APLICAES E LIMITAES DA MODELAGEM EM AGRICULTURA REVISO Simone Toni Ruiz Corra1, Durval Dourado Neto, Rogrio Lorenoni, Fbio

o Vale Scarpare2, Rafael Vivian3, Eduardo Toni Ruiz4

1

Depto. de Produo Vegetal, Escola Superior de Agricultura Luiz de Queiroz, ESALQ/USP, Piracicaba SP. Fone: (019) 3429-4458, struiz@esalq.usp.br; 2 Depto. de Engenharia de Sistemas Agrcolas - ESALQ/USP, Piracicaba SP. 3 Embrapa Meio-Norte, Teresina-PI. 4 UNESP - Instituto de Biocincias, Rio Claro-SP. RESUMO Modelos podem ser usados para investigar uma srie de assuntos relacionados produo vegetal, seja para facilitar o entendimento quanto ao comportamento da cultura dentro de seu contexto ambiental, explorar seu potencial produtivo sob certas condies, verificar hipteses, melhorar o conhecimento de processos, estimular a integrao interdiciplinar, predizer o comportamento de um sistema ou ser utilizado como ferramenta de gerncia e tomada decisria. Como vantagens, lhe so atribudos o custo menos oneroso do que experimentos convencionais que, cada vez mais, possuem um elevado custo de instalao, manuteno e obteno dos dados sem, no entanto ter a pretenso de substitu-los -, a velocidade na obteno de resultados, o uso em diferentes escalas e a criao de cenrios alternativos. Suas limitaes abrangem a dificuldade na validao de modelos j existentes, alto custo de obteno de alguns dados, como por exemplo, sries meteorolgicas, variabilidade espacial e seleo de dados de entrada. Muitas so as formas de avaliar o desempenho de um modelo e, por vezes, dedues errneas so tiradas, descaracterizando a utilizao desta ferramenta. O uso da modelagem em agricultura ainda bastante incipiente no Brasil, quando comparado a outros pases. Este estudo tem como objetivo abordar alguns dos principais conceitos e mecanismos de modelagem em agricultura, com o intuito de contribuir e estimular as pesquisas, ainda escassas nessa rea, e sua difuso. Termos para indexao: modelagem, linguagem computacional, anlise sensitiva APLICATIONS AND LIMITATIONS OF CROP MODELS BRIEF REVIEW ABSTRACT Models can be used to investigate a series of issues related to crop production, facilitating the knowledge regarding crop behavior in its environmental context, to exploit its potential production under certain conditions, testing hypotheses, improve the knowledge of the process, stimulate interdisciplinary integration, diagnosis of a system behavior or it can be used as a management tool, supporting decisions. As advantages, the costs are cheaper than conventional trials, which have a high cost of installation, maintenance and acquisition of data - not intended to replace them - the speed is fast in obtaining results, it is used at different knowledge scales and the creation of alternative scenarios. Its limitations include the difficulty in validating existing models, the high cost of obtaining some data, for instance, historical meteorological information, spatial variability and selection of input data, for example. There are many ways to evaluate the performance of a model and sometimes erroneous deductions are made, misunderstanding the use of this tool. The use of crop modeling is still incipient in Brazil compared to the others countries.

This study aimed to address some key concepts and mechanisms in crop modeling, in order to contribute and stimulate the research, still scarce in this area, and its diffusion. Index terms: modeling, computational language, sensitive analysis

INTRODUO Aspectos gerais e principais aplicaes da modelagem em agricultura O uso de modelos na agricultura datado desde os primeiros cultivos na histria da humanidade. Naquele tempo era sabido que ao plantar determinada cultura em determinada poca e modo, seu desenvolvimento ocorreria de maneira que a colheita ocorreria em outra poca. Esse modelo mental foi sendo aprimorado pelos agricultores com o passar dos tempos, baseado nas suas prprias experincias. A utilizao de modelos objetivando quantificar os efeitos das variveis ambientais no crescimento e desenvolvimento das culturas vem ocorrendo h mais de 270 anos. Quando Raumur, em 1735, fez a associao entre temperatura e o desenvolvimento de culturas, ele estava propondo um dos modelos empricos mais eficientes que se conhece em agrometeorologia, baseado no acmulo de graus-dia. A partir da dcada de 50, trabalhos mais elaborados vieram formalizar o que seria o alicerce da modelagem em agricultura (ZADOCKS; RABBINGE, 1985), onde um dos trabalhos mais relevantes foi o desenvolvido pelo Professor C. T. de Wit, da Universidade de Wageningen - Holanda, em 1958, intitulado "Transpiration and crop yield, seguido em 1968 pelo clssico trabalho "Photosynthesis of leaf canopies". Aps tais publicaes, observou-se um crescente interesse pela rea de modelagem em diversos pases do mundo, inclusive no Brasil. Os diferentes modelos de culturas agrcolas, com maior ou menor nvel de empirismo em funo do conhecimento sobre os fenmenos estudados, normalmente consistem no balano do carbono - que depende da interceptao e da utilizao da luz - e de um balano hdrico - que depende da demanda atmosfrica e da utilizao da gua pelas plantas. Estes processos fisiolgicos podem ser associados absoro dos nutrientes e s perdas causadas por pragas, doenas e plantas daninhas. A agregao destes conhecimentos atravs de equaes matemticas resulta em modelos que podem simular o crescimento e a produo das culturas (PENNING de VRIES, 1982). Em condies favorveis ao crescimento, os processos fisiolgicos e o rendimento potencial das culturas so determinados principalmente pelas caractersticas varietais e por variveis climticas, como temperatura, fotoperodo e radiao. Esse fato torna importante a anlise do crescimento e desenvolvimento da cultura em diferentes situaes, pois significa que o potencial de rendimento das culturas difere entre locais e anos, e entre pocas no mesmo local (KROPFF et al., 1995; PEREIRA et a., 2002). A quantificao do potencial produtivo em diferentes reas indica aquelas mais apropriadas para a produo de determinada cultura, alm de servir tambm para estimativa da produtividade real, considerando eventuais quebras de rendimentos (PEDRO Jr. et al., 1983; MARIN et al., 2000). Este raciocnio a base do mtodo da Zona Agroecolgica (MZA), ou modelo de Doorenbos e Kassam (1994). O crescimento e desenvolvimento das plantas dependem fundamentalmente dos processos de fotossntese e respirao. A pesquisa da fotossntese refletida em sofisticados modelos, os quais existem para predizer o crescimento das plantas, dados da elevao solar, geometria das folhas, penetrao da luz, taxa individual da fotossntese, etc. No entanto, a maioria dos recursos e esforos tem sido despendida no estudo da fotossntese, sendo a respirao considerada apenas

um processo de perda de carbono (PEREIRA; MACHADO, 1987). Coube a McCree (1970) e Thornley (1970), mostrar que esses dois processos so interligados e interdependentes, e que a respirao faz parte efetiva do processo de utilizao e distribuio dos carboidratos fotossintetizados. Um dos primeiros modelos propostos para a estimativa da produo de fotoassimilados em funo da rea foliar e ngulo de insero das folhas, alm de considerar outros elementos inerentes ao dossel da cultura, como velocidade do vento, CO2, radiao e transpirao, foi o SPAM, no qual posteriormente foi includa uma equao considerando a atividade estomtica (DUNCAN, 1975). O modelo ELCROS foi desenvolvido para simular o crescimento da planta de milho (WIT; GOUDRIAAN, 1978), assim como o modelo SIMAIZ (DUNCAN, 1975). Entretanto, todos so limitados, pois no levam em considerao todos os fatores e interaes entre o ambiente e a planta, caso do modelo SIMAIZ, que considera que a produo de fotoassimilados seja funo nica das interaes entre radiao, temperatura e rea foliar. Mais tarde, Andrade et al.(1991) propuseram que o rendimento da cultura expresso pela interao da radiao incidente com a eficincia de interceptao da radiao incidente, a eficincia de converso da radiao interceptada e a partio de fotoassimilados. Nesse caso, a radiao incidente pode aumentar segundo a latitude; entretanto, deve-se considerar a taxa de desenvolvimento por unidade de tempo trmico, uma vez que temperatura afeta o ciclo da planta (DOURADO NETO, 1999). Diversos autores desenvolveram modelos que simulam o desenvolvimento da planta, o acmulo de matria seca nos seus diferentes rgos e o ndice de rea foliar, em funo de parmetros fenolgico e climatolgico (KEULEN et al., 1982; KEULEN; WOLF, 1986; SPITTERS et al., 1986). Em geral, estes modelos podem ser usados para investigar uma srie de assuntos relacionados produo vegetal. Eles servem para facilitar o entendimento quanto ao comportamento da cultura dentro de seu contexto ambiental, podendo ser usados em escalas regional e global, para prever ou explorar o potencial produtivo sob certas condies (ITTERSUM et al., 2003; BOUMAN et al, 1996), sendo, muitas vezes, utilizados como ferramenta de gerncia e tomada decisria (MEINKE; HOCHMAN, 2000). Alm disso, os modelos de simulao so utilizados para verificar teorias e testar hipteses, melhorar o conhecimento sobre um determinado processo (MUNAKATA, 1995; BOOTE et al., 1996), alm de estimular uma integrao interdisciplinar e descrever, de forma concisa, um grande nmero de observaes isoladas. Por sua vez, estes modelos podem predizer o comportamento do sistema, em combinaes e condies no experimentadas anteriormente. De maneira geral, a aplicaes destes modelos bastante ampla, e incluem desde zoneamento agroecolgico a estudos sobre o efeito das mudanas ambientais ou scio-econmicas na agricultura (BOUMAN et al., 1996). No Brasil, apesar de alguns exemplos de sucesso, as tcnicas de modelagem no esto sendo desenvolvidas, nem utilizadas em seu pleno potencial. Desenvolvimento e utilizao de modelos so conceitos distintos. Para se formar uma massa crtica em modelagem e aproveitar todo o benefcio didtico e cientfico dos modelos necessrio que os mesmos sejam desenvolvidos, ou se j existem modelos similares em outros pases, que sejam adaptados, levando-se em conta as condies brasileiras. Exemplos de adaptaes de modelos desenvolvidos no exterior e adaptados s nossas condies podem ser consultados em CORRA (2008) e LORENONI (2010). A construo de modelos simplificados interessante para torn-los mais acessveis ao pblico no especializado. Tais modelos podem ser feitos extraindo-se todos os detalhes excessivos do modelo complexo, usando-se anlises de sensibilidade e pela seleo da varivel

principal do sistema. Diferentes modelos simplificados podem ser construdos a partir de um mesmo modelo complexo, sendo que a diferena entre eles ir depender dos diferentes objetivos de sua aplicao. Um exemplo do acima exposto: nos anos 90, Spitters argumentou que um modelo de simulao de produtividade de cultura chamado SUCROS (Simple and Universal CROp growth Simulator), no qual a abordagem da fotossntese era includa, poderia ser simplificado, incorporando apenas os processos determinantes que mais afetam o crescimento das culturas. Esta foi a primeira abordagem de um modelo que, mais tarde, seria batizado como LINTUL (Light INTerception and UtiLization) (BOUMAN et al., 1996). Em Corra (2008), a rotina do modelo LINTUL-soja, originalmente na linguagem FORTRAN (FORmula TRANslation, muito usada nas dcadas de 80 e 90 principalmente na Europa, porm, pouco difundida no Brasil), foi replicada para a linguagem Visual Basic - desenvolvida pela Microsoft e popularmente difundida em nosso pas. Dessa maneira, o modelo simplificado LINTUL pode ser usado por um maior nmero de usurios (difuso do conhecimento). No atual cenrio, os mdulos de simulao dos processos componentes parecem ser aqueles que mais rapidamente podem ser incorporados e utilizados, como por exemplo, os que simulam o balano hdrico para orientao do manejo da irrigao. Modelos e Modelagem Diversos pesquisadores das mais variadas reas desenvolvem seus estudos e acumulam conhecimento e informaes passveis de serem ampliadas a necessidade inerente do homem em compreender como a natureza e seus componentes funcionam. Por sua vez, para que os resultados dessas pesquisas sejam confiveis, existe a necessidade da realizao de experimentos - que envolve custo de instalao, manuteno e obteno dos dados - alm do tempo necessrio para a conduo dos mesmos. Em muitos casos, no existe a possibilidade de instalao de experimentos, exigindo-se que a tomada decisria seja rpida. Para contornar situaes como estas, propem-se a descrio de um sistema real, na escala do objetivo do estudo e com a interpretao dos fenmenos envolvidos correlacionada ao nvel de exatido obtida na sua descrio. Para que esta simplificao seja possvel, exige-se que exista um elevado conhecimento dos conceitos bsicos de funcionamento do sistema em questo. Sendo assim, conceitua-se como modelagem a ferramenta cientfica baseada na representao simplificada de um sistema que, na maioria dos casos, pode ser composta por um conjunto de smbolos e relaes matemticas logicamente ordenadas (modelos). Alguns protocolos computacionais empregam apenas regras que modelam o sistema investigado, como por exemplo, modelos variacionais fuzzy (em ingls, incertos), autmatos celulares, algoritmos genticos e redes neurais. Basicamente, a modelagem tem como objetivos: (i) estabelecer diagnsticos de funcionamento de um ou mais processos; (ii) identificar carncias cientficas a serem exploradas. O uso de modelos permite obter um conhecimento integrado das suas partes - em diferentes escalas espaciais e temporais - estabelecendo diretrizes e definindo hipteses assumidas sobre o sistema real. H diversas classificaes propostas para diferenciar os modelos. Uma delas os divide em matemticos e de simulao. O primeiro caso refere-se a representaes matemticas de um fenmeno, podendo ser de trs tipos: (i) empricos; (ii) mecansticos e (iii) estocsticos (PAUTIAN et al., 1992). Os modelos de simulao englobam um ou mais modelos matemticos, representando fenmenos mais complexos. Modelos empricos so aqueles que se baseiam puramente em dados observados, ou seja, na interao quantitativa entre os elementos considerados no mesmo. No h muito interesse em

explicar detalhadamente porque o sistema responde de tal forma. Nesse tipo de modelo utilizamse dados empricos, variveis ou constantes consagradas que fazem parte do conhecimento de determinada cincia. Quando o interesse descrever primariamente a resposta de um sistema de forma geral, o mtodo emprico pode ser utilizado satisfatoriamente. Normalmente, estes modelos fundamentam-se em relaes derivadas a partir de anlise de regresses e, quando gerado de uma srie de dados longa, podem ser suficientemente exatos para serem usados em dadas situaes. No entanto, devem ser usados com ressalva para extrapolaes, em condies similares quelas em que foram gerados. Apesar da ressalva de extrapolao sem ajustes para diferentes condies daquelas de sua origem, segundo Dourado Neto (1998a), um modelo obtido por anlise de regresso, quando baseado no entendimento de processos de desenvolvimento de um sistema, por exemplo, pode ser mais valioso que um complexo modelo mecanstico, baseado somente no conhecimento de suas respostas. Modelos mecansticos so aqueles que tm sua estrutura baseada na descrio do processo que ocorre no sistema real considerado, ou seja, existe a tentativa de se considerar os princpios fsicos, qumicos e biolgicos que ocorrem no sistema, tentando entender o sistema em termos dos mecanismos presentes. Tais modelos apresentam grandes dificuldades na obteno dos dados necessrios para o seu desenvolvimento; por outro lado, apresentam pouca restrio extrapolao geogrfica e espacial dos resultados, quando comparados ao modelo anterior. So os mais versteis dentre os tipos de modelos matemticos (PAUTIAN et al., 1992). O modelo estocstico quando baseado em uma ou mais variveis de natureza randmica (LAW; KELTON, 1991), ou seja, se o estado do sistema for determinado pelo momento anterior, afetado por uma probabilidade devida ao acaso. So modelos em que o fator probabilidade est presente (THORNLEY, 1976). Os modelos de simulao permitem fazer simulaes de longo prazo, sendo realizadas geralmente a um baixo custo. Conforme Addiscott (1993), eles podem ser divididos em: (i) determinsticos, em que um conjunto de eventos leva a um resultado nico e definido e (ii) estocsticos, em que a incerteza considerada na sua estrutura, ou seja, apresentam algum grau de probabilidade associado sua resposta, caracterstica comum dos modelos empricos. Uma das caractersticas mais importantes da simulao sua habilidade de modelar comportamentos ou variaes randmicas (tempo de processos e taxas, por exemplo). Dizer que uma varivel de um modelo randmica no significa dizer que ela indefinida nem sequer imprevisvel mas, sim, que o fenmeno modelado tende a variar estatisticamente, sendo probabilisticamente previsvel. Portanto, modelos que no possuem natureza randmica - os determinsticos - possuem comportamento determinado, uma vez que os dados de entrada sejam definidos. Modelos de simulao determinsticos podem ser obtidos da mesma maneira que modelos estocsticos. A diferena bsica est no mtodo de anlise a ser adotado para cada um dos modelos. Nos determinsticos, o resultado de uma nica simulao fornece uma medida exata da performance do modelo. Para os estocsticos, vrias interaes so necessrias para que se possa obter um resultado mdio que gere uma estimativa confivel da performance do modelo. Para as situaes onde as incertezas, exeram pouca influncia no resultado final, a aplicao de modelos determinsticos pode ser cabvel e de boa aceitao, como por exemplo, na adubao de solos homogneos, ou no dimensionamento de sistemas de irrigao. Porm, quando as variveis de interesse podem apresentar-se extremamente variveis quanto a seus valores como, por exemplo, a temperatura mdia de determinada localidade, o procedimento estocstico vem a contemplar as incertezas, fazendo possvel que no s um nico valor seja admitido como resposta final, mas sim, vrias possibilidades cada uma associada determinada

probabilidade de ocorrncia. Tais procedimentos so comumente aplicados via cadeia de Markov, anlises espao-temporais, e mtodo de Monte Carlo. Na realidade, a maioria dos modelos de simulao uma mistura de empiricismo e mecanicidade. Mesmo os mais mecansticos dos modelos usam empiricismo em algum nvel hierrquico de sua estrutura (BOOTE et al., 1996). Para entender o comportamento de determinado nvel do sistema, muitas vezes necessrio compreender como este influenciado pelo comportamento de um nvel abaixo. Assim, um sistema aparentemente complexo pode ser desdobrado em nveis relativamente mais simples (JONES, 1986). Quando o conhecimento de determinado nvel explicativo suficientemente extensivo, tendo sido o modelo deste sistema criado com base nesse slido conhecimento, pode no ser mais necessrio testar esses modelos comparando-os com a realidade (de WIT, 1974). Deve ser ressaltado, entretanto, que todos os modelos so abstraes. O grau de abstrao permitido um valor de um julgamento a ser feito no contexto dos objetivos. A chave para uma efetiva modelagem est no equilbrio entre o realismo e a abstrao na reproduo do sistema (SANTOS, 1986). No existe, portanto, um modelo certo ou errado, mas sim modelos com diversos graus de aplicao para diversas circunstncias. No existe tambm um modelo universal que fornea uma soluo para todos os problemas. Contudo, os modelos devem continuar a ser construdos e adaptados s diversas situaes particulares. Os profissionais que trabalham com essas ferramentas devem definir claramente seus objetivos antes de pensar em constru-los, enquanto que os usurios devem escolher aqueles que melhor resolvam suas necessidades especficas (THORNLEY; JOHNSON,1990; DOURADO et al., 1998a). Componentes do processo de modelagem e a avaliao do modelo Sumariamente, modelo matemtico definido um conjunto de relaes matemticas que descrevem as mudanas nas variveis de estado como resultado dos diferentes processos que ocorrem nesse sistema (de WIT, 1978; JONES et al., 1987). Sistema, por sua vez, a coleo de componentes e suas relaes que so agrupadas para estudar uma parte do mundo real. Esta seleo depende dos objetivos do estudo e uma viso simplificada da realidade. Entende-se como varivel de estado as quantidades que descrevem as condies dos componentes no sistema, e podem mudar com o tempo medida que os componentes do sistema interagem com o meio. Se as variveis de estado mudam no tempo, os modelos so dinmicos. Como exemplo de variveis de estado, podemos citar a quantidade total de biomassa de determinada cultura. importante se ressaltar que as variveis de estado so, em grande parte dos modelos de simulao de crescimento e desenvolvimento de culturas, a caracterstica de interesse do modelador (de WIT, 1978; JONES et al., 1987). Entradas (Inputs) so os fatores do meio ambiente que influenciam o comportamento do sistema, mas que no so influenciados pelo mesmo, como por exemplo, as variveis meteorolgicas. Inputs tambm se referem a variveis moduladoras, que agem sobre os fluxos e variveis de estado. Se um sistema no tem inputs, ele no afetado pelo ambiente e denominado um sistema fechado. Inputs podem variar com o tempo. Sadas (Outputs) so os resultados do modelo que so de interesse do modelador. Os parmetros so caractersticas dos componentes do modelo que geralmente so constantes atravs do tempo simulado. A distino entre parmetros e inputs no sempre clara. Geralmente, inputs so diretamente dependentes do tempo, enquanto parmetros so constantes ou dependem do estado do sistema, mas no necessariamente do tempo. Por exemplo, os parmetros podem definir a resposta funcional da fotossntese luz, a resistncia do solo

densidade de fluxo de gua, a resposta funcional da variao temporal do ndice de rea foliar e a perda de gua pela planta atravs do processo evapotranspiratrio. (JONES et al., 1987). As inter-relaes entre os componentes e o sistema, e algumas vezes entre variveis de estado no sistema, ocorrem como resultado de vrios processos. Por exemplo, a biomassa de uma cultura (varivel de estado) muda como resultado dos processos de fotossntese e respirao; o contedo resultado da chuva ou da evapotranspirao e drenagem. Fluxos, por sua vez, representam as entradas e sadas dos compartimentos das variveis de estado. Os fluxos, que algumas vezes so os prprios processos, so sempre expressos na unidade de tempo. H muitas ferramentas disponveis para facilitar a aplicao de modelos e simulaes de sistemas contnuos. Em particular, os smbolos tm sido definidos para expressar em diagramas os componentes e os processos dos sistemas (inputs, outputs, variveis de estado, limites do sistema e inter relaes entre eles, por exemplo). Esses procedimentos so teis para desenvolver um modelo matemtico do sistema. Alm disso, tais diagramas so fundamentais para o profissional comunicar a essncia do modelo com outras pessoas. O procedimento de modelagem iniciado por intermdio do entendimento correto dos objetivos do modelo a ser construdo, que devem ser claros e bem definidos, baseados no conhecimento do problema a ser resolvido. Caso eles sejam amplos, devem ser subdivididos em ordem de prioridade. Os objetivos devem ser suficientemente completos, para que a partir deles, possam ser determinados os parmetros, inputs, o conjunto de equaes a ser utilizada, a metodologia aplicada e as caractersticas dos resultados que sero obtidos. No processo dinmico de construo do programa computacional, em que as equaes so transformadas em linguagem computacional - programas de computadores especiais desenvolvidas para apresentar as funes de rotina que so caractersticas da maioria dos estudos de simulao -, aconselhvel que os resultados dos clculos apresentados pelo computador sejam comparados com outros resultados j existentes na literatura, para evitar que os erros no sejam encontrados, devido complexidade e da magnitude do programa. Os modelos devem ser avaliados de acordo com os objetivos inicialmente propostos. H vrias maneiras de se avaliar o desempenho de um modelo. Uma delas a anlise sensitiva, ou de sensibilidade, que consiste em avaliar os parmetros ou entradas do modelo, considerando sua importncia relativa para os resultados da simulao. Esta anlise tambm fornece um mecanismo para testar a simulao nos extremos, e usando os valores extremos dos parmetros vo rigorosamente testar o modelo em termos de estabilidade e lgica matemtica. A anlise de sensibilidade se inicia elegendo-se as principais sadas (resultados, outputs) do modelo, e se estabelece uma condio normal do modelo, com as melhores estimativas de cada parmetro e entradas. Tomam-se, ento, os parmetros ou entradas a serem avaliadas quanto ao seu efeito no modelo (sensibilidade do modelo a eles). Para cada uma, o valor alterado, dentro de valores reais de sua amplitude, e se roda o modelo (simulaes) mantendo-se constantes as demais condies. Uma comparao entre mudanas nos valores dos parmetros e os resultados, fornece uma indicao da importncia relativa da varivel. Outra maneira de se avaliar os modelos atravs de sua preciso, definida em termos de trs estgios de sua implementao: (i) verificao, (ii) calibrao e (iii) validao. Verificao o processo pelo qual a lgica de programao comparada com as intenes do modelador, ou seja, verificado se o programa executa precisamente o que o modelador props. Calibrao refere-se aos ajustes - dentro de uma amplitude conhecida - feitos para os parmetros do modelo para dar a comparao mais precisa entre os resultados simulados e os

resultados observados a campo. Diz-se que o modelo mais preciso quando a simulao se aproxima mais dos dados observados. O uso indiscriminado da calibrao torna o modelo de difcil extrapolao e pode descaracterizar parte do seu mecanismo. Alm do mais, a calibrao excessiva pode ocultar falhas que seriam importantes se conhecer. O estdio de validao est relacionado com o estabelecimento da similaridade das respostas do modelo, pela comparao das mesmas com um conjunto de observaes independentes. Esta etapa muitas vezes no possvel pela complexidade da modelagem. Segundo Costa (1997), a avaliao de modelos deve passar - e normalmente passa - por duas avaliaes distintas: uma subjetiva, que considera critrios como utilidade, simplicidade, elegncia, e economia, principalmente; e outra objetiva, que utiliza critrios pr-definidos para se avaliar o modelo. comum se observar na literatura cientfica, como parte do critrio objetivo, o termo validao do modelo. Nesse sentido importante ressaltar que pelas definies apresentadas e discutidas acima, o modelo uma teoria cientfica sobre o funcionamento de um certo sistema. Dessa forma, h que se considerar que uma teoria cientfica somente pode ser falsificada, nunca validada. Assim sendo, no recomendvel utilizar o termo validao, e passar a utilizar o termo correto para tais avaliaes objetivas: teste do modelo. Outro mtodo bastante usado para a avaliao dos modelos a comparao dos dados reais com os dados simulados. No entanto, necessrio ressaltar que tal teste somente parte da avaliao total do modelo, e quando necessria sua utilizao, deve ser baseada na prudncia, evitando erros de interpretao. Ainda em relao aos dados observados e simulados, um dos mtodos mais utilizados recentemente o da anlise de suas diferenas. Tal procedimento apresenta uma srie de vantagens em relao ao convencionalmente utilizado, ou seja, a simples comparao de dados reais com dados simulados. Para que tal procedimento tenha sentido so necessrias algumas consideraes, tais como, quais variveis sero testadas e quais os nveis de preciso aceitveis para essas variveis (COSTA, 1997). Outro aspecto importante a ser considerado nos testes dos modelos que tais testes devem ser feitos para longos perodos de tempo e nas mais diversas condies ambientais. Vantagens e limitaes dos modelos As vantagens da utilizao de modelos matemticos, segundo Pessoa et al. (1997), implicam em um crescente aumento no uso, proposio e validao dos modelos, sendo elas: baixo custo, velocidade, completa informao, criao de cenrios e proposio de cenrios ideais. A instalao, conduo, avaliao e anlise dos resultados exigem infra-estrutura e mode-obra especializada, que fazem com que a investigao experimental seja, muitas vezes, maior que a execuo de um programa computacional. importante lembrar que a aquisio de computadores est se tornando mais acessvel a cada dia, mesmo em classes sociais que antes no tinham acesso a essa ferramenta. Durante a vida til do equipamento, inmeras simulaes podem ser executadas, ao passo que no campo, em uma rea determinada, s possvel executar um experimento por vez. medida que o problema adquire complexidade e aumenta de propores, a utilizao da modelagem adquire maior importncia. Apesar de possuir um custo maior, a conduo de experimentos no pode ser descartada. A modelagem deve auxiliar na deciso de quais os rumos a experimentao a campo deve seguir, como por exemplo, fazendo com que os recursos sejam melhores alocados e, assim, a qualidade das informaes sejam mais relevantes pesquisa. Quanto velocidade, a execuo de um experimento que avalie, por exemplo, a absoro de uma quantidade de nitrognio pelas razes e a sua influncia sobre a produtividade pode levar

at meses para que seja completado. Porm, a simulao desse processo por intermdio de parmetros de entrada e equaes pode levar poucos segundos. Em oito horas de trabalho em um campo experimental pode-se fazer a aplicao de nitrognio e capina, por exemplo, enquanto que com este mesmo tempo, possvel simular diversas condies e obter os mais diversos resultados. Com a execuo de um experimento, o nmero de informaes relativamente baixo, pois se restringe ao nmero de parmetros avaliados. No entanto, com a simulao, possumos os valores dos parmetros de entrada e cada um dos valores calculados no decorrer do processo, at a obteno do resultado final. Com a obteno desse relatrio possvel, ento, visualizar todo o sistema, evidenciando pontos conflitantes e importantes na conduo de novas investigaes experimentais. A simulao de condies diversas j bem conhecida. Com ela, existe a possibilidade de criar cenrios que ainda no so conhecidos, ou seja, cenrios alternativos - muitos deles ainda no explorados em experimentos reais. A construo de condies ideais tambm possvel, o que em condies experimentais seria muito difcil de acontecer, mesmos que os experimentos sejam cuidadosamente executados. No entanto, evidente que toda tcnica - alm das vantagens - apresente suas limitaes. Uma boa aplicao de qualquer tcnica exige que, alm do domnio desta, haja pleno conhecimento de suas limitaes. Uma das limitaes a validao dos modelos e simuladores j existentes. Esse processo, s vezes, demorado e requer conhecimento amplo do problema, alm da obteno dos dados em campo. Entretanto, sem a execuo dessa etapa, todo resultado obtido por simulao poder ser seriamente comprometido, repercutindo na obteno de tendncias equivocadas (PESSOA et al., 1997). Quando o problema em estudo possuir mais de uma soluo, fica difcil determinar qual delas seria a mais conveniente. Outro aspecto com relao confiabilidade e exatido do modelo empregado. Somente por intermdio de uma seleo das bases de dados usadas para o desenvolvimento do modelo, ou em sua aplicao posterior, pode-se minimizar o problema (DOURADO NETO et al., 1998b). De que forma os dados referentes s variveis foram coletadas? Qual a confiabilidade desses dados? Um modelo to preciso e possui confiabilidade de acordo com a base de dados que utiliza em seu desenvolvimento influenciando diretamente a simulao. Boote et al. (1996) citam algumas limitaes para a utilizao da modelagem, como o custo de obteno dos dados (por exemplo, fotos de satlites, dados provenientes de instrumentao especializada), a variabilidade espacial (em aplicaes na experimentao de campo, a variabilidade do solo muito grande de um local para o outro, causando diferentes produtividades de gros e esta rea tratada como nica), a tcnica para o entendimento de alguns dados de entrada, a variabilidade temporal e a qualidade dos dados (deficincia na calibrao dos sensores). A eficincia do processo de modelagem depende do conhecimento do modelador que vai desenvolver o modelo. As reas que do suporte a modelagem vo depender, sobre tudo, de qual o objetivo da modelagem. Algumas reas do conhecimento na modelagem em agricultura so fundamentais, como por exemplo, agricultura, fisiologia, matemtica, estatstica, meteorologia, manejo cultural, ecologia, climatologia e lgica de programao, dentre outras. Dessa forma, existe a necessidade de equipes multidisciplinares para o desenvolvimento dos modelos e, com isso, a sua ampliao de utilizao.

Costa (1997) ressalta que o desenvolvimento e a aplicao de modelos de simulao, em conjunto com a experimentao convencional em maior escala em nosso pas, um desafio que devemos seguir e que, sem dvidas, tornar as atividades cientficas mais eficientes. CONCLUSES O desenvolvimento e a aplicao da modelagem em agricultura uma valiosa ferramenta que pode - e deve - servir para a orientao de pesquisas, gesto de tecnologia e at decises polticas. Seu uso no Brasil, apesar de ainda incipiente, tem aumentado nos ltimos anos, muito embora em funo do maior acesso de usurios a computadores e programas computacionais, mas tambm devido melhoria de tcnicas de modelagem e da maior capacidade dos computadores na realizao de clculos. importante que o meio acadmico faa bom uso desta ferramenta, seja na conduo de estudos hipotticos, avaliando e comparando os resultados obtidos com suas prprias experincias, mas tambm na difuso deste conhecimento em sala de aula, na formao de massa crtica, e em eventos voltados difuso da informao. O conhecimento interdisciplinar possibilita a realizao de simulaes mais acuradas da dinmica do crescimento de culturas e de sistemas agrcolas, mas para que de fato haja esta agregao de conhecimento, muitos modelos devem ser simplificados em submodelos. Esta simplificao de modelos importante para a melhoria no entendimento dos processos e de suas respostas, mas deve-se estar atento s suas limitaes. Ressalta-se, aqui, que a proposta do uso de modelos no substitui a experimentao convencional, nem tampouco se deseja obter, atravs do modelo, uma nica e exclusiva resposta para questes de natureza complexa e mutvel. O que se pretende sim tornar a atividade cientfica mais eficiente e, por conseguinte, fazer com que os resultados e descobertas oriundos desses trabalhos estejam disponveis aos segmentos de interesse, de maneira mais gil e menos onerosa. REFERNCIAS ADDISCOTT, T.M. Simulation modelling and soil behaviour. Geoderma, Amsterdam, v.69, p.15-40, 1993. ANDRADE, F.H.; UHART, S.; ARGUISSAIN, G. Produtividade potencial de maiz em alcarce: analisis de los fatores que los determinan. Balcarce: Instituto Nacional de Tecnologia Agropecuria, 1991. 11 p. (Boletim Tcnico, 101). BOOTE, K.J.; JONES, J.W.; PICKERING, N.B. Potential uses and limitations of crop models. Agronomy Journal, Amsterdam, v.88, p.704-716, 1996. BOUMAN, B.A.M.; VAN KEULEN, H.; VAN LAAR, H.H.; RABBINGE, R. The 'School of de Wit' crop growth simulation models: a pedigree and historical overview. Agricultural Systems, Amsterdam, v. 52, p.171-198, 1996. CORRA, S.T.R. Adaptao do modelo LINTUL (Light Interception and Utilization) para estimao da produtividade potencial da cultura de soja. 2008. 106p. Dissertao (Mestrado

10

em Fitotecnia) - Escola Superior de Agricultura Luiz de Queiroz, Universidade de So Paulo, Piracicaba, 2008. COSTA, L.C. Modelagem e simulao em agrometeorologia. In: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA. 1997. Piracicaba. Anais Piracicaba: SBA, 1997. p.3-6. DOURADO-NETO, D.; TERUEL, D.A.; REICHARDT, K.; NIELSEN, D.R., FRIZZONE, J.A.; BACCHI, O.O.S. Principles of crop modeling and simulation: I. Uses of mathematical models in agricultural science. Scientia Agricola, v.55, p.46- 50, 1998a. DOURADO-NETO, D.; TERUEL, D.A.; REICHARDT, K.; NIELSEN, D.R., FRIZZONE, J.A.; BACCHI, O.O.S. Principles of crop modeling and simulation: II. The implications of the objective in model development. Scientia Agricola, v.55, p.51-57, 1998b. DOURADO-NETO, D. Modelos fitotcnicos referentes cultura do milho. 1999. 229p. Tese (Livre-Docncia em Fitotecnia) - Escola Superior de Agricultura Luiz de Queiroz, Universidade de So Paulo, Piracicaba, 1999. DOORENBOS, J.; KASSAM, A.H. Efeito da gua no rendimento das culturas. Traduo de HEYI, H. AA DE SOUZA, F.A.V DAMASCO, JF DE MEDEIROS. Campina Grande: UFPB, 1994. 306p. (Estudos FAO: Irrigao e Drenagem, 33). DUNCAN, W.G. Maize. In: EVANS, L.T., ed. Crop physiology: some Case histories. London, Cambridge University Press, 1975. cap.2, p.23-50. ITTERSUM, M.K. van; LEFFELAAR, P.A.; KEULEN, H. van; KROPFF, M.J.; BASTIAANS, L.; GOUDRIAAN, J. On approaches and applications of the Wageningen crop models. European Journal of Agronomy, Amsterdam, v. 18, p. 201-234, 2003. JONES, J. W.; BOOTE, K. J.; JAGTAP, S. S.; WILKERSON, G. G.; HOOGENBOOM, G.; MISHOE, J. W. SOYGRO V5.4-Technical documentation. Gainesville, FL: Agricultural Engineering Department and Agronomy Department University of Florida, 1987. 170p. KEULEN, H. van.; PENNING DE VRIES, F.W.T.; DRESS, E.M. A summary model for crop growth. In: PENNING DE VRIES, F.W.T.; VAN LAAR, H. H. (Ed). Simulation of plant growth and crop production. Wageningem: Pudoc, 1982. p.87-97. KEULEN, H.van.; WOLF, J. Modeling of agricultural production: Weather, soils and crops. Wageningem: Pudoc, 1986. 463p. KROPFF, M.J.; MATTEWS, R.B.; van LAAR, H.H.; ten BERGE, H.F.M. The rice model Oryza1 and its testing. In: MATTHEWS, R.B.; KRPFF, M.J.; BACHELET, D.; van LAAR, H.H. (Ed.) Modeling the impact of climate change on rice production in Asia. Manila: International Rice Research Institute, 1995. p.27-50. LAW, A.M.; KELTON, W.D. Simulation modeling and analysis. 2 ed. New York: MacGrawHill, 1991.

11

LORENONI, R.; DOURADO-NETO, D.; HEINEMANN, A.B.; SILVA, A.N. da; SILVA, L.C.S. Calibrao do modelo ORYZA-APSIM para o arroz de terras altas no Brasil. Revista de Agricultura, Piracicaba, v.85, n.3, p.237-244, 2010. MARIN, F. R.; SENTELHAS, P. C.; UNGARO, M. R. G. Perda de rendimento potencial da cultura do girassol por deficincia hdrica, no Estado de So Paulo. Scientia Agrcola, Piracicaba, v.57, n.1, p. 1-6, 2000. MEINKE, H., HOCHMAN, Z. Using seasonal climate forecasts to manage dryland crops in northern Australia. In: HAMMER, G.L.; NICHOLLS, N.; MITCHELL, C. (Ed.). Application of seasonal climate forecasting in agricultural and natural ecosystems: the Australian experience. Amsterdam: Kluwer Academic, 2000. p. 149165. MUNAKATA, K. Simulation of population photosynthesis and dry matter production. In: MATSUO, T.; KUMAZAWA, K.; ISHII, R.; ISHIHARA, K.; HIRATA, H. (Ed.) Science of the rice plant. Tokyo, Physiology, Food and Agricultural Policy Research Center, 1995. v.2, p.671684. PEREIRA, A.R.; ANGELOCCI, L.R.; SENTELHAS, P.C. Agrometeorologia: fundamentos e aplicaes prticas. Guaba: Agropecuria, 2002. 478p. PAUTIAN, K.; PARTON, W.J.; PERSSON, J. Modeling soil organic matter in organic-amended and nitrogen fertilized long-term plots. Soil Science Society of America Journal, v.56, p.476488, 1992. PEDRO JNIOR, M. J.; CAMARGO, M. B. P.; BRUNINI, O.; ALFONSI, R. R.; ORTOLANI, A. A.; MIRANDA, M. A. C. Teste de modelo agrometeorolgico para estimativa da produtividade potencial da cultura da soja de ciclo precoce. In: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA, 3, 1983, Campinas. Anais... Campinas, 1983, p. 11-17. PENNING de VRIES, F.W.T. System analysis and models of crop growth. In: PENNING DE VRIES, F.W.T.; VAN LAAR, H.H. (Ed.). Simulation of plant growth and crop production. Pudoc, Wageningen: Elsevier, 1982. p.9-22. PEREIRA, A.R.; MACHADO, E.C. Anlise quantitativa do crescimento de comunidades Vegetais. Campinas: Instituto Agronmico, 1987. 33p. PESSOA, M.C.P.Y.; LUCHIARI JUNIOR, A.; FERNANDES, E.N.; LIMA, M.A. Principais modelos matemticos e simuladores utilizados para a anlise de impactos ambientais das atividades agrcolas. Braslia, EMBRAPA, 1997, 44p. SANTOS, J.E. dos Procedimentos bsicos para a modelagem ecolgica. Cincia e Cultura, v.36, n.6, p.983-992, 1986. SPITTERS, C.J.T.; TOUSSAINT, H.A.J.M.; GOUDRIAAN, J. Separating the diffuse and direct component of global radiation and its implications for modeling canopy photosynthesis Part I.

12

Components of incoming radiation. Agricultural and Forest Meteorology, v. 38, p.217-229, 1986. THORNLEY, J. H. M. Respiration, gowth and maintenace in plants. Nature, v.227, p.304-305, 1970. THORNLEY, J.H.M. Mathematical models in plant physiology: a quantitative approach to problems in plant and crop physiology, London: Academic Press., 1976. 318p. THORNLEY, J.H.M.; JOHNSON, I.R. Plant and crop modeling. Oxford: Oxford University Press, 1990. 669p. McCREE, K. J. An equation for the rate of respiration of white clover plants growth under controlled conditions. In: SETLIK, I., (Ed.). Prediction and measurement of photosynthetic productivity. Wageningen, Pudoc: Elsevier, 1970. p.221-229. WIT, C.T. de; GOUDRIAAN, J. Simulation of ecological processes. Wageningen, The Netherlands: Centre for Agricultural Publishing and Documentation, 1974. 159p. WIT, C.T. de Simulation of assimilation, respiration and transpiration of crops. Wageningen, The Netherlands: Centre for Agricultural Publishing and Documentation, 1978. 141p. WIT, C.T.; GOUDRIAAN, A.H. Simulation of ecological processes. 2 nd ed. New York: John Wiley, 1978. 140 p. ZADOKS, J.C.; RABBINGE, R. Modelling to a purpose. In: C.A. Gilligan, Editor, Advances in Plant Pathology, Vol. 3, Mathematical Modelling of Crop Disease, Academic Press, London, pp. 231244, 1985.

13