Modelagem para auxiliar na otimização do sistema "Climate-Smart-Agriculture" para cultivo de cana-de-açúcar

• Ano de defesa: 2019
• Autor(a) principal: Moreto, Victor Brunini [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Agricultura previsão; Eficiência do uso da água; Agroindústria canavieira; Computer software
• Link de acesso: http://hdl.handle.net/11449/182385

A agricultura no mundo caminha em alta velocidade para a próxima revolução verde, a chamada revolução da agricultura digital, que combina outras grandes áreas que revolucionaram a agricultura, como as técnicas de biotecnologia e agricultura de precisão. Estas técnicas foram essenciais para aumento da produtividade agrícola no mundo. Em adição, a agricultura digital pode otimizar ainda mais a associação dos dados climáticos no planejamento de safras e no manejo de cultivos agrícolas. O conceito “Climate-Smart-Agriculture” (CSA) está inserido no universo da agricultura digital como uma linha promissora e necessária para o futuro sustentável da agricultura. Este trabalho apresenta técnicas para auxiliar na adoção de estratégias CSA para áreas produtoras de cana-de-açúcar, como (i) verificação da acurácia do modelo de previsão de tempo Eta (INPE) para áreas de cultivo de cana-de-açúcar no Brasil, visando auxiliar na tomada de decisão de operações no campo; (ii) parametrização do modelo AquaCrop-FAO para estimação de produtividade e qualidade da produção, colaborando com planejamento e sustentabilidade do setor; (iii) proposta de modificação nos cálculos do modelo AquaCrop-FAO para estimar concentração de sacarose. As técnicas propostas neste trabalho mostraram-se eficientes e promissoras para aplicação prática. Foi possível avaliar e identificar a acurácia do modelo de predição de tempo (Eta) das áreas canavieiras, com previsões confiáveis até quatro dias e probabilidade de acerto na detecção de chuvas de 70%. O uso do modelo AquaCrop apresentou acurácia nas estimações de biomassa na calibração e validação, com MAPE de, 7,65% e 13,45%, respectivamente. Para sacarose , as estimações do modelo apresentaram valores de MAPE menores do que 5,0% na calibração e validação.