PDF2 - IDL - Universidade de Lisboa
Transcrição
PDF2 - IDL - Universidade de Lisboa
Predictabilidade Sazonal de Secas Predictabilidade Sazonal de Secas Avaliação ao nível regional e agrícola C. A. L. Pires e L. S. Pereira Editores Carlos Alberto Leitão Pires Luís Santos Pereira Predictabilidade Sazonal de Secas Avaliação ao nível regional e agrícola Editado por Carlos Alberto Leitão Pires Professor da Universidade de Lisboa IDL - Instituto Dom Luiz (Laboratório Associado) Faculdade de Ciências da Universidade de Lisboa Luis Santos Pereira Professor Jubilado e Emérito da Universidade de Lisboa LEAF - Centro de Investigação em Agronomia, Alimentos, Ambiente e Paisagem Instituto Superior de Agronomia da Universidade de Lisboa Com a colaboração de Paula Paredes Andreia F. S. Ribeiro 2015 i Título: Predictabilidade Sazonal de Secas Avaliação ao nível regional e agrícola Edição: ISAPress Fotografia da capa: zona pantanosa seca. Fotografia tirada por Carlos A. L. Pires (Agosto 2015) na Reserva Natural do Sapal de Castro Marim e Vila Real de Santo António ISBN 978-972-8669-63-8 Depósito legal nº Lisboa, Outubro de 2015 ii Este livro inclui os resultados do projeto PTDC/GEO-MET/3476/2012 “Avaliação da Predictabilidade e hibridação de Previsões sazonais de seca na Europa Ocidental”. O projecto foi coordenado pelo IDL - Instituto Dom Luiz (Laboratório Associado) da Faculdade de Ciências da Universidade de Lisboa e teve a colaboração do LEAF - Centro de Investigação em Agronomia, Alimentos, Ambiente e Paisagem, Instituto Superior de Agronomia da Universidade de Lisboa e da Faculdade de Ciências e Tecnologia da Universidade Nova de Lisboa. Financiado por iii iv Prefácio A seca consiste num fenómeno natural do sistema climático que é em geral iniciado por uma anomalia negativa mais ou menos extrema da quantidade de precipitação numa determinada região e durante um período mais ou menos longo. Tal produz em consequência a redução da intensidade do ciclo hidrológico terrestre e o défice da quantidade de água no solo e da disponibilidade de água para as diversas atividades humanas. A seca envolve e influencia várias componentes do sistema climático, nomeadamente a atmosfera através de processos termo-hidrodinâmicos conducentes à precipitação, o escoamento de superfície e subterrâneo, os solos e a biosfera na sua influência sobre a evapotranspiração em múltiplas escalas espáciotemporais e em efeitos de retroação. A capacidade de previsão precoce de secas é extremamente importante para o planeamento atempado de práticas de mitigação ao nível agrícola, sócio-económico e da gestão dos recursos hídricos. Essa capacidade preditiva é no entanto limitada superiormente pela predictabilidade sazonal, anual ou mesmo decadal do comportamento do sistema climático tomado no seu todo como um sistema físicoquímico sujeito a forçamentos externos deterministas e estocásticos. O determinismo caótico do sistema climático, manifesto em várias escalas, atribui à previsão de índices de seca um caráter intrinsecamente probabilista tal como o é a previsão atmosférica à escala sazonal produzida pelos modelos meteorológicos operacionais de hoje em dia. A seca é um fenómeno intrinsecamente complexo e de multi-escala e como tal a sua simulação recorre a parametrizações de forçamentos de subescala, muitas delas compreendidas unicamente ainda ao nível empírico. A compreensão e previsão da variabilidade espacial e temporal e da complexidade do fenómeno de seca e dos seus efeitos beneficia pois do esforço de equipas interdisciplinares vocacionadas para a meteorologia, a hidrologia, a agronomia e a modelação matemática. Cientes dessa necessidade de colaboração e interdisciplinaridade, as várias equipas e pessoas que intervieram nos estudos científicos descritos neste livro, decidiram lançar o projeto denominado “Avaliação da Predictabilidade e hibridação de Previsões sazonais de seca na Europa Ocidental – PHDROUGHT”, e que foi financiado no período 2012-2015 pela Fundação para a Ciência e Tecnologia (FCT) tendo a referência PTDC/GEO-MET/3476/2012. Esse projeto é a sequência natural de um outro projeto, também financiado pela FCT: PTDC/AGR-AAM/71649/2006 intitulado “Gestão do risco em secas: Identificação, monotorização, caracterização, predição e mitigação” no qual as presentes equipas participaram. O livro ora apresentado é uma compilação sintética dos trabalhos originados no âmbito do referido projeto, alguns deles já publicados em revistas ISI e outros em processo de revisão científica. O empenho e entusiasmo das equipas transpareceu em colaborações efetivas, aliás manifestadas no carácter interdisciplinar das contribuições para o livro. Os editores, e em particular o investigador responsável do projeto (Carlos Pires), agradecem o empenho de todos no consumar da presente obra. O livro está dividido em cinco secções, associadas às tarefas estabelecidas na proposta do projeto. A primeira versa a variabilidade espacial e temporal da seca, v enquanto a segunda pesquisa os preditores estatísticos de seca. Na terceira secção apresentam-se modelos estocásticos das transições de classes de seca. A quarta secção apresenta técnicas de previsão estocástico-dinâmica, inferência nãoGaussiana e sua utilização em modelos de produção agrícola. Finalmente a última secção versa sobre modelos de apoio à decisão ao nível agrícola perante certos cenários previstos. A publicação e disseminação deste livro será uma oportunidade para a discussão e apresentação dos seus resultados em círculos académicos e noutros, esperando-se a sua utilidade perante as entidades interessadas na gestão do risco e na mitigação dos efeitos de seca. Todos os artigos tiveram a revisão cuidada de pares, particularmente os editores do presente livro. A sua realização em tempo útil e dentro do período de vigência do projeto exigiu um esforço conjugado de todos os autores e colaboradores a quem é prestado agradecimento. Os editores querem deixar também um agradecimento especial à Doutora Paula Paredes e à Mestre Andreia Ribeiro na preparação gráfica e editorial do livro. Lisboa, outubro de 2015 Carlos Alberto Leitão Pires Luis Santos Pereira vi Índice Prefácio ................................................................................................ v Introdução Introdução à predictabilidade sazonal de secas Carlos A. L. Pires ................................................................................. 3 Variabilidade espacial e temporal de índices de seca e análise de extremos Análise espacial, temporal e de tendências das secas em Portugal usando o índice SPI aplicado a dados observados, PT02 e séries longas Ana A. Paulo, Diogo S. Martins, Elsa Moreira, Tayeb Raziei, Luis S. Pereira .................................................................................... 19 Análise da variabilidade espacial e temporal das secas utilizando índices combinando precipitação e evapotranspiração: SC-PDSI e SCMedPDSI Diogo S. Martins, Ana A. Paulo, Ricardo G. Rosa, Luis S. Pereira ... 41 Cálculo da evapotranspiração de referência usando dados climáticos de reanálise Diogo S. Martins, Paula Paredes, Jorge Cadima, Carlos A.L. Pires, Luis S. Pereira .................................................................................... 57 Ciclicidade das secas em Portugal. Análise de Fourier aplicada ao SPI e identificação de relações com a oscilação do Atlântico Norte Elsa E. Moreira, Diogo S. Martins, Luis S. Pereira ........................... 77 Revisão de metodologias de extremos espaciais aplicadas à modelação de máximos de precipitação em zonas de risco em Portugal Dora Prata Gomes, Elsa E. Moreira, M. Manuela Neves .................. 93 Otimização estatística de precursores de seca regional Estudo da correlação entre índices de circulação atmosférica e condições de seca na Europa Andreia F. S. Ribeiro, Carlos A. L. Pires ......................................... 107 Predictabilidade potencial sazonal de secas na Ibéria Ocidental Andreia F. S. Ribeiro, Carlos A. L. Pires ......................................... 123 Previsão de transições de classes de seca Predição de transições de classes de seca utilizando modelação loglinear aplicada às estações chuvosa e seca Elsa E. Moreira................................................................................. 143 Previsão de transições de classes de seca SPI condicionadas pelo índice NAO usando modelação log-linear Elsa E. Moreira, Carlos A. L. Pires, Luis S. Pereira........................ 157 vii Métodos estatístico-dinâmicos de previsão e inferência de índices de seca Hibridação de previsões sazonais de secas em Portugal Andreia F. S. Ribeiro, Carlos A. L. Pires ......................................... 171 Modelação da produção utilizando dados climáticos produzidos por um gerador estocástico de clima. Aplicação a milho Paula Paredes, Andreia F. S. Ribeiro, Carlos A.L. Pires ................. 193 Métodos não-Gaussianos de inferência e de separação de fontes estatísticas com aplicação ao diagnóstico e predictabilidade de índices de seca Carlos A. L. Pires, Rui P. Perdigão, Ricardo M. Trigo, Andreia S. Ribeiro............................................................................. 211 Modelos para apoio à decisão em agricultura de regadio Avaliação do uso da água em regadio: aplicação do modelo SIMDualKc a cevada, milho e olival Paula Paredes, Teresa A. Paço, Ricardo G. Rosa, Isabel Pôças, Manuela Neves, Luis S. Pereira........................................................ 245 Calendários de rega para condições de seca e sua avaliação pela produtividade da água. Aplicação a cevada e milho Paula Paredes, Gonçalo C. Rodrigues, Isabel Alves, Maria Rosário Cameira, José Paulo Melo-Abreu, Maria Odete Torres, Luis S. Pereira .................................................................................. 279 Usabilidade de previsões sazonais de ensemble da temperatura e precipitação na modelação da rega e da produção. Aplicação a cevada e milho Paula Paredes, Andreia F. S. Ribeiro, Carlos Pires, Luis S. Pereira .................................................................................. 307 viii MÉTODOS ESTATÍSTICO-DINÂMICOS DE PREVISÃO E INFERÊNCIA DE ÍNDICES DE SECA 169 170 HIBRIDAÇÃO DE PREVISÕES SAZONAIS DE SECAS EM PORTUGAL* Andreia F. S. Ribeiro1, Carlos A. L. Pires1 Resumo Estudos de predictabilidade e de previsão do estado da atmosfera são importantes para o planeamento de medidas de mitigação dos impactos provocados pelos fenómenos de secas. Neste estudo propõe-se a hibridação estatística de previsões do sistema operacional UKMO. Tal tem a finalidade de calcular previsões estatístico-dinâmicas a longo-prazo com antecedências até 6 meses, do índice de seca SPI com memória de 3 meses (SPI-3) em regiões independentes de Portugal Continental do ponto de vista do comportamento das secas. Pretende-se avaliar a vantagem de combinar predictores com uma base dinâmica (previsões UKMO) e estatística (persistência) na previsão de secas a diferentes prazos de previsão. São considerados dados de reanálise ERA-Interim na construção de um conjunto de predictores do SPI integrando informação anterior ao lançamento da previsão do sistema operacional. A hibridação consiste fundamentalmente em dois passos: o primeiro passo consiste na aplicação de uma PCA aos campos de geopotencial aos 500hPa previstos dinamicamente pelo modelo UKMO e observados, daí calculando PCs previstas e as PCs persistentes (resultantes das observações) que são tomadas como predictores do SPI-3 a vários prazos. O segundo passo de hibridação consiste no downscaling híbrido (estatístico-dinâmico) do SPI para a escala regional, a partir de técnicas de regressão linear, após a pré-selecção dos predictores estatisticamente significativos. As previsões do índice de seca e o ganho em combinar métodos dinâmicos e estatísticos são avaliados em validação cruzada. Verifica-se que o Inverno é a estação do ano mais preditível, e que a maior parte do poder preditivo está nos campos de larga-escala anteriores aos lançamentos da previsão. O método de hibridação melhora o downscaling com base nas PCs previstas, uma vez que fornece uma informação complementar (apesar de modesta) às PCs persistentes. Estes resultados fornecem pistas sobre a predictabilidade do índice de seca SPI, em particular em Portugal, e podem contribuir para a predictabilidade de colheitas de culturas e providenciar algumas orientações no processo de tomada de decisão do utilizador final (e.g. agricultores). Abstract Atmospheric forecasting and predictability are important to promote adaption and mitigation measures in order to minimize drought impacts. This study estimates 1 Instituto Dom Luiz (Laboratório Associado), DEGGE, Faculdade de Ciências da Universidade de Lisboa, Campo Grande, 1749-016 Lisboa, Portugal. Email: [email protected] * Este estudo baseia-se em outros anteriores (Ribeiro e Pires, 2015) 171 Predictabilidade Sazonal de Secas hybrid (statistical-dynamical) long-range forecasts of the regional drought index SPI (3-months) over homogeneous regions from mainland Portugal, based on forecasts from the UK Met Office operational forecasting system, with lead-times up to 6 months. ERA-Interim reanalysis data is used for the purpose of build a SPI predictors set integrating recent past information prior to the forecast launching. Then, the advantage of combining predictors with both dynamical and statistical background in the prediction of drought conditions at different lags is evaluated. A two-step hybridization procedure is performed, in which both forecasted and observational large-scale predictors are subjected to a Principal Component Analysis (PCA) in order to use forecasted PCs and persistent PCs as predictors. A second hybridization step consists on a statistical/hybrid downscaling to the regional scale based on regression techniques, after the selection of the statistically significant predictors. The SPI estimations and the added value of combining dynamical and statistical methods are evaluated in cross-validation mode. Results are obtained for the four seasons and it was found that winter is the most predictable season, and that most of the predictive power is on the largescale fields from past observations. The hybridization improves the downscaling based on the forecasted PCs, since persistent PCs display the major role on the SPI forecasts. These findings provide clues about the predictability of the SPI, particularly in Portugal, and may contribute to the predictability of crops yields and to some guidance on users (such as farmers) decision making process. 1. Introdução Desastres naturais, tais como os recentes episódios de seca extrema em 2011-2012 e 2004-2005 na Península Ibérica (PI) (Garcia-Herrera et al., 2007; Trigo et al., 2013), e a onda de calor na Europa em 2003 (Trigo et al., 2005), têm causado grande alarme social e académico. A tendência para um Mediterrâneo mais seco durante o próximo século (Giorgi e Lionello, 2008) e a forte variabilidade do regime de precipitação da PI (Rodriguez-Puebla et al., 1998) promovem a ocorrência de secas, apelando à comunidade científica para o estudo da predictabilidade de secas visando melhorar a gestão do risco em secas. Um episódio de seca pode ser quantificado por índices que permitem a atribuição de diferentes graus de intensidade, duração e extensão espacial. Os índices de seca são uma importante ferramenta de caracterização deste fenómeno, em particular da sua predictabilidade. Um dos índices de seca mais usados é o Índice de Seca Normalizado (SPI), desenvolvido por McKee et al. (1993) com base em uma abordagem probabilística da precipitação. No presente trabalho pretende-se contribuir para o conhecimento sobre predictabilidade do índice de seca SPI, com uma escala temporal de 3 meses atribuída a índices de seca agrícola. Uma fonte de predictabilidade das condições climáticas à superfície na Europa é a influência dos padrões de circulação atmosférica (tais como as teleconexões abordadas nos capítulos anteriores), que pode ser interpretada como uma ‘janela de oportunidade’ para a predictabilidade potencial. A capacidade de prever com sucesso o estado da atmosfera pode conduzir a uma boa previsão de fenómenos regionais, tais como as secas. A predictabilidade da variabilidade sazonal da 172 Hibridação de previsões sazonais de secas atmosfera (e.g. Brankovic et al., 1994; Van den Dool, 1994) tem várias aplicações, em particular as relacionadas com a gestão de risco de secas. Previsões na escala sazonal assentam na variabilidade de baixa-frequência da atmosfera ou seja na variabilidade sub-sinóptica, com escalas de tempo superiores a 1-2 semanas. Apesar de a predictabilidade nos trópicos ser bastante superior à das latitudes médias (e.g., Rowell, 1998; Zhu et al., 2014), esta última não é desprezável e além disso os fenómenos atmosféricos de larga-escala são bastante mais previsíveis do que os fenómenos de escalas menores (Van den Dool e Saha, 1990). O padrão atmosférico de baixa-frequência dominante da variabilidade climática no Inverno na Europa é a Oscilação do Atlântico Norte (NAO) (e.g. Hurrel, 1995), desempenhando o papel mais importante no regime de precipitação na PI (Trigo et al., 2004; Pires e Perdigão, 2007). Além da NAO, outros modos de circulação atmosférica estão relacionados com o regime de precipitação na PI, tal como foi abordado em capítulos anteriores do presente livro. Alguns exemplos de padrões de teleconexão com potencial preditivo de secas são: Padrão Escandinavo (SCAND), padrão Atlântico-Este (EA) (e.g. Rodriguez-Puebla et al., 1998); o padrão Atlântico-Este/Russia-Oeste (e.g. Vicente-Serrano e López-Moreno, 2006). Outra fonte de predictabilidade na precipitação, apesar de mais fraca, é o fenómeno El Niño-Oscilação Sul (ENSO) (e.g. Pozo-Vásquez et al., 2001; Vicente-Serrano, 2005; deCastro et al., 2006) bem como a influência da QBO (Quasi-Biennal Stratospheric Oscillation) sobre esta (Toniazzo et al., 2006). Previsões de modelos numéricos são bastante utilizados para estudos de predictabilidade de longo-alcance (e.g. Vitart et al., 2007; Doblas-Reys et al., 2009), bem como a utilização de métodos estatísticos (e.g. Morid et al., 2007; Folland et al., 2012). Vários centros meteorológicos operacionais, tais como o Centro Europeu de Previsão do Tempo a Médio Prazo (ECMWF), UK Met Office (UKMO) e o MétéoFrance, produzem previsões de longo alcance na Europa. Dada a possibilidade de produzir previsões com modelos dinâmicos a equações primitivas e com modelos estatísticos, a combinação (hibridação) de ambos os métodos tem surgido como uma abordagem bastante útil para previsão de longo-alcance e de forma a retirar vantagem de ambas as abordagens. Algumas das formas de hibridação incluem: a) previsão probabilística com base em distribuições gaussianas e previsão determinística (Déqué e Stroe, 1994); b) probabilidade conjunta bayesiana (Peng et al., 2014); c) componentes principais espácio-temporais (Sarda et al., 1996; Vautard et al., 1996) – obtida a partir da Análise Espectral Multi-Singular (MSSA); d) modelos com base em regressão linear (Kim e Webster, 2010); e) Análise de Máxima Covariância (MCA) (Coelho et al., 2006). Utilizando o mais recente Sistema de Previsão Integrado (IFS) do ECMWF, Vitart (2014) mostra que a capacidade preditiva das previsões mensais de NAO têm vido a melhorar, o que é fundamental dada a importância desde índice para a variabilidade de precipitação na PI. Neste sentido, um dos objectivos do presente trabalho é tirar partido da capacidade dos modelos dinâmicos em prever os padrões atmosféricos de baixa-frequência (Kim et al., 2012; Peng et al., 2014). Para isso utilizam-se as primeiras Componentes Principais (PCs) das previsões sazonais do modelo dinâmico de geopotencial a 500hPa, e seguidamente realiza-se 173 Predictabilidade Sazonal de Secas um downscaling estatístico desses predictores para a escala sazonal, com base em técnicas de regressão. Em síntese, a hibridação aqui proposta consiste num procedimento repartido em dois passos essenciais, um primeiro em que os predictores são previstos numericamente e processados estatisticamente, e um segundo em que são posteriormente utilizados para estimar empiricamente o predictando (e.g. Pires, 1996; Sarda et al., 1996). O primeiro passo do processo de hibridação também usa as PCs do campo das observações passadas do geopotencial, i.e. referentes ao instante do lançamento da previsão, reunindo um conjunto de preditores com origens dinâmicas e estatísticas. A influência de cada predictor e a vantagem de hibridizar predictores dinâmicos e estatísticos é avaliada. Coelho et al. (2006) desenvolveu uma previsão integrada da precipitação sazonal, que reúne informação de três previsões dinâmicas operacionais e de um modelo empírico. Recentemente, Coelho et al. (2010) discutiram os desafios de integrar previsões sazonais para a tomada de decisões do último utilizador. Com inspiração nestes desafios, o presente trabalho pretende contribuir para o entendimento da relevância de integrar técnicas dinâmicas e estatísticas na previsão de secas em Portugal . 2. Dados A recente base de dados de precipitação mensal PT02 de alta resolução (0.2º×0.2º) desenvolvido por Belo-Pereira et al. (2011) é considerada com o intuito de obter regiões climáticas independentes para o cálculo do índice de seca (Raziei et al., 2015). Este novo conjunto de dados tem origem numa densa rede de observações ao longo de Portugal (na ordem das centenas) sendo uma boa representação do regime de precipitação do país. As observações foram homogeneizadas e sujeitas a um controlo de qualidade, e posteriormente interpoladas utilizandos métodos de kriging. A Fig.1 representa a cobertura regional da grelha de dados ao longo de Portugal. O Índice de Precipitação Normalizado (SPI), uma medida de anomalias de precipitação (McKee et al., 1993), é calculado a partir das séries mensais de precipitação acumulada. De forma a construir um conjunto de predictores estatísticos do índice de seca SPI (predictando), são consideradas médias mensais de altura de geopotencial aos 500hPa (z500) previstas pelo sistema operacional UKMO (United-Kingdom MetOffice). É calculada a média dos membros do ensemble de previsões desde 1987, com prazos de previsão até 6 meses. Dados mensais de reanálise do campo de z500 (geopotencial aos 500 hPa) são considerados em datas anteriores ao lançamento da previsão do modelo dinâmico, com o intuito de construir um conjunto de predictores estatísticos que integre informação do passado recente. Por exemplo, uma previsão ao prazo de um mês do SPI de Dezembro é inicializada em Novembro, uma previsão ao prazo de dois meses é inicializada em Outubro, uma previsão com prazo de três meses é inicializada em Setembro, e assim por diante até 6 meses de prazo. Ou seja, para cada valor de z500 do modelo dinâmico são considerados os valores de reanálise dos 6 meses anteriores àquele que se está a prever. Uma vez que a reanálise utiliza uma base de observações, os dados de ERA-Interim são aqui considerados como observações passadas, dados 174 Hibridação de previsões sazonais de secas que estes correspondem à informação conhecida antes do lançamento da previsão. O período comum 1987-2003 (16 anos) entre os dados do modelo de previsão do UKMO e os dados PT02 são considerados em todos os dados neste estudo. Fig. 1. Representação da cobertura regional da grelha da base de dados PT02. 3. Sub-regiões climáticas Os dados PT02 são sujeitos a uma Análise de Componentes Principais (PCA) (e.g. Hannachi et al., 2007) e a uma subsequente rotação varimax com a finalidade de procurar sub-regiões climáticas indepentendes (Fig. 2). Os valores próprios e os vectores próprios são calculados a partir da matriz de correlação das anomalias mensais de precipitação em relação ao ciclo anual. Os três padrões espaciais ortogonais (Empirical Orthogonal Functions, EOF) com maior fracção de variância explicada descrevem 83% da variabilidade do campo das anomalias da precipitação. Como tal, as Componentes Principais (PC) normalizadas correspondentes são sujeitas a uma rotação ortogonal, com o intuito de regionalizar o campo de precipitação. A rotação ortogonal varimax permite identificar 3 sub-regiões que poderemos considerar quase independentes (norte, centro e sul) de acordo com a posição da linha de correlação nula da segunda e da terceira EOF rodada (REOF) (Fig. 2 e Fig. 3). A aplicação de outros critérios de regionalização poderia fornecer regiões ligeiramentre diferentes. A linha de zero das três REOFs (incluindo a primeira) daria aproximadamente 4 sub-regiões, contudo a possível região a nordeste (definida pela primeira REOF) seria muito pequena relativamente às outras 175 Predictabilidade Sazonal de Secas regiões, pelo que se decidiu incluir na região norte. A terceira REOF indica o noroeste de Portugal como uma região distinta (Região 1), coincidindo com as áreas mais chuvosas do país. A segunda REOF indica o sul como uma região separada (Região 3), correspondendo ás áreas mais secas. Como resultado da divisão destas duas regiões surge uma região central (Região 2), sugerindo um regime de precipitação diferente. Estudos recentes com base em REOFs de índices de seca (e.g. Martins et al.,2012; Raziei et al., 2015) também distinguiram o noroeste e o sul de Portugal como regiões díspares em termos de variabilidade espacial de secas. Fig. 2. EOFs rodadas (REOF) das anomalias da precipitação mensal da base de dados PT02 durante 1987-2003. O critério para regionalização da precipitação é indicado pela linha de correlação nula que separa valores positivos (azul) de negativos (vermelho). A respectiva fracção de variância explicada está indicada em parêntesis (Ribeiro e Pires, 2015). O índice de seca SPI regional é calculado com base na precipitação acumulada em cada uma das regiões identificadas na Fig. 3 (Ribeiro e Pires, 2015). Uma das vantagens da utilização do SPI é ser um índice baseado apenas na precipitação, e é mais útil do que a precipitação para a análise espacial de secas, uma vez que compara a precipitação com a média e variância de cada local para o qual o índice é calculado. O pacote na linguagem R, disponível em http://sac.csic.es/spei/ (Vicente-Serrano et al., 2010) é utilizado para o cálculo do SPI, e permite o cálculo do índice em diferentes escalas de tempo. No caso presente de cálculo do índice no instante t com uma escala de tempo de 3 meses (incluindo informação no intervalo [t-3 meses,t]), o SPI é considerado como um índice de seca agrícola, enquanto que para escalas de tempo superiores como 12 meses, o SPI é considerado como um índice de seca hidrológica. 176 Hibridação de previsões sazonais de secas Fig. 3. Representação das três regiões independentes e o respectivo SPI (3 meses) calculado com base na precipitação acumulada na região norte (Região 1), na região centro (Região 2), e na região sul (Região 3) (Ribeiro e Pires, 2015). 4. Hibridação em dois passos Um conceito chave do presente estudo é a definição de hibridação, aqui considerada como a combinação de predictores de diferentes géneros: as previsões do modelo dinâmico e as observações do passado anterior ao lançamento da previsão. A hibridação consiste em dois passos principais: o primeiro passo consiste na aplicação de uma PCA aos campos de z500 previstos pelo modelo dinâmico e aos campos de z500 persistentes dados pela reanálise, de modo a considerar as PCs previstas e as PCs persistentes como predictores; o segundo passo de hibridação consiste no downscaling híbrido (estatístico-dinâmico) do SPI para a escala regional, utilizando Regressão Linear Múltipla (MLR), após a préselecção dos predictores estatisticamente significativos. Um esquema dos principais passos adoptados no processo de hibridação está resumido na Fig. 4. A hibridação começa com as previsões e as observações passadas dos principais modos de circulação atmosférica, considerando o índice de seca regional SPI como predictando. Seguidamente, os predictores estatisticamente significativos são seleccionados e os modelos MLR são estabelecidos. 177 Predictabilidade Sazonal de Secas Fig. 4. Representação esquemática da técnica de hibridação aplicada, i representa o período de previsão e t representa a data de inicialização da previsão (Ribeiro e Pires, 2015). 4.1 Primeiro-passo (cálculo dos regimes de circulação atmosférica) Os principais modos de circulação atmosférica são calculados aplicando uma PCA aos campos de anomalias de z500 sazonal (3 meses) na região do Atlântico Norte e Europa. As PCs previstas são obtidas pela projecção das previsões de z500 nas EOFs dos campos de z500 das reanálises no período efectivo de cada previsão (Fig. 5). Ao invés de se considerar as EOFs obtidas directamente a partir dos campos de z500 previstos, aqui consideram-se as projecções nas EOFs obtidas das reanálises para se evitar alguns viéses que seriam obtidos nas EOFs do modelo (Fig.5). As PCs previstas são realizadas independentemente para cada período de 3 meses de Inverno (DJF), Primavera (MAM), Verão (JJA) e Outono (SON). A cada prazo de previsão, corresponde uma PC empírica dada pela persistência das observações, por exemplo: ao prazo de previsão de 1 mês, as PCs previstas de DJF, correspondem as PCs persistentes de NDJ. Com base na análise do número de PCs (previstas e persistentes) que explicam aproximadamente 50% da variância total do campo de z500, as primeiras quatro PCs (previstas e persistentes) são seleccionadas. Essas PCs apresentam uma assinatura de baixa-frequência e de larga-escala, contendo algum potencial de predictabilidade. O primeiro regime de variabilidade com base na reanálise durante o Inverno (DJF), Primavera (MAM), Verão (JJA) e Outono (SON), é bastante semelhante ao padrão da NAO. De modo a ilustrar os predictores persistentes, mostra-se na Fig. 6 as primeiras 4 EOFs de anomalias de z500 em NDJ (utilizadas para calcular as PCs persistentes correspondentes ao prazo de 1 mês de previsão). A primeira EOF (Fig. 6) exibe um dípolo, sendo projectado no padrão típico da NAO. No entanto conforme o período de análise, a linha nodal desse padrão pode oscilar um pouco em latitude e consequentemente mudará o respectivo mapa de correlação com a precipitação. A segunda EOF (Fig. 6) está associada a uma crista de alta pressão (ou anomalia positiva de pressão) que se estende desde a costa Americana até à costa oeste da Europa com a fase positiva correspondendo ao regime AR (Atlantic Ridge) (Michelangeli et al., 1996). O segundo padrão aqui calculado está também 178 Hibridação de previsões sazonais de secas parcialmente projectado no padrão NAO. O índice da NAO tem uma forte correlação negativa com o regime de precipitação em Portugal (Tabela 1) (Trigo et al., 2004). A terceira e a quarta EOFs estão associadas a regimes exibindo dipolos zonalmente alinhados ao longo da região do Atlântico Norte e Europa. Fig. 5. Séries temporais das primeiras 4 Componentes Principais (PCs) do campo do geopotencial aos 500hPa com base nas previsões do modelo dinâmico UKMO, considerando o prazo de previsão de 1 mês durante os 3 meses de Inverno DJF (Ribeiro e Pires, 2015). 4.2 Selecção dos predictores Para cada região, prazo de previsão, e estação do ano, existem 8 predictores possíveis (quatro PCs persistentes e quatro PCs previstas). Apenas os predictores estatisticamente significativos (para um nivel de confiança de 90%) são seleccionados, com base no critério de significância estatística das correlações entre predictores (x) e predictandos (y). As amostragens de correlações com um tamanho efectivo Ness são consideradas distribuidas gaussianamente (Storch and Zwiers, 1999). De modo a calcular o Ness da amostra de validação para incluir na fórmula de determinação do valor limiar significativo (threshold) de correlação, assume-se que cada valor mensal é independente de ano para ano, então Ness = (ESS/year)×Nyears onde Nyears=16 é o período do estudo. Uma vez que o estudo é sazonal então, para cada estação do ano existem Nrea=3 realizações por ano. Para calcular o número de graus de liberdade por ano: ESS/year é estimada a função de autocorrelação aos períodos de 1 e 2 meses considerando o predictando y (Zieba, 2010). Assim: N rea ESS N years ( ESS / year ) N years , N rea (1) 1 1 2[ i 1 ( N rea i) N rea y (i)] onde as autocorrelações do SPI de Inverno com desvios de 1 e 2 meses são y(1)=0.90 e y(2)=0.84 respectivamente. Deste modo a Eq. 1 fornece 179 Predictabilidade Sazonal de Secas Ness=16*1.12~18. Como tal, considerando um nível de confiança de 90%, e o teste bilateral da correlação, obtém-se o valor mínimo para o qual a correlação é significativa (hípotese nula de x e y serem descorrelacionados) dado por C90% =q95%/(Ness-3)1/2=0.41 onde q95% é o quantil 95% da Gaussiana standard. Fig. 6. Primeiras 4 Funções Ortogonais Empiricas (EOFs) de geopotencial a 500hPa com base na reanálise ERA-Interim, durante os 3 meses de Inverno NDJ (lançamento da previsão de DJF com 1 mês de previsão). Nos mapas, azul/vermelho corresponde a valores negativos/positivos (Ribeiro e Pires, 2015). As outras estações do ano têm um ESS ligeiramente superior e portanto menores valores de C90% e por isso mantem-se o valor mais exigente de 0.41 para a selecção dos predictores. O propósito desta pre-selecção consiste em não incluir nos modelos de regressão predictores irrelevantes cuja inclysão no modelo de regressão poderia degradar significativamente a validação do método de hibridação. 4.3. Segundo-passo (downscaling estatístico) É executado um downscaling estatístico para cada região independente , estação do ano, e prazo de previsão, com base em modelos MLR durante 1987-2003, considerando o índice de seca SPI como predictando. O modelo M0 é realizado com base apenas nas PCs persistentes, correspondendo a um downscaling estatístico das observações do passado. O modelo M1 considera apenas as PCs previstas, sendo um downscaling estatístico das previsões do modelo dinâmico. Finalmente, o modelo híbrido HM01 combina os predictores dos modelos M0 e M1, considerado como downscaling híbrido (estatístico e dinâmico) com base nas PCs previstas e presistentes. 180 Hibridação de previsões sazonais de secas Fig. 7. Esquema dos prazos de previsão para os meses de Inverno como exemplo. A inicialização da previsão do modelo dinâmico é definida por uma cruz, e os meses de previsão são denotados pelas letras pretas. A memória intrínseca do índice de seca está a cinzento claro e as observações passadas estão representadas a cinzento-escuro. O painel superior ilustra um esquema de prazos de previsão durante o período de Inverno, e o painel inferior ilustra os mesmos prazos de previsão para cada mês alvo de um período de previsão (Ribeiro e Pires, 2015). As previsões estatísticas (M0), dinâmicas (M1) e híbridas (HM01), são realizadas para todas as estações do ano e todas as regiões, considerando 3 meses em cada estação: Inverno (DJF), Primavera (MAM), Verão (JJA) e Outono (SON). A Fig. 7 mostra um esquema dos diferentes períodos de previsão, no caso do Inverno (o mesmo se aplica às restantes estações do ano). O prazo de previsão é definido como o intervalo de tempo entre a data de inicialização (lançamento) do modelo dinâmico (cruz) e a data de validação da previsão (letra preta) (ver o painel inferior da Fig. 7). Quando a data de validação da previsão ocorre um mês após o lançamento designa-se por prazo de previsão a 1 mês, e assim em diante até 6 meses de previsão. 181 Predictabilidade Sazonal de Secas A visão mensal da Fig. 7 mostra que cada mês do predictando (cada estação ano ano considera 3 meses) é calculado com o mesmo prazo de previsão, por exemplo: o predictando de Inverno considerando o prazo de previsão a 1 mês consiste na reunião de um Dezembro previsto a partir de Novembro, um Janeiro previsto a partir de Dezembro e um Fevereiro previsto a partir de Janeiro. Esta definição foi adoptada para simplificar a integração de dados do passado. Assim sendo, considerando a visão sazonal para o período de validação DJF, existe um período de inicialização da previsão desfasada de um mês NDJ (data dos predictores com base nas observações passadas). A definição mais convencional assume que a previsão de um Inverno ao prazo de 1 mês consiste num Dezembro previsto a partir de Novembro, um Janeiro previsto a partir de Novembro e um Fevereiro previsto a partir de Novembro. A Fig. 7 também ilustra a escala de tempo de 3 meses do SPI, i.e. a memória do índice de seca (branco), e as observações do passado (sombra cinzenta). Com efeito, por causa da memória de 3 meses do SPI, os períodos de previsão de 1 e 2 meses apresentam uma sobreposição (overlapping) de informação quando se tem em consideração as observações do passado (visão mensal). Na visão sazonal, a memória de um SPI de DJF remonta até Outubro (memória de Dezembro), o que implica que existe um sobreposição de informação até ao prazo de previsão de 5 meses nos modelos MLR. Esta sobreposição deve melhorar a capacidade de previsão nos prazos de previsão mais curtos no caso hipotético de se considerarem toda a informação do passado, incluindo a memória do SPI. Neste trabalho, os predictores de larga-escala com conhecimento do passado correspondem apenas à data de inicialização da previsão. 5. Resultados 5.1. Avaliação de qualidade de previsão As previsões e o valor adicional de combinar métodos estatísticos e dinâmicos são avaliados em validação cruzada, de modo a obter uma medida da qualidade de previsão não enviesada pelo sobreajustamento dos modelos MLR. A ideia geral da validação cruzada é a de separar os dados disponíveis numa parte onde se executa a calibração do modelo e noutra parte independente, onde a valida o modelo. Neste trabalho é utilizada uma validação cruzada em que se divide a totalidade dos dados em 3 partes iguais. Para cada calibração usa-se 2 das partes (2/3 do período total) e na validação respectiva usa-se a parte restante (1/3 do período total). Repete-se o procedimento 3 vezes assegurando que cada subconjunto é utilizado para o ajuste e validação de forma independente. A qualidade da previsão é avaliada em termos do coeficiente de determinação (R2) em validação cruzada, testando o desempenho do modelo MLR com informação não considerada no ajuste. 5.2. Predictores estatisticamente significativos Os primeiros resultados apresentados referem-se ao primeiro passo da metodologia de hibridação, correspondendo a uma avaliação da significância 182 Hibridação de previsões sazonais de secas estatística dos preditores (Tabela 1). De acordo com a Tabela 1, os valores mais elevados de correlação entre predictores e predictandos ocorrem durante o Inverno, que já é conhecido na literatura como a estação do ano com maior potencial de predictabilidade nas latitudes médias (e.g. Rowell, 1998; Davies et al., 1997). Durante o Inverno, a segunda PC persistente apresenta correlações estatisticamente significativas aos prazos de 1, 2, 5 e 6 meses de previsão, variando de 0.79 (1 mês de previsão) a 0.42 (6 meses de previsão). Estes resultados sugerem que durante o Inverno, a maior parte do poder preditivo ocorre ao prazo de 1 mês de previsão, e decresce até ao prazo de 3 e 4 meses de previsão, recuperando a predictabilidade a 5 meses de previsão. Considerando os prazos de previsão mais curtos (1 e 2 meses de previsão) a terceira PC persistente também apresenta significância estatística durante a Primavera e o Verão. A 2 meses de prazo de previsão em particular, a Tabela 1 sugere que o Verão tem mais predictabilidade que o Inverno. Por outro lado, durante o Outono, não existe correlação significativa ao considerar as PCs persistentes. De um modo geral, a região mais a norte (Região 1), mais correlacionada com a NAO, regista os valores de correlação mais elevados em todas as estações do ano e períodos de previsão, excepto ao prazo a 6 meses de previsão. No que concerne aos padrões atmosféricos com base nas previsões do modelo dinâmico, o Inverno (Regiões 1, 2 e 3) e a Primavera (Regiões 1 e 2) apresentam os valores de correlação mais elevados considerando a segunda PC prevista a 1 mês de previsão. De acordo com o critério de selecção de predictores aqui adoptado, as previsões a 5 meses na Primavera (Região 3) também apresentam correlações estatisticamente significativas. O único caso em que o Outono passa no teste de significância estatística é para o prazo de 3 meses de previsão considerando a quarta PC prevista (Região 2). 5.3 Avaliação das previsões Os resultados do segundo passo da metodologia de hibridação correspondem à validação cruzada dos modelos MLR (Tabela 2), apresentados em termos do coeficiente de determinação R2, para as 4 estações do ano, os 6 períodos de previsão e as 3 regiões independentes no território Português. O Inverno é a estação do ano na qual há mais modelos que ultrapassaram o critério de pré-seleção de preditores (Tabela 2), sugerindo um elevado potencial de predictabilidade. O downscaling híbrido (HM01) é avaliado durante o Inverno (Regiões 1, 2 e 3) e durante a Primavera (Regiões 1 e 2) a 1 mês de previsão (Tabela 2). De um modo geral nos modelos híbridos, o coeficiente de determinação R2 indica um bom desempenho do modelo híbrido HM01 e do modelo estatístico. A capacidade preditiva deteriora-se substancialmente utilizando o modelo M1 com base nas PCs previstas. 183 Prazo 1 mês 2 meses 184 Outono Verão Primavera Inverno Outono Verão Primavera Inverno Outono Verão Primavera Inverno PC2 -0.79* -0.74* -0.62* 0.25 0.28 0.35 -0.05 -0.05 0.01 -0.11 -0.07 -0.04 -0.56* -0.49* -0.40 -0.13 -0.24 -0.37 0.12 0.19 0.33 -0.04 -0.15 -0.12 -0.09 -0.07 -0.05 -0.14 -0.1 -0.07 0.04 -0.01 0.11 -0.15 -0.19 -0.19 PC1 0.08 0.24 0.35 0.11 0.16 0.16 -0.15 -0.12 -0.24 -0.09 -0.08 -0.02 0.14 0.26 0.37 -0.24 -0.26 -0.12 -0.01 0.02 0.13 0.06 0.01 -0.05 0 -0.01 -0.04 0.21 0.19 0.08 -0.23 -0.18 -0.14 0.13 0.15 0.15 Região 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 -0.03 -0.05 -0.08 -0.62* -0.57* -0.41* -0.41* -0.39 -0.34 0.01 0.07 0.11 0.06 -0.02 -0.07 -0.46* -0.33 -0.19 -0.66* -0.63* -0.60* -0.07 -0.05 -0.03 -0.03 -0.06 -0.1 -0.21 -0.18 -0.05 0.15 0.15 0.07 0.11 0.11 0.06 PC3 -0.23 -0.26 -0.22 0.11 -0.03 -0.09 0.15 0.17 0.13 0.17 0.32 0.37 0.10 0.15 0.22 -0.14 -0.15 -0.13 -0.10 -0.08 -0.13 0.11 0.09 0.07 0.20 0.16 0.14 0.12 0.04 -0.04 -0.07 -0.06 0.05 -0.03 0.07 -0.06 PC4 -0.08 0.02 0.10 0.10 0.15 0.09 0.01 0.02 0.16 -0.20 -0.31 -0.3 0.02 0.12 0.17 -0.03 -0.03 -0.01 0.27 0.26 0.34 -0.04 -0.02 -0.06 0.01 0.05 0.08 0.29 0.24 0.11 0.21 0.22 0.31 -0.15 -0.21 -0.20 PRJ1 -0.46* -0.48* -0.45* -0.52* -0.51* -0.33 -0.08 -0.05 -0.14 -0.12 -0.16 -0.1 -0.24 -0.24 -0.25 -0.09 -0.14 -0.17 -0.17 -0.13 -0.26 0 -0.01 -0.02 -0.09 -0.03 -0.01 0.03 0.05 0.11 -0.02 -0.02 0.08 -0.22 -0.2 -0.14 PRJ2 -0.11 -0.05 0.03 0.22 0.12 0.04 -0.09 -0.1 -0.05 -0.03 0.06 0.16 -0.08 -0.01 0.07 0.25 0.28 0.26 -0.02 -0.10 -0.10 -0.08 0.05 0.09 -0.01 -0.02 -0.02 0.08 0.08 0.03 0.27 0.24 0.30 -0.15 -0.2 -0.13 PRJ3 -0.08 -0.04 -0.02 0.14 0.06 0.17 0.11 0.06 0.06 0.25 0.2 0.09 -0.03 -0.01 -0.04 0.14 0.16 0.16 0.16 0.10 0.02 0.04 0.01 -0.03 -0.15 -0.11 -0.11 -0.27 -0.2 -0.03 0.24 0.19 0.25 0.33 0.44* 0.36 PRJ4 Prazo de previsão Outono Verão Primavera Inverno Outono Verão Primavera Inverno Outono Verão Primavera Inverno 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 Região PC2 0.21 0.17 0.14 -0.30 -0.18 -0.05 -0.36 -0.32 -0.27 -0.1 -0.1 -0.04 -0.01 -0.04 0 -0.23 -0.17 -0.07 0.2 0.19 0.16 -0.2 -0.16 -0.1 0.04 0.03 0.04 -0.14 -0.24 -0.13 0.11 0.07 0.08 -0.13 -0.11 -0.15 PC1 0.06 0.08 0.08 0.02 0.03 0.1 0.15 0.16 0.02 -0.06 -0.03 -0.01 -0.56* -0.52* -0.51* -0.16 -0.07 0.05 0.14 0.20 0.14 -0.06 0.05 0 0.38 0.42* 0.46* 0.13 0 -0.16 -0.03 0.05 0.09 -0.16 -0.11 0.04 -0.34 -0.38 -0.39 0.05 -0.03 -0.03 0.17 0.13 0.28 -0.05 -0.13 -0.11 -0.04 -0.05 -0.06 0.09 0.07 0.03 0.17 0.16 0.3 -0.12 -0.16 -0.11 -0.16 -0.09 -0.05 0.18 0.04 -0.07 -0.02 0.02 0.13 -0.07 -0.08 -0.08 PC3 -0.02 -0.01 -0.04 -0.03 -0.06 -0.14 0.15 0.13 0.06 -0.11 -0.03 0.01 -0.05 -0.12 -0.13 0.14 0.13 0.14 0.08 0.01 0.02 -0.23 -0.28 -0.14 -0.15 -0.2 -0.19 -0.03 -0.04 0 0.04 0.13 0.08 -0.07 0.13 0.15 PC4 0.09 0.14 0.14 -0.21 -0.14 -0.16 -0.05 0.01 -0.05 0.21 0.19 0.17 0.04 0.09 0.05 -0.32 -0.40 -0.42* -0.04 0 -0.14 0.17 0.19 0.15 -0.24 -0.17 -0.17 -0.18 -0.20 -0.2 0.08 0.05 0.17 0.18 0.19 0.1 PRJ1 -0.29 -0.23 -0.25 -0.02 -0.12 -0.12 0.09 0.06 0.16 0.22 0.24 0.23 -0.15 -0.08 -0.1 -0.02 -0.16 -0.15 -0.11 -0.24 -0.14 0.09 -0.02 -0.06 -0.24 -0.14 -0.06 0.09 0.06 0.08 -0.07 -0.09 -0.01 -0.09 -0.12 -0.2 PRJ2 0 0.08 0.15 -0.14 -0.12 -0.17 -0.09 -0.1 -0.14 -0.21 -0.19 -0.14 -0.06 0 0.08 -0.07 -0.02 -0.1 -0.06 0.04 0.17 -0.02 0.08 0.08 0.26 0.30 0.32 -0.06 0.05 -0.03 0.08 0.12 0.07 0.09 0.15 0.16 PRJ3 -0.32 -0.30 -0.29 0.13 0.13 0.07 -0.03 -0.05 -0.06 -0.08 -0.06 -0.01 -0.37 -0.34 -0.34 0.1 0.14 0.22 -0.04 -0.05 -0.17 -0.09 0.01 0.05 -0.28 -0.20 -0.14 -0.02 -0.09 -0.08 0.12 0.07 0.14 0.06 0.04 -0.02 PRJ4 Tabela 1. Coeficientes de correlação entre os predictores e predcitandos para cada sub-região (1, 2 e 3), estação do ano (DJF, MAM. JJA and SON), e prazo de previsão. PC: Componentes Principais; PRJ: Projeções das PCs. Para um nível de confiança de 90%, correlações acima de 0.41 são estatisticamente significativas (valores absolutos a negrito) (Ribeiro e Pires, 2015). 3 meses 4 meses 5 meses 6 meses de previsão Predictabilidade Sazonal de Secas Hibridação de previsões sazonais de secas Tabela 2. Valores de R2 (%) em validação-cruzada, utilizando os modelos MLR possíveis para as três regiões durante as quatro estações do ano. As células brancas indicam os modelos com qualidade de previsão positiva, com os melhores modelos a negrito (Ribeiro e Pires, 2015). Prazo Prazo Região M0 M1 HM01 Região M0 M1 HM01 de previsão Verão Outono Inverno 2 meses Primavera Verão Outono Inverno 3 meses Primavera Verão Outono 2 1 1 2 3 1 2 3 1 2 3 1 2 3 52.21* 39.87 15.52 34.64 25.60 24.49 -2.40 13.04 16.45 9.11 19.92 22.01 51.09 40.12* 16.55* 37.70* 31.85* Inverno Primavera Verão Outono 17.70 11.31 Inverno 5.68 Primavera 5 meses 1mês Primavera 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 41.14 36.37 33.75 Verão Outono Inverno Primavera 6 meses Inverno 4 meses de previsão Verão Outono 8.88 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 27.57 23.67 17.22 -19.23 3.58 7.44 De um modo geral, o desempenho da predictabilidade aumenta de sul para norte durante o Inverno (exceto considerando o prazo de 6 meses de previsão), Primavera e Verão. Durante o Outono não se verificaram predictores estatisticamente significativos (Tabela 1) e por isso, não foram construídos modelos MLR durante o Outono, à semelhança da Primavera e Verão nos prazos de previsão mais longos. Nas regiões 2 e 3 existe uma melhoria no modelo HM01 em relação ao modelo M0 durante o Inverno (1 mês de previsão), e nas regiões 1 e 2 durante a Primavera (1 mês de previsão). De um modo geral, a hibridação a partir de diversos predictores melhora a capacidade da previsão sazonal quando esses preditores são ambos fortes e estatisticamente independentes (ou quando muito descorrelacionados) entre si, sendo por isso os vários desempenhos 185 Predictabilidade Sazonal de Secas complementares. Quando apenas o desempenho da persistência é elevado, a hibridação não melhora a previsão devido ao fraco potencial das PCs previstas. De acordo com a Tabela 2 a 2ª PC da circulação atmosférica durante o período NDJ tem bastante impacto no seguinte trimestre DJF (1 mês de previsão), atingindo 52% de variância explicada pelo modelo M0, indicando que o Inverno é a estação do ano mais preditivel. O desempenho do modelo M0 durante a Primavera indica a influência do terceiro padrão de circulação atmosférica do trimestre FMA anterior. Fig. 8. Séries-temporais de SPI previstas versus observações com base nos modelos M0 (cima), M1 (centro) e HM01 (baixo), durante o Inverno com o prazo de 1 mês de previsão (Ribeiro e Pires, 2015). Durante o Inverno, os coeficientes de determinação considerando o período de 2 meses de previsão são reduzidos para menos de metade do valor a 1 mês de previsão. Apesar de não existirem resultados para os prazos de 3 e 4 meses de previsão (devido à falta de predictores estatisticamente significativos), verifica-se uma recuperação da capacidade preditiva a 5 meses de previsão, indicando a influência do trimestre JAS no Inverno seguinte. A dois meses de previsão, o Verão apresenta resultados superiores a 1 mês de previsão, sugerindo a influência do trimestre AMJ no SPI do Verão seguinte. Os gráficos de dispersão das previsões do SPI pelos modelos MLR versus observações, estão ilustrados na Fig.8 durante o Inverno, considerando o prazo de previsão a 1 mês. O segundo painel horizontal da Fig.8 corresponde aos modelos de previsão M1, apresentando uma concentração em torno do eixo das observações o que indica uma subestimação da variabilidade do SPI previsto. Os 186 Hibridação de previsões sazonais de secas pontos de dispersão no que concerne aos modelos M0 (painel horizontal superior) e os modelos HM01 (painel horizontal inferior) são bastante semelhantes, devido à pouca influência exibida pelas previsões do modelo dinâmico em relação às observações do passado. 6. Discussões e conclusões Neste estudo é testada uma metodologia de hibridação em dois passos, combinando previsões numéricas de modelos dinâmicos com métodos estatísticos, com o intuito de melhorar a previsão sazonal de secas em Portugal. São propostos métodos de downscaling estatísticos e híbridos (estatístico-dinâmicos) com base em modelos de regressão linear. Tais métodos têm a vantagem de constituir uma abordagem prática e computacionalmente fácil. O índice de seca SPI (3 meses) mensal é considerado desde 1987-2003 como a variável a prever (predictando) no território de Portugal, dividido em três regiões climaticamente distintas em termos de regime de precipitação. Para o cálculo do SPI foi considerado um conjunto de dados de precipitação de alta resolução (PT02), que permitiu a regionalização a partir da aplicação de uma PCA rodada. Dados de elevada resolução são fundamentais para a melhoria de simulações climáticas, dada a elevada dependência da precipitação em relação à orografia e a variedade de regimes de precipitação na PI (Belo-Pereira et al., 2011). Uma fonte de predictabilidade na Europa é a influência dos padrões de circulação atmosférica, tais como as teleconexões NAO, SCAND, EA, EA/WR abordadas nos capítulos anteriores. Um dos objetivos deste estudo é o de procurar beneficiar da capacidade que os modelos dinâmicos têm em prever a variabilidade atmosférica de baixa-frequência devendo os índices previstos ser projeções nos padrões de variabilidade (EOFs) das reanálises. Os resultados da pré-seleção de predictores para prever o índice de seca (predictando) indicam que as componentes principais (PCs) atmosféricas mais correlacionados com o índice de seca, no caso da persistência, são a segunda (no Inverno) e a terceira (na Primavera), ao prazo de 1 mês de previsão (Tabela 1). No caso das previsões dinâmicas, a segunda PC prevista é a mais correlacionada com o SPI ao prazo de 1 mês de previsão (Tabela 1). Os resultados indicam também que existe uma melhoria ligeira do desempenho dos modelos híbridos HM01 em relação ao downscaling estatístico M0 com base apenas na persistência (Tabela 2). No entanto, o efeito predominante reside no conhecimento das condições atmosféricas no passado recente (persistência), em particular para prazos de previsão mais curtos. Esta conclusão sugere que, grosso modo, as previsões de SPI do modelo dinâmico são as que têm menor qualidade. De facto, no que concerne o modelo M1 com base apenas nas PCs previstas, a capacidade preditiva é bastante baixa (Tabela 2). No entanto é manifesto o valor adicional da qualidade das previsões ao juntar (hibridar) as previsões estatísticas com as dinâmicas. O Inverno é a estação do ano mais preditível, em particular ao prazo de 1 mês de previsão (Tabela 1 e 2). As PCs persistentes com maior influência no Inverno 187 Predictabilidade Sazonal de Secas (DJF) a 1, 2 e 5 meses de prazo, são a segunda durante NDJ e OND (1 e 2 meses de prazo) e a terceira durante JAS (5 meses de prazo) (Tabela 2). Parte desta influência nos prazos de previsão mais curtos é explicada pela memória intrínseca do índice de seca. A seca agrícola num determinado período de tempo é influenciada pelas condições atmosféricas que precedem esse fenómeno até uma antecedência da ordem de 3 meses. Além disso, os resultados sugerem que os predictores do Verão anterior são potenciais predictores de anomalias de precipitação no Inverno seguinte (5 meses de previsão). Em síntese, os resultados sugerem que o downscaling puramente estatístico com base das PCs persistentes (M0) e o downscaling híbrido são ambos adequados para estimar o índice de seca regional. No entanto, o poder preditivo da persistência dos campos de larga-escala destaca-se, e a capacidade preditiva aumenta de sul para norte (Tabela 2), sugerindo uma dependência em latitude. A região composta pelas áreas com mais precipitação acumulada em Portugal (Norte) apresenta a maior capacidade preditiva, atingindo mais de 50% de variância explicada durante o Inverno (1 mês de previsão) utilizando os modelos M0 e HM01 (Tabela 2). Os resultados adicionam substancial informação ao conhecimento sobre a utilização de previsões sazonais para estudos de predictabilidade de secas, em particular em Portugal, e podem contribuir para a predictabilidade de colheitas, importantes para o país. Agradecimentos Esta pesquisa é apoiada pelo projeto PTDC/GEOMET/3476/2012 "Avaliação Predictabilidade e hibridização das previsões sazonais de seca na Europa Ocidental-PHDROUGHT". Referências Belo-Pereira, M., Dutra, E., Viterbo, P., 2011. Evaluation of global precipitation data sets over the Iberian Peninsula, J. Geophys. Res., 116, D20101, doi:10.1029/2010JD015481. Brankovic, C., Palmer, T.N., Ferranti, L., 1994. Predictability of Seasonal Atmospheric Variations. J. Climate, 7, 217-237. Coelho, C.A.S., Costa, S.M.S., 2010. Challenges for integrating seasonal climate forecasts in user applications. Current Opinion in Environmental Sustainability 2, 317325. Coelho, C.A.S., Stephenson, D.B., Balmaseda, M., Doblas-Reys, F.J., van Oldenborgh, G.J., 2006. Toward an Integrated Seasonal Forecasting System for South America, J. Climate 19, 3704-3721. Davies, J.R., Rowell, D.P., Folland, C.K., 1997. North Atlantic and European Seasonal Predictability using an Ensemble of Multidecadal Atmospheric GCM Simulations. Int. J. Climatol. 17, 1263-1284. deCastro, M., Lorenzo, N., Taboada, J.J., Sarmiento, M., Alvarez, I., Gomez-Gesteira, M., 2006. Influence of teleconnection patterns on precipitation variability and on river flow regimes in the Miño River basin (NW Iberian Peninsula). Climate Res. 32, 6373. 188 Hibridação de previsões sazonais de secas Déqué, M., Stroe, R., 1994. Formulation of Gaussian probability forecasts based on model extended-range integrations. Tellus 46A, 52-65. Doblas-Reyes, F.J., Weisheimer, A., Déqué, M., Keenlyside, N., Mcvean, M., Murphy, J.M., Rogel, P., Smith, D., Palmer, T.N., 2009. Addressing model uncertainty in seasonal and annual dynamical ensemble forecasts. Q. J. R. Meteorol. Soc. 135, 15381559. Esteban-Parra, M.J., Rodrigo, F.C., Castro-Díez, Y., 1998. Spatial and temporal patterns of precipitation in Spain for the period 1880-1992. Int. J. Climatol. 18, 1557-1574. Folland, C.K., Scaife, A.A., Lindesay, J., Stephenson, D.B., 2012. How potentially predictable is the northern European winter climate a season ahead? Int. J. Climatol. 32, 801-808. García-Herrera, R., Paredes, D., Trigo, R.M., Trigo, I.F., Hernández, E., Barriopedro, D., Mendes, M.A., 2007. The Outstanding 2004-05 Drought in the Iberian Peninsula: Associated Atmospheric Circulation. J. Hydrometeorol. 8, 469-482. Giorgi, F., Lionello, P., 2008. Climate change projections for the Mediterranean region, Global Planet. Change 63, 90-104 Hannachi, A., Jolliffe, I.T., Stephenson, D.B., 2007. Empirical orthogonal functions and related techniques in atmospheric science: A review. Int. J. Climatol. 27, 1119-1152 Hurrel, J.W., 1995. Decadal trends in the North Atlantic Oscillation: Regional temperatures and precipitation. Science 269, 676-679. Kim, H. and Webster, P.J., 2010. Extended-range seasonal hurricane forecasts for the North Atlantic with a hybrid dynamical-statistical model. Geophys. Res. Lett. 37, L21705, DOI: 10.1029/2010GL044792. Kim, H., Webster, P.J., Curry, J.A., 2012. Seasonal prediction skill of ECMWF System 4 and NCEP CFSv2 retrospective forecast for the Northern Hemisphere Winter. Clim. Dyn. 39, 2957-2973. Martins, D.S., Raziei, T., Paulo, A.A., Pereira, L.S., 2012. Spatial and temporal variability of precipitation and drought in Portugal. Nat. Hazards Earth Syst. Sci. 12, 1493–1501. McKee, T.B., Doeskin, N.J., Kleist, J., 1993. The relationship of drought frequency and duration to time scales. Em: 8th Conf. on Applied Climatology, American Meteorological Society, pp. 179-184. Michelangeli, P.A., Vautard, R., Legras, B., 1995. Weather regimes: Recurrence and quasi stationarity. J. Atmos. Sci. 52, 1237-1256. Morid, S., Smakhtin, V., Bagherzadeh, K., 2007. Drought forecasting using artificial neural networks and time series of drought indices. Int. J. Climatol. 27, 2103-2111. Peng, Z., Wang, Q.J., Bennet, J.C., Schepen, A., Pappenberger, F., Pokhrel P., Wang, Z., 2014. Statistical calibration and bridging of ECMWF System4 for forecasting seasonal precipitation over China. J. Geophys. Res. Atmos. 119, doi:10.1002/2013JD021162. Pires, C., 1966. Prévision Atmosphérique à Long-Terme: Un Problème d’Hybridation Statistico-Dynamique. Thèse de Doctorat, Université Pierre et Marie Curie, Paris. Pires, C.A., Perdigão, R.A.P., 2007. Non-Gaussianity and asymmetry of the winter monthly precipitation estimation from the NAO. Mon. Wea. Rev. 135, 430-448. Pozo-Vázquez, D., Esteban-Parra, M.J., Rodrigo, F.S., Castro-Díez, Y., 2001. The association between ENSO and winter atmospheric circulation and temperature in the north Atlantic region. J. Climate 14, 3408-3420. 189 Predictabilidade Sazonal de Secas Raziei, T., Martins, D., Bordi, I., Santos, J.F., Portela, M.M., Pereira, L.S., Sutera, A., 2015. SPI modes of drought spatial and temporal variability in Portugal: comparing observations, PT02 and GPCC gridded datasets. Water Resour. Manage. 29, 487-504. Ribeiro, A., Pires, C.A., 2015.Seasonal drought predictability in Portugal using statisticaldynamical techniques. J. Phys. Chemistry Earth, Parts A/B/C doi: 10.1016/j.pce.2015.04.003 Rodríguez-Puebla, C., Encinas A.H., Sáenz, J., 2001. Winter precipitation over the Iberian Peninsula and its relationship to circulation indices. Hydrol. Earth Syst. Sc. 5 (2), 233-244. Rodriguez-Puebla, C., Encinas, A.H., Nieto, S., Garmendia, J., 1998. Spatial and Temporal Patterns of Annual Precipitation Variability over the Iberian Peninsula. Int. J. Climatol. 18, 299-316. Rowell, D.P., 1998. Assessing Potential Seasonal Predictability with an Ensemble of Multidecadal GCM Simulations. J. Climate 11, 109-119. Sarda, J., Plaut, G., Pires, C., Vautard, R., 1996. Statistical and Dynamical long-range Atmospheric Forecasts. Experimental Comparison and Hybridization. Tellus 48A, 518-537 . Storch, H. von and Zwiers, F.W., 1999. Statistical analysis in climate research. Cambridge University Press, Cambridge, 484. Toniazzo, T., Scaife, A.A., 2006. The influence of ENSO on winter North Atlantic climate. Geophys. Res. Lett. 33, L24704, doi: 10.1029/2006GL027881. Trigo, R.M., Añel, J.A., Barriopedro, D., García-Herrera, R., Gimeno, L., Nieto, R., Castillo, R., Allen, M.R., Massey, N., 2013. The record winter drought of 2011-12 in the Iberian Peninsula. Bull. Am. Meteorol. Soc. 94 (9), S41-S45. Trigo, R.M., Pozo-Vázquez, D., Osborn, T.J., Castro-Díez, Y., Gámiz-Fortis, S., EstebanParra, M.J., 2004. North Atlantic Oscillation influence on precipitation, river flow and water re-sources in the Iberian Peninsula. Int. J. Climatol. 24, 925-944. Trigo, R.M., R., Garcia-Herrera, Díaz, J., Trigo, I.F., Valente, M.A., 2005. How exceptional was the early August 2003 heatwave in France? Geophys. Res. Lett., 32, L10701, doi:10.1029/2005GL022410. Van den Dool, H.M, Saha, S., 1990. Frequency dependence in forecast skill. Mon. Wea. Rev. 118, 128-137. Van den Dool, H.M., 1994. Long-range weather forecasts through numerical and empirical methods. Dyn. Atmos. Oceans 20, 247-270. Vautard, R., Pires, C., Plaut, G., 1996. Long-range Atmospheric Predictability Using Space-Time Principal Components, Mon. Wea. Rev. 124, 288-307. Vicente-Serrano, S.M., 2005. El Niño and LA Niña influence on droughts at different timescales in the Iberian Peninsula. Water Resour. Res. 41, W12415. Vicente-Serrano, S.M., López-Moreno, J.I., 2006. The influence of atmospheric circulation at different spatial scales on winter drought variability through a semi-arid climatic gradient in Northeast Spain. Int. J. Climatol. 26 (11), 1427-1453. Vicente-Serrano, S.M., Beguería, S., López-Moreno, J.I., 2010. A Multiscalar Drought Index Sensitive to Global Warming: The Standardized Precipitation Evapotranspiration Index. J. Climate 23, 1696-1718. 190 Hibridação de previsões sazonais de secas Vitart F., Huddleston, M.R., Déqué, M., Peake, D., Palmer, T.N., Stockdale, T.N., Davey, M.K., Weisheimer, A., 2007. Dynamically-based seasonal forecasts of Atlantic tropical storm activity issued in June by EUROSIP. Geophys. Res. Lett., 34, doi:10.1029/2007GL030740. Vitart, F., 2014. Evolution of ECMWF sub-seasonal forecast skill scores, Q. J. R. Meteorol. Soc. doi:10.1002/qj.2256. Zhu, H., Wheeler, M.C., Sobel, A.H., Hudson, D., 2014. Seamless Precipitation Prediction Skill in the Tropics and Extratropics from a Global Model. Mon. Wea. Rev. 142, 1556–1569. Zieba, A., 2010. Effective Number of Observations and Unbiased Estimators of Variance for Autocorrelated Data – An Overview. Metrol. Meas. Syst 17(1), 3-16. 191 192 MODELAÇÃO DA PRODUÇÃO UTILIZANDO DADOS CLIMÁTICOS PRODUZIDOS POR UM GERADOR ESTOCÁSTICO DE CLIMA. APLICAÇÃO A MILHO Paula Paredes1, Andreia F. S. Ribeiro2, Carlos A.L. Pires2 Resumo O gerador estocástico de clima WeaGETS foi utilizado e calibrado para produzir séries temporais de temperatura máxima e mínima (Tmax e Tmin), e de precipitação (Pre) utilizando uma série de 19 anos de dados observados das mesmas variáveis. Este gerador estocástico de clima permitiu a extensão temporal e a representação da variabilidade climática do local considerado tendo para tal sido produzido um ensemble de 50 membros, isto é séries temporais das referidas variáveis sobre o período pretendido. Efetuou-se a validação dita direta da série de dados gerados de Tmax, Tmin e Pre comparando as suas estatísticas com as da série de dados observados. Os resultados mostraram a adequabilidade do ensemble para captar a variabilidade temporal dos dados observados. A validação estatística, dita indireta da adequabilidade do ensemble foi efetuada mediante a comparação dos vários outputs produzidos pelo modelo AquaCrop ao utilizar o ensemble de dados gerados em alternativa aos dados meteorológicos observados. Os resultados do modelo comparados compreendem os valores de necessidades de rega, transpiração da cultura, produção de biomassa e de grão para a cultura do milho. Os resultados sugerem que a avaliação das necessidades de rega utilizando os dados gerados pode ser útil na tomada de decisão, no entanto a estimativa média da produção de grão a partir de séries geradas mostrou ser superior (viés positivo) em relação à média da série produzida com dados meteorológicos observados, ainda que o erro de estimação represente menos de 10% da média da produção quando os dados observados são usados. Assim, é questionável a utilidade dos dados gerados pelo gerador estocástico utilizado no apoio à tomada de decisões ligadas à produção, se bem que estes se revelaram úteis noutros resultados, em particular nas necessidades de rega. Abstract The weather generator WeaGETS was used to produce a time series of maximum and minimum temperature, and precipitation using an observed time series of 19 years for the same variables. This weather generator allowed producing temporal unlimited simulated time series thus, allowing the representation of the local 1 LEAF, Instituto Superior de Agronomia, Universidade de Lisboa, Tapada da Ajuda 1349-017 Lisboa, Portugal. Email: [email protected] 2 Instituto Dom Luiz (Laboratório Associado), DEGGE, Faculdade de Ciências da Universidade de Lisboa. Email: [email protected] 193 Predictabilidade Sazonal de Secas climate variability. An ensemble of 50 members, i.e. time-series for the refered variables was built. Validation of the generated data was performed, for each climatic variable,by comparing, with the observed data series. Results showed no significant differences between series in terms of average and variance. A statistical indirect validation was performed using the previously calibrated crop growth model AquaCrop. The model was run with the ensemble aiming at estimating irrigation requirements, maize transpiration, biomass and yield. The suitability of the ensemble in terms of the model outputs was assessed through the use of the synthetic data againts the results obtained when using observed data series. Results suggested that the evaluation of maize crop water requirements using generated data from simulated series can be useful for decision-making, for instance in what concerns the irrigation scheduling but caution must be taken when using the synthetic data for yield predictions. 1. Introdução A tomada de decisões na agricultura pode ser apoiada pela informação fornecida por modelos de balanço hídrico e calendarização da rega, como o SIMDualKc, ou por modelos de produção, como por exemplo o modelo AquaCrop. No entanto, este tipo de modelos necessitam de dados meteorológicos diários referentes a temperatura e precipitação, e de dados de evapotranspiração de referência. Estas decisões em condições de seca tomam maior importância uma vez que as necessidades de rega das culturas são mais elevadas e a água está menos disponível. A avaliação do impacto de cenários de rega na produção é assim necessária para o apoio à decisão. Neste tipo de estudos são necessárias séries longas e completas de dados climáticos diários (e.g., Thornton et al., 1997; Hartkamp et al., 2003). No entanto, estas séries de dados observados são difíceis de obter, estão incompletas, possuem baixa qualidade ou simplesmente não são acessíveis. De modo a colmatar estas restrições, nas últimas décadas vários geradores estocásticos de clima (weather generators) têm sido desenvolvidos com o objetivo de se produzirem sequências temporais sintéticas que permitam captar as características essenciais dos dados climáticos observados, nomeadamente o ciclo anual, quer da média, quer da variância em função do dia juliano. Vários geradores de clima estão disponíveis sendo os mais utilizados o WGEN (Richardson, 1985), CLIGEN (Nicks et al., 1995), ClimGen (Stöckle et al., 1999), LARS-WG (Semenov e Barrow, 2002), SIMMETEO (Jones et al., 2003) e o WeaGESTS (Chen et al., 2010). Os geradores de clima utilizam modelos estatísticos para gerarem séries arbitrariamente longas de dados climáticos que se assemelham, em termos de características estatísticas e estocásticas, às séries de dados observados. Os parâmetros dos geradores podem ser derivados a partir de séries estacionárias de dados observados. Os geradores estocásticos de clima permitem obter: a) séries temporais com passo de tempo diário, horário ou ainda com passo temporal menor (Chen et al., 2010); b) com distintas resoluções espaciais; c) podem ser diversos com geração local, multi-local ou contínua no espaço e para uma ou mais variáveis climáticas. No caso de aplicações com modelos de produção utilizam-se geradores para um local específico e amostrados diariamente (e.g. Tubiello et al., 2000; 194 Modelação da produção com dados climáticos gerados Soltani e Hoogenboom, 2007; Qian et al., 2011; Supit et al., 2012). As principais vantagens dos geradores de clima são as seguintes: 1) São uma ferramenta computacional simples que permite produzir séries longas e sem falhas de dados climáticos (Wilks, 1992, 1999; Zhang et al., 2004; Zhang, 2005); 2) Permitem colmatar falhas temporais eventuais de dados nas séries diárias observadas, utilizando para tal a análise estatística da série incompleta (com falhas) e gerando uma sequência contínua de dados (Richardson, 1985); 3) Têm a capacidade de rapidamente produzirem séries temporais de comprimento ilimitado, permitindo assim estudos sobre os impactos de ocorrência de eventos extremos (Semenov e Barrow, 2002) desde que o gerador contemple a modelação adequada dos extremos (e.g. GEV distribution, Coles, 2001); 4) Possibilitam adicionalmente ultrapassar os desafios da resolução espacial e temporal através da utilização de modelos geoestatísticos e processos estocásticos. São assim utilizados como ferramenta de downscaling temporal (desagregação) de previsões de modelos climáticos globais de médias temporais para valores diários ou num downscaling espacial, transformando a grelha espacial larga desses modelos para o nível local (e.g. Semenov e Barrow, 1997; Elshamy et al., 2006). Em particular, os geradores podem ser utilizados na desagregação diária de previsões a longo-prazo mensal, sazonal ou mesmo anual e ainda na desagregação de séries associadas a cenários climáticos futuros que podem ser incluídos em modelos de produção (Hansen e Ines, 2005; Supit et al., 2012; Holzkämper et al., 2015). Como analisado em vários estudos é reconhecida a dificuldade em gerar séries de precipitação (e.g. Semenov et al., 1998; Wilks, 1999; Chen et al., 2009). Os geradores de clima são bons na simulação da quantidade de eventos de precipitação mas apresentam por vezes limitações na geração de eventos raros, tal como sequências longas de dias secos cuja ocorrência pode ser subestimada (Hansen e Mavromatis, 2001; Zhang e Garbrecht, 2003; Chen et al., 2009). Esta subestimação pode ser parcialmente explicada pela simplificação assumida pela maioria dos geradores de que a precipitação diária é um processo estacionário. Estes modelos não tomam explicitamente em consideração aspetos de variabilidade de baixafrequência como sejam as oscilações entre décadas e assim subestimam as variâncias mensais e anuais como por exemplo a tendência negativa da precipitação de Março em Portugal como mostrado por Trigo e DaCâmara (2000). A variabilidade da precipitação depende da ocorrência diária de precipitação, da intensidade do processo, da variância das quantidades de precipitação diária e ainda do número de dias chuvosos. Alguns estudos focaram a utilização da distribuição gama (Wilks, 1999) para ultrapassar as limitações dos geradores de clima. Outros estudos utilizaram aproximações simplificadas para modelar estocasticamente a precipitação utilizando cadeias de Markov (Richardson, 1981) ou distribuições empíricas de períodos chuvosos/secos (Semenov e Brooks, 1999). Jones e Thornton (2013) usaram um gerador de precipitação utilizando cadeias de Markov de terceira ordem para posterior aplicação em modelos de produção. 195 Predictabilidade Sazonal de Secas Os dados gerados por um gerador estocástico de clima simulam dados climáticos, mas existem discrepâncias entre os dados gerados e os observados. Por exemplo, a variabilidade inter-anual nos dados gerados é muitas vezes mais fraca do que a dos dados observados, devido à estacionaridade imposta ao gerador ou ao facto de a série observada ser mais curta que certas oscilações inter-anuais (e.g oscilação multi-decadal do Atlântico). Existe assim o problema da sub-dispersão dos dados gerados. A avaliação dos dados gerados deve ser efetuada diretamente ou seja comparando as variáveis climáticas geradas pelo gerador estocástico de clima com as observadas e indiretamente comparando a utilização dos dados gerados e observados em modelos de produção ou seja deve avaliar-se se os modelos de produção são sensíveis aos erros de modelação, estatística e estocástica, inerentes ao gerador. Selecionou-se no presente estudo o gerador de tempo estocástico WeaGETS uma vez que apresenta vantagens em relação a outros geradores como o facto de ser bastante versátil e de se encontrar disponível on-line (Chen et al., 2012); foi selecionado o modelo AquaCrop uma vez que foi previamente calibrado e validado para a cultura do milho utilizando dados de estudos de campo (Paredes et al., 2014, 2015). Os objetivos do presente estudo são: 1) calibrar o gerador estocástico de clima WeaGETS a partir de séries climatológicas locais funcionando como método de downscaling estatístico; 2) produzir séries temporais diárias de temperatura máxima (Tmax), temperatura mínima (Tmin) e precipitação (Pre) com recurso ao gerador estocástico; 3) validar as previsões das séries diárias locais geradas com previsões de anomalias mensais, comparando-as com os dados observados e 4) avaliar os impactos da utilização das séries temporais geradas na predição da produção de milho e compará-las com as produções simuladas obtidas a partir de dados meteorológicos observados. 2. Fundamentos metodológicos O impacto das alterações climáticas na capacidade dos modelos de produção de reproduzir a produção pode ser avaliada a partir do downscaling de cenários futuros de modelos climáticos utilizando geradores estocásticos de clima (e.g. Wilks, 1992; Semenov e Barrow, 1997). A Fig. 1 apresenta o esquema da desagregação temporal (downscaling) de previsões mensais em valores diários, utilizando um gerador estocástico de clima, que depois são dados de entrada do modelo de produção AquaCrop. As referidas previsões de médias mensais que irão constranger o gerador estocástico podem ser obtidas por um modelo estatístico de longo-prazo utilizando um conjunto selecionado de preditores ou por um modelo meteorológico como o do Centro Europeu de Previsão do Tempo a Médio Prazo (ECMWF). Na ausência de qualquer modelo, a previsão segue simplesmente o ciclo anual e as anomalias previstas são nulas. Para o modelo de produção são então necessárias previsões das médias diárias de precipitação e temperatura máxima e mínima. A série de dados observados disponível, com extensão de 19 anos (1975-1993), 196 Modelação da produção com dados climáticos gerados refere-se à estação meteorológica de Santarém (39.25o N, 8.70oW e altitude de 54 m) na qual se registam Tmax, Tmin e precipitação (Pre). No que respeita à previsão a longo-prazo, foram extraídas as previsões de anomalias mensais de temperatura média (Tmax+Tmin)/2 e precipitação do modelo de previsão UKMO (United Kingdom Meteorological Office) no ponto de grelha mais próximo da referida estação no período de hindcasting de 23 anos (1987-2009) e com os prazos de previsão de 1 mês a 6 meses. As previsões mensais de anomalias correspondem a médias ensemble (51 membros) geradas a partir do EFS (Ensemble Forecasting System) do UKMO. O passo seguinte consistiu na calibração do gerador estocástico tendo por base as séries de dados diários observados das variáveis anteriormente referidas. Para cada variável meteorológica foi gerado um ensemble de 50 realizações (séries temporais) com amostragem diária e extensão de 23 anos, igual à extensão do período previsto pelo centro operacional de previsão. No total foram geradas 1150=2350 séries temporais para cada variável meteorológica. Assim, os dados diários gerados foram combinados com as previsões somando-se a anomalia mensal prevista Tp a cada valor diário da anomalia gerada Tg no respetivo mês, para cada prazo de previsão k e membro do ensemble j: Th ( j, k ) Tclim Tg ( j, k ) Tp (k ) To p g (1) k=1,2,3,4,5,6: prazo de previsão j=1,2,3,..,50: índice das realizações do ensemble onde Tclim é a média climatológica do mês em questão, Th é o valor previsto da temperatura (combinação de previsão+gerador estocástico de clima) a utilizar no modelo de produção no sentido de obter previsões de produção (o mesmo é válido para a precipitação), To é o valor diário observado, εp é o erro de previsão das médias mensais e εg é o erro de simulação diária do gerador. Como resultado produziu-se um ensemble (conjunto) de 50 valores para cada dia e cada variável. Com esses 50 valores foram calculadas as estatísticas ensemble das variáveis de saída (outputs) dos modelos de produção. Esta abordagem é a mesma da chamada previsão meteorológica probabilista, que é especialmente importante a médio e longo prazo. Nela é gerado um ensemble de condições iniciais possíveis dentro da respetiva esfera de erro com as quais é corrido o modelo de previsão meteorológica. Considerando esta estratégia de combinação de previsões de médias mensais e sua desagregação temporal, são reconhecidas três fontes de erro possíveis: as provenientes de εp e εg e ainda o erro do modelo de produção (εm) (Fig. 1). Assim, o erro total εt é dado por : f (Th ) Po Pm Po f (To p g ) Po t f f p g m T To T To (2) onde f(Th) = Pm é a produção modelada a partir dos dados híbridos de entrada (Th, precipitação e outras variáveis), Po é a produção obtida quando utilizando dados climáticos observados. O erro de simulação do modelo de produção é εm = f(To) - 197 Predictabilidade Sazonal de Secas Po. A variabilidade induzida pela flutuação g das variáveis meteorológicas de entrada no modelo de produção, simuladas pelo gerador de tempo deverá coincidir com a variabilidade interanual natural da produção entre anos considerados como realizações de um mesmo clima. Fig. 1. Esquema da metodologia de hibridação com downscaling temporal ou desagrageção de previsões mensais de modelos dinâmicos. 𝜀𝑝 , 𝜀𝑔 e 𝜀𝑚 são respetivamente os erros de previsão, erros do gerador de tempo e erros do modelo de produção. A verificação da adequação do gerador de tempo (validação indireta) foi avaliada mediante a comparação da variabilidade natural (e.g. por um desvio padrão) da produção gerada a partir da série observada com a variabilidade da produção induzida pelo gerador de tempo. Para que o gerador de tempo tenha o impacto correcto e sirva o propósito apresentado, as distribuições das produções f (To ) e f (Tclim Tg ) obtidas pelos procedimentos anteriores terão de ser idênticas, ou pelo menos terão de partilhar as mesmas estatísticas básicas (média, variância, quartis). A qualidade das séries geradas foi deste modo avaliada usando testes de validação direta e indireta. A validação direta foca a reprodução das características que representam a distribuição das variáveis meteorológicas (Tmax, Tmin, Pre) como seja a média e o desvio padrão, a variabilidade diária e a correlação entre ambas. As diferenças entre as estatísticas das observações e dos dados gerados não devem diferir significativamente em termos estatísticos. No entanto, pode-se dar a eventualidade de os dados gerados não se ajustarem a todas as características das séries observadas podendo existir algumas características que não são satisfatoriamente reproduzidas e que podem afetar os resultados dos modelos de produção utilizados como por exemplo sequências longas de dias secos ou chuvosos consecutivos. Por exemplo a variabilidade de baixa-frequência (anual e decadal) que é muitas vezes subestimada pelos geradores de clima, afeta a produção estimada. A validação indireta do gerador foi efetuada comparando estatisticamente os resultados de produção ao usar a série de dados observados com a série de dados 198 Modelação da produção com dados climáticos gerados gerada. Os resultados da validação indireta permitem deste modo quantificar os erros decorrentes da utilização de dados gerados como entrada de um modelo de produção. Para a análise da diferença entre as médias das séries observadas e geradas utilizou-se o teste t de Student para avaliar a diferença de médias e para a comparação da variância entre séries utilizou-se o teste F de Snedcor. Em ambos os casos utilizou-se um grau de significância de 5%. 3. Gerador estocástico de clima WeaGETS WeaGETS é um gerador estocástico de clima bastante versátil, disponível na ferramenta de cálculo numérico Matlab. O gerador foi calibrado como anteriormente referido partindo de séries diárias observadas de Tmax, Tmin e Pre no período 1975-1993 (19 anos) (ver esquema na Fig. 2). No que respeita à precipitação, primeiramente calculou-se a fração de dias em que não ocorreu chuva em função do ciclo anual (probabilidade de não chover) tendose considerado como “dia chuvoso” aquele em que a precipitação foi superior ao valor vestigial de 0.1 mm; abaixo desse valor considerou-se “dia seco”. Uma vantagem dos geradores estocásticos de clima é a capacidade de produzir séries meteorológicas de extensão temporal ilimitada, apenas com a atribuição do dia juliano mas sem especificação de ano. Como anteriormente referido, no presente estudo geraram-se 1150 anos (vd. Fig. 2) de dados climáticos, com o propósito de produzir um ensemble de 50 membros relativos a 23 anos (50×23 =1150) para cada variável. Esta instrução é possível uma vez que não se aplicou a correcção da variabilidade interanual disponível no gerador estocástico de clima WeaGETS, apesar de esta característica ser uma novidade vantajosa no WeaGETS em relação a outros geradores de clima bastante utilizados. O gerador estocástico de clima cosntrange os dados simulados ao ciclo anual das observações. O facto de não se ter considerado a variabilidade interanual tornou possivel concatenar os 1150 anos simulados que uma vez seccionado produziu um ensemble gerado aleatóriamente, respeitando a climatologia das observações. O gerador de estocástico de clima WeaGETS oferece três opções de ordem de cadeias de Markov para gerar a ocorrência de precipitação. Alguns estudos revelam que é adequado utilizar cadeias de primeira-ordem para produzir ocorrência de precipitação, contudo longos períodos de precipitação ou longos períodos secos podem ser subestimados (Wilks, 1999; Chen et al., 2012). Assim, foram utilizadas cadeias de Markov de terceira-ordem para gerar ocorrência de precipitação, e no caso de ocorrência modelou-se a precipitação com uma distribuição gama, cujos parâmetros foram calculados a cada duas semanas i.e., 26 vezes por ano. No que concerne à Tmax e Tmin, o WeaGETS utiliza um modelo linear autoregressivo de primeira ordem. Foi selecionado um esquema condicional de cálculo da Tmax e Tmin uma vez que estas variáveis são correlacionadas entre si, e adicionalmente a correlação varia se o dia é “seco” ou “chuvoso”. A conservação destas correlações é um critério importante para avaliar o desempenho de um gerador estocástico de clima. Informações mais detalhadas sobre a descrição do WeaGETS são dadas por Chen et al. (2012). 199 Predictabilidade Sazonal de Secas Fig.2. Esquema de instruções do gerador estocástico de clima WeaGETS (adaptado de Chen et al., 2012). 4. Breve descrição do modelo AquaCrop, sua calibração e validação O Aquacrop (Raes et al., 2012) é um modelo de produção composto por quatro submodelos: 1) o de balanço hídrico do solo; 2) o de desenvolvimento da cultura e produção; 3) o de clima, que combina o forçamento climático (evapotranspiração de referência), a precipitação, e a concentração de CO2; 4) o de gestão da cultura onde se inclui a rega, fertilização e salinidade (Raes et al., 2012). Os dados de entrada do modelo incluem (Raes et al., 2012): 1) dados climáticos diários relativos a Tmax (oC), Tmin (oC), precipitação (mm), evapotranspiração de referência (ЕТo, mm) e dados referentes à concentração atmosférica anual de CO2; 2) caracterização da cultura; 3) caracterização do solo; 4) calendário de rega; e 5) práticas de gestão ao nível da parcela. No presente estudo a ETo foi calculada com a metodologia da FAO usando dados de temperatura máxima e mínima (FAOPMT) estimando-se os dados climáticos em falta como descrito em Pereira (2004) e Paredes e Rodrigues (2010). O modelo usa um passo de tempo diário para estimar a evapotranspiração potencial das culturas (ETc, mm), e efetua a sua partição em evaporação do solo (Es, mm) e transpiração da cultura (Tc, mm). As componentes da ET são calculadas com base na cobertura atual da cultura (CC*, %) e na ETo. Assim, Tc = CC*KcTr,x ETo , onde KcTr,x é o coeficiente de transpiração da cultura para uma cobertura de 100% (adimensional); e a Es = Kr (1 - CC*) Kex ETo, com Kex é o coeficiente de evaporação do solo máximo (adimensional) e Kr é o coeficiente de redução da evaporação. A produção de biomassa (B, toneladas/ha) é obtida B = Ksb BWP*∑ Tr ⁄ETo (3) 200 Modelação da produção com dados climáticos gerados onde Tr (mm) é a transpiração diária ao longo do ciclo da cultura, BWP* (g m-2) “produtividade da água” normalizada para a concentração de CO2 na atmosfera, e Ksb (adimensional) é coeficiente de stresse da temperatura. A produção (Y, t ha-1) é por sua vez estimada utilizando uma aproximação semiempírica: Y = fHI HIo B (4) onde fHI é o fator de ajustamento do índice de colheita na presença de stress hídrico, HIo é o índice de colheita de referência, o qual representa a proporção da biomassa que é colhida na ausência de qualquer tipo de stresse. (Raes et al., 2012). O modelo AquaCrop foi calibrado e validado para a cultura do milho utilizando as observações efetuadas em parcelas da Quinta da Lagoalva de Cima, em Alpiarça, no período de 2010 a 2012 (Paredes et al., 2014). Nos estudos utilizou-se a variedade PR33Y74 (FAO 600) com uma densidade aproximada de 82000 plantas ha-1. Todas as observações e/ou medições efetuadas, assim como a caracterização dos solos das três parcelas são descritas em Paredes et al. (2015). As observações e/ou medições de campo incluíram: a) as datas de início de cada fase de desenvolvimento da cultura; b) a altura da cultura (h, m); c) a fração do solo coberta pela cultura (fc, adimensional) e o índice de área foliar (LAI, cm2 cm-2); d) a profundidade das raízes; e) a monitorização do conteúdo de água no solo em 20112012 os anos utilizando-se sonda do tipo DIVINER 2000 (Sentek Technologies, Austrália) e em 2010, sondas do tipo EnviroSCAN (Sentek Technologies, Austrália); f) amostragens da biomassa final e da produção de grão. A calibração consistiu na utilização dos dados de LAI para calibrar os parâmetros da curva CC; assim as medições de LAI foram convertidas em CC como proposto por Hsiao et al. (2009). Os dados de conteúdo de água no solo foram utilizados para calibrar o valor de KcTr,x. Uma descrição mais detalhada da calibração e validação do modelo para a cultura do milho incluindo todos os valores dos parâmetros é dada por Paredes et al. (2015). 5. Resultados 5.1. Validação direta do gerador estocástico de clima Como referido anteriormente o procedimento de validação direta consistiu na comparação dos dados de precipitação, Tmax e Tmin observados com os 50 membros do ensemble. Comparam-se as seguintes características: médias anuais, médias mensais, e médias para o ciclo da cultura do milho. A precipitação em termos de quantidade e variabilidade, e a evapotranspiração de referência (ETo) assumem um papel preponderante no cálculo das necessidades de rega das culturas e consequentemente na calendarização da rega. Assim é importante a validação da capacidade do gerador estocástico de clima para captar a variabilidade de ambas as variáveis. A Tabela 1 apresenta os resultados da comparação dos valores médios anuais das séries observadas e geradas mostrando que para todas as variáveis existe uma boa 201 Predictabilidade Sazonal de Secas correspondência. Os desvios padrão da série observada são um pouco mais elevados do que os da série gerada com exceção da ETo. Verifica-se que os valores gerados de Tmax apresentam valor de curtose ligeiramente positivo o que significa que os valores extremos ocorrem com uma probabilidade ligeiramente superior à dos gerados; todas as remanescentes distribuições são do tipo platicúrtica. Em termos de assimetria (parâmetro simetria na Tabela 1) das distribuições, verifica-se que os valores gerados apresentam uma distribuição com mais valores abaixo da média. No caso da precipitação adicionalmente analisaram-se o número médio de dias sem chuva (Tabela 2) verificando-se que as duas séries são semelhantes com um nível de significância de 0.05. Tabela 1. Comparação dos valores médios anuais de temperatura máxima (Tmax, ºC) e mínima (Tmin, ºC), precipitação (Pre, mm), e evapotranspiração de referência (ETo, mm) ao usar dados climáticos observados (Obs) e dados gerados pelo WeaGETS Média Desvio padrão Curtose Simetria Tmax Obs 21.7 0.6 -0.4 -0.5 Gerados 21.7 0.1 0.2 -0.5 Tmin Obs 10.1 0.7 -0.4 0.4 Gerados 10.2 0.1 0.0 -0.4 Pre Obs 689 161 -0.9 0.0 Gerados 730 145 -0.8 0.2 ETo Obs 1156 30 -0.9 0.0 Gerados 1150 35 -0.2 -0.7 Tabela 2. Número de dias sem chuva anuais ao usar dados climáticos observados (Obs) e ao usar gerados pelo WeaGETS. Média Desvio padrão Curtose Simetria Número de dias sem chuva Obs Gerados 265 261 14 3.5 0.2 -1.8 -0.9 3.1 Os resultados relativos às estatísticas mês a mês, mostram que os desvios padrão de Tmax (Tabela 3) são mais elevados entre abril a outubro e para a Tmin (Tabela 4) são mais elevados no período de outubro a abril. Globalmente verifica-se que o ciclo anual de todas as variáveis é bem representado pelo WeaGETS. Analisando cada uma das variáveis consideradas em termos mensais, usando o teste-t, verifica-se que as séries de Tmax (Tabela 3), Tmin (Tabela 4), Pre (Tabela 5) e ETo (Tabela 6) observadas e geradas, para um nível de significância de 0.05, não são significativamente diferentes. Verificou-se adicionalmente que a variância das séries observadas e geradas das mesmas variáveis climáticas é semelhante (p=0.05). 202 Modelação da produção com dados climáticos gerados Tabela 3. Comparação da temperatura máxima (Tmax, ºC) mensal ao usar dados climáticos observados (Obs) e ao usar dados gerados pelo WeaGETS Jan Fev Mar Abril Maio Jun Jul Agosto Set Out Nov Dez Média Obs 14.4 15.6 18.1 19.3 22.3 26.7 30.1 30.3 28.5 22.4 17.9 15.0 Gerados 14.6 15.7 17.6 19.5 22.4 26.2 29.7 30.4 28.1 22.6 17.8 15.0 Desvio padrão Obs Gerados 2.2 2.1 2.6 2.5 3.4 3.5 3.6 4.3 4.2 4.8 4.6 5.0 4.4 4.8 3.8 4.7 4.4 4.7 3.8 4.1 3.1 3.0 2.4 2.4 Curtose Obs 0.6 1.0 -0.1 -0.2 0.2 -0.2 -0.4 0.0 -0.5 -0.2 0.2 0.5 Gerados 0.1 0.2 0.2 0.0 0.0 0.0 -0.1 -0.1 -0.2 0.3 0.1 0.1 Simetria Obs -0.2 -0.1 0.4 0.4 0.7 0.5 0.4 0.4 0.2 0.5 0.3 -0.1 Gerados 0.0 0.3 0.4 0.3 0.3 0.3 0.2 0.3 0.3 0.5 0.2 0.1 Tabela 4. Comparação da temperatura mínima (Tmin, ºC) mensal ao usar dados climáticos observados (Obs) e ao usar dados gerados pelo WeaGETS Jan Fev Mar Abril Maio Jun Jul Agosto Set Out Nov Dez Média Obs 4.9 6.5 7.2 8.4 10.3 13.1 15.0 15.2 14.2 11.4 8.4 6.9 Gerados 5.4 6.3 7.0 8.6 10.5 12.9 14.8 15.6 14.1 11.5 8.4 6.5 Desvio padrão Obs Gerados 3.5 4.2 3.5 3.8 2.9 3.1 2.5 2.6 2.4 2.3 2.5 2.2 2.2 2.1 2.4 2.1 2.5 2.5 2.9 3.1 3.7 4.1 3.9 4.4 Curtose Obs -0.4 -0.3 -0.2 0.2 -0.5 1.2 0.7 0.9 -0.1 -0.3 -0.6 -0.5 Gerados -0.1 -0.1 0.1 0.1 0.0 0.0 0.1 0.4 0.1 0.0 0.0 0.0 Simetria Obs 0.1 -0.2 -0.1 -0.1 0.1 0.3 0.5 0.3 -0.2 -0.2 -0.2 -0.1 Gerados -0.1 -0.1 0.1 0.0 -0.1 0.0 0.0 -0.2 -0.1 -0.1 -0.1 -0.1 Tabela 5. Comparação da precipitação (Pre, mm) mensal ao usar dados climáticos observados (Obs) e ao usar gerados pelo WeaGETS Jan Fev Mar Abril Maio Jun Jul Agosto Set Out Nov Dez Média Obs 71 87 55 67 44 21 5 8 39 93 93 109 Gerados 71 87 59 63 48 24 7 18 31 49 87 110 Desvio padrão Obs Gerados 51 44 56 46 51 36 30 35 37 29 22 20 8 12 12 34 39 30 63 53 75 49 95 59 Curtose Obs -1.3 -0.4 2.7 0.0 1.5 5.1 11.4 8.9 0.7 0.1 2.7 -0.1 Gerados 0.3 0.1 0.3 0.8 1.3 1.6 13.1 3.5 2.2 0.7 0.3 0.3 Simetria Obs 0.4 0.6 1.6 0.0 1.2 2.1 3.1 2.7 1.2 0.7 1.5 1.0 Gerados 0.7 0.5 0.7 0.8 0.9 1.2 3.1 2.2 1.4 0.7 0.7 0.6 A Tabela 7 apresenta a comparação da Pre e ETo sazonais referentes ao ciclo do 203 Predictabilidade Sazonal de Secas milho verificando-se que as séries observadas e geradas são semelhantes no que respeita às estatísticas analisadas (diferença não significativa). No entanto, as séries de precipitação observadas tendem a ter valores de curtose positivos ou seja as probabilidades de precipitações extremas são maiores que as dadas por uma distribuição Gaussiana com a mesma média e desvio padrão. Em termos de assimetria das distribuições da precipitação verifica-se que os valores gerados apresentam uma distribuição com mais valores acima da média. Tabela 6. Comparação da evapotranspiração de referência (ETo, mm) mensal ao usar dados climáticos observados (Obs) e ao usar dados gerados pelo WeaGETS Jan Fev Mar Abril Maio Jun Jul Agosto Set Out Nov Dez Média Obs 39 46 78 97 128 154 176 161 124 75 45 34 Gerados 39 47 76 98 129 151 174 161 122 77 45 34 Desvio padrão Obs Gerados 4 2 4 3 8 5 9 9 14 12 16 15 15 16 8 19 12 10 10 6 5 2 3 2 Curtose Obs 0.6 -1.2 -1.2 -1.3 -1.3 0.6 -0.2 1.1 -0.9 0.0 3.7 0.1 Gerados 0.1 -0.3 -0.3 -0.2 0.4 -0.1 0.2 -0.4 -0.1 0.0 -0.2 0.2 Simetria Obs 1.0 0.1 -0.2 -0.3 0.3 0.2 -0.6 -0.7 0.0 0.4 1.6 -0.4 Gerados -0.3 -0.1 0.3 0.3 0.4 0.1 0.2 -0.4 0.1 0.3 -0.2 -0.2 Tabela 7. Comparação da precipitação (Pre, mm) e evapotranspiração de referência (ETo, mm) para o ciclo do milho ao usar dados climáticos observados (Obs) e ao usar dados gerados pelo WeaGETS. Média Desvio padrão Curtose Simetria Pre Obs 148 112 3.2 1.9 Gerados 155 71 0.4 0.7 ETo Obs 772 21 1.0 0.2 Gerados 773 20 0.5 -0.7 Em conclusão, usando a validação direta das variáveis climáticas geradas os resultados mostraram que as séries de anuais e mensais de Tmax, Tmin, Pre e ETo observadas e geradas mostraram não ser significativamente diferentes (p=0.05). 5.2. Validação indireta do gerador estocástico de clima O modelo AquaCrop foi utilizado para simular as necessidades de rega, transpiração da cultura, produção de biomassa e grão de milho ao nível da exploração agrícola. Utilizaram-se como dados de entrada os dados climáticos correspondentes à série de dados observados e o ensemble de 50 membros para 23 anos de dados climáticos gerados. A Fig. 3 mostra os resultados do modelo AquaCrop para a cultura do milho quando se utilizaram dados climáticos observados (séries temporais) e gerados (diagrama de bigodes com quartis de 25%, 75% e mediana e máximos e mínimos). Verifica- 204 Modelação da produção com dados climáticos gerados Necessidades de rega (mm) se que o intervalo de quartis 25%-75% (caixa do diagrama de bigodes) das necessidades de rega e da transpiração da cultura quando se utilizam dados gerados engloba bem os resultados quando se utilizam os dados observados. Transpiração (mm) a) b) Fig. 3. Resultados do modelo AquaCrop para a cultura do milho relativos a a) necessidades de rega, e b) transpiração da cultura quando se utilizam dados climáticos observados (○) e gerados pelo WeaGETS (boxplots à direita). No caso dos resultados para a biomassa e para a produção de milho, mais de 25% dos casos observados ocorrem abaixo do quartil de 25% dos valores gerados (vd. Fig. 4b). Como tal, o gerador sobrestima a média, mediana e quartis dessas variáveis, isto é gera-se mais produção de biomassa e de grão que o devido em média, ou seja o modelo é demasiado favorável ao usar o gerador estocástico de clima. 205 Biomassa (t ha-1) Predictabilidade Sazonal de Secas Grão (t ha-1) a) b) Fig. 4. Resultados do modelo AquaCrop para a cultura do milho relativos a (a) produção de biomassa e (b) produção de grão, quando se utilizam dados climáticos observados (○) e gerados pelo WeaGETS (boxplots à direita). Testaram-se estatisticamente as diferenças em termos de média (teste t de Student) e variância (teste F de Snedcor) dos outputs anteriormente mencionados quando se utilizaram os dados observados ou gerados. Os testes mostraram que as séries de necessidades de rega (Fig. 3a) e de transpiração da cultura (Fig. 3b) não são significativamente diferentes quando os dados gerados foram utilizados em alternativa aos observados. No entanto, os resultados mostraram que as séries de biomassa (Fig. 4a) e grão (Fig. 4b) quando utilizados dados observados e gerados são estatisticamente significativamente diferentes em termos de média e variância. No modelo AquaCrop tanto a biomassa como a produção de grão são dependentes da ETo e da transpiração da cultura cujas séries sazonais, quando se utilizam dados observados ou gerados, não são significativamente diferentes; assim uma possível explicação para os vieses nas simulações de biomassa (Fig. 4a) e produção (Fig. 4b) pode ser explicada pelas dinâmicas diárias da temperatura, precipitação e ETo ao longo do ciclo da cultura que podem não ser contempladas pelas séries geradas. A correção deste aspeto passaria pela melhoria do modelo estocástico utilizado no gerador de clima. No entanto, as diferenças entre as séries observadas e geradas não é muito importante uma vez que o erro de estimação representa menos de 8% da média da biomassa e/ou produção quando utilizando dados observados. Soltani e 206 Modelação da produção com dados climáticos gerados Hoogenboom (2007) ao usarem dados gerados no modelo DSSAT relataram diferenças significativas em termos de média e de variância da produção de grão, no entanto essas diferenças foram consideradas relativamente pequenas. Qian et al. (2011) usando o modelo CERES-Maize do DSSAT relataram a ocorrência de diferenças significativas em termos de variância das séries de produção de biomassa e grão em alguns casos de estudo. Conclui-se assim que as séries de dados gerados pelo WeaGETS podem ser utilizadas no apoio à gestão da rega. Contudo os resultados da estimação de biomassa e de grão devem ser utilizados com precaução. 6. Conclusões A avaliação direta das séries de temperatura máxima e mínima e precipitação diárias geradas pelo gerador estocástico de clima WeaGETS mostrou adequabilidade uma vez que houve a preservação das estatísticas das séries observadas. Verificou-se que as séries geradas anuais, mensais e sazonais de cada variável não era significativamente diferente, em termos de média e variância, das séries observadas. Procedeu-se também à validação indireta ou seja utilizando-se os dados gerados como dados de entrada do modelo de produção AquaCrop. Os resultados mostraram que a média e a variância das séries das necessidades de rega e de transpiração da cultura quando ao usar dados observados e gerados não é significativamente diferente. Já no que respeita às séries de produção de biomassa e grão, os resultados mostraram que a média e a variância são significativamente diferentes quando se utilizam dados gerados em alternativa aos dados observados. No entanto esta diferença não é importante uma vez que o erro médio de estimação é inferior a 8% da média dos valores de produção biomassa e/ou grão quando se utilizam dados observados. Conclui-se deste modo que no presente estudo se mostrou a adequabilidade do WeaGETS para gerar dados climáticos em alternativa aos observados. Adicionalmente, os dados gerados podem ser utilizados no apoio à decisão no local de estudo mas tendo em consideração a existência de erros de estimação. Agradecimentos O primeiro autor agradece à FCT a bolsa de pós-doutoramento (SFRH/BPD/102478/2014) que lhe foi atribuída. Este estudo foi apoiado pelo projeto PTDC/GEO-MET/3476/2012 "Avaliação, predictabilidade e hibridização das previsões sazonais de seca na Europa Ocidental-PHDROUGHT". Referências Chen, J., Zhang, X.C., Liu, W.Z., Li, Z., 2009. Evaluating and extending CLIGEN precipitation generation for the Loess Plateau of China. J. Am. Water Resour. Assoc. 45 (2), 378-396. Chen, J., Brissette, F.P., Leconte, R., 2010. A daily stochastic weather generator for preserving low-frequency of climate variability. J. Hydrol. 388, 480–490. Chen, J., Brissette, P.F., Leconte, R., Caron, A., 2012. A versatile weather generator for daily precipitation and temperature. Trans. ASABE 55(3), 895-906 Coles, S., 2001. An Introduction to Statistical Modeling of Extreme Values, SpringerVerlag. ISBN 1-85233-459-2. 207 Predictabilidade Sazonal de Secas Elshamy, M.E., Wheater, H.S., Gedney, N., Huntingford, C., 2006. Evaluation of the rainfall component of a weather generator for climate impact studies. J. Hydrol. 326, 1–24. Hansen, J.W., Ines, A.M.V., 2005. Stochastic disaggregation of monthly rainfall data for crop simulation studies. Agric. Meteorol. 131, 233–246. Hansen, J.W., Mavromatis, T., 2001. Correcting low-frequency variability bias in stochastic weather generators. Agric. For. Meteorol. 109, 297–310. Hartkamp, A.D., White, J.W., Hoogenboom, G., 2003. Comparison of three weather generators for crop modeling: a case study for tropical environments. Agric. Syst. 76, 539–560. Holzkämper, A., Calanca, P., Honti, M., Fuhrer, J., 2015. Projecting climate change impacts on grain maize based on three different crop model approaches. Agric. Forest Meteorol. 214-215, 219-230 Hsiao, T.C., Heng, L., Steduto, P., Rojas-Lara, B., Raes, D., Fereres, E., 2009. AquaCrop - the FAO crop model to simulate yield response to water: III. Parameterization and testing for maize. Agron. J. 101, 448–459 Jones, P.G., Thornton, P.K., 2013. Generating downscaled weather data from a suite of climate models for agricultural modelling applications. Agric. Syst. 114, 1-5 Jones, J.W., Hoogenboom, G., Porter, C.H., Boote, K.J., Batchelor,W.D., Hunt, L.A., Wilkens, P.W., Singh, U., Gijsman, A.J., Ritchie, J.T., 2003. The DSSAT cropping system model. Eur. J. Agron. 18, 235–265. Nicks, A.D., Lane, L.J., Gander, G.A., 1995. Weather generator. In: Flanagan, D.C., Nearing, M.A. (Eds.), USDA-Water Erosion Prediction Project: Hillslope Profile and Watershed Model Documentation. NSERL Report No. 10. USDA-ARS Nat. Soil Erosion Research Lab, West Lafayette. Paredes, P., Rodrigues, G.C., 2010. Necessidades de água para a rega de milho em Portugal Continental considerando condições de seca. In: L.S. Pereira, J.T. Mexia, C.A.L. Pires, (Eds.) Gestão do Risco em Secas. Métodos, Tecnologias e Desafios. Edições Colibri e CEER, Lisboa, pp. 301- 319. Paredes, P., de Melo-Abreu, J.P., Alves, I., Pereira, L.S., 2014. Assessing the performance of the FAO AquaCrop model to estimate maize yields and water use under full and deficit irrigation with focus on model parameterization. Agric. Water Manage. 144, 81-97. Paredes, P., Ribeiro, A., Pires, C.A.L., Pereira, L.S., 2015. Usabilidade de previsões sazonais de ensemble da temperatura e precipitação na modelação da rega e da produção. aplicação a cevada e milho. (neste livro) Pereira, L.S., 2004. Necessidades de Água e Métodos de Rega. Publ. Europa-América, Lisboa, 313 p. Qian, B., De Jong, R., Yang, J., Wang, H., Gameda, S., 2011. Comparing simulated crop yields with observed and synthetic weather data. Agric. Forest Meteorol. 151, 1781– 1791 Raes, D., Steduto, P., Hsiao, T.C., Fereres, E., 2012. Crop Water Productivity. Calculation Procedures and Calibration Guidance. AquaCrop version 4.0., FAO, Land and Water Development Division, Rome. Richardson, C.W., 1981. Stochastic simulation of daily precipitation, temperature, and solar radiation. Water Resour. Res. 17, 182–190 Richardson, C.W., 1985. Weather simulation for crop management models, Trans. ASAE 28, 1602-1606. Semenov, M.A., Barrow, E.M., 1997. Use of a stochastic weather generator in the development of climate change scenarios. Climatic Change 35, 397-414. 208 Modelação da produção com dados climáticos gerados Semenov, M.A., Barrow, E.M., 2002. LARS-WG, A Stochastic Weather Generator for Use in Climate Impact Studies, User Manual. Semenov, M.A., Brooks, R.J., 1999. Spatial interpolation of the LARS-WG stochastic weather generator in Great Britain. Clim. Res. 11, 137–148 Semenov, M.A., Brooks, R.J., Barrow, E.M., Richardson, C.W., 1998, Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates. Clim. Res. 10, 95–107 Soltani, A., Hoogenboom, G., 2007. Assessing crop management options with crop simulation models based on generated weather data. Field Crop. Res. 103, 198-207 Stöckle, C.O., Campbell, G.S., Nelson, R., 1999. ClimGen Manual. Biological Systems Engineering Department, Washington State University, Pullman, WA. Supit, I., van Diepen, C.A., de Wit, A.J.W., Wolf, J., Kabat, P., Baruth, B., Ludwig, F., 2012. Assessing climate change effects on European crop yields using the Crop Growth Monitoring System and a weather generator. Agric. Forest Meteorol. 164, 96–111 Thornton, P.E., Running, S.W., White, M.A., 1997. Generating surfaces of daily meteorological variables over large regions of complex terrain. J. Hydrol. 190, 214– 251. Tubiello, F.N., Donatelli, M., Rosenzweig, C., Stöckle, C.O., 2000. Effects of climate change and elevated CO2 on cropping systems: model predictions at two Italian locations. Eur. J. Agron. 13, 179-189. Trigo, R.M., DaCamara, C., 2000. Circulation Weather Types and their impact on the precipitation regime in Portugal. Int. J. Climatol. 20, 1559-1581. Wilks, D.S., 1992. Adapting stochastic weather generation algorithms for climate change studies. Climatic Change 22, 67–84. Wilks, D.S., 1999. Interannual variability and extreme-value characteristics of several stochastic daily precipitation models. Agric. Meteorol. 93, 153–169 Zhang, X.C., 2005. Spatial Downscaling of global climate model output for site-specific assessment of crop production and soil erosion. Agric. Meteorol. 135, 215–229. Zhang, X.C., Garbrecht, J.D., 2003. Evaluation of CLIGEN precipitation parameters and their implication on WEPP runoff and erosion prediction. Trans. ASAE 46 (2), 311– 320. Zhang, X.C., Nearing, M.A., Garbrecht, J.D., Steiner, J.L., 2004. Downscaling monthly forecasts to simulate impacts of climate change on soil erosion and wheat production. Soil Sci. Soc. Am. J. 68, 1376–1385. 209 210 MÉTODOS NÃO-GAUSSIANOS DE INFERÊNCIA E DE SEPARAÇÃO DE FONTES ESTATÍSTICAS COM APLICAÇÃO AO DIAGNÓSTICO E PREDICTABILIDADE DE ÍNDICES DE SECA Carlos L. Pires1, Rui P. Perdigão2 , Ricardo M. Trigo1, Andreia S. Ribeiro1 Resumo Apresentam-se alguns métodos de inferência estatística de índices climáticos nomeadamente de seca, a partir de variáveis estatísticas exploratórias da circulação geral atmosférica e oceânica nos casos em que as distribuições de probabilidade conjuntas diferem da aproximação Gaussiana. Em particular, apresentam-se os conceitos de correlação assimétrica e de esperança condicional em função de correlações não lineares. Mostram-se métodos de decomposição de campos em fontes estatísticas independentes escalares e vetoriais de baixa dimensão (díadas e tríadas) com recurso a funções contraste simuladoras da neguentropia de Shannon usando a Análise de Componentes Independentes (ICA) e a Análise de Subespaços Independentes (ISA). Essas fontes permitem definir índices não lineares caracterizadores da variabilidade não-Gaussiana, utilizáveis para inferência, previsão e downscaling. A decomposição em componentes independentes e díadas é aplicada ao campo do geopotencial aos 500 hPa e à função de corrente de um modelo atmosférico quase-geostrófico. As distribuições não-Gaussianas de campos geofísicas permitem extrapolar o conceito clássico de teleconexão às interações múltiplas entre 3 ou mais regiões ou projeções em padrões que são descorrelacionadas duas a duas. A presença de interações triádicas na atmosfera e oceano é posta em evidência, em particular entre modos de variabilidade do Oceano Pacífico Norte e Sul em que tomam parte o El-Niño, a Oscilação Decadal do Pacífico e o Dipolo do Pacífico Sul. Essa interação ocorre em situações persistentes de ressonância entre tripletos de frequências constituindo uma fonte de predictabilidade não linear, potencialmente útil na previsão estatística e inferência de índices de seca. Abstract We present some methods of drought statistical inference issued from exploratory variables of the general atmospheric and oceanic circulation in the cases of non1 Instituto Dom Luiz (Laboratório Associado), DEGGE, Faculdade de Ciências da Universidade de Lisboa, Campo Grande, 1749-016 Lisboa, Portugal. Email: [email protected] 2 Institute of Hydraulic Engineering and Water Resources Management, Vienna University of Technology, Vienna, A-1040, Austria. 211 Predictabilidade Sazonal de Secas Gaussian joint probability distributions. In particular, we have shown the concepts of asymmetric correlation and conditional expectation as a function of nonlinear correlations. We also put in practice methods of the field decomposition into scalar and vectorial sources by recurring to contrast functions that are proxies of the source’s Shannon negentropy using the Independent Component Analysis (ISA) and Independent Subspace Analysis (ISA). Those sources allow for defining nonlinear defined indices better characterizing the non-Gaussian variability and usable as preditors statistical forecasting, downscaling and inference. ICA and ISA is applied both to the z500hPa and to a model’s stream function fields. Moreover, joint non-Gaussianity allow for extrapolating the classical teleconnection concept to multiple interactions where three or more remote regions or pattern indices are pairwise uncorrelated but which are not independent as a whole. The presence of triadic interactions is put in evidence, in particular in the Pacific North and South linking El-Niño, Pacific Decadal Oscillation (PDO) and the South Pacific Ocean Dipole (SPOD). This interaction occurs on situations of persistent triadic wave resonance for certain triplets of frequencies, thus constituting a source of nonlinear predictability which is potentially useful in the predictability and downscaling of drought indices. 1. Introdução Os campos físicos que caracterizam o estado do geofluido oceânico-atmosférico, tais a pressão, temperatura, velocidade, humidade e salinidade, podem considerarse do ponto de vista da climatologia estatística como vetores formados por variáveis escalares estocásticas. As séries temporais multivariadas, obtidas, quer de observações, reanálises (e.g. ERA40, ERA-Interim, XX Century ReAnalysis) ou corridas de modelos, fornecem amostras, necessariamente finitas às quais se podem aplicar técnicas de estatística multivariada com múltiplos propósitos e utilidades, em particular no âmbito da presente compilação sobre a predictabilidade e inferência de índices de seca e precipitação em várias escalas espácio-temporais. Algumas dessas técnicas estatísticas recorrem apenas a informação de momentos estatísticos de primeira ordem (climatologias) e de segunda ordem, sintetizados numa matriz de covariância entre um dado conjunto de variáveis. Cabem nessas técnicas as chamadas técnicas de valores próprios que recorrem a análise singular de matrizes de covariância, tais como: a) a Análise de Componentes Principais (PCA - Principal Component Analysis), aplicada na redução da dimensionalidade ou compressão de informação de um campo, exprimindo-o em termos de um reduzido número de variáveis escalares ou Componentes Principais (PCs); b) a Análise de Correlação Canónica (CCA Canonical Correlation Analysis) que procura as combinações lineares de um e outro campo que maximizem a correlação entre elas. Podemos enumerar também a SSA (Singular Spectrum Analysis) e a MSSA (Multi-Channel SSA) como generalizações da PCA para variáveis desviadas temporalmente ou seja no espaço dos atrasos. A imposição de informação estatística limitada leva a certas distribuições 212 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca suficientes de probabilidade. Por exemplo, a distribuição de probabilidade de um vetor aleatório x N com maior grau de incerteza ou máxima entropia de Shannon (1948), constrangida a um certo vetor média μ x e a uma certa matriz de covariância Cxx é a distribuição multivariada Gaussiana cuja densidade de probabilidade (pdf) é: x (x) [(2 ) N det Cxx )]1/2 exp[ 12 (x μx ) ' Cxx1 (x μx )] ; x N (1) onde a plica ( ' ) significa transposto de matriz ou vetor. Desse modo toda a inferência estatística de parte desse vetor aleatório (e.g. médias condicionais ou densidades de probabilidade condicionais) é obtida recorrendo a estatísticas da distribuição global (1). Por isso as referidas técnicas, uma vez que usam apenas μ x e Cxx , apresentam o seu melhor desempenho quando as pdfs conjuntas são Gaussianas, visto que não usam mais do que as estatísticas suficientes da distribuição Gaussiana. Todavia, a Gaussianidade é uma hipótese que não se verifica rigorosamente na prática conforme se infere da análise estatística exploratória de séries temporais de vários campos atmosférico-oceânicos. De facto observam-se desvios em relação às pdfs Gaussianas em diversos campos como a pressão, precipitação, temperatura da superfície do mar (SST) etc. (Pires e Perdigão 2007; Sura e Sardeshmukh 2008; Perron e Sura 2013). Desse modo é necessário desenvolver técnicas estatísticas, ditas não-Gaussianas, que sejam apropriadas e otimizadas quando aplicadas noutras distribuições de probabilidade que não as Gaussianas e que recorram a outras informações da distribuição, nomeadamente sobre assimetrias, multimodalidades, correlações não lineares, geralmente contidas nos cumulantes das distribuições de ordem igual ou superior a três (Comon 1994). Apresentaremos de seguida três exemplos dessas técnicas a título ilustrativo e com aplicações práticas. O primeiro refere-se ao diagnóstico de correlações assimétricas (Pires e Perdigão 2007; Chordia et al. 2011) entre índices de circulação geral atmosférica e médias mensais da precipitação. O segundo exemplo é sobre a decomposição de um vetor multivariado distribuído nãoGaussianamente em sub-vetores (fontes) maximamente independentes entre si do ponto de vista estatístico, recorrendo a técnicas BSS (Blind Source Separation) (Yu et al. 2014). A separação em fontes escalares e diádicas, formadas por 2 componentes, bem como a sua interpretação física é feita sobre o campo geopotencial observado e sobre a função de corrente de um modelo atmosférico. A terceira aplicação faz recurso à teoria da informação (Cover e Thomas 1991) para a identificação de interações não lineares múltiplas entre 3 ou mais variáveis descorrelacionadas duas a duas mas que não são globalmente independentes. Este tipo de interações quando aplicadas a campos geofísicos generaliza o conceito clássico de teleconexões. Estas são devidas a correlações lineares entre dois pontos remotos (e.g. correlação negativa entre o El Niño e a ocorrência de monção na Índia). As teleconexões generalizadas recorrem ao conceito de tríada nãoGaussiana, uma vez que para tal concorrem três em vez de duas variáveis globalmente dependentes entre si. As fontes vetoriais diádicas e triádicas sugerem 213 Predictabilidade Sazonal de Secas variáveis exploratórias não lineares que são boas descritoras da variabilidade nãoGaussiana servindo de boas candidatas para a inferência de subescala (downscaling) e previsão estatística de indicadores de seca e outros. 2. Correlações assimétricas 2.1. Definições e propriedades A resposta sazonal climática da superfície terrestre à dinâmica atmosférica é em geral resultante de interações físicas, geralmente expressas em termos de fluxos de massa, energia ou outras grandezas extensivas. Essa resposta pode ser avaliada pela correlação linear de Pearson cor(X,Y) entre índices sinópticos de tempo, representados por uma variável escalar X (e.g. SOI, NAO index, Niño3) e elementos climáticos genéricos à superfície, denotados pela variável Y (e.g. Precipitação Mensal, índices de seca). No entanto a dependência da variável Y a estimar (preditando) em relação à variável dada X (preditor) pode não ser a mesma em qualquer sub-domínio de variação de X, sendo a correlação de Pearson insuficiente para descrever relações não lineares entre X e Y bem como diferenças na sensibilidade de Y em certos quantis de X, nomeadamente nos regimes positivo (X+) e negativo (X-) do índice dinâmico X separados pela sua mediana MX. De seguida propor-se uma resposta a este problema. Admitamos sem perda de generalidade X, Y centrados e normalizados (média nula e variância unitária). Propõe-se uma decomposição da correlação cor(X,Y) (Pires e Perdigão 2007) através de uma média pesada: cor X , Y c tM t t ; 2 ; 1 1 ; 2 1 2 (2) em que as ‘pseudo-correlações’ intervenientes definem-se como: tM cM ; t c X Y c ; t X Y 2 2 (3) em que cM E (Y X M X ) E (Y | X M X ) é a chamada correlação central, dada pela diferença de médias compósitos de Y , avaliadas respetivamente para X acima e abaixo da mediana MX. As grandezas c cor ( X , Y X M X ) e c cor ( X , Y X M X ) são correlações assimétricas condicionadas a valores, respetivamente acima e abaixo do quantil 50% de X. Temos 1/2 ainda Y [(Y X M X )] dado pelo desvio padrão de Y para X acima da mediana, usando-se definições similares para Y , X e X . No caso de (X,Y) terem uma distribuição conjunta Gaussiana bivariada com correlação c, então as ‘pseudo-correlações’ ou na verdade os testes estatísticos (3) tM , t , t igualam a correlação c e além disso Y2 Y2 1 c2 pelo que as diferenças t c; t c funcionam como desvios em relação à Gaussianidade bivariada. Uma medida conjunta de assimetria da correlação é dada pela medida: 214 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca J c cor ( X , Yr | X M X ) 1 c 2 1/2 t t c X2 X2 / 2 (4) onde Yr (1 c2 )1/2 (Y cX ) é o resíduo normalizado da regressão linear do preditando Y a partir de X. No caso Gaussiano bivariado tem-se J c 0 . 2.2. Resultados de correlações assimétricas entre índices de circulação atmosférica e a precipitação mensal De seguida mostram-se alguns diagnósticos das referidas estatísticas com interesse no diagnóstico de índices de seca à escala mensal e para a região EuroAtlântica: (30ºN-70ºN, 80ºW-40ºE) (NAE) em que X são índices de circulação geral atmosférica e Y são valores locais na referida região do SPI (Standardized Precipitation Index) (McKee et al., 1995) à escala mensal e que é obtido da precipitação mensal local por uma anamorfose Gaussiana isto transformando-a numa variável com uma pdf Gaussiana standard (média nula, variância unitária). Assim, para obter os índices atmosféricos, são calculadas as PCs de médias mensais da pressão à superfície do mar SLP (sea level pressure) no Inverno (período DJF de Dezembro a Fevereiro), obtidas a partir de reanálises NCEPNCAR no período 1951-2003 (Khistler et al., 2001) na grelha 2.5º(lat)x2.5º(long). A primeira função empírica ortogonal (EOF1) (Fig. 1a), saída dessa análise explica 34% da variância total do campo da SLP e projeta-se no padrão da NAO (North Atlantic Oscillation) (Hurrell, 1995). A fase positiva (NAO+) e negativa (NAO-) correspondem, grosso modo aos regimes ZO (zonal) e GA (Greenland Anticiclone), obtidos por Michelangeli et al. (1995) por análise de clusters do geopotencial aos 700 hPa. A segunda EOF (Fig. 1b) explica 21% da variância e projeta-se no padrão RDG (Crista Atlântica). As fases positiva e negativa projetam-se respetivamente nos regimes AR (Atlantic Ridge) e BL (Blocking) (Michelangeli et al., 1995). A terceira EOF (Fig. 1c) corresponde ao regime GS (dipolo GronelândiaEscandinávia) e também tem projeções parciais nos regimes referidos, sobretudo AR e BL. As variáveis X são assim as três primeiras PCs e Y o SPI mensal local ao longo da região NAE. Deste modo calculou-se o campo da correlação, dita total c cor ( X , Y ) e dos testes t , t , comparáveis diretamente com c e ainda da medida de assimetria J c . Os diagnósticos por essa ordem são mostrados para X=PC1 (primeira PC) nas Figs. 2a-d; para X=PC2 (segunda PC) nas Figs. 3a-d e para X=PC3 (terceira PC) nas Figs. 4a-d. Regiões estatisticamente significativas das correlações total e assimétricas e onde J c é significativamente diferente de zero (regiões onde a pdf de (PC,SPI) tem uma correlação assimétrica), são marcadas em tons de cinzento nas Figs. 2-4. O nível de confiança usado é de 95% sendo os quantis de significância obtidos por simulações de Monte-Carlo (ver Pires e Perdigão 2007 para detalhes). 215 Predictabilidade Sazonal de Secas a) 60N 50N 50N 40N 40N -70E -60E -50E -40E -30E -20E -10E 0E 10E SLP (DJF) - EOF2 20E 30E b) 40E 30N -80E 30E b) 40E 30N -80E -50E -70E -60E -50E -40E -30E -20E -10E 0E 10E SLP (DJF) - EOF3 20E c) 30E 40E 30N -80E -70E -60E -50E 50N 40N 30E 40E 30N -80E -20E -10E 40N 60N 20E -30E 50N 70N 10E -40E 60N 40N 20E -60E 70N 50N 10E -70E -70E -60E -50E -40E -30E -20E -10E 0E 10E 20E 30E 40E Fig. 1. Mapa das três EOFs dominantes das médias mensais da SLP no trimestre Dezembro-Fevereiro na região Euro-Atlântica: a) primeira EOF sobretudo projetada no padrão da NAO; b) segunda EOF projetada no padrão RDG (Atlantic Ridge); c) terceira EOF, projetada no padrão GS (dipolo Gronelândia-Escandinávia).Valores a cinzento representam valores positivos. Quanto ao campo da correlação total entre SPI e as PCs, verificamos que as zonas de maiores valores absolutos diferem em geral entre as várias PCs, o que é de esperar devido à correlação nula entre estas. Deste modo a inferência do SPI a partir de PCs tem contribuições complementares. Assim a NAO (PC1) tem maior influência nos segmentos zonais 40ºW-0ºE às latitudes de 35ºN e 60ºN bem como na Gronelândia. A PC2 projetada sobre o regime RGB exibe forte correlação negativa (~-0.6) com SPI no Atlântico Norte Central a cerca de 50ºN no intervalo de longitudes 40ºW-10ºE. A PC3 exibe correlações negativas com SPI na Escandinávia e Europa Central. Quanto à diferença entre t+ e t-, (Figs. 2b-c, 3b-c 4b-c), conclui-se a existência de regiões com fortes assimetrias, estatisticamente significativas entre as respostas da precipitação às fases positiva e negativa dos regimes de tempo. 216 0 SLP (DJF) - EO 70N 60N F2 E SLP (DJF) - EO 70N 60N 30N -80E F1 E a) SLP (DJF) - EOF1 70N -40E -30E -20E -10E Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca Global Correlation - PC1 Test Positive Side Correlation - PC1 70N 70N 60N 60N 50N 50N 40N 40N 30N -80E -70E -60E -50E -40E -30E -20E -10E 0E 10E 20E Test Negative Side Correlation - PC1 30E 40E 30N -80E -70E -60E -50E -40E -30E -20E -10E a) 70N 60N 60N 50N 50N 40N 40N 0E 10E 20E 30E 40E 10E 20E 30E 40E b) Assymetry Measure Jc - PC1 70N 30N -80E -70E -60E -50E -40E -30E -20E -10E 0E 30N -80E -70E -60E -50E -40E -30E -20E -10E 0E 10E 20E 30E 40E d) c) Fig. 2. Mapa de estatísticas referentes à correlação entre a PC1 da SLP mensal (com EOF dada pela Fig. 1a, projetada no regime NAO) e o SPI mensal local: a) correlação total; b) teste t+, proporcional à correlação assimétrica para PC1 acima da mediana; c) teste t-, proporcional à correlação assimétrica para PC1 abaixo da mediana; d) medida de assimetria de correlação Jc. Nos mapas de correlação assimétrica, as zonas marcadas a são negativas e os contornos tem espaçamento 0.2. Global Correlation - PC2 Test Positive Side Correlation - PC2 70N 70N 60N 60N 50N 50N 40N 40N 30N -80E -70E -60E -50E -40E -30E -20E -10E 0E 10E 20E Test Negative Side Correlation - PC2 30E 40E 30N -80E -70E -60E -50E -40E -30E -20E -10E a) 70N 70N 60N 60N 50N 50N 40N 40N 30N -80E -70E -60E -50E -40E -30E -20E -10E 0E 10E 20E 30E 40E 0E 10E 20E 30E 40E b) Assymetry Measure Jc - PC2 30N -80E -70E -60E -50E -40E -30E -20E -10E 0E 10E 20E 30E 40E d) c) Fig. 3. Idêntico à Fig. 2 para PC2 (com EOF dada pela Fig. 1b, projetada no regime RDG). Global Correlation - PC3 Test Positive Side Correlation - PC3 70N 70N 60N 60N 50N 50N 40N 40N 30N -80E -70E -60E -50E -40E -30E -20E -10E 0E 10E 20E 30E 40E Test Negative Side Correlation - PC3 30N -80E -70E -60E -50E -40E -30E -20E -10E a) Assymetry Measure Jc - PC3 70N 70N 60N 60N 50N 50N 40N 40N 30N -80E -70E -60E -50E -40E -30E -20E -10E 0E 10E 20E 30E 40E 0E 30N -80E -70E -60E -50E -40E -30E -20E -10E 0E 10E 20E 30E 40E b) 10E 20E 30E 40E d) c) Fig. 4. Idêntico à Fig. 2 para PC3 (com EOF dada pela Fig. 1c, projetada no regime SC). Como exemplos note-se para a NAO (EOF1), a intensificação das correlações no 217 Predictabilidade Sazonal de Secas regime mais favorável à precipitação (NAO- no Atlântico Central e Península Ibérica, NAO+ no flanco Norte-Oeste da Europa). Tal significa que nessas regiões o índice NAO é mais eficaz no diagnóstico e previsão de condições de excesso de precipitação que em condições deficitárias de precipitação ou de seca. O contrário, ou seja a intensificação de correlações em regimes secos, ocorre noutras regiões. Por exemplo o regime NAO+, favorável à intensificação do Anticiclone dos Açores exibe maior correlação negativa que positiva na região Mediterrânica e na Gronelândia ou seja maior sensibilidade e portanto capacidade de inferência do SPI pela NAO em condições de seca. Um exemplo dessa assimetria de correlação é mostrado pelo diagrama de dispersão (scatter-plot) com os pares de ocorrências (PC1, SPI) durante todo o período analisado (Fig. 5) no ponto (37.5ºN, 2.5ºE) situado nas ilhas Baleares Mediterrâneas em que a correlação é c=-0.17, tM=-0.13, t-=+0.19 e t+=-0.65. As isolinhas da pdf estimada diferem de elipses como ocorreria se a pdf conjunta fosse Gaussiana. a) 2 b) -3 3 1 2 -2 -1 0 1 2 3 -2 -1 0 1 2 3 3 Gaussian Precipitation Baleares (BAL) 1 Na análise das correlações com PC2, a correlação total é negativa no Atlântico Norte Central (maior ocorrência de precipitação no regime de bloqueio) e positiva nas regiões Escandinava e Mediterrânea, o que é consistente com a ocorrência favorável de precipitação nas zonas até onde migram as correntes de perturbações (storm-tracks) que contornam a configuração de bloqueio na região Europeia (regime BL correspondente a valores negativos de PC2). As maiores assimetrias 1.5 nas respostas em termos de SPI verificam-se nos bordos norte e sul do máximo da 1 EOF20.5(Fig. 3d). 2 1 0 -1 -2 -3 -3 3 Gaussian NAO NAO 3 c) d) Fig. 5.2.5 Scatter-plot das ocorrências de pares (PC1, SPI) no ponto (37.5ºN, 2.5ºE) situado nas ilhas Baleares (Mediterrâneo). Note-se a maior correlação negativa em condições de 2 seca para o caso do regime NAO+. A PC1 está normalizada. Mostram-se igualmente 1.5 isolinhas da pdf. (Adptado de Pires e Perdigão (2007)). 1 0.5 2 3 Gaussian Precipitation Greenland (GRE) 1 A PC03-3 exibe uma negativa na Europa do Norte e Central, -2 -1 0forte 1 correlação 2 3 3 correspondente à escassez de precipitação (seca), sobretudo no regime de bloqueio Europeu. Tal é notório, especialmente na correlação assimétrica para PC 3 acima 2 da mediana através de t+ (Fig. 4b), o que mostra que nessa região, a PC3 é um 1 excelente indicador da intensidade de seca nas condições de bloqueio. 1 AO 2 3 0 -1 -2 218 -3 -3 -2 -1 0 1 Gaussian NAO 2 3 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca As correlações assimétricas c- e c+ em (3) fornecem apenas uma inferência parcial do preditor X sobre o preditando Y. A estimativa linear Yl fl ( X ) de Y a partir de X que minimiza o erro médio quadrático MSE( f ) E[( f ( X ) Y )2 ] é dada por fl ( X ) cX . No entanto esta só é ótima quando a distribuição bivariada é Gaussiana. Prova-se no caso geral, Gaussiano ou não-Gaussiano que a referida função é a esperança condicional: f ng ( X ) E (Y | X ) . Esta média condicional pode ser estimada de várias formas: a) empiricamente para cada X a partir de amostras num certo intervalo [X-, X+]; b) parametricamente admitindo uma certa pdf bivariada obtida por métodos de máxima verosimilhança ou então c) considerando a expansão de Edgeworth da pdf (X,Y) a partir de cumulantes (Comon 1994) que são obtidos como funções de momentos simples e cruzados. Neste caso e tomando o resíduo normalizado W (1 c2 )1/2 (Y cX ) , descorrelacionado de X, tem-se f ng ( X ) cX (1 c 2 )1/2 E (W | X ) onde a esperança condicional é dada por uma função racional: E W | X 1 2 k (2,1) H 2 ( X ) 16 k (3,1) H 3 ( X ) 1 U X (5) 1 (3,0) 1 10 k H 3 ( X ) k (4,0) H 4 ( X ) k (3,0) k (3,0) H 6 ( X ) onde k ( , ) são 3! 4! 6! cumulantes do par (X,W) de ordem +, de variáveis centradas para as quais k ( , ) E ( X W ) se 1≤+≤3 (e.g. skewness de X para =3, =0, aferidor da com U X assimetria da pdf de X) e k (4,0) E ( X 4 ) 3 (kurtosis de X, positivo e/ou negativo se a cauda da pdf for mais larga e/ou estreita que no caso Gaussiano). Os cumulantes de ordem superior ou igual a 3 anulam-se no caso Gaussiano sendo por isso medidas de não-Gaussianidade. As funções H n ( X ) são polinómios de Hermite, satisfazendo à relação recorrente: H0 ( X ) 1 ; H n1 ( X ) XH n ( X ) dH n / dX . 3. Separação de fontes estatísticas não-Gaussianas 3.1. Noções introdutórias A inferência climatológica de uma variável Y (e.g. um certo índice de seca) a partir de um conjunto de preditores ou regressores X1, X2,….Xp é tanto mais eficaz quanto mais independentes estatisticamente estes forem entre si, de modo a evitar redundâncias de informação. Uma maneira de avaliar as dependências estatísticas entre regressores é através das correlações lineares cor(Xi, Xj), ij ou não lineares do tipo: cor(f(Xi), g(Xj)) onde alguma das funções f ou g é não linear ou seja diferente de uma função afim. Todavia a medida mais geral de dependência estatística é a multi-informação (Schneidman et al. 2003) ou generalização multivariada da informação mútua (em p=2) e que se define como: 219 Predictabilidade Sazonal de Secas X ,..., X 1 p I ( X 1 ,..., X p ) X1 ,..., X p log p X k k 1 dX 1...dX p 0 (6) que é não negativa, anulando-se sse todas as variáveis forem estatisticamente independentes entre si, o que acontece quando a pdf conjunta X1 ,..., X p for o produto de todas as pdfs marginais. É desejável que cada uma das variáveis preditoras tenha um significado físico, correspondendo a um certo tipo de variabilidade climática interna ou forçada, identificável e independente das outras. Se Y é condicionado fisicamente por um determinado campo ou seja pelas estruturas que este exibe (e.g. o índice de seca Y é influenciado pelos sistemas do campo da pressão) então os preditores devem conter informação compactada relevante desse campo a menos de uma pequena fração de variância total não explicada. Tal é executado pela PCA (Hannachi et al. 2007) de um campo e considerando um número p de PCs dominantes explicando uma elevada fração (e.g. 90%) da variância total. No entanto as PCs, apesar de descorrelacionadas por construção, podem exibir correlações não lineares e informação mútua (6) não nula, sendo por isso não independentes entre si, exceto quando a pdf conjunta é Gaussiana. 3.2. Análise de Componentes Independentes Mostremos uma forma de obter variáveis independentes. Sem perda de generalidade consideremos as PCs centradas e normalizadas: 1/2 X i var( PCi ) PCi . No sentido de obtermos um homeomorfismo (transformação bijetiva) X ( X1 ,..., X p ) Y (Y1 ,..., Yp ) gerando variáveis descorrelacionadas com a mínima multi-informação I (Y1 ,..., Yp ) entre si, vamos considerar a família das transformações dadas por rotações ortogonais das variáveis originais normalizadas: Y RX onde R ' R RR ' I p em que I p é a matriz identidade de ordem p. Esta transformação preserva a descorrelação entre variáveis rodadas e a sua normalização. Pode mostrar-se que a multi-informação das variáveis transformadas é dada pelo Lema da Neguentropia aplicado a escalares: J rot J (X) J (Y) k 1 J (Yk ) I (Y1 ,..., Yp ) p (7) onde J(.) é a neguentropia (sempre não negativa) dada pelo déficit de entropia de Shannon H (X) E[ log( X )] em relação à distribuição com a mesma média e matriz de covariância. No caso de um vetor X Gaussiano constituído por escalares normalizados e descorrelacionados entre si tem-se: J (X) 2p log(2 e) E[ log( X )] (8) A neguentropia é neste caso um invariante para rotações ortogonais representando a compaticidade de X (Monahan e DelSole 2009) ou seja a medida em que a pdf conjunta difere da pdf isotrópica Gaussiana. Essa diferença manifesta-se na forma 220 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca de correlações não lineares, assimetrias multivariadas, centroides de múltiplas modas etc. A relação (7) fundamenta a chamada Análise de Componentes Independentes ICA (Independent Component Analysis) (Hyvärinen e Oja 2000) que mostra que as variáveis escalares que minimizam a respetiva multi-informação são as que maximizam a soma das neguentropias marginais. Em geral é difícil estimar J mesmo para dimensões reduzidas do vetor X . Por isso adotam-se várias aproximações de J. Por exemplo para uma variável escalar U normalizada genérica tem-se: J U Skew(U )2 Kurt (U )2 15Skew(U )4 12 48 72 (9) que é expressa em função de cumulantes (Comon 1994) como o skewness Skew(U ) E (U 3 ) e o kurtosis Kurt (U ) E (U 4 ) 3 . Outra aproximação, é dada por funções contraste, nulas no caso Gaussiano, tal como: J (U ) 2 2 36 24 E U exp U 2 / 2 E exp U 2 / 2 1/ 2 8 3 9 16 3 9 (10) A escolha da matriz de rotação visando variáveis de máxima neguentropia é obtida por algoritmos de otimização não linear. Um deles é o Fast-ICA (Novey e Adali 2008) que usa um algoritmo de tipo ponto-fixo. Um outro algoritmo, adotado aqui, escreve R como produto das p(p+1)/2 matrizes elementares de rotação (rotações de Jacobi), cada uma em função do ângulo de rotação (ângulos de Euler) de um dos planos coordenados possíveis do espaço p . De seguida escreve-se o gradiente da função de contraste em função do conjunto de ângulos de Euler que por vez entra no algoritmo de maximização da função de contraste pelo método quasi-Newton. 3.3. Aplicação da Análise de Componentes Independentes ao campo da pressão à superfície Mostramos de seguida um exemplo de aplicação da ICA ao campo de médias mensais do geopotencial aos 500 hPa (z500) no período de Inverno alargado de Novembro a Março na região Euro-Atlântica (NAE) no período 1951-2003 extraídas das reanálises NCEP-NCAR. As componentes independentes (ICs) são otimizadas no subespaço das primeiras 10 PCs sendo obtidas sequencialmente no complemento ortogonal do espaço de rotações previamente calculadas. Cada IC é obtida por um produto interno entre o campo das anomalias do campo de z500: Z Z e um vetor de pesos (loadings) ao longo da NAE, dado por uma combinação linear de EOFs, escritas nas colunas da matriz W . Em síntese Y RΛ1/2 W '(Z Z) (11) onde Λ é a matriz diagonal das variâncias das PCs. Na tabela 1 mostra-se a neguentropia aproximada (10) e a fração de variância explicada pelas 5 primeiras PCs e pelas 5 primeiras ICs, obtidas por maximização da função contraste (10) no 221 Predictabilidade Sazonal de Secas conjunto das rotações ortogonais em 10 . Conclui-se da análise da Tabela 1 que as ICs tem maior neguentropia que as PCs e que pelo Lema da Neguentropia (7), as ICs são, como desejável, estatisticamente mais independentes que as PCs. Além disso a ordenação por neguentropia nas ICs não coincide em geral com a ordenação por variância explicada. As neguentropias das ICs estão associadas a elevados valores positivos do skewness e negativos do kurtosis indicando que as pdfs das ICs são platicúrticas (sub-Gaussianas), o que ocorre geralmente com pdfs bimodais, com modas acima e abaixo da mediana. Tal é evidente nos histogramas das duas primeiras ICs normalizadas (Figs. 6a-b) mostrando duas modas posicionadas a distâncias de +1 e -1 desvios padrão em relação à climatologia, mostrando maior probabilidade que a associada a valores perto da climatologia (IC~0) como aconteceria numa distribuição Gaussiana. Mostramos a associação dessas modas a regimes de tempo persistentes. Para tal mostra-se nas Figs. 7a-b os mapas dos pesos para a primeira e segunda ICs. No primeiro mapa (Fig. 7a) tem-se um padrão orientado S-N, similar ao da NAO exibindo um dipolo com centros em (35ºW, 45ºN), perto do Anticiclone dos Açores e em (10ºW, 65ºN) perto da depressão semi-permanente da Islândia. As duas modas da pdf correspondem aos regimes NAO- (IC>0) (fase negativa da NAO, ligada ao regime GA – ver Michelangeli et al. (1995)) e NAO+ (IC<0) (fase positiva da NAO, ligada ao regime ZO). Tabela 1. Valores da variância explicada e neguentropia J das primeiras 5 PCs e 5 ICs, ordenadas pelo valor da função de contraste maximizada. Acrescenta-se ainda o skewness e kurtosis das ICs. 1 2 3 4 5 % Variância explicada pelas PCs 21.2 16.6 14.7 12.1 8.7 J(PCs) 0.017 0.008 0.001 0.013 0.001 % Variância explicada pelas ICs 21.0 22.6 13.1 13.6 12.7 J(ICs) Skewness (ICS) Kurtosis (ICS) 0.029 0.026 0.012 0.011 0.006 0.697 0.572 0.213 0.175 0.030 -0.835 -0.756 -0.462 -0.418 -0.174 O mapa dos pesos associados à segunda IC (Fig. 7b) exibe um dipolo orientado W-E à latitude de 55ºN. A sequência entre a fase positiva e negativa correspondem assim a uma oscilação do campo da massa entre a Gronelândia e o mar Báltico que chamaremos oscilação BGO (Baltic-Greenland Oscillation). O compósito da fase positiva (IC>0) tem semelhanças com o regime BL e o compósito da fase negativa (IC<0) tem semelhanças com o regime AR. Fica claro que as ICs tem menor informação mútua entre si que as PCs e que por isso devem ter melhor desempenho na inferência não linear e inferência probabilista Bayesiana de variáveis climáticas à superfície, em particular de índices de seca. Todavia essa avaliação não é feita aqui. 222 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca a) b) Fig.6. Histogramas das primeira (a) e segunda (b) ICs normalizadas. Note-se a existência de duas modas distantes de +1 e -1 desvios padrão em relação à climatologia (IC~0). a) b) Fig. 7. Mapa dos pesos da primeira (a) e segunda (b) ICs na área Euro-Atlântica (NAE). O primeiro mapa exibe o padrão da NAO e o segundo mapa exibe o padrão da BGO (ver detalhes no texto). 3.4. Separação da variabilidade em fontes vetoriais independentes A separação da variabilidade em ICs (7) pode não ser uma hipótese suficientemente geral visto que pode haver dependência não linear do vetor aleatório X em relação às fontes estatísticas. Tal é parcialmente solucionado admitindo a possibilidade de dependências não lineares dentro de uma família de funções, utilizando por exemplo redes neuronais auto-associativas como na ICA não linear (Hyvärinen e Pajunen, 1999; Almeida, 2003) e na PCA não linear (NLPCA) (Teng et al., 2006; Scholz, 2012). Todavia, uma maneira mais simples de contornar o problema é o de admitir que a 223 Predictabilidade Sazonal de Secas não linearidade pode estar restringida a grupos de variáveis escalares linearmente descorrelacionadas mas que podem ter correlações não lineares entre si. Esses grupos constituem fontes estatísticas multivariadas ou vetoriais e que deverão ser maximamente independentes mutuamente. Desse modo procura-se um vetor Y RX (Y1 ,..., Yr ) resultante de uma rotação ortogonal do vetor original X . Esse vetor é constituído de fontes vetoriais em número r e com determinadas cardinalidades cuja soma é p≥r (conjunto de características que apelidamos de configuração das fontes vetoriais) e cuja multi-informação seja o menor possível. Neste contexto o Lema multivariado da Neguentropia (7) escreve-se: J rot J ( X) J (Y) k 1 J (Yk ) I (Y1 ,..., Yr ) r J (Yk ) J (Y ) I (Y : Y Y ) Yi Yk i i i k , k 1,..., r (12a-b) onde, por (12b), a neguentropia de cada fonte vetorial k=1,..,r se decompõe na soma das neguentropias das componentes escalares próprias com a multiinformação entre essas componentes, devida a correlações não lineares internas entre elas, isto é inerentes às fontes vetoriais. Para fontes vetoriais nãoGaussianas, dá-se a concentração de probabilidade em torno de linhas, superfícies ou em geral variedades curvilíneas, ditas principais (Hastie e Stuetzle, 1989). O método de separação em fontes vetoriais consiste na chamada Análise de subespaços independentes ISA (Independent Sub-space Analysis) (Theis, 2006; Almeida, 2003). No sentido de ilustrar a este tipo de decomposição, é dada na Fig. 8 uma amostra finita de pontos no espaço 3D que se decompõe em duas fontes, uma diádica: Y1 (Y1,1 , Y1,2 ) com suporte 2D com a forma da letra ‘U’ maiúscula e uma fonte escalar Y2 (Y2,1 ) variando perpendicularmente ao plano da letra e com suporte dado por um intervalo limitado. As pdfs marginais sobre Y1 e Y2 são uniformes. Outra forma de ilustrar a separação em fontes é através do chamado problema generalizado do ‘Cocktail-Party’ em que grupos de pessoas distribuídos numa sala, falando de assuntos e em línguas muito diferentes, são escutados por altifalantes nos cantos da sala. Os dados constituem o registo sonoro, aparentemente ruidoso desses altifalantes. Os métodos da ISA pretendem distinguir os vários grupos de pessoas que serão assim considerados como fontes estatísticas multivariadas independentes. 224 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca Fig. 8. Amostra correspondente a uma pdf 3D separada numa fonte diádica de pdf uniforme (letra U) e numa fonte escalar de pdf uniforme num intervalo ortogonal ao plano da letra. O problema da ISA para uma dada configuração de fontes (e.g. todas as fontes diádicas), consiste em determinar a matriz de rotação R que minimize a multiinformação I (Y1 ,..., Yr ) ou de forma dual equivalente que maximize a soma das neguentropias das fontes: J src k 1 J (Yk ) . Seguimos aqui esta segunda via, r considerando funções de contraste simuladoras das parcelas de J src e que possam ser escritas como funções de esperanças de funções não lineares das componentes de cada fonte Yk . Essas funções de contraste, aqui denotadas por Fop (Yk ) , anulam-se para pdfs Gaussianas e crescem com a não-Gaussianidade. Um outro requisito, justificável da dimensão da fonte é o de que as funções de contraste devem ser não separáveis aditivamente em termos de funções de subconjuntos de Yk , ou seja devem envolver todas as variáveis através de produtos. Para simplificar, consideremos apenas fontes de dimensão dois (díadas nãoGaussianas) YD (Y1 , Y2 ) e dimensão três (tríadas não-Gaussianas): YT (Y1 , Y2 , Y3 ) , onde Y1 , Y2 , Y3 são as componentes descorrelacionadas das fontes. A neguentropia das díadas e tríadas separam-se respetivamente na forma: J (YD ) [ J (Y1 ) J (Y2 )] I (Y1 , Y2 ) J (YT ) [ J (Y1 ) J (Y2 ) J (Y3 )] i , j{1,2,3} I (Yi , Y j ) I t (Y1 , Y2 , Y3 ) (13a-b) i j onde surge um novo termo, a informação de interação (IT) It (Y1 , Y2 , Y3 ) que é a parte da multi-informação triádica que resulta das sinergias estatísticas entre as 3 componentes em simultâneo. Por outras palavras IT resulta de efeitos cooperativos emergentes que não podem ser explicados por subconjuntos próprios do conjunto de componentes da fonte, ou seja neste caso por 2 componentes (Jakulin and Bratko 2004;Timme et al. 2013). A IT trivariada pode ser positiva ou negativa se houver respetivamente sinergias ou redundâncias entre variáveis, sendo dada por: 225 Predictabilidade Sazonal de Secas It (Y1 , Y2 , Y3 ) I (Yi , Y j | Yk ) I (Yi , Y j ) I (Y1, Y2 , Y3 ) m,n{1,2,3} I (Ym , Yn ) m n (14) onde (i, j, k ) é uma qualquer permutação de (1,2,3). Pires e Perdigão (2015) identificaram situações na dinâmica caótica de fluidos em que a IT ocorre quando há ressonâncias entre tríadas ondulatórias e que se verificam quando a soma de números de onda característicos, cada um de sua componente da tríada, iguala o número de onda característico da terceira. Uma tríada perfeita é aquela em que It (Y1 , Y2 , Y3 ) I (Y1 , Y2 , Y3 ) . Um exemplo de tal, ocorrente entre variáveis contínuas com distribuições marginais uni e bivariadas Gaussianas standard é dado por: Neste caso os sinais das variáveis Y1 , Y2 ,W ~ N (0,1) : Y3 | W | sgn(YY 1 2) . satisfazem a um Quadrado Latino de 2 símbolos: sgn(Y3)=sgn(Y1Y2), razão pela qual It(Y1,Y2,Y3)=log(2). A forma da pdf de Y1,Y2,Y3, associada a esta relação é dada na Fig. 9 através da iso-superfície da pdf: =0.001, mostrando que a probabilidade está concentrada e vale 1/4 em cada um dos 4 octantes: (+++), (+--), (-+-) e (--+) caracterizados pelos sinais de (Y1,Y2,Y3). Fig. 9. Iso-superfície =0.001 da PDF correspondente à tríada perfeita descrita no texto. De forma a haver consistência entre dimensão das fontes e funções de contraste, estas deverão simular I (Y1 , Y2 ) e It (Y1 , Y2 , Y3 ) respetivamente nos casos de díadas e tríadas. Para tal aproximemos essas informações por expansões truncadas de Edgeworth recorrendo a cumulantes cruzados (Comon 1994; https://en.wikipedia.org/wiki/Cumulant). Cumulantes de ordem Nord exprimem-se como funções de momentos centrados de ordem Nord. Para pdfs Gaussianas e Nord≥3, os cumulantes anulam-se. Assim tomando as aproximações mais simples de I e It de truncatura Nord=3, tal leva-nos às funções contraste de componentes normalizadas e descorrelacionadas FopD (Y1 , Y2 ) E(Y12Y2 )2 ; 2 FopT (Y1 , Y2 , Y3 ) E (YY 1 2Y3 ) (15a-b) respetivamente para díadas e tríadas e que são proporcionais a quadrados de correlações não lineares, respetivamente cor (Y12 , Y2 ) , dita quadrática e cor (YY i j , Yk ) dita triádica. Estas formas simples seguem o rationale da metodologia 226 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca Project-Pursuit (Huber, 1985) em que se procuram projeções de baixa dimensão (neste caso 2 ou 3) que exibam distribuições não-Gaussianas enfatizando certas caraterísticas como o ajuste estatístico por uma dada curva ou superfície. O problema de otimização é em tudo idêntico ao de procurar a maneira de rodar e projetar um objeto (neste caso a PDF conjunta) de modo que a sua projeção exiba uma certa forma mais ou menos exótica, o que aqui corresponde à não-Gaussianidade da pdf. As correlações referidas sugerem a utilização de índices não lineares de variabilidade que podem ser usadas como variáveis estatísticas exploratórias e que juntam as várias componentes correlacionadas: FindD (Y12 1) YY sDY2 ; FindT 1 2 sT Y3 2 (Y1 ) (YY 1 2) (16a-b) onde sD , sT são os sinais das correlações quadrática e triádica e significa desvio padrão do argumento. Quando o campo explorado é por exemplo o da pressão à superfície (ver Sec. 3.3), essas variáveis são melhores candidatas a servir de preditores na inferência estatística de preditandos climáticos como índices de seca. Vejamos a sua aplicação na Sec. 3.5. Na prática, cada um dos momentos intervenientes em 15a-b, exprime-se como combinações lineares de momentos de terceira ordem das componentes normalizadas não rodadas que são estimadas a priori a partir das séries temporais disponíveis. A maximização de FopD e FopT no espaço das rotações faz-se de forma iterada pelo método Quasi-Newton em que o vetor de controle é o vetor dos ângulos de Euler das rotações. As díadas e tríadas dependem respetivamente de 2 N 3 e 3N 6 ângulos onde N é a dimensão do espaço de otimização. Este algoritmo é inicializado numa primeira aproximação (first-guess) e sobe a favor do gradiente da função contraste até atingir um dos possíveis máximos relativos daquela, devendo por isso escolher-se aleatoriamente múltiplos ‘first-guesses’, cada um conduzindo a um certo máximo relativo, com o objetivo de determinar o máximo absoluto da função de contraste. 3.5 Separação da variabilidade atmosférica mensal em díadas não-Gaussianas O método descrito atrás foi aplicado a uma série temporal sintética longa gerada pela corrida do modelo atmosférico quase-geostrófico a 3 níveis, espetral em harmónicas esféricas e truncatura triangular T21, adaptado de Marshall e Molteni (1993) (modelo QG3 daqui em diante). O modelo QG3 integra as equações da vorticidade potencial quase-geostrófica sujeitas a um campo de forçamento constante de inverno no Hemisfério Norte (HN) deduzido a partir de reanálises do ECMWF e que habilita o modelo a reproduzir os regimes de tempo do hemisfério setentrional. O modelo tem sido usado na modelação da variabilidade lenta (Low frequency variability – LFV), não-Gaussianidade e predictabilidade da atmosfera (Peters et al. 2012). Para obter a LFV, filtrar a variabilidade rápida de escala sinóptica e comprimir a variância, procedeu-se a uma PCA das médias móveis de 30 dias das componentes espetrais das funções de corrente do escoamento nos 3 níveis (200, 500 e 800 hPa). O vetor aleatório total das PCs tem dimensão 1518. 227 Predictabilidade Sazonal de Secas a) b) Fig. 10. a) Fração de variância explicada acumulada até cada PC, número de onda total médio das EOFs e tempo de descorrelação das PCs; b) Neguentropia das PCs. Assinalase o nível (~0.0002), ao qual é rejeitada, com nível de significância 5%, a hipótese nula de que a variável aleatória amostrada tem distribuição Gaussiana. A Fig. 10a mostra o gráfico da fração de variância explicada acumulada pelas PCs ordenadas por ordem decrescente de variância. As primeiras 10, 20 e 30 PCs explicam respetivamente 67%, 80% e 90% da variância total. De modo a lhes associar uma escala espacial e temporal típica, calculou-se o valor médio do número de onda total (das harmónicas esféricas) de cada EOF e ainda o tempo típico de descorrelação da função de auto-correlação das PCs, ambas representadas na Fig. 10a. Assim, as primeiras EOFs são de escala planetária (4000-10000 km) e os tempos de descorrelação das PCs estão na gama entre 30100 dias. A EOF1 (~30% de variância explicada) é um modo com um número de onda zonal dominante 3, e é fortemente projetada na Oscilação Ártica (AO) e na NAO. As EOF3 e EOF4 assemelham-se a híbridos dos principais padrões espaciais de geopotencial no Atlântico Norte, Pacífico Norte e Ásia (Kimoto e Ghil, 1993). Calculou-se também a neguentropia (Fig. 10b) das PCs, o que mostra que as PCs dominantes em variância são as mais não-Gaussianas enquanto que as da cauda do espetro de variância não diferem estatisticamente de médias móveis de ruídos brancos Gaussianos. As informações mútuas entre PCs são não nulas, dada a sua parcial dependência estatística, especialmente quando intervém a PC1 que é a mais não-Gaussiana, dada a possibilidade de, apesar de descorrelacionadas, elas possuírem correlações não lineares entre si. Por exemplo I(PC1,PC5)=0.038 e I(PC1,PC6)=0.027, provenientes de correlações quadráticas: cor |(PC12,PC5)|=0.21 e |(PC12,PC6)|=0.17 respetivamente. Desse modo, face ao exposto, o invariante Jrot (7,12) que afere a neguentropia conjunta total pode assumir valores elevados podendo ser concentrada em ICs ou em fontes vetoriais através da otimização das rotações ortogonais das PCs normalizadas. A série temporal produzida foi de 106 dias fazendo-se uma subamostragem a cada 80 dias de modo a ter 12000 realizações o mais próximo de independentes e identicamente distribuídas (iid), as quais se dividiram em dois grupos independentes de 6000 realizações cada usados para calibração e validação das fontes estatísticas. 228 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca Deste modo, procedeu-se então à separação do espaço de variabilidade gerado pelas 10 primeiras PCs em 5 díadas não Gaussianas. Estas são obtidas sequencialmente, otimizando a primeira, depois a segunda no subespaço do complemento ortogonal da primeira e assim de seguida. A função contraste maximizada é o quadrado da covariância cruzada FopD (15a). A tabela 2 mostra para cada díada, a percentagem de variância explicada (Var), a correlação quadrática (Cor) e a neguentropia conjunta das díadas (J) (Pires e Ribeiro 2015). Tabela 2. Valores da variância explicada (Var em %), correlação quadrática (cor) e neguentropia J das primeiras 5 díadas ID1,…,ID5. Acrescentam-se os totais de Var e J na linha inferior da tabela. ID 1 2 3 4 5 Total Var% 29.8 10.2 9.9 7.1 6.7 63.7 Cor 0.52 0.18 0.16 0.07 0.06 J 0.211 0.035 0.032 0.016 0.015 0.309 A primeira díada (ID1) é a mais neguentrópica (maior valor de J), correspondente ao valor mais elevado da correlação quadrática: cor (Y12 , Y2 ) =0.52, o que é patente na pdf bivariada (Y1, Y2) da Fig. 11 em que se nota a linha de crista da pdf junto de uma curva do tipo (Y12 1) c1Y2 0 onde c1=cte. Na figura, as pdfs marginais são sujeitas a anamorfose Gaussiana, isto é com distribuição normal N(0,1) sendo a pdf calculada a partir de estimador kernel Gaussiano. O integral 2D da informação mútua é estimado com a fórmula da quadratura de Gauss (ver Apêndice B de Pires e Perdigão, 2015). As componentes da díada, ou em geral de qualquer fonte, são dadas pelo produto interno Yk v k ' x PC std entre um vetor de pesos de norma unitária: v k e o vetor x PC std das PCs normalizadas no espaço de otimização. Os vetores peso são ortonormados. Assim, as aproximações de Yk explicadas por 90% da norma quadrática do vetor de pesos são: Y1 0.79PC1std 0.46PC2 std 0.17 PC8std 0.18PC9 std e Y2 0.39PC1std 0.62PC2 std 0.28PC3std 0.23PC4 std 0.33PC5 std 0.31PC6 std em que Y1 é fortemente dominada pela PC1, que é essencialmente o simétrico do índice NAO, enquanto que Y2 se projeta em PCs com as quais PC1 tem uma grande correlação quadrática. O índice não linear FindD (16a) vem assim um polinómio multivariado nas 10 PCs com uma ordem polinomial total 2 (isto é monómios de ordem 2 no máximo). 229 Predictabilidade Sazonal de Secas Fig. 11. Contornos da pdf conjunta 2D de (Y1,Y2) da díada dominante, otimizada no espaço das 10 primeiras PCs. As pdfs são Gaussianas standard. O intervalo entre contornos é 0.2. Os regimes associados a cada quadrante estão assinalados. Para obter uma visão espacializada, mostra-se os padrões espaciais (mapas normalizados) dos pesos intervenientes em Y1 (Fig. 12a) e em Y2 (Fig. 12b), respetivamente denotados por l1 e l 2 . Fig. 12. Mapas de pesos, espacialmente normalizados, intervenientes nas componentes Y1 (a) e Y2 (b) da díada dominante otimizada no espaço das 10 primeiras PCs. O primeiro padrão l1 é essencialmente a diferença entre o regime negativo (AO,NAO-) e os regimes positivos (AO+,NAO+). O segundo padrão tem uma forte componente no número de onda zonal 3, projeta-se essencialmente no sector Atlântico-Pacífico, traduzindo a diferença entre NAO e AO do mesmo sinal. De acordo com a correlação quadrática, quando sgn(Y1 ) sgn(Y2 ) , existe uma interação construtiva levando a um regime hemisférico (AO-, AO+). Quando sgn(Y1 ) sgn(Y2 ) existe uma interação destrutiva no setor Pacífico, levando a um regime com assinatura restringida ao Atlântico (NAO-, NAO+). Os 4 regimes norte-hemisféricos do modelo QG3, denotados AO-, AO+, NAO- e NAO+ e 230 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca obtidos por Kondrashov et al. (2004) são recuperados nos compósitos da anomalia da função de corrente aos 500 hPa (Fig. 13) nos quatro quadrantes da pdf bivariada de (Y1,Y2) da primeira díada (Fig. 11), o que está de acordo com o dito acima sobre a configuração dos regimes no espaço dessas duas variáveis. De um modo geral, havendo regimes persistentes de grande probabilidade associada, as fontes (neste caso díadas) são otimizadas de modo a que os centroides dos regimes fiquem concentrados na curva ou superfície principal para a qual a correlação não linear é máxima, neste caso uma parábola. Este comportamento é corroborado com dados de simulações da SLP através de uma PCA não linear (NLPCA) (Teng et al., 2006). Fig. 13. Compósitos da anomalia da função de corrente aos 500 hPa do modelo QG3 (em unidades 106 m2s-1) para os quatro quadrantes (a,b,c,d) do plano (Y1, Y2) da primeira díada. A associação dos regimes aos quadrantes é dada na Fig. 11. Uma outra leitura da correlação não linear ó obtida do vento geostrófico. Ora os gradientes de mapas peso da função de corrente são proporcionais a pesos do vento geostrófico. Assim a correlação quadrática na função de corrente tem leitura no campo do vento donde a intensidade quadrática dos jatos Atlântico e Pacífico está correlacionada com a intensidade dos meandros dos jatos. 4. Tríadas não-Gaussianas da variabilidade climática As tríadas não-Gaussianas que apresentámos correspondem a tripletos de variáveis descorrelacionadas mas cujo produto de quaisquer duas está correlacionado com a terceira de forma relevante, pelo menos acima da significância estatística. Todos os tripletos formados por regiões remotas entre si 231 Predictabilidade Sazonal de Secas nos quais os valores de um campo (e.g. temperatura da superfície do mar – SST) estejam mutuamente descorrelacionados podem constituir uma tríada nãoGaussiana ou seja correspondendo a uma teleconexão triádica não linear entre regiões bem localizadas (sinergias de localização). Noutro tipo de tríadas as componentes intervenientes são a projeção em certos padrões espacializados ao longo de uma mesma área comum, dando-se sinergias entre padrões de que daremos dois exemplos nas secções seguintes. 4.1. Tríada não-Gaussiana dominante da variabilidade atmosférica mensal Calculámos a tríada dominante (Y1,Y2,Y3), maximizadora de FopT (Y1 , Y2 , Y3 ) (15b) do campo da função de corrente do modelo QG3 em espaços gerados pelas N PCs dominantes normalizadas desde N=3 até N=20. Como esperado, FopT é crescente com N devido ao progressivo aumento da liberdade de rotação e projeção nos subespaços de otimização. Existe uma degenerescência trivial associada dos máximos do funcional FopT correspondente a permutações e inversões dos eixos das componentes de uma tríada. Há no entanto casos de quase degenerescência em que valores próximos elevados de FopT correspondem a vetores de pesos: Yk v k ' x PC std subtendendo espaços 3D com pequena ou nenhuma projeção (cosseno do ângulo entre subespaços). Assim, devido a bifurcações ocorrentes com N crescente, a tríada dominante pode variar totalmente quando N é incrementado de uma dimensão. O mesmo acontece potencialmente com as díadas e ICs. Após estudar a sensibilidade do conjunto de vetores peso da tríada dominante com N, verificou-se alguma estabilidade destes no intervalo N=8-11, pelo que para um estudo mais detalhado se tomou a escolha de parcimónia N=8. À semelhança das díadas, as aproximações correspondentes a 90% da norma quadrática dos vetores peso são: Y1 0.58PC1std 0.39PC2 std 0.39PC3std 0.52PC8 std , Y2 0.54PC1std 0.75PC2 std 0.21PC7 std e Y3 0.53PC1std 0.42PC2 std 0.50PC3std 0.27 PC4 std 0.36PC8 std . A correlação triádica definida por: 1/3 cor3 (Y1 , Y2 , Y3 ) [cor (YY 1 2 , Y3 )cor (YY 1 3 , Y2 )cor (Y2Y3 , Y1 )] (17) que vale neste caso -0.38 sendo a informação de interação It (Y1 , Y2 , Y3 ) 12 log[1 cor3 (Y1 , Y2 , Y3 )2 ] 0.084 . A pdf, tridimensional da tríada é mostrada na Fig. 14 através da respetiva iso-superfície =0.001. Esta exibe modas em 4 quadrantes cujo produto de sinais é o mesmo de cor3. No entanto verifica-se não haver correspondência perfeita entre esses máximos e os conhecidos regimes do modelo QG3 (ver Sec. 3.5) porque senão a ‘constelação’ dos respetivos centroides deveria ocorrer numa superfície torsa, na qual | cor3| é maximizada o que contradiz o facto de poderem ocorrer na superfície plana da díada dominante. 232 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca Fig. 14. Iso-superfície =0.001 da PDF correspondente à tríada dominante no espaço das 8 PCs dominantes normalizadas (Comparar com a pdf da tríada perfeita – Fig. 9). Fig. 15. Mapas de pesos, espacialmente normalizados, intervenientes nas componentes Y1 (a), Y2 (b) e Y3 (c) da díada dominante otimizada no espaço das 8 primeiras PCs. Apesar de estarem diretamente relacionadas com regimes, as componentes tem alguma leitura sinóptica. Para tal mostramos na Fig. 15a-c os mapas dos pesos intervenientes nas componentes: l1 , l 2 e l 3 . Dos mapas, Y1 é essencialmente proporcional à intensidade do jato no bordo este da Ásia (JAS), Y2 é representativo da anomalia de geopotencial no polo Norte (NPP) e Y3 é uma medida da intensidade do jato no flanco leste da América do Norte (JNA). Tendo em conta que I ( JAS , NPP) 0.028 , I ( JAS , JNA) 0.018 e I ( NPP, JNA) 0.038 , verificamos que os jatos são as variáveis menos dependentes entre si pelo que I ( JAS , NPP, JNA) ~ I [( JAS , JNA), NPP] , o que constitui uma tríada assimétrica (Pires e Perdigão 2015), compatível com uma modelação estocástica do tipo: NPP f ( JAS , JNA) w onde w é um ruído independente e f é uma função determinista não linear. O índice não linear de tríada é dado pela função FindT (16b). Tal como para as díadas, esta variável exploratória dá conta da 233 Predictabilidade Sazonal de Secas variabilidade de modo mais abrangente e correta sendo candidata para o propósito de variável discriminadora Bayesiana de graus de seca. 4.2. Tríadas não-Gaussianas relevantes da variabilidade mensal da temperatura da superfície do mar O método de otimização de tríadas não-Gaussianas utilizado na Sec. 4.1 é aqui aplicado ao campo das anomalias mensais do campo da temperatura da superfície do mar (SST) no oceano mundial restringido a latitudes inferiores a 65º, geralmente livres de gelo de mar em qualquer época do ano. Os resultados são parte do artigo de Pires e Trigo (2015). Os dados são extraídos da base ERSST – Extended Reconstruction SST (versão 3b) (www.ncdc.noaa.gov/oa/climate/research/sst/ersstv3.php) numa grelha de 2ºlat2ºlong para o período 1910-2011 (102 anos) aos quais se elimina a tendência linear de médias anuais e se calculam as anomalias em relação a cada mês produzindo séries temporais de 1224 valores. Executa-se a PCA e calculamse as EOFs bem como as séries temporais das PCs e das PCs normalizadas. As primeiras EOFs projetam-se em padrões conhecidos (Messié and Chavez 2011). Assim a 1ª EOF é o padrão do El-Niño (17% de variância explicada - varexp.), a 2ª EOF corresponde à Oscilação Multi-decadal do Atlântico (AMO) (5.1%), a 3ª EOF corresponde à Oscilação Decadal do Pacífico (PDO) (4.5% de varexp.), a 4ª EOF corresponde à Oscilação do Giro do Pacífico Norte NPGO (3.7% de varexp.), a 5ª EOF está ligada principalmente ao El-Niño Modoki (3.1% de varexp.), a 6ª EOF associa-se ao El Niño Atlântico (2.6% de varexp.) e a 7ª EOF é um padrão Pacífico Norte-Sul (2.4% de varexp.), exibindo 3 ondas estacionárias orientadas W-E, com projeção no Dípolo do Pacífico Sul (SPOD). As EOFs seguintes exibem padrões regionais com dípolos ou trens de ondas deformados pela configuração da costa. Contrariamente à situação em que haja a disponibilidade de grandes séries temporais como na corrida usada do modelo QG3 (Sec. 4.1), aqui o número efetivo de graus de liberdade temporais Ndof 1224 não é muito elevado devido à disponibilidade de séries relativamente curtas das anomalias mensais da SST e à existência de auto-correlações nelas. Desse modo, e em geral nas situações de amostras curtas, a possibilidade de encontrar projeções dos subespaços das PCs exibindo padrões não-Gaussianos artificiais ou espúrios devido a sobreajustamento das rotações e projeções é real. Assim sendo, se N for a dimensão do 2 espaço de otimização e cor3max for o quadrado da correlação triádica máxima nesse espaço, então este valor está positivamente enviesado no caso de amostras finitas. Para retirar o viés usou-se uma fórmula idêntica à do coeficiente de determinação ajustado (R2-adj) de uma regressão multilinear avaliado num período de calibração a qual subtrai a R2 o viés positivo. Esse viés é proporcional ao número N pre de preditores e inversamente proporcional a N dof . No presente caso, o viés é obtido por experiências de Monte Carlo com séries de N dof realizações Gaussianas iid, chegando-se ao valor ajustado semi-empírico 234 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca 2 2 cor3max adj cor3max onde N pre 2(3N 6) N pre N dof 2 (1 cor3max ), (18) é o número equivalente de preditores, neste caso proporcional ao número de ângulos de rotação 3N 6 num espaço de dimensão N e que caracterizam a tríada. De modo a reduzir o viés através de N pre procedeuse à otimização das tríadas apenas em espaços de dimensões N 3 ou 4 2 destacando aquelas com maior valor de cor3max adj e em que intervém a PC1 projetada no padrão El-Niño. Na escolha das tríadas otimizadas, considerámos o multicritério ou compromisso conjunto de alta variância explicada, simplicidade (baixo N) e elevada não-Gaussianidade. No entanto a ambiguidade de qualquer multicritério não permite uma ordenação natural das tríadas como acontece por exemplo com as PCs por variância explicada. Iremos de seguida destacar e analisar a tríada otimizada no espaço de variabilidade das PCs: PC1, PC3 e PC7 combinando o El-Niño, a PDO e o SPDO. As respetivas componentes (Y1 , Y2 , Y3 ) vem dadas por: Y1 0.94PC1std 0.29PC3std 0.18PC7 std , praticamente coincidente com o índice El-Niño e o por Y2 0.06PC1std 0.66PC3std 0.75PC7 std e Y3 0.34PC1std 0.69PC3std 0.64PC7 std , estas duas consistindo numa rotação de -49º do plano de componentes (PC3std, PC7std). A fração de variância explicada pela tríada é 24.7%, a correlação triádica é cor3max 0.28 e o seu valor ajustado é cor3max adj 0.22 . Os mapas normalizados de pesos que multiplicam as anomalias da SST para formar as componentes de (Y1 , Y2 , Y3 ) são apresentados na Fig. 16a-c. O mapa para Y1 é fortemente projetado no padrão El-Niño enquanto os mapas para Y2 e Y3 correspondem a trens arqueados de 3+1/2 frentes de onda orientadas zonalmente progredindo de Norte a Sul do Oceano Pacífico. Os mapas tem aproximadamente um desfasamento de 1/4 de comprimento de onda. A pdf conjunta das componentes (Fig. 17) exibe modas em 4 dos 8 quadrantes determinados por (sgn Y1 ,sgn Y2 ,sgn Y3 ) , similarmente às Figs. 9 e 14. As modas correspondem a regimes da SST que se excluem mutuamente com as ocorrências de (sgn Y1 ,sgn Y2 ,sgn Y3 ) , em (, , ) no regime El-Niño, em (, , ) na fase positiva da PDO, em (, , ) no regime La Niña e em (, , ) na fase negativa da PDO. Esta correspondência é notória nos mapas dos compósitos da SST (em unidades de desvios padrão locais) (Fig. 18) nos referidos 4 regimes maioritários. 235 Predictabilidade Sazonal de Secas Fig. 16. Mapas normalizados dos pesos associados às componentes Y1 (a), Y2 (b) e Y3 (c) da tríada do campo da SST no Oceano Pacífico. A série temporal do produto triádico Y1Y2Y3 vem na Fig. 19 onde se verifica a ocorrência intermitente de extremos positivos contribuindo para uma média elevada de E (YY 1 2Y3 ) e a correspondência desses extremos (acima de 1) aos regimes apontados n a Fig. 17. Fig. 17. Iso-superfície =10-5 da pdf otimizada no espaço gerado pelas PC1, PC3 e PC7. Os regimes da SST correspondentes a cada uma das 4 modas estão assinalados. A correlação triádica ajustada é 0.22. As series temporais das componentes Y1 , Y2 , Y3 alisadas com médias móveis de 12 meses surgem na Fig. 20. Note-se a ocorrência frequente das combinações de sinais das componentes acima descritas e que são favoráveis a uma média positiva do produto triádico. As componentes tem forte marca espectral em certas frequências, nomeadamente Y1 (El Niño) com forte marca no espetro de Fourier no conhecido período de 5 anos. Além disso há uma relação entre as frequências dominantes das componentes. 236 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca Fig. 18. Compósitos da SST em desvios padrão locais referentes aos 4 regimes maioritários da tríada. Fig. 19. Série temporal no período 1910-2011 do produto triádico Y1Y2Y3 . Nos casos em que YY 1 2Y3 1 assinala-se o regime observado da SST usando o código de cores (ElNiño: negro), (La Niña: verde), (PDO+: vermelho) e (PDO-: azul). Fig. 20. Séries temporais no período 1910-2011 de componentes Y1 (negro), Y2 (vermelho) e Y3 (verde), alisadas por filtro de média móvel de 12 meses. De facto a média E (YY 1 2Y3 ) pode decompor-se através do bi-espectro cruzado (Fig. 21) em que apenas contribuem combinações de frequências, uma ( f i ) para cada componente ( Yi ), satisfazendo à relação: f1 f 2 f3 0 propícia a ressonâncias ondulatórias triádicas como verificado por Pires e Perdigão (2015). Definimos bicovariância como C1,2 (1 , 2 ) E[Y1 (t 1 )Y2 (t 2 )Y3 (t )] (19) O biespetro é a transformada de Fourier dupla de C1,2 (1 , 2 ) . Aplicando o teorema de Fourier da convolução tem-se: 237 Predictabilidade Sazonal de Secas B1,2 ( f1 , f 2 ) 1 Nt2 Nt 1 1 , 2 0 C1,2 (1 , 2 ) exp[2 i(f1 N1t f 2 2 Nt )] B1,2 ( f1 , f 2 ) TY1 ( f1 )TY2 ( f 2 )TY3 * ( f 3 ) A1,2 exp(i 1,2 ) ; f 3 f1 f 2 (20a-b) onde TYi ( fi ) é a transformada de Fourier discreta de Yi sobre a série temporal regular de N t instantes. A bicovariância e em particular E (YY 1 2Y3 ) C1,2 (0,0) são reconstruídos como C1,2 (1 , 2 ) f t, f N 1 1 2 0 B1,2 ( f1 , f 2 ) exp[2 i(f1 N1t f 2 2 Nt )] (21) A amplitude A1,2 é mostrada na Fig. 21 onde as linhas 1,2 / 3 a negro e vermelho respetivamente, delimitam os principais zonas de tripletos de frequências que contribuem para o momento E (YY 1 2Y3 ) (ilhas de ressonância). Fig. 21. Biespetro cruzado associado ao cumulante E(Y1Y2Y3) para as frequências f1, f2, f3 em ciclos por século associadas às componentes Y1, Y2 e Y3 respetivamente. As linhas pretas e vermelhas delimitam as ilhas de ressonância no domínio espetral. A este respeito, note-se em particular o período 1962-1975 (assinalado na Fig. 20) em que há uma dominância em das frequências f1 =28 ciclos por século (cps), f 2 =55 cps e f 3 =27 cps. Quando para o biespectro contribui um número reduzido de tripletos de frequências ao contrário de um biespetro contínuo associado a uma tríada de ruídos brancos, então tal pode constituir uma fonte de predictabilidade no sentido em que a ocorrência (incidência) mais ou menos prolongada de um tripleto de frequências ressonantes com ondas interagindo construtivamente pode, devido à sua persistência no tempo, servir para a previsão não linear de uma componente a partir do produto das outras. Tal é mostrado na Fig. 22 através da correlação desfasada cruzada entre Yi (t ) com em meses e Y j (t )Yk (t ) em que se avalia a predictabilidade de uma componente no futuro (e.g. El-Niño Y1 ) com 238 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca base no produto atrasado das outras duas componentes da tríada. Note-se por exemplo os elevados valores | cor[Y1 (t ), Y2 (t )Y3 (t )] | 0.2 para prazos de=120, 150 e 190 meses. Este tipo de predictabilidade não linear interanual e intranual de certos índices de larga escala da SST e outros campos pode ser importante para a previsão a longo prazo de impactos desses índices como a seca tratada neste livro. Fig. 22. Correlogramas cruzados de cor[Y1 (t ), Y2 (t )Y3 (t )] (preto), cor[Y2 (t ), Y1 (t )Y3 (t )] (vermelho) e cor[Y3 (t ), Y1 (t )Y2 (t )] (verde). 5. Conclusões A inferência estatística otimizada para distribuições Gaussianas é aplicável em distribuições não-Gaussianas mas com um desempenho inferior. Deste modo apresentam-se exemplos de variáveis estatísticas exploratórias que descrevem melhor a variabilidade não-Gaussiana de certos campos geofísicos bem como as suas interdependências. Em particular mostram-se as limitações das correlações lineares entre um preditor X (e.g. um índice de circulação atmosférica de larga escala) e um preditando Y (e.g. um índice de seca) e como estas se devem generalizar para correlações assimétricas, válidas em certos sub-domínios de X e Y. Mostra-se também como correlações não lineares podem ser relevantes na média condicional E(Y|X). Outro exemplo ocorre na separação da variabilidade multivariada em fontes estatísticas independentes. Estas, sendo mais independentes que as componentes principais (válidas no paradigma Gaussiano), tem melhor desempenho na inferência Bayesiana. Como aplicação calcularam-se as componentes independentes do campo da pressão na região Euro-Atlântica pondo em evidência a alternância entre fases positiva e negativa da Oscilação do Atlântico Norte e um outro par de regimes, suscetível de corresponder a uma outra oscilação com dipolos centrados no mar Báltico e na Gronelândia. É feita a generalização a fontes estatísticas vetoriais (díadas e tríadas não-Gaussianas) que acomodam de modo mais eficaz certas correlações não lineares, não exprimíveis em termos de componentes escalares. O teste é executado na variabilidade mensal de inverno no Hemisfério Norte (HN) através de um modelo quase-geostrófico (QG3), simulador da variabilidade lenta da atmosfera. Neste caso, os regimes atmosféricos do HN (AO+, AO-, NAO-. NAO+) ficam alinhados ao longo da curva principal que caracteriza a fonte diádica dominante. As fontes diádicas e triádicas permitem a formulação de variáveis exploratórias não lineares com melhor desempenho na inferência. Finalmente as distribuições não-Gaussianas permitem a generalização do conceito de teleconexões envolvendo 3 (ou mesmo 239 Predictabilidade Sazonal de Secas mais) regiões ou projeções em padrões, descorrelacionadas 2 a 2 mas que não são globalmente independentes entre si como por exemplo numa tríada em que uma componente está correlacionada com o produto das outras duas em resultado de sinergias (o valor dessa correlação é a chamada correlação triádica). Este tipo de fenómeno mostrou-se acontecer no modelo QG3 e também no campo das anomalias mensais da temperatura da superfície do mar. Neste caso ocorre uma tríada entre índices de padrão relevantes no Oceano Pacífico: o El-Niño, a oscilação decadal do Pacífico (PDO) e o índice do Dipolo do Pacífico Sul (SPOD). A correlação triádica tem uma assinatura espetral no biespetro cruzado em que ocorrem certas ‘ilhas de ressonância’ potenciadoras da predictabilidade e que podem ser usadas para previsão intranual e interanual nos eventos de maior persistência da interação construtiva entre as 3 ondas intervenientes. Os preditores não lineares obtidos das tríadas são utilizáveis para diagnóstico, downscaling e previsão de indicadores climáticos à superfície (e.g. seca). Agradecimentos Este estudo foi financiado pela FCT através do projecto PTDC/GEOMET/3476/2012 “Avaliação da Predictabilidade e hibridação de Previsões sazonais de seca na Europa Ocidental – PHDROUGHT”. Referências Almeida, L., 2003. MISEP – Linear and Nonlinear ICA Based on Mutual Information. J Mach Learn Res 4: 1297-1318. Chordia, T., Goyal, A., Tong, Q., 2011. Pairwise Correlations. http://ssrn.com/abstract=1785390 Comon, P., 1994. Independent component analysis, a new concept? Signal Process. 36, 287-314. Cover, T.M., Thomas, J.A., 1991. Elements of Information Theory. John Wiley & Sons, Inc., New York, NY, USA. Hannachi, A., Jolliffe, I.T., Stephenson, D.B., 2007. Empirical orthogonal functions and related techniques in atmospheric science: A review. Int. J. Climatol. 27, 1119-1152. Hannachi, A., Unkel, S., Trendafilov, N.T., Jolliffe, I.T., 2009. Independent component analysis of climate data: A new look at EOF rotation. J. Climate 22, 2797-2812. Hastie, T., Stuetzle, W., 1989. Principal Curves. J. Amer. Statistical Ass. 84, 502-516. Hyvärinen, A., Pajunen, P., 1999. Nonlinear independent component analysis: Existence and uniqueness results. Neural Networks 12(3), 429-439. Hyvärinen, A., Oja, E., 2000. Independent component analysis: algorithms and application. Neural Networks 13(4-5), 411-430. Huber, P.J., 1985. Projection pursuit. The Annals of Statistics 1(2), 435–475. Hurrell, J.W., 1995. Decadal trends in the North Atlantic Oscillation: regional temperatures and precipitation. Science 269, 676-679. Jakulin, A., Bratko, I., 2004. Quantifying and Visualizing Attribute Interactions: an Approach Based on Entropy. (http://arxiv.org/abs/cs.AI/0308002). Kimoto, M., Ghil, M., 1993. Multiple flow regimes in the Northern Hemisphere winter. Part I: Methodology and hemispheric regimes. J. Atmos. Sci. 50, 2625-2644. 240 Métodos não-Gaussianos de inferência com aplicação à predictabilidade de seca Kistler, R., Kalnay, E., Collins, W., Saha, S., White, G., Woollen, J., Chelliah, M., Ebisuzaki, W., Kanamitsu, M., Kousky, V., van den Dool, H., Jenne, R., Fiorino, M., 2001. The NCEP-NCAR 50-Year Reanalysis: Monthly Means CD-ROM and Documentation. Bull. Amer. Meteorol. Soc. 82, 247-268. Kondrashov, D., Ide, K., Ghil, M., 2004. Weather regimes and preferred transition paths in a three-level quasi-geostrophic model. J. Atmos. Sci. 61, 568–587. Marshall, J., Molteni, F., 1993. Toward a dynamical understanding of atmospheric weather regimes, J. Atmos. Sci. 50, 1792–1818. Messié, M., Chavez, F., 2011, Global modes of sea surface temperature variability in relation to regional climate indices. J. Climate 24, 4314-4331. Michelangeli, P.A., Vautard, R., Legras, B., 1995. Weather regimes: recurrence and quasi stationarity. J. Atmos. Sci. 52, 1237-1256. McKee, T.B., Doesken, N.J., Kleist, J., 1995. Drought monitoring with multiple time scales. In: 9th Conference on Applied Climatology, Am. Meteor. Soc., Boston, pp. 233-236. Monahan, A.H., DelSole, T., 2009. Information theoretic measures of dependence, compactness, and non-Gaussianity for multivariate probability distributions. Nonlin Proc. Geophys. 16, 57-64. Novey, M., Adali, T., 2008. Complex ICA by Negentropy Maximization. IEEE Trans. Neural Netw. Learn. Syst. 19(4), 596-609. Perron, M., Sura, P., 2013. Climatology of non-Gaussian atmospheric statistics. J. Climate 26, 1063-1083. Peters, J.M., Kravtsov, S., Schwartz, T., 2012. Predictability associated with nonlinear regimes in an atmospheric model. J. Atmos. Sci. 69, 1137-1154. Pires, C.A., Perdigão, R.A.P., 2007. Non-Gaussianity and asymmetry of the winter monthly precipitation estimation from the NAO. Mon. Wea. Rev. 135, 430-448. Pires, C.A., Perdigão, R.A.P., 2015. Non-Gaussian interaction information: estimation, optimization and diagnostic application of triadic wave resonance. Nonlin. Processes in Geophysics 22, 87-108. Pires, C.A.L., Ribeiro, A.F.S., 2015. Separation of the low-frequency variability of a quasi-geostrophic atmospheric model into non-Gaussian multidimensional sources. Climate Dynamics (submetido). Pires, C.A., Trigo, R.M., 2015. Non-Gaussian triadic interactions on geophysical fields: optimization, validation and application to the Sea Surface Temperature interannual variability. J. Climate (submetido). Schneidman, E., Still, S., Berry, M.J., Bialek, W., 2003. Network information and connected correlations. Phys. Rev. Lett. 91, 238701-1–238701-4. Shannon, C.E., 1948. The mathematical theory of communication. Bell Syst. Techn. Journal 27, 379-423. Sholz, M., 2012. Validation on Nonlinear PCA. Neural Processing Letters 36(1), 21-30. Sura, P., Sardeshmukh, P.D., 2008. A global view of non-Gaussian SST variability. J. Phys. Oceanogr. 38, 639-647. Teng, Q., Fyfe, J.C., Monahan, A.H., 2006. Northern Hemisphere circulation regimes: observed, simulated and predicted. Climate Dynamics 28(7), 867-879. Theis, F.J., 2006. Towards a general independent subspace analysis. In: Proceedings of Neural Information Processing Systems (NIPS 2006). 241 Predictabilidade Sazonal de Secas Timme, N., Alford, W., Flecker, B., Beggs, J.M., 2013. Synergy, redundancy, and multivariate information measures: an experimentalist’s perspective. J. Comput. Neurosci. 36, 119-140. Yu, X., Hu, D., Xu, J., 2014. Blind Source Separation: Theory and Applications. Wiley. ISBN: 978-1-118-67984-5, 416 p. 242 MODELOS PARA APOIO À DECISÃO EM AGRICULTURA DE REGADIO 243 244 AVALIAÇÃO DO USO DA ÁGUA EM REGADIO: APLICAÇÃO DO MODELO SIMDualKc A CEVADA, MILHO E OLIVAL* Paula Paredes1, Teresa A. Paço1, Ricardo G. Rosa1, Isabel Pôças1, 2, Manuela Neves3, Luis S. Pereira1 Resumo O uso da água em cevada, milho e olival de regadio foram estudados para representar culturas de inverno, e verão e lenhosas perenes. Para o efeito utilizouse o modelo SIMDualKc que adota a aproximação dual para o cálculo e partição da evapotranspiração das culturas nas componentes de transpiração das culturas e evaporação do solo. O modelo foi calibrado e validado em condições climáticas contrastantes, anos secos e anos húmidos; no caso dos cereais utilizaram-se medições de humidade do solo e no olival utilizaram-se medições da transpiração pelo método do fluxo de seiva. Foi também observada a ET pelo método das flutuações instantâneas. O modelo simulou a água disponível no solo, a ET e o balanço hídrico com erros de estima pequenos e elevada eficiência de modelação. Assim, foram derivados os coeficientes culturais de base a ser utilizados na geração de calendários de rega e no aconselhamento aos agricultores. Abstract Water use by barley, maize and olive irrigated crops were assessed with the SIMDualKc model, which adopts the dual crop coefficient approach to compute and partition crop evapotranspiration into crop transpiration and soil evaporation. The model was calibrated and validated using observations of the soil water content for cereals and transpiration derived from sap flow measurements. In addition, ET was observed with eddy covariance. The model simulated the available soil water, ET, transpiration and the terms of the water balance with low estimation errors and high modeling efficiency. Basal crop coefficients and depletion fractions for no stress were derived for further use to support irrigation scheduling under drought conditions. 1 LEAF, Instituto Superior de Agronomia, Universidade de Lisboa, Tapada da Ajuda 1349-017 Lisboa, Portugal. Email: [email protected]; [email protected]; [email protected]; [email protected] 2 Centro de Investigação em Ciências Geo-Espaciais (CICGE), Rua do Campo Alegre, 4169-007 Porto, Portugal. Email: [email protected] 3 Instituto Superior de Agronomia, Universidade de Lisboa, e CEAUL, Centro de Estatística e Aplicações, Faculdade de Ciências, Universidade de Lisboa. Email: [email protected] * Este artigo baseia-se em estudos anteriores (Paço et al., 2014; Paredes et al., 2014; Pereira et al., 2015) 245 Predictabilidade Sazonal de Secas 1. Introdução A gestão da rega das culturas em condições de seca abrange um conjunto de medidas que incluem o uso de métodos de rega adequados à cultura e ao ambiente, a melhoria do desempenho dos sistemas de rega e a adoção de calendários de rega adaptados às disponibilidades de água, às necessidades das culturas e aos métodos de rega utilizados (Pereira et al., 2002, Pereira, 2004). Nestas condições torna-se possível adotar práticas de poupança de água e controlar os efeitos da rega deficitária sobre a produção e o rendimento dos agricultores (Pereira et al., 2009). Focando a programação e a condução da rega, o uso de modelos de simulação é particularmente importante, tanto para estabelecer calendários previsionais como para apoiar a decisão de regar no dia a dia de forma a minimizar efeitos da seca e maximizar o uso eficiente da água pelas culturas e a minimizar os usos nãobenéficos (Pereira et al., 2012). Existem numerosos modelos de simulação do balanço hídrico que constituem ferramentas preciosas para o apoio á decisão na condução da rega, e.g., os modelos ISAREG (Teixeira e Pereira, 1992; Liu et al., 1998), BUDGET (Raes et al., 2006), PILOTE (Khaledian et al., 2009), HYDRUS (Ramos et al., 2011) e SIMDualKc (Rosa et al., 2012a). No presente estudo selecionou-se o modelo SIMDualKc dado que este adota a metodologia dos coeficientes culturais duais para o cálculo e partição da evapotranspiração das culturas (ETc, mm) nas suas componentes de evaporação do solo (Es = Ke ETo) e transpiração da cultura (Tc = Kcb ETo) onde ETo é a evapotranspiração de referência, Ke é o coeficiente de evaporação da água do solo e Kcb é o coeficiente cultural de base (Allen et al., 1998; Pereira, 2004; Rosa et al., 2012a). A metodologia dos coeficientes culturais duais permite uma melhor perceção das frações de água, provenientes da precipitação ou da rega, que são efetivamente utilizadas pela cultura e permite avaliar as efeitos de várias práticas agrícolas sobre o uso da água pelas culturas, tanto para maximizar Tc como para minimizar Es. A aproximação dual é mais adequada para regas de alta frequência, como é o caso da microrrega, para culturas com cobertura parcial do solo, como sejam os pomares e as hortícolas, assim como para regiões com precipitação frequente (Allen et al., 2005). O modelo SIMDualKc, por realizar a partição da ETc, permite adequada conjugação com modelos simplificados de “água-produção” para a predição da produção em cereais como se apresenta em Paredes et al. (2015). O presente estudo inclui uma cultura C3 de primavera (cevada), uma cultura C4 de verão (milho) e uma lenhosa perene (oliveira), culturas estas que foram selecionadas pela sua representatividade e valor estratégico para a agricultura Portuguesa. A utilização de culturas tão distintas como estas permitiu a perceção do impacto das secas e das soluções para mitigar os seus efeitos. Os objetivos do presente estudo, tendo por base os dados observados em campos de agricultores (Paço et al., 2014; Paredes et al., 2014; Pereira et al., 2015), são: (1) calibração e validação do modelo SIMDualKc, incluindo a derivação dos coeficientes culturais de base (Kcb) e das frações de esgotamento da água do solo em conforto hídrico (p) para as culturas da cevada, milho e olival; (2) análise das dinâmicas 246 Avaliação do uso da água em regadio da transpiração e evaporação das mesmas culturas em anos de precipitação contrastante, húmidos e secos; e (3) análise do uso da água pelas referidas culturas e determinação dos termos do balanço hídrico no caso dos cereais. 2. Estudos de campo 2.1. Cevada e milho em Alpiarça Os estudos foram efetuados durante os anos de 2010 a 2013 nos campos da Quinta da Lagoalva de Cima, localizada em Alpiarça, e tiveram como objetivo melhorar a informação sobre água-produção das culturas, nomeadamente cereais. Foram acompanhadas uma cultura de primavera, cevada dística para malte, e uma cultura de primavera/verão, milho. A Quinta tem uma área regada total de cerca de 500 ha dos quais 60 ha são cultivados com cevada para malte e 200 ha são cultivados com milho. A informação apresentada abaixo foi descrita com melhor detalhe por Paredes et al. (2014) e por Pereira et al. (2015). 250 300 150 100 50 100 0 Jan Fev Mar Abr Maio Jun Jul 300 50 250 200 Precipitação, ETo (mm) 150 200 150 150 100 0 100 Jan Fev Mar Abr Maio Jun Jul Ag Set Out Nov Dez Ag Set Out Nov Dez 300 (c) (d) 250 50 0 0 Dec 200 50 150 50 (b) 250 Jan Precipitação, ETo (mm) 200 Precipitation, ETo (mm) Precipitação, ETo (mm) 250 100 300 (a) 200 Precipitação, ETo (mm) Precipitation, ETo (mm) Os dados climáticos foram obtidos de uma estação automática localizada na Quinta (39.16o N, 8.33oW e 24 m de elevação). Segundo a classificação de Köppen (Kottek et 300 al., 2006) o clima da região é Csa, um clima quente temperado, com invernos moderadamente chuvosos e verões quentes e secos, ou seja com características típicas de clima Mediterrânico. A caracterização climática dos anos de estudo é apresentada 300 na250 Fig. 1 relativamente à precipitação e evapotranspiração de referência (ETo), calculada pela equação FAO-PM (Allen et al., 1998; Pereira, 2004). 200 150 100 Feb Dec Mar Jan 50 0 Apr Feb May Mar 0 Jan Fev Mar Abr Maio Jun Jul Ag Set Out Nov Dez Jan Fev Mar Abr Maio Jun Fig. 1. Precipitação mensal acumulada ( )Series1 e evapotranspiração de referência (ETo) ( ) Series1 Series2 para os anos de estudo 2010 (a), 2011 (b), 2012 (c) e 2013 (d). Series2 A cevada dística para malte (Hordeum vulgare L. var. Publican) foi estudada nas campanhas de 2012 e 2013, a primeira em ano de seca e a segunda em ano chuvoso 247 Jun Apr Predictabilidade Sazonal de Secas (Fig.1c e d), extremamente contrastantes. Em ambos os anos a parcela monitorizada tinha cerca de 30 ha, A cevada foi semeada com uma densidade de 200 kg ha-1 e um espaçamento entrelinhas de 0.15 m. A densidade média observada antes do afilhamento era de 342 e 319 plantas por m2 nas campanhas de 2012 e 2013, respetivamente. A data de sementeira da variedade utilizada pode variar entre meados de Novembro e meados de Janeiro. Foi utilizada sementeira direta e os impactos desta prática sobre a redução da evaporação do solo foram considerados no modelo SIMDualKc seguindo a aproximação testada no estudo de Martins et al. (2013). Os estudos relativos ao milho (Zea mays L. var. PR33Y74) efetuaram-se nos anos de 2010 a 2012. A campanha de 2010 foi a mais seca e a de 2011 a mais húmida (Fig. 1). Durante as campanhas de rega de 2010 e 2012 foram monitorizadas duas parcelas desde a sementeira até à colheita, respetivamente as parcelas 1 e 2 e as parcelas 2 e 3; em 2011 apenas foi monitorizada a parcela 1. As parcelas monitorizadas tinham área aproximada de 30 ha cada. As parcelas 1 e 2 são contíguas e a parcela 3 encontra-se a aproximadamente 5 km de distância. As parcelas foram semeadas utilizando sementeira direta com uma densidade aproximada de 82000 plantas ha-1. Os solos das parcelas 1 e 2 apresentam uma textura franco-arenosa em que a maioria da areia é fina. Os solos caracterizam-se por terem uma água disponível total (TAW, mm) de 171 e 149 mm m-1 respetivamente na parcela 1 e 2. A parcela 3 tem um solo com textura limo-argilosa, com TAW = 209 mm m-1. A Tabela 1 apresenta as propriedades físicas e hidráulicas dos solos das 3 parcelas de Alpiarça. A toalha freática é profunda e por isso a sua influência no balanço hídrico foi considerada nula. Tabela 1. Propriedades texturais e hidráulicas dos solos das parcelas de Alpiarça (Paredes et al., 2014). Camada do solo (m) Parcela 0.0-0.10 0.10-0.20 0.20-0.40 0.40-0.60 0.60-0.80 0.80-1.00 Areia (%) 1 2 3 85 86 37 84 88 35 85 87 35 86 81 60 85 86 62 85 83 53 Limo (%) 1 2 3 11 10 40 10 8 42 9 8 41 8 12 25 9 8 24 9 10 31 Argila (%) 1 2 3 4 4 23 6 4 24 6 5 23 6 8 15 6 6 14 7 6 16 θFC (m3 m-3) 1 2 0.32 0.25 0.25 0.17 0.22 0.17 0.22 0.26 0.22 0.16 0.17 0.32 3 0.35 0.36 0.36 0.37 0.36 0.37 θWP (m3 m-3) 1 2 3 0.08 0.08 0.22 0.06 0.05 0.24 0.06 0.04 0.20 0.04 0.09 0.12 0.05 0.04 0.10 0.04 0.14 0.12 A monitorização do conteúdo de água no solo foi efetuada nos anos de 2011, 2012 e 2013, para ambas as culturas utilizou-se uma sonda do tipo DIVINER 2000 (Sentek Technologies, Austrália), com a qual se efetuaram medições a cada 0.10 m até á profundidade máxima de 0.90 m tendo sido utilizados 16 pontos de observação em cada cultura. Em 2010, para a cultura do milho, utilizaram-se duas sondas do tipo EnviroSCAN (Sentek Technologies, Austrália) em cada parcela; uma das sondas foi colocadas na linha de plantas e a outra na entrelinha. Os sensores de humidade foram colocados a diferentes profundidades e as medições, automáticas, eram efetuadas a cada 15 minutos. As sondas foram previamente calibradas para os 248 Avaliação do uso da água em regadio solos de cada campo utilizando uma elevada gama de valores de teor de água no solo, desde valores próximos do coeficiente de emurchecimento até próximo da saturação. As observações da água no solo foram realizadas entre eventos de rega. Estas observações foram efetuadas tomando em consideração as recomendações de precisão propostas por Allen et al. (2011) para uso no cálculo da ET. Os valores do conteúdo de água no solo (θ) observados às várias profundidades foram integrados para a profundidade radicular e convertidos em água disponível no solo (ASW = 1000 (θ – θWP) Zr, mm). Todas as parcelas são regadas por aspersão sendo as parcelas 1 e 2 regadas por um sistema de rampa pivotante e a parcela 3 por uma rampa de deslocação linear. Os calendários de rega aplicados foram decididos pelo agricultor. As dotações de rega variaram ao longo do ciclo das culturas; no caso da cevada a dotação de rega variou entre 5 e 10 mm por evento de rega e no caso do milho de 3 a 16 mm. As dotações mais baixas foram praticadas nas fases de desenvolvimento vegetativo das culturas. A Tabela 2 apresenta as dotações líquidas de rega acumuladas por fases do desenvolvimento da cultura. No caso da cevada, as dotações de rega foram observadas por pluviómetros colocados ao nível do solo enquanto para o milho os pluviómetros foram colocados a 0.20 m acima do copado. Em ambos os casos a localização dos pluviómetros foi próxima dos tubos de acesso das sondas utilizadas na monitorização da água no solo. Foram efetuadas 3 avaliações de desempenho dos sistemas em cada campanha de rega utilizando a metodologia proposta por Merriam e Keller (1978). Tabela 2. Dotações líquidas de rega (mm) por períodos de desenvolvimento das culturas, Alpiarça (adaptado de Paredes et al., 2014 e Pereira et al., 2015). Dotação de rega (mm) Parcela Período Período Período final Vegetativo intermédio Cevada* 2012 2 94 40 10 Milho 2010 1 211 336 77 2 191 296 101 2011 1 99 329 30 2012 2 144 381 60 3 201 294 38 * a cevada não foi regada em 2013 dada a abundância de chuva Cultura Ano Rega total (mm) 144 624 588 458 585 533 No caso do milho, em 2010 a primeira rega foi atrasada intencionalmente pelo agricultor com o objetivo de permitir um bom desenvolvimento das raízes; adicionalmente, antes da floração, devido a dificuldades com o sistema de rega, foram efetuados poucos eventos de rega e com dotações baixas. Em 2011, a calendarização da rega foi melhorada, aumentando a frequência dos eventos de modo a que a água do solo tivesse sido mantida acima do limiar de stresse. No ano de 2012 o calendário de rega na parcela 2 foi projetada de modo a garantir a plena satisfação das necessidades da cultura e por isso foram adotadas regas mais frequentes. Na parcela 3, foram adotadas regas menos frequentes uma vez que o solo tem uma maior capacidade de armazenamento de água. 249 Predictabilidade Sazonal de Secas As observações/medições de campo incluíram: a) as datas de início de cada fase de desenvolvimento da cultura (Tabela 3); b) a altura da cultura (h, m); c) a fração do solo coberta pela cultura (fc, adimensional) e o índice de área foliar (LAI, cm2 cm2 ); e d) a profundidade das raízes. Tabela 3. Datas e acumulação térmica (AGDD) para os períodos de desenvolvimento da cevada e milho, Alpiarça (adaptado de Paredes et al., 2014 e Pereira et al., 2015). Cultura Ano/Parcela Cevada 2012 2 2013 2 Milho 2010 1 e 2 2011 1 2012 2 3 Sementeira Data AGDD Data AGDD Data AGDD Data AGDD Data AGDD Data CGDD 16/01/2012 210 06/12/2012 302 25/05/2010 310 20/04/2011 297 16/04/2012 252 30/05/2012 257 Início do período de crescimento rápido 07/02 896 04/01 984 26/06 684 18/05 716 09/05 687 16/06 680 Início do período intermédio Início do período final 03/04 1552 10/03 1671 18/07 1448 29/06 1490 25/06 1457 17/07 1416 20/05 2315 29/04 2331 03/09 1810 18/08 1955 21/08 1902 13/09 1785 Colheita 26/06 06/06 13/10 20/09 20/09 12/10 Na cevada, o LAI foi medido em 3 locais por campo, semanalmente, ao longo do ciclo cultural, utilizando um septómetro AccuPAR LP-80 (Decagon Devices, EUA). A Tabela 4 apresenta os valores medidos de LAI (cm2 cm-2) para as duas campanhas estudadas. Os resultados mostram que o valor mais elevado de LAI foi observado em 2012, com LAI = 4.84 cm2 cm-2 enquanto em 2013 o valor mais elevado foi de 3.55 cm2 cm-2. As diferenças entre os anos podem ser explicadas pela menor densidade de plantas e pelo menor desenvolvimento das plantas no ano húmido de 2013 quando às fortes chuvadas se associou menor radiação solar. Tabela 4. Índice de área foliar medido (LAI, cm2 cm-2), cevada dística. Datas 07/02/2012 04/04/2012 01/05/2012 07/05/2012 13/05/2012 29/05/2012 31/05/2012 14/06/2012 LAI (cm2 cm-2) 0.24 2.68 3.37 3.82 4.84 3.88 3.75 2.45 Datas 05/02/2013 19/02/2013 25/02/2013 13/03/2013 23/04/2013 22/05/2013 04/06/2013 LAI (cm2 cm-2) 1.54 2.53 2.77 3.47 3.55 3.16 2.19 As medições de h foram efetuadas 2 vezes por semana até á floração e as observações de fc foram efetuadas a cada 2 semanas. A observação das raízes foi efetuada recorrendo a amostragens de solo até á profundidade de 1 m; verificou-se 250 Avaliação do uso da água em regadio que a maior densidade de raízes se encontrava nos primeiros 0.30 m do solo mas que raízes de menor diâmetro atingiam 0.90 m assumindo-se ser esta a profundidade efetiva das raízes; os dados de fc e h para a cevada e o milho constam da Tabela 5. Tabela 5. Altura média da cultura (h) e fração do solo coberta ou sombreada pela cultura (fc) da cevada e do milho, Alpiarça (adaptado de. Início do período intermédio Início do período Colheita final 0.80 0.70 0.75 0.80 0.80 0.90 0.75 0.85 0.75 0.65 0.72 0.60 2.10 0.70 1.93 0.80 2.50 0.91 2.20 0.83 2.52 0.81 2.30 0.84 2.20 0.69 2.70 0.95 2.80 0.93 2.72 0.93 2.10 0.76 2.00 0.66 2.60 0.91 2.70 0.90 2.65 0.92 Cultura Ano Parcela Cevada 2012 2 h (m) fc ( ) 0 0.01 2013 2 h (m) fc ( ) 0 0.01 0.20 0.10 0.20 0.10 2010 1 0 0.01 0 0.01 0 0.01 0 0.01 0 0.01 0.30 0.10 0.36 0.10 0.40 0.10 0.34 0.10 0.32 0.10 Milho* Sementeira Início do período de crescimento rápido h (m) fc ( ) 2 h (m) fc ( ) 2011 1 h (m) fc ( ) 2012 2 h (m) fc ( ) 3 h (m) fc ( ) * adaptado de Paredes et al. (2014) 2.2. Olival super-intensivo em Viana do Alentejo O olival estudado localiza-se perto de Viana do Alentejo (38˚ 24’ 46’’ N, 7˚ 43’ 40’’ O, 143 m a.n.m.). O sistema de produção do olival (propriedade da empresa "Olivais do Sul") baseava-se na plantação de alta densidade de árvores da cultivar Arbequina (1.35 m × 3.75 m, 1975 árvores ha-1), realizada em 2006. A informação apresentada a seguir foi mais detalhada em Paços et al. (2014). O clima segundo a classificação de Köppen (Kottek et al., 2006) é Csa, tipicamente do tipo Mediterrânico, sub-húmido seco, com uma precipitação média anual entre 600 e 800 mm e uma temperatura média anual entre 9.6 ºC em Janeiro e 24.1 ºC em Agosto. A Tabela 6 apresenta um resumo das condições climáticas durante a realização do trabalho experimental, em 2011 e 2012. A evapotranspiração de referência (ETo) foi calculada de acordo com Allen et al. (1998) utilizando dados de uma estação próxima, localizada a Este da parcela experimental (estação automática de Viana do Alentejo, 38˚ 21’ 42’’ N, 08˚ 07’ 29’’ O, 138 m a.n.m.). 251 Predictabilidade Sazonal de Secas Tabela 6. Médias das temperaturas mínimas e máximas mensais (˚C), da precipitação (mm) e da evapotranspiração de referência (ETo, mm) para 2011 e 2012 (Paço et al., 2014). Mês Janeiro Fevereiro Março Abril Maio Junho Julho Agosto Setembro Outubro Novembro Dezembro Temperatura máxima média [ºC] 2011 2012 14.1 15.8 17.1 16.0 17.9 21.3 24.6 18.0 27.6 26.5 30.1 29.9 31.8 32.8 31.7 32.7 30.7 30.3 28.1 23.3 17.7 16.6 15.4 15.9 Temperatura mínima média [ºC] 2011 2012 5.4 2.8 4.8 0.0 6.5 5.7 10.7 6.9 13.1 11.2 12.6 13.5 13.8 13.9 14.9 15.0 13.7 14.9 122 11.4 8.5 7.9 4.3 6.5 Precipitação [mm] ETo [mm] 2011 76.1 62.5 39.3 94.6 101.7 46.0 1.0 7.8 49.7 44.8 141.1 12.5 2011 29.0 44.2 67.0 109.3 134.9 166.3 198.2 167.1 127.2 104.1 36.8 25.7 2012 15.0 0.6 25.1 39.1 16.9 0.3 0.6 3.9 41.5 95.1 227.6 61.6 2012 32.8 58.8 92.3 76.7 135.8 169.6 205.6 182.7 134.4 72.4 31.7 26.0 O olival era regado com uma frequência próxima da diária durante a Primavera e o Verão, com um sistema gota-a-gota (gotejadores com espaçamento de 0.75 m), originando uma área molhada após a rega de cerca de 23% da área total. Em 2011 a rega teve início em Maio e decorreu até Outubro, com uma dotação total de 327 mm, enquanto em 2012 decorreu entre Março e Outubro, com uma dotação total de 354 mm. A fração de solo coberto pela vegetação variou entre 0.30 e 0.35 e a altura das árvores era em média cerca de 3.5 m (Tabela 7). A parcela experimental encontrava-se integrada numa área total de aproximadamente 78 ha. Tabela 7. Datas para os períodos de desenvolvimento, altura e grau de cobertura do solo no olival, Viana do Alentejo (adaptado de Paço et al., 2014). Altura Fração de da cobertura do Início do Período de Período Final do cultura solo Ano Período final ciclo crescimento intermédio ciclo (m) [fc] 2011 1/1 1/3 a 1/5 1/5 a 15/10 15/10 a 31/12 31/12 3.6 – 4.0 0.35 2012 1/1 15/4 a 15/5 15/5 a 15/10 15/10 a 31/12 31/12 3.0 – 3.5 0.30 Períodos de desenvolvimento da cultura O solo do olival tem uma textura franco-arenosa, com teores médios de argila, limo e areia iguais a 17%, 6% e 77%, respetivamente. O teor de água, determinado a partir da curva de retenção de água do solo, apresentou os valores médios de 0.24 (cm3 cm-3) e 0.12 (cm3 cm-3) para a capacidade de campo e para o coeficiente de emurchecimento, respetivamente. A água disponível no solo (TAW) considerada na modelação foi igual a 144 mm para uma profundidade de 1.2 m. A transpiração das plantas foi avaliada através da medição do fluxo de seiva pelo método de Granier (Granier, 1985). Um conjunto de 6 sensores foi instalado em Maio de 2011 em árvores selecionadas, de acordo com a frequência de classes de diâmetro do tronco, obtidas a partir de uma amostra de plantas mais alargada. As médias das observações referentes a períodos de 30 minutos foram armazenadas 252 Avaliação do uso da água em regadio num sistema de aquisição de dados (modelo CR1000, Campbell Scientific, Inc., Logan, UT, EUA). Os gradientes naturais de temperatura do tronco foram corrigidos usando dados de um sensor sem aquecimento. Durante períodos curtos da estação de rega, a evapotranspiração (ET) foi medida pelo método micrometeorológico das flutuações instantâneas (eddy covariance na terminologia anglo-saxónica, EC), utilizando um anemómetro sónico tridimensional e um higrómetro de Krypton (Modelos CSAT3 e KH20, Campbell Scientific, Inc., Logan, UT, EUA) conectados a um datalogger (Modelo CR1000, Campbell Scientific, Inc., Logan, UT, EUA). Os sensores foram colocados numa torre metálica a uma altura de medição de 4.8 m. Os dados brutos foram recolhidos com uma frequência de 10 Hz e posteriormente analisados com o Software TK3 (Universidade de Bayreuth, Alemanha) para a correção e cálculo de médias para 30 minutos. A correção dos dados foi realizada de acordo com Foken et al. (2011) e os dados brutos foram submetidos a uma rotação de coordenadas usando o método de rotação duplo (Kaimal e Finnigan, 1994) dadas as condições não planas do terreno. A representatividade espacial das medições foi examinada através de uma análise da pegada (Schuepp et al., 1990). Os dados obtidos pelo método EC foram utilizados para a calibração dos dados de fluxo de seiva, como descrito em Ferreira et al. (2004), Silva et al. (2008) e Paço et al. (2014). Este procedimento consistiu em utilizar os dados EC diários (n=209 em 2011 e n=366 em 2012) para estabelecer uma equação de calibração entre a ET e as suas componentes (transpiração e evaporação do solo), obtendo séries temporais longas de valores diários de transpiração calibrados (Tsf). A componente evaporação do solo foi simulada com o modelo de Ritchie (Ritchie, 1972), tal como detalhado em Paço et al. (2014). 3. O modelo SIMDualKc 3.1. Descrição do modelo O modelo SIMDualKc é um modelo de simulação do balanço hídrico do solo à escala da parcela cultivada e com um passo de tempo diário (Rosa et al., 2012a) para calendarização da rega das culturas. O modelo permite gerar e avaliar alternativas de gestão da rega e já foi calibrado/validado para várias culturas e condições ambientais, nomeadamente para culturas anuais como o milho (Rosa et al., 2012b; Martins et al., 2013; Zhao et al., 2013; Paredes et al., 2014; Wu et al., 2015), cevada para malte (Pereira et al., 2015), trigo (Rosa et al., 2012b; Zhao et al., 2013), algodão (Rosa et al., 2012b), soja (Wei et al., 2015), lúpulo (Fandiño et al., 2015) e pimentão (Qiu et al., 2015). Para culturas lenhosas, foi calibrado/validado para um pomar de pessegueiros, para vinha e para olival (Paço et al., 2012; Fandiño et al., 2012; Paço et al., 2014). O modelo SIMDualKc utiliza a aproximação dual para o cálculo diário da evapotranspiração da cultura ETc (mm d-1) separando as suas componentes relativas à evaporação do solo (Es, mm) e à transpiração das culturas (Tc, mm) conforme descrito por Allen et al. (1998, 2005), Pereira (2004), Allen e Pereira (2009) e Rosa et al. (2012a). A ETc é calculada como: 253 Predictabilidade Sazonal de Secas ETc Kcb Ke ETo (1) onde Kcb é o coeficiente cultural basal [ ] e Ke é o coeficiente de evaporação da água do solo [ ] e ETo (mm d-1) é a evapotranspiração de referência. Para o coeficiente cultural resulta pois Kc = Kcb + Ke. O coeficiente Kcb representa a razão entre a ETc e a ETo quando a camada superficial do solo se encontra seca, mas o teor em água do solo na zona radicular é adequado para manter a plena transpiração da cultura. A curva dos coeficientes culturais e a correspondente definição dos períodos de desenvolvimento das culturas apresentam-se na Fig. 2. Resulta assim que a curva se descreve recorrendo aos Kc ou Kcb dos períodos inicial, intermédio e no final do ciclo, i.e., Kc ini, Kc mid e Kc end (ou Kcb ini, Kcb mid e Kcb end). Fig. 2. Coeficiente cultural basal, Kcb, relativo à transpiração da cultura e Ke relativo à evaporação a partir do solo (Pereira, 2004). De salientar que a equação 1 se refere a condições potenciais de ET, i.e., quando não ocorre stresse que afete a cultura. Nestas condições ETc é designada evapotranspiração cultural potencial e Kcb designa-se por coeficiente cultural potencial de base. Quando ocorra stress, como se descreve abaixo (Eq. 8 e 9) terse-á a evapotranspiração cultural real ETc act < ETc a que corresponde o Kcb real Kcb act < Kcb. O ajustamento dos valores de Kcb mid e Kcb end é realizado internamente pelo modelo quando da sua calibração. O modelo realiza sempre o ajustamento dos valores de Kcb mid e Kcb end às condições ambientais quando os valores médios nos períodos intermédio e final da humidade relativa mínima (RHmin) e da velocidade de vento (u2) diferem, respetivamente, de 45% e de 2 m s-1 (Allen et al., 1998), como segue: h K cb K cb Tab 0.04u 2 2 0.004RH min 45 3 254 0.3 (2) Avaliação do uso da água em regadio onde Kcb(Tab) é o valor de Kcb tabelado (Allen et al., 1998, Allen e Pereira, 2009) e h é a altura média da cultura durante os mesmos períodos de desenvolvimento, intermédio ou final. A evaporação a partir da camada superficial do solo húmido é representada pelo coeficiente de evaporação do solo (Ke) o qual é calculado através de um balanço hídrico diário da camada superficial do solo. A evaporação a partir da camada superficial do solo é limitada pela energia disponível à superfície do solo em conjunto com a energia consumida pela transpiração da cultura (Allen et al., 1998, 2007). A camada de evaporação é caracterizada pela sua espessura (Ze, m), pelo total de água evaporável (TEW, mm) que representa a quantidade máxima de água que pode ser evaporada da camada superficial do solo quando está completamente húmida, e pela água facilmente evaporável (REW, mm) que representa a quantidade máxima de água que pode ser evaporada sem restrições das disponibilidades de água, sendo apenas limitada pela energia disponível à superfície do solo (Allen et al., 1998, 2007). O Ke atinge o seu valor máximo no período imediatamente a seguir a uma rega ou a uma precipitação fortes na condição de o solo estar exposto á radiação solar direta, i.e., quando o ensombramento do solo pela cultura é mínimo, ou seja no período de desenvolvimento inicial em culturas anuais. Ke está limitado a Kc max - Kcb, onde Kc max é o valor máximo de Kc, i.e., da razão ETc/ETo, pelo que esta condição traduz a partição de energia solar entre a cultura e a superfície do solo. O Ke é mínimo quando a cultura cobre completamente o solo e por isso a energia disponível para a evaporação do solo é mínima. Á medida que a camada superficial do solo seca ocorre uma redução da água disponível para a evaporação e o Ke reduzse progressivamente facto que se representa recorrendo a um coeficiente de redução da evaporação (Kr), vindo portanto: Ke K r Kc max Kcb com Ke fewK c max (3) onde Kr é o coeficiente de redução da evaporação (≤ 1.0), Kc max é o valor máximo de Kc (i.e., de Kcb + Ke) a seguir a um evento de rega ou precipitação, e few é a fração do solo humedecida quer pela rega quer pela precipitação e exposta à radiação solar, a qual depende da fração do solo coberta ou sombreada pela cultura (fc). O SIMDualKc adota a metodologia proposta por Ritchie (1972) para o cálculo do Kr dividindo o procedimento em duas fases: na primeira fase Es é apenas limitada pela energia disponível enquanto na segunda Es é limitada pela água disponível na camada superficial do solo de onde provem a água evaporável. Assim, a evaporação diminui á medida que a água na camada evaporativa diminui para além de REW (Allen et al., 1998). Kr = 1 quando a depleção acumulada de água da camada superficial (De, mm) é inferior a REW; diferentemente, quando De, supera REW resulta Kr < 1 dado por Kr = TEW− De (4) TEW−REW A evaporação a partir da superfície do solo é reduzida quando existem mulches, quer de resíduos orgânicos, filmes de plástico ou gravilha. Os mulches, ao cobrirem parcial ou totalmente o solo, reduzem a quantidade de energia disponível á 255 Predictabilidade Sazonal de Secas superfície do solo para a evaporação; além disso ajudam a controlar a erosão, a aumentar a infiltração e no controlo de infestantes. O modelo SIMDualKc considera os impactos dos mulches na diminuição do Ke e consequentemente na evaporação do solo através das mudanças na fração fc da superfície do solo sombreada ou não exposta à radiação solar (Rosa et al., 2012a). Em cobertos descontínuos e/ou incompletos, Kcb, (ou Kc) pode ser estimado em função da densidade e da altura da cultura. Allen e Pereira (2009) recorreram a um coeficiente de densidade, Kd estimado por 1 K d = min (1, ML fc eff , fc eff (1+h) ) (5) onde fc eff é a fração da superfície do solo efetivamente coberta ou sombreada pela vegetação [0.01 - 1] próximo do meio-dia solar, h é a altura da cultura (m), e ML é um multiplicador de fc eff que descreve o efeito da densidade do copado no sombreamento e no valor máximo da ET por fração de solo sombreado, que varia geralmente entre 1.5 e 2.0. Resulta então Kcb Kc min Kd Kcb full Kc min (6) onde Kd [] é o coeficiente de densidade, Kcb full é o valor de Kcb estimado durante o pico de crescimento da cultura supondo condições de cobertura total, e Kc min é o valor de Kcb na ausência de vegetação, cujo valor é aproximadamente 0.15 em condições agrícolas típicas. No caso de existência de coberturas vegetais ativas cobrindo parcial ou totalmente o solo sob o copado da cultura, como acontece em pomares e vinhas durante a estação chuvosa para proteção contra a erosão do solo, aquelas competem com a cultura pela água disponível no solo e contribuem para a evapotranspiração total da cultura. Nestas condições tem-se K cb full K cb cover K cb K cb cover K d max K cb full K cb cover, 2 (7) onde Kcb cover é o Kcb da cobertura vegetal ativa calculado para a fração do solo não sombreada pela cultura, Kd é o fator de densidade, e Kcb full é o valor de Kcb da cultura sob condições de cobertura total e corrigido para o clima. O segundo termo da função máximo reduz o Kcb estimado para metade da diferença entre Kcb full e Kcb cover quando essa diferença é negativa. Assim, a transpiração do sistema é ajustada utilizando o coeficiente de densidade conforme testado por Fandiño et al. (2012, 2015). O limiar, específico para cada cultura e correspondente ao complexo solo-clima, a partir do qual a disponibilidade de água no solo é limitante da evapotranspiração é definido recorrendo ao conceito de fração de água do solo facilmente utilizável (RAW) ou de fração de água do solo que pode ser extraída sem produzir quebra de rendimento, p 0.05 - 0.95 (Allen et al., 1998, 2005). Assim, em condições de stresse hídrico o valor de Kcb é reduzido pelo coeficiente de défice de humidade do solo, ou de stresse hídrico (Ks), calculado por: 256 Avaliação do uso da água em regadio Ks TAW - Dr TAW - Dr se Dr RAW TAW RAW (1 p) TAW Ks 1 se D r RAW (8a) (8b) onde TAW [mm] é a água disponível total na zona radicular do solo, RAW [mm] é a quantidade de água facilmente disponível para as plantas na mesma zona, p [ ] é a fração de esgotamento da água do solo em conforto hídrico e Dr é a depleção de água disponível na zona radicular. Deste modo a evapotranspiração da cultura em condições de stresse é ETc act Ks Kcb Ke ETo = (Kcb act + Ke) ETo (9) Ks é calculado no SIMDualKc através do balanço hídrico diário da zona radicular. É esse balanço que permite avaliar o uso diário de água pela cultura e os respetivos termos de entradas e saídas como se sumariza na Fig. 3. O modelo calcula o balanço hídrico diário do solo na zona radicular, expresso em termos de depleção de água do solo: Dr ,i Dr,i 1 (P RO)i Ii CR i ETc act ,i DPi (10) onde Dr,i é a depleção de água na zona radicular no fim do dia i [mm], Dr,i-1 é a depleção de água na zona radicular no fim do dia i-1 [mm], Pi é a precipitação no dia i [mm], ROi é o escoamento superficial no dia i [mm], Ii é a altura de rega infiltrada no solo no dia i [mm], CRi é a ascensão capilar de água a partir de uma toalha freática no dia i [mm], ETc,i é a evapotranspiração cultural no dia i [mm], e DPi é a perda de água por percolação profunda no dia i [mm]. A ascensão capilar (CRi) e a percolação profunda (DPi) são estimadas pelo SIMDualKc usando as equações paramétricas propostas por Liu et al. (2006). Bons exemplos de seu uso são apresentados por Rosa et al. (2012b), Fandiño et al. (2015) e Wu et al. (2015). O escoamento superficial (ROi) é estimado pelo método Curve Number (CN) descrito por Allen et al. (2007). O SIMDualKc utiliza o défice de gestão admitido (MAD). Toma-se MAD < p quando se pretende diminuir o risco de ocorrência de stress ou as incertezas ligadas à gestão da rega e toma-se MAD > p quando se assume a rega deficitária. Assim, o modelo determina a data de rega (dia i) quando: i MAD 1MADFC WP WP (11) 257 Predictabilidade Sazonal de Secas Dados climáticos Escoamento Calcular ETo RHmin u2 Dados cultura Kcb, Zr, p h, f c, ML Ajustamento do Kcb ao clima e à densidade das culturas Restrições hídricas Percolação profunda Coberturas vegetais activas Extensões Não Opções de rega Ascensão capilar Módulos de rega ETo θFC, θWP, profundidade TEW, REW Sim Sistema de rega Dados agronómicos Dados solo Dados meteorológicos Dados de ETo disponíveis? Prec Mulches Representação do campo Kcb ini, Kcb mid, Kcb end Cálculo diário dos Kcb Calibração/validação (Dinâmicas da água no solo, transpiração das culturas, evaporação do solo, evapotranspiração cultural Cálculo diário do Ke Balanço hídrico na camada evaporativa BALANÇO HÍDRICO DO SOLO (zona radicular) Ajustamento do Kcb ao stress hídrico Cálculo das necessidades de Calendarização da rega rega Avaliação de um dado calendário de rega Termos balanço hídrico ET actual, escoamento, percolação, ascensão capilar, teor de água no solo Fig. 3. Fluxograma do modelo SIMDualKc (adaptada de Rosa et al., 2012a). O modelo permite várias opções: 1. Calibração e validação do modelo usando dados observados no campo relativos a regas e a água do solo, ET ou transpiração. 2. Cálculo simplificado das necessidades líquidas de rega (NIR) para todos os anos de uma série meteorológica (precipitação e ETo) do que resulta uma série de NIR. 3. Determinação de calendários de rega para maximização da produção, portanto visando aplicar a quantidade de água necessária a suprir as necessidades da cultura ao longo de todo o seu ciclo, sem que ocorra stresse hídrico. 4. Determinação de calendários de rega deficitária, em que as culturas são deliberadamente sujeitas a défice de água e a diminuição da produção. 5. Avaliação de calendários de rega observados no campo. Os dados de entrada do modelo SIMDualKc (vd. Fig. 3, Rosa et al., 2012a) são: 1) dados meteorológicos - temperatura mínima e máxima diárias (ºC); velocidade do vento a 2 m de altura (m s-1 ou km h-1); humidade relativa mínima diária (%), evapotranspiração de referência (mm) e precipitação (mm); 2) características da cultura – datas limites dos períodos do ciclo cultural (Fig. 2); valores calibrados, tabelados ou estimados de Kcb ini, Kcb mid e Kcb end; valores calibrados, tabelados ou estimados da fração de esgotamento p ao longo do ciclo (рini, pdev, pmid, pend); valor mínimo de Kc para solo nu ou descoberto (Kc min); 258 Avaliação do uso da água em regadio profundidade radicular (Zr, m), altura da cultura (h, m), fração de cobertura (fc) em várias datas ao longo do ciclo. 3) características do solo – número de camadas do solo e, para cada camada, a sua profundidade e o teor de água à capacidade de campo (FC, m3 m-3) e ao coeficiente de emurchecimento (WP, m3 m-3) ou o total de água disponível. 4) características da camada evaporativa do solo - profundidade (Ze, m), a água facilmente evaporável (REW, mm) e água evaporável total (TEW, mm). 5) características do calendário de rega utilizado ou que se pretende desenvolver – fração de solo humedecida pela rega (fw e few), limiares da água do solo, dotações, datas das regas ou intervalos mínimos ou máximos, bem como a opção de sequeiro; adicionalmente, podem incluir-se dados sobre restrições da água disponível por períodos. 6) escoamento superficial - parâmetro CN, que pode ser selecionado dos valores tabelados por Allen et al. (2007); 7) percolação profunda – parâmetros aD e bD da equação paramétrica proposta por Liu et al. (2006); 8) ascensão capilar – parâmetros das equações paramétricas propostas por Liu et al. (2006) cujos valores de referência são referidos por estes autores, LAI e profundidade da toalha freática para vários dias ao longo do ciclo da cultura. 9) características das coberturas vegetais ativas quando ocorram; 10) características dos mulches de palha ou plástico, incluindo os resíduos em sementeira direta; 11) salinidade do solo e/ou da água de rega - condutividade elétrica do extrato de saturação do solo (ECe, dS m-1) no início e no fim do ciclo cultural e limites de tolerância da cultura à salinidade do solo (ECe limite e parâmetro b); 12) culturas consociadas – frações de cobertura do solo pela cultura dominante e pela cultura secundária. Constituem dados de entrada obrigatórios do modelo os descritos de 1 a 5. A descrição detalhada do modelo é dada por Rosa et al. (2012a). 3.2. Calibração e validação do modelo e indicadores de ajustamento A calibração do modelo SIMDualKc é entendida neste estudo como sendo o processo pelo qual os parâmetros que influenciam o modelo são ajustados, dentro de limites razoáveis, de modo a que as estimativas produzidas pelo modelo sejam realistas e consistentes com as observações (Moriasi et al., 2007; Wang et al., 2012). A validação do modelo é o processo de avaliação da precisão do modelo utilizando um conjunto adicional e independente de dados observados e utilizando o conjunto de parâmetros calibrados (Pereira et al., 2015). O modelo SIMDualKc foi calibrado e validado usando dados de teor de água do solo no caso da cevada e milho relativos às campanhas de 2012 e de 2011, 259 Predictabilidade Sazonal de Secas respetivamente, e dados de transpiração da cultura obtidos a partir de medições do fluxo de seiva no caso do olival em 2011. O processo de calibração consistiu em ajustar os parâmetros não observados relativos á cultura (Kcb, p), á camada de evaporação do solo (Ze, TEW, REW), ao escoamento superficial (CN) e à percolação profunda (aD e bD) de forma a minimizar as diferenças entre os valores de ASW ou da transpiração observados e simulados pelo modelo. As simulações de calibração usaram valores iniciais dos parâmetros escolhidos a partir de valores tabelados (e.g. Allen et al., 1998, 2007; Liu et al., 2006). A calibração foi efetuada com um procedimento de tentativa-erro focando inicialmente os parâmetros Kcb e p; quando os erros de estima se tornaram suficientemente pequenos, e variavam pouco de uma simulação para outra, o procedimento foi aplicado aos parâmetros relativos à percolação profunda, à evaporação do solo e ao escoamento superficial. Depois disso, o procedimento foi aplicado de novo a todos os parâmetros até estabilização dos erros de estima. A validação do modelo consistiu na utilização dos valores calibrados (Kcb, p, TEW, REW, Ze, aD, bD, e CN) para as condições de 2013 no caso da cevada, de 2010 e 2012 para o caso do milho e de 2012 para o olival. O processo de calibraçãovalidação foi considerado satisfatório quando os indicadores de ajustamento relativos à validação não excederam um máximo de 20% de variação relativamente á calibração (Moriasi et al., 2007; Wang et al., 2012). Para avaliar a precisão do modelo SIMDualKc na predição dos valores de ASW ou Tc act observados foram utilizadas estratégias qualitativas e estatísticas. De modo a ter uma boa perceção das tendências e/ou enviesamentos da modelação optou-se por efetuar, para cada corrida do modelo, a representação gráfica dos valores simulados e observados ao longo do ciclo das culturas. Adicionalmente, utilizou-se um conjunto de indicadores de ajustamento (vd. Pereira et al., 2015) incluindo: 1) o coeficiente de regressão (b0) da regressão linear forçada à origem (Eisenhauer, 2003) entre os valores simulados (Pi) e os observados (Oi), onde um valor próximo de 1.0 significa que os valores simulados pelo modelo estão estatisticamente próximos dos observados; 2) o coeficiente de determinação (R2) da regressão por mínimos quadrados ordinários entre valores Pi e Oi, o valor de 1.0 significa que a maior parte da variância dos valores observados é explicada pelo modelo. 3) a raiz (quadrada) do erro médio quadrático (RMSE), 4) o rácio da RMSE pelo desvio padrão das observações (RSR), 5) o viés percentual (PBIAS), 6) o erro médio absoluto (AAE) e o erro médio relativo (ARE), 7) a eficiência da modelação (EF, Nash e Sutcliff, 1970) que toma valores próximos de 1.0 quando o erro médio quadrático (MSE = RMSE2) é muito pequeno relativamente à variância das observações. 260 Avaliação do uso da água em regadio 4. Uso da água em cevada 4.1. Dinâmica da água do solo. Calibração e validação do modelo SIMDualKc ASW (mm) A dinâmica da água do solo disponível (ASW) simulada ao longo das duas campanhas em comparação com os valores de ASW medidos é apresentada na Fig. 4. Os resultados mostram que no ano de 2012 ocorreu stresse hídrico após o enchimento do grão/maturação (ASW observados abaixo do limite RAW) devido á suspensão da rega 30 dias antes da colheita. Em 2013, pelo contrário, não ocorreu qualquer stresse hídrico devido à chuva abundante que ocorreu ao longo do ciclo cultural. Os resultados mostram que no ano seco, 2012, a água do solo se manteve sempre em teores baixos, bastante abaixo de TAW, enquanto no ano húmido, 2013, ASW esteve frequentemente acima de TAW, i.e., o teor de água do solo esteve frequentemente acima da capacidade de campo. Porém, como o solo tem boa drenagem interna, não ocorreu encharcamento senão por períodos curtos após chuvadas. 240 220 200 180 160 140 120 100 80 60 40 20 0 TAW RAW ASW (mm) a) 240 220 200 180 160 140 120 100 80 60 40 20 0 TAW RAW b) Fig. 4. Variação diária da água disponível no solo (ASW) simulada ( ̶ ) e observada (x) para (a) 2012 e (b) 2013 (adaptado de Pereira et al., 2015). A Fig. 4 mostra que o modelo SIMDualKc simulou muito satisfatoriamente a ASW mas com um ligeiro viés durante o período mais húmido de 2013, quando ASW > TAW sendo que a sua calibração (Fig. 4a) conduziu a uma parametrização adequada 261 Predictabilidade Sazonal de Secas como o mostra a simulação realizada para validação (Fig. 4b). A Tabela 8 apresenta os valores iniciais e calibrados relativos aos parâmetros culturais (Kcb, p) bem como aos parâmetros que caracterizam a camada evaporativa (TEW, REW, Ze), o escoamento superficial (CN), e a percolação profunda (aD e bD). Os valores iniciais de Kcb e p correspondem aos valores tabelados por Allen et al. (1998); os valores iniciais de TEW, REW, Ze foram obtidos utilizando as características texturais e de retenção de água dos solos da camada evaporativa conforme proposto por Allen et al. (1998); os valores iniciais de aD e bD basearam-se nos valores propostos no estudo de Liu et al. (2006) e os valores iniciais de CN eram os propostos por Allen et al. (2007). Tabela 8. Coeficientes culturais basais da cevada (Kcb), fração de esgotamento da água do solo em conforto hídrico (p), e parâmetros relativos à evaporação do solo (TEW, REW e Ze), ao escoamento e à percolação profunda (Pereira et al., 2015). Parâmetros Cultura Kcb ini Kcb mid Kcb end pini, pdev, pmid, pend Evaporação do solo REW (mm) TEW (mm) Ze (m) Valor inicial Valor calibrado 0.15 1.10 0.15 0.55 0.15 1.10 0.10 0.55 11 18 0.10 72 7 28 0.10 75 Escoamento superficial (CN) Percolação profunda 360 aD (mm) -0.017 bD 300 -0.020 Os valores de Kcb calibrados são semelhantes aos propostos por Allen et al. (1998) com exceção do valor do Kcb end, o qual depende da gestão da cultura; o seu valor é mais baixo devido à adoção de uma colheita tardia. Os valores calibrados de p são iguais aos sugeridos por Allen et al. (1998) e aos reportados por De Ruitter (1999). Os valores calibrados de REW e TEW são próximos dos tabelados em Allen et al. (1998) para solos de textura média. O valor calibrado de CN também está próximo do valor proposto por Allen et al. (2007) para solos de textura média e uso da terra por cereais. O valor calibrado de aD foi ajustado tendo em consideração a capacidade de armazenamento do solo á saturação e á capacidade de campo, enquanto o valor de bD depende das características de drenabilidade do solo (Liu et al., 2006). Os valores calibrados de aD e bD são próximo dos valores iniciais (Tabela 8). Os valores dos indicadores de precisão dos ajustamentos ("goodness-of-fit”) relativos às simulações utilizando os valores dos parâmetros calibrados são apresentados na Tabela 9. Os resultados mostram que, tanto para a calibração como para a validação, os coeficientes de regressão b0 são próximos de 1.0 e que os coeficientes de determinação (R2) são elevados, 0.95 e 0.86 respetivamente para a calibração e a validação. Os coeficientes de regressão próximos de 1.0 indicam que 262 Avaliação do uso da água em regadio os valores estimados e observados são estatisticamente semelhantes e os valores elevados de R2 indicam que a maior parte da variância total dos valores observados de ASW são explicados pelo modelo. Os erros de estima com o SIMDualKc são baixos, com RMSE de apenas 7.1 e 13.2 mm respetivamente para os anos de calibração e validação; igualmente, os AAE foram baixos (< 11 mm) tal como os ARE, os quais exprimem o tamanho relativo dos erros de estima, são inferiores a 10%. Os valores de PBIAS mostraram que o modelo apresenta um pequeno viés de sobrestima dos valores observados no ano da calibração e um ligeiro viés de subestima no ano da validação. A eficiência de modelação foi elevada (EF > 0.85) indicando que o erro quadrático médio (RMSE2) é muito menor do que a variância dos dados observados. Em conclusão os resultados após calibração do modelo mostram que este é adequado para a predição das dinâmicas da água no solo. Quando os valores iniciais dos parâmetros foram utilizados em vez dos valores calibrados, o modelo mostrou uma razoável precisão como mostra a Tabela 9 onde se podem comparar os indicadores de ajustamento relativos a ambos os anos. Constata-se que os resultados para o ano seco (2012) são bons, próximos dos que se referem à calibração, sendo porém menos bons no ano húmido, o que se deve à menor adequação dos parâmetros estimados para a percolação profunda. Tabela 9. Indicadores de ajustamento relativos à calibração e validação do modelo SIMDualKc para a cultura da cevada, Alpiarça (adaptado de Pereira et al., 2015). Valores dos parâmetros Calibrados Iniciais Ano 2012 2013 2012 2013 Indicadores de ajustamento b0 () 1.00 1.00 0.98 0.83 R2 () 0.96 0.85 0.96 0.80 RMSE (mm) 7.6 13.6 8.4 34.0 RSR () 0.07 0.09 0.07 0.21 PBIAS (%) 1.8 -1.2 4.2 17.9 AAE (mm) 6.6 11.0 6.9 28.4 ARE (%) 10.0 6.6 11.1 20.1 EF () 0.91 0.85 0.89 0.05 b0 - coeficiente de regressão da regressão linear forçada à origem; R2 - coeficiente de determinação; RMSE - raiz (quadrada) do erro quadrático médio; RSR – rácio da RMSE pelo desvio padrão das observações; PBIAS – viés percentual; AAE - erro médio absoluto; ARE - erro médio relativo; EF – eficiência de modelação. 4.2. Dinâmica dos coeficientes culturais e de evaporação do solo Analisando a variação sazonal simulada dos coeficientes de evaporação (K e) e do coeficiente cultural basal (Kcb), os resultados mostram que o coeficiente cultural de base atual (Kcb act) se encontra abaixo da curva do Kcb potencial nos períodos em que ocorreu stresse no ano de 2012 (Fig. 5a). Em 2013 como não ocorreu stresse hídrico, as curvas de Kcb act e Kcb são coincidentes. 263 1.0 50 0.8 40 0.6 30 1.4 1.4 0.4 20 1.2 0.2 10 1.2 0.0 16 14 0 1.2 1.0 0.8 0.6 1.0 Ke, Kcb, Kcb adj, Kc act Ke, Kcb, Kcb adj, Kc act 1.0 Kc act, Ke, Kcb, Kcb act 18 0.8 0.6 0.4 60 50 40 0.6 30 0.4 20 12 10 0.8 0.4 0.2 a) 8 6 4 10 0.2 Precipitation, irrigation (mm) 60 Precipitação, rega (mm) 1.2 Precipitação (mm) Kc act, Ke, Kcb, Kcb act Predictabilidade Sazonal de Secas 2 0.2 0.0 0 0.0 0 0.0 21/02 10/03 28/03 b) 15/04 03/05 21/05 08/06 26/06 16/01 03/02 16/01 03/02 21/02 10/03 28/03 15/04 03/05 21/05 08/06 2 ,K ,K ,K Fig. 5. Variação diária K simulada do basal potencial (Kcb, ), pre coeficiente rega cultural kcbadj Ke kcact kcb pre (Kcbrega kcbadj Ke de kcact kcb coeficiente K cultural basal ajustado ao stress hídrico ), coeficiente act, ,K ,K ,K evaporação (Ke, …..) e coeficiente cultural médio atual (Kc act, - .- .-), respetivamente em 2012 (a) e 2013 (b); encontra-se adicionalmente representados os eventos de precipitação ( ) e de rega ( ) (adaptado de Pereira et al., 2015). e cb adj c act 1.4 1.2 1.0 0.8 1.2 0.6 0.4 c act 1.4 0.6 0.4 0.2 pre rega pre rega 0.0 0 16/01 03/02 21/02 10/03 28/03 15/04 03/05 21/05 08/06 26/06 1.0 cb adj 0.2 cb 0.8 0.0 010 16/01 03/02 21/02 10/03 28/03 15/04 03/05 21/05 08/06 26/06 e cb kcbadj kcbadj Ke Ke kcact kcact kcb kcb 18 16 14 12 10 18 8 16 6 414 8 6 4 2 212 O Ke apresenta numerosos picos, em ambos os anos, relacionados com os eventos de humedecimento do solo pela rega e pela precipitação. O Ke é mais elevado nas fases iniciais do ciclo cultural, quando a cultura oferece pequena cobertura ao solo e diminui à medida que a cultura cresce atingindo valores mínimos no período intermédio quando a fc é máxima e, consequentemente, a energia disponível á superfície do solo para a evaporação é reduzida. No ano húmido, 2013, os picos de Ke ocorreram tanto nos períodos iniciais como no período final da cultura, neste caso porque a fc decresceu com a senescência da cultura, conjugada com um irrigation (mm)Precipitation, irrigation (mm) elevadoPrecipitation, teor de humidade do solo devido à abundância de chuva. 4.3. Termos do balanço hídrico Os resultados da simulação do balanço hídrico do solo (Tabela 10) mostram que as frações de água não consumidas, i.e. escoamento superficial e percolação profunda foram negligenciáveis no ano seco representaram respetivamente 10% e 30% da precipitação no ano húmido, 2013. 264 Avaliação do uso da água em regadio Tabela 10. Balanço hídrico simulado para a cevada para malte relativos a 2012 e 2013. Ano 2012 2013 P I ΔASW DP RO Es Tc act Tc (mm) (mm) (mm) (mm) (mm) (mm) (mm) (mm) 121 142 101 0 2 74 289 332 578 0 13 182 57 83 270 270 Tc act/Tc ETc act Es/ETc act (%) (mm) (%) 87 363 21 100 353 23 P = precipitação, I = rega, ΔASW = variação da água disponível no solo, DP = percolação profunda, RO = escoamento superficial; Es = evaporação do solo, Tc act = transpiração atual da cultura; Tc = transpiração máxima da cultura; ETc act = evapotranspiração atual da cultura Quanto à transpiração, verifica-se que a Tc act foi ligeiramente superior no ano seco relativamente ao ano húmido. Porém, tendo a procura climática sido superior, ocorreu algum stresse com Tc act/Tc de 87%, em contraste com Tc act/Tc = 100% no ano húmido. Como seria de esperar a evaporação do solo foi mais elevada no ano húmido, com a razão Es/ETc act = 23% enquanto tal razão foi de 21% no ano seco. A pequena diferença deve-se ao facto de no ano seco ter sido utilizada rega frequente por rampas pivotantes pelo que a superfície do solo estava frequentemente humedecida. Os resultados relativos á Es/ET em termos sazonais (Tabela 10) são semelhantes aos valores obtidos em estudos efetuados para o trigo de inverno, o qual tem um comportamento semelhante à cevada em termos de desenvolvimento e de cobertura do solo. Assim, os valores de Es/ET observados neste estudo são comparáveis com os de Angus e Herwaarden (2001), que variaram de 20 a 26%, de Yu et al. (2009), de 21 a 28%, de Chen et al. (2010), que referiram 19 a 28%, mas inferiores aos de Zhao et al. (2013), com uma média de 29%. De salientar que os valores de Es obtidos no presente estudo foram mais baixos do que os de outros estudos na fase inicial do ciclo da cultura porque foi adotada sementeira direta. 5. Milho 5.1. Dinâmica da água do solo. Calibração e validação do modelo SIMDualKc Como anteriormente referido, a calibração do modelo SIMDualKc para o milho foi realizada mediante a minimização das diferenças entre os valores observados e simulados da ASW relativa á parcela 1 em 2011 e a validação foi efetuada com o conjunto de dados relativos a 2010 e 2012. Todos os valores calibrados dos parâmetros do modelo anteriormente descritos estão listados na Tabela 11 incluindo os valores utilizados para iniciar o procedimento de calibração. Verifica-se que os valores calibrados de todos os parâmetros são relativamente semelhantes aos valores iniciais, visto que estes se basearam nos valores propostos por Allen et al. (1998, 2007) no que respeita aos Kcb, p, e CN, TEW e REW, e por Liu et al. (2006) relativamente aos parâmetros de percolação profunda. O valor de Kcb para o período inicial (Kcb ini) é típico de condições climáticas em que existem eventos de precipitação relativamente pouco frequentes, é igual ao proposto por Allen et al. (1998, 2007) assim como aos obtidos por Rosa et al. (2012b) em Portugal e por Zhao et al. (2013) na China. O Kcb mid = 1.15 (Tabela 11) é igual ao proposto Allen et al. (1998, 2007), ao obtido por Zhao et al. (2013) e é comparável com o valor relatado por Martins et al. (2013). Wu et al. (2015) referiu 265 Predictabilidade Sazonal de Secas um valor de Kcb mid = 0.95 mas para um milho de sequeiro e dependente da ascensão capilar proveniente da toalha freática, valor este mais baixo dado o menor desenvolvimento da cultura. Como discutido por Allen et al. (1998) e por Pereira (2004), o valor do Kcb end depende da gestão da cultura em termos de momento da colheita, sendo esperados valores mais elevados quando a colheita é efetuada logo após a maturação fisiológica, e valores mais baixos quando a colheita é tardia e o teor de água do grão é mais baixo. O valor obtido no presente estudo, Kcb end = 0.30, deve-se a colheita tardia do milho e encontra-se no intervalo de valores propostos por Allen et al. (1998). Os valores calibrados de p = 0.50 são comparáveis aos recomendados por Allen et al. (1998, 2007). Tabela 11. Cultura do milho: coeficientes culturais basais (Kcb), fração de esgotamento da água do solo em conforto hídrico (p), parâmetros de evaporação do solo (TEW, REW e Ze) e parâmetros da percolação profunda (adaptado de Paredes et al., 2014). Parâmetro Valor inicial Valor calibrado Cultura Kcb ini 0.15 Kcb mid 1.15 Kcb end 0.50 pini 0.55 pdev 0.55 pmid 0.55 pend 0.55 Evaporação do solo Parcela 1 REW (mm)* 11 TEW (mm)* 18 Ze (m) 0.10 Escoamento superficial CN 72 Percolação profunda 310 aD* (mm) -0.017 bD* 0.15 1.15 0.30 0.50 0.50 0.50 0.50 Parcela 2 Parcela 3 Parcela 1 11 11 7 18 18 28 0.10 0.10 0.10 Parcela 2 7 21 0.10 Parcela 3 10 24 0.10 70 75 75 70 77 300 -0.017 430 -0.017 300 -0.020 270 -0.025 400 -0.015 * Estes parâmetros dependem das características do solo e variam entre parcelas A Fig 6 apresenta resultados selecionados da comparação entre os valores observados e simulados da ASW ao longo do ciclo cultural do milho. Verifica-se que no ano de 2010 o calendário de rega não foi adequado às necessidades da cultura uma vez que se verificou elevado stresse hídrico (ASW abaixo do limiar RAW) nas fases do ciclo cultural mais sensível ao stresse, i.e. floração e formação do grão (Fig. 6a). Em contraste, nos anos subsequentes os calendários de rega foram adequados às necessidades de água da cultura e deste modo a ASW manteve-se sempre acima da RAW, i.e. sem stresse hídrico (Fig. 6b, c). 266 Avaliação do uso da água em regadio 80 200 TAW 180 140 40 RAW ASW (mm) ASW (mm) TAW 160 60 120 100 RAW 80 60 40 20 20 27/04 04/05 11/05 18/05 25/05 01/06 08/06 15/06 22/06 29/06 06/07 13/07 20/07 27/07 03/08 10/08 17/08 24/08 31/08 07/09 14/09 0 25/05 01/06 08/06 15/06 22/06 29/06 06/07 13/07 20/07 27/07 03/08 10/08 17/08 24/08 31/08 07/09 14/09 21/09 28/09 05/10 12/10 0 b) a) 200 180 160 ASW (mm) 140 TAW 120 100 80 RAW 60 40 20 16/04 23/04 30/04 07/05 14/05 21/05 28/05 04/06 11/06 18/06 25/06 02/07 09/07 16/07 23/07 30/07 06/08 13/08 20/08 27/08 03/09 10/09 17/09 0 c) Fig. 6. Variação diária da água disponível no solo (ASW) simulada ( ̶ ) e observada (x) para (a) parcela 2, 2010, (b) parcela 1, 2011 (calibração) e (c) parcela 2, 2012 (adaptado de Paredes et al., 2014). Os indicadores de precisão do ajustamento relativos á calibração e validação do modelo são apresentados na Tabela 12, incluindo os resultados quando utilizando os valores iniciais dos parâmetros do modelo. Tabela 12. Indicadores de precisão do ajustamento relativos à calibração e validação do modelo SIMDualKc para a cultura do milho, Alpiarça (adaptado de Paredes et al., 2014). Parâmetros Ano Calibrados 2010 Iniciais Parcela 1 2 2011 (calibração) 1 2012 2 3 2010 1 2 2011 1 2 2012 3 b0 () 1.01 1.00 0.99 0.98 0.99 0.94 1.08 1.16 1.03 1.07 R2 () 0.92 0.94 0.85 0.79 0.85 0.91 0.92 0.83 0.81 0.84 Indicadores de ajustamento RMSE RSR PBIAS AAE (mm) () (%) (mm) 4.8 0.03 -0.7 3.9 4.0 0.03 0.2 3.2 6.3 0.08 1.3 5.5 5.7 0.09 2.2 4.7 6.5 0.08 1.5 5.7 6.6 0.04 6.1 5.5 5.8 0.04 -7.3 4.2 20.4 0.25 -16.1 19.3 7.1 0.11 -3.2 5.1 12.3 0.16 -7.2 10.5 ARE (%) 5.9 7.2 4.6 5.4 4.1 8.8 8.6 16.7 5.7 7.3 EF () 0.91 0.92 0.84 0.74 0.80 0.84 0.83 -1.61 0.60 0.28 b0 - coeficiente de regressão da regressão linear forçada à origem; R 2 - coeficiente de determinação; RMSE - raiz (quadrada) do erro quadrático médio; RSR – rácio da RMSE pelo desvio padrão das observações; PBIAS – viés percentual; AAE - erro médio absoluto; ARE - erro médio relativo; EF – eficiência de modelação. 267 Predictabilidade Sazonal de Secas Os resultados utilizando parâmetros calibrados (Tabela 12) mostram bom ajustamento dos valores de ASW simulados relativamente aos observados com b0 próximo de 1.00 para todos os casos estudados e R2 a variar entre 0.79 e 0.93. Estes resultados indicam que não são observáveis enviesamentos na estimação e que a variação observada da ASW é adequadamente explicada pelo modelo. Os erros de estima são baixos, com RMSE a variar entre 4.1 e 6.5 mm, AAE inferiores a 6 mm e ARE < 8%. O PBIAS é também pequeno mostrando uma ligeiro viés de subestimação dos valores observados. A eficiência de modelação é elevada, variando entre 0.74 e 0.91, portanto indicando que o erro médio quadrático é muito inferior à variância dos dados observados. Assim, pode concluir-se que o modelo é um bom preditor da dinâmica da água do solo. Analisando os resultados quando os valores iniciais dos parâmetros são utilizados em lugar dos valores calibrados, verifica-se que os indicadores são relativamente aceitáveis com exceção do ano escolhido para calibração, 2011, devendo compararse os indicadores quando se usam parâmetros calibrados ou não (Tabela 12). Neste caso, sendo um ano húmido, ocorreu um desajuste significativo quando os teores de água do solo estavam próximos de TAW (Fig. 6b), assim denotando a ausência de calibração dos parâmetros da equação de cálculo da percolação. 5.2. Dinâmica dos coeficientes culturais e de evaporação do solo A Figura 7 apresenta, para casos selecionados, a variação sazonal dos coeficientes culturais basais potenciais e reais (Kcb e Kcb act), de evaporação do solo (Ke) assim como os coeficientes culturais médios reais (Kc act). Os resultados mostram que nos casos dos exemplos relativos a 2011 e 2012 as curvas de Kcb act e Kcb são coincidentes (Fig. 7b e c) para a quase totalidade do ciclo do milho visto não ocorrer stresse ou este ser negligenciável; contrariamente, em 2010 a curva do Kcb act ficou abaixo da curva do Kcb durante 17 dias, coincidente com a ocorrência de stresse no período de floração e formação do grão (Fig. 7a). De modo semelhante a curva do Kc real, Kc act, dado o stresse ser muito pronunciado, encontra-se também abaixo da curva de Kcb. A Fig. 7 mostra a ocorrência de numerosos picos de Ke resultantes de eventos de rega, ocasionalmente também de precipitação, sendo estes maiores nos períodos iniciais do ciclo quando a cobertura do solo pela cultura (fc) era pequena e mais energia se encontrava disponível na camada superficial para a evaporação. As diferenças de fc entre os anos (Tabela 5) são bem evidentes nos picos de Ke, sendo estes maiores em 2010 (Fig. 7a) relativamente a 2011 e 2012 porque as dotações de rega por rampa pivotante eram superiores às de 2011 e 2012 (Fig. 7). Consequentemente, os picos de Kc act são maiores em 2010 (Fig. 7a) relativamente aos outros dois anos (Fig. 7b e c), particularmente nos períodos intermédio e final. 268 Avaliação do uso da água em regadio 1.4 0 Precipitação, rega (mm) 10 1.2 1.0 30 0.8 40 50 0.6 60 0.4 70 80 0.2 90 04/10 22/09 10/09 29/08 17/08 05/08 24/07 12/07 30/06 18/06 06/06 100 25/05 0.0 a) 1.4 0 10 20 1.0 30 0.8 40 50 1.4 60 1.4 70 0.4 1.2 0.2 80 1.2 16 90 14 100 27/04 04/05 11/05 18/05 Ke, Kcb, Kcb adj, Kc act25/05 01/06 08/06 15/06 22/06 29/06 06/07 Ke, Kcb, Kcb adj, Kc act 13/07 20/07 27/07 03/08 10/08 17/08 24/08 31/08 07/09 14/09 0.0 1.0 1.0 0.8 1.2 1.0 0.6 0.8 0.6 0.4 0 10 0.8 20 30 0.6 40 50 60 0.4 70 0.4 0.2 0.2 12 b) 1.4 Kc act, Ke, Kcb, Kcb act 18 80 0.2 10 8 6 4 2 90 100 16/04 23/04 30/04 07/05 14/05 21/05 28/05 04/06 11/06 18/06 25/06 02/07 09/07 16/07 23/07 30/07 06/08 13/08 20/08 27/08 03/09 10/09 17/09 0.0 Precipitation, irrigation (mm) 0.6 Precipitação, rega (mm) Kc act, Ke, Kcb, Kcb act 1.2 Precipitação, rega (mm) Kc act, Ke, Kcb, Kcb act 20 0.0 0 0.0 21/02 10/03 28/03 c)15/04 03/05 21/05 08/06 26/06 16/01 03/02 16/01 03/02 21/02 10/03 28/03 15/04 03/05 21/05 08/06 2 ,K ,K Fig. 7. Variação diária simulada do basalK , Kpotencial (Kcb, ), pre coeficiente rega cultural kcbadj Ke kcact kcb pre rega kcbadj Ke kcb coeficiente cultural basal ajustado ao stress hídrico (K ), coeficiente de kcact cb act, K ,K ,K ,K evaporação (Ke, …..) e coeficiente cultural médio atual (Kc act, - .- .-), respetivamente parcela 2, 2010 (a), parcela 1, 2011 (b), e parcela 2, 2012 (c); encontra-se adicionalmente representados os eventos de precipitação ( ) e de rega ( ) (adaptado de Paredes et al., 2014). e cb adj c act 1.4 1.2 1.4 1.0 0.6 1.2 0.8 0.4 c act 1.0 0.8 0.6 0.4 0.2 pre rega pre kcbadj kcbadj rega Ke Ke kcact kcact kcb kcb 18 16 Precipitation, irrigation (mm) Precipitation, irrigation (mm) 14 12 10 18 8 616 414 212 6 4 2 8 0.0 0 16/01 03/02 21/02 10/03 28/03 15/04 03/05 21/05 08/06 26/06 269 cb adj 0.2 cb 0.0 010 16/01 03/02 21/02 10/03 28/03 15/04 03/05 21/05 08/06 26/06 e cb Predictabilidade Sazonal de Secas 5.3. Termos do balanço hídrico Os termos do balanço hídrico para todos os anos estudados (2010 a 2012) são apresentados na Tabela 13, incluindo a partição da evapotranspiração da cultura nas suas componentes de evaporação do solo e transpiração da cultura. Os resultados mostram que no ano de 2010 a quantidade de rega aplicada foi a mais elevada mas desadequada á satisfação das necessidades de água da cultura, apresentando baixo valores da relação Tc act/Tc, como seria de esperar após a análise da Fig. 7a. Tabela 13. Balanço hídrico simulado para o milho relativo aos anos de 2010 a 2012. Ano Parcela 2010 1 2 2011 1 2012 2 3 P I ΔASW DP RO Es Tc act Tc Tc act/Tc ETc act Es/ETc act (mm) (mm) (mm) (mm) (mm) (mm) (mm) (mm) (%) (mm) (%) 89 624 -31 0 0 198 483 527 92 681 29 89 588 -13 18 0 212 436 535 86 645 33 283 458 41 36 2 178 566 566 100 744 24 108 584 35 2 0 129 596 597 100 725 18 39 533 57 0 0 110 518 519 100 628 18 P = precipitação, I = rega, ΔASW = variação da água disponível no solo, DP= percolação profunda, RO = escoamento superficial; Es = evaporação do solo, Tc act = transpiração atual da cultura; Tc = transpiração máxima da cultura; ETc act = evapotranspiração atual da cultura Verifica-se que os usos não benéficos e não consumptivos, DP e o RO, foram geralmente bem controlados embora tivesse ocorrido alguma percolação em 2011 correspondendo a chuva que ocorreu nos períodos antecedendo o intermédio (Fig. 6b e 7b). A evaporação do solo (Es) mostra que esta foi maior no ano de 2010 quando as dotações de rega foram maiores (Fig. 7a) e, sobretudo, porque tendo a rega sido deficitária foi menor a cobertura do solo pela cultura resultando menor fc (Tabela 5). O valor sazonal de Es representou 18 a 33% da ET correspondendo o valor mais alto a 2010 e o mais baixo ao ano de 2012. Em 2011 o valor de Es/ET = 24% corresponde a uma situação intermédia devida a numerosos eventos de precipitação (Fig. 7b) mas cujo efeito foi compensado pelo maior desenvolvimento da cultura originando fc mais elevado (Tabela 5). Resultados semelhantes para Es/ET foram obtidos no estudo de Suyker e Verma (2009) realizado em milho regado por rampa pivotante; os resultados são também comparáveis com os que foram referidos por outros autores (Grassini et al., 2009; Katerji et al., 2010). 6. Olival 6.1. Dinâmica da transpiração. Calibração e validação do modelo SIMDualKc No olival, a calibração do modelo SIMDualKc foi realizada pela minimização das diferenças entre a transpiração das árvores (Tsf) obtida a partir de medições de fluxo de seiva no tronco e a transpiração simulada (Tsim). Os parâmetros iniciais e modificados durante a calibração são apresentados na Tabela 14, tendo-se utilizado para inicializar o modelo os valores de Kcb iguais a 0.50, 0.55 e 0.50, relativos às fases, para o início do ciclo, o período de crescimento intermédio e o final do ciclo respetivamente. 270 Avaliação do uso da água em regadio Tabela 14. Parâmetros iniciais e calibrados utilizados na simulação com o modelo SIMDualKc para o olival. Parâmetros Culturais Kcb ini Kcb mid Kcb end p ML Camada evaporativa Ze (m) TEW (mm) REW (mm) Escoamento superficial CN Percolação profunda aD bD Valor inicial Valor calibrado 0.50 0.55 0.50 0.50 2.00 0.50 0.55 0.50 0.40 1.70 0.10 18 9 0.10 18 9 72 72 246 0.02 246 0.02 Kcb ini – coeficiente cultural basal para a fase inicial do ciclo, Kcb mid - coeficiente cultural basal para o período intermédio de desenvolvimento, Kcb end - coeficiente cultural basal para a fase final do ciclo, p – fração de depleção do solo, parâmetro ML, TEW – água total evaporável, REW – água facilmente evaporável, Ze – espessura da camada de solo considerada para a evaporação, CN – parâmetro do escoamento superficial, aD e bD – parâmetros de percolação profunda. A Figura 8 apresenta os resultados da comparação entre os valores observados e os simulados para a transpiração das árvores, ao longo de quase dois anos, verificando-se que o modelo produz estimativas próximas dos valores medidos. Os indicadores estatísticos associados, para a verificação da adequabilidade do modelo, são apresentados na Tabela 15, indicando que o modelo produziu bons resultados. Para o ano de calibração (2011), o coeficiente de correlação é próximo de 1.0 (b0 = 0.99) e o coeficiente de determinação (R2) é igual a 0.76, evidenciando uma muito boa correspondência entre valores observados e simulados e a explicação pelo modelo de uma grande parte da variância dos dados, respetivamente. A eficiência de modelação foi boa (0.71) para a calibração e aceitável para a validação (0.60). Tabela 15. Indicadores estatísticos de adequabilidade do modelo SIMDualKc para a estimativa da transpiração em olival (Tsim) relativamente à transpiração obtida com medições de fluxo de seiva (Tsf); calibração e validação do modelo. b0 R2 RMSE RSR (mm d-1) ARE PBIAS AAE -1 (%) (mm d ) (%) EF Calibração, 2011 209 0.99 0.76 0.44 0.04 0.07 0.34 26.19 0.71 Validação, 2012 0.95 0.65 0.35 0.03 2.20 0.28 31.70 0.60 n 366 R2 n = número de observações, b0 - coeficiente de regressão da regressão linear forçada à origem; - coeficiente de determinação; RMSE - raiz (quadrada) do erro quadrático médio; RSR – rácio da RMSE pelo desvio padrão das observações; PBIAS – viés percentual; AAE - erro médio absoluto; ARE - erro médio relativo; EF – eficiência de modelação. Tsim e Tsf representam a transpiração simulada com o modelo SIMDualKc e observada, respetivamente. 271 Predictabilidade Sazonal de Secas Fig. 8. Transpiração das árvores no olival, simulada (Tsim) e obtida a partir de medições de fluxo de seiva no tronco (Tsf) (adaptada de Paço et al., 2014). Os resultados para o teste do modelo com dados da evapotranspiração obtidos pelo método das flutuações instantâneas e com dados obtidos a partir de medições de fluxo de seiva e da evaporação do solo (modelo de Ritchie) são apresentados na Figura 9 e na Tabela 16. Os dados observados e simulados tem uma correlação elevada (R2 aproximadamente entre 0.70 e 0.90) e um coeficiente de regressão próximo de 1.0, indicando um bom funcionamento do modelo. Tabela 16. Indicadores estatísticos dos testes comparando a evapotranspiração real do olival (ETc act) estimada pelo modelo SIMDualKc com a ET obtida com i) medições de fluxo de seiva e estimativa da evaporação do solo (ETobs) e ii) método das flutuações instantâneas (ETec) (adaptada de Paços et al., 2011). RMSE RSR (mm d-1) ARE PBIAS AAE (%) (mm d-1) (%) EF 0.03 0.04 0.34 15.48 0.87 0.37 0.12 7.65 0.31 15.10 0.57 0.35 0.02 1.30 0.28 20.51 0.84 n b0 R2 2011, ETc act vs ETobs 209 1.00 0.88 0.44 2012, ETc act vs ETec 28 0.92 0.71 2012, ETc act vs ETobs 366 0.97 0.85 Símbolos como para a Tabela 15 272 Avaliação do uso da água em regadio Fig. 9. Evapotranspiração real do olival simulada (ETsim) e obtida a partir: i) das componentes transpiração (fluxo de seiva) e evaporação do solo (ETobs) e ii) de medições pelo método das flutuações instantâneas (ET ec). 6.2. Dinâmicas dos coeficientes culturais e de evaporação do solo Os resultados relativos aos coeficientes culturais basais obtidos são similares aos propostos por Allen e Pereira (2009) para olival com uma fração de cobertura do solo de 0.50. A curva do Kcb ajustado para o clima pelo modelo SIMDualKc e para a densidade do copado, com um coeficiente de densidade (Kd) próximo de 0.6, é apresentada na Figura 10a e 10c. Os valores de Kcb mid e Kcb end obtidos são inferiores aos utilizados para inicializar o modelo. Na mesma figura, os painéis b e d apresentam os resultados relativos à curva do Kc act, resultado da conjugação de valores diários de Ke e Kcb act. Os valores médios de Kc act durante o período de primavera-verão são próximos de 0.6 e de 0.5 em 2011 e 2012, respetivamente, refletindo, em 2012, uma densidade do copado mais baixa, resultado de uma geada severa ocorrida nesse ano e algum stresse hídrico. 273 Predictabilidade Sazonal de Secas 1.2 1.2 Kcb_adj Kcb act Ke 1 1 0.8 0.8 Kc act Kcb, Kcb act, Ke Kcb 0.6 0.4 0.4 0.2 0.2 Kc_adj Kcb act 0 1 31 61 Kc_adj Kc actmédio médio 0 91 121 151 181 211 241 271 301 331 361 DDA a) 1 31 61 91 121 151 181 211 241 271 301 331 361 DDA 1 31 61 91 121 151 181 211 241 271 301 331 361 DDA b) 1.2 1.2 1 1 0.8 0.8 Kc act Kcb, Kcb act, Ke 0.6 0.6 0.6 0.4 0.4 0.2 0.2 0 0 1 31 61 91 121 151 181 211 241 271 301 331 361 DDA c) d) Fig. 10. Coeficientes culturais diários obtidos com o modelo SIMDualKc: coeficiente cultural basal ajustado para as condições climáticas e a densidade do copado (Kcb), ajustado (Kcb act) para as condições de stresse hídrico, coeficiente de evaporação do solo (Ke) (Figuras a e c), coeficiente cultural ajustado para o stresse hídrico resultante (K c act = Kcb act+ Ke) e Kc act médio para os diferentes períodos de desenvolvimento (Figuras b e d), em 2011 (Figuras a e b) e 2012 (Figuras c e d). 7. Conclusões Foi possível simular as dinâmicas da água do solo, da transpiração e da evaporação do solo ao longo dos ciclos das culturas de cevada, milho e olival de regadio de modo a ter uma boa perceção do uso da água, nomeadamente em condições de stresse hídrico. Para o efeito usou-se o modelo SIMDualKc que aplica a metodologia dos coeficientes culturais duais para a estimação e partição da ET em transpiração e da evaporação do solo. O modelo permite simular o efeito das diversas técnicas de gestão da água e do solo e desenvolver calendários de rega para condições de seca bem como o cálculo dos termos do balanço hídrico incluindo o escoamento superficial (RO) e a percolação profunda (DP). O SIMDualKc foi calibrado e validado para cereais de primavera e de verão, cevada para malte e milho, e para o olival, uma lenhosa perene, todos de regadio, para condições climáticas contrastantes, anos secos e anos húmidos. Da calibração resultaram valores de Kcb e p para uso em modelação visando a gestão da rega. Os indicadores de ajustamento relativos a todas as simulações com parâmetros calibrados mostraram que os erros de estima eram muito pequenos e a eficiência de 274 Avaliação do uso da água em regadio modelação era alta em todos os casos. Os resultados mostraram que o uso de parâmetros não calibrados é razoável exceto em anos húmidos. Os resultados da partição da ET no caso dos cereais mostram que a razão Es/ET foi mais elevada nos períodos iniciais de desenvolvimento das culturas, quando estas cobrem parcialmente o solo. A razão Es/ET sazonal apresentou-se mais elevada nos anos húmidos e, nos anos secos, quando o número de regas, com rampas pivotantes, foi elevado, Além disso, os valores de Es/ET foram mais elevados quando foi adotada rega deficitária uma vez que o desenvolvimento das culturas é então menor ocorrendo maior exposição do solo à radiação e, consequentemente, mais energia ficava disponível na superfície do solo para evaporação. No olival, os resultados mostraram que os coeficientes culturais basais (Kcb) variam pouco ao longo do ano e de um ano para o outro, com valores um pouco maiores durante o período de primavera e verão quando a transpiração era mais elevada, confirmando-se a aproximação proposta por Allen e Pereira (2009) quanto à sua dependência da densidade e altura do copado. O coeficiente de evaporação (Ke) apresentou um comportamento distinto ao longo do ciclo da cultura e de ano para ano, resultando que os coeficientes culturais médios são mais altos no período de chuvas, outono e inverno, variando com estas de ano para ano. Os resultados mostraram que o modelo SIMDualKc é apropriado para a gestão da rega, tanto em conforto hídrico como no uso de rega deficitária, nomeadamente para a gestão do risco em seca. Agradecimentos Agradece-se o apoio prestado pelos Engs. Manuel Campilho e Diogo Campilho e por Abílio Pereira da Quinta da Lagoalva de Cima ao longo dos estudos de campo. Agradece-se igualmente à Olivais do Sul, Sociedade Agro-Pecuária, Lda., pelo apoio nos estudos em olival. O estudo relativo à calibração do modelo para cereais foi parcialmente financiado pelo projeto PTDC/GEOMET/3476/2012 “Avaliação da Predictabilidade e hibridação de Previsões sazonais de seca na Europa Ocidental – PHDROUGHT”. A aplicação do modelo ao olival foi efetuada no âmbito do projeto H2Olive3s, PTDC/AGR-PRO/111717/2009. O primeiro autor agradece à FCT a bolsa de pós-doutoramento (SFRH/BPD/102478/2014) que lhe foi atribuída. Referências Allen, R.G., Pereira, L.S., 2009. Estimating crop coefficients from fraction of ground cover and height. Irrigation Sci. 28, 17-34. Allen, R.G., Pereira, L.S., Raes, D., Smith, M., 1998. Crop Evapotranspiration. Guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56, FAO, Rome, Italy, 300 p. Allen, R.G., Pereira, L.S., Smith, M., Raes, D., Wright, J.L., 2005. FAO-56 Dual crop coefficient method for estimating evaporation from soil and application extensions. J. Irrig. Drain. Eng. 131, 2-13. 275 Predictabilidade Sazonal de Secas Allen, R.G., Wright, J.L., Pruitt, W.O., Pereira, L.S., Jensen, M.E., 2007. Water requirements. In: G.J. Hoffman, R.G. Evans, M.E. Jensen, D.L. Martin, R.L. Elliot (Eds.) Design and Operation of Farm Irrigation Systems (2nd Edition), ASABE, St. Joseph, MI, pp. 208-288. Allen, R.G., Pereira, L.S., Howell, T.A., Jensen, M.E., 2011. Evapotranspiration information reporting: I. Factors governing measurement accuracy. Agric. Water Manage. 98(6), 899-920. Angus, J.F., van Herwaarden, A.F., 2001. Increasing water use and water use efficiency in dryland wheat. Agron. J. 93(2), 290-298. Chen, S., Zhang, X., Sun, H., Ren, T., Wang, Y., 2010. Effects of winter wheat row spacing on evapotranspiration, grain yield and water use efficiency. Agric. Water Manage. 97, 1126-1132. De Ruiter, J.M., 1999. Yield and quality of malting barley (Hordeum vulgare L. ‘Valetta') in response to irrigation and nitrogen fertilisation. New Zeal. J. Crop Horti. Sci. 27(4), 307-317. Eisenhauer, J.G., 2003. Regression through the origin. Teaching Statistics 25(3), 76-80 Fandiño, M., Cancela, J.J., Rey, B.J., Martínez, E.M., Rosa, R.G., Pereira, L.S., 2012. Using the dual-Kc approach to model evapotranspiration of albariño vineyards (Vitis vinifera L. cv. albariño) with consideration of active ground cover. Agric. Water Manage. 112, 75-87. Fandiño, M., Olmedo, J.L., Martínez, E.M., Valladares, J., Paredes, P., Rey, B.J., Mota, M., Cancela, J.J., Pereira, L.S., 2015. Assessing and modelling water use and the partition of evapotranspiration of irrigated hop (Humulus lupulus), and relations of transpiration with hops yield and alpha-acids. Ind. Crop. Prod. 77, 204–217. Ferreira, M.I., Paço, T.A., Silvestre, J., 2004. Combining techniques to study evapotranspiration in woody crops: application to small areas – two case studies. Acta Hort. 664, 225-232. Foken, T., Leuning, R., Oncley, S.P., Mauder, M., Aubinet, M., 2011. Corrections and data quality. In: M. Aubinet, T. Vesala, D. Papale (Eds.) Eddy covariance: a practical guide to measurement and data analysis. Springer, Berlin, Heidelberg. Granier, A., 1985. Une nouvelle méthode pour la mesure du flux de sève brute dans le tronc des arbres. Annales des Sciences Forestières 42, 193-200. Grassini, P., Yang, H., Cassman, K.G., 2009. Limits to maize productivity in Western Corn-Belt: A simulation analysis for fully irrigated and rainfed conditions. Agric. Forest Meteorol. 149, 1254-1265 Kaimal, J.C., Finnigan, J.J., 1994. Atmospheric Boundary Layer Flows: Their Structure and Measurement. Oxford University Press, New York, NY. Katerji, N., Mastrorilli, M., Cherni, H.E., 2010. Effects of corn deficit irrigation and soil properties on water use efficiency. A 25-year analysis of a Mediterranean environment using the STICS model. Eur. J. Agron. 32, 177-185. Khaledian, M.R., Mailhol, J.C., Ruelle, P., Rosique, P., 2009. Adapting PILOTE model for water and yield management under direct seeding system: The case of corn and durum wheat in a Mediterranean context. Agric. Water Manage. 96, 757-770. Kottek, M., Grieser, J., Beck, C., Rudolf, B., Rubel, F. 2006. World Map of the KöppenGeiger climate classification updated. Meteorol. Z. 15(3), 259-263. Liu, Y., Teixeira, J.L., Zhang, H.J., Pereira, L.S., 1998. Model validation and crop coefficients for irrigation scheduling in the North China Plain. Agric. Water Manage. 36, 233-246. 276 Avaliação do uso da água em regadio Liu, Y., Pereira, L.S., Fernando, R.M., 2006. Fluxes through the bottom boundary of the root zone in silty soils: parametric approaches to estimate groundwater contribution and percolation. Agric. Water Manage. 84, 27-40. Martins, J.D., Rodrigues, G.C., Paredes, P., Carlesso, R., Oliveira, Z.B., Knies, A., Petry, M.T., Pereira, L.S., 2013. Dual crop coefficients for full and deficit irrigated maize in southern Brazil: model calibration and validation for sprinkler and drip irrigation and mulched soil. Biosyst. Eng. 115(3), 291-310. Merriam, J.L., Keller, J., 1978. Farm irrigation system evaluation: A Guide for management. Utah St. Univ., Logan, 271 p. Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, R.D., Veith, T.L., 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Trans. ASABE 50(3), 885-900. Nash, J.E., Sutcliffe, J.V., 1970. River flow forecasting through conceptual models: Part 1. A discussion of principles. J. Hydrol. 10(3), 282-290. Paço, T.A., Ferreira, M.I., Rosa, R.D., Paredes, P., Rodrigues, G.C., Conceição, N., Pacheco, C.A., Pereira, L.S., 2012. The dual crop coefficient approach using a density factor to simulate the evapotranspiration of a peach orchard: SIMDualKc model vs. eddy covariance measurements. Irrigation Sci. 30(2), 115-126. Paço, T.A., Pôças, I., Cunha, M., Silvestre, J.C., Santos, F.L., Paredes, P., Pereira, L.S., 2014. Evapotranspiration and crop coefficients for a super intensive olive orchard. An application of SIMDualKc and METRIC models using ground and satellite observations. J. Hydrol. 519, 2067-2080. Paredes, P., Rodrigues, G.C., Alves, I., Pereira, L.S., 2014. Partitioning evapotranspiration, yield prediction and economic returns of maize under various irrigation management strategies. Agric. Water Manage. 135, 27-39. Pereira, L.S., 2004. Necessidades de Água e Métodos de Rega. Publ. Europa-América, Lisboa, 313 p. Pereira, L.S., Oweis, T., Zairi, A., 2002. Irrigation management under water scarcity. Agric. Water Manage. 57, 175-206. Pereira, L.S., Cordery, I., Iacovides, I., 2009. Coping with Water Scarcity. Addressing the Challenges. Springer, Dordrecht, 382 p. Pereira, L.S., Cordery, I., Iacovides, I., 2012. Improved indicators of water use performance and productivity for sustainable water conservation and saving. Agric. Water Manage. 108, 39-51. Pereira, L.S., Paredes, P., Rodrigues, G.C., Neves, M., 2015. Modeling malt barley water use and evapotranspiration partitioning in two contrasting rainfall years. Assessing AquaCrop and SIMDualKc models. Agric. Water Manage. 159, 239–254. Qiu, R., Du, T., Kang, S., Chen, R., Wu, L., 2015. Assessing the SIMDualKc model for estimating evapotranspiration of hot pepper grown in a solar greenhouse in Northwest China. Agric. Syst. 138, 1–9. Raes, D., Geerts, S., Kipkorir, E., Wellens, J., Sahli, A., 2006. Simulation of yield decline as a result of water stress with a robust soil water balance model. Agric. Water Manage. 81, 335-357. Ramos, T.B., Šimůnek, J., Gonçalves, M.C., Martins, J.C., Prazeres, A., Castanheira, N.L., Pereira, L.S., 2011. Field evaluation of a multicomponent solute transport model in soils irrigated with saline waters. J Hydrol. 407, 129–144. Ritchie, J.T., 1972. Model for predicting evaporation from a row crop with incomplete cover. Water Resour. Res. 8, 1204-1213. 277 Predictabilidade Sazonal de Secas Rosa, R.D., Paredes, P., Rodrigues, G.C., Alves, I., Fernando, R.M., Pereira, L.S., Allen, R.G., 2012a. Implementing the dual crop coefficient approach in interactive software. 1. Background and computational strategy. Agric. Water Manage. 103, 8-24. Rosa, R.D., Paredes, P., Rodrigues, G.C., Fernando, R.M., Alves, I., Pereira, L.S., Allen R.G., 2012b. Implementing the dual crop coefficient approach in interactive software. 2. Model testing. Agric. Water Manage. 103, 62-77. Schuepp, P.H., Leclerc, M.Y., Macpherson, J.I., Desjardins, R.L., 1990. Footprint prediction of scalar fluxes from analytical solutions of the diffusion equation. BoundLay. Meteorol. 50, 355-373. Silva, R.M., Paço, T.A., Ferreira, M.I., Oliveira, M., 2008. Transpiration of a kiwifruit orchard estimated using the Granier sap flow method calibrated under field conditions. Acta Hort. 792, 593-600. Suyker, A.E., Verma, S.B., 2009. Evapotranspiration of irrigated and rainfed maize– soybean cropping systems. Agric. Forest Meteorol. 149, 443-452 Teixeira, J.L., Pereira, L.S., 1992. ISAREG, an irrigation scheduling model. ICID Bulletin 41(2), 29-48. Wang, X., Williams, J.R., Gassman, P.W., Baffaut, C., Izaurralde, R.C., Jeong, J., Kiniry, J.R., 2012. EPIC and APEX: model use, calibration, and validation. Trans. ASABE 55, 1447-1462. Wei, Z., Paredes, P., Liu, Y., Chi, W.W., Pereira, L.S., 2015. Modelling transpiration, soil evaporation and yield prediction of soybean in North China Plain. Agric. Water Manage. 147, 43–53. Wu, Y., Liu, T., Paredes, P., Duan, L., Pereira, L.S., 2015. Water use by a groundwater dependent maize in a semi-arid region of Inner Mongolia: evapotranspiration partitioning and capillary rise. Agric. Water Manage. 152, 222–232. Yu, L.-P., Huang, G.-H., Liu, H.-J., Wang, X.-P., Wang, M.-Q., 2009. Experimental investigation of soil evaporation and evapotranspiration of winter wheat under sprinkler irrigation. Agric. Sci. China 8(11), 1360-1368. Zhao, N.N., Liu, Y., Cai, J.B., Rosa, R., Paredes, P., Pereira, L.S., 2013. Dual crop coefficient modelling applied to the winter wheat - summer maize crop sequence in North China Plain: basal crop coefficients and soil evaporation component. Agric. Water Manage. 117, 93-105. 278 CALENDÁRIOS DE REGA PARA CONDIÇÕES DE SECA E SUA AVALIAÇÃO PELA PRODUTIVIDADE DA ÁGUA. APLICAÇÃO A CEVADA E MILHO* Paula Paredes1, Gonçalo C. Rodrigues1, 2, Isabel Alves1, Maria Rosário Cameira1, José Paulo Melo-Abreu1, Maria Odete Torres1, Luis S. Pereira1 Resumo O modelo SIMDualKc foi utilizado em conjunto com o modelo de água-produção de Stewart para a predição da produção de cevada e de milho tendo os resultados mostrado boa adequação desta metodologia. Várias alternativas de calendários de rega para ambas as culturas foram desenvolvidas e avaliadas para condições de seca. No caso da cevada, uma cultura típica de primavera, estudou-se o impacto das datas de sementeira na produção, no uso da água e na produtividade física e económica da água. Verificou-se que a antecipação da data de sementeira para meados de novembro permite economia de água mas conduz a um retorno económico mais baixo para o agricultor, o qual pode ser negativo. Diferentemente, para sementeira no início de janeiro ocorre um aumento das necessidades de rega e do uso da água mas aumenta também o retorno económico, sendo por isso uma opção mais atrativa para o agricultor. A cevada em regime de sequeiro não é economicamente viável em anos de seca. No caso do milho, uma vez que é uma cultura tipicamente de verão, as necessidades de rega são bem maiores. Os resultados mostraram que, para condições de seca, a adoção de um calendário de rega moderadamente deficitário é adequada tanto em termos de poupança de água como de retorno económico para o agricultor. Abstract The SIMDualKc model was used with the Stewarts water-yield model for predicting barley and maize yields. Results showed a good performance of the proposed approach. Under drought conditions, several irrigation scheduling alternatives for both crops were designed and assessed. In addition, for barley, impacts of alternative sowing dates were also studied. Results showed that sowing barley by mid-November allowed water savings but a low to negative farm economic return. Differently, when sowing was delayed for early January results showed higher irrigation requirements and water use but higher economic returns too. Results also showed that under drought conditions rainfed barley is not economically 1 LEAF, Instituto Superior de Agronomia, Universidade de Lisboa, Tapada da Ajuda, 1349-017 Lisboa, Portugal. Emails: [email protected], [email protected], [email protected], [email protected], [email protected] 2 COTR, Quinta da Saúde, Beja. Email: [email protected] * Este artigo baseia-se em estudos anteriores (Paredes et al., 2014 e 2016; Pereira et al., 2015) 279 Predictabilidade Sazonal de Secas feasible. Relative to maize, a typical summer crop, irrigation requirements are much higher. To cope with water scarcity in drought years the adoption of moderate deficit irrigation leads to lower water use and to acceptable economic returns. Thus, under drought conditions a tradeoff between water savings and farmer economic return is advisable. 1. Introdução Na última década, devido à expansão da indústria cervejeira, assistiu-se a um aumento da produção nacional de cevada para malte, a qual é produzida maioritariamente na região do Ribatejo, onde representa 22% da área cultivada com cerais de inverno/primavera. Na região do Mediterrâneo a maioria dos cereais de inverno e primavera são cultivados em regime de sequeiro. No entanto, recorre-se à rega de complemento para fazer face à grande variabilidade e incerteza da precipitação para satisfazer as necessidades de água das culturas. A rega é praticada nas fases críticas, de maior défice hídrico, com o objetivo de obter elevada produção. Conforme revisto por Pereira et al. (2015), para uma adequada gestão da rega da cevada, é necessário identificar as fases críticas do ciclo cultural em termos de impacto do défice hídrico na produção. Vários estudos (e.g. Thameur et al., 2012) têm levado a concluir que as fases de floração e de formação da espiga são as mais sensíveis ao stresse hídrico. No entanto, o impacto do stresse hídrico na produção depende não só da fase em que este é imposto mas também da sua duração e intensidade (Francia et al., 2011). Outros fatores que afetam a produção de cevada incluem a fertilização (Day et al., 1987) e a salinidade (Katerji et al., 2009). A sementeira direta tem-se revelado como uma prática que favorece a disponibilidade de água para a cultura (Lampurlanés et al., 2002; Morell et al., 2011). A qualidade do malte é também influenciada pela disponibilidade de água no solo (Qureshi e Neibling, 2009). Uma vez que o excesso de água após a maturação do grão aumenta a probabilidade do aparecimento de doenças que diminuem a qualidade do malte (Forster, 2003), é aconselhável cessar a rega umas semanas antes de se efetuar a colheita. A data de sementeira da cevada está condicionada pelas condições climáticas prevalecentes e pela data de colheita da cultura antecedente (Yau et al., 2011). Adicionalmente, a data de sementeira, em particular quando em sequeiro, depende da avaliação de riscos relativos à exposição a elevadas temperaturas e ao défice hídrico no período de enchimento do grão que condicionam a produção do grão (Yau et al., 2011). No caso dos cereais de primavera-verão, particularmente o milho, uma adequada gestão da rega é fundamental, em especial quando em condições de seca. Analogamente ao que acontece no caso dos cereais de inverno, a seleção do calendário de rega mais adequado depende da resposta da produção do milho à água, como analisado em detalhe por Paredes et al. (2014). Os resultados do trabalho extensivo efetuado por Stewart et al. (1977) mostraram diferentes respostas do milho ao défice hídrico dependendo das fases de 280 Calendários de rega para condições de seca desenvolvimento em que este era imposto, tendo sido concluído que os impactos mais acentuadamente negativos ocorriam quando o stresse hídrico ocorria durante os períodos de floração (que inclui a formação do pendão e a polinização) bem como de formação do grão e de enchimento do grão. Várias aproximações simplificadas foram desenvolvidas tendo por objetivo a avaliação dos impactos do stresse hídrico na produção. O modelo mais comummente utilizado é o modelo global de Stewart (S1) (Stewart et al., 1977), melhor conhecido após a sua publicação por Doorenbos e Kassam (1979). O modelo assume, usando o fator de resposta da cultura à água (Ky), uma relação linear entre o défice relativo de evapotranspiração sazonal da cultura e as perdas relativas de produção: Ym − Ya ( Ym ) = K𝑦 ( ETc − ETc act ETc ) (1) onde Ya e Ym representam respetivamente a produção real e máxima potencial, e ETc e ETc act representam respetivamente a evapotranspiração potencial e actual da cultura. Diversos estudos foram desenvolvidos com o objetivo de determinar/calibrar o valor de Ky para a cultura do milho, e.g., Alves et al. (1991), Çakir (2004), Payero et al. (2006), Popova et al. (2006) e Popova e Pereira (2011). Para a cevada, no entanto, não foram efetuados este tipo de estudos mas existem estudos para o trigo de primavera, cultura semelhante em termos de resposta à água, como o de Dehghanisanij et al. (2009). O modelo S1 (Eq. 1) tem como limitação o facto de não considerar o efeito do défice hídrico nas diferentes fases do desenvolvimento da cultura. Para obviar este inconveniente, Stewart et al. (1977) propuseram o modelo fásico (S2), o qual considera os efeitos do défice hídrico em três estádios do desenvolvimento, o vegetativo, a floração e a maturação, utilizando diferentes fatores de resposta da cultura à água (βi) para cada fase (i). 1− Ya Ym = ∑i[ βi (ETc, i − ETc act, i )] ETc (2) Quando existe condicionamento da cultura (Stewart et al., 1977), ou seja, quando ocorreram défices de água em períodos anteriores, a resposta da cultura ao défice hídrico num estágio posterior é menor pelo que o fator βi deve ser ajustado nestas circunstâncias. Conclusões semelhantes em termos de efeitos do stresse na produção do milho e do condicionamento foram observadas e relatadas por Alves et al. (1991). Para avaliar os impactos do stresse hídrico na produção, quer de matéria seca quer do produto final, podem ser utilizados modelos mais complexos e exigentes em termos de parametrização, de natureza mecanicista. São exemplos destes modelos de produção o CERES-Maize (DeJonge et al., 2012) e o AquaCrop (Hsiao et al., 2009) aplicados à cultura do milho e o CERES-Barley (Nain e Kersebaum, 2007), o WOFOST (Eitzinger et al., 2004) e o AquaCrop (Araya et al., 2010) para a cultura da cevada. As soluções combinando o modelo de balanço hídrico SIMDualKc (Rosa et al., 2012) com os modelos S1 e S2 de Stewart são de menor complexidade mas de elevada precisão como provado em aplicações a ambas as culturas (Paredes et al., 281 Predictabilidade Sazonal de Secas 2014; Pereira et al., 2015). De facto, o modelo SIMDualKc realiza a separação da evapotranspiração cultural nas suas componente evaporação do solo (Es) e transpiração atual da cultura (Tc act) permitindo a utilização dos modelos S1 e S2 recorrendo à Tc act diária, o que melhora as aplicações relativamente ao uso da ETc act. Além disso, o SIMDualKc é adequadamente preciso na simulação da água do solo como descrito por Paredes et al. (2015) pelo que permite estabelecer calendários de rega criteriosos e satisfazendo as estratégias de rega de ambas as culturas. 300 200 150 100 50 0 Os objetivos do presente estudo são assim: (1) a avaliação da gestão da rega praticada pelos agricultores em cereais de primavera e de verão em termos de uso da água e produtividade da água; (2) o desenvolvimento e avaliação de calendários de rega para convivência com a seca. 200 2. Cevada de sequeiro e com rega de complemento 150 2.1. Caracterização dos estudos realizados em cevada, Alpiarça Os estudos de campo em cevada para malte (Hordeum vulgare L., variedade Publican) foram efetuados na Quinta da Lagoalva de Cima, localizada em Alpiarça, nos anos de 2012 e 2013, e tiveram como objetivo obter informação necessária à modelação água-produção como descrito em Pereira et al. (2015) e Paredes et al. (2015). A caracterização climática da região utilizando uma série de 19 anos de dados é apresentada na Fig. 1. 100 300 50 0 250 Precipitação, ETo (mm) 250 250 Precipitação, ETo (mm) 300 A gestão da cultura da cevada para obtenção de uma produção elevada e de qualidade tem que ter em consideração quer a data de sementeira quer o calendário de rega adequado às condições climáticas dominantes. No caso do milho, a maximização do rendimento está também estreitamente ligada à otimização da produção e da rega; porém, em condições de seca, a utilização de défices de água controlados constitui opção para diminuir o uso da água sem comprometer demasiado a produção e, consequentemente, o retorno económico. 200 150 100 Fev Mar AbrAgo Maio Jan Fev Mar Jan Abr Maio Jun Jul SetJun Out Jul Nov A 50 0 Jan Fev Mar Abr Maio Jun Jul Ago Set Out Nov Dez pre ETo pre Fig. 1. Precipitação média mensal ( ) e evapotranspiração de referência mensal (ETo) ( ) para a série de 19-anos de dados. 282 ETo Calendários de rega para condições de seca A variedade utilizada caracteriza-se por ter uma grande capacidade de afilhamento e elevado potencial produtivo. A sementeira pode ocorrer de meados de novembro a meados de janeiro. Nos dois anos de estudo as datas de sementeira e das fases culturais variaram conforme a Tabela 1. Foi utilizada uma densidade de sementeira de 200 kg ha-1 e um espaçamento entrelinhas de 0.15 m. O solo da parcela de estudo é de textura franco-arenosa e a água do solo foi monitorizada semanalmente (vd. Paredes et al., 2015). A parcela, de 30 ha, era regada por aspersão com uma rampa pivotante e dotações de rega a variar entre 5 e 10 mm por evento de rega. Tabela 1. Datas e acumulação térmica (AGDD) dos estágios de desenvolvimento da cevada dística, Alpiarça (adaptado de Pereira et al., 2015). Sementeira Início do Início do período de período crescimento intermédio rápido Início do período final Colheita 16/01/2012 07/02 03/04 20/05 26/06 AGDD (ºC) 210 896 1552 2315 Data 06/12/2012 AGDD (ºC) 302 04/01 984 10/03 1671 29/04 2331 Data 06/06 Durante os dois anos de estudo foram efetuadas amostragens da produção final em 8 locais, de 0.25 x 0.25 m2, próximos dos tubos de acesso das sondas de medição da humidade do solo. Todas as amostras foram secas em estufa a uma temperatura de 65±5oC até obtenção de peso constante que foi ajustado para 13% de humidade. A Tabela 2 apresenta os resultados da produção de biomassa e de grão de cevada relativos aos anos de 2012 e 2013. Tabela 2. Produção de biomassa seca total e de grão para as duas campanhas da cevada dística (adaptado de Pereira et al., 2015). Biomassa total (kg ha-1) Grão (kg ha-1) 2012 14463 (± 417) 6331 (±417) 2013 12503 (±1160) 5843 (±612) Nota: Desvio padrão das amostras apresentado entre parêntesis 2.2. Estimativa da produção e da produtividade da água Como referido anteriormente, utilizou-se no presente estudo uma aproximação simplificada para estimar a produção de cevada combinando o modelo de balanço hídrico SIMDualKc com uma adaptação do modelo S1 de Stewart (Eq. 1), em que, em lugar da evapotranspiração foi utilizada a transpiração das culturas, pelo que a produção real (Ŷa ) foi estimada através de: Ym Ky T Ŷa = Ym − T d (3) c 283 Predictabilidade Sazonal de Secas onde Td é a diferença entre a transpiração potencial e a transpiração real (Td = Tc Tc act), com Tc act = Kcb act ETo. Tc e Tc act foram calculados com o modelo SIMDualKc após adequada calibração; os valores de Ym correspondem às produções máximas obtidas na área de estudo, ajustadas de modo a considerar as influências do clima e da gestão da cultura, utilizando o método de Wageningen (Doorenbos e Kassam, 1979). Os valores assim obtidos de Ym foram de 7912 kg ha-1 e 6465 kg ha-1 respetivamente para o ano de 2012 e 2013; esta diferença de valores denota o impacto da menor radiação e da menor densidade de plantas (342 vs. 319 plantas por m2) que ocorreu no ano húmido de 2013. O valor de Ky = 1.25 foi utilizado neste estudo (Pereira et al., 2015). Os resultados relativos à validação das predições da produção de cevada usando a aproximação simplificada são apresentados na Tabela 3; mostrando que os desvios entre observações e simulações variam entre 6.4 e 10.6%, ou seja eram semelhantes aos desvios padrões dos valores observados da produção. Em conclusão pode afirmar-se que a aproximação simplificada é adequada. Os resultados obtidos são comparáveis aos reportados na literatura para a cevada quando utilizando modelos de produção (Tabela 4). Concluiu-se, assim, que a aproximação por nós utilizada é apropriada para a avaliação dos impactos de défice hídrico na produção de cevada dística. Tabela 3. Valores de produção de cevada de malte (kg ha-1) observados e simulados pela aproximação simplificada SIMDualKc-Stewart para os anos de 2012 e 2013 (adaptado de Pereira et al., 2015). Observado -1 (kg ha ) Estimado -1 (kg ha ) Diferença (kg ha-1) % 2012 6331 (±417) 6638 307 4.8 2013 5843 (±612) 6465 622 10.6 Nota: Desvio padrão das amostragens apresentado entre parêntesis Tabela 4. Exemplos de resultados de diferenças entre a produção observada e estimada por modelos de produção. Diferença (%) 2 a 18 2 a 27 3 e 17 2 2a4 2a8 5 a 69 13 a 52 Modelo AquaCrop AquaCrop AquaCrop CropSyst CropSyst CERES-Barley CERES-Barley WOFOST Autores Araya et al. (2010) Abrha et al. (2012) Pereira et al. (2015) Donatelli et al. (1997) Belhouchette et al. (2008) Nain e Kersebaum (2007) Eitzinger et al. (2004) Eitzinger et al. (2004) Como em estudos anteriores (Rodrigues e Pereira, 2009; Rodrigues et al., 2014) os calendários alternativos de rega foram avaliados utilizando indicadores de produtividade da água (WP, kg m-3) e de produtividade económica da água (EWPR, adimensional). A WP ao nível da parcela é definida como a razão entre a produção real da cultura e o total de água utilizado por esta (Pereira et al., 2012): 284 Calendários de rega para condições de seca WP Ya TWU (4a) onde Ya é a produção real, em kg ha-1, e TWU é o total de água utilizada (m3) para obter Ya. Alternativamente a equação pode ser escrita discriminando as componentes de TWU. WP Ya P CR SW GID (4b) onde P é a precipitação (m3), CR é a ascensão capilar (m3), ΔSW é a variação do armazenamento de água no solo (m3), e GID é a rega bruta (m3). A rega bruta depende da fração de água usada e benéfica (BWUF, Pereira et al., 2012), que foi avaliada em três ocasiões segundo a metodologia de Merriam e Keller (1978) e foi assim estimada em 0.80. As variáveis que constituem a TWU podem ser obtidas através de observações de campo e/ou da modelação. De salientar que aumentos de WP podem não levar obrigatoriamente a uma poupança de água pois é necessário distinguir entre uso de água consumptivo e não consumptivo (Pereira et al., 2012). Como o objetivo do agricultor é obter o maior retorno económico possível, surge a necessidade de exprimir a produtividade da água em termos económicos (Pereira et al., 2012). Exprimindo tanto o numerador como o denominador em termos monetários, respetivamente o valor da produção (Valor Ya) e o custo da produção quando a água usada é TWU, i.e., incluindo os custos dos fatores de produção, obtém-se a razão da produtividade económica da água (EWPR): EWPR Valor Ya CustoTWU (5) Nos custos da TWU não estão contabilizados os custos relativos ao capital, à terra ou a empréstimos. A EWPR foi calculada utilizando os custos de produção e de rega do agricultor e um preço da produção, relativo a 2012, no valor de 0.21 € kg-1. Na Tabela 5 apresentam-se os resultados do uso da água assim como os indicadores de produtividade da água da cevada para os anos de estudo. Os resultados mostram as condições climáticas contrastantes dos anos de estudo. Em 2012 ocorreu um défice moderado traduzido por um défice de transpiração (Td) de 42 mm o qual afetou a produção obtida. Em 2013, devido à elevada precipitação, não se verificou défice hídrico mas a produção obtida foi menor por terem sido menores tanto a densidade de plantas antes do afilhamento, como a radiação e a transpiração. Em 2013 obteve-se uma maior WP mas a EWPR foi mais elevada no ano seco, 2012, quando foi obtida uma maior produção. Os valores de WP obtidos no presente estudo (1.58 e 1.71 kg ha-1) situam-se na gama de variação relatada por Cossani et al. (2012), sendo que valores mais baixos foram referidos por Cantero-Martínez et al. (2003) e por Albrizio et al. (2010). 285 Predictabilidade Sazonal de Secas Tabela 5. Uso da água, produção de grão e indicadores de produtividade da água em cevada cultivada nos anos de 2012 e 2013 (adaptado de Paredes et al., 2016). Precipitação (mm) Rega bruta (GID, mm) Percolação profunda (mm) Escoamento superficial (mm) Variação do armazenamento de água no solo (mm) Total de água utilizada (TWU, mm) Transpiração real (Tc act, mm) Produção observada de grão (kg ha-1) Produtividade da água (WP, kg m-3) Razão da produtividade económica da água (EWRP) 2012, ano seco 2013, ano húmido 115 568 181 0 170 2 60 108 13 400 351 289 270 6331 5843 1.58 1.71 1.28 1.24 2.3. Impacto da data de sementeira na produção de cevada em sequeiro Como referido anteriormente, a variedade Publican tem um período de sementeira que varia entre meados de novembro a janeiro. Assim, e tendo por base as datas de sementeira observadas nos anos de estudo, foram utilizadas as seguintes datas alternativas de sementeira: 16 e 30 de novembro, 6, 16 e 30 de dezembro, 6 e 16 de janeiro. Utilizando distintas datas de sementeira foi possível avaliar a viabilidade da cevada de sequeiro em condições de seca. Para a definição das correspondentes datas das fases do ciclo cultural utilizou-se a média dos GDD observados em campo (Tabela 2). 240 NIR (mm) 200 160 120 80 40 0 40 40 35 35 30 30 25 25 20 20 15 15 10 10 5 5 0 0 RYL (%) RYL (%) 280 5.3 10.5 5.3 5.3 15.8 10.5 10.5 21.1 15.8 15.8 26.3 21.1 21.1 31.6 26.3 26.3 36.8 31.6 5.3 31.6 42.1 36.8 10.5 36.8 15.8 47.4 42.1 21.1 42.1 52.6 26.3 47.4 47.4 31.6 57.9 52.6 36.8 52.6 5.3 63.2 42.1 57.9 57.9 47.4 5.3 10.5 68.4 63.2 52.6 63.2 10.5 15.8 73.7 57.9 68.4 68.4 63.2 15.8 21.1 78.9 73.7 68.4 73.7 21.1 26.3 84.2 73.7 78.9 78.9 78.9 26.3 31.6 89.5 84.2 84.2 84.2 31.6 36.8 89.5 94.7 89.5 89.5 94.7 36.8 42.1 94.7 94.7 42.1 47.4 47.4 52.6 52.6 57.9 57.9 63.2 63.2 68.4 68.4 73.7 73.7 78.9 78.9 84.2 84.2 89.5 89.5 94.7 RYL (%) 5050 4545 4040 3535 3030 2525 2020 1515 1010 55 00 De modo a avaliar o impacto da data de sementeira foi utilizada uma série de 19 anos de dados de precipitação e ETo da estação meteorológica de Santarém. Com 50 50calculou-se uma série de necessidades líquidas de rega base nessa série de dados 45 datas (NIR) para as diferentes 45 de sementeira (Fig. 2). Probabilidade (%) ___ 6dez Sementeira a 16 novembro ( ),16-Nov 30 novembro ), 6 dezembro ( 6dez ), 16 16dez 16-Nov (30-Nov 30-Nov 16dez 16-Nov 30-Nov 6dez 6dez 30dez 06-Jan 16-Jan 16-Nov 30-Nov 16dez 16-Jan dezembro ( 6dez ),16dez 30 dezembro ( ),30dez 630dez janeiro ( 06-Jan ),06-Jan 16 janeiro (- -16-Jan -) 16-Nov 30-Nov 16dez 30dez 30dez 06-Jan 06-Jan 16-Jan 16-Jan Fig. 2. Necessidades líquidas de rega da cevada dísticaProbabildade de Probabildade acordo com a (%) data(%) de Probabildade (%) Probabildade (%) Probabildade (%) sementeira (adaptado de Paredes et al., 2016). 286 Calendários de rega para condições de seca Verifica-se que semeando em novembro as NIR são baixas, variando entre 0 e 158 mm com a procura climática e, sobretudo, com a precipitação. As NIR aumentam à medida que a data de sementeira é atrasada; assim, semeando no final de dezembro as NIR variam entre 0 a 231 mm, e se a sementeira for efetuada em meados de janeiro variam entre 18 a 280 mm. A data de colheita está dependente da data de sementeira, variando de final de maio a meados de Julho se a sementeira for respetivamente em novembro ou janeiro. Os resultados na Fig. 2 mostram que a cevada de sequeiro enfrenta condições climáticas muito diversas. A Fig. 3a apresenta as curvas de probabilidade empíricas das perdas relativas de (T −T ) produção (RYL = K y c T c act 100) relativas a várias datas de sementeira. c 50 45 40 35 RYL (%) 30 25 20 15 10 5 50 50 45 45 (%) 40 Probabilidade 40 35 35 30 30 25 25 20 20 15 15 10 10 5 5 0 0 5.3 10.5 15.8 21.1 26.3 31.6 36.8 42.1 47.4 52.6 57.9 63.2 68.4 73.7 78.9 84.2 89.5 94.7 0 7500 Ym (kg ha-1) 7000 6500 6000 5500 5000 4500 4000 3500 RYL (%) RYL (%) 8000 a) 5.3 10.5 5.3 5.3 15.8 10.5 10.5 21.1 15.8 15.8 26.3 21.1 21.1 31.6 26.3 26.3 36.8 31.6 31.6 5.3 42.1 36.8 10.5 36.8 15.8 47.4 42.1 21.1 42.1 52.6 47.4 26.3 47.4 31.6 57.9 52.6 36.8 52.6 5.3 42.1 63.2 57.9 47.4 57.9 5.3 10.5 68.4 63.2 52.6 63.2 57.9 10.5 15.8 73.7 68.4 63.2 68.4 15.8 68.4 21.1 78.9 73.7 73.7 73.7 21.1 26.3 84.2 78.9 78.9 78.9 84.2 26.3 31.6 89.5 84.2 89.5 84.2 31.6 94.7 36.8 94.7 89.5 89.5 36.8 42.1 94.7 94.7 42.1 47.4 47.4 52.6 52.6 57.9 57.9 63.2 63.2 68.4 68.4 73.7 73.7 78.9 78.9 84.2 84.2 89.5 89.5 94.7 RYL (%) 5050 4545 4040 3535 3030 2525 2020 1515 1010 55 00 Probabilidade (%) b) 6dez Sementeira a 16 novembro ( ),16-Nov 30 novembro ), 6 dezembro ( 6dez ), 16 16dez 16-Nov (30-Nov 30-Nov 16dez 30dez 30dez 06-Jan 06-Jan 16-Jan 16-Jan 16-Nov 30-Nov 6dez 6dez 30dez 06-Jan 16-Jan 16-Nov 30-Nov 16dez 16-Jan dezembro ( 6dez ),16dez 30 dezembro ( ),30dez 630dez janeiro ( 06-Jan ),06-Jan 16 janeiro (- -16-Jan -) 16-Nov 30-Nov 16dez ___ Probabildade Probabildade (%) Fig. 3. Perdas relativas de produção (RYL) e produção potencial (Y m) da cevada(%) dística Probabildade (%) Probabildade (%) Probabildade (%) de sequeiro para distintas datas de sementeira (adaptado de Paredes et al., 2016). Os resultados mostram que as menores RYL são obtidas quando as necessidades de rega são menores e quando as chuvas são mais abundantes. A vulnerabilidade da cevada de sequeiro aumenta à medida que se atrasa a data de sementeira. RYL 287 Predictabilidade Sazonal de Secas inferiores a 25% foram obtidas para sementeira em novembro, aumentando para 43% se a sementeira for em dezembro e para 48% se em meados de janeiro (Fig. 3a). Estes resultados são semelhantes aos relatados por Popova et al. (2014) para milho de sequeiro. Por outro lado, a produção potencial (Ym) aumenta à medida que a sementeira é retardada, estabilizando quando a sementeira é feita em janeiro, com poucas diferenças entre início e meados do mês (Fig. 3b). Os valores simulados de produção real estão condicionados quer pelas RYL (Fig. 3a) como pela Y m (Fig. 3b); os resultados mostram vantagem na adoção da sementeira a 6 de janeiro uma vez que a Ya é mais alta ainda que apresente RYL elevadas mas que são compensadas por uma Ym mais elevada. Conclui-se que a produção de cevada de sequeiro é muito afetada tanto pela data de sementeira como pela variabilidade climática prevalecente durante o ciclo cultural. 1.60 WP (kg m-3) 1.50 1.40 1.30 1.20 1.10 1.00 45 40 35 30 25 20 15 10 5 0 40 35 30 25 20 15 10 5 0 10.5 15.8 15.8 21.1 21.1 26.3 26.3 31.6 31.6 36.8 36.8 42.1 42.1 47.4 47.4 52.6 52.65.3 10.5 57.9 57.915.8 63.2 63.221.1 26.3 68.4 68.431.6 73.7 5.3 73.736.8 42.1 78.9 5.3 10.5 78.947.4 84.2 10.5 15.8 84.252.6 57.9 89.5 15.8 21.1 5.3 89.563.2 94.7 21.1 26.3 68.4 10.5 94.7 73.7 26.3 31.6 15.8 78.9 31.6 36.8 84.2 21.1 89.5 36.8 42.1 26.3 94.7 42.1 47.4 31.6 47.4 52.6 36.8 52.6 57.9 42.1 57.9 63.2 47.4 63.2 68.4 52.6 68.4 73.7 57.9 73.7 78.9 63.2 78.9 84.2 68.4 84.2 89.5 73.7 89.5 94.7 78.9 0.90 RYL (%) RYL (%) 1.70 45 40 35 30 25 20 15 10 5 0 RYL (%) A Fig. 4 apresenta os indicadores de produtividade da água (WP) para cevada de sequeiro. A maior WP corresponde a sementeira no início de Janeiro, o que se relaciona com a maior produção potencial (Fig. 3b). De salientar que a WP relativa à sementeira a 16 de janeiro (Fig. 4) é a segunda mais elevada. Em contraste, a menor WP (Fig. 4) corresponde a sementeira em novembro, o que se deve a uma 50 50 50 menor Ym apesar de RYL ser menor (Fig. 3a). 45 v 30-Nov 30-Nov Sementeira a 16 novembro ( Probabilidade (%) ___ 16-Nov 30-Nov 6dez 30dez 06-Jan 6dez ),16-Nov 30 novembro ), 6 dezembro ( 6dez ), 1616dez dezembro ),16dez 16-Nov (30-Nov 30-Nov 16dez( 30dez 30dez 06-Jan 06-Jan 16-Jan 16-Jan 06-Jan 16-Jan ),06-Jan 16 janeiro (-16-Jan -) 6dez 16dez ( ),30dez 630dez janeiro ( 6dez30 dezembro 16dez Probabildade (%)(%) Probabildade Fig. 4. Produtividade da água em cevada de sequeiro para diferentes datasProbabildade de sementeira Probabildade (%) Probabildade (%) (adaptado de Paredes et al., 2016). A EWPR (Fig. 5) apresenta uma tendência semelhante à WP (Fig. 4). Os resultados mostram que para qualquer das datas de sementeira existe uma elevada probabilidade de rendimento negativo para o agricultor, ou seja, EWPR <1, em particular quando a sementeira é realizada em novembro ou início de dezembro (Fig. 5). Pode concluir-se que a cevada de sequeiro na área de estudo pode não ser praticável em termos económicos, em particular em anos de seca. Os resultados da Fig. 5 mostram uma clara vantagem de proceder à sementeira no início de janeiro uma vez que existe maior probabilidade de um retorno económico positivo. 288 (%) 1.60 1.50 EWPR () 1.40 1.30 1.20 1.10 1.00 0.90 0.80 50 45 40 35 30 25 20 15 10 5 0 10.5 15.8 15.8 21.1 21.1 26.3 26.3 31.6 31.6 36.8 36.8 42.1 42.1 47.4 47.4 52.65.3 52.610.5 57.9 57.915.8 21.1 63.2 63.226.3 68.4 68.431.6 36.8 73.7 5.3 73.742.1 5.3 78.9 10.5 78.947.4 52.6 10.5 84.2 15.8 84.257.9 15.8 89.5 21.1 5.3 89.563.2 68.4 21.1 94.7 26.3 10.5 94.773.7 26.3 31.6 15.8 78.9 84.2 31.6 36.8 21.1 89.5 36.8 26.3 42.1 94.7 42.1 31.6 47.4 47.4 36.8 52.6 52.6 42.1 57.9 57.9 47.4 63.2 63.2 52.6 68.4 68.4 57.9 73.7 73.7 63.2 78.9 78.9 68.4 84.2 84.2 73.7 89.5 89.5 78.9 94.7 0.70 RYL (%) RYL (%) 1.70 50 50 45 45 40 40 35 35 30 30 25 25 20 20 15 15 10 10 5 5 0 0 RYL (%) Calendários de rega para condições de seca v 30-Nov 30-Nov Sementeira a 16 novembro ( ),30dez 630dez janeiro ( 6dez 16dez ( 6dez30 dezembro 16dez Probabilidade (%) ___ 16-Nov 30-Nov 6dez 30dez 06-Jan 6dez ),16-Nov 30 novembro ), 6 dezembro ( 6dez ), 16 16dez dezembro ( 30dez ),16dez 16-Nov (30-Nov 30-Nov 16dez 30dez 06-Jan 06-Jan 16-Jan 16-Jan 06-Jan 16-Jan ),06-Jan 16 janeiro (-16-Jan -) Probabildade Probabildade (%)(%) Probabildade Fig. 5. Razão da produtividade económica da água em cevada de sequeiro para distintas Probabildade (%) Probabildade (%) datas de sementeira (a linha horizontal define o limiar de rentabilidade, EWPR = 1.00) (adaptado de Paredes et al., 2016). 2.4. Impacto da data de sementeira e dos calendários de rega da cevada em condições de seca A simulação de cenários alternativos para a cevada foi efetuada para condições de seca severa, definida para condições de procura climática forte, com probabilidade de excedência de 20%. Assim, consideraram-se as datas de sementeira descritas na Seção anterior e vários cenários de défice hídrico: Cenário 1: sequeiro Cenário 2: rega de complemento para satisfação das necessidades de água da cultura quando o défice de gestão admitido (MAD) iguala a fração de esgotamento da água do solo que não causa stresse hídrico (p), i.e., MAD = p; Cenário 3: défice suave ao longo do ciclo cultural (MAD = 1.10 p); Cenário 4: défice suave na fase de floração/enchimento do grão (MAD = 1.10 p) e moderado nas outras fases do ciclo (MAD = 1.20 p). Foi adotada uma dotação fixa de rega de 8 mm de acordo com Pereira et al. (2015), terminando a rega 25 dias antes da colheita de modo a evitar alterações que afetam a qualidade de malte do grão. As NIR para as distintas datas de sementeira em condições de seca severa são apresentadas na Fig. 6 mostrando o aumento das NIR com o atraso da sementeira, com um máximo NIR = 197 mm quando se considera a sementeira a 16 janeiro. A duração do ciclo cultural diminui de 196 para 168 dias, quando se semeia respetivamente a 16 de novembro e 16 de janeiro e a colheita é esperada respetivamente para final de maio e início de julho. 289 (%) Predictabilidade Sazonal de Secas 300 250 NIR (mm) 200 150 100 50 0 16-Nov 30-Nov 06-Dez 16-Dez 30-Dez 06-Jan 16-Jan Fig. 6. Necessidades líquidas de rega (NIR) da cevada dística, para diferentes datas de sementeira, em condições de seca severa (adaptado de Paredes et al., 2016). As quantidades de rega sazonal bruta (GID) e os totais de água utilizada (TWU) para cada cenário de rega e data de sementeira são apresentados na Fig. 7. Verificase que tanto a GID como a TWU relativas aos cenários de rega (2 a 4) aumentam à medida que a data de sementeira é protelada. Como esperado, o valor mais baixo da TWU (Fig. 7b) é sempre obtido no caso do sequeiro para qualquer das datas de sementeira. Os valores de TWU em sequeiro540 variam pouco entre um máximo a 6 de dezembro (373 mm) e o mínimo a 16 de janeiro (341 mm). 490 200 540 180 490440 TWU (mm) (mm) TWU 160 GID (mm) 140 440 120 100 80 40 290290 20 240 24016-Nov 30-Nov 6-Dez 16-Dez 30-Dez 06-Jan 16-Jan 16-Nov 30-Nov 6-Dez 16-Dez 30-Dez 06-Jan b) ● rega completa, Δ défice muito suave, □ défice suave, Rainfed sequeiro Full VMild Mild 16-Nov 30-Nov a) 340 340 60 0 390 390 6-Dez 16-Dez 30-Dez 06-Jan 16-Jan Fig. 7. Quantidade de rega bruta (GID) e o total de água utilizada (TWU) para os diferentes cenários de rega e de datas de sementeira da cevada dística em condições de seca severa (adaptado de Paredes et al., 2016). A produção real (Fig. 8a) mais elevada é obtida nos cenários de rega completa, sendo o maior valor conseguido se a sementeira ocorre a 6 de janeiro. Estes resultados relacionam-se com a produção potencial (Ym) (Fig. 8a) e com as baixas RYL (Fig. 8b). As diferenças de produção entre os cenários de rega completa e deficitária aumentam à medida que a data de sementeira é adiada. 290 16-Jan Calendários de rega para condições de seca 540 490 7500 300 8000 6500 7000 6000 440 6000 5500 5000 5000 4500 4000 4000 200 35 (%) RYL(mm) TWU Ym e Ya (kg ha-1) 400 3000 3000 100 a) 20 15340 0 16-Nov 30-Nov 6-Dez 16-Dez 30-Dez 06-Jan 16-Jan 240 16-Nov 30-Nov 6-Dez 16-Dez 30-Dez 06-Jan 0 muito suave, □ défice suave, Rainfed ● rega completa, Δ défice sequeiro Full VMild Mild 16-Nov 30-Nov 06-Dec 16-Dec 30-Dec 16-Dez 30-Dez 06-Jan 16-Jan 1000 06-Jan b) 16-Jan 16-Jan GID-mild TWU-mild yield-full Fig. 8. TWU-full Produção potencial (Ym, )yield-mild e produção real (Ya) (a) e perdas relativas de produção (RYL) (b) da cevada dística para diferentes cenários de rega e várias datas de sementeira, em condições de seca severa (adaptado de Paredes et al., 2016). Analisando os indicadores de produtividade da água (Fig. 9a) verifica-se que estes apresentam valores muito semelhantes para todos os cenários de rega de complemento, o que se explica pela pequena variação das razões entre produção (Fig. 8a) e TWU (Fig. 7b). No entanto, existe uma tendência para a WP aumentar à medida que a sementeira é mais tardia. Os valores de WP obtidos nestas condições são semelhantes ao valor de WP observado no ano seco de 2012. Os valores mais baixos de WP foram obtidos em condições de sequeiro, nomeadamente se semeando em meados de novembro. Confirma-se a vantagem da sementeira ocorrer 540 no início de janeiro. 490 1.70 1.70 1.60 1.60 1.50440 1.50 EWPR () (mm) TWU GID-Full 25390 5290 2000 16-Nov 30-Nov 6-Dez 0 30 10 3500 WP (kg m-3) GID, TWU (mm) 500 7000 Ya (kg ha-1) 600 40 1.40 1.40 1.30390 1.30 1.20 1.10 1.20 0.90 290 1.00 0.90 340 1.00 1.10 0.80 0.70 24016-Nov 30-Nov 6-Dez 16-Dez 30-Dez 06-Jan 16-Jan 16-Nov 30-Nov 6-Dez 16-Dez 30-Dez 06-Jan b) ● rega completa, Δ défice muito suave, □ défice suave, Rainfed sequeiro Full VMild Mild 16-Nov 30-Nov 6-Dez 16-Dez 30-Dez 06-Jan 16-Jan a) Fig. 9. Produtividade da água (WP) (a) e razão da produtividade económica da água (EWPR) (b) da cevada dística para diferentes cenários de rega e várias datas de sementeira em condições de seca severa (adaptado de Paredes et al., 2016). A Fig. 9b apresenta os resultados de EWPR, ou seja, do retorno económico do agricultor por cada € investido. Verifica-se para este indicador um comportamento semelhante ao da WP, aumentando para sementeira tardia, o que se deve à Ym (Fig. 8b). No entanto, contrariamente à WP, os valores de EWPR mais elevados são obtidos quando a rega é calendarizada para a satisfação das necessidades da cultura. 291 16-Jan Predictabilidade Sazonal de Secas Como os custos da rega representam uma fração relativamente pequena nos custos totais da exploração, o denominador da EWPR não se modifica muito quando haja menor uso da água pelo que as diferenças entre as alternativas refletem principalmente as diferenças em termos de produção obtida (Fig. 8a). O valor mais elevado de EWPR refere-se a sementeira a 6 de janeiro utilizando rega completa (EWPR = 1.45). Os resultados indicam (Fig. 9b) que a cevada de sequeiro não é economicamente viável em condições de seca para quaisquer datas de sementeira (EWPR < 1.0). Em condições de seca severa, e para todos os cenários de rega, a sementeira a 16 de novembro não é viável e no caso da sementeira a 30 de novembro só é viável o cenário de rega completa. Em conclusão, em condições de seca severa, os resultados relativos ao uso da água apontam para vantagens de semear em meados de novembro, o que está de acordo com as medidas de mitigação usualmente propostas para cereais de inverno (Saadi et al., 2015). No entanto, este é o cenário menos favorável em termos de rendimento. Em contraste, a sementeira em inícios de janeiro aumenta as necessidades de água mas permite obter produções mais elevadas e maior retorno económico, tanto quando se adota rega completa como rega deficitária. A adoção de rega deficitária em condições de seca terá de ser acompanhada por uma gestão adequada dos calendários de rega, podendo a utilização de previsões meteorológicas ajudar nesta tarefa e apoiar a tomada de decisão em tempo real. 3. Impactos da rega deficitária do milho 3.1. Caracterização dos estudos efetuados em Alpiarça e Coruche Com o objetivo de melhorar a informação sobre as relações água-produção foram efetuados estudos em parcelas da Quinta da Lagoalva de Cima, em Alpiarça, de 2010 a 2012, com uma área de cerca de 200 ha cultivados com milho (Zea mays L.). Nos estudos utilizou-se a variedade PR33Y74 (FAO 600) com uma densidade aproximada de 82000 plantas ha-1. Todas as observações/medições efetuadas, assim como a caracterização dos solos das três parcelas são descritas em Paredes et al. (2014, 2015). As observações de campo incluíram as datas de início de cada fase de desenvolvimento da cultura (Tabela 6). Tabela 6. Datas e acumulação térmica (AGDD) para os estágios de desenvolvimento de milho, Alpiarça (adaptado de Paredes et al., 2014). Ano Parcela 2010 1 Data 2 AGDD (oC) 2011 1 Data AGDD (oC) 2012 2 Data AGDD (oC) 3 Data CGDD (oC) Estágios de desenvolvimento do milho Início do Início do período de Sementeira período crescimento rápido intermédio Início do período final Colheita 25/05/2010 26/06 18/07 03/09 13/10 310 27/04/2011 297 16/04/2012 252 30/05/2012 257 1448 29/06 1490 25/06 1457 17/07 1416 1810 18/08 1955 21/08 1902 13/09 1785 684 18/05 716 09/05 687 16/06 680 292 20/09 20/09 12/10 Calendários de rega para condições de seca Foram colhidas amostras da produção final em locais próximos dos tubos acesso das sondas de medição da humidade do solo, correspondendo a uma área total de amostragem de 6.7 m2. As amostras foram secas em estufa a 65±5oC até obtenção de peso constante, depois ajustado para 13% de humidade. Os resultados da produção de biomassa e grão de milho apresentam-se na Tabela 7. Tabela 7. Produção de biomassa e de grão de milho, Alpiarça (adaptado de Paredes et al., 2014) Parcela, ano 1, 2010 2, 2010 1, 2011 2, 2012 3, 2012 Biomassa (t ha-1) 41.86(±8.37) 26.27(±5.25) 40.02(±5.86) 38.70(±7.09) 33.62(±7.64) Grão (t ha-1) 20.62(±4.14) 12.78(±2.56) 19.46(±2.97) 19.32(±2.63) 16.53(±3.72) Foram igualmente utilizados estudos de campo realizados na Estação Experimental António Teixeira, localizada dentro do Perímetro de Rega do Vale do Sorraia, Coruche. Os ensaios de campo foram delineados com o objetivo de avaliar os impactos de diferentes níveis de défice hídrico em distintas fases do ciclo cultural do milho. O clima é semelhante ao de Alpiarça (Fig. 1). O milho era da variedade LG18 (FAO 300) e a densidade de sementeira foi de 90000 plantas ha-1. A sementeira realizou-se a 10 de Maio, a emergência ocorreu a 25 de Maio, o máximo desenvolvimento do coberto ocorreu de 12 a 19 de Julho dependendo do tratamento de rega e a senescência, também dependente do tratamento de rega, iniciou-se entre 1 e 28 de Agosto. A colheita foi efetuada a 5 de Setembro em todos os tratamentos (Alves et al., 1991). O solo era areno-limoso com capacidade de campo θFC = 0.22 (m3 m-3), coeficiente de emurchecimento θWP = 0.075 (m3 m-3) e conteúdo volumétrico à saturação θsat = 0.37 (m3 m-3). As observações e medições efetuadas no campo experimental de Coruche para cada tratamento de rega incluíram: (i) as datas dos estágios de desenvolvimento; (ii) os índices de área foliar (LAI, m2 m-2), medidos ao longo do ciclo da cultura utilizando um medidor portátil (LI-COR modelo LI-3000 A); (iii) a produção final de grão (Tabela 8), em amostras colhidas numa área de 1.6 m2 por tratamento. As amostras foram secas em estufa a uma temperatura de 65±5oC e a produção foi depois ajustada para 13% de humidade do grão. (iv) as dotações de rega (D, mm), determinadas utilizando pluviómetros colocados acima do copado e próximos dos tubos de acesso das sondas de medição do conteúdo de água do solo. Os tratamentos de rega foram configurados utilizando a técnica do gradiente de rega (Hanks et al., 1976) usando um sistema de rega por aspersão fixa. A rega foi efetuada em média cada 5 dias, utilizando-se um termómetro de infravermelhos para confirmar o estado hídrico das plantas (Alves e Pereira, 2000); (v) o conteúdo de água do solo medido antes e após cada rega utilizando uma sonda 293 Predictabilidade Sazonal de Secas de neutrões DIDCOT previamente calibrada; as medições foram efetuadas às profundidades de 0.10, 0.15, 0.20, 0.30, 0.40, 0.50, 0.60, 0.80, 1.00 e 1.20 m; (vi) a evapotranspiração real (ETc act), determinada para os períodos que medeiam dois eventos de rega sucessivos usando o balanço hídrico do solo (Doorenbos e Pruitt, 1977). A percolação profunda foi estimada com base nas medições de água do solo abaixo da profundidade radicular (0.60 a 1.20 m). Observou-se que o escoamento superficial foi nulo, tal como a ascensão capilar uma vez que a toalha freática era profunda. Foram estabelecidas várias estratégias de rega, incluindo rega completa e deficitária, considerando as seguintes fases críticas de desenvolvimento do milho: vegetativa, floração/formação do grão e maturação (Alves et al., 1991). Foram selecionadas para o presente estudo seis estratégias de rega com várias repetições (Paredes et al., 2014): (A) rega completa em todas as fases da cultura; (B) défice hídrico imposto na fase vegetativa; (C) défice hídrico imposto na maturação; (D) défice hídrico imposto durante as fases vegetativa e de floração; (E) défice hídrico imposto nas fases vegetativa e de maturação; e (F) défice hídrico imposto ao longo do ciclo da cultura. Informação detalhada dos estudos são encontrados em Alves et al. (1991). Tabela 8. Produção de biomassa e de grão de milho para os diferentes tratamentos de rega, Vale do Sorraia (Alves et al., 1991). Tratamento A B C D E F Biomassa total (t ha-1) 26.57(±3.42) 21.61(±2.19) 25.02(±0.96) 17.59(±0.88) 19.06(±0.27) 14.02(±0.39) Grão (t ha-1) 12.15(±1.20) 10.03(±1.27) 12.23(±0.40) 6.65(±0.26) 7.11(±1.13) 6.66(±0.98) Nota: Desvio padrão das amostras apresentado entre parêntesis 3.2. Estimação da produção de milho A aproximação simplificada descrita na Seção 2.2, combinação SIMDualKcStewart, foi utilizada para estimar a produção de milho. No modelo global de Stewart (S1) utilizou-se o fator de resposta do milho (Ky= 1.32) obtido no estudo por Paredes et al. (2014). Este valor situa-se na gama de variação de Ky obtida por Stewart et al. (1977) [Ky = 1.03 a 1.72], sendo compatível com os valores referidos por Popova et al. (2006) [Ky= 1.00 e 1.48]. Utilizou-se uma adaptação do modelo S2 utilizando a Tc act em vez da ETc act (Paredes et al., 2014). Alves et al. (1991) obtiveram os fatores de resposta do milho na fase vegetativa (βv), floração/formação do grão (βf) e maturação (βm). Assim, a Eq. 3 tomou a seguinte forma 294 Calendários de rega para condições de seca ) Y (β T + β T +β T Ŷa = Ym − m v d,v Tf d,f m d,m (6) c onde Ym é a produção potencial, Tc é a transpiração máxima sazonal (mm) e Td,v, Td,f e Td,m são os défices de transpiração (Tc - Tc act) respetivamente para as fases vegetativa, floração/formação do grão e maturação. Os valores dos fatores de resposta ao stresse derivados por Alves et al. (1991) e usados no presente estudo foram βv = 2.1 e βm = 2.1. Porém como o milho tem a capacidade de se adaptar ao stresse, o que se designa por condicionamento, os valores dos fatores de resposta ao stresse tomam valores diferentes quando este ocorre. Assim, no caso do stresse ser imposto ao longo do ciclo cultural, adotaramse βv = 1.2, βf = 2.8 e βm = 0.9. Estes valores são comparáveis com os obtidos por Stewart et al. (1977): 1.0 < βv < 1.8, 0.8 < βf < 5.7 e 0.6 < βm < 2.8. Doorenbos e Kassam (1979) propuseram um valor de 1.5 < βf < 2.3. Igbadun et al. (2007) obtiveram um valor mais baixo, βf = 0.86, que pode ser explicado pela utilização de variedade de milho mais resistente. Como os impactos do défice hídrico na fase de floração/formação de grão são muito elevados (Stewart et al., 1977; Alves et al., 1991; Karam et al., 2003; Farré e Faci, 2009) esses tratamentos não foram considerados no presente estudo. A produção potencial (Ym) é influenciada por variados fatores, nomeadamente a radiação, a temperatura e a duração do ciclo da cultura. A Ym utilizada no presente estudo foi obtida tendo em consideração a produção observada no tratamento de rega completa, onde não foi observado stresse, e informação proveniente dos agricultores na área de estudo, depois ajustada utilizando o método de Wageningen (Doorenbos e Kassam, 1979). Assim, para o estudo efetuado em Alpiarça com a variedade de milho PR33Y74 (FAO 600) Ym foi 21952 kg ha-1 para 2010, 19779 kg ha-1 em 2011, e 20595 kg ha-1 e 16865 kg ha-1 respetivamente para as parcela 2 e 3 em 2012, com o valor mais baixo correspondendo a uma menor duração do ciclo (Tabela 5). Para o caso da experimentação em Coruche, em que se utilizou a variedade de milho LG18 (FAO 300), Ym = 14169 kg ha-1. O conjunto de dados de ambos os estudos foi utilizado com o modelo SIMDualKc, após calibração, para derivar os valores de Tc act e ETc act utilizando-se as produções observadas para obter as relações produção-T e produção-ET da Fig. 10. Os resultados mostram que, como esperado, existe uma melhor correlação entre produção-T do que produção-ET o que se deve ao fato de a evaporação não contribuir para a produção e por isso provocar algum viés na estimativa. 295 25000 25000 25000 20000 Produção observada (kg ha-1) Produção = 33 ETc act - 5106 R² = 0.76 -1 Produção ha-1) (kg ha ) (kg observada Produção observada Predictabilidade Sazonal de Secas 20000 10000 5000 0 20000 Produção = 47 Tc act - 6579 15000 R² = 0.80 15000 0 15000 Produção = 47 Tc act - 6579 R² = 0.80 10000 5000 0 200 400 600 800 0 200 400 600 800 Series1b) lagoalva real Fig. 10. Relação entre a produção de milho observada e: a) a evapotranspiração 10000 sorraia (ETc act) e b) a transpiração da cultura (Tc act) (◊ observações em Alpiarça e observações ETc act simulada (mm) Tc act simulada (mm) a) no Vale do Sorraia) (adaptado de Paredes et al., 2014). Linear (Series1) Os resultados 5000 da predição da produção quando se utilizam os modelos S1 e S2 são apresentados na Fig. 11 mostrando que ambos os modelos conseguem simular bem as produções obtidas em condições muito distintas, com o modelo S2 a apresentar menores erros 0 de estima. Tal é explicado pelo impacto diferenciado do stresse nas distintas fases do ciclo cultural. 200 400 600 800 Tc act simulada (mm) 25000 Ya simulado com o S2 (kg ha-1) Ya simulado com o S1 (kg ha-1) 0 25000 20000 15000 10000 5000 0 0 5000 10000 15000 20000 25000 Ya observado (kg ha-1) b0 R2 RMSE (kg ha-1) AAE (kg ha-1) ARE (%) EF 20000 15000 10000 5000 0 0 a) 5000 10000 15000 20000 25000 Ya observado (kg ha-1) 1.00 0.84 1800 1507 18.5 0.81 b) 1.00 0.92 1209 926 10.0 0.92 b0 - coeficiente de regressão da regressão linear forçada à origem; R2 - coeficiente de determinação; RMSE raiz do erro médio quadrático; AAE - erro médio absoluto; ARE - erro médio relativo; EF - eficiência de modelação. Fig. 11. Retas de regressão e indicadores de ajustamento entre a produção de milho observada e simulada (kg ha-1) usando os modelos (a) S1 e (b) S2 (◊ observações em Alpiarça e ♦ observações no Vale do Sorraia) (adaptado de Paredes et al., 2014). Os valores elevados de R2 indicam que os valores de produção estimados pelos modelos são estatisticamente próximos dos valores observados. A RMSE quando se aplica o modelo S1 representa menos de 10% da produção média observada e a RMSE relativo ao modelo S2 representa aproximadamente 7%. AAE e ARE são 296 Calendários de rega para condições de seca baixos em ambos os casos mostrando a boa precisão dos modelos S1 e S2. Ambos os valores de EF são elevados indicando que o erro médio quadrático dos resíduos é bastante menor do que a variância das observações, pelo que ambos os modelos se podem considerar bons preditores da produção de milho. Os resultados obtidos com ambos os modelos (Fig. 11) são comparáveis com os de outros estudos que utilizaram modelos de produção (vide Tabela 9). Tabela 9. Exemplos de resultados da estimação da produção de milho utilizando modelos expressos em termos do NRMSE reportados na literatura. NRMSE* (%) 9 13 13 a 16 14 34 43 7 a 18 Modelo RZWQM-CERES-Maize DSSAT CERES-Maize AquaCrop AquaCrop AquaCrop AquaCrop * NRMSE = RMSE/𝑂̅ Autores Ma et al. (2006) Ma et al. (2006) DeJonge et al. (2012) Hsiao et al. (2009) Heng et al. (2009) Katerji et al. (2013) Ahmadi et al. (2015) 3.3. Estimação da produtividade da água A estimação da produtividade da água dos calendários de rega dos agricultores seguiu a metodologia descrita na Secção 2.2. Na Tabela 10 são apresentados os indicadores de produtividade da água relativos à gestão efetuada pelos agricultores; adicionalmente, apresentam-se o uso da água e a transpiração simulada. Tabela 10. Uso da água, produção de grão e indicadores de produtividade da água em milho observados em Alpiarça (adaptado de Paredes et al., 2014). 2010 1 2 Precipitação (mm) 89 89 Rega bruta (GID, mm) 780 840 BWUF () 0.80 0.70 Percolação profunda (mm) 13 18 Escoamento superficial (mm) 0 0 Variação do armazenamento de água no solo (mm) -54 -59 Total de água utilizada (TWU, mm) 815 870 Transpiração real (Tc act, mm) 474 451 Produção observada de grão (kg ha-1) 20615 12775 Produtividade da água (WP, kg m-3) 2.53 1.47 Razão da produtividade económica da água (EWPR) 2.84 1.74 Parcela 2011 1 283 539 0.85 36 2 -74 748 525 19459 2.60 2.80 2012 2 3 108 39 722 620 0.81 0.86 2 0 0 0 32 54 862 713 596 506 19322 16530 2.24 2.32 2.69 2.35 No cálculo da produtividade económica para os diferentes anos, os custos dos fatores de produção e os preços unitários da produção foram atualizados anualmente. As GID foram estimadas utilizando as BWUF médias observadas em campo, as quais variaram entre 0.70 e 0.86; o valor mais baixo foi observado na parcela 2 em 2010 e o mais elevado na parcela 3 em 2012 (Tabela 10). Os resultados da BWUF mostram que o agricultor procurou melhorar os sistemas de rega após as avaliações de campo. O melhor resultado da WP foi obtido em 2011, o que se deveu 297 Predictabilidade Sazonal de Secas à elevada produção e a uma adequada calendarização da rega que permitiu aplicar menos água para obter 1 kg de milho. Valores de WP relativamente semelhantes aos do presente estudo foram referidos por Di Paolo e Rinaldi (2008), com WP a variar de 1.44 a 2.25 kg m-3, Hernández et al. (2015) com valores de WP entre 1.45 e 2.45 kg m-3. Os resultados económicos, expressos em termos de EWPR, foram menos influenciados pela melhoria da BWUF pois os custos da rega são uma pequena fração dos custos de produção. A EWPR reflete a influência do valor da produção uma vez que os custos de produção variaram pouco no período de 2010 a 2012. O maior retorno económico foi obtido em 2010 na parcela 1, onde por cada euro investido o agricultor recebeu 2.84 euros; este resultado corresponde a elevada produção e a custos de produção que refletem a elevada BWUF. O lucro mais baixo foi obtido para a parcela 2 em 2010 refletindo a menor produção associada a custos de produção mais elevados, os quais foram influenciados pela baixa BWUF. 3.4. Calendários de rega para conviver com as secas As necessidades líquidas de rega (NIR) do milho foram calculadas utilizando a série de 19 anos de dados de precipitação e ETo descrita na Secção 2.3. A data de sementeira selecionada foi a observada em 2010 (Tabela 6), que possibilita a ocupação do campo durante o período de inverno com outra cultura, por exemplo a ervilha. As datas das fases do ciclo cultural foram definidas utilizando os GDD médios observados em campo (Tabela 5). A Fig. 12 apresenta as NIR do milho, que variam entre 479 e 788 mm de acordo com a procura climática e a precipitação. Assim, foram desenhadas várias estratégias de rega usando o modelo SIMDualKc, com o objetivo de conviver com a seca; estas estratégias foram avaliadas para condições de procura climática forte, i.e. seca severa, a que corresponde uma NIR com uma probabilidade de excedência de 20%. 1100 1000 900 NIR (mm) 800 700 600 500 400 300 200 100 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 Probabilidade (%) Fig. 12. Necessidades líquidas de rega do milho em Alpiarça. A Ym para o ano de seca severa (Ym = 18258 kg ha-1) foi obtida utilizando o método de Wageningen (Doorenbos e Kassam, 1979). Para estimar as perdas de produção 298 Calendários de rega para condições de seca utilizou-se o modelo S2 anteriormente descrito. As estratégias de rega definidas, consideram uma dotação fixa I = 15 mm e diferentes limiares de défice (MAD), foram as seguintes: Cenário 1 - rega para satisfação das necessidades de água da cultura, MAD = p; Cenário 2 - MAD = 1.10 p; 1.20 p, 1.05 p; 1.20 p, respetivamente para as fases inicial, de desenvolvimento, intermédia e final do ciclo cultural; Cenário 3 - MAD = 1.20 p; 1.30 p, 1.10 p; 1.30 p para as mesmas fases; Cenário 4 - MAD = 1.20 p; 1.40 p, 1.20 p; 1.40 p para as mesmas fases. Em todas os casos a rega cessa 30 dias antes da colheita para permitir que o grão atinja um teor de água mais adequado à sua conservação pós-colheita. A Fig. 13a apresenta a quantidade bruta de água de rega (GID) e o total de uso da água (TWU) para cada cenário de rega enquanto as produções atuais Ya (kg ha-1) e as perdas relativas de produção (RYL) simuladas usando a combinação SIMDualKc com o modelo S2 se apresentam na Fig. 13b, em ambos os casos referentes aos cenários de rega acima definidos. 1000 900 GID e TWU (mm) 800 700 600 500 400 300 200 100 0 Cenário 1 Cenário 2 Cenário 3 Cenário 4 18000 a) 25 16000 20 12000 15 10000 8000 10 RYL (%) Ya (kg ha-1) 14000 6000 4000 5 2000 0 0 Cenário 1 Cenário 2 Cenário 3 Cenário 4 b) Fig. 13. Quantidade de rega bruta (GID, ♦) e total de água utilizada (TWU, ○) (a) e produção real (Ya, x) e perdas relativas de produção (RYL, ∆) (b) para os vários cenários de rega do milho em condições de seca severa. 299 Predictabilidade Sazonal de Secas Pela análise dos resultados da Fig. 13, verifica-se que, em condições de seca severa, a cultura do milho para ser gerida com carência hídrica limitada (RYL < 5%, cenário 1), requer uma dotação total de rega de 800 mm. Optando pela rega deficitária controlada (RYL < 10%, cenário 2), verifica-se uma poupança de água de 12% relativamente ao calendário correspondente a conforto hídrico (cenário 1), com uma poupança de 5 regas. Se considerarmos o cenário 4, a poupança de água de rega sobe para 37% mas a produção reduz-se em 20%. Analisando os cenários de rega em termos de produtividade da água (Fig. 14) verifica-se que o valor mais baixo, WP = 1.86 kg m-3, corresponde ao calendário de rega em conforto hídrico, enquanto o mais elevado, WP = 2.20 kg m-3, se verifica para os cenários 3 e 4 de rega deficitária, porém com perdas relativas de produção superiores, 15 e 20% (Fig. 13b) sendo que estas são proporcionais à diminuição da TWU (Fig. 13a). No entanto, as estratégias que conduzem a uma maior poupança de água (Fig. 13a) e maior WP têm distinto retorno económico, sendo que a EWPR decresce então para, respetivamente, 2.16 e 2.00 euros por cada euro investido (Fig. 14). Verifica-se que todas as estratégias propostas são viáveis para os preços atuais do milho uma vez EWPR é sempre superior a 1.00. 2.40 2.40 2.00 2.20 1.80 1.60 2.00 EWPR () WP (kg ha-1) 2.20 1.40 1.20 1.80 1.00 Cenário 1 Cenário 2 Cenário 3 Cenário 4 Fig. 14. Produtividade da água (WP, ●) e razão da produtividade económica da água (EWPR, □) em milho para diferentes cenários de rega em condições de seca severa. Em conclusão, em condições de seca e disponibilidade limitada de água dever-se-á procurar um equilíbrio entre a poupança de água e o retorno económico para o agricultor. Assim, os calendários deficitários mostram ser uma boa alternativa. Porém, os agricultores devem ser apoiados nas decisões relativas à gestão da rega de forma a evitar sempre a imposição de défices hídricos significativos durante os períodos de floração e enchimento do grão. O apoio à gestão da rega deverá preferencialmente ser efetuado mediante a utilização de dados de previsão meteorológica, de curto e médio prazo, a ser usados como dados de entrada num modelo de balanço hídrico como o SIMDualKc. 300 Calendários de rega para condições de seca 4. Conclusões A aproximação simplificada usada para estimar os impactos do défice hídrico na produção e que combina o modelo de balanço hídrico SIMDualKc com os modelos S1 e S2 de água-produção de Stewart, foi testada para cereais de primavera e de verão, respetivamente a cevada para malte e o milho. O modelo SIMDualKc foi previamente calibrado para cada cultura (Paredes et al., 2015) e os resultados relativos à transpiração da cultura foram utilizados como dados de entrada dos modelos água-produção de Stewart. Os resultados obtidos mostram um bom desempenho desta aproximação simplificada na predição da produção de ambas as culturas em condições climáticas distintas, nomeadamente em termos de precipitação contrastante, conduzindo a desvios pequenos entre observações e predições, conforme mostrou a sua comparação com resultados publicados referindo a aplicação de vários modelos a ambas as culturas. O modelo SIMDualKc foi utilizado para simular diferentes estratégias de gestão da água. Os resultados para a cevada mostraram que a antecipação da data de sementeira conduz a menores necessidades de rega mas origina uma menor produção potencial. Consequentemente, é previsível que o retorno económico para o agricultor, expresso em termos de rácio da produtividade económica da água seja menor para sementeira em novembro relativamente a início de janeiro. A opção de semear em janeiro aumenta as necessidades de rega mas também as produções e o retorno económico. Concluiu-se também que a cevada em regime de sequeiro é uma opção frequentemente não viável em termos económicos, em particular em condições de seca. Em condições de seca a sementeira em novembro não é economicamente viável, mesmo utilizando rega para satisfação completa das necessidades de água da cultura uma vez que o retorno económico para o agricultor é quase sempre negativo. Ao invés, o retorno é positivo se a sementeira for atrasada para final de dezembro ou início de janeiro, incluindo quando se utiliza rega deficitária controlada. Os calendários de rega do milho estudados para condições de seca mostraram a adequação de défice hídrico moderado ao longo do ciclo da cultura com exceção das fases de floração e de enchimento do grão, em que o défice deve ser suave de modo a impedir elevados impactos negativos na produção. Esta adequação foi expressa em termos de uso da água e de produtividade económica (retorno económico). Verificou-se que adotando o calendário mais deficitário se poderia reduzir o consumo de água de rega em 37%, mas com um decréscimo de produção de 20%, i.e. com redução do retorno económico de 2.40 para 2.00 €/€. Assim, em condições de seca dever-se-á procurar um equilíbrio entre poupança de água e retorno económico para o agricultor. A utilização de modelos de calendarização da rega, como o SIMDualKc, em tempo real utilizando dados de previsão meteorológica é aconselhável para o apoio à decisão do agricultor em condições de seca. 301 Predictabilidade Sazonal de Secas Agradecimentos O primeiro autor agradece à FCT a bolsa de pós-doutoramento (SFRH/BPD/102478/2014) que lhe foi atribuída. O presente estudo foi financiado pelo projeto PTDC/GEOMET/3476/2012 “Avaliação da Predictabilidade e hibridação de Previsões sazonais de seca na Europa Ocidental – PHDROUGHT”. Referências Abrha, B., Delbecque, N., Raes, D., Tsegay, A., Todorovic, M., Heng, L., Vanutrecht, E., Geerts, S., Garcia-Vila, M., Deckers, S., 2012. Sowing strategies for barley (Hordeum vulgare L.) based on modelled yield response to water with AquaCrop. Expl. Agric. 48, 252-271. Ahmadi, S.H., Mosallaeepour, E., Kamgar-Haghighi, A.A., Sepaskhah, A.R., 2015. Modeling maize yield and soil water content with AquaCrop under full and deficit irrigation managements. Water Resour. Manage. 29, 2837-2853. Albrizio, R., Todorovic, M., Matic, T., Stellaci, A.M., 2010. Comparing the interactive effects of water and nitrogen on durum wheat and barley grown in a Mediterranean environment. Field Crop. Res. 115(2), 179-190. Alves, I., Fontes, J.C., Pereira, L.S., 1991. Water-yield relations for corn. In: Planning, Operation, and Management of Irrigation Systems for Water and Energy Conservation (Proc. Special Tech. Session). Chinese Nat.Com. ICID, Beijing, vol. I-A, pp. 154-161. Alves, I., Pereira, L.S., 2000. Non-water-stressed baselines for irrigation scheduling with infrared thermometers: A new approach. Irrigation Sci. 19, 101-106. Araya, A., Habtu, S., Hadgu, K.M., Kebede, A., Dejene, T., 2010. Test of AquaCrop model in simulating biomass and yield of water deficient and irrigated barley (Hordeum vulgare). Agric. Water Manage. 97, 1838-1846. Belhouchette, H., Braudeau, E., Hachicha, M., Donatelli, M., Mohtar, R.H., Wery, J., 2008. Integrating spatial soil organization data with a regional agricultural management simulation model: a case study in northern Tunisia. Trans. ASABE 51(3), 1099-1109. Çakir, R., 2004. Effect of water stress at different development stages on vegetative and reproductive growth of corn. Field Crops Res. 89, 1-16. Cantero-Martínez, C., Angas, P., Lampurlanés, J., 2003. Growth, yield and water productivity of barley (Hordeum vulgare L.) affected by tillage and N fertilization in Mediterranean semiarid, rainfed conditions of Spain. Field Crop. Res. 84, 341-357. Cossani, C.M., Slafer, G.A., Savin, R., 2012. Nitrogen and water use efficiencies of wheat and barley under a Mediterranean environment in Catalonia. Field Crop. Res. 128, 109-118. Day, W., Lawlor, D.W., Day, A.T., 1987. The Effect of drought on barley yield and water use in two contrasting years. Irrigation Sci. 8, 115-130. Dehghanisanij, H., Nakhjavani, M.M., Tahiri, A.Z., Anyoji, H., 2009. Assessment of wheat and maize water productivities and production function for cropping system decisions in arid and semiarid regions. Irrig. Drain. 58, 105-115. DeJonge, K.C., Ascough II, J.C., Andales, A.A., Hansen, N.C., Garcia, L.A., Arabi, M., 2012. Improving evapotranspiration simulations in the CERES-Maize model under limited irrigation. Agric. Water Manage. 115, 92-103. Di Paolo, E., Rinaldi, M., 2008. Yield response of corn to irrigation and nitrogen fertilization in a Mediterranean environment. Field Crop. Res. 105, 202-210. 302 Calendários de rega para condições de seca Donatelli, M., Stöckle, C., Ceotto, E., Rinaldi, M., 1997. Evaluation of CropSyst for cropping systems at two locations of northern and southern Italy. Europ. J. Agron. 6, 35-45. Doorenbos, J., Kassam, A.H., 1979. Yield Response to Water. Irrigation and Drainage Paper 33, FAO, Rome, 193 p. Doorenbos, J., Pruitt, W.O., 1977. Guidelines for Predicting Crop Water Requirements. FAO Irrigation and Drainage Paper 24, FAO, Rome, Italy, 156 p. Eitzinger, J., Trnka, M., Hösch, J., Žalud, Z., Dubrovský, M., 2004. Comparison of CERES, WOFOST and SWAP models in simulating soil water content during growing season under different soil conditions. Ecol. Model. 171, 223-246. Farré, I., Faci, J.-M., 2009. Deficit irrigation in maize for reducing agricultural water use in a Mediterranean environment. Agric. Water Manage. 96, 383–394. Forster, R.L., 2003. Barley diseases. In: R.L. Robertson, J.C. Stark (Eds.), Idaho Spring Barley Production Guide, Univ. Idaho Extension Bull. 742, 36-43. Francia, E., Tondelli, A., Rizza, F., Badeck, F.W., Nicosia, O.L.D., Akar, T., Grando, S., Al-Yassin, A., Benbelkacem, A., Thomas, W.T.B., van Eeuwijk, F., Romagosa, I., Stanca, A.M., Pecchioni, N., 2011. Determinants of barley grain yield in a wide range of Mediterranean environments. Field Crop. Res. 120, 169-178. Hanks, R.J., Keller, J., Rasmussen, V.P., Wilson, G.D., 1976. Line source sprinkler for continuous variable irrigation-crop production studies. Soil Sci. Soc. Am. J. 40, 426-429. Heng, L. K., Hsiao, T., Evett, S., Howell, T., Steduto, P., 2009. Validating the FAO AquaCrop model for irrigated and water deficient field maize. Agron. J. 101, 488-498. Hernández M., Echarte, L., Della Maggiora, A., Cambareri, M., Barbieri, P., Cerrudo, D., 2015. Maize water use efficiency and evapotranspiration response to N supply under contrasting soil water availability. Field Crops Res. 178, 8-15. Hsiao, T.C., Heng, L., Steduto, P., Rojas-Lara, B., Raes, D., Fereres, E., 2009. AquaCrop - the FAO crop model to simulate yield response to water: III. Parameterization and testing for maize. Agron. J. 101, 448–459. Igbadun, H.E., Tarimo, A.K.P.R., Salim, B.A., Mahoo, H.F., 2007. Evaluation of selected crop water production functions for an irrigated maize crop. Agric. Water Manage. 94, 1-10. Karam, F., Breidy, J., Stephan, C., Rouphael, J., 2003. Evapotranspiration, yield and water use efficiency of drip irrigated corn in the Bekaa Valley of Lebanon. Agric. Water Manage. 63, 125–137. Katerji, N., Mastrorilli, M., van Hoorn, J.W., Lahmer, F.Z., Hamdy, A., Oweis, T., 2009. Durum wheat and barley productivity in saline–drought environments. Eur. J. Agron. 31, 1-9. Katerji, N., Campi, P., Mastrorilli, M., 2013. Productivity, evapotranspiration, and water use efficiency of corn and tomato crops simulated by AquaCrop under contrasting water stress conditions in the Mediterranean region. Agric. Water Manage 130, 14-26. Lampurlanés, J., Angás, P, Cantero-Martıń ez, C., 2002. Tillage effects on water storage during fallow, and on barley root growth and yield in two contrasting soils of the semiarid Segarra region in Spain. Soil Till. Res. 65, 207-220. Ma, L., Hoogenboom, G., Ahuja, L.R., Ascough II, J.C., Saseendran, S.A., 2006. Evaluation of the RZWQM-CERES-Maize hybrid model for maize production. Agric. Syst. 87, 274-295. Merriam, J.L., Keller, J., 1978. Farm irrigation system evaluation: A Guide for management. Utah St. Univ., Logan, 271 p. 303 Predictabilidade Sazonal de Secas Morell, F.J., Lampurlanés, J., Álvaro-Fuentes, J., Cantero-Martínez, C., 2011. Yield and water use efficiency of barley in a semiarid Mediterranean agroecosystem: Long-term effects of tillage and N fertilization. Soil Till. Res. 117, 76-84. Nain, A.S., Kersebaum, K.C., 2007. Calibration and validation of CERES model for simulating water and nutrients in Germany. In: K.Ch. Kersebaum, J.-M. Hecker, W. Mirschel, M. Wegehenkel (Eds.) Modelling Water and Nutrient Dynamics in Soil-Crop Systems, Springer, pp. 161-181. Paredes, P., Rodrigues, G.C., Alves, I., Pereira, L.S., 2014. Partitioning evapotranspiration, yield prediction and economic returns of maize under various irrigation management strategies. Agric. Water Manage. 135, 27-39. Paredes, P., Paço T.A., Rosa R.G., Pôças I., Neves M., Pereira, L.S., 2015. Avaliação do uso da água em regadio: aplicação do modelo SIMDualKc a cevada, milho e olival. (neste livro). Paredes, P., Rodrigues, G.C., Cameira, M.R., Torres, M.O., Pereira, L.S., 2016. Assessing yield, water productivity and farm economic returns of malt barley as influenced by the sowing dates and supplemental irrigation. Agric. Water Manage. (submetido). Payero, J.O., Melvin, S.R., Irmak, S., Tarkalson, D., 2006. Yield response of corn to deficit irrigation in a semiarid climate. Agric. Water Manage. 84, 101–112. Pereira, L.S., Cordery, I., Iacovides, I., 2012. Improved indicators of water use performance and productivity for sustainable water conservation and saving. Agric. Water Manage. 108, 39-51. Pereira, L.S., Paredes, P., Rodrigues, G.C., Neves, M., 2015. Modeling barley water use and evapotranspiration partitioning in two contrasting rainfall years. Assessing SIMDualKc and AquaCrop models. Agric. Water Manage. 159, 239-254. Popova, Z., Pereira, L.S., 2011. Modelling for maize irrigation scheduling using long term experimental data from Plovdiv region, Bulgaria. Agric. Water Manage. 98, 675-683. Popova, Z., Eneva, S., Pereira, L.S., 2006.Model validation, crop coefficients and yield response factors for maize irrigation scheduling based on long-term experiments. Biosyst. Eng. 95(1), 139-149. Popova, Z., Ivanova, M., Martins, D., Pereira, L.S., Doneva, K., Alexandrov, V., Kercheva, M., 2014. Vulnerability of Bulgarian agriculture to drought and climate variability with focus on rainfed maize systems. Nat. Hazards 74, 865-886. Qureshi, Z.A., Neibling, H., 2009. Response of two-row malting spring barley to water cutoff under sprinkler irrigation. Agric. Water Manage. 96, 141-148. Rodrigues, G.C., Pereira, L.S., 2009. Assessing economic impacts of deficit irrigation as related to water productivity and water costs. Biosyst. Eng. 103, 536-551. Rodrigues, G.C., Paredes, P., Gonçalves, J.M., Alves, I., Pereira, L.S., 2013. Comparing sprinkler and drip irrigation systems for full and deficit irrigated maize using multicriteria analysis and simulation modeling: ranking for water saving vs. farm economic returns. Agric. Water Manage. 126, 85-96. Rosa, R.D., Paredes, P., Rodrigues, G.C., Alves, I., Fernando, R.M., Pereira, L.S., Allen, R.G., 2012. Implementing the dual crop coefficient approach in interactive software. 1. Background and computational strategy. Agric. Water Manage. 103, 8-24. Saadi, S., Todorovic, M., Tanasijevic, L., Pereira, L.S., Pizzigalli, C., Lionello, P., 2015. Climate change and Mediterranean agriculture: Impacts on winter wheat and tomato crop evapotranspiration, irrigation requirements and yield. Agric. Water Manage. 147, 103-115. 304 Calendários de rega para condições de seca Stewart, J.I., Hagan, R.M., Pruitt, W.O., Danielson, R.E., Franklin, W.T., Hanks, R.J., Riley, J.P., Jackson, E.B., 1977. Optimizing crop production through control of water and salinity levels in the soil. Reports. Paper 67. Utah Water Research Laboratory, Logan, USA, 191 p. Thameur, A., Lachihe, B., Ferchichi, A., 2012. Drought effect on growth, gas exchange and yield, in two strains of local barley Ardhaoui, under water deficit conditions in southern Tunisia. J. Environ. Manage. 113, 495-500. Yau, S.-K., Nimah, M., Farran, M., 2011. Early sowing and irrigation to increase barley yields and water use efficiency in Mediterranean conditions. Agric. Water Manage. 98, 1776-1781. 305 306 USABILIDADE DE PREVISÕES SAZONAIS DE ENSEMBLE DA TEMPERATURA E PRECIPITAÇÃO NA MODELAÇÃO DA REGA E DA PRODUÇÃO. APLICAÇÃO A CEVADA E MILHO Paula Paredes1, Andreia F. S. Ribeiro2, Carlos A.L. Pires2, Luis S. Pereira1 Resumo A tomada de decisão, em agricultura de regadio, tem de ser antecipadamente planeada. Esta tomada de decisão tem de considerar a grande variabilidade climática existente nas condições atmosféricas mediterrâneas assim como o impacto da gestão da rega na produção e no rendimento do agricultor. A utilização de dados de previsão meteorológica pode auxiliar neste processo decisório. No presente estudo foram utilizadas, com o modelo AquaCrop, previsões diárias de temperatura máxima e mínima e precipitação produzidas pelo Centro Europeu de Previsão do Tempo a Médio Prazo (ECMWF), com prazos de previsão a 3 meses e a 7 meses. As produções de milho e cevada simuladas pelo AquaCrop utilizando os dados de previsão foram comparadas com as produções observadas em campos de agricultores. Os resultados sugerem que a utilização de dados de previsão permitem efetivamente apoiar o agricultor na tomada de decisões. Abstract Decision-making in irrigated agriculture has to be plan ahead for the upcoming agricultural season. The decision-making has to take into consideration the high climatic year-to-year variability in the Mediterranean as well as the irrigation management impacts on yield and farm economic returns. In such a challenging environment, the use of weather forecasts may support improved decision-making, improve water use efficiency and reducing risk taking. In the present study daily 3 and 7-month weather forecasts of maximum and minimum temperature and precipitation from the European Centre for Medium-range Weather Forecasting (ECMWF) were used with the AquaCrop model. Malt barley and maize yields observed at farmers’ field and those computed with AquaCrop using forescast data were compared. Results show that weather forescasts may effectively support farmers in the decision-making process. 1 LEAF, Instituto Superior de Agronomia, Universidade de Lisboa, Tapada da Ajuda, Lisboa, Portugal. Emails: [email protected]; [email protected] 2 Instituto Dom Luiz (Laboratório Associado), DEGGE, Faculdade de Ciências da Universidade de Lisboa, Portugal. Email: [email protected] 307 Predictabilidade Sazonal de Secas 1. Introdução A produção agrícola em regadio depende, entre outros factores, das condições climáticas e da gestão da rega pelo que o uso de dados de previsão meteorológica pode contribuir para a melhoria da gestão agrícola, nomeadamente em termos do uso da água e da calendarização da rega, e.g., Lorite et al. (2015) usando previsões de curto prazo, e para a redução do risco na tomada de decisão (Troccoli et al., 2005; Choi et al., 2015). A utilização de previsões climáticas sazonais com modelos de produção no apoio à decisão tem sido objeto de vários estudos nas últimas décadas. No entanto, a maioria desses estudos focam a utilização e validação das previsões ao nível nacional ou regional pelo que os agricultores tendem a beneficiar pouco da informação produzida (Semenov e Doblas-Reyes, 2007; Baigorria et al., 2008). Um obstáculo à generalização da utilização das previsões meteorológicas é que estas são comumente disponibilizadas com escala temporal (mensal) e espacial (regional) diferente da utilizada pelos modelos de produção, os quais necessitam de dados climáticos diários e funcionam à escala da parcela. Assim, para minorar esta dificuldade surgiram ao nível Europeu projetos tais como o DEMETER (Cantelaube e Terres, 2005; Frías et al., 2010), EUROSIP (Vitart et al., 2007), ou ENSEMBLES (Doblas-Reyes et al. 2010) que disponibilizam previsões ensemble diárias (i.e. produzidas a partir de um conjunto de condições iniciais perturbadas) resultantes da corrida de modelos físicos por um período longo de vários meses ou anos. O projeto DEMETER disponibiliza dados de hindcasts (dados de retroprevisão) a partir do modelo meteorológico global operacional do ECMWF (European Centre for Medium-range Weather Forecasting). Outras fontes de dados de previsão incluem a Agência Metereológica Espanhola (AEMET, Gavilán et al., 2015), o International Research Institute for Climate and Society (IRI, Apipattanavis et al., 2010), o Florida State University/Center for OceanAtmospheric Prediction Studies (FSU/COAPS, Baigorria et al., 2008), o MARS Crop Yield Forecasting System (MCYFS, Balkovic et al., 2013; Bussay et al., 2015) do Joint Research Centre (JRC), ou o Canadian Crop Yield Forecaster (ICCYF, Chipanshi et al., 2015). Os dados climáticos de previsão geralmente incluem as variáveis temperatura máxima (Tmax), temperatura mínima (Tmin) e precipitação (Pre) e em alguns casos, são disponibilizadas adicionalmente dados de previsão de radiação solar (Baigorria et al., 2008). A utilização de previsões meteorológicas em modelos de produção localmente adaptados e testados permite explorar distintas alternativas de gestão, como datas de sementeira, calendarização da rega, fertilizações ou data de colheita, numa grande gama de condições climáticas. No entanto, às distintas alternativas de gestão estão associados riscos que se refletem no rendimento da exploração agrícola (Apipattanavis et al., 2010; Choi et al., 2015). Os modelos de produção mais utilizados no apoio à gestão e decisão com dados de hindcast são o modelo CERES incluído no DSSAT (Baigorria et al., 2008; Apipattanavis et al., 2010; d’Orgeval et al., 2010), STICS (Dumont et al., 2015), EPIC (Balkovic et al., 2013), WOFOST (Cantelaube e Terres, 2005; Marletto et al, 2007; Bussay et al., 2015) e o AquaCrop (Zinyengere et al., 2011). Porém, estes estudos usam uma validação dos dados de 308 Previsões climáticas para apoio à decisão previsão em muitos casos feita utilizando dados de produção provenientes de anuários estatísticos (Bussay et al., 2015; Chipanshi et al., 2015; Gouache et al., 2015) ou do EUROSTAT (Cantelaube e Terres, 2005; Balkovic et al., 2013; Bussay et al., 2015). Muitos estudos compararam a utilização de dados de previsão em alternativa aos observados na predição da produção sem, porém, compararem com produções observadas (e.g. Marletto et al., 2007; Baigorria et al., 2008; d’Orgeval et al., 2010). Alguns autores descreveram alternativas simplificadas à utilização de previsões climáticas provenientes de modelos globais ou regionais, como seja utilizando médias dos valores diários de séries de dados climáticos observados usando um gerador estocástico de clima que deram origem a bons resultados de predição da produção (Dumont et al. 2015; Gouache et al. 2015). No presente estudo selecionou-se o modelo AquaCrop para teste de previsões meteorológicas dado que este foi adequadamente calibrado e validado para as culturas de cevada (Pereira et al., 2015) e de milho (Paredes et al., 2014). A informação assim obtida permite ultrapassar as limitações apontadas acima para outros estudos. Assim, os objetivos do presente estudo são: 1) validar diretamente a utilização de previsões meteorológicas de ensemble com prazos de 7 meses e de 3 meses antes do final do período de cultura para as variáveis Tmax e Tmin, usadas no cálculo da evapotranspiração de referência, e da precipitação (Pre) acumulada para os ciclos das culturas de cevada e milho comparando os ensembles previstos de ETo e precipitação com os dados observados; 2) validar indiretamente as previsões de ensemble da evapotranspiração de referência (ETo) calculada apenas com dados previstos de Tmax e Tmin, e de precipitação, comparando os resultados do modelo AquaCrop em termos de transpiração real, de evaporação do solo e de produção de biomassa e grão com as observações de campo. 2. Material e métodos 2.1. Estudos de campo em cevada e milho Durante os anos de 2010 a 2013 foram efetuados estudos nos campos da Quinta da Lagoalva de Cima, em Alpiarça. Foram acompanhadas duas campanhas de cevada dística para malte, e três campanhas de milho. A informação apresentada abaixo foi descrita com maior detalhe em Paredes et al. (2015). O clima da região é tipicamente Mediterrânico, com invernos chuvosos e verões quentes e secos. A precipitação média anual é de 689 mm ocorrendo aproximadamente 73% de Outubro a Abril. Os dados climáticos utilizados no presente estudo foram coletados numa estação automática localizada na Quinta (39.16o N, 8.33oW e 24 m de elevação). A caracterização climática de cada ciclo cultural estudado é apresentada na Fig. 1 relativamente à precipitação e evapotranspiração de referência (ETo), esta última calculada pela equação FAO-PM (Allen et al., 1998; Pereira, 2004). A cevada dística para malte (Hordeum vulgare L. var. Publican) foi estudada nos anos de 2012 e 2013, a primeira em ano de seca e a segunda em ano chuvoso (Fig.1d e e), extremamente contrastantes. Em ambos os anos a parcela monitorizada (parcela 1) tinha cerca de 30 ha. A cevada foi semeada com uma densidade de 200 kg ha-1 e um espaçamento entrelinhas de 0.15 m. 309 60 60 50 50 Precipitação e ETo (mm) 40 30 20 10 40 30 20 10 02/09 16/09 30/09 04/05 18/05 28/10 19/08 20/04 14/10 05/08 06/04 22/07 23/03 08/07 24/06 10/06 27/05 13/05 01/04 05/08 28/10 22/07 05/08 14/10 08/07 22/07 30/09 24/06 08/07 16/09 10/06 24/06 02/09 27/05 10/06 19/08 13/05 27/05 29/04 13/05 15/04 01/04 a) 29/04 0 0 15/04 Precipitação e ETo (mm) Predictabilidade Sazonal de Secas b) 60 Precipitação e ETo (mm) 50 40 30 20 10 28/10 14/10 30/09 16/09 02/09 19/08 29/04 15/04 c) 60 60 50 50 Precipitação e ETo (mm) 40 30 20 10 0 40 30 20 10 29/06 15/06 01/06 09/03 23/02 09/02 26/01 12/01 d) 29/12 01/12 18/06 04/06 21/05 07/05 23/04 09/04 26/03 12/03 27/02 13/02 30/01 16/01 0 15/12 Precipitação e ETo (mm) 01/04 0 e) Fig. 1. Precipitação (▐ ) e evapotranspiração de referência (ETo) (▐ ) diárias para as campanhas do milho (a) 2010 (b), 2011 e (c) 2012, e da cevada (d) 2012 e (e) 2013. Os solos são de textura franco-arenosa na parcela 1 e 2 e limo-argilosa na parcela 3. As características hidráulicas dos solos das distintas parcelas utilizadas na modelação deste estudo são apresentadas na Tabela 1. Tabela 1. Propriedades dos solos das parcelas de Alpiarça usadas em cevada (parcela 1) e milho (parcelas 1, 2 e 3) (adaptado de Paredes et al., 2014). Camada (m) θFC (m3 m-3) Parcela1 2 0.00-0.10 0.32 0.25 0.10-0.20 0.25 0.17 0.20-0.40 0.22 0.17 0.40-0.60 0.22 0.26 0.60-0.80 0.22 0.16 0.80-1.00 0.17 0.32 3 0.35 0.36 0.36 0.37 0.36 0.37 θWP (m3 m-3) 1 2 0.08 0.08 0.06 0.05 0.06 0.04 0.04 0.09 0.05 0.04 0.04 0.14 3 0.22 0.24 0.20 0.12 0.10 0.12 θsat (m3 m-3) 1 2 0.48 0.56 0.35 0.39 0.33 0.36 0.34 0.32 0.34 0.36 0.24 0.39 3 0.45 0.41 0.42 0.43 0.43 0.45 Ksat (cm d-1) 1 2 442 891 129 157 93 117 87 40 93 86 92 66 3 71 46 50 59 61 77 θFC conteúdo de água do solo à capacidade de campo; θWP conteúdo de água do solo ao coeficiente de emurchecimento; θsat conteúdo de água do solo à saturação; Ksat condutividade hidráulica saturada 310 Previsões climáticas para apoio à decisão Os estudos relativos ao milho (Zea mays L. var. PR33Y74) efetuaram-se nos anos de 2010 a 2012. A campanha de 2010 foi a mais seca e a de 2011 a mais húmida (Fig. 1a - c). Durante as campanhas de rega de 2010 e 2012 foram monitorizadas duas parcelas desde a sementeira até à colheita, respetivamente as parcelas 1 e 2 e as parcelas 2 e 3; em 2011 apenas foi monitorizada a parcela 1. Todas as parcelas monitorizadas tinham uma área aproximada de 30 ha cada. As parcelas foram semeadas por sementeira direta com uma densidade aproximada de 82000 plantas por hectare. As observações/medições de campo utilizadas neste estudo incluíram: a) as datas de início de cada fase de desenvolvimento da cultura (Tabela 2); b) o índice de área foliar (LAI, cm2 cm-2); c) a profundidade radicular; d) a monitorização do conteúdo de água no solo (θ) até à profundidade radicular tendo os valores sido convertidos em água disponível no solo (ASW = 1000 (θ – θWP) Zr, mm); e e) amostragens da produção final sendo determinadas a quantidade de biomassa e de grão produzidos. Tabela 2. Datas e acumulação térmica (AGDD) para os períodos de desenvolvimento da cevada e milho, Alpiarça (adaptado de Paredes et al., 2014 e Pereira et al., 2015). Cultura Ano/Parcela Cevada 2012 2 2013 2 Milho 2010 1 e 2 2011 1 2012 2 3 Sementeira Data AGDD Data AGDD Data AGDD Data AGDD Data AGDD Data CGDD 16/01/2012 210 06/12/2012 302 25/05/2010 310 20/04/2011 297 16/04/2012 252 30/05/2012 257 Início do período de crescimento rápido 07/02 896 04/01 984 26/06 684 18/05 716 09/05 687 16/06 680 Início do período intermédio Início do período Colheita final 03/04 1552 10/03 1671 18/07 1448 29/06 1490 25/06 1457 17/07 1416 20/05 2315 29/04 2331 03/09 1810 18/08 1955 21/08 1902 13/09 1785 26/06 06/06 13/10 20/09 20/09 12/10 Todas as parcelas foram regadas por aspersão, sendo as parcelas 1 e 2 regadas por um sistema de rampa pivotante e a parcela 3 por uma rampa de deslocação linear. Os calendários de rega aplicados foram decididos pelo agricultor. Os calendários de rega e informação mais detalhada dos estudos são apresentados em Paredes et al. (2015). Na validação do modelo AquaCrop consideraram-se adicionalmente estudos de campo realizados da Estação Experimental António Teixeira em Coruche. Os ensaios realizados visaram a avaliação dos impactos na produção de milho de diferentes níveis de défice hídrico em distintas fases do ciclo cultural. O clima deste local é semelhante ao de Alpiarça. Nos ensaios utilizou-se a variedade LG18 (FAO 300) e uma densidade de sementeira de 90000 plantas ha-1 (Alves et al., 1991). O solo no campo experimental era areno-limoso com capacidade de campo θFC = 0.22 (m3 m-3), coeficiente de emurchecimento θWP = 0.075 (m3 m-3), conteúdo volumétrico 311 Predictabilidade Sazonal de Secas à saturação θsat = 0.37 (m3 m-3) e condutividade hidráulica saturada Ksat = 445 mm d-1 (Alves et al., 1991). As observações efetuadas no campo experimental de Coruche e utilizadas no AquaCrop incluíram: a) datas dos períodos de desenvolvimento; b) os índices de área foliar; c) calendários de rega e dotações aplicadas; d) conteúdo de água do solo medido até 1.2 m; e e) produção final de biomassa e de grão. Uma descrição mais detalhada destes estudos é feita por Paredes et al. (2015). 2.2. Modelação da produção O modelo Aquacrop (Raes et al., 2012) é um modelo de produção composto por quatro submodelos: 1) o de balanço hídrico do solo; 2) o de desenvolvimento da cultura e produção; 3) o de clima, que combina a procura climática (evapotranspiração de referência) e a precipitação considerando a concentração de CO2; e 4) o de gestão da cultura, onde se inclui a rega, a fertilização e o controlo da salinidade (Raes et al., 2012). Os dados de entrada do modelo incluem (Raes et al., 2012): 1) Dados climáticos diários relativos a Tmax (oC), Tmin (oC) e precipitação (mm), evapotranspiração de referência (ЕТo, mm) e dados referentes à concentração atmosférica anual de CO2; 2) Características da cultura, incluindo: i) data da emergência, data da máxima cobertura, data em que a profundidade máxima das raízes é atingida, data do início da senescência, em que a maturação é obtida, datas do início e fim da floração; datas relativas ao desenvolvimento do coberto; ii) coeficiente de transpiração para uma cobertura de 100% do solo pela cultura (KcTr,x); iii) profundidade mínima e máxima das raízes (Zr, m) e fator de expansão das raízes; iv) parâmetros da curva de desenvolvimento da cobertura do solo pelo copado, incluindo a cobertura do solo pelo copado inicial e máxima (respetivamente CCo, CCx), coeficiente de desenvolvimento do coberto (CGC) e coeficiente de declínio do coberto (CDC); v) “produtividade da água” normalizada (BWP*); vi) índice de colheita de referência (HIo); vii) coeficientes de stresse relativos à expansão do copado, fecho estomático, senescência antecipada do copado e stresse anaeróbio devido ao encharcamento do solo; 3) Características do solo, em que para cada camada se definem a sua espessura (m), os teores de humidade do solo à capacidade de campo (FC, m3 m-3), no coeficiente de emurchecimento (WP, m3 m-3) à saturação (sat, m3 m-3), e a condutividade hidráulica saturada (Ksat, mm d-1). A camada superficial que produz evaporação é caracterizada pela água facilmente evaporável (REW, mm). No 312 Previsões climáticas para apoio à decisão cálculo do escoamento superficial é utilizado o método Curve Number (CN). A percolação profunda é calculada com um algoritmo descrito em Raes et al. (2006) que utiliza os valores do Ksat, sat e FC; 4) Dados do calendário de rega, que pode ser observado ou estimado. No primeiro caso é necessária informação sobre datas e dotações dos eventos de rega e no segundo são definidos pelo utilizador limiares de rega e dotações, podendo ainda ser definida a frequência de regas; 5) Práticas de gestão ao nível da parcela incluindo informação sobre salinidade do solo e/ou água, nível de fertilidade do solo, existência de mulches e práticas que reduzam o escoamento superficial. O modelo AquaCrop utiliza a curva de cobertura do solo pelo copado (CC) para a partição da ET nas suas componentes de evaporação do solo e transpiração da cultura. Os parâmetros desta curva, CCo, CCx, CGC e CDC devem ser calibrados de acordo com observações; caso contrário há que usar parâmetros tabelados por Raes et al. (2012). O cálculo da curva CC é realizada em três fases como mostrado por Paredes et al. (2014) e Pereira et al. (2015) respectivamente para milho e cevada. De modo a parametrizar a curva para uma determinada cultura podem obter-se os valores de CC usando uma função exponencial com dados observados de índice de área foliar (LAI, m2 m-2) tal como: CC = [1 − exp(−α LAI)] (1) A parametrização desta equação foca o coeficiente de extinção, α, que é um indicador do ensombramento do solo pela cultura (Jeuffroy e Ney, 1997). No presente estudo, para a cevada, utilizou-se a Eq. 1 com α = 0.50. Para o caso do milho utilizou-se a equação proposta por Hsiao et al. (2009): CC = 1.005 [1 − exp(−0.6 LAI)]1.2 (2) O modelo usa um passo de tempo diário para estimar a evapotranspiração potencial das culturas (ETc, mm), i.e., na ausência de stresse, e usa uma aproximação semi-empírica para fazer a sua partição nas componentes de transpiração da cultura (Tc, mm) e evaporação do solo (Es, mm). Ambas as componentes são dependentes da cobertura real da cultura (CC*, %). Assim, a Tc é calculada (Raes et al., 2012) pelo produto Tc = CC* KcTr,x ETo (3) onde ETo é a evapotranspiração de referência (mm), KcTr,x é o coeficiente de transpiração da cultura para uma cobertura de 100% (adimensional), e CC* é a cobertura real da cultura (%) ajustada aos efeitos de micro-advecção. A transpiração real (ou ajustada) (T c act, mm) é obtida ajustando Tc às condições de stresse hídrico usando para tal o coeficiente de stresse Ks [0-1], i.e., Tc act = Ks Tc. Ks descreve os efeitos do stresse hídrico em vários processos relativos ao crescimento das culturas (Raes et al., 2012). O KcTr,x é ajustado pelo modelo tomando em consideração os efeitos do desenvolvimento e da senescência da cultura. A evaporação do solo é estimada como Es = Kr (1 - CC*) Kex ETo (4) 313 Predictabilidade Sazonal de Secas onde Kex é o coeficiente (máximo) de evaporação do solo (adimensional) e Kr é o coeficiente de redução da evaporação [0-1], com Kr < 1 quando não existe água disponível na camada superficial suficiente para responder à procura climática da atmosfera. Kex é ajustado pelo modelo quando há emurchecimento das plantas, na presença de mulches e no caso de rega que humedece parcialmente o solo. A biomassa seca (B, t ha-1), é estimada (Raes et al., 2012) por B = Ksb BWP* ∑ 𝑇𝑐 𝑎𝑐𝑡 (5) 𝐸𝑇𝑜 onde BWP* (g m−2) é a “produtividade da água normalizada” para a concentração de CO2 na atmosfera representando a quantidade de biomassa produzida por unidade de área, e Ksb é o coeficiente de stresse relativo à temperatura. A produção (Y, t ha-1), por sua vez, é estimada a partir de B utilizando uma aproximação semiempírica: Y = fHI HIo B (6) onde HIo é o índice de colheita de referência, que representa a proporção da biomassa que é colhida na ausência de qualquer tipo de stresse, e fHI é o fator de ajustamento do índice de colheita, o qual integra vários fatores de stress hídrico. 2.3. Calibração e validação do modelo de produção O modelo AquaCrop utiliza um grande número de parâmetros incluindo alguns que se espera modificarem-se pouco com a gestão da cultura ou com o local, sendo por isso denominados conservativos, encontram-se tabelados por Raes et al. (2012). Assim, foram utilizados esses valores para inicializar as simulações de calibração em conjunto com os referidos por Abi Saab et al. (2015) para a cevada e por Hsiao et al. (2009) para o milho. A parametrização do modelo focou primeiro os parâmetros que descrevem a curva de cobertura do solo pelo copado (CC) (Eqs. 1 e 2) dada a sua importância na partição da ET em T e Es (Eqs. 3 e 4). Assim, o procedimento de tentativa e erro focou primeiro o ajuste dos parâmetros CCx, CGC e CDC que descrevem a curva de CC. De seguida o procedimento focou o ajustamento do valor de Kc Tr, x comparando os valores observados de ASW com os simulados. Os valores de REW e CN utilizados foram os anteriormente calibrados quando se usou o modelo SIMDualKc (Paredes et al., 2014, 2015; Pereira et al., 2015). Os procedimentos de tentativa e erro estão descritos em detalhe por Pereira et al. (2015). Para avaliar a precisão do modelo AquaCrop na predição dos valores observados de CC, de ASW, da biomassa e da produção de grão foram utilizadas estratégias qualitativas e indicadores estatísticos. Assim, para cada corrida do modelo durante a calibração, efetuou-se a representação gráfica dos valores simulados e observados ao longo do ciclo das culturas de modo a ter uma boa perceção das tendências e/ou enviesamentos da modelação. Como discutido por Pereira et al. (2015), a avaliação do ajustamento do modelo foi feita usando um conjunto de indicadores: 1) o coeficiente de regressão (b0) da regressão linear forçada à origem (Eisenhauer, 2003) entre os valores simulados (Pi) e observados (Oi), onde um valor de b0 314 Previsões climáticas para apoio à decisão próximo de 1.0 significa que os valores simulados pelo modelo estão estatisticamente próximos dos observados; 2) o coeficiente de determinação (R2) da regressão por mínimos quadrados ordinários entre os valores Pi e Oi; um valor de R2 = 1.0 significa que a maior parte da variância dos valores observados é explicada pelo modelo; 3) a raiz do erro médio quadrático (RMSE), 4) a raiz do erro médio quadrático normalizada com a média das observações (NRMSE) 5) a eficiência da modelação (EF, Nash e Sutcliff, 1970) que toma valores próximos de 1.0 quando o erro médio quadrático (MSE = RMSE2) é muito pequeno relativamente à variância das observações. Estes indicadores estatísticos estão descritos em detalhe por Martins et al. (2015). Quando o número de observações era pequeno utilizou-se a diferença entre os valores observados (Oi) e simulados (Pi) expressa em termos absolutos bem como a diferença normalizada relativamente à média dos Oi, neste caso expressa em termos percentuais; a diferença normalizada ideal é de 0%, considerando-se muito bons os valores < 10%. 2.4. Previsões diárias à escala sazonal de variáveis meteorológicas e sua avaliação O Sistema IV do Centro Europeu de Previsão do Tempo a Médio Prazo (ECMWF) é a versão corrente (desde 2011) do Modelo Atmosférico-oceânico de Circulação Geral (GCM) do ECMWF, o qual fornece previsões sazonais operacionais (Jung et al., 2010; Molteni et al., 2011). A descrição deste sistema consta de Andersson (2013) disponível em http://www.ecmwf.int/en/forecasts/documentation-andsupport/long-range/seasonal-forecast-documentation/user-guide/seasonalforecasting-system. A previsão meteorológica sazonal é, contrariamente, à previsão quase determinista de curto-prazo, até cerca de 10 dias, de natureza probabilística. A previsão de longo prazo apresenta uma grande sensibilidade aos erros dos campos das análises (obtidas por assimilação de dados), usadas como condições iniciais dos modelos e, por isso, só tem sentido executar as chamadas previsões ensemble em que são criadas condições iniciais de forma otimizada dentro da elipsoide de erro das ditas análises (Andersson, 2013). Dessas previsões de ensemble extraiem-se probabilidades de ocorrências e estatísticas. Neste sentido, a previsão sazonal apresenta-se como uma tentativa de fornecer prognósticos probabilísticos sobre o estado do sistema climático nos meses seguintes aos da inicialização das previsões. O Ensemble Forecasting System IV (EFS) do ECMWF produz corridas do modelo meteorológico por um período previsto de 7 meses, sendo lançadas todos os dia 1 de cada mês. Essas previsões estão disponíveis desde 1981 até à atualidade. As retro-previsões (hindcast) anteriores a 2011 tem uma logística idêntica à das previsões em tempo real excepto no facto de que o tamanho do ensemble é de 15 membros em vez de 51 membros, tal como usado no Sistema IV, permitindo uma 315 Predictabilidade Sazonal de Secas melhor estimação das probabilidades. Em comparação, o anterior Sistema III do ECMWF apresentava um número inferior de membros ensemble: 11 e 41 membros de re-previsão e previsão, respectivamente. As condições iniciais atmosféricas do Sistema IV provêm do estado-da-arte das reanálises do ECMWF (ERA-Interim). Alguns detalhes sobre o Sistema IV ECMWF podem ser consultados em Molteni et al. (2011) e http://www.ecmwf.int/en/forecasts/documentation-andsupport/long-range/seasonal-forecast-documentation/user-guide/seasonalforecasting-system. Neste trabalho foram utilizadas previsões diárias de temperatura máxima (Tmax), temperatura mínima (Tmin) e precipitação (Pre), produzidas pelo Sistema IV do ECMWF. São considerados dois cenários diferentes de lançamento de previsão: (1) lançamento da previsão, com alcance de 7 meses, no dia 1 do mês de sementeira da cultura a modelar; (2) lançamento da previsão, com um alcance de 3 meses, no dia 1 de Agosto, no caso do milho, e a 1 de Abril, no caso da cevada. Neste caso as previsões são mais recentes. Como o modelo de produção requer dados completos para cada ano, utilizaram-se os valores da climatologia de Santarém para completar as séries de dados diários, mas que de qualquer modo não são usados pelo modelo de produção. No caso das previsões de 3 meses o período anterior à previsão foi preenchido com dados climáticos observados na estação localizada na Quinta da Lagoalva. Utilizaram-se as previsões de Tmax e Tmin para o cálculo da evapotranspiração de referência usando o método FAO-PMT como descrito em Pereira (2004) e em Paredes e Rodrigues (2010). Reconhece-se que o cálculo da ETo apenas com Tmax e Tmin pode levar a uma sobrestimação da ETo relativamente ao cálculo com dados completos. As previsões de Tmax e Tmin foram usadas no modelo AquaCrop para o cálculo da acumulação térmica (AGDD). Os dados de previsão da precipitação constituíram dados de entrada do modelo AquaCrop para a simulação da água do solo. A avaliação das previsões meteorológicas foi efetuada utilizando estes dados como entradas do modelo AquaCrop mantendo todos os outros dados de entrada inalterados, nomeadamente os dados de caraterísticas das culturas, e do solo, os calendários de rega observados e as condições iniciais de água no solo. Reconhecese que a validação rigorosa das previsões seria aquela em que os calendários de rega e as condições iniciais de água no solo fossem ajustados aos dados de previsão; porém, não poderiam comparar-se as produções de biomassa e grão. Entretanto, de modo a ter em consideração diferenças devidas ao hindcast de temperatura, utilizou-se a acumulação térmica para definir as fases dos ciclos das culturas. 4. Resultados 4.1. Calibração e validação do modelo AquaCrop A Tabela 3 apresenta os valores dos parâmetros calibrados do modelo AquaCrop para as culturas da cevada dística e milho. No presente estudo, o HIo foi observado para condições de ausência de stresse e foi em média de 0.46 para a cevada e 0.49 para o milho (Tabela 3). Valores semelhantes foram referidos para a cevada por Abi Saad et 316 Previsões climáticas para apoio à decisão al. (2015) e, para o milho, por Di Paolo e Rinaldi (2008) [0.36-0.53] e por Heng et al. (2009) [0.48]. Os valores calibrados de Kc Tr, x para ambas as culturas (Tabela 3) são semelhantes aos adotados com o modelo SIMDualKc com os mesmos dados de campo (Paredes et al., 2014, 2015; Pereira et al., 2015). A adequabilidade dos valores calibrados de Kc Tr, x e de BWP* foi discutida nestes artigos. Tabela 3. Parâmetros do modelo AquaCrop após calibração utilizados nas simulações para as culturas da cevada dística e milho (Paredes et al., 2014 e Pereira et al., 2015). Parâmetros adotados Temperatura de base (oC) Temperatura limite (oC) CCo (%) Depleção da água do solo limite para a expansão do coberto superior/inferior Depleção da água do solo limite para o controlo estomacal Parâmetros calibrados KcTr,x () BWP* (g m-2) HIo () Parâmetros da curva de desenvolvimento do copado CCx (%) CGC (% GDD-1) CDC (% GDD-1) Cevada 0 30 3.2 0.20/0.50 Milho 8 30 4.1 0.14/0.72 0.55 0.69 1.12 13.0 0.46 2012 90 0.65 0.31 1.18 33.7 0.49 2010 96 1.49 0.40 2013 83 0.65 0.33 2011 96 1.49 0.35 2012 96 1.56 0.43 Para cada cultura estudada foram obtidos valores diferentes de CCx, CGC e CDC (Tabela 3) para as curvas CC nos diferentes anos o que é explicado pelos fatores climáticos que influenciam o desenvolvimento das culturas. Exemplos das curvas de CC para a cevada e o milho, incluindo alguns indicadores de ajustamento, são apresentadas na Fig. 2. Os resultados para os anos de calibração mostram tendência para sobrestimação no caso da cevada (Fig. 2a) e de subestimação no caso do milho (Fig. 2c), mas para os exemplos de validação não há tendência para sobre ou subestimação; para todos os casos os R2 > 0.96, indicando que a CC modelada explica a variância dos valores de CC observados. Os erros de estimação são baixos representando 4 a 8% da média dos valores observados no caso da cevada e 7 a 10% no caso do milho. Os EF são elevados (EF>0.94) indicando que o erro médio quadrático é muito pequeno relativamente à variância das observações. A Fig. 3 apresenta exemplos selecionados da variação da água disponível no solo (ASW) simulada pelo AquaCrop. Os resultados da simulação de ASW ao longo do ciclo da cevada mostram bem os efeitos das condições climáticas contrastantes que ocorreram em 2012 e 2013. No ano seco de 2012 a água disponível no solo permaneceu durante todo o ciclo da cevada abaixo da TAW devido à baixa precipitação (Fig. 3a) tendo-se observado na fase final do ciclo a ocorrência de stresse hídrico, parcialmente explicado por a rega ter sido cessada 30 dias antes da colheita. Em contraste, no ano húmido de 2013 (Fig. 3b) a ASW manteve-se acima da TAW durante a quase totalidade do ciclo devido a abundantes chuvas. Em ambos os anos, verificou-se tendência para subestimação dos valores de ASW simulados pelo AquaCrop no final do ciclo da cevada. 317 100 100 Cobertura do solo pelo copado (%) Cobertura do solo pelo copado (%) Predictabilidade Sazonal de Secas 90 80 70 60 50 40 30 20 10 0 90 80 70 60 50 40 30 20 10 0 a) R2 0.99 RMSE (%) 5 NRMSE () 8 b) EF () 0.97 b0 1.00 100 100 90 90 Cobertura do solo pelo copado (%) Cobertura do solo pelo copado (%) b0 1.06 80 70 60 50 40 30 20 10 0 R2 0.99 RMSE (%) NRMSE () 3 4 EF 0.99 R2 0.96 RMSE (%) NRMSE () 7 10 EF 0.94 80 70 60 50 40 30 20 10 0 c) R2 0.99 b0 0.97 RMSE (%) 5 NRMSE () 7 EF 0.99 d) b0 1.03 Fig. 2. Exemplos selecionados da curva de cobertura do solo pelo copado para: a) cevada 2012, b) cevada 2013, c) milho 2011, d) milho 2012 parcela 3 (adaptado de Paredes et al., 2014 e Pereira et al., 2015). Os indicadores de ajustamento (Tabela 4) das simulações de ASW mostram para o ano seco, i.e. ano de calibração, que não existe tendência para subestimar ou sobrestimação com um valor de b0 próximo de 1.0, e um R2 elevado ou seja que a uma elevada parte da variância é explicada pelo modelo. Os erros de estimação representam cerca de 15% da média dos valores observados mas a eficiência de modelação é relativamente elevada. Para o ano húmido, os indicadores pioram mas são ainda aceitáveis. 270 270 240 a) 240 210 150 180 TAW ASW (mm) ASW (mm) 210 180 120 90 b) RAW 60 150 TAW 120 90 60 30 30 0 0 RAW Fig. 3. Variação diária da água disponível no solo (ASW) simulada pelo modelo AquaCrop ( ̶ ) e observada (●) para cevada (a) em 2012 e (b) em 2013 (adaptado de Pereira et al., 2015). 318 Previsões climáticas para apoio à decisão Tabela 4. Indicadores de ajustamento da água disponível no solo relativos aos estudos realizados em Alpiarça (adaptado de Paredes et al., 2014 e Pereira et al., 2015). Cevada Milho Ano 2012 (calibração) 2013 2010 Parcela 1 1 1 2 2011 (calibração) 1 2012 2 3 Indicadores de ajustamento RMSE b0 R2 (mm) 1.01 0.88 12.0 0.96 0.81 20.8 1.01 0.71 9.5 1.09 0.80 9.1 0.96 0.88 8.4 0.96 0.57 11.1 1.04 0.79 9.5 NRMSE (%) 15.4 13.3 14.0 19.0 7.0 12.6 6.6 EF 0.76 0.64 0.66 0.58 0.72 0.03 0.57 Para o caso do milho a variação da ASW em 2010 (Fig. 4a e 4b) mostram períodos de ocorrência de stresse durante o período intermédio do ciclo cultural que se deveram a dotações de rega reduzidas em contraste com as necessidades da cultura. Calendários mais adequados foram observados em 2011 (Fig. 4c) e 2012 (Fig. 4d) não se tendo observado a ocorrência de stresse hídrico. Verifica-se que o AquaCrop apresenta uma tendência evidente para sobrestimar os valores mais baixos de ASW. 120 90 a) 100 80 TAW 70 60 ASW (mm) ASW (mm) 80 60 40 RAW 20 40 30 RAW 20 0 25/05 01/06 08/06 15/06 22/06 29/06 06/07 13/07 20/07 27/07 03/08 10/08 17/08 24/08 31/08 07/09 14/09 21/09 28/09 05/10 12/10 25/05 01/06 08/06 15/06 22/06 29/06 06/07 13/07 20/07 27/07 03/08 10/08 17/08 24/08 31/08 07/09 14/09 21/09 28/09 05/10 12/10 c) ASW (mm) TAW 220 200 TAW 180 160 140 120 100 RAW 80 60 40 20 0 d) 30/05 06/06 13/06 20/06 27/06 04/07 11/07 18/07 25/07 01/08 08/08 15/08 22/08 29/08 05/09 12/09 19/09 26/09 03/10 10/10 RAW 27/04 04/05 11/05 18/05 25/05 01/06 08/06 15/06 22/06 29/06 06/07 13/07 20/07 27/07 03/08 10/08 17/08 24/08 31/08 07/09 14/09 ASW (mm) 50 10 0 200 180 160 140 120 100 80 60 40 20 0 b) TAW Fig. 4. Variação diária da água disponível no solo (ASW) simulada pelo modelo AquaCrop ( ̶ ) e observada (●) para milho: (a) em 2010 parcela 1, (b) em 2010 parcela 2, (c) em 2011 parcela 1, e (d) em 2012 parcela 3 (adaptado de Paredes et al., 2014) Os indicadores de ajustamento (Tabela 4) mostram uma adequada simulação da ASW no ano de calibração (2011) com NRMSE = 7% e EF = 0.72. Nos anos de validação o modelo apresenta um viés na estimação de ASW mas erros de estimação variando entre 7 e 19%. A eficiência de modelação é geralmente aceitável (EF > 0.57), com exceção da parcela 2 em 2012 em que o valor de EF é próximo de zero. 319 Predictabilidade Sazonal de Secas Como discutido em Pereira et al. (2015) concluiu-se que, ao contrário do SIMDualKc (Paredes et al., 2015), o modelo AquaCrop é pouco preciso na simulação do balanço hídrico do solo devendo por isso ser utilizado com precaução no apoio à calendarização da rega. Os resultados relativos à predição da biomassa e grão em cevada são apresentados na Tabela 5. Verificou-se que no ano seco a diferença entre a produção média de biomassa observada e estimada (Bobs e Bpred) é quase quatro vezes superior ao desvio padrão das observações mas representando apenas 11% da média de Bobs enquanto no ano húmido tal diferença representa 19% da média de Bobs. Os resultados para a produção de grão mostram que a diferença entre a média das observações e a predição (Yobs e Ypred) é inferior ao desvio padrão das amostras coletadas no caso do ano seco e, no ano húmido, representa 17% da média de Yobs Os resultados obtidos para a cevada dística são semelhantes aos obtidos por outros autores usando o modelo AquaCrop para a predição da produção de cevada (Araya et al., 2010; Abi Saab et al., 2015). Tabela 5. Valores de produção biomassa e grão de cevada dística (kg ha-1) observados e simulados pelo AquaCrop para 2012 e 2013 (adaptado de Pereira et al., 2015) Biomassa Grão 2012 2013 2012 2013 Observados (kg ha-1) 14463 (± 417) 12503 (±1160) 6331 (±417) 5843 (±612) Estimados (kg ha-1) 12920 14875 6144 6842 Diferença (kg ha-1) -1543 2372 -187 999 % -11 19 -3.0 17.1 No caso do milho como existia uma série de dados observados de biomassa e produção (Paredes et al., 2015) foi possível calcular os indicadores de ajustamento do modelo para a predição de biomassa e de grão (Tabela 6). Observou-se que o erro de estimação, quer da produção de biomassa quer de grão, é inferior a 10% das médias de Bobs e de Yobs. Porém, o modelo apresenta uma tendência para a sobrestima da produção (b0 = 1.05). Comparando os resultados da calibração do modelo com outras aplicações do modelo AquaCrop verificou-se que valores de RMSE semelhantes aos do presente estudo (Tabela 6) foram obtidos por Hsiao et al. (2009) e Heng et al. (2009). Tabela 6. Indicadores de ajustamento relativos à predição da produção de biomassa e grão de milho, Alpiarça (adaptado de Paredes et al., 2014). Biomassa Produção de grão Média observada Indicadores de ajustamento (t ha-1) 36.1 17.7 b0 1.01 1.05 R2 0.82 0.87 RMSE (t ha-1) 3.49 1.73 NRMSE (%) EF 9.7 0.81 9.8 0.82 Em conclusão, o modelo AquaCrop é adequado para a predição da produção de biomassa e grão, tanto de cevada como de milho, pelo que foi utilizado na validação das previsões climáticas. 320 Previsões climáticas para apoio à decisão 4.2. Validação das previsões meteorológicas sazonais relativas a precipitação e à ETo calculada com as previsões de Tmax e Tmin 4.2.1. Cevada O ensemble correspondente a um hindcast com prazo de 7 meses com previsões lançadas a 1 de Janeiro e 1 de Dezembro de 2012, respetivamente para a cevada de 2012 e 2013, foi utilizado como dados de entrada do modelo AquaCrop; todos os outros dados de entrada do modelo permaneceram inalterados em relação ao observado como dito anteriormente. No caso da previsão com prazo de 3 meses, a data de lançamento da previsão foi 1 de Abril em ambos os anos. A validação direta do hindcast foi efetuada comparando os dados de hindcast com os dados climáticos observados acumulados para todo o ciclo da cultura. A Fig. 5 apresenta os resultados relativos à comparação entre a precipitação observada e a produzida pelo hindcast. Os resultados mostram que a precipitação com a previsão a 7 meses subestimada a observada em ambos os anos de estudo (Fig. 5a). A predição da precipitação melhora, quando se utiliza a previsão a 3 meses no caso do ano seco (2012) mas passa a sobrestimar no ano húmido (2013) (Fig. 5b). 800 800 700 700 600 600 Precipitação (mm) Precipitação (mm) Comparou-se também a ETo produzida pelas previsões (ETo-PMTpred) e pelos dados observados (PM-ETo-obs). Os resultados para a previsão a 7 meses mostram uma sobrestimação da ETo nos dois anos (Fig. 5c). Quando se utiliza a previsão a 3 meses a ETo passa a ser subestimada no ano húmido, permanecendo sobrestimada no ano seco (Fig. 5d). 500 400 300 200 400 300 200 100 100 0 0 2012 2013 a) 600 600 500 500 400 400 ETo (mm) ETo (mm) 500 300 2012 2013 2012 2013 b) 300 200 200 100 100 0 0 2012 2013 c) d) Fig. 5. Comparação da precipitação e evapotranspiração de referência (ETo) sazonal para os dois anos de estudo usando dados climáticos observados (●) e dados de previsão climática (box-plot) a 7 meses (a, c) e a 3 meses (b, d). 321 Predictabilidade Sazonal de Secas Efetuou-se a validação indireta do hindcast comparando os resultados do modelo AquaCrop ao utilizar esses dados em alternativa aos dados climáticos observados. Como a produção de biomassa e de grão são fortemente dependentes da transpiração da cultura (Eqs. 5 e 6) e da cobertura do solo pelo copado (Eq. 1 e 2) analisou-se o comportamento da curva de CC nos dois anos de estudo quando o ensemble de previsão a 7 meses e a 3 meses foi usado em alternativa aos dados observados (Fig. 6). No ano seco de 2012, os dados de previsão a 7 meses (Fig. 6a) conduziram a uma clara sobrestimação dos valores de CC no período inicial mas que diminuiu após o período intermédio. Os resultados mostram uma elevada variabilidade da CC ao utilizar os dados de previsão no período final o que é explicado pelo aumento da temperatura no ensemble levando à antecipação da senescência e à maior rapidez quanto a atingir a acumulação térmica (AGDD) necessária a completar o ciclo da cultura. No ano húmido de 2013 os resultados do ensemble de previsão a 7 meses tendem a subestimar os valores de CC (Fig. 6c) o que explica o maior valor de Es (Fig. 7a) quando estes dados são usados. Como era de prever, a estimação da CC utilizando dados de previsão a 3 meses melhorou o ajustamento da curva em relação às observações no ano seco (Fig. 6b) mas no ano húmido essa melhoria não foi visível (Fig. 6d). Cobertura do solo pelo copado (%) Cobertura do solo pelo copado (%) 100 90 80 70 60 50 40 30 20 10 0 100 90 80 70 60 50 40 30 20 10 0 b) 100 90 90 Cobertura do solo pelo copado (%) Cobertura do solo pelo copado (%) a) 100 80 70 60 50 40 30 20 10 0 06/12 04/01 04/02 19/02 25/02 13/03 23/04 02/05 22/05 c) 80 70 60 50 40 30 20 10 0 06/12 04/01 04/02 19/02 25/02 13/03 23/04 02/05 22/05 d) Fig. 6. Comparação da curva de cobertura do solo pelo copado pela cevada em (a, b) 2012 e (c, d) 2013, simuladas usando dados climáticos observados (●) e dados de previsão climática (box-plot) a 7 meses (a, c) e a 3 meses (b, d). Analisou-se de seguida a partição da ET nas suas componentes Tc act e Es para os anos de precipitação contrastante (Fig. 7). Os resultados, quando se utilizam as previsões a 7 meses, mostram que no ano seco existiu uma sobrestimação de Tc act, a qual se deveu à sobrestimação da ETo (Fig. 5c) e da CC (Fig. 6a). Contrariamente, no ano húmido foi a componente evaporativa a ser sobrestimada, o que se deve à subestimação da CC no período de desenvolvimento da cultura (Fig. 6c) e sobrestimação da ETo (Fig. 5c). 322 Previsões climáticas para apoio à decisão Quando se analisam os resultados usando as previsões a 3 meses (Fig. 7b e d) verificase que a Es é subestimada em ambos os anos. No ano seco, a Es aproxima-se dos valores observados porque a CC é sobrestimada; ao contrário, no ano húmido a Es é fortemente subestimada porque a ETo é menor e a CC é sobrestimada (Fig. 5d). Quanto à Tc act esta é adequadamente predita no ano seco (Fig. 7d) porque a subestimação da ETo (Fig. 5d) é compensada pela sobrestimação da CC (Fig. 6b); no ano húmido a Tc act é subestimada, o que se deve à subestimação da ETo (Fig. 5d). Como consequência dos resultados da Tc act (Fig. 7c e d) a predição da produção de biomassa e grão (Fig. 8) com os dados de previsão a 7 meses foi razoavelmente adequada no ano seco; contrariamente, no ano húmido ocorreu uma clara tendência para a sobrestimação, quer da biomassa quer do grão, apesar da adequada predição da Tc act (Fig. 7c). Esta tendência de sobrestimação no ano húmido já tinha sido apontada quando se efetuou a validação do modelo AquaCrop (Pereira et al., 2015 e Tabela 5). Comparando o resultado médio do hindcast com a média das observações (Tabela 7) verifica-se uma melhoria da estimação da produção de biomassa e grão no ano húmido. No ano seco de 2012 a tendência para a subestimação da biomassa mantém-se mas diminuí em termos percentuais enquanto a produção com os dados climáticos de previsão passa a ser sobrestimada (Tabela 7). 100 100 80 80 Es (mm) 120 Es (mm) 120 60 40 40 20 20 0 0 2012 2013 2012 a) 400 400 350 350 300 300 250 250 Tc act (mm) Tc act (mm) 60 200 150 150 100 50 50 2012 2013 c) b) 200 100 0 2013 0 2012 2013 d) Fig. 7. Comparação da evaporação do solo acumulada (a, b) e da transpiração real acumulada (c, d) em cevada, simuladas usando dados climáticos observados (●) e dados de previsão climática (box-plot) a 7 meses (a, c) e a 3 meses (b, d). 323 18 18 16 16 14 14 Biomassa (t ha-1) Biomassa (t ha-1) Predictabilidade Sazonal de Secas 12 10 8 6 10 8 6 4 4 2 2 0 0 2012 2013 a) 8 8 7 7 6 6 Produção (t ha-1) Produção (t ha-1) 12 5 4 3 2 1 2012 2013 b) 2012 2013 d) 5 4 3 2 1 0 2012 2013 0 c) Fig. 8. Comparação da biomassa final (a, b) e produção de grão de cevada (c, d) observadas (●) e simuladas com dados de previsão climática (box-plot) a 7 meses (a, c) e a 3 meses (b, d) (os traços verticais ponteados simbolizam o desvio padrão das amostras observadas). Tabela 7. Diferença entre a média da produção observada e modelada usando dados climáticos observados e dados de previsão a 7 meses e a 3 meses para a cultura da cevada e milho. Modelado com AquaCrop Dados climáticos previsão a 7 meses Produção Observados observada Diferença Diferença (t ha-1) (t ha-1) % (t ha-1) % Biomassa Cevada 2012 14.46 -1.54 -11 -0.61 -4 2013 12.50 2.37 19 2.08 17 Milho Parcela 1, 2010 41.86 -5.37 -13 -12.52 -30 Parcela 2, 2010 26.27 3.69 14 -2.26 -9 Parcela 1, 2011 42.02 -1.78 -4 -7.91 -19 Parcela 2, 2012 38.70 1.64 4 -6.67 -17 Parcela 3, 2012 33.62 3.82 12 -1.24 -4 Grão Cevada 2012 6.33 -0.19 -3 0.22 3 2013 5.84 1.00 17 0.84 14 Milho Parcela 1, 2010 20.62 -1.67 -8 -5.60 -27 Parcela 2, 2010 12.78 2.21 17 -0.76 -6 Parcela 1, 2011 19.46 0.26 1 -2.76 -14 Parcela 2, 2012 19.32 0.89 5 -3.18 -16 Parcela 3, 2012 16.53 1.36 8 -1.12 -7 previsão a 3 meses Diferença (t ha-1) % -2.5 -17 1.7 14 -8.92 -21 2.02 8 -3.29 -8 -0.35 -1 1.56 5 -0.84 -13 0.69 12 -4.15 -20 1.41 11 -0.47 -2 -0.08 0 0.25 2 Quando se utilizaram os dados de previsão a 3 meses verificou-se que no ano seco as produções de biomassa e de grão foram subestimadas (Fig. 8b e d) com uma diferença entre a produção média estimada com o hindcast e a produção observada a representar 13% de Yobs (Tabela 7). No ano húmido, 2013, a tendência de 324 Previsões climáticas para apoio à decisão sobrestimação mantém-se, apesar da subestimação da Tc act (Fig. 7d), mas com uma diferença entre médias a representar apenas 12% de Yobs (Tabela 7). 4.2.2. Milho O mesmo procedimento anteriormente descrito para a cevada foi utilizado para os três anos de observações em milho. O ensemble correspondente a um hindcast a 7 meses foi lançado com data de 1 de Maio de 2010 e 1 de Abril de 2011 e, respetivamente para as parcelas 2 e 3 de acordo com a data de sementeira, e a 1 de Maio e 1 de Abril de 2012. Os hindcast a 3 meses foram lançados com data de 1 de Agosto para todos os casos de estudo. Os resultados da validação direta do hindcast são apresentados na Fig. 9. Os resultados relativos à comparação entre a precipitação observada acumulada durante os ciclos do milho e a produzida pelo hindcast a 7 meses (Fig. 9a) mostram que a precipitação é muito subestimada pela previsão no ano húmido de 2011 e moderadamente subestimada em 2010. Para os ciclos culturais de 2012 a previsão de precipitação sazonal é adequada. Quando se analisam os resultados da previsão a 3 meses (Fig. 9b) verifica-se que há uma menor subestimação da precipitação no ano húmido mas a subestimação mantem-se no ano seco de 2010, ainda que apresentando uma menor variabilidade dos valores da precipitação no ensemble. 300 250 250 Precipitação (mm) Precipitação (mm) 300 200 150 100 200 150 100 50 50 0 0 parcela 1, 2010 parcela 2, 2010 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 parcela 1, 2010 a) 800 700 700 600 600 500 500 ETo (mm) ETo (mm) 800 400 300 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 b) parcela 2, 2010 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 d) 400 300 200 200 100 100 0 parcela 2, 2010 0 parcela 1, 2010 parcela 2, 2010 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 c) parcela 1, 2010 Fig. 9. Precipitação (a, b) e evapotranspiração de referência (c, d) acumuladas ao longo do ciclo da cultura de milho para os diferentes anos de estudo usando o ensemble de dados de previsão climática (box-plot) a 7 meses (a, c) e a 3 meses (b, d) comparadas com os dados climáticos observados (●). Quando se analisa a ETo acumulada ao longo do ciclo do milho produzida pelo hindcast a 7 meses (Fig. 9c) verifica-se que existe uma tendência para a subestimação no ano 325 Predictabilidade Sazonal de Secas seco de 2010 e uma adequada previsão tanto no ano húmido de 2011 como no ano de 2012. Resultados semelhantes foram obtidos com os dados de previsão a 3 meses (Fig. 9d). Os resultados da validação indireta do hindcast a 7 meses e a 3 meses são apresentados nas Figs. 10 a 12. Os resultados da simulação da cobertura do solo pelo copado (CC) usando o hindcast em alternativa aos dados observados são apresentados na Fig. 10. Cobertura do solo pelo copado (%) Cobertura do solo pelo copado (%) 100 90 80 70 60 50 40 30 20 10 0 100 80 70 60 50 40 30 20 10 0 100 Cobertura do solo pelo copado (%) Cobertura do solo pelo copado (%) 90 b) a) 90 80 70 60 50 40 30 20 10 0 c) 90 80 70 60 50 40 30 20 10 0 d) Cobertura do solo pelo copado (%) 100 Cobertura do solo pelo copado (%) 100 90 80 70 60 50 40 30 20 10 0 e) 100 90 80 70 60 50 40 30 20 10 0 f) Fig. 10. Curva de cobertura do solo pelo copado do milho em (a, b) 2011, (c, d) parcela 2 em 2012, (e, f) e parcela 3 em 2012, simuladas usando o ensemble de dados de previsão climática (box-plot) a 7 meses (a, c, e) e a 3 meses (b, d, f) comparadas com as curvas obtidas com dados observados (●). Verifica-se que, para as previsões a 7 meses, em todos os casos existe uma grande variabilidade da CC no período de desenvolvimento rápido e após o início da senescência. A variabilidade no período inicial e de desenvolvimento da cultura, 326 Previsões climáticas para apoio à decisão quando se utilizam os dados de previsão, é explicada por uma acumulação térmica mais lenta, ou seja demora mais dias a ser atingida a AGDD (Tabela 2). No caso do período após início da senescência a AGDD demora menos dias a ser atingida (Tabela 2) sendo a colheita antecipada em relação ao que foi observado em campo. Adicionalmente verifica-se uma tendência para a subestimação da CC no período de desenvolvimento da cultura no ano húmido de 2011, assim como no período após início da senescência. Resultados semelhantes foram obtidos para a parcela 2 em 2012. Os resultados para a parcela 3 em 2012 (Fig. 10), a qual foi semeada mais tarde, mostram uma tendência para a sobrestimação dos valores de CC no período de desenvolvimento da cultura e uma grande subestimação após o início da senescência. De salientar que nos casos analisados a CC máxima é bem simulada com a previsão a 7 meses (Fig. 10). Os resultados das previsões a 3 meses mostram uma melhor adequação na estimação da CC. Os resultados relativos às componentes Tc act e Es quando se usam dados de previsão a 7 meses (Fig. 11a e c) mostram uma tendência para a subestimação de ambas em 2010 e no ano húmido de 2011. Estes resultados são explicados pela subestimação da precipitação (Fig. 9a), da ETo (Fig. 9c) e da CC (Fig. 10a e c) nesses anos. No ano de 2012, a Es (Fig. 11a) apresentou uma adequada predição nos dois casos estudados; no entanto, verifica-se que a partição da ET na parcela 2 foi desajustada com uma subestimação da Tc act (Fig. 11c) o que é explicado pela subestimação da CC nessa parcela durante a maior parte do ciclo do milho (Fig. 10b). Os resultados da previsão a 3 meses mostram uma adequada predição da Es na parcela 1 em 2010 e para ambos os casos de estudo de 2012 (Fig. 11b). No ano húmido de 2011 a subestimação da Es (Fig. 11b) mantém-se em relação à previsão a 7 meses o que é explicado pela subestimação da precipitação (Fig. 9b). Quanto à estimação da Tc act (Fig. 11d) os resultados mostram uma melhoria dos resultados para todos os casos estudados, o que se deve à melhoria da estimação da CC (Fig. 10b, d e f). A Fig. 12 apresenta os resultados da predição da produção de biomassa e de grão com os dados de previsão. Usando a previsão a 7 meses os resultados mostram uma tendência para a subestimação tanto da produção de biomassa como de grão em todos os casos estudados. Como analisado anteriormente, a predição da biomassa e de grão é muito dependente da estimação da Tc act (Eqs. 4 e 5) pelo que a tendência de subestimação da biomassa e grão (Fig. 12a e c) é explicada pela subestimação da Tc act (Fig. 11c). Comparando a média das observações com a média dos hindcasts com previsão a 7 meses (Tabela 7) para cada caso de estudo, verifica-se que há uma clara tendência para a subestimação tanto da biomassa como de grão, a qual representa 4 a 30% e 6 a 27% da produção observada respetivamente de biomassa e de grão. 327 180 180 160 160 140 140 120 120 100 100 Es (mm) Es (mm) Predictabilidade Sazonal de Secas 80 60 80 60 40 40 20 20 0 0 parcela 1, 2010 parcela 2, 2010 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 parcela 1, 2010 a) 700 600 600 500 500 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 b) parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 d) Tc act (mm) Tc act (mm) 700 parcela 2, 2010 400 400 300 300 200 200 100 100 0 0 parcela 1, 2010 parcela 2, 2010 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 parcela 1, 2010 c) parcela 2, 2010 60 60 50 50 Biomassa (t ha-1) Biomassa (t ha-1) Fig. 11. Evaporação do solo (a, b) transpiração real (c, d) acumuladas da cultura do milho simuladas usando o ensemble de dados de previsão climática (box-plot) a 7 meses (a, c) e 3 meses (b, d) comparadas com valores obtidos usando dados climáticos observados (●). 40 30 20 10 30 20 10 0 0 parcela 1, 2010 parcela 2, 2010 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 a) 25 25 20 20 Produção (t ha-1) Produção (t ha-1) 40 15 10 5 parcela 1, 2010 parcela 2, 2010 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 parcela 1, 2010 parcela 2, 2010 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 b) 15 10 5 0 0 parcela 1, 2010 parcela 2, 2010 parcela 1, 2011 parcela 2, 2012 parcela 3, 2012 c) d) Fig. 12. Comparação da biomassa final (a, b) e produção de grão (c, d) de milho simulada com o modelo AquaCrop usando o ensemble de dados de previsão (box-plot) a 7 meses (a, c) e 3 meses (b, d) e produção observada em campo (●) (os traços verticais simbolizam o desvio padrão das amostras). 328 Previsões climáticas para apoio à decisão Utilizando as previsões a 3 meses é visível uma melhoria da predição de biomassa e de grão (Fig. 12b e d), que se traduz numa diferença entre predição e observação, reportada em termos de percentagem das observações, a variar entre 1 e 21% da biomassa observada e entre 0 a 20% da produção de grão observada. Em termos gerais para os casos de estudo verifica-se uma subestimação da produção com dados de previsão a 7 meses mas uma adequação da predição da produção com dados de previsão a 3 meses. 5. Conclusões O modelo AquaCrop foi testado para cereais de primavera e verão, respetivamente cevada dística para malte e milho, usando para tal observações efetuadas em campos de agricultores. Os resultados obtidos mostraram um bom desempenho deste modelo para a estimação da produção de ambas as culturas em condições climáticas contrastantes. No entanto, o modelo não é apropriado para a simulação do balanço hídrico do solo e por isso não é aconselhável a sua utilização no apoio à calendarização da rega. Caso seja considerado para a calendarização da rega deverá ser usado com muita precaução. Efetuou-se a avaliação direta e indireta dos hindcasts de dados de previsão a 7 meses e a 3 meses para os anos de estudo. A avaliação direta, consistiu na comparação dos dados climáticos de previsão com os observados para o ciclo da cultura, mostrando a existência de uma tendência para a subestimação da precipitação acumulada nos anos húmidos. Nos anos secos também se verificou uma tendência de subestimação quando se usaram as previsões a 7 meses, que se dissipou quando se utilizaram os dados de previsão a 3 meses. Em termos de procura climática medida pela ETo, os resultados mostraram, no caso do cereal de inverno, uma tendência para a sobrestimação quando se utilizaram as previsões a 7 meses não havendo um padrão definido quando se utilizaram as previsões a 3 meses. No caso do cereal de verão observou-se uma adequação geral das previsões mas com alguma tendência de subestimação da ETo num dos anos secos. A avaliação indireta focou a análise de alguns dos resultados do modelo quando utilizando dados climáticos de previsão em alternativa aos dados observados. Para a cevada verificou-se uma adequada predição da produção de grão, em particular no ano húmido, quando se usaram dados de previsão. No caso da estimação da produção de milho com dados de previsão a 7 meses os resultados mostraram uma tendência para a subestimação em todos os casos de estudo. Quando se utilizaram dados de previsão a 3 meses, foi obtida uma melhor adequação da predição da produção. A utilização de previsões meteorológicas a longo prazo (7 meses) mostrou ser adequada uma vez que conseguiu captar condições de anos contrastantes em termos de precipitação (ano seco vs. ano húmido). Pode adicionalmente concluir-se que os resultados do modelo AquaCrop seriam menos adequados se em alternativa aos dados de previsão se utilizassem séries dos valores climatológicos. Em resumo, a utilização de dados de previsão a 7 meses e, principalmente, a 3 meses mostrou que apesar de existirem erros de estimação da produção este tipo de dados tem grande potencial para ser utilizado no apoio à decisão, em particular nas culturas de regadio. 329 Predictabilidade Sazonal de Secas Agradecimentos Este estudo foi apoiado pelo projeto PTDC/GEO-MET/3476/2012 "Avaliação Predictabilidade e hibridização das previsões sazonais de seca na Europa OcidentalPHDROUGHT". O primeiro autor agradece à FCT a bolsa de pós-doutoramento (SFRH/BPD/102478/2014) que lhe foi atribuída. Os autores agradecem à Doutora Rita Cardoso do Instituto Dom Luiz (IDL) por disponibilizar os dados de previsão do ECMWF. Referências Abi Saab, M.T., Todorovic, M., Albrizio, R. 2015. Comparing AquaCrop and CropSyst models in simulating barley growth and yield under different water and nitrogen regimes. Does calibration year influence the performance of crop growth models? Agric. Water Manage. 147, 21–33 Allen, R.G., Pereira, L.S., Raes, D., Smith, M., 1998. Crop Evapotranspiration. Guidelines for Computing Crop Water Requirements. FAO Irrigation and Drainage Paper 56, FAO, Rome, Italy, 300 p. Alves, I., Fontes, J.C., Pereira, L.S., 1991. Water-yield relations for corn. In: Planning, Operation, and Management of Irrigation Systems for Water and Energy Conservation (Proc. Special Tech. Session). Chinese Nat.Com. ICID, Beijing, vol. I-A, pp. 154-161. Andersson, E., 2013. User guide to ECMWF forecast products. ECMWF, 129p. (disponível em http://www.ecmwf.int/sites/default/files/user_guide.pdf) Apipattanavis, S., Bert, F., Podestá, G., Rajagopalan, B., 2010. Linking weather generators and crop models for assessment of climate forecast outcomes. Agric. Forest Meteorol. 150, 166–174 Araya, A., Habtu, S., Hadgu, K.M., Kebede, A., Dejene, T. 2010. Test of AquaCrop model in simulating biomass and yield of water deficient and irrigated barley (Hordeum vulgare). Agric. Water Manage. 97, 1838-1846. Baigorria, G.A., Jones, J.W., O’Brien, J.J., 2008. Potential predictability of crop yield using an ensemble climate forecast by a regional circulation model. Agric. Forest Meterol. 148, 1353–1361 Balkovic, J., van der Velde, M., Schmid, E., Skalskỳ, R., Khabarov, N., Obersteiner, M., Stürmer, B., Xiong, W., 2013. Pan-European crop modelling with EPIC: Implementation, up-scaling and regional crop yield validation. Agric. Syst. 120, 61–75 Bussay, A., van der Velde, M., Fumagalli, D., Seguini, L., 2015. Improving operational maize yield forecasting in Hungary. Agric. Syst. 141, 94–106 Cantelaube, P., Terres, J.-M., 2005. Use of Seasonal Weather Forecasts in Crop Yield Modelling. Tellus A, 57(3), 476-487 Chipanshi, A., Zhang, Y., Kouadio, L., Newlands, N., Davidson, A., Hill, H., Warren, R., Qian, B., Daneshfar, B., Bedard, Fr., Reichert, G., 2015. Evaluation of the Integrated Canadian Crop Yield Forecaster (ICCYF) model for in-season prediction of crop yield across the Canadian agricultural landscape. Agric. Forest Meteorol. 206, 137–150 Choi, H.S., Schneider, U.A., Rasche, L., Cui, J., Schmid, E., Held, H., 2015. Potential effects of perfect seasonal climate forecasting on agricultural markets, welfare and land use: A case study of Spain. Agric. Syst. 133, 177–189 330 Previsões climáticas para apoio à decisão d’Orgeval, T., Boulanger, J.-P., Capalbo, M.J.,·Guevara, E., Penalba, O., Meira, S., 2010. Yield estimation and sowing date optimization based on seasonal climate information in the three CLARIS sites. Climatic Change 98, 565–580 Di Paolo, E., Rinaldi, M., 2008. Yield response of corn to irrigation and nitrogen fertilization in a Mediterranean environment. Field Crop. Res. 105, 202–210 Doblas-Reyes, F.J., Weisheimer, A., Palmer, T.N., Murphy, J.M., Smith, D., 2010. Forecast quality assessment of the ENSEMBLES seasonal-to-decadal Stream 2 hindcasts. ECMWF Technical Memorandum No. 621, ECMWF, Reading, UK, 45 p. Dumont, B., Basso, B., Leemans, V., Bodson, B., Destain, J.-P., Destain, M.-F., 2015. A comparison of within-season yield prediction algorithms based on crop model behaviour analysis. Agric. Forest Meteorol. 204, 10-21 Eisenhauer, J.G., 2003. Regression through the origin. Teaching Statistics 25(3), 76-80 Frías, M.D., Herrera, S., Cofiño, A.S., Gutiérrez, J.M., 2010. Assessing the skill of precipitation and temperature seasonal forecasts in Spain: windows of opportunity related to ENSO events. J. Climate 23, 209-220 Gavilán, P., Ruiz, N., Lozano, I.D., 2015. Daily forecasting of reference and strawberry crop evapotranspiration in greenhouses in a Mediterranean climate based on solar radiation estimates. Agric. Water Manage. 159, 307-317 Gouache, D., Bouchon, A.-S., Jouanneau, E., Le Bris, X., 2015. Agrometeorological analysis and prediction of wheat yield at the departmental level in France. Agric. Forest Meteorol. 209–210, 1–10 Heng, L.K., Hsiao, T., Evett, S., Howell, T., Steduto, P., 2009. Validating the FAO AquaCrop model for irrigated and water deficient field maize. Agron. J. 101(3), 488498 Hsiao, T.C., Heng, L., Steduto, P., Rojas-Lara, B., Raes, D., Fereres, E., 2009. AquaCrop - the FAO crop model to simulate yield response to water: III. Parameterization and testing for maize. Agron. J. 101, 448–459 Jeuffroy, M.-H., Ney, B., 1997. Crop physiology and productivity. Field Crop. Res. 53, 3-16. Jung, T., Balsamo, G., Bechtold, P., Beljaars, A.C.M., Köhler, M., Miller, M.J., Morcrette, J.-J., Orr, A., Rodwell, M.J., Tompkins, A.M., 2010. The ECMWF model climate: Recent progress through improved physical parametrizations. Q. J. R. Meteorol. Soc. 136A: 1145-1160. Lorite, I.J., Ramírez‑Cuesta J.M.,·Cruz-Blanco, M., Santos, C., 2015. Using weather forecast data for irrigation scheduling under semi‑arid conditions. Irrig. Sci. 33, 411–427 Marletto, V., Ventura, F., Fontana, G., Tomei, F., 2007. Wheat growth simulation and yield prediction with seasonal forecasts and a numerical model. Agric. Forest Meteorol. 147, 71–79 Martins, D.S., Paredes, P., Cadima, J., Pires, C.A.L., Pereira, L.S., 2015. Cálculo da evapotranspiração de refêrencia usando dados climáticos de reanálise (neste livro). Molteni, F., Stockdale, T., Balmaseda, M., Balsamo, G., Buizza, R., Ferranti, L., Magnuson, L., Mongensen, K., Palmer, T., Vitar, F., 2011. The new ECMWF seasonal forecast system (System 4). ECMWF Technical Memorandum 656. Nash, J.E., Sutcliffe, J.V., 1970. River flow forecasting through conceptual models: Part 1. A discussion of principles. J. Hydrol. 10(3), 282-290. 331 Predictabilidade Sazonal de Secas Paredes, P., Rodrigues, G.C., 2010. Necessidades de água para a rega de milho em Portugal Continental considerando condições de seca. In: L.S. Pereira, J.T. Mexia, C.A.L. Pires, (Eds.) Gestão do Risco em Secas. Métodos, Tecnologias e Desafios. Edições Colibri e CEER, Lisboa, pp. 301- 319. Paredes, P., de Melo-Abreu, J.P., Alves, I., Pereira, L.S., 2014. Assessing the performance of the FAO AquaCrop model to estimate maize yields and water use under full and deficit irrigation with focus on model parameterization. Agric. Water Manage. 144: 81–97 Paredes, P., Paço, T.A., Rosa, R.G., Pôças, I., Neves, M., Pereira, L.S., 2015. Avaliação do uso da água em regadio: aplicação do modelo SIMDualKc a cevada, milho e olival. (neste livro) Pereira, L.S., Paredes, P., Rodrigues, G.C., Neves, M., 2015. Modeling malt barley water use and evapotranspiration partitioning in two contrasting rainfall years. Assessing AquaCrop and SIMDualKc models. Agric. Water Manage. 159, 239–254 Pereira, L.S., 2004. Necessidades de Água e Métodos de Rega. Publ. Europa-América, Lisboa, 313 p. Raes, D., Geerts, S., Kipkorir, E., Wellens, J., Sahli, A., 2006. Simulation of yield decline as a result of water stress with a robust soil water balance model. Agric. Water Manage. 81(3), 335-357. Raes, D., Steduto, P., Hsiao, T.C., Fereres, E., 2012. Crop Water Productivity. Calculation Procedures and Calibration Guidance. AquaCrop version 4.0., FAO, Land and Water Development Division, Rome. Semenov, M.A., Doblas-Reyes, F.J., 2007. Utility of dynamical seasonal forecasts in predicting crop yield. Climate Res. 34, 71-81 Troccoli, A., Harrison, M., Anderson, D.L.T., Mason, S.J. (Eds.), 2005. Seasonal Climate: Forecasting and Managing Risk Springer, 467p. Vitart, F., Huddleston, M.R., Déqué, M., Peake, D., Palmer, T.N., Stockdale, T.N., Davey, M.K., Inenson, S., Weisheimer, A., 2007. Dynamically-based seasonal forecasts of Atlantic tropical storm activity issued in June by EUROSIP. Geophysical Res. Letters 34 (16). doi 10.1029/2007GL030740. Zinyengere, N., Mhizha, T., Mashonjowa, E., Chipindu, B., Geerts, S., Raes, D., 2011. Using seasonal climate forecasts to improve maize production decision support in Zimbabwe. Agric. Forest Meteorol. 151, 1792-1799. 332