33

80

,1

33

30

,3

48

37

,1

35

76

,4

49

30

,1

48

38

,8

Yr

(kg

ha

-1)

24

00

,0

24

00

,0

19

20

,0

19

20

,0

36

60

,0

36

60

,0

34

80

,0

34

80

,0

45

96

,0

46

80

,0

46

20

,0

46

20

,0

Kcb

aj d

ia-1

0,5

7

0,5

2

0,4

2

0,4

0

0,6

9

0,6

7

0,6

2

0,6

1

0,8

1

0,7

4

0,8

3

0,8

1

Kcb

aj ±

DP

68

,6 ±

2,6

62

,4 ±

1,3

56

,8 ±

6,1

54

,2 ±

2,5

79

,7 ±

3,2

77

,1 ±

2,0

73

,8 ±

5,2

72

,7 ±

1,5

10

5,4

± 4

,3

78

,1 ±

1,8

10

7,4

± 2

,9

10

5,4

± 4

,1

Kc

0,7

6

0,7

4

0,7

1

0,7

0

0,8

1

0,8

1

0,7

6

0,7

5

0,9

5

0,8

7

0,9

5

0,9

7

ET

r ± D

P

(mm

)

43

0,2

± 7

,4

42

2,0

± 2

,3

43

5,6

± 1

6,8

43

0,1

± 4

,2

41

1,4

± 9

,1

40

8,6

± 5

,0

40

4,5

± 1

2,4

40

1,6

± 4

,4

52

9,5

± 1

0,1

39

4,1

± 5

,0

52

9,7

± 9

,7

53

8,0

± 6

,9

ET

o

(mm

)

56

8,6

56

8,6

61

6,9

61

6,9

50

6,9

50

6,9

53

4,2

53

4,2

55

8,3

45

2,4

55

7,4

55

7,4

DS

09

/11

24

/11

10

/11

10

/11

04

/12

04

/12

22

/11

22

/11

12

/11

12

/11

22

/11

22

/11

Cic

lo

(dia

s)

12

0

12

0

13

5

13

5

11

5

11

5

12

0

12

0

13

0

10

5

13

0

13

0

Cu

ltiv

ar

Pio

ne

er

Y7

0

Pio

ne

er

Y7

1

Mo

nso

y

93

50

Mo

nso

y

93

51

Ag

roe

ste

38

10

Ag

roe

ste

38

11

Mo

nso

y

83

49

Mo

nso

y

83

50

Mo

nso

y

88

08

FT

41

80

Mo

nso

y

88

08

Mo

nso

y

88

08

Ta

lhã

o

1

2

3

4

1

2

3

4

1

2

3

4

20

12

20

13

20

16

20

17

20

17

20

18

Ta

be

la 6

: D

ata

de s

em

ead

ura

(D

S),

eva

potr

ansp

ira

ção

de

re

ferê

ncia

(E

To

), e

va

po

tra

nsp

ira

çã

o r

eal

acum

ula

da (

ET

r),

de

svio

pa

drã

o (

DP

), c

oe

ficie

nte

de

cultu

ra (

Kc),

co

eficie

nte

de

tra

nsp

iraçã

o d

a c

ultu

ra a

justa

do

ou

∑ (

Kcb

Ksw

Kst)

(K

cb

aj),

pro

du

tivid

ade

re

al

(Yr)

, p

rod

utivid

ad

e e

stim

ada

(Y

e),

pre

cip

ita

çã

o (

P),

pre

cip

itaçã

o e

fetiva

(P

ef)

(E

Tr

÷ P

),

eficiê

ncia

do

uso

da

ág

ua

(E

UA

) (Y

r ÷ E

Tr)

, e

ficiê

ncia

do

uso

da

ág

ua

plu

via

l (E

UA

P)

(Yr

÷ P

).

* In

dic

a v

alo

res r

efe

ren

tes a

um

ha

.

26 O balanço hídrico é apresentado com base no Kc ajustado (equação 5) e pelo coeficiente de

transpiração da cultura diário (Kcb diário).

Kc ajustado = Ksw × Kcb + Ke

(Equação 5)

Onde: Kc ajustado, coeficiente de cultura ajustado pelo estresse hídrico; Ksw, coeficiente de estresse hídrico (variando de 0 a 1); Kcb, coeficiente de transpiração da cultura; Ke, coeficiente de evaporação do solo.

No início do balanço hídrico da cultura o Kc ajustado apresenta-se superior ao Kcb diário

sobretudo nos dias com precipitação. Nesta situação o Ke contribui significativamente na perda de água

do solo para a atmosfera. Sendo assim a área formada pela curva de Kc acima da curva de Kcb

representa o total de água devolvida para a atmosfera em forma de evaporação.

Entretanto, com o desenvolvimento da cultura, a cobertura tende a aumentar, de modo que o

dossel cubra quase toda a superfície do solo, sendo os novos valores de Ke próximos a zero. Nestas

situações Kc ajustado ≈ Ksw × Kcb. Isto pode ser observado pelas curvas de Kc e Kcb ao apresentarem-

se em valores próximos (Figuras 9, 10 e 11).

Por outro lado, em situações de restrição hídrica há a diminuição dos valores de Ksw o que

caracteriza estresse hídrico da cultura. A diminuição dos valores de Ksw causam rebaixamento do Kc

ajustado em relação ao Kcb diário (transpiração ideal). A área formada pela curva do Kc ajustado abaixo

da curva de Kcb diário é o estresse hídrico total da cultura.

27

Figura 7: Gráfico do balanço hídrico dos campos, safra 2012-2013. P, precipitação (mm); Kcb diário, transpiração

diária estimada para cultura, Kcb imagem, transpiração da cultura estimada pelo SAVI da imagem de satélite, Kc ajustado, coeficiente de cultura ajustado.

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800

2012-2013 - Talhão 1

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600

2012-2013 - Talhão 2

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800 2000

2012-2013 - Talhão 3

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800 2000

Graus dia (GD)

2012-2013 - Talhão 4

P Kcb diário Kcb imagem Kc ajustado

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

)

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

) P

(m

m)

P (

mm

)

28 O balanço hídrico para a safra 2012-2013 (Figura 7) apresentou curvas de Kcb diário

semelhantes, sendo que os valores se aproximam quando comparados entre as mesmas cultivares

(talhões 1 com 2 e 3 com 4) (Tabela 4).

De modo geral, os resultados apresentaram períodos de déficit hídrico (Ksw < 1) de 39, 38,

41 e 44 dias consecutivos com para os talhões de 1, 2, 3 e 4 respectivamente, correspondendo aos 47

dias consecutivos sem chuva na safra (Tabela 5). Isso pode explicar os menores valores de

produtividade para esta safra. Além disso os dias com estresse hídrico encontram-se no período que

parte do meio para o fim do ciclo da cultura, o que penaliza ainda mais a produtividade, uma vez que

neste período encontram-se os estádios reprodutivos da cultura que são mais sensíveis à falta de água.

As simulações também apresentaram Kcb máximo dentro do período de acúmulo de 940 a

1060 graus dia (GD) aos 65, 57, 80 dias após a semeadura, com os valores de 1,22; 1,06; 1,18 e 1,06

para os talhões 1, 2, 3 e 4 respectivamente.

Devido aos valores de Kws próximos a 0 a simulação encerrou o desenvolvimento da cultura

25 e 15 dias (talhões 3 e 4 respectivamente) mais cedo. Isso pode explicar a menor produtividade

apresentada pelos talhões 3 e 4 em relação aos talhões 1 e 2 da mesma safra.

29

Figura 8: Gráfico do balanço hídrico dos campos, safra 2016-2017. P, precipitação (mm); Kcb diário, transpiração

diária estimada para cultura, Kcb imagem, transpiração da cultura estimada pelo SAVI da imagem de satélite, Kc ajustado, coeficiente de cultura ajustado.

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800

2016-2017 - Talhão 1

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800

2016-2017 - Talhão 2

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800

2016-2017 - Talhão 3

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800

Graus dia (GD)

2016-2017 - Talhão 4

P Kc ajustado Kcb diário Kcb imagem

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

)

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

)

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

)

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

)

30 Os resultados (Figura 8) apresentaram de forma geral um pequeno período de déficit hídrico

situado entre 800 e 1000 GD (máximo de 17 dias no talhão 4) com valores de Ksw < 1. É importante

ressaltar que a cultura passou por um período de 26 dias sem chuva (Tabela 5), sendo que o déficit

hídrico baixo pode ser atribuído à reserva de água retida em 1 m graças a profundidade do sistema

radicular adotada. Apesar disso é possível afirmar que os valores correspondem bem às produtividades

registradas para os talhões (Tabela 4). Além do menor período com déficit hídrico em relação à safra

2012-2013 este se encontrou antes do meio do ciclo da cultura, o que representa estágio vegetativo e

estágios reprodutivos iniciais os quais são menos sensíveis ao estresse hídrico.

O balanço hídrico para a safra 2016-2017 simulou curvas de Kcb diário semelhantes para

todos os talhões. As médias das simulações apresentaram Kcb máximo dentro do período de acúmulo

de 1090 a 1290 GD aos 67, 71, 79 e 76 dias após a semeadura, com os valores de 1,29; 1,28; 1,17 e

1,16 para os talhões 1, 2, 3 e 4 respectivamente.

A simulação ainda apontou que os talhões 1 e 2 tiveram menor déficit hídrico e maior Kcb diário

máximo que os talhões 3 e 4. Esses valores são condizentes com as produtividades registradas (Tabela

4) as quais são superiores nos talhões 1 e 2.

31

Figura 9: Balanço hídrico dos campos, safra 2017-2018. P, precipitação (mm); Kcb diário, transpiração diária

estimada para cultura, Kcb imagem, transpiração da cultura estimada pelo SAVI da imagem de satélite, Kc ajustado, coeficiente de cultura ajustado.

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800 2000

2017-2018 - Talhão 1

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600

2017-2018 - Talhão 2

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800 2000

2017-2018 - Talhão 3

0

10

20

30

40

50

60

70

80

90

100

0

0.3

0.6

0.9

1.2

1.5

0 200 400 600 800 1000 1200 1400 1600 1800 2000

Graus dia (GD)

2017-2018 - Talhão 4

P Kc ajustado Kcb diário Kcb imagem

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

)

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

)

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

)

Kcb

diá

rio

, K

cb

im

ag

em

, K

c a

jus

tad

o

P (

mm

)

32 Os resultados apresentaram de forma geral déficit hídrico quase inexistente para a safra de

2017-2018 (Figura 9). Isso condiz com as produtividades registradas as quais foram as maiores em

todas as três safras.

O balanço hídrico para a safra 2017-2018 simulou curvas de Kcb diário semelhantes para

todos os talhões. As médias das simulações apresentaram Kcb máximo dentro do período de acúmulo

de 1040 a 1340 GD aos 75, 67, 83 e 64 dias após a semeadura, com os valores de 1,27; 1,24; 1,26 e

1,27 para os talhões 1, 2, 3 e 4 respectivamente.

No final da simulação os valores de kcb permaneceram altos como o esperado devido às

aplicações de herbicida de dessecação no final do ciclo o que interrompeu de forma abrupta.

4. CONCLUSÕES

O sensoriamento remoto mostrou-se uma boa alternativa para a estimativa de

evapotranspiração da cultura da soja em grandes áreas em região do MATOPIBA.

O modelo SETMI apresentou bom desempenho na realização do balanço hídrico para a

estimativa da evapotranspiração espacial da cultura da soja para a estimativa da evapotranspiração

espacial em áreas na região do MATOPIBA.

Segundo o modelo SETMI a cultura da soja no MATOPIBA pode chegar a valores máximos

de Kcb entre 1,06 e 1,29 e ETr acumulada de 394 a 538 mm.

33

REFERÊNCIAS

ALLEN, R. G. et al. FAO-56 dual crop coefficient method for estimating evaporation from soil and

application extensions. Journal of irrigation and drainage engineering, v. 131, n. 1, p. 2-13, 2005.

AGUIAR, A. S. Modelagem da dinâmica do desmatamento na região do MATOPIBA até 2050.

2016.

ANGELOCCI, L. R.; SENTELHAS, P. C.; PEREIRA, A. R. Agrometeorologia fundamentos e

aplicações práticas. Guairá: Agropecuária, 2002.

ASSAD, E. D. et al. Veranicos na região dos cerrados brasileiros frequência e probabilidade de

ocorrência. Pesquisa Agropecuária Brasileira, v. 28, n. 9, p. 993-1003, 1993.

BARKER, J. B. Spatial Irrigation Management Using Remote Sensing Water Balance Modeling and

Soil Water Content Monitoring. 2017.

BARKER, J. B. et al. Evaluation of variable rate irrigation using a remote-sensing-based model.

Agricultural Water Management, v. 203, p. 63-74, 2018.

BARKER, J. B.; NEALE, C. M. U.; HEEREN, D. M. Evaluation of a hybrid remote sensing

evapotranspiration model for variable rate irrigation management. In: 2015 ASABE/IA Irrigation

Symposium: Emerging Technologies for Sustainable Irrigation-A Tribute to the Career of Terry

Howell, Sr. Conference Proceedings. American Society of Agricultural and Biological Engineers,

2015. p. 1-9.

BATTISTI, R. et al. Soybean Yield Gap in the Areas of Yield Contest in Brazil. International Journal

of Plant Production, p. 1-10, 2018.

BATTISTI, R.; SENTELHAS, P. C. Drought tolerance of Brazilian soybean cultivars simulated by a

simple agrometeorological yield model. Experimental Agriculture, v. 51, n. 2, p. 285-298, 2015.

BOLFE, E. L. et al. MATOPIBA: análise do uso da terra e a produção agrícola. In: Área de

Informação da Sede-Artigo em anais de congresso (ALICE). In: SIMPÓSIO BRASILEIRO DE

SENSORIAMENTO REMOTO, 18., 2017, Santos. Anais... Santos: Inpe, 2017.

BOLFE, E. L. et al. Matopiba em crescimento agrícola Aspectos territoriais e

socioeconômicos. Revista de Política Agrícola, v. 25, n. 4, p. 38-62, 2016.

BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Projeções do Agronegócio. 9ª ed.

Brasília/DF, 2018.

CAMPOS, I. et al. Reflectance-based crop coefficients REDUX: For operational evapotranspiration

estimates in the age of high producing hybrid varieties. Agricultural water management, v. 187, p.

140-153, 2017.

CAMPOS, I. et al. Water productivity and crop yield: a simplified remote sensing driven operational

approach. Agricultural and Forest Meteorology, v. 249, p. 501-511, 2018.

COLUSSI, J. Matopiba: mudanças no uso da terra na nova fronteira. 2017.

CONAB - COMPANHIA NACIONAL DE ABASTECIMENTO. Decimo primeiro levantamento.

Acompanhamento da Safra Brasileira Grãos, Brasília, v. 5, n.11, p.1-140, agosto 2018. Disponível

em: <https://www.conab.gov.br/info-agro/safras/graos>. Acesso em: agosto 2018.

CORRÊA, S. T. R. et al. Aplicações e limitações da modelagem em agricultura: revisão. Revista de

Agricultura, v. 86, n. 1, p. 1-13, 2011.

34 DE ANDRADE JÚNIOR, A. S. et al. Zoneamento agroclimático para as culturas de milho e de soja no

Estado do Piauí. 2001.

DE LIMA FILHO, R. R.; AGUIAR, G. A. M.; JUNIOR, A. de M. Torres. A última fronteira agrícola.

AgroANALYSIS, v. 33, n. 05, p. 15-16, 2013.

DE OLIVEIRA, A. D.; MEIRELLES, M. L.; FRANCO, A. C. Variáveis meteorológicas e estimativa da

evapotranspiração num cultivo de soja no Cerrado. Boletim de Pesquisa, 2011.

ELVIDGE, C. D.; CHEN, Z. Comparison of broad-band and narrow-band red and near-infrared

vegetation indices. Remote sensing of environment, v. 54, n. 1, p. 38-48, 1995.

EVANGELISTA, B. A. et al. Zoneamento de risco climático para determinação de épocas de

semeadura da cultura da soja na região MATOPIBA. Embrapa Pesca e Aquicultura-Boletim de

Pesquisa e Desenvolvimento (INFOTECA-E).

FARIAS, J. R. B. et al. Caracterização de risco de déficit hídrico nas regiões produtoras de soja no

Brasil. Revista Brasileira de Agrometeorologia, v. 9, n. 3, p. 415-421, 2001.

FERNANDES, E. J.; TURCO, J. E. P. Evapotranspiração de referência para manejo da irrigação em

cultura de soja. Irriga, v. 8, n. 2, p. 132-141, 2003.

FONSECA, M. F.; MIRANDA, E. E. MATOPIBA: Caracterização do Quadro Agrário. Nota Técnica,

Campinas, GITE/EMBRAPA, n. 6, 2014. Disponível em:

<https://www.embrapa.br/gite/publicacoes/NT6_QuadroAgrario.pdf> Acesso em: setembro de 2018.

FREITAS, M. de C. M. A cultura da soja no Brasil: o crescimento da produção brasileira e o

surgimento de uma nova fronteira agrícola. Enciclopédia Biosfera–Centro Científico Conhecer,

Goiânia-GO, v. 7, n. 12, p. 1-12, 2011.

GARAGORRY, F. L.; MIRANDA, E. E.; MAGALHÃES, L. A. MATOPIBA: Evolução recente da

produção de grãos. Campinas: Embrapa Monitoramento por Satélite - GITE, Campinas, 2015. p. 4

(GITE - Nota Técnica, 9) Disponível em:

<https://www.embrapa.br/gite/projetos/matopiba/matopiba.html> Acesso em: setembro 2018.

GELI, H. M. E.; NEALE, C. M. U. Spatial evapotranspiration modelling interface (SETMI). Remote

Sensing and Hydrology, p. 171-174, 2012.

HERZOG, R. L. da S.; LEVIEN, R.; TREIN, C. R. Produtividade de soja em semeadura direta

influenciada por profundidade do sulcador de adubo e doses de resíduo em sistema irrigado e não

irrigado. Engenharia Agrícola. Jaboticabal, SP. Vol. 24, n. 3 (set./dez. 2004), p. 771-780, 2004.

IBGE. Levantamento sistemático da produção agrícola (LSPA). Disponível em:

<https://www.ibge.gov.br/estatisticas-novoportal/economicas/agricultura-e-pecuaria/9117-producao-

agricola-municipal-culturas-temporarias-e-permanentes.html?edicao=9118&t=downloads> Acesso

em: agosto 2018.

KÖPPEN, W.; GEIGER, R. K. der E. Gotha: Verlag Justus Perthes. Wall-map 150cmx200cm, 1928.

LANDAU, E. C.; GUIMARÃES, D. P.; DE SOUSA, D. L. Caracterização ambiental das áreas de

concentração da agricultura irrigada por pivôs centrais na região de MATOPIBA. In: Embrapa Milho e

Sorgo-Artigo em anais de congresso (ALICE). In: SIMPÓSIO REGIONAL DE

GEOPROCESSAMENTO E SENSORIAMENTO REMOTO, 7., 2014, Aracaju. Geotecnologias:

inovações e desenvolvimento: anais. Aracaju: UFS, 2014., 2014.

LUMBRERAS, J. F. et al. Aptidão agrícola das terras do Matopiba. Embrapa Solos-Documentos

(INFOTECA-E), 2015.

35

MAEHLER, A. R. et al. Potencial de rendimento da soja durante a ontogenia em razão da irrigação e

arranjo de plantas. Pesquisa Agropecuária Brasileira, v. 38, n. 2, p. 225-231, 2003.

MAGALHAES, L. A.; MIRANDA, E. E. MATOPIBA: Quadro Natural. Nota Técnica, Campinas,

GITE/EMBRAPA, n. 5, 2014. Disponível em:

<https://www.embrapa.br/gite/publicacoes/NT5_Matopiba_Quadro_Natural.pdf> Acesso em: setembro

de 2018.

MAATOUG, L. et al. Monitoramento da fenologia de culturas através de sensoriamento remoto. In:

Embrapa Solos-Artigo em anais de congresso (ALICE). In: SIMPÓSIO BRASILEIRO DE

SENSORIAMENTO REMOTO, 16., Foz do Iguaçú, 2013. Anais... São José dos Campos: INPE, 2013.

MINGOTI, R. et al. Matopiba: caracterização das áreas com grande produção de culturas anuais.

Embrapa Gestão Territorial-Nota Técnica/Nota Científica (ALICE), 2014.

MIRANDA, E. E.; MAGALHÃES, L. A.; CARVALHO, C. A. Proposta de delimitação territorial do

MATOPIBA. Nota Técnica, Campinas, GITE/EMBRAPA, n. 1, 2014. Disponível em:

<https://www.embrapa.br/gite/publicacoes/NT1_DelimitacaoMatopiba.pdf> Acesso em: setembro de

2018.

MOLION, L. C. B.; BERNARDO, S. de O. Dinâmica das chuvas no Nordeste Brasileiro. In: XI

Congresso Brasileiro de Meteorologia, Maceió (AL). 2000. p. 1334-1342.

MORANDO, R. et al. Déficit hídrico: Efeito sobre a cultura da soja. 2014.

OECD/FAO - Food and Agriculture Organization of the United Nations. OECD-FAO Agricultural

Outlook 2015-2024. Disponível em: <http://www.fao.org/3/a-i4738e.pdf> Acesso em: setembro de

2018.

PESSOA, R. E. da C. et al. Limites e condicionantes à expansão da soja em Mato Grosso e no

complexo MAPITOBA: uma abordagem utilizando econometria espacial. 2014.

SÁ, H.; MORAIS, L.; CAMPOS, C. Que desenvolvimento é esse? Análise da expansão do

agronegócio da soja na área do MATOPIBA a partir de uma perspectiva furtadiana. In: Anais do XXI

Congresso Brasileiro de Economia. 2015.

SAMPAIO, S. C. et al. Estudo da precipitação efetiva para o município de Lavras, MG. Revista

Brasileira de Engenharia Agrícola e Ambiental, v. 4, n. 2, p. 210-213, 2000.

SILVA, R. A. et al. Impacto das mudanças climáticas sobre a produtividade e pegada hídrica da soja

cultivada na região do Matopiba. 2018.

USDA. United States Department of Agriculture National Agricultural Statistics Service. Disponível em:

<https://www.nass.usda.gov/Statistics_by_Subject/result.php?3CE03BA4-6A37-31CB-9E1E-

C6F3173D3602&sector=CROPS&group=FIELD%20CROPS&comm=SOYBEANS> Acesso em:

setembro de 2018.