Calibração e avaliação do CSM-CROPGRO-soybean para cultura da soja no cerrado do sudoeste piauiense

João Irene Filho; Aderson Soares de Andrade Júnior; Santiago Viana Cuadra; Everaldo Moreira da Silva; Paulo Fernando Melo Jorge Vieira

doi:10.1590/1983-21252024v3711959rc

Autores

João Irene Filho Universidade Federal do Piauí, Bom Jesus, PI, Brazil https://orcid.org/0000-0002-3071-3867
Aderson Soares de Andrade Júnior Brazilian Agricultural Research Company, Embrapa Meio-Norte, Teresina, PI, Brazil https://orcid.org/0000-0002-0619-1851
Santiago Viana Cuadra Brazilian Agricultural Research Company, Embrapa Informática Agropecuária, Campinas, SP, Brazil https://orcid.org/0000-0003-1759-7272
Everaldo Moreira da Silva Universidade Federal do Piauí, Bom Jesus, PI, Brazil https://orcid.org/0000-0003-0888-3365
Paulo Fernando Melo Jorge Vieira Brazilian Agricultural Research Company, Embrapa Meio-Norte, Teresina, PI, Brazil https://orcid.org/0000-0002-5133-3871

DOI:

https://doi.org/10.1590/1983-21252024v3711959rc

Palavras-chave:

Modelagem agrícola. Análise de crescimento. Época de semeadura. Risco climático

Resumo

Objetivou-se, calibrar e avaliar o modelo DSSAT CSM-CROPGRO-Soybean na simulação do rendimento de grãos de soja na região do cerrado do Sudoeste Piauiense. Para a parametrização do modelo, foram utilizados dados do ano agrícola 2019-2020, de um experimento instalado na Serra do Quilombo, no município de Bom Jesus-PI (9º16'20,3'' S, 44º44'56,9'' O e altitude 620 m). Foram avaliadas as cultivares BRS 8980 IPRO (BRS 8980), BMX 84I86 (Domínio), BMX 81I81RSF IPRO (Extrema) e BMX 8579 IPRO (Bônus), em três datas de semeadura (29/11/2019, 14/01/2020 e 30/01/2020). A avaliação foi realizada com dados de rendimento de grãos de soja coletados em ensaios de valor de cultivo e uso (VCU) conduzido pela Embrapa Meio-Norte, na Fazenda Celeiro, Serra do Quilombo, Bom Jesus, PI, durante quatro safras e envolvendo 61 genótipos. Os melhores índices estatísticos que evidenciam a eficiência do processo de calibração foram observados para as cultivares BRS 8980 (1ª época de semeadura) e Bônus (3ª época de semeadura), com índices R² e D superiores a 0,90. A produção de biomassa total apresentou alta concordância com os valores medidos, capturando bem o decréscimo da produção em fundação da data de semeadura. O modelo capturou bem a variabilidade em função das datas de plantio, assim como o rendimento para simulações de outras quatro safras agrícolas, independentes da safra onde o modelo foi calibrado. Concluiu-se que o modelo simulou satisfatoriamente o crescimento das plantas e o rendimento de grãos de soja para as condições da região do cerrado do Sudoeste Piauiense.

Downloads

Não há dados estatísticos.

Referências

ANDRADE JÚNIOR, A. S. et al. Classificação climática e regionalização do semi-árido do Estado do Piauí sob cenários pluviométricos distintos. Revista Ciência Agronômica, 36: 143-151, 2005.

BARBIERI, J. D. et al. Simulação da produtividade e de épocas de semeadura para soja e milho em eventos de El niño Oscilação Sul no estado de Mato Grosso. Acta Iguazu, 9: 45-66, 2020.

BATTISTI, R.; BENDER, F. D.; SENTELHAS, P. C. Assessment of different gridded weather data for soybean yield simulations in Brazil. Theoretical and Applied Climatology, 35: 237-247, 2019.

BATTISTI, R.; SENTELHAS, P. C.; BOOTE, K. J. Inter-comparison of performance of soybean crop simulation modelsand their ensemble in southern Brazil. Field Crops Research, 200: 28-37, 2017.

BOOTE, K. J. et al. Modeling sensitivity of grain yield to elevated temperature in the DSSAT crop models for peanut, soybean, dry bean, chickpea, sorghum, and millet. European Journal of Agronomy. 100: 99-109, 2018.

HOOGENBOOM, G. et al. Decision support system for agrotechnology transfer v3.5. In: HOOGENBOOM, G.; WILKENSP, W.; TSUJI, G. Y. 1999, University of Hawaii, Honolulu, Hawaii. DSSAT version 3, vol. 4, 1999. p. 1-36.

HOOGENBOOM, G. et al. The DSSAT crop modeling ecosystem. In: BOOTE, K. J. (Eds.) Advances in Crop Modeling for a Sustainable Agriculture. Cambridge: Burleigh Dodds Science Publishing, 2019a. v. 1, cap. 7, p. 173-216.

HOOGENBOOM, G. et al. Decision Support System for Agrotechnology Transfer (DSSAT) Version 4.7.5 (https://DSSAT.net). DSSAT Foundation, Gainesville, Florida, USA, 2019b.

HOOGENBOOM, G. et al. Decision Support System for Agrotechnology Transfer (DSSAT) Version 4.8 (DSSAT.net). 2021. DSSAT Foundation, Gainesville, Florida, USA. Disponível em: DSSAT.net - Official Home of the DSSAT Cropping Systems Model. Acesso em: 23 ago. 2023.

JONES, J. W. et al. The DSSAT cropping system model. European Journal of Agronomy, 18: 235-265, 2003.

JONES, J. W. et al. Decision Support System for Agrotechnology Transfer Version 4.0. Volume 4. DSSAT v4.5: Crop Model Documentation. University of Hawaii, Honolulu, HI, 2010.

LI, Z. T. et al. Evaluation of the DSSAT-CSM for simulating yield and soil organic C and N of a long-term maize and wheat rotation experiment in the Loess Plateau of Northwestern China. Agricultural Systems, 135: 90-104, 2015.

NASA - National Aeronautics and Space Administration. The data was obtained from the POWER Project's. Geos 5.12.4 (FP-IT) 0. x 0.5 Degree Daily Averaged. Version on, accessed on 07/06/2023: PODER DA NASA | Previsão de Recursos Energéticos Mundiais.

PERONDI, D. et al. Crop season planning tool: Adjusting sowing decisions to reduce the risk of extreme weather events. Computers and Electronics in Agriculture, 156: 62-70, 2019.

PRAGANA, R. B. et al. Characterization of yellow latosols (oxisols) of serra do quilombo, in Piauí state savanna woodlands – Brazil. Revista Caatinga, 29: 832-840, 2016.

R CORE TEAM. R: A language and environment for statistical computing. 2022. R Foundation for Statistical Computing, Vienna, Austria. Disponível em: https://www.r-project.org//>. Acesso em: 31 out. 2022.

REIS, L. et al. Influence of Climate Variability on Soybean Yield in MATOPIBA, Brazil. Atmosphere, 1130: 1-24, 2020.

RITCHIE, J. T. Soil water balance and plant water stress. In: TSUJI, G. Y.; HOOGENBOOM, G.; THORNTON, P. K. (Eds.). Understanding Options for Agricultural Production. Systems Approaches for Sustainable Agricultural Development. Dordrecht, the Netherlands: Kluwer Academic Publishers, 1998. v. 7, cap. 3, p. 41-54.

RICHETTI, J.; JOHANN, J. A.; OPAZO, M. A. U. Crop modeling with less data: the FAO model for Soybean yield estimation. Engenharia Agrícola, 41: 196-203, 2021.

SCIARRESI, C. et al. Evaluating short-season soybean management adaptations for cover crop rotations with a crop simulation model. Field Crops Research, 250: 1-16, 2020.

SILVA, E. H. F. M. et al. Performance of the CSM-CROPGRO-soybean in simulating soybean growth and development and the soil water balance for a tropical environment. Agricultural Water Management, 252: 378-3774, 2021.

SHIMAKURA, S. E. Interpretação do coeficiente de correlação. 2006. Disponível em: http://leg.ufpr.br/~silvia/CE003/node74.html. Acesso em: 16 ago. 2023.

SOUZA, J. M. H. et al. Análise de Sensibilidade dos Coeficientes Genéticos do Modelo Canegro/DSSAT. Anuário do Instituto de Geociências – UFRJ, 2: 47-52, 2017.

TALACUECE, M. A. D. et al. Modeling of Soybean under Present and Future Climates in Mozambique. Climate, 4:1-14, 2016.

VASCONCELLOS, M. C. et al. Estratégias de controle de pragas em soja e suas implicações na comunidade de artrópodes e na rentabilidade da cultura. Nativa, 11: 28-43, 2023.

XAVIER, A. C. et al. New improved Brazilian daily weather gridded data (1961–2020). International Journal of Climatology, 42: 8390–8404, 2022.

WIJEWARDANA, C. et al. Quantifying soil moisture deficit effects on soybean yield and yield component distribution patterns. Irrigation Science, 36: 241–255, 2018.

WILLMOTT, C. J. Some comments on the evaluation of model performance. Bulletin American Meteorological Society, 63:1309-1313, 1982.

YANG, J. M. et al. An evaluation of the statistical methods for testing the performance of crop models with observed data. Agricultural Systems, 127: 81–89, 2014.

YAN, W. et al. Simulating and predicting crop yield and soil fertility under climate change with fertilizer management in northeast China based on the Decision Support System for Agrotechnology Transfer Model. Sustainability, 12: 1-20, 2020.