Vinha Portfolio v3

A Aplicação das novas tecnologias digitais e de precisão na
prática da agricultura
Joaquim Mamede Alonso1, Renato Silva, Isabel Valin1, José Pedro Araújo e Marinho Cardoso1
Área Cientifica da Vida e da Terra (ESA-IPVC)
1 Msc Engineering, Msc Land Use Planning, PhD Information Management – GIS
malonso@esa.ipvc.pt
Refóios do Lima, 19 de maio de 2017
A zonagem e aptidão vitivinícola nas (Sub)regiões dos Vinhos
Verdes em contexto de alterações climáticas
Joaquim M. Alonso1,2,4*; Renato Silva 2,4; Andrei Saavdera, Susana Mendes, Sofia Rodrigues,
Isabel Valin,
Helder, Amorim 2,4; Ana I. Ferraz 1,3,4; Leonel Nunes1,4 and Ana C. Rodrigues 1,3,4
1: proMetheus, Unidade de Investigação em Materiais, Energia e Ambiente para a Sustentabilidade, Instituto
Politécnico de Viana do Castelo, 4900-347 Viana do Castelo, Portugal
e-mail: malonso@esa.ipvc.pt, aferraz@esa.ipvc.pt, leonelnunes@esa.ipvc.pt, acrodrigues@esa.ipvc.pt, web:
http://prometheus.ipvc.pt
2: CIBIO-InBIO – Centro de Investigação em Biodiversidade e Recursos Genéticos, Universidade do Porto, 4485-661
Vila de Conde, Portugal
3: Centro de Engenharia Biológica, Universidade do Minho, Campus de Gualtar, 4710-057 Braga, Portugal
4: Escola Superior Agrária, Instituto Politécnico de Viana do Castelo, 4990-706 Ponte de Lima, Portugal
renato.silva@esa.ipvc.pt
Viana do Castelo, 09 de maio de 2023

Project TECH – Tecnologia, Ambiente, Criatividade e Saúde
Elaboração de uma base de dados de índices bioclimáticos
A construção de uma base de dados de índices bioclimáticos aplicados à vinha é uma tarefa crucial para a viticultura. A
relação entre o clima e a qualidade é bem conhecida, e o uso de índices bioclimáticos é uma abordagem comprovada
para monitorar e prever as condições adequadas para o crescimento e amadurecimento.
A construção de uma base de dados de índices bioclimáticos é um processo complexo que envolve vários passos.
Assim, construção de uma base de dados de índices bioclimáticos permite:
• Definir unidades bioclimáticas homogéneas
• Monitorizar alterações
• Construir modelos de aptidão bioclimática para as principais variedades de vinho do
Norte de Portugal
Evolução dos índices bioclimáticos em contexto de alterações climáticas
A elaboração de uma base de dados de índices bioclimáticos aplicados à vinha pode fornecer informações valiosas sobre a aptidão climática
das regiões produtoras de vinho e permitir a implementação de medidas de adaptação adequadas.
• Além disso, a modelação da adequação bioclimática para as principais variedades de vinho, com base em índices bioclimáticos, pode
ser uma ferramenta útil para prever alterações na produtividade e qualidade, bem como para apoiar decisões de gestão da
produção de vinho.
Ao construir uma base de dados de índices bioclimáticos, é possível definir unidades bioclimáticas homogêneas,
rastrear mudanças ao longo do tempo e construir modelos de adequação bioclimática para diferentes variedades e em
diferentes regiões.
Temperatura média anual
Quadro 3. 1. Anomalias projetadas para a temperatura média anual, mês mais frio e no mês mais
quente para o Alto Minho (ºC).
Histórico modelado Anomalias
RCP 4.5 RCP 8.5
max Min 2050 2080 2050 2080
max min Max min max min max min
15 8,4
Temp. média anual 1,9 1,6 2,3 2,0 2,5 2,1 4,0 3,5
Temp. média no 10,1 2,9 1,4 1,2 1,8 1,6 1,8 1,6 3,0 2,7
mês mais frio
Temp. média no 21,5 15,8 2,6 2,1 3,1 2,6 3,4 2,8 5,4 4,4
mês mais quente
Temperatura média RCP4.5 Projeção presente

Temperatura média RCP4.5 Projeção de 2050 Temperatura média RCP4.5 Projeção de 2080
Temperatura média RCP8.5 Projeção de 2050 Temperatura média RCP8.5 Projeção de 2080
Figura 3.23. Índice graus-dia superior a 5ºC no período de 190-2000 Figura 3.24. Índice graus-dia superior a 18ºC no período de 1970-2000.
O somatório do índice de absorção graus-dia com temperatura superior a 5º e 18ºC é claramente superior nas regiões de vale e
apresenta uma tendência de aumentos significativos.
Precipitação média anual
Apesar de haver uma maior incerteza quanto aos

cenários de precipitação, prevê-se que os padrões
deverão enfrentar diminuições, o volume de
precipitação sazonal tendencialmente concentrar-se-
á no Inverno, a perda de precipitação pode acontecer
principalmente no Verão e Outono podendo, por
vezes, ocorrer pequenos aumentos no Inverno, tanto
nos cenários RCP4.5 como RCP8.5 (2041-2070).
Nas áreas de montanha, onde a precipitação é maior,

indicia-se uma tendência de redução da precipitação
Nas áreas de vale verifica-se, inclusivamente, uma

tendência de anomalia de crescimento das
precipitações médias anuais.
Precipitação média Projeção presente

Precipitação média RCP4.5 Projeção de 2050 Precipitação média RCP4.5 Projeção de 2080
Precipitação média RCP8.5 Projeção de 2050 Precipitação média RCP4.5 Projeção de 2080
A precipitação sob forma de neve é pouco expressiva no Alto Minho, ocorrendo apenas no inverno em
zonas de elevada altitude e afastadas da orla costeira. A elevada humidade relativa do Alto Minho indica uma tendência de diminuição nos
Ambos os cenários indicam uma redução de quantidade(mm) e dias(n) de ocorrência de neve. meses de maior calor.
Evapotranspiração de referência |
Índice Hargreaves-Samani
A Evapotranspiração de referência de
Hargreaves-Samani para o Alto Minho
mostra valores baixos quando
comparados com a média nacional, a
variar entre um mínimo nas zonas de
maior altitude e valores superiores na
parte interior dos vales do Rio Lima e
do Rio Minho.
No futuro prevê-se um aumento da

evapotranspiração de referência:
- na projeção RCP 4.5 um aumento de
9 a 10% até 2070 e de 9 a 11% até
2100;
- na projeção RCP 8.5 um aumento de
10 a 12% até 2070 e de 15 a 18% até
ao final do século.
Índice Hargreaves-Samani: Evapotranspiração de referência projeção presente

Referência de evapotranspiração, RCP4.5 Projeção Referência de evapotranspiração, RCP4.5 Projeção
de 2050 de 2080
Referência de evapotranspiração, RCP8.5 Projeção Referência de evapotranspiração, RCP4.5 Projeção
de 2050 de 2080
Índice Hargreaves-Samani:
Défice hídrico referência
O aumento dos valores de evapotranspiração

traduzem-se em acumulação dos valores de
défices hídricos e impactes sobre os valores e
distribuição temporal dos caudais das linhas de
água com impactes sobre os níveis das albufeiras
Índice Hargreaves-Samani: Défice hídrico referência projeção

presente
Défice hídrico referência, RCP4.5 Projeção de 2050 Défice hídrico referência, RCP4.5 Projeção de 2080
Défice hídrico referência, RCP8.5 Projeção de 2050 Défice hídrico referência, RCP8.5 Projeção de 2080
Index Equation Descrition
Winkler Index (WI) 𝑎𝑏𝑟𝑖𝑙 Sum of active temperatures, average temperature
𝑡𝑚𝑎𝑥 − 𝑡𝑚𝑖𝑛
෍ [( ) − 10º𝐶] subtracted by zero vegetative (10 °C), for the period from
2
𝑜𝑢𝑡𝑢𝑏𝑟𝑜 April to October.
Huglin Heliothermal Index (IH) 𝑠𝑒𝑡𝑒𝑚𝑏𝑟𝑜 The Heliothermal Index is an expression of the potential
𝑇𝑚é𝑑𝑖𝑎 − 10 + (𝑇𝑚𝑎𝑥 − 10)
෍ 𝐾 of a region for the cultivation of vines, taking into account
2
𝑎𝑏𝑟𝑖𝑙 the values of temperature and latitude.
Branas heliothermal index (BHI) 𝑎𝑏𝑟𝑖𝑙 The Branas heliothermal index considers the average daily
෍ (𝑇𝑚é𝑑𝑖𝑎 − 10º𝐶) ∗ ℎ ∗ 10−6 temperatures above 10ºC and the sum of the daily light
𝑜𝑢𝑡𝑢𝑏𝑟𝑜 intensity, during the period from April 1 to October 31.
Hydrothermal Index of Branas, Bernon and Lavadoux 𝐴𝑔𝑜𝑠𝑡𝑜 This index makes it possible to study the influence of
(P) ෍ (𝑇𝑚é𝑑𝑖𝑎 . 𝑃) temperature and precipitation on the yield of the grapes
𝐴𝑏𝑟𝑖𝑙 and on the quality of the wine, to reveal the possibility of
mildew attacks.
Cold Night Index (CNI) 𝐼𝐹 = 𝑇𝑚𝑖𝑛(𝑆𝑒𝑡𝑒𝑚𝑏𝑟𝑜) The night cold index corresponds to the average of the
minimum temperatures recorded in the month of harvest
and is related to the quality of maturation (aromas, color)
of the region, as the occurrence of mild nights, at the end
of the vine maturation process, in midsummer, provides
more color and richness of aromas to the wine.
Selianinov hydrothermal index (SI) 𝑛𝑜𝑣𝑒𝑚𝑏𝑟𝑜 The hydrothermal index aims to define large wine-growing
𝑃
෍ ( ) areas as a function of natural water availability, being used
𝑇𝑚é𝑑𝑖𝑎 − 10
𝑚𝑎𝑟ç𝑜 to determine the duration and intensity of the dry season.
Índice bioclimático de Hidalgo (IBC) 𝑎𝑏𝑟𝑖𝑙 The Bioclimatic Index as an alteration in the
𝑇𝑚é𝑑𝑖𝑎 − 10 ∗ 𝐼 ∗ 10−3 )
𝑖𝑏𝑐 = ෍ Constantinescu Bioclimatic Index, in order to make it more
𝑃
𝑠𝑒𝑡𝑒𝑚𝑏𝑟𝑜 sensitive to the environment, since, until it occurs in the
dormancy period of the vine, it can have a significant
importance in its production.
Evapotranspiration Hargreaves-Samani 𝐸𝑇𝑃 = 𝑘. 𝑟𝑎. 𝑇𝑚𝑎𝑥 − 𝑇𝑚𝑖𝑛 . 0,5. (𝑇𝑚𝑖𝑛 + 17,178) Reference evapotranspiration (ET0) is widely used for
irrigation engineering to define the crop water needs and
to manage the water distribution in existing systems.
Average precipitation accumulated in August and 𝑃𝑃0809 = 𝑃𝑃08 + 𝑃𝑃09 The excess of precipitation in the months of harvest can
September (PP0809) lead to phytosanitary problems.
Annual Ombrothermic Index (IO) 𝑃𝑃 Certain intervals of Io reflect faithfully changes in

𝐼𝑂 = ∗ 10 biocenosis. The Ombrothermic Indexes are so determinant
𝑇𝑃
and significant that their intervals are used in all
hierarchical levels of the Bioclimatic Classification of the
Earth.
Fourmonthly Estival Ombrothermic Index (Ios4) 𝑃𝑃4 Compensable Summer Ombrothermic Index for the
𝐼𝑂 = ∗ 10 fourmonth period resulting from adding, to the summer
𝑇𝑃4
trimester (Tr3), the month immediately preceding. This
index is also used to assess summer aridity.
Growing Season Maximum Temperature (GSTmax) 𝑎𝑏𝑟𝑖𝑙 Sum of maximum temperature between April and October.
෍ 𝑇𝑚𝑎𝑥
𝑜𝑢𝑡𝑢𝑏𝑟𝑜
Growing Season Minimum Temperature (GSTmn) 𝑎𝑏𝑟𝑖𝑙 Sum of minimum temperature between April and October.
෍ 𝑇𝑚𝑖𝑛
Growing Season Mean Temperature (aveGST) 𝑎𝑏𝑟𝑖𝑙 Sum of mean temperature between April and October.
෍ (𝑇𝑎𝑣𝑒)
Coldest Month of the Year (CMY) 𝐶𝑀𝑌 = 𝑇𝑎𝑣𝑒(𝐽𝑎𝑛𝑢𝑎𝑟𝑦) Average Temperature of the coldest month of the year
Continentality index (IC) 𝐶𝐼 = 𝑇𝑎𝑣𝑒 07 − 𝑇𝑎𝑣𝑒(01) Difference between the mean absolute temperatures of
the warmest and coldest months of the year.
Continentality index compensated by altitude (ICC) ℎ ∗ 0.6 The annual thermal amplitude has an influence of first
𝐶𝐼 = 𝑇𝑎𝑣𝑒 07 − 𝑇𝑎𝑣𝑒 01 +( )
100 magnitude in the distribution of the biocenosis and,
consequently, in the borders of many Bioclimates.
Positive Percipitation (PP) 𝐽𝑎𝑛𝑢𝑎𝑟𝑦 Yearly precipitation in mm of months with an average
෍ 𝑃𝑃 temperature above 0 ◦C
𝐷𝑒𝑐𝑒𝑚𝑏𝑒𝑟
Positive Temperature (PT) 𝐽𝑎𝑛𝑢𝑎𝑟𝑦 Yearly temperature in ºC of months with an average

෍ 𝑃𝑇 temperature above 0 ◦C.
𝐷𝑒𝑐𝑒𝑚𝑏𝑒𝑟
Temperature Range During Ripening (DTR) 𝐷𝑇𝑅 = 𝑇𝑚𝑎𝑥 09 − 𝑇𝑚𝑖𝑛(08) The DTR (difference between daytime maximum and
night-time minimum temperature) during ripening
period (September and October) has an important
influence on wine quality.
Thermicity Compensated Index (TCI) 𝐼𝑇𝐶 = 𝑇𝑎𝑣𝑒 + 𝑀 + 𝑚 ∗ 10 As the Thermicity Index is greatly affected by the annual
thermal amplitude - Continental Index, it needs a certain
compensation, to make possible the comparisons
between localities, regardless of the excesses of
temperance or cold, that occur in hyperoceanic climates,
or in the hypercontinental ones.
Heat Stress Index (HSI) 𝐻𝑆𝐼 = 𝑇𝑚𝑎𝑥(07) Maximum temperature in the hottest period- Thermal
stress leads to increases in evapotranspiration and, at
the limit berry burning.
Average temperature in the warmest month (tave07) 𝑇𝑎𝑣𝑒07 Average Temperature in the warmest month
Average temperature in the month of harverest 𝑇𝑎𝑣𝑒09 Average Temperature in the month of ripening
(tave09)
Elaboração de uma base de dados de índices topográficos
Índice Formula de cálculo Resolução Descrição
Modelo digital de elevação 25m
(DEM)
Declive (Slope) 25m Para cada pixel é calculado o valor máximo de
alteração na elevação da distância entre o pixel e
os seus oito vizinhos.
Índice de Carga Térmica (HLI) ℎ𝑙𝑖 25m A carga térmica de uma vertente a sudoeste é
= 0,039 + 0,808 ∗ cos 𝑙 ∗ cos 𝜃 − 0,196 ∗ sin 𝜃 maior que outra virada a sudeste, embora a
− 0,482 ∗ cos 𝑓 𝛼 ∗ sin((𝑓 𝛼 ) quantidade de radiação solar que recebem seja
equivalente. O método de McCune e Keon (2002),
considera o declive, que não é geralmente
integrado em nenhuma outra equação de cálculo
do aspect. Os valores de HLI variam de 0 (mais
frio) a 1 (mais quente)
Índice de humidade topográfica 𝛼 25m O IHTC/CTI é função da inclinação e da área a
𝑐𝑡𝑖 = 𝑙𝑛( )
composto (CTI) tan 𝜃 montante que contribui com fluxo de água.
Índice de posição topográfica 25m O IPT mede a posição topográfica relativa do

(IPT) ponto central, como a diferença entre a elevação
desse ponto e a elevação média dentro de uma
vizinhança. Através do IPT, as paisagens podem ser
classificadas em classes de posição de inclinação.
O IPT é apenas uma, entre uma grande variedade
de propriedades morfométricas, baseada numa
área de vizinhança, que pode ser útil no campo da
análise dos modelos digitais de elevação (John
Wilson et al., 2000).
Índice de forma e curvatura (CFT) (σ𝑛−1 𝑛

𝑖=1 σ𝑗=𝑖+1(𝑧 𝑠 𝑖 − 𝑧 𝑠 𝑗))/(9 ∗ 100) 25m O índice de curvatura é usado para medir a
𝐼𝑓 = curvatura e a posição da inclinação. O índice é
36,2
baseado em recursos que confinam a vista do
centro de uma janela 3x3. A correção de borda é
realizada dividindo a distância do raio até a célula
mais externa (36,2 m).
Elaboração de uma base de dados de índices topográficos
Índice Formula de cálculo Resolução Descrição
Modelo digital de elevação 25m
(DEM)
Declive (Slope) 25m Para cada pixel é calculado o valor máximo de
alteração na elevação da distância entre o pixel e
os seus oito vizinhos.
Índice de Carga Térmica (HLI) ℎ𝑙𝑖 25m A carga térmica de uma vertente a sudoeste é
= 0,039 + 0,808 ∗ cos 𝑙 ∗ cos 𝜃 − 0,196 ∗ sin 𝜃 maior que outra virada a sudeste, embora a
− 0,482 ∗ cos 𝑓 𝛼 ∗ sin((𝑓 𝛼 ) quantidade de radiação solar que recebem seja
equivalente. O método de McCune e Keon (2002),
considera o declive, que não é geralmente
integrado em nenhuma outra equação de cálculo
do aspect. Os valores de HLI variam de 0 (mais
frio) a 1 (mais quente)
Índice de humidade topográfica 𝛼 25m O IHTC/CTI é função da inclinação e da área a
𝑐𝑡𝑖 = 𝑙𝑛( )
composto (CTI) tan 𝜃 montante que contribui com fluxo de água.
Índice de posição topográfica 25m O IPT mede a posição topográfica relativa do

(IPT) ponto central, como a diferença entre a elevação
desse ponto e a elevação média dentro de uma
vizinhança. Através do IPT, as paisagens podem ser
classificadas em classes de posição de inclinação.
O IPT é apenas uma, entre uma grande variedade
de propriedades morfométricas, baseada numa
área de vizinhança, que pode ser útil no campo da
análise dos modelos digitais de elevação (John
Wilson et al., 2000).
Índice de forma e curvatura (CFT) (σ𝑛−1 𝑛

𝑖=1 σ𝑗=𝑖+1(𝑧 𝑠 𝑖 − 𝑧 𝑠 𝑗))/(9 ∗ 100) 25m O índice de curvatura é usado para medir a
𝐼𝑓 = curvatura e a posição da inclinação. O índice é
36,2
baseado em recursos que confinam a vista do
centro de uma janela 3x3. A correção de borda é
realizada dividindo a distância do raio até a célula
mais externa (36,2 m).
Elaboração de uma base de dados de índices edáficos
Nome Descrição Resolução espacial
pH do solo Medida de acidez do solo 1 km
Matéria orgânica do solo Percentagem em peso de matéria orgânica no solo 1 km
Capacidade de troca catiônica Medida da capacidade do solo para reter cátiões 1 km
Fósforo disponível no solo Quantidade de fósforo disponível no solo 1 km
Teor de cálcio no solo Quantidade de cálcio presente no solo 1 km
Teor de magnésio no solo Quantidade de magnésio presente no solo 1 km
Teor de potássio no solo Quantidade de potássio presente no solo 1 km
Teor de enxofre no solo Quantidade de enxofre presente no solo 1 km
Teor de alumínio trocável no solo Quantidade de alumínio trocável presente no solo 1 km
Teor de carbono orgânico no solo Quantidade de carbono orgânico presente no solo 1 km

Humidade topográfica
Curvatura e forma do terreno
• Índice de posição topográfica
• Índice de carga térmica
• Clusterização das variáveis geomorfológicas
Elaboração de uma base de dados de índices edáficos
Nome Descrição Unidade Resolução espacial
Textura do solo Porção relativa de areia, limo e argila no solo %-areia, %-limo, %-argila 1km
Profundidade do solo Rocha e espessura do solo cm 250m
Acidez do solo Quantidade de íons H+ no solo pH 1km
Carga elétrica Carga elétrica do solo μC/cm² 7km
Densidade do solo Massa do solo por unidade de volume g/cm³ 250m
Tamanho de partículas Porção relativa de areia, limo e argila no solo %-areia, %-limo, %-argila 250m
Definição de unidades homogêneas
Definição de unidades homogéneas bioclimáticas
A metodologia utilizada é suportada nas orientações da Organização Internacional da Vinha e do Vinho (OIV) que resulta numa
zonagem multivariada através de uma análise de componentes principais e clustering espacial.
A elaboração de uma base de dados de índices

bioclimáticos aplicados à vinha é um passo fundamental
para a definição de zonas homogéneas bioclimáticas. Esta
definição permite agrupar regiões com características
climáticas semelhantes em unidades bioclimáticas
homogéneas, o que facilita a identificação das condições
climáticas ideais para o cultivo de variedades.
August temperature range (ATR)
Average temperature for July (ATJ)

Average temperature for September (ATS)
Branas Heliothermic index (BHL)
Branas Hydrothermic index (BHD)
Continentality index (CT)
Cool Night index (CI)
Dryness index (DI)
Effective insolation (IE)
Elevation (ELEV)
Growing season Potential Evapotranspiration (ETP)
Heat stress index (HSI)
Hidalgo index (IH)
Huglin Heliothermic index (HHI)
Selianinov Hydrothermic index (SHD)
Spring frost risk index (SFR)
Total rainfall for August and September (PERC)
Winkler index (WI)
Winter freeze risk index (WFR)
ALTIMETRIA
I. HUGLIN
I. WINKLER
I. FRESCURA
NOITES
I. SELIANINOV I. BRANAS
Unidades de Terroir agro-ecológicas
Environmental terroir units (TU)
Unidades de Terroir agro-ecológicas
Environmental terroir units (TU)
CNI HSI P IBC ETP WI WFR TAV09 TAV07 HIS RF0809 HI BHI
CNI 1 0,37 0,3 0,85 0,39 0,91 0,94 0,88 0,73 -0,82 -0,36 0,76 0,91
HSI 0,37 1 -0,26 0,71 0,97 0,71 0,05 0,76 0,91 -0,78 -0,81 0,87 0,67
P 0,3 -0,26 1 -0,09 -0,34 0,06 0,44 0,02 -0,06 0,14 0,6 -0,06 0,06
IBC 0,85 0,71 -0,09 1 0,75 0,97 0,64 0,96 0,91 -0,96 -0,71 0,94 0,97
ETP 0,39 0,97 -0,34 0,75 1 0,73 0,06 0,78 0,88 -0,81 -0,88 0,88 0,69
HI 0,91 0,71 0,06 0,97 0,73 1 0,72 0,99 0,93 -0,97 -0,65 0,96 0,99
WFR 0,94 0,05 0,44 0,64 0,06 0,72 1 0,67 0,46 -0,59 -0,07 0,51 0,74
TAV09 0,88 0,76 0,02 0,96 0,78 0,99 0,67 1 0,95 -0,97 -0,7 0,97 0,98
TAV07 0,73 0,91 -0,06 0,91 0,88 0,93 0,46 0,95 1 -0,95 -0,75 0,99 0,91
HIS -0,82 -0,78 0,14 -0,96 -0,81 -0,97 -0,59 -0,97 -0,95 1 0,79 -0,97 -0,95
RF0809 -0,36 -0,81 0,6 -0,71 -0,88 -0,65 -0,07 -0,7 -0,75 0,79 1 -0,77 -0,63
HI 0,76 0,87 -0,06 0,94 0,88 0,96 0,51 0,97 0,99 -0,97 -0,77 1 0,94
BHI 0,91 0,67 0,06 0,97 0,69 0,99 0,74 0,98 0,91 -0,95 -0,63 0,94 1
Com base na tabela de correlação resultante do PCA, podemos verificar que:

• As variáveis CNI, IBC, HI, TAV09 e TAV07 apresentam uma correlação positiva alta entre si, o que sugere que elas possuem uma relação
forte e são dependentes uma da outra.
• As variáveis HIS e RF0809 possuem correlação negativa com as demais, o que indica que elas têm uma relação inversa com o restante
das variáveis.
• As variáveis P, HSI, ETP, e WFR apresentam correlações moderadas com as demais variáveis.
Esses resultados podem ser úteis para a compreensão dos fatores que influenciam a produção de vinho em determinadas
regiões, uma vez que as variáveis analisadas têm relação com o clima e consequentemente com a produção. A análise de
correlação pode ser útil para identificar padrões e relações entre variáveis, permitindo que sejam identificadas as
condições ideais para o cultivo em regiões específicas.
Definição de unidades homogéneas bioclimáticas em contexto de alterações climáticas
Definição de unidades homogéneas vitivinícolas
em contexto de alterações climáticas
Definição de unidades agroecológicas
Definição de unidades agroecológicas
Monitorização através de ferramentas de
deteção remota
Monitorização através de ferramentas de deteção remota
Sensores RGB e Infravermelho próximo
Banda Simples Falsa Cor Cor Real Índice de Vegetação
Índice de Vegetação Diferenciado Normalizado
Índice de Área Foliar
Teor de Clorofila na Folha (ug/cm2)
Fração da Radiação Fotossinteticamente Absorvida pela Canópia
NDVI - Índice de Vegetação Diferenciado Normalizado
FC - Fração de cobertura do solo
IAF - Índice de área foliar (m2.m-2)
CAB - Teor de Clorofila na Folha (ug/cm2)
Conteúdo de água na Canópia (ug.cm-2)
• https://apps.sentinel-hub.com/eo-browser/?lat=41.9753&lng=-
8.5185&zoom=10&time=2019-03-26&preset=6-
SWIR&datasource=Sentinel-2%20L2A
AN SDM APPROACH: DEFINITION OF
BIOCLIMATIC TYPICALITY FOR THE VINHO VERDE
(DO) SUB-REGIONS (NW PORTUGAL) IN THE
CONTEXT OF CLIMATE CHANGE.
Elaboração de cartas de aptidão para culturas de elevado interesse económico através de modelos de distribuição de espécies
(SDM´s)
(SDM´s)
(SDM´s)
(SDM´s)
(SDM´s)
(SDM´s)
FASE V: AN SDM APPROACH: DEFINITION OF BIOCLIMATIC TYPICALITY FOR THE VINHO VERDE (DO) SUB-REGIONS (NW
PORTUGAL) IN THE CONTEXT OF CLIMATE CHANGE.
Este trabalho foi dividido em 4 Fases:
Fase I: Cálculo de índices bioclimáticos.
Fase II: Seleção dos preditores mais importantes
(i) Recolha pontos representativos das
características bioclimáticas de cada sub-região,
(ii) Harmonização das variáveis, (iii) Extração de
dados e (iv) Análise de correlação e
multicolinariedade.
Fase III: Modelação através do biomod 2
“Ensemble Platform for Species Distribution
Modeling”
Fase IV: Avaliação da variação das
características típicas de cada sub-região
Fluxograma
metodológico
(i) Recolha pontos representativos das características bioclimáticas de cada

sub-região
Os pontos de controlo estão divididos em nove zonas de potencial bioclimático
distinto de acordo com as sub-regiões dos Vinhos Verdes.
No total, 1000 pontos de ocorrência em pixéis com resolução inferior a 1 km foram
utilizados para calibrar os modelos. Uma grid de 1 × 1 km foi gerada para padronizar
o processamento.
(ii) Harmonização das variáveis
Com o intuito de reduzir o erro referente às diferentes ordens de grandeza do
conjunto de variáveis, estas foram padronizadas entre 0 e 1.
(𝑅 − (min 𝑅 )
𝑆=
(max 𝑅 ) − (min 𝑅 )
Standardization formula for the variables in study. Legend: S- Standardized raster; R- Raster
Variable; min- minimum; max- maximum.
(iii) Extração de dados

Após a coleta de dados apenas de presença representativos das características
climáticas da região, uma ferramenta de extração de metadados é utilizada através
da interseção raster/ponto de controle. Desta forma obtemos apenas informações
bioclimáticas relativas aos pontos de interesse, reduzindo o ruído e aumentando a
eficiência da correlação e multicolinearidade.
(iv) Análise de correlação e multicolinariedade

Considerando que usamos uma abordagem correlativa para modelagem, e uma maior correlação entre os preditores poderia aumentar a
incerteza e redundância. Os modelos devem ser simples de entender para serem úteis para a tomada de decisões. A problemática da
multicolinearidade com grande número de índices é agravada quando os modelos são construídos com um número considerável de variáveis
comuns, como no nosso caso.
Um teste de multicolinearidade foi aplicado para melhorar e simplificar os modelos reduzindo o número inicial de variáveis. Posteriormente,
para evitar efeitos de multicolinearidade usamos o coeficiente de correlação de Spearman, verificando se existiam fortes associações lineares
entre quaisquer preditores selecionados.
Resultado da análise de multicolinearidade: seleção de

Correlação de Spearman para a sub-região do Lima preditores para a sub-região do Lima.
• Apenas presenças foram utilizadas, geramos um total de 3 conjuntos de pseudo-ausências distribuídas aleatoriamente,
iguais em número às presenças, na calibração do modelo.
• Para o conjunto de dados de entrada, três conjuntos diferentes de pseudo-ausências e 50 repetições de modelo foram
realizados usando as opções padrão do biomod2.
• Utilizaram-se os classificadores: Random Forest (RF), General Linear Model (GLM), Generalized Boosting Model (GBM),
Generalized Additive Model (GAM), Classification Tree Analysis (CTA), Artificial Neural Networks (ANN), Flexible
Discriminant Analysis (FDA), Multiple Adaptive Regression Splines (MARS).
• Para avaliar o desempenho dos classificadores, foi utilizada validação cruzada de validação, definindo 80% do conjunto de
dados para treinamento e 20% para fins de avaliação.
• Para avaliar o desempenho geral dos classificadores de conjunto parcial e final para a fração de teste (ou seja, não usado
para treinamento), calculamos a Estatística True-Skill (TSS), o Kappa de Cohen (KAPPA) e a área sob a Curva Operacional
do Receptor (ROC).
Tipicidade bioclimática para a Sub-região de Monção Melgaço em contexto de
alterações climáticas
Tipicidade bioclimática para a Sub-região do Lima em contexto de alterações
climáticas
Tipicidade bioclimática para a Sub-região do Cavado em contexto de alterações
climáticas
Tipicidade bioclimática para a Sub-região do Ave em contexto de alterações
climáticas
Tipicidade bioclimática para a Sub-região de Amarante em contexto de alterações
climáticas
Tipicidade bioclimática para a Sub-região de Baião em contexto de alterações
climáticas
Tipicidade bioclimática para a Sub-região de Basto em contexto de alterações
climáticas
Tipicidade bioclimática para a Sub-região do Sousa em contexto de alterações
climáticas
Tipicidade bioclimática para a Sub-região de Paiva em contexto de alterações
climáticas
Fase IV: Avaliação da variação das características típicas de cada sub-região
A avaliação da variação para as 9 sub-regiões em estudo foi realizada através da diferença entre o cenário (RCP4,5/8,5) e o
período de referência (1960-1990). Assim, é possível avaliar a estabilidade bioclimática de cada sub-região, bem como potenciais
ganhos e perdas.
𝐵𝑉 (𝑅𝐶𝑃 4.5
𝑅𝐶𝑃 8.5 ൯ = 𝐵𝑇𝑅 − 𝐵𝑇𝑆
Avaliação da variação da tipicidade bioclimática no contexto das mudanças climáticas. Legenda: BV- Variação bioclimática;
BTR- Tipicidade bioclimática para o período de referência; BTS – Tipicidade bioclimática para os cenários de mudanças
climáticas (RCP 4.5 ou RCP 8.5).
Variação da tipicidade bioclimática para a Sub-região de Monção Melgaço em contexto de alterações climáticas
Variação da tipicidade bioclimática para a Sub-região do Lima em contexto de alterações climáticas
Variação da tipicidade bioclimática para a Sub-região do Cavado em contexto de alterações climáticas
Variação da tipicidade bioclimática para a Sub-região do Ave em contexto de alterações climáticas
Variação da tipicidade bioclimática para a Sub-região de Amarante em contexto de alterações climáticas
Variação da tipicidade bioclimática para a Sub-região de Baião em contexto de alterações climáticas
Variação da tipicidade bioclimática para a Sub-região de Basto em contexto de alterações climáticas
Variação da tipicidade bioclimática para a Sub-região do Sousa em contexto de alterações climáticas
Variação da tipicidade bioclimática para a Sub-região de Paiva em contexto de alterações climáticas
Avaliação multicritério para avaliar a adequação
da Região dos Vinhos Verdes (NW Portugal)
utilizando indicadores bioclimáticos, de solo e
topográficos.
FASE IV: Avaliação multicritério para avaliar a aptidão da Região dos Vinhos Verdes (NW Portugal)
utilizando indicadores bioclimáticos, de solo e topográficos.
As Cartas de aptidão vitivinícola são uma ferramenta importante para orientar decisões
relacionadas ao uso do solo e otimizar o planeamento, especialmente em áreas com condições
ambientais particulares que contribuem para a produção de vinhos com características únicas.
Este trabalho aborda a importância das cartas de aptidão vitivinícola para a gestão dos territórios,
com foco na sub-região dos Vinhos Verdes, no Noroeste da Península Ibérica. A região é conhecida
por suas condições climáticas, topográficas e edáficas únicas, que influenciam diretamente na
produção dos vinhos. Neste estudo, foram calculados três tipos de aptidão vitivinícola para avaliar o
potencial econômico da sub-região dos Vinhos Verdes: aptidão climática, aptidão topográfica e
aptidão edáfica.
FASE IV: Avaliação multicritério para avaliar a adequação da Região dos Vinhos Verdes (NW Portugal) utilizando indicadores
bioclimáticos, de solo e topográficos.
Fluxograma
metodológico
Esforço de conversão
Esforço de Esforço de Esforço de Esforço de
Matriz entre aptidão e esforço de Imposivel conversão conversão conversão conversão
conversão conversão elevado moderado baixo muito baixo
Inapto Inapto / Esforço Inapto /Esforço Inapto /Esforço Inapto /Esforço
/Imposivel de conversão de conversão de conversão de conversão
Inapto conversão elevado moderado baixo muito baixo
Baixa Aptidão Baixa Aptidão / Baixa Aptidão Baixa Aptidão
Baixa Aptidão /Esforço de Esforço de /Esforço de /Esforço de
/Imposivel conversão conversão conversão conversão
Baixa Aptidão conversão elevado moderado baixo muito baixo
Aptidão Aptidão
Aptidão Aptidão Aptidão moderada moderada
Aptidão
moderada moderada/Esfor moderada/Esfor /Esforço de /Esforço de

Aptidão /Imposivel ço de conversão ço de conversão conversão conversão
moderada conversão elevado moderado baixo muito baixo
Boa Boa Boa Boa
Boa Aptidão/Esforç Aptidão/Esforç Aptidão/Esforç Aptidão/Esforç
Aptidão/Imposi o de conversão o de conversão o de conversão o de conversão
Boa Aptidão vel conversão elevado moderado baixo muito baixo
Aptidão Aptidão Aptidão Aptidão
Aptidão excelente/Esfor excelente/Esfor excelente/Esfor excelente/Esfor
Aptidão excelente/Impo ço de conversão ço de conversão ço de conversão ço de conversão
excelente sivel conversão elevado moderado baixo muito baixo
Modelação espacial de biomassa residual em
áreas de produção vitícola
Modelação espacial de biomassa residual em áreas de produção vitícola
Estimativa da biomassa potencial.

Pbiochar = Pbiomassa ∗ 0.18
Idade Volume de Biomassa
(ton/ha.ano)
Inferior a 7 anos 1,25 𝐸𝑥𝑝𝑙𝑜𝑟𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 = (𝑃𝑏𝑖𝑜𝑐ℎ𝑎𝑟 ∗ 𝐴𝑐𝑒𝑠𝑠𝑖𝑏𝑖𝑙𝑑𝑎𝑑𝑒𝑠൯ ∗ 𝐹𝑒𝑥𝑐𝑙𝑢𝑠ã𝑜
Entre 7 e 15 anos 4,25
Superior a 15 anos 2,5 𝐹𝑒𝑥𝑐𝑙𝑢𝑠ã𝑜 = 𝐷𝑒𝑐𝑙𝑖𝑣𝑒 ∗ 𝐶𝑂𝑆
Avaliação de critérios: Agroambientais, Económicos e fatores de exclusão. Matriz de explorabilidade.

Tipo Variável Escala Fonte
Disponibilidade
Agroambientais Biochar potencial 0 – 1 -1; 1 – 3 – 2; 3 COS – DGT
– 6 – 3; 6 – 10 – 4; Matriz de cálculo da Muito Morad Excele
(Ton/ha.ano)
>10 - 5 Explorabilidade baixa baixa a Boa nte
Económicos Distancia à rede 0 – 200 - 5; 200 – DGT
viária (m) 400 – 4; 400 – 700 – Muito Muito Muito Muito
3; 700 – 1000 – 2; baixa baixo baixo baixo Baixo Baixo
>1000 -1
Fatores de Exclusão Declive (Dcl) <25% - 1; >25% - 0 (NGA-US) Muito Muito Mode Mode
Carta de uso e Territórios COS-DGT Baixa baixo baixo Baixo rado rado
ocupação do solo de artificializados – 0;
2018 (COS) Agricultura – 1; Muito Moder
Pastagens – 1; Moderada baixo Baixo ado Bom Bom
Florestas – 1; Matos
– 1; Espaços Moder Excele
descobertos ou com Boa Baixo ado Bom Bom nte
pouca vegetação -1;
Zonas Húmidas – 0;
Acessibilid Moder Excele Excele
Massas de água - 0 ade Excelente Baixo ado Bom nte nte
𝐶
𝐹𝑒𝑑á𝑓𝑖𝑐𝑜𝑠 = 𝐴𝑟𝑔 + 𝐴𝑟 + 𝐶𝐸𝐶 + + 𝑝𝐻 + 𝑁 𝐹𝑡𝑜𝑝𝑜𝑔𝑟á𝑓𝑖𝑐𝑜𝑠 = 𝐷𝑒𝑐𝑙𝑖𝑣𝑒 + 𝐼𝐻𝑇𝐶
𝑁
𝐹𝑡𝑜𝑝𝑜𝑔𝑟á𝑓𝑖𝑐𝑜𝑠 = 𝐷𝑒𝑐𝑙𝑖𝑣𝑒 + 𝐼𝐻𝑇𝐶 𝑀𝑎𝑡𝑟𝑖𝑧 𝐴𝑃𝑈𝑃𝐵 = 𝐸𝑥𝑝𝑙𝑜𝑟𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑒 ∗ 𝐴𝑃𝐵
Avaliação de critérios: Fatores edáficos e topográficos. Matriz de relação entre a explorabilidade e aptidão para a aplicação de biochar.
Tipo Variável Escala Fonte
Edáficos Argila (Arg) 4 – 7,5 -1; 7,5 – 9,5 - ESDAC Aptidão para a aplicação de Biochar
2 ; 9,5 – 11 -3; 11 –
15 -4; >15 -5
Areia (Ar) 37 – 55 -5; 55 – 63 - ESDAC
4; 63 – 68 -3; 68 – 73 Aptidão para possíveis
-2; >73 -1 unidades de produção Muito Muito
Capacidade de troca 2 – 6 -5; 6 - 7,5 -4; ESDAC de biochar reduzida Reduzida Mediana Elevada elevada
catiónica (CEC) 7,5 – 10 -3; 10 – 11 -
2; 11 – 15 -1
Relação Carbono 10 – 14 -1; 14 – 15 - ESDAC Muito baixa Muito baixo Muito baixo Muito baixo Baixo Baixo
Azoto (C/N) 2; 15 – 17 -3; 17 – 19
-4; >19 -5
pH 4 – 5 -5; 5 – 5,2 -4; ESDAC
Baixa Muito baixo Muito baixo Baixo Moderado Moderado
5,2 – 5,4 -3; 5,4 – 6 -
2; >6 -1
Azoto (N) 0,6 – 2; 2 – 2,5; 2,5 – ESDAC
Moderada Muito baixo Baixo Moderado Bom Bom
3; 3,0 – 4; >4 -1
Topográficos Declive (Dcl) 0 – 5 -5; 5 – 10 -4; 10 (NGA-US)
– 15 -3; 15 – 20 -2;
Boa Baixo Moderado Bom Bom Excelente
>20 -1
Índice de humidade 3 – 5 -5; 5 – 8 -4; 8 – (NGA-US)
Explorabilid
topográfica 10 -3; 10 – 15 -2; >15
ade Excelente Baixo Moderado Bom Excelente Excelente
composto (IHTC) -1
Volume potencial de biochar na área de estudo. Volume potencial de biochar na área de estudo.
Carta de acessibilidades. Carta de explorabilidade

Carta de explorabilidade, escala 1:10000. Carta de explorabilidade, escala 1:10000.

Carta de aptidão para a aplicação de biochar no solo. Carta de aptidão para a possível instalação de unidades de
produção.
Carta de aptidão para a possível instalação de unidades de Carta de aptidão para a possível instalação de unidades de
produção, escala 1:10000. produção, escala 1:10000.
Considerações
Fig. 3. Data processing to generate outputs.
Fig. 6 Solar exposition
Fig. 3 Heat Load Index.
Fig. 5. Digital elevation model (slope).

Fig. 8 Interação entre as condições ambientais que permitem a definição de áreas homogéneas para otimizar as práticas culturais e obter vinhos de qualidade.

Vinha Portfolio v3

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Vinha Portfolio v3

Enviado por

Direitos autorais:

Formatos disponíveis

A Aplicação das novas tecnologias digitais e de precisão na

Viana do Castelo, 09 de maio de 2023

Assim, construção de uma base de dados de índices bioclimáticos permite:

• Definir unidades bioclimáticas homogéneas

Temperatura média RCP4.5 Projeção presente

Apesar de haver uma maior incerteza quanto aos

Nas áreas de montanha, onde a precipitação é maior,

Nas áreas de vale verifica-se, inclusivamente, uma

Precipitação média Projeção presente

No futuro prevê-se um aumento da

Índice Hargreaves-Samani: Evapotranspiração de referência projeção presente

O aumento dos valores de evapotranspiração

Índice Hargreaves-Samani: Défice hídrico referência projeção

Annual Ombrothermic Index (IO) 𝑃𝑃 Certain intervals of Io reflect faithfully changes in

Positive Temperature (PT) 𝐽𝑎𝑛𝑢𝑎𝑟𝑦 Yearly temperature in ºC of months with an average

Índice de posição topográfica 25m O IPT mede a posição topográfica relativa do

Índice de forma e curvatura (CFT) (σ𝑛−1 𝑛

Índice de posição topográfica 25m O IPT mede a posição topográfica relativa do

Índice de forma e curvatura (CFT) (σ𝑛−1 𝑛

Teor de magnésio no solo Quantidade de magnésio presente no solo 1 km

Teor de potássio no solo Quantidade de potássio presente no solo 1 km

Teor de enxofre no solo Quantidade de enxofre presente no solo 1 km

Teor de alumínio trocável no solo Quantidade de alumínio trocável presente no solo 1 km

Teor de carbono orgânico no solo Quantidade de carbono orgânico presente no solo 1 km

Nome Descrição Unidade Resolução espacial

Profundidade do solo Rocha e espessura do solo cm 250m

Acidez do solo Quantidade de íons H+ no solo pH 1km

Carga elétrica Carga elétrica do solo μC/cm² 7km

Densidade do solo Massa do solo por unidade de volume g/cm³ 250m

A elaboração de uma base de dados de índices

Average temperature for July (ATJ)

Com base na tabela de correlação resultante do PCA, podemos verificar que:

(i) Recolha pontos representativos das características bioclimáticas de cada

(iii) Extração de dados

(iv) Análise de correlação e multicolinariedade

Resultado da análise de multicolinearidade: seleção de

moderada moderada/Esfor moderada/Esfor /Esforço de /Esforço de

Estimativa da biomassa potencial.

Avaliação de critérios: Agroambientais, Económicos e fatores de exclusão. Matriz de explorabilidade.

𝐹𝑡𝑜𝑝𝑜𝑔𝑟á𝑓𝑖𝑐𝑜𝑠 = 𝐷𝑒𝑐𝑙𝑖𝑣𝑒 + 𝐼𝐻𝑇𝐶 𝑀𝑎𝑡𝑟𝑖𝑧 𝐴𝑃𝑈𝑃𝐵 = 𝐸𝑥𝑝𝑙𝑜𝑟𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑒 ∗ 𝐴𝑃𝐵

Carta de acessibilidades. Carta de explorabilidade

Carta de explorabilidade, escala 1:10000. Carta de explorabilidade, escala 1:10000.

Fig. 5. Digital elevation model (slope).

Você também pode gostar