Indicadores Climáticos e a Produtividade de Soja no Rio Grande do Sul

Abstract

Resumo O objetivo deste trabalho foi identificar padrões de teleconexão que influenciem na variabilidade da produtividade de soja no Rio Grande do Sul de forma a encontrar potenciais variáveis preditoras da produtividade agrícola no Estado. Foram utilizados dados de produtividade de soja de 87 municípios fornecidos pelo Instituto Brasileiro de Geografia e Estatística. Estas séries foram reunidas em três grupos homogêneos de produtividade mediante análise de agrupamento. Correlações defasadas entre índices climáticos associados a padrões de teleconexão e a produtividade média da soja de cada um dos três grupos evidenciaram a importância de cada índice para a cultura no Rio Grande do Sul. Dentre os padrões de teleconexão, os que apresentaram correlações mais significativas, confiança superior a 90%, e persistentes com a produtividade de soja foram a Oscilação ártica (negativa entre outubro e dezembro), Oscilação do Atlântico Norte (negativa entre outubro e janeiro) e anomalias de Temperatura da Superfície do Mar no Oceano Atlântico, entre 20°S-30°S e 20°O-40°O, (positivas entre dezembro e março). Estes índices também apresentaram elevada correlação com a precipitação compreendida entre dezembro a março para cada grupo homogêneo evidenciando a importância do seu monitoramento para o planejamento da safra de soja no Rio Grande do Sul.

Spatio-temporal variability of sugarcane yield based on edaphoclimatic factors in the central region of Brazil

“…[1]). This model was chosen because it is the most commonly used to identify the inherent linear trend of the data (Michel and Makowski 2013;Lu et al 2017;Arsego et al 2019). [1] Where is the sugarcane yield in time t, t is the year of observation (independent variable), and are, respectively, the linear and angular coe cients of the equation, is the error of the residuals considering the difference between and the linear trend (Michel and Makowski 2013).…”

“…After identifying the linear trend, the removal of the technological trend was applied separately for each municipality, as shown by Eq. [2] (Wenjiao et al 2013;Arsego et al 2019). [2] Where is the corrected yield in year i, is the original yield in year i, is the yield in year i estimated by regression model , is the yield of the last year of the series estimated through the second linear regression so that the series coincides in the last value (Arsego et al 2019).…”

Economic analysis of irrigation in the production system of soybean and second‐season maize in sandy soil areas in Brazil

“…According to them, in central Brazil, the highest soybean net sales are obtained by sowing in late September and early October. Crop yield reductions, mainly in the second season, show the need to adopt techniques that result in greater efficiency for agricultural activity, among which irrigation systems stand out (Arsego et al, 2019).…”