Escolar Documentos
Profissional Documentos
Cultura Documentos
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
A construção de uma base de dados de índices bioclimáticos é um processo complexo que envolve vários passos.
• 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 de 2050 Temperatura média RCP4.5 Projeção de 2080
Temperatura média anual
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
Precipitação média RCP4.5 Projeção de 2050 Precipitação média RCP4.5 Projeção de 2080
Precipitação média anual
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.
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.
Elaboração de uma base de dados de índices bioclimáticos
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.
Growing Season Minimum Temperature (GSTmn) 𝑎𝑏𝑟𝑖𝑙 Sum of minimum temperature between April and October.
𝑇𝑚𝑖𝑛
𝑜𝑢𝑡𝑢𝑏𝑟𝑜
Growing Season Mean Temperature (aveGST) 𝑎𝑏𝑟𝑖𝑙 Sum of mean temperature between April and October.
(𝑇𝑎𝑣𝑒)
𝑜𝑢𝑡𝑢𝑏𝑟𝑜
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.
Elaboração de uma base de dados de índices bioclimáticos
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
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 bioclimáticos
Evolução dos índices bioclimáticos em contexto de alterações climáticas
Evolução dos índices bioclimáticos em contexto de alterações climáticas
Evolução dos índices bioclimáticos em contexto de alterações climáticas
Evolução dos índices bioclimáticos em contexto de alterações climáticas
Evolução dos índices bioclimáticos em contexto de alterações climáticas
Evolução dos índices bioclimáticos em contexto de alterações climáticas
Evolução dos índices bioclimáticos em contexto de alterações climáticas
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.
Textura do solo Porção relativa de areia, limo e argila no solo %-areia, %-limo, %-argila 1km
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.
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
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
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
Monitorização através de ferramentas de deteção remota
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)
Elaboração de cartas de aptidão para culturas de elevado interesse económico através de modelos de distribuição de espécies
(SDM´s)
Elaboração de cartas de aptidão para culturas de elevado interesse económico através de modelos de distribuição de espécies
(SDM´s)
Elaboração de cartas de aptidão para culturas de elevado interesse económico através de modelos de distribuição de espécies
(SDM´s)
Elaboração de cartas de aptidão para culturas de elevado interesse económico através de modelos de distribuição de espécies
(SDM´s)
Elaboração de cartas de aptidão para culturas de elevado interesse económico através de modelos de distribuição de espécies
(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
Fase II: Seleção dos preditores mais importantes
Standardization formula for the variables in study. Legend: S- Standardized raster; R- Raster
Variable; min- minimum; max- maximum.
• 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).
Fase III: Modelação através do biomod 2
Tipicidade bioclimática para a Sub-região de Monção Melgaço em contexto de
alterações climáticas
Fase III: Modelação através do biomod 2
Tipicidade bioclimática para a Sub-região do Lima em contexto de alterações
climáticas
Fase III: Modelação através do biomod 2
Tipicidade bioclimática para a Sub-região do Cavado em contexto de alterações
climáticas
Fase III: Modelação através do biomod 2
Tipicidade bioclimática para a Sub-região do Ave em contexto de alterações
climáticas
Fase III: Modelação através do biomod 2
Tipicidade bioclimática para a Sub-região de Amarante em contexto de alterações
climáticas
Fase III: Modelação através do biomod 2
Tipicidade bioclimática para a Sub-região de Baião em contexto de alterações
climáticas
Fase III: Modelação através do biomod 2
Tipicidade bioclimática para a Sub-região de Basto em contexto de alterações
climáticas
Fase III: Modelação através do biomod 2
Tipicidade bioclimática para a Sub-região do Sousa em contexto de alterações
climáticas
Fase III: Modelação através do biomod 2
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).
Fase IV: Avaliação da variação das características típicas de cada sub-região
Variação da tipicidade bioclimática para a Sub-região de Monção Melgaço em contexto de alterações climáticas
Fase IV: Avaliação da variação das características típicas de cada sub-região
Variação da tipicidade bioclimática para a Sub-região do Lima em contexto de alterações climáticas
Fase IV: Avaliação da variação das características típicas de cada sub-região
Variação da tipicidade bioclimática para a Sub-região do Cavado em contexto de alterações climáticas
Fase IV: Avaliação da variação das características típicas de cada sub-região
Variação da tipicidade bioclimática para a Sub-região do Ave em contexto de alterações climáticas
Fase IV: Avaliação da variação das características típicas de cada sub-região
Variação da tipicidade bioclimática para a Sub-região de Amarante em contexto de alterações climáticas
Fase IV: Avaliação da variação das características típicas de cada sub-região
Variação da tipicidade bioclimática para a Sub-região de Baião em contexto de alterações climáticas
Fase IV: Avaliação da variação das características típicas de cada sub-região
Variação da tipicidade bioclimática para a Sub-região de Basto em contexto de alterações climáticas
Fase IV: Avaliação da variação das características típicas de cada sub-região
Variação da tipicidade bioclimática para a Sub-região do Sousa em contexto de alterações climáticas
Fase IV: Avaliação da variação das características típicas de cada sub-região
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
FASE IV: 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 adequação da Região dos Vinhos Verdes (NW Portugal) utilizando indicadores
bioclimáticos, de solo e topográficos.
FASE IV: Avaliação multicritério para avaliar a adequação da Região dos Vinhos Verdes (NW Portugal) utilizando indicadores
bioclimáticos, de solo e topográficos.
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
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
Modelação espacial de biomassa residual em áreas de produção vitícola
Volume potencial de biochar na área de estudo. Volume potencial de biochar na área de estudo.
Modelação espacial de biomassa residual em áreas de produção vitícola
Modelação espacial de biomassa residual em áreas de produção vitícola
Carta de aptidão para a aplicação de biochar no solo. Carta de aptidão para a possível instalação de unidades de
produção.
Modelação espacial de biomassa residual em áreas de produção vitícola
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.
Modelação espacial de biomassa residual em áreas de produção vitícola
Modelação espacial de biomassa residual em áreas de produção vitícola
Modelação espacial de biomassa residual em áreas de produção vitícola
Considerações
Fig. 3. Data processing to generate outputs.
Fig. 6 Solar exposition
Fig. 3 Heat Load Index.