Nativa, Sinop, v. 10, n. 4, p. 515-524, 2022.
Pesquisas Agrárias e Ambientais
DOI: https://doi.org/10.31413/nativa.v10i4.13773 ISSN: 2318-7670
Predição da produtividade de cana-de-açúcar com base em modelo
agrometeorológico no semiárido brasileiro
Anderson Santos da SILVA1*, Geber Barbosa de Albuquerque MOURA2, Pabrício Marcos Oliveira LOPES2,
Miguel Julio Machado GUIMARÃES3, Alan Cezar BEZERRA4, Anthony Wellington Almeida GOMES1
1Universidade Federal do Agreste de Pernambuco, Garanhuns, PE, Brasil.
2Departamento de Agronomia, Universidade Federal Rural de Pernambuco, Recife, PE, Brasil.
3Instituto Federal de Educação, Ciência e Tecnologia do Maranhão, São Raimundo das Mangabeiras, MA, Brasil.
4Unidade Acadêmica de Serra Talhada, Universidade Federal Rural de Pernambuco, Serra Talhada, PE, Brasil.
*e-mail: anderson.silva@ufape.edu.br
(ORCID: 0000-0002-2229501X; 0000-0001-9073-8145; 0000-0002-8268-747X; 0000-0002-5497-6442;
0000-0002-9986-9464; 0000-0002-1397-7035)
Submetido em 01/05/2022; Aceito em 07/11/2022; Publicado em 22/11/2022.
RESUMO: A predição da produtividade de cultivos de cana-de-açúcar é fundamental para o planejamento
logístico dos produtores. No entanto, muitas propriedades recorrem a estimativa visual de produtividades em
áreas canavieiras, o que, muitas vezes, geram dados tendencioso que não refletem a real produtividade dos
cultivos. Objetivou-se construir um modelo de regressão linear múltipla para a estimativa de produtividade da
cana-de-açúcar na região do semiárido nordestino. Foram utilizados dados anuais de rendimento agrícola (safras
2005/2006 a 2011/2012) e agrometeorológicos mensais (2005 a 2012). Para a calibração do modelo, a escolha
das variáveis independentes foi analisada mediante a correlação existente dos dados agrometeorológicos e de
rendimento, logo em seguida foi construída a regressão linear múltipla para estimar a produtividade da cana-
de-açúcar. As variáveis independentes selecionadas para o modelo foram a irrigação mais precipitação pluvial,
a temperatura média do ar, o déficit de saturação de vapor do ar e o fotoperíodo. No período da calibração, as
regressões lineares múltiplas apresentaram resultados satisfatórios com diferença relativa média inferior a 3% e
um erro padrão de estimativa de 2,7264 toneladas de cana em todos os anos-safras analisados. Na validação do
modelo agrometeorológico, o melhor desempenho foi obtido no ano-safra de 2004/2005 quando comparado
com os anos-safras de 2013/2014 e 2014/2015, respectivamente, período que houve a renovação de plantio.
Mediante o uso de um fator de correção, o modelo agrometeorológico obteve um ajuste nos anos-safras de
2013/2014 e 2014/2015 melhorando seu desempenho. Características como baixo custo, facilidade de executar
e precisão tornam as regressões lineares múltiplas como excelentes ferramentas.
Palavras-chave: precipitação; Saccharum officinarum; modelagem; agrometeorologia.
Sugarcane yield prediction based on agrometeorological model
in the Brazilian semi-arid
ABSTRACT: The prediction of the productivity of sugarcane crops is essential for the logistical planning of
producers. However, many properties resort to visual estimates of yields in sugarcane areas, which often
generate biased data that do not reflect the real productivity of crops. This study aimed to build a multiple linear
regression model to estimate productivity of sugarcane in the northeastern semi-arid region. Anual data of
agricultural income were used (harvest 2005/2006 to 2011/2012) and monthly agro-meteorological data (2005-
2012). For the model calibration period, the choice of the independent variable of the regression was analyzed
by correlation of crop weather data and output data then were defined variables and constructed linear
regression to estimate the yield of sugar cane -sugar. The independent variables selected for the model were
irrigation more rainfall, average air temperature, the vapor saturation deficit of the air and the photoperiod. At
the calibration period, the multiple linear regressions showed satisfactory results with average relative difference
of less than 3%, and a standard error of estimate of 2.7264 tons of sugarcane in all crop years analyzed.
Validation of the agro-meteorological model, the best performance was obtained in crop year 2004/2005
compared to the crop years of 2013/2014 and 2014/2015, respectively, a period that was renewed planting. By
using a correction factor, the agro-meteorological model obtained an adjustment in crop years of 2013/2014
and 2014/2015 improving its performance. Features such as low cost, easy to implement and precision make
the multiple linear regressions as an excellent tool.
Keywords: precipitation; Saccharum officinarum; modeling; agrometeorology.
1. INTRODUÇÃO
O Brasil é o principal produtor atual de cana-de-açúcar
(Saccharum ssp.) do mundo (FAO, 2019), sendo a matéria-
prima para a produção de etanol e açúcar. Para safra
2021/2022, estima-se uma área total de 8.317,3 mil hectares,
uma produtividade média de 70,357 t ha-1 e uma produção
total de 585.179,4 mil toneladas, destes a região nordeste é
responsável por 847,4 mil hectares, 60,260 t ha-1 e 51.062,1
Predição da produtividade de cana-de-açúcar com base em modelo agrometeorológico no semiárido brasileiro
Nativa, Sinop, v. 10, n. 4, p. 515-524, 2022.
516
mil toneladas, conforme dados da Companhia Nacional de
Abastecimento (CONAB, 2022).
Segundo a CONAB (2022), a região Sudeste destaca-se
com a maior produção de cana-de-açúcar no Brasil, com
aproximadamente 366.929,9 mil toneladas, em seguida o
Centro-oeste com 131.370,3 mil toneladas. A região
Nordeste ocupa a terceira colocação no ranking, com uma
produção estimada em torno de 51.062,1 mil toneladas,
seguido da região Sul com 31.961,6 mil toneladas e
finalizando, a região Norte, com aproximadamente 3.855,5
mil toneladas.
No Nordeste, os principais estados produtores são
Alagoas e Pernambuco, seguido pela Paraíba e Bahia. A cana-
de-açúcar vem sendo cultivada em boa parte do semiárido
brasileiro uma vez que a cultura apresenta alta produção de
biomassa, como resposta ao clima local e à utilização de
tecnologias de irrigação no sistema de produção (SILVA et
al., 2011). Portanto, é uma cultura de expressiva importância
na economia regional, necessitando de ferramentas que
possam aumentar sua produtividade, produtividade esta que
depende de uma combinação de diferentes fatores, a saber:
climáticos, edáficos, agronômicos e manejo (HAMMER et
al., 2019).
A predição da produtividade dos cultivos é fundamental
tanto no planejamento do poder público quanto dos
produtores, que podem reduzir custos, melhorar a logística
de colheita com um melhor gerenciamento da produtividade
(LUCIANO et al., 2021). Contudo, muitas propriedades
recorrem a estimativa visual de produtividades em áreas
canavieiras por técnicos com base na experiência adquirida e
em informações de safras anteriores; assim, esse tipo de
análise pode ser tendencioso, e depende, exclusivamente, da
experiência do técnico que irá avaliar o talhão, não
permitindo averiguar os erros envolvidos.
Há alguns modelos que utilizam diferentes variáveis
como solo, agronômicas e meteorológicos que apresentam
ótimos resultados na estimativa, como CANEGRO,
CANESIM e APSIM (CARVALHO et al., 2018;
GUNARATHNA et al., 2019). Ainda dentro dos diferentes
fatores que afetam a produtividade, os climáticos são os
únicos imprevisíveis e seus efeitos ao longo dos estágios de
desenvolvimento afetam a produtividade final, com isso,
modelos de estimativas de produtividades a partir destes
fatores podem ser utilizados (VERMA et al., 2021).
Entre as técnicas para estimativa de modelos, a regressão
múltipla com as variáveis meteorológicas pode proporcionar
a quantificação e simulação da produtividade agrícola, com
grau aceitável de acurácia e praticidade (MARCARI, 2015).
Através de dados climáticos VERMA et al. (2021)
conseguiram ajustar modelos de predição satisfatórios com
base na temperatura máxima e mínima, precipitação e tempo
na plantação de primavera e outono em um distrito na Índia.
Contudo, não há estudos dessa característica na região do
semiárido brasileiro.
A origem dos dados é um importante fator na preparação
dos modelos. Buscando consolidar um modelo simples,
baseado nas variáveis agrometeorológicas em função das
condições agronômicas adequadas encontradas na unidade
de produção, é possível obter com precisão e mitigação de
riscos a produtividade estimada corroborando com
Monteiro; Sentelhas (2017).
A hipótese deste estudo considera que um modelo
baseado em variáveis agrometeorológicas permitem estimar
a produtividade da cana-de-açúcar em uma unidade de
produção localizada no semiárido. Então, o objetivo deste
trabalho foi construir um modelo de regressão linear múltipla
para a estimativa de produtividade da cana-de-açúcar na
região do semiárido nordestino a partir de variáveis
agrometeorológicas.
2. MATERIAL E MÉTODOS
2.1. Área de estudo
O estudo foi conduzido em uma propriedade comercial
de cana-de-açúcar situada no semiárido baiano, no município
de Juazeiro – BA. A área de estudo estava composta por 11
lotes com área total de 131,06 hectares, dos quais 121,50
hectares plantados com cana-de-açúcar, 9,34 hectares de ruas
e drenos mais 0,22 hectare de pedras. A área de estudo
apresentou o mesmo: tipo de solo (vertissolo); o sistema de
irrigação por gotejamento, espaçamento (0,90 m x 2,10 m),
variedade cultivada (SP 79-1011) e o tipo de colheita foi
manual. Nas safras a partir de 2014 após uma renovação do
plantio desse campo, foram plantados em 93% dessa área, a
variedade VAT 90-212 e os 7% restantes compostos de várias
outras variedades.
2.2. Base de dados de produtividade e meteorológicas
Foram utilizados dados de produtividade fornecidos pela
propriedade para as safras de 2005/2006 até 2011/2012
(período de calibração dos modelos) e dos anos-safra de
2004/2005, 2013/2014 e 2014/2015 (período de validação
dos modelos). Na Tabela 1 segue o histórico de
produtividade da área em estudo, desde a primeira colheita
na safra de 1998/1999 até a última colheita, no ano-safra de
2011/2012, além do período de renovação de plantio com
nova variedade ocorrida na safra 2012/2013 com a primeira
colheita (cana planta) na safra de 2013/2014 e com a segunda
colheita (cana soca) no ano-safra de 2014/2015.
As variáveis meteorológicas foram coletadas por uma
estação agrometeorológica automática instalada próxima a
área experimental (09º19’S e 40º11’W), pertencente à
Embrapa Semiárido. Foram utilizadas as variáveis
meteorológicas: temperatura média do ar (°C); umidade
relativa média do ar (%); insolação (horas dia-1); radiação
solar (W m-2), precipitação pluvial (mm dia-1) e
evapotranspiração (mm dia-1); além desses dados foram
utilizados dados da lâmina de irrigação (este último obtido na
propriedade).
Os dados meteorológicos foram tabulados em planilha
eletrônica e posteriormente submetidos a análise de
correlação para verificar a influência significativa dessas
variáveis na produtividade final da cultura da cana-de-açúcar.
Os testes de todas as variáveis independentes correlacionadas
com a produtividade agrícola (variável dependente) foram
condicionados à significância do modelo (coeficientes de
determinação e correlação), à probabilidade ≤ a 5% e ao erro
padrão de estimativa baixo.
2.3. Balanço hídrico climatológico sequencial mensal
Com o auxílio do software SEVAP (Sistema de
Estimativa da Evapotranspiração) proposto por Silva et al.
(2005), foi feito o balanço hídrico climatológico sequencial
pela metodologia de Thornthwaite para cada ano-safra em
que os dados de entrada para alimentação do software foram
temperatura (ºC) e precipitação (mm) e os gráficos foram
gerados no software Microsoft Excel.
Silva et al.
Nativa, Sinop, v. 10, n. 4, p. 515-524, 2022.
517
Tabela 1. Dados de produtividade da cana-de-açúcar para os anos-safra de 1998/1999 a 2016/2017.
Table 1. Sugarcane productivity data for crop years 1998/1999 to 2016/2017.
Ano-safra Variedade Colheita Época de colheita Produtividade (t ha-1)
1998/1999 SP 79-1011 1ª - 146,00
1999/2000 SP 79-1011 2ª - 105,00
2000/2001 SP 79-1011 3ª - 113,00
2001/2002 SP 79-1011 4ª - 101,00
2002/2003 SP 79-1011 5ª - 117,00
2003/2004 SP 79-1011 6ª - 93,00
2004/2005 PV SP 79-1011 7ª Novembro/2005 98,00
2005/2006 PC SP 79-1011 8ª Outubro/2006 101,51
2006/2007 PC SP 79-1011 9ª Outubro/2007 113,20
2007/2008 PC SP 79-1011 10ª Outubro/2008 96,20
2008/2009 PC SP 79-1011 11ª Setembro/2009 82,73
2009/2010 PC SP 79-1011 12ª Setembro/2010 83,36
2010/2011 PC SP 79-1011 13ª Agosto/2011 84,48
2011/2012 PC SP 79-1011 14ª Julho/2012 74,28
2012/2013 - - Renovação de plantio -
2013/2014 PV VAT 90-212 1ª Junho/2014 261,86
2014/2015 PV VAT 90-212 2ª Julho/2015 171,77
PC = Período de calibração dos modelos e; PV = Período de validação dos modelos. Fonte: Os autores (2022).
2.4. Modelo de Regressão Múltipla
Em seguida, as variáveis selecionadas foram utilizadas
para estimar a produtividade agrícola com um modelo
agromemeteorológico baseado na técnica de regressão linear
múltipla (Equação 1):
Y= α + X.β+X.β+X.β+X.β+ε (01)
em que: o Yi' é o índice de produtividade agrícola estimada
(dependente), X1, X2, X3 e X4 são as variáveis independentes
(irrigação mais precipitação – IP; temperatura média do ar – T;
Déficit de saturação de vapor do ar – DEF e fotoperíodo – N), ,
β1, β2, β3 e β4 são os parâmetros a serem estimados e ε são os
resíduos.
2.5. Calibração do modelo
A calibração do modelo foi feita a partir da análise prévia
dos três meses antecedentes à colheita de cada ano-safra.
Sendo o segundo mês antecedente à colheita escolhido
porque apresentou os resultados satisfatórios.
De posse dos parâmetros encontrados, esses resultados
foram avaliados através do cálculo da Diferença Média
Absoluta (DMA) (Equação 2), da Diferença Média Relativa
(DMR %) (Equação 3) e da Raiz da Diferença Quadrática
Média (RDQM) (Equação 4), entre a produtividade estimada
pelos modelos e a produtividade considerada real calculada
com valores coletados em campo.
DMA =
∑ |Y−Y|
(02)
DMR =
∑||
||
(03)
RDQM = ∑()
/ (04)
em que: o Yi corresponde ao valor da produtividade observada ou
real (dados que foram coletados em campo); o Y'i corresponde ao
valor de produtividade estimada pelo modelo e o n corresponde ao
número de anos-safra de dados da produtividade.
2.6. Análise estatística
Para verificar o desempenho dos modelos foi realizado o
cálculo do coeficiente de Pearson (Equação 5), r (p<0,05) que
mede o grau da correlação e a direção dessa correlação, se
positiva ou negativa entre duas variáveis de escala métrica.
r =
(05)
em que: o CXY é a covariância ou variância conjunta das variáveis X
e Y; o SX é o desvio padrão da variável X e o SY é o desvio padrão
da variável Y.
Este coeficiente assume valores entre -1 e 1; quando 1
significa uma correlação perfeita positiva entre as duas
variáveis e quando -1, significa uma correlação negativa
perfeita entre as duas variáveis, isto é, se uma aumenta a outra
sempre diminui e quando 0 significa que as duas variáveis não
dependem linearmente uma da outra.
A exatidão está relacionada ao afastamento dos valores
estimados em relação aos observados e foi dada
estatisticamente pelo índice de concordância “d” proposto
por Willmott et al. (1985) (Equação 6).
d = 1− ∑ (
)
∑(||||) (06)
em que: o Y'i é o valor estimado; o Yi é o valor observado e o Y é a
média dos valores observados.
Seus valores variam de zero para nenhuma concordância,
a 1, para a concordância perfeita.
Segundo Camargo e Sentelhas (1997), os seguintes
indicadores estatísticos foram considerados para
correlacionar os valores estimados com os medidos: exatidão
- índice de Willmott “d” e de confiança ou desempenho “c”
(Equação 7).
c = r ∗ d (07)
Mediante o valor encontrado na equação 7, os índices de
desempenho são classificados conforme Camargo; Sentelhas
(1997): >0,85 – ótimo; 076 a 0,85 – muito bom; 0,66 a 0,75 –
bom; 0,61 a 0,65 – mediano; 0,51 a 0,60 – sofrível; 0,41 a 0,50
– mau; ≤0,40 – péssimo.
Predição da produtividade de cana-de-açúcar com base em modelo agrometeorológico no semiárido brasileiro
Nativa, Sinop, v. 10, n. 4, p. 515-524, 2022.
518
3. RESULTADOS
3.1. Balanço hídrico climatológico sequencial mensal
Na Figura 1 foram apresentados os extratos dos cenários
hídricos referentes aos anos-safra de 2005/2006, 2006/2007,
2007/2008, 2008/2009, 2009/2010, 2010/2011 e
2011/2012, respectivamente; foi possível observar que
durante todo o ciclo da cultura houve deficiência hídrica
levando em consideração a precipitação pluviométrica que
foi abaixo da média para a região; mesmo assim, não trouxe
eventuais reduções na produtividade visto que a monocultura
foi cultivada em área com irrigação suplementar.
Para este período avaliado, é possível constatar que os
anos-safra de 2005/2006 até 2011/2012 apresentaram
similaridade em relação à deficiência hídrica acentuada a
partir do mês de maio, em boa parte dos anos observados,
coincidentemente logo após o período em que ocorrem os
picos de precipitação significativa para a região porém a
produtividade agrícola não foi influenciada negativamente
devido à suplementação hídrica via irrigação que ocorreu em
100% da área plantada, assim como ilustra a Figura 2.
Figura 1. Extratos do cenário hídrico dos anos-safra de: 2005/2006 (A), 2006/2007 (B), 2007/2008 (C), 2008/2009 (D), 2009/2010 (E),
2010/2011 (F) e 2011/2012 (G).
Figure 1. Extract from the hydric scenario for the crop years 2005/2006 (A), 2006/2007 (B), 2007/2008 (C), 2008/2009 (D), 2009/2010
(E), 2010/2011 (F) and 2011/2012 (G).
-180
-140
-100
-60
-20
20
60
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
(mm)
Mês
2006
DEF
EXC
A
-180
-140
-100
-60
-20
20
60
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
(mm)
Mês
2007
DEF EXC
B
-180
-140
-100
-60
-20
20
60
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
(mm)
Mês
2008
C
-180
-140
-100
-60
-20
20
60
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
(mm)
Mês
2009
D
-180
-140
-100
-60
-20
20
60
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
(mm)
Mês
2010
E
-180
-140
-100
-60
-20
20
60
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
(mm)
Mês
2011
F
-180
-140
-100
-60
-20
20
60
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
(mm)
Mês
2012
G
Silva et al.
Nativa, Sinop, v. 10, n. 4, p. 515-524, 2022.
519
Figura 2: Precipitação acumulada (em mm) (A), volume total de água
aplicado via irrigação (em m3) (B) e produtividade agrícola (t ha-1)
em função do cenário hídrico para os anos-safra de 2005/2006 até
2011/2012 (C).
Figure 2: Accumulated precipitation (in mm) (A), total volume of
water applied via irrigation (in m3) (B) and agricultural productivity
(t ha-1) as a function of the hydric scenario for the crop years
2005/2006 through 2011/2012 (C).
3.2. Calibração do modelo
Na Tabela 3 é apresentado o Modelo Agrometeorológico
(MA) de regressão linear múltipla para a estimativa de
produtividade no segundo mês antecedente à colheita.
O modelo apresentou-se significativo no nível de 5% de
probabilidade (p < 0,05) com intervalo de confiança de 95%
para o valor estimado, apresentando bom coeficiente de
determinação (R2), em torno de 99%.
O índice de desempenho ou confiança (c) do modelo de
estimativa de produtividade ficou em torno de 0,9801,
classificado como ótimo para o período analisado.
Mesmo apresentando boa significância de modo geral
para o modelo e observando separadamente as variáveis que
o compõem as variáveis T e DEF foram bastante
significativas. A variável IP obteve uma probabilidade p de
0,248413 no segundo mês antecedente à colheita. Este mês
apresentou baixo regime pluviométrico com dependência
significativa da irrigação. Além disso, neste mês a irrigação foi
pouco a pouco reduzida para induzir a maturação da cana-
de-açúcar e garantir o máximo de sacarose nos colmos.
Na Tabela 4 são comparados os resultados reais e
estimados no período de 2005/2006 a 2011/2012 pelo
Modelo Agrometeorológico (MA). Os erros de ajuste ou
previsão, são medidos pelo desvio (Equação 8):
Desvio = PR – PE (08)
em que: PR equivale a produtividade agrícola real e; PE é a de
produtividade agrícola estimada.
Conforme a Tabela 4 pode-se observar que na maioria
dos anos-safra estudados (71,43%) os erros de ajustes não
alcançaram um desvio padrão; por outro lado, 28,57% dos
anos, o desvio varia (em valor absoluto) de até quase duas
vezes o desvio padrão.
Na Figura 3A é possível observar, no gráfico, os valores
correspondentes às produtividades reais e a estimada,
respectivamente. De acordo com a Figura do modelo
agrometeorológico, o coeficiente de determinação (R2) foi
considerado satisfatório cujas variáveis explicam 99% sem
apresentar desvios significativos de ajustes, aproximando-se
bem da produtividade real fornecida pela propriedade.
No caso da Figura 3B, que representa o desempenho da
propriedade, apesar de apresentar proximidade dos valores
reais com os estimados pelos técnicos, justificando assim o
coeficiente de 99% do índice de concordância de Willmott et
al. (1985), é possível identificar alguns desvios importantes de
ajuste; em consequência, isto pode ocorrer com respeito para
à previsão de valores futuros.
Tabela 3. Coeficientes do Modelo Agrometeorológico (MA) com as respectivas probabilidades de erro (p), correlações lineares (r), índice
de concordância de Willmott (d) e Erro Padrão de estimativa.
Table 3. Coefficients of the Agrometeorological Model (MA) with their respective error probabilities (p), linear correlations (r), Willmott's
agreement index (d) and Standard Error of estimation.
Variáveis independentes do Modelo Agrometeorológico (MA)
α IP T DEF N
β 727,4707 0,19305 -2,45019 -0,00082 2,13792
p de erro 0,036270 0,248413 0,013016 0,017164 0,994553
Coeficientes r = 0,99 R² = 0,99 p < 0,0274 d = 0,99
Erro Padrão de estimativa: 2,7264
IP = Irrigação + Precipitação (mm); T = Temperatura média do ar (°C); DEF = Déficit de saturação de vapor do ar (hPa); N = Fotoperíodo (horas).
Tabela 4. Valores reais e estimados para o Modelo Agrometeorológico para os anos-safra de 2005/2006 a 2011/2012.
Table 4. Real and estimated values for the Agrometeorological Model for the crop years 2005/2006 to 2011/2012.
Método de observação Produtividade (t ha-1)
2005/2006 2006/2007 2007/2008 2008/2009 2009/2010 2010/2011 2011/2012
Valor Real 101,51 113,20 96,20
82,73
83,36
84,48
74,28
Estimativa do Modelo
Agrometeorológico 99,53 112,94 97,87 81,07 83,77 86,71 73,87
Residuais 1,9809 0,2578 -1,6744 1,6612 -0,4056 -2,2314 0,4115
Residuais Padronizados 0,7266 0,0946 -0,6141 0,6093 -0,1488 -0,8185 0,1509
Predição da produtividade de cana-de-açúcar com base em modelo agrometeorológico no semiárido brasileiro
Nativa, Sinop, v. 10, n. 4, p. 515-524, 2022.
520
Figura 3. A relação entre a produtividade real (PR) e produtividade estimada (PE), onde em A o desempenho do modelo agrometeorológico
(MA) e em B segue a estimativa da propriedade com os valores reais em relação aos valores estimados.
Figure 3. The relationship between actual productivity (PR) and estimated productivity (PE), where in A the performance of the
agrometeorological model (MA) and in B follows the estimation of the property with the actual values in relation to the estimated values.
De acordo com os anos-safra testados para calibração do
modelo agrometeorológico para estimativa de produtividade
se encontra na Tabela 5, as respectivas Diferenças Média
Absoluta (DAM), Diferença Média Relativa (DMR) e Raiz da
Diferença Quadrática Média (RDQM).
Entre os anos-safra testados pelo modelo
agrometeorológico a safra de 2006/2007, em que o plantio se
encontrava na 9ª colheita, como pode ser observado na
Tabela 5 acima, apresentou a menor diferença média relativa
de 0,23% e a maior diferença média relativa de 2,64% foi
registrada na safra anterior, de 2010/2011 porém com
exceção do ano de 2008/2009 e 2010/2011, os demais anos
apresentaram boas diferenças médias relativas. A análise dos
valores reais em relação aos estimados pela própria
propriedade, a menor diferença média relativa encontrada foi
de 0,43% na safra de 2009/2010 e as maiores diferenças
médias relativas foram de 15,19% e 16,04% nas safras de
2006/2007 e 2008/2009, respectivamente.
Tabela 5. Valores da produtividade real (t ha-1 real) e da produtividade estimada pelo Modelo Agrometeorológico e da propriedade, com suas
respectivas Diferenças Média Absoluta (DMA), Diferença Média Relativa (DMR) e Raiz da Diferença Quadrática Média (RDQM), para os
anos-safra estudados.
Table 5. Values of the real productivity (t ha-1 real) and the productivity estimated by the Agrometeorological Model and the property, with
their respective Mean Absolute Differences (MAD), Mean Relative Difference (RMD) and Root of the Mean Square Difference (RMRD),
for the crop years studied.
Método de observação
Produtividade (t ha
-1
)
2005/2006
2006/2007
2007/2008
2008/2009
2009/2010
2010/2011
2011/2012
Valor Real
101,51
113,20
96,20
82,73
83,36
84,48
74,28
Estimativa do Modelo
Agrometeorológico 99,53 112,94 97,87 81,07 83,77 86,71 73,87
DMA
1,98
0,26
1,67
1,66
0,41
2,23
0,41
DMR (%)
1,95
0,23
1,74
2,01
0,49
2,64
0,55
RDQM
3,92
0,07
2,79
2,76
0,71
4,97
0,17
Método de observação
Produtividade (t ha
-1
)
2005/2006
2006/2007
2007/2008
2008/2009
2009/2010
2010/2011
2011/2012
Valor Real
101,51
113,20
96,20
82,73
83,36
84,48
74,28
Estimativa da Propriedade
95,00
96,00
97,00
96,00
83,00
80,00
70,00
DMA
6,51
17,20
0,80
13,27
0,36
4,48
2,28
DMR (%)
6,41
15,19
0,83
16,04
0,43
5,30
3,07
RDQM
42,38
295,84
0,64
176,09
0,13
20,07
5,20
3.3. Validação do modelo
No período de validação descrito na Tabela 6 se
encontram os valores de produtividade agrícola obtidos por
cada modelo, desenvolvido para os anos das safras
correspondentes à 2004/2005, 2013/2014 e 2014/2015.
Em relação aos valores observados na Tabela 6, quando
comparados com os dados apresentados na Tabela 1, foi
possível compreender o comportamento das produtividades
proposta pelo modelo na validação no que diz respeito à
idade do dossel e às variedades, ou seja, no 7º ano de cultivo
e variedade SP 79-1011 no ano-safra de 2004/2005; e no 1º
e 2º ano de cultivo e variedade VAT 90-212 nos anos-safras
de 2013/2014 e 2014/2015. Na Tabela 7 foram descritos os
valores observados e estimados da produtividade agrícola
com suas respectivas diferenças e a variação dos rendimentos
agrícolas através das estimativas feitas pelo modelo
agrometeorológico; observa-se que nas safras de 2013/2014
e 2014/2015 houve uma subestimativa nos valores da
produtividade; na safra de 2004/2005 ocorreu uma diferença
de quase 15 toneladas superestimando a estimativa do erro
padrão de quase três toneladas de cana.
A Figura 4 ilustra o comportamento de acordo com os
resultados apontados na Tabela 7 citada anteriormente. De
modo geral, o modelo apresentou-se significativo para
estimar a produtividade desta área de estudo quando levados
em consideração as variáveis intrínsecas de sua calibração.
Como ilustra a Tabela 8, para corrigir esse efeito das
safras de 2013/2014 e 2014/2015, foi feita a razão das
produtividades real com a estimada pelo modelo
agrometeorológico, gerando um fator de correção de 11,34 e
6,23, respectivamente, para cada ano-safra.
70
75
80
85
90
95
100
105
110
115
70 75 80 85 90 95 100 105 110 115
Produtividade real (t ha-1)
Produtividade estimada (t ha-1)
MA
A
70
75
80
85
90
95
100
105
110
115
70 75 80 85 90 95 100 105 110 115
Produtividade real (t ha-1)
Produtividade estimada (t ha-1)
Estimativa da propriedade
B
Silva et al.
Nativa, Sinop, v. 10, n. 4, p. 515-524, 2022.
521
Tabela 6. Valores da produtividade agrícola (t ha-1) calculada com o
modelo agrometeorológico (MA) para os anos-safra de 2004/2005,
2013/2014 e 2014/2015.
Table 6. Values of agricultural productivity (t ha-1) calculated with
the agrometeorological model (MA) for the crop years 2004/2005,
2013/2014 and 2014/2015.
Método de
observação
Produtividade (t ha
-1
)
2004/2005
2013/2014
2014/2015
Valor Real
98,00
261,86
171,77
Estimativa do
MA 83,19 23,10 27,59
Tabela 7. Valores da produtividade real (t ha-1 real) e das
produtividades estimadas pelo modelo agrometeorológico (MA) e
da propriedade, com suas respectivas diferenças para os anos-safra
de 2004/2005, 2013/2014 e 2014/2015.
Table 7. Values of the actual productivity (actual t ha-1) and the
productivity estimated by the agrometeorological model (MA) and
the property, with their respective differences for the crop years
2004/2005, 2013/2014 and 2014/2015.
Método de
observação
Produtividade (t ha
-1
)
2004/2005
2013/2014
2014/2015
Valor Real
98,00
261,86
171,77
Estimativa do
MA 83,19 23,10 27,59
DMA
14,81
238,76
144,18
DMR (%)
15,11
91,18
83,94
RDQM
219,34
57006,34
20787,87
Método de
observação
Produtividade (t ha
-1
)
2004/2005
2013/2014
2014/2015
Valor Real
98,00
261,86
171,77
Estimativa da
Propriedade 96,00 235,00 180,00
DMA
2,00
26,86
8,23
DMR (%)
2,04
10,26
4,79
RDQM
4,00
721,46
67,73
Diferença média absoluta (DMA), diferença média relativa (DMR) e raiz da
diferença quadrática média (RDQM).
Figura 4. Produtividade agrícola real e a estimada pelo modelo
agrometeorológico (MA) no período de validação.
Figure 4. Actual agricultural productivity and that estimated by the
agrometeorological model (AM) in the validation period.
Tabela 8. Correção de safra para o modelo agrometeorológico (MA).
Table 8. Crop correction for the agrometeorological model (MA).
Método de observação Produtividade (t ha-1)
2013/2014 2014/2015
Valor Real 261,86 171,77
Estimativa do MA 23,10 27,59
Fator de correção 11,34 6,23
Produtividade
Corrigida
261,95 171,89
O fator de correção foi usado para ajustar e corrigir a
produtividade estimada, uma vez que no período de
calibração do MA a produtividade média dos anos-safras
ficou em torno de 90,82 t ha-1, caracterizado pelo cultivo da
cana no manejo de socarias (cana soca) e intervalo entre
colheitas de aproximadamente 11,6 meses, justificando um
bom ajuste de estimativa do MA na validação do ano-safra de
2004/2005 devido às mesmas características citadas na
calibração.
Por ser a 1ª folha (equivale à primeira colheita) a planta
ofereceu o seu máximo desenvolvimento vegetativo e
agrícola fundamentado pela produtividade de 261, 86 t ha-1
no ano-safra de 2013/2014. No ano-safra seguinte,
2014/2015, em sua 2ª folha (cana soca) com intervalo de
colheita de 12,9 meses, a produtividade diminuiu em torno
de 90 t ha-1 assim como o fator de correção também registou
uma redução significativa de 54,94%.
4. DISCUSSÃO
4.1. Balanço hídrico climatológico sequencial mensal
Os dados observados na Figura 1 corroboram o estudo
da disponibilidade hídrica da região conduzido por Lopes et
al. (2017), no qual os autores relataram déficit no balanço
hídrico sequencial em praticamente todo o ano na região,
mesmo em anos classificados como muito chuvosos. Estes
resultados evidenciam a importância da irrigação para
garantir a produção agrícola da cana-de-açúcar na região.
A disponibilidade de água para a planta da cana-de-açúcar
é de extrema importância para seu desenvolvimento
produtivo, sabendo-se que esse consumo de água é variável
de acordo com o estádio fenológico como também as
variações de clima local e variedade, apresentado um
consumo médio 3,5 mm dia-1, de acordo com o estudo feito
por Scardua e Rosenfeld (1987) e comprovado por Silva et al.
(2017), que independente da disponibilidade hídrica, a
variedade SP 79-1011, usada no período de calibração do
modelo, apresenta significativas sensibilidades fisiológicas no
que diz respeito à condutância estomática e diminuição da
fotossíntese.
Ainda corroborando com os dados apresentados na
Figura 1 citada anteriormente, Pereira et al. (2020) analisaram
o déficit hídrico através das temperaturas do ar e das folhas
em dossel cultivado comercialmente com cana-de-açúcar e
constataram dificuldades em estimar fielmente o déficit
devido à algumas limitações do método quando comparado
ao método do teor de água disponível no solo, percebendo
que este apresenta uma maior sensibilidade na identificação
da escassez hídrica às plantas.
Complementando Pereira et al. (2020), o dossel de cana-
de-açúcar com altura em torno de 2,8 m, consegue armazenar
significativamente mais água no solo apresentando uma
uniformidade bem melhor na distribuição dessa umidade
quando comparado com um dossel de 0,7 m de altura,
justificado pelo índice de área foliar (IAF) ser maior e
dificultar a incidência de raios solares direto no solo, ou seja,
diminuindo o efeito das variáveis presentes no computo do
balanço hídrico (SILVA et al., 2021).
Como pode ser observado na Figura 2 citada
anteriormente para o período de calibração dos modelos que
foi de 2005/2006 a 2011/2012, levando em consideração o
volume médio acumulado da precipitação registrada mais o
volume de água fornecido via irrigação, cada ano-safra
recebeu em média 83.426,71 m3 de água, compensando a
Predição da produtividade de cana-de-açúcar com base em modelo agrometeorológico no semiárido brasileiro
Nativa, Sinop, v. 10, n. 4, p. 515-524, 2022.
522
variabilidade natural do regime hídrico da região e
concordando com Silva et al. (2019) para o uso eficiente da
água no desenvolvimento da planta e otimização da
produtividade agrícola; mesmo assim foi verificada uma
queda de produtividade de até 73,18% quando analisados a
primeira e a última produtividade para o primeiro e o último
ano, respectivamente, do período de calibração dos modelos.
Holanda et al. (2014), observaram, tentando determinar
saídas para contornar o efeito significativo do déficit hídrico
na produtividade agrícola, o comportamento de algumas
variedades de cana-de-açúcar em diferentes condições de
deficiências hídricas para auxiliar na seleção de genótipos
tolerantes à seca e perceberam que as variáveis morfológicas
foram eficientes para diferenciar as cultivares em tolerantes e
susceptíveis.
Vianna e Sentelhas (2014), verificaram o risco de déficit
hídrico da cultura da cana-de-açúcar em diferentes regiões do
Brasil, varia de acordo com a capacidade de retenção de água
no solo e que a região de Petrolina-PE, apresenta maior risco
devido à variabilidade climática com baixa precipitação ao
longo do ano, elevadas temperaturas durante o dia e reduzida
capacidade de retenção de água no solo.
4.2. Calibração do modelo
Araújo et al. (2011) e Souza et al. (2013) constataram que
as interações intrínsecas (variedade, genética, etc) e
extrínsecas (luz, água, solo, pragas, etc) à planta e que são
difíceis de mensurar via modelagem resultam em
comportamentos distintos e essenciais para a obtenção do
êxito na calibração de um modelo agrometeorológico na
estimativa da produtividade agrícola de uma cultura qualquer,
levando em consideração apenas os dados de produção e
meteorológico.
Ao observar as diferenças relativas média do modelo é
perceptível que não ocorreu diferença abrupta entre os
valores quando comparados com os valores encontrados na
estimativa da propriedade. Segundo Frizzone et al. (2005) as
principais críticas aos modelos agrometeorológicos se
referem às suas aplicações consideradas, muitas vezes,
específicas para uma localidade ou incompletas, no sentido
de omitir efeitos de outros fatores e suas interações com a
água, pois é considerada apenas a influência de fatores
climáticos sobre a produtividade da cultura.
4.3. Validação do modelo
Segundo Silva et al. (2017) a variedade SP 79-1011
apresenta uma sensibilidade à variabilidade de água no solo,
impactando diretamente nas funções fisiológicas e
consequentemente na queda de rendimento em função da
redução fotossintética, o que diferencia um pouco na
variedade VAT 90-212, por caracterizar às áreas de várzea,
presença de umidade, conforme a Rede Interuniversitária
para o Desenvolvimento do Setor Sucroenergético
(RIDESA, 2010), mostrou boa adaptação em solos com baixa
umidade com resposta fisiológica positiva sem afetar
significativamente sua produtividade.
Fiorio et al. (2018), complementando o que Silva et al.
(2017) afirmaram, detectaram um remanejamento da
reflectância e variação espectral nas folhas de cana-de-açúcar
em função do déficit hídrico diagnosticado por sensores
hiperespectrais em resposta significativa à redução gradativa
da umidade do solo, inferindo diretamente na fotossíntese e
prejudicando-a fisiologicamente na conversão para a
produtividade agrícola.
Especificando os anos-safras de 2013/2014 e 2014/2015,
o qual foi aplicado o fator de correção onde o MA
subestimou a produtividade congruente aos valores disposto
na Tabela 6, justifica-se pela renovação da área conforme
descrito na Tabela 1, ocorrendo uma mudança varietal com
características agronômicas distintas apontadas por Silva et
al. (2017) e o intervalo de colheita de aproximadamente 18, 3
meses (mais tempo de nutrição, irrigação e variáveis
meteorológicas inerentes ao seu desenvolvimento) no
manejo de cana planta, ou seja, a primeira colheita dessa nova
área.
No decorrer dos anos-safras seguintes, como observado
em relação aos valores do fator de correção diminuírem, a
tendência natural será que as produtividades reais e àquelas
estimadas pelo MA irão convergir ao ponto de adequação
sem a necessidade de retificar, conforme acontecerá com
resultados apresentados a partir do modelo
agrometeorológico-espectral desenvolvido por Silva et al.
(2021) na área do mesmo canavial.
5. CONCLUSÕES
O modelo agrometeorológico mostrou boa predição da
produtividade estimada em relação à produtividade real para
o período de calibração.
O modelo agrometeorológico apresentou boa resposta da
produtividade estimada de 83,19 t ha-1 quando comparada
com produtividade real de 98 t ha-1 no período de validação
no ano-safra de 2004/2005.
Com o subsídio do fator de correção de safra, as
produtividades subestimadas nos anos-safra de 2013/2014 e
2014/2015 foram corrigidas tornando-se significativas
quando comparadas com a produtividade real.
O valor do fator de correção de safra será reduzido
temporalmente ao passar dos anos-safra e os modelos se
ajustaram sem a necessidade da correção da produtividade
estimada por eles.
6. AGRADECIMENTOS
À CAPES (Coordenação de Aperfeiçoamento de Pessoal
de Nível Superior por fomentar a bolsa, ao Programa de Pós-
Graduação em Engenharia Agrícola da Universidade Federal
Rural de Pernambuco (UFRPE), à Universidade Federal do
Agreste de Pernambuco (UFAPE), à Propriedade Agrícola
por ceder o espaço para desenvolvimento da Pesquisa e a
toda a equipe na elaboração deste artigo.
7. REFERÊNCIAS
ARAÚJO, M. A.; SOUZA, J. L. M.; TSUKAHARA, R. Y.
Modelos agro-meteorológicos na estimativa da
produtividade da cultura da soja na região de Ponta
Grossa, Estado do Paraná. Revista Acta Scientiarum
Agronomy, v. 33, n. 1, p. 23-31, 2011.
https://doi.org/10.4025/actasciagron.v33i1.5062
CAMARGO, A. P.; SENTELHAS, P. C. Avaliação do
desempenho de diferentes métodos de estimativa da
evapotranspiração potencial no estado de São Paulo,
Brasil. Revista Brasileira de Agrometeorologia, v. 5, n.
1, p. 89-97, 1997.
CARVALHO, A. L. de; SOUZA, J. L. de; ALMEIDA, A. C.
D.; LYRA, G. B.; TEODORO, I.; FERREIRA, R. A.;
MAGALHÃES, I. D.; SANTOS, L. R. Sugarcane
productivity simulation under diferente planting times by
Silva et al.
Nativa, Sinop, v. 10, n. 4, p. 515-524, 2022.
523
DSSAT/CANEGRO model in Alagoas, Brazil.
Emirates Journal of Food and Agriculture, v. 30, n. 3,
p. 190-198, 2018.
https://doi.org/10.9755/ejfa.2018.v30.i3.1640
CONAB_Companhia Nacional de Abastecimento.
Acompanhamento da safra brasileira de cana-de-
açúcar. Observatório Agrícola, Brasília, DF: [s.n.].
Disponível em: <http://www.conab.gov.br> Acesso
em: 20 de março de 2022.
FAO_Food and Agriculture Organization of the United
Nations. FAOSTAT. Disponível em:
<http://www.fao.org/faostat/en/#data/QCL>.
Acesso em: 03 de ago. 2021.
FIORIO, P. R.; COELHO, R. D.; BARROS, P. P. S.;
BONILLA, M. M. Z.; GADY, A. P. B. Comportamento
espectral de folhas de cana-de-açúcar na presença de
déficit hídrico. Revista Irriga, v. 23, n. 3, p. 609-621,
2018. https://doi.org/10.15809/irriga.2018v23n3p609-
621
FRIZZONE, J. A.; ANDRADE JÚNIOR, A. S.; SOUZA, J.
L. M.; ZOCOLER, J. L. Funções de produção água-
cultura. In: FRIZZONE, J. A.; ANDRADE JÚNIOR, A.
S.; SOUZA, J. L. M.; ZOCOLER, J. L. (Ed.).
Planejamento de irrigação: análise e decisão de
investimento. Brasília: Embrapa, 2005. p. 283-314.
GUNARATHNA, M.; SAKAI, K.; NAKANDAKARI, T.;
MOMII, K.; KUMARI, M. K. N. Sensitivity analysis of
plant and cultivar specific parameters of APSIM sugar
model: variation between climates and management
conditions. Agronomy, v. 9, n. 5, e242, 2019.
https://doi.org/10.3390/agronomy9050242
HAMMER, R. G.; SENTELHAS, P. C.; MARIANO, J. C.
Q. Sugarcane yield prediction through data mining and
crop simulation models. Sugar Tech, v. 22, n. 2, p. 216-
225, 2019. https://doi.org/10.1007/s12355-019-00776-z
HOLANDA, L. A.; SANTOS, C. M.; SAMPAIO NETO, G.
D.; SOUSA, A. P.; SILVA, M. A. Variáveis morfológicas
da cana-de-açúcar em função do regime hídrico durante
o desenvolvimento inicial. Irriga, v. 19, n. 4, p. 573-584,
2014. https://doi.org/10.15809/irriga.2014v19n4p573
LOPES, I.; GUIMARÃES, M. J. M.; MELO, J. M. M. DE;
RAMOS, C. M. C. Balanço hídrico em função de regimes
pluviométricos na região de Petrolina-PE. Revista
Irriga, v.22, n.1, p.443-457, 2017.
https://doi.org/10.15809/irriga.2017v22n3p443-457
LUCIANO, A. C. S.; PICOLI, M. C. A.; DUFT, D. G.;
ROCHA, J. V.; LEAL, M. R. L.; MAIRE, G. L. Empirical
model for forecasting sugarcane yield on a local scale
brazil using Landsat imagery and random forest
algorithm. Computers and Electronics in Agriculture,
v. 184, e106063, 2021.
https://doi.org/10.1016/j.compag.2021.106063
MARCARI, M. A. Modelos agrometeorológicos
estatísticos de previsão de produtividade e qualidade
para cana-de-açúcar. 47p. Dissertação [Agronomia] -
Universidade Estadual Paulista, Jaboticabal, 2015.
MONTEIRO, L. A.; SENTELHAS, P. C. Sugarcane yield
gap: can it be determined at national level with a simple
agrometeorological model? Crop and Pasture Science,
v. 68, n. 3, p. 272-284, 2017.
https://doi.org/10.1071/CP16334
PEREIRA, R. M.; CASAROLI, D.; VELLAME, L. M.;
ALVES JÚNIOR, J.; EVANGELISTA, A.W. P;
BATTISTI, R. Water deficit detection in sugarcane using
canopy temperature from satellite images. Australian
Journal of Crop Science, v. 14, n. 3, p. 400-407, 2020.
https://doi.org/10.21475/ajcs.20.14.03.p1647
SCARDUA, R.; ROSENFELD, U. Irrigação da cana-de-
açúcar. In: PARANHOS, S. B. (Coord.). Cana-de-
açúcar: Cultivo e utilização. Campinas: Fundação
Cargill, 1987. v. 1, p. 373-431.
SILVA, V. P. R.; BELO FILHO, A. F. B.; SILVA, B. B.;
CAMPOS, J. H. B. C. Desenvolvimento de um sistema
de estimativa da evapotranspiração de referência. Revista
Brasileira de Engenharia Agrícola e Ambiental, v. 9,
n. 4, p. 547-553, 2005.
SILVA, T. G. F. da; MOURA, M. S. B. de; ZOLNIER, S.;
SOARES, J. M.; SOUZA, L. S. B.; BRANDÃO, E. O.
Variação do balanço de radiação e de energia da cana-de-
açúcar irrigada no semiárido brasileiro. Revista
Brasileira de Engenharia Agrícola e Ambiental, v. 15,
p. 139-147, 2011.
SILVA, M. V. P.; SILVA, J. F.; SILVA, E. dos S. S.;
ANDRADE JÚNIOR, A. S.; MOUSINHO, F. E. P.
Parâmetros fisiológicos de variedades de cana-de-açúcar
submetidos a distintos regimes hídricos. Journal of
Environmental Analysis and Progress, v. 2, n. 4, p.
509-518, 2017.
https://doi.org/10.24221/jeap.2.4.2017.1486.509-518
SILVA, E. M. P.; ANDRADE JÚNIOR, A. S.; BASTOS, E.
A.; RIBEIRO, V. Q.; Produtividade de colmos e
eficiência do uso da água em cana-de-açúcar irrigada por
gotejamento subsuperficial. Irriga, v. 24, n. 1, p. 162-176,
2019. https://doi.org/10.15809/irriga.2019v24n1p162-
176
SILVA, M. M.; SANTOS JÚNIOR, J. A.; MELO FILHO,
M. S.; SILVA, E. F. F.; SANTOS, J. B. Uniformidade da
irrigação por aspersão em função da altura do dossel da
cana de açúcar. Irriga, v. 26, n. 1, p. 195-209, 2021.
https://doi.org/10.15809/irriga.2021v26n1p195-209
SILVA, A. S.; COSTA, M. A.; MOURA, G. B. A.; LOPES.
P. M. O.; GUIMARÃES, M. J. M.; GOMES, A. W. A.
Agrometeorological-spectral model for estimating
sugarcane productivity in Brazilian semi-arid. Irriga, v.
26, n. 3, p. 490-506, 2021.
https://doi.org/10.15809/irriga.2021v26n3p490-506
SOUZA, J. L. M.; GERSTEMBERGER, E.; ARAUJO, M.
A. Calibração de modelos agrometeorológicos para
estimar a produtividade da cultura do trigo, considerando
sistemas de manejo do solo, em Ponta Grossa-PR.
Revista Brasileira de Meteorologia, v. 28, n. 4, p. 409-
418, 2013. https://doi.org/10.1590/S0102-
77862013000400007
VIANNA, M. S.; SENTELHAS, P. C. Simulação do risco de
déficit hídrico em regiões de expansão do cultivo de cana-
de-açúcar no Brasil. Revista Pesquisa Agropecuária
Brasileira, v. 49, n. 4, p. 237-246, 2014.
https://doi.org/10.1590/S0100-204X2014000400001
VERMA, A. K.; GARG, P. K.; PRASAD, K. S. H.;
DADHWAL, V. K.; DUBEY, S. K.; KUMAR, A.
Sugarcane yield forecasting model based on weather
parameters. Sugar Tech, v. 23, n. 1, p. 158-166, 2021.
https://doi.org/10.1007/s12355-020-00900-4
WILLMOTT, C. J.; ACKLESON, S. G.; DAVIS, R. E.
Statistics for the evaluation and comparison of models.
Journal of Geography Research, v. 90, n. 5, p. 8995-
9005, 1985. https://doi.org/10.1029/JC090iC05p08995
