BRUNO CESAR BRITO MIYAMOTO Impactos Econômicos de …repositorio.unicamp.br/bitstream/REPOSIP/331448/1/Miyamoto_Bru… · “A teima das instituições envelhecidas em quererem perpetuar-se,

UNIVERSIDADE ESTADUAL DE CAMPINAS

INSTITUTO DE ECONOMIA

BRUNO CESAR BRITO MIYAMOTO

Impactos Econômicos de Eventos Extremos de

Precipitação na Agricultura Brasileira

Campinas 2017




Impactos Econômicos de Eventos Extremos de

Precipitação na Agricultura Brasileira

Prof. Dr. ALEXANDRE GORI MAIA – orientador

Tese de Doutorado apresentada ao Programa de Pós-Graduação em Desenvolvimento Econômico do Instituto de Economia da Universidade Estadual de Campinas para obtenção do título de Doutor em Desenvolvimento Econômico, área de concentração Desenvolvimento Econômico, Espaço e Meio Ambiente.

ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA TESE DEFENDIDA PELO ALUNO BRUNO CESAR BRITO MIYAMOTO E ORIENTADA PELA PROF. DR. ALEXANDRE GORI MAIA

Campinas 2017

Agência(s) de fomento e nº(s) de processo(s): CAPES

Ficha catalográficaUniversidade Estadual de CampinasBiblioteca do Instituto de EconomiaMirian Clavico Alves - CRB 8/8708

Miyamoto, Bruno César Brito, 1988- M699i MiyImpactos econômicos de eventos extremos de precipitação na agricultura

brasileira / Bruno César Brito Miyamoto. – Campinas, SP : [s.n.], 2017.

MiyOrientador: Alexandre Gori Maia. MiyTese (doutorado) – Universidade Estadual de Campinas, Instituto de

Economia.

Miy1. Agricultura. 2. Mudanças climáticas. 3. Extremos climáticos. I. Maia,

Alexandre Gori, 1972-. II. Universidade Estadual de Campinas. Instituto deEconomia. III. Título.

Informações para Biblioteca Digital

Título em outro idioma: Economic impacts of extreme precipitation events on brazilianagriculturePalavras-chave em inglês:AgricultureClimate changeClimatic extremesÁrea de concentração: Desenvolvimento Econômico, Espaço e Meio AmbienteTitulação: Doutor em Desenvolvimento EconômicoBanca examinadora:Alexandre Gori Maia [Orientador]José Maria Ferreira Jardim da SilveiraJúnior Ruiz GarciaMarcelo Marques de MagalhãesThales Augusto Medeiros PenhaData de defesa: 18-12-2017Programa de Pós-Graduação: Desenvolvimento Econômico

Powered by TCPDF (www.tcpdf.org)




Impactos Econômicos de Eventos Extremos de Precipitação na Agricultura Brasileira

Prof. Dr. ALEXANDRE GORI MAIA – orientador

Defendida em 18/12/2017

COMISSÃO JULGADORA

Prof. Dr. Alexandre Gori Maia Instituto de Economia / UNICAMP Prof. Dr. José Maria Ferreira Jardim da Silveira Instituto de Economia / UNICAMP Prof. Dr. Júnior Ruiz Garcia Universidade Federal do Paraná (UFPR) Prof. Dr. Marcelo Marques de Magalhães Universidade Estadual Paulista Júlio de Mesquita Filho (UNESP)

Prof. Dr. Thales Augusto Medeiros Penha Universidade Federal do Rio Grande do Norte (UFRN)

A Ata de Defesa, assinada pelos membros da

Comissão Examinadora, consta no processo de

vida acadêmica do aluno.

Agradecimentos

Em primeiro lugar gostaria de agradecer aos meus pais Júlio e Nair pelo apoioincondicional ao longo desta jornada. Agradeço ao Professor Alexandre Gori Maia peladedicação ao orientar esta tese e pelas oportunidades de trabalhar em importantes projetos depesquisa durante o doutorado. Agradeço também ao Professor José Maria Ferreira Jardim daSilveira pela extensa contribuição à minha formação acadêmica nesses últimos anos. E agoranesse encerramento de ciclo, gostaria de agradecer também ao professor Danilo FlorentinoPereira pela oportunidade que me levou a descobrir a minha vocação para a pesquisa.

Pelo companheirismo, pela amizade e pelas conversas enriquecedoras nos corredoresdo Instituto de Economia, agradeço aos amigos Affonso Libera, Armando Fornazier, CamilaSakamoto, Caroline Pereira, Elyson de Souza, Fábio Masago, Gabriela Eusebio, Jaim Junior,Jamile Coleti, Leonela Guimarães, Luís Abel, Marco Rocha, Marcelo Messias, PatríciaAndrade, Paulo Oliveira, Roney Fraga e Thales Penha.

Agradeço também aos companheiros de República e amigos de Barão Geraldo AlexOliveira, Daniel Lenz, Danilo Beli, Danilo Frascareli, Ed Carlos Rocha, Gláucia Mardegan,Lucas Silva, Rafael Yuba, Saullo Oliveira e Vinícius Libanori pela amizade do dia a dia e peloapoio nos momentos mais difíceis.

“A teima das instituições envelhecidas em quererem perpetuar-se, assemelha-se à obstinação

do perfume rançoso que nos reclamasse os cabelos, à pretensão do peixe podre que quisesse

ser comido, à perseguição da roupa de criança que quisesse vestir o homem, à ternura dos

cadáveres que voltassem a abraçar os vivos. Ingratos! Diz a roupa. Protegi-vos do mau tempo

e não quereis saber de mim! Porquê? Venho do alto mar, diz o peixe. Fui a rosa, diz o perfume.

Eu amei-vos, diz o cadáver. Fui eu que vos civilizei, diz o convento. A isto uma única resposta:

Noutro tempo.”

Victor Hugo in Os Miseráveis (1862)

Resumo

Nos últimos anos, eventos extremos de precipitação vêm afetando diversas regiões brasileiraspor meio de crises de abastecimento de água, restrições na produção de eletricidade, inundaçõese deslizamentos. Com as mudanças climáticas, o aumento da incerteza associada a intensidade ea frequência de secas e eventos de precipitação excessiva, farão desses fenômenos, importantesfontes de ameaça à atividade econômica, principalmente à agricultura devido a sua elevadadependência das condições naturais. Este trabalho foi elaborado com o objetivo de avaliaros impactos econômicos dos eventos de seca e de excesso de precipitação na produçãoagrícola Brasileira. Para cumprir esse objetivo, foram construídos modelos econométricos dedados em painel para as principais culturas permanentes e temporárias produzidas no Brasil,utilizando variáveis criadas a partir do Standardized Precipitation Index (SPI) como variáveisindependentes e o rendimento médio das culturas agrícolas como variável dependente. Osresultados do trabalho mostram que há uma heterogeneidade na forma com que secas e eventosde excesso de precipitação afetam as principais culturas permanentes produzidas no Brasil(café, laranja e banana). Por outro lado, as principais culturas temporárias (soja, milho ecana-de-açúcar) têm o rendimento médio afetado negativamente pela seca nos biomas Caatinga,Cerrado, Mata Atlântica e Pampa. Nesses mesmos biomas, eventos de excesso de precipitaçãoapresentaram efeito positivo no rendimento médio das principais culturas temporárias.

Palavras-chaves: agricultura; mudanças climáticas, extremos climáticos.

Abstract

In recent years, extreme precipitation events have been affecting several Brazilian regionsthrough water supply crises, restrictions on electricity production, floods and landslides. Withclimate change, increasing uncertainty associated with the intensity and frequency of droughtsand events of excessive precipitation, will make these phenomena important sources of threatto economic activity, mainly agriculture due to its high dependence on natural conditions. Thiswork was developed with the objective of evaluating the economic impacts of drought andexcess rainfall events on Brazilian agricultural production. To meet this objective, econometricpanel data models were constructed for the main permanent and temporary crops produced inBrazil using variables created from the Standardized Precipitation Index (SPI) as independentvariables and the average yield of agricultural crops as dependent variable. The results of thework show that there is a heterogeneity in the way in which droughts and events of excessiveprecipitation affect the main permanent crops produced in Brazil (coffee, orange and banana).On the other hand, the main temporary crops (soybean, maize and sugar cane) have the averageyield negatively affected by drought in the Caatinga, Cerrado, Mata Atlântica and Pampabiomes. In these same biomes, events of excessive precipitation had a positive effect on theaverage yield of the main temporary crops.

Keywords: agriculture; climate change;climatic extremes.

Lista de ilustrações

Figura 1 – Distribuição espacial das estações pluviométricas da Agência Nacional deÁguas (ANA) em anos selecionados . . . . . . . . . . . . . . . . . . . . . 29

Figura 2 – Standardized Precipitation Index (SPI) para o município de Patos-PB . . . . 35Figura 3 – Inclinação de Theil-Sen para os municípios com valores significantes a 5%

no teste de Mann-Kendall modificado . . . . . . . . . . . . . . . . . . . . . 37Figura 4 – Valor Bruto da Produção de café por municípios do Brasil . . . . . . . . . . 45Figura 5 – Valor Bruto da Produção de laranja por municípios do Brasil . . . . . . . . 45Figura 6 – Valor Bruto da Produção de banana por municípios do Brasil . . . . . . . . 46Figura 7 – Valor Bruto da Produção de soja por municípios do Brasil . . . . . . . . . . 47Figura 8 – Valor Bruto da Produção de milho por municípios do Brasil . . . . . . . . . 47Figura 9 – Valor Bruto da Produção de cana por municípios do Brasil . . . . . . . . . . 48

Lista de tabelas

Tabela 1 – Principais produtos da agricultura permanente . . . . . . . . . . . . . . . . 43Tabela 2 – Principais produtos da agricultura temporária . . . . . . . . . . . . . . . . 44Tabela 3 – Características dos ajustes efetuados para o café . . . . . . . . . . . . . . . 48Tabela 4 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para o café . . . 50Tabela 5 – Características dos ajustes efetuados para a laranja . . . . . . . . . . . . . . 51Tabela 6 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para laranja . . . 52Tabela 7 – Características dos ajustes efetuados para a banana . . . . . . . . . . . . . . 53Tabela 8 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para a banana . . 54Tabela 9 – Características dos ajustes efetuados para a soja . . . . . . . . . . . . . . . 55Tabela 10 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para a soja . . . 56Tabela 11 – Características dos ajustes efetuados para o milho . . . . . . . . . . . . . . 57Tabela 12 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para o milho . . 58Tabela 13 – Características dos ajustes efetuados para a cana-de-açúcar . . . . . . . . . 59Tabela 14 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para a

cana-de-açúcar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Lista de Quadros

3.1 Valores das constantes c0,c1,c2,d1,d2,d3 . . . . . . . . . . . . . . . . . . . . . 323.2 Valores do Standardized Precipitacion Index . . . . . . . . . . . . . . . . . . . 33

4.1 Valores do Standardized Precipitacion Index utilizados na construção dasvariáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

4.2 Taxa de crescimento linear do VBP de culturas temporárias e permanentes entre1995 e 2014 (valores reais de 2015) . . . . . . . . . . . . . . . . . . . . . . . 43

Sumário

1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.1 Apresentação do problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161.3 Estrutura da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2 Mudanças climáticas, eventos extremos de precipitação e a agricultura brasileira 18

2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182.2 Mudanças climáticas e os seus efeitos na agropecuária . . . . . . . . . . . . . . 182.3 Eventos extremos de precipitação e os seus impactos . . . . . . . . . . . . . . 222.4 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3 Padrão Espacial e Tendência dos Eventos Extremos de Precipitação no Brasil . 27

3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273.2 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.2.1 Obtenção dos dados pluviométricos . . . . . . . . . . . . . . . . . . . 283.2.2 Interpolação por Inverso da Distância Ponderada (IDP) . . . . . . . . . 303.2.3 Standardized Precipitation Index (SPI) . . . . . . . . . . . . . . . . . . 303.2.4 Teste de Mann-Kendall Modificado e Cálculo da Inclinação de Theil-Sen 33

3.3 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353.3.1 Base de dados do Standardized Precipitation Index (SPI) . . . . . . . . 353.3.2 Inclinação de Theil-Sen Para os Municípios Brasileiros . . . . . . . . . 36

3.4 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374 Impactos de Eventos Extremos de Precipitação nos Principais Produtos da

Agricultura Brasileira . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 394.2 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2.1 Obtenção e tratamento dos dados sobre culturas agrícolas temporárias epermanentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2.2 Eventos extremos de precipitação para os municípios brasileiros . . . . 404.2.3 Modelo de dados em Painel . . . . . . . . . . . . . . . . . . . . . . . . 41

4.3 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 424.3.1 Evolução do Valor Bruto da Produção (VBP) agrícola no Brasil . . . . . 424.3.2 Distribuição espacial principais produtos da agricultura permanente . . 444.3.3 Distribuição espacial dos principais produtos da agricultura temporária . 464.3.4 Efeitos de eventos extremos de precipitação nos três principais produtos

da agricultura permanente . . . . . . . . . . . . . . . . . . . . . . . . 48

4.3.5 Efeitos de eventos extremos de precipitação nas três principais produtosda agricultura temporária . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.3.6 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 605 Discussão Final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

15

1 Introdução

1.1 Apresentação do problema

A ocorrências de mudanças climáticas a nível global é um fenômeno amplamentedifundido e aceito. As mudanças climáticas que estão em curso desde a era pré-industrial,continuarão a alterar mundialmente o comportamento de longo prazo e a variabilidade dasprincipais variáveis climáticas (IPCC, 2014).

Previsões sugerem que as emissões de gases causadores do efeito estufa continuarãoa contribuir para a elevação da temperatura do planeta ao longo do século XXI. Com oaquecimento global, os oceanos continuarão a se aquecer e a se acidificar. Além disso, aexpansão térmica dos mares, a redução das geleiras e a diminuição das camadas polarescontribuirão cada vez mais para a elevação do nível dos oceanos (IPCC, 2014).

Para o Brasil, simulações sugerem uma queda no volume de precipitação na parte centraldo país e para um aumento na região sul até o final do século. Para esse mesmo período,espera-se também que ocorra um aumento da frequência de eventos de precipitação excessivana região centro-sul, aumento dos dias consecutivos sem chover na região nordeste e queda nosdias chuvosos consecutivos na Amazônia (CHOU et al., 2014).

A incerteza associada às transformações sociais e econômicas que serão impostaspelas mudanças climáticas é um dos grandes desafios para a formulação de políticas públicasadaptativas ou mitigatórias. A posição geográfica, a fragilidade econômica e a elevadadependência da agropecuária tornam os países em desenvolvimento mais expostos aos riscosclimáticos do que os países desenvolvidos (MAHARJAN; JOSHI, 2013; MENDELSOHN;DINAR, 2009).

Espera-se que as mudanças climáticas gerem tanto impactos diretos quanto indiretos.O agravamento das condições climáticas em regiões áridas e semiáridas tende a afetarnegativamente a atividade agropecuária, os níveis de pobreza e a segurança alimentar em regiõesjá desfavorecidas sob aspectos econômicos e sociais. Em regiões mais desenvolvidas, partedesses efeitos adversos poderão ser amenizado com o aumento do uso de irrigação, substituiçãodo trabalho por tecnologias intensivas em energia e desenvolvimento de plantas tolerantes aocalor ou à seca (WREFORD et al., 2010; WOSSEN et al., 2014; AL-BAKRI et al., 2010).

Com as mudanças climáticas, efeitos socioeconômicos e ambientais adversos geradospor eventos extremos de precipitação, como secas, inundações, erosão e deslizamento de terrasserão cada vez mais comuns. Esses fenômenos poderão afetar negativamente a quantidade deágua disponível, a saúde humana, a biodiversidade e a agricultura.

Capítulo 1. Introdução 16

O aumento da intensidade e da duração dos eventos de seca poderá elevar a frequênciade quebras de safras agrícolas e a perda de rebanhos (HERRERA-PANTOJA; HISCOK, 2015).Já eventos que envolvam excesso de precipitação poderão afetar o funcionamento de raízesde plantas, o nível de oxigênio no solo, o padrão de incidência de pragas e doenças, além deimportantes operações como plantio e colheita (ROSENZWEIG et al., 2002).

Nos últimos anos, secas e eventos de excesso de precipitação têm atingido diversasregiões no Brasil, como os estados do nordeste, a região amazônica e o estado de São Paulo.Com o crescimento da incerteza associada aos impactos desses eventos, torna-se cada vezmais necessário avaliar de que modo os eventos climáticos extremos de precipitação afetama agricultura brasileira, considerando culturas temporárias e permanentes. Dessa forma opresente trabalho buscará responder "Quais são os impactos econômicos dos eventos extremosde precipitação nos principais produtos da agricultura brasileira?". Este trabalho avaliará asseguintes hipóteses:

• Eventos extremos de precipitação atingem o território de forma distinta, com as secassendo o principal fenômeno em algumas regiões enquanto que o excesso de precipitaçãoé o principal fenômeno em outras;

• Os impactos desses eventos variam por tipo de cultura agrícola e de acordo com asespecificidades climáticas locais das regiões brasileiras;

1.2 Objetivos

Este trabalho tem como objetivo principal:

• Avaliar os impactos econômicos dos eventos de seca e de excesso de precipitação naprodução agrícola brasileira no período 1990-2015 .

O trabalho também contemplará os seguintes objetivos específicos:

• Analisar as diferenças regionais em relação a frequência e a intensidade dos eventosextremos de precipitação;

• Caracterizar as distinções regionais da agricultura brasileira considerando culturastemporárias e permanentes;

• Estimar as perdas econômicas relacionadas aos eventos extremos de precipitação combase em dados pluviométricos e de produção agrícola (1990-2015).

Capítulo 1. Introdução 17

1.3 Estrutura da Tese

Para cumprir os objetivos propostos, o trabalho foi organizado em três capítulos. Noprimeiro capítulo, foi realizada uma revisão bibliográfica com o intuito de discutir a relaçãoentre mudanças climáticas, eventos climáticos extremos e agricultura, com foco nas principaisevidências apontadas pela literatura para o Brasil e para agricultura brasileira.

O segundo capítulo, abordou o padrão espacial dos eventos extremos de precipitaçãono território brasileiro e a tendência de ocorrência desses fenômenos nos municípios do país.Para isso, dados de precipitação foram agregados em uma escala municipal e utilizados paracriar um índice capaz de medir a intensidade e a duração de secas e de eventos de excesso deprecipitação. Por último avaliou-se a tendência desse índice para os municípios brasileiros.

No terceiro capítulo foram avaliados os efeitos dos eventos extremos de precipitação norendimento médio das principais culturas temporárias e permanentes do Brasil. Os valores doíndice climático criado no Capítulo 2 foram utilizados para construir variáveis binárias capazesde representar o efeito de secas e de eventos de precipitação excessiva. Essas variáveis foramutilizadas como regressores para a construção de modelos econométricos de dados em painel.Esses modelos tiveram como variáveis dependentes, o rendimento médio das principais culturastemporárias e permanentes do Brasil.

18

2 Mudanças climáticas, eventos extremos

de precipitação e a agricultura brasileira

2.1 Introdução

As perdas socioeconômicas e ambientais causadas por eventos climáticos extremosserão cada vez mais frequentes com as mudanças climáticas. Apesar desses eventos tambémocorrerem de forma natural, as pressões ambientais impostas pelas ações antropogênicasdeterminarão a frequência e a intensidade com que esses fenômenos afetarão a humanidadeao longo do século XXI.

Dentre os fenômenos climáticos extremos mais recorrentes no Brasil estão as secas eas inundações geradas por volumes de precipitação superiores a média histórica. Nos últimosanos, estes fenômenos têm causado problemas socioeconômicos generalizados, como crises deabastecimento de água e de produção de eletricidade, decorrentes das secas, e a necessidadede reconstrução de áreas alagadas ou afetadas por deslizamentos de terra devido a fenômenosde excesso de precipitação. Além disso, nos últimos anos secas intensas e prolongadas vêmafetando negativamente importantes regiões agrícolas no nordeste e no sudeste do Brasil.

Este capítulo foi elaborado com objetivo de apresentar uma breve discussão sobre arelação entre mudanças climáticas, eventos climáticos extremos e os efeitos desses fenômenosno Brasil com foco na atividade agropecuária. Em um primeiro momento, foram abordadosos impactos das mudanças climáticas globais no meio ambiente e na agricultura. Em seguidafoi realizada uma breve discussão sobre eventos climáticos extremos, com foco nos principaisfenômenos associados aos extremos de precipitação, como secas e inundações. Além dedefinições básicas, discutiu-se os principais efeitos observados e esperados desses fenômenosno Brasil.

2.2 Mudanças climáticas e os seus efeitos na agropecuária

As emissões de gases de feito estufa, associadas direta ou indiretamente ao crescimentoeconômico e populacional, tem sido apontada como a principal causa das mudanças climáticasglobais. As concentrações de metano (CH4), dióxido de carbono (CO2) e óxido nitroso (NO2) naatmosfera tiveram uma elevação de respectivamente 150%, 40% e 20% nos últimos três séculos(IPCC, 2014).

A elevação da temperatura global, gerada pelo acúmulo desses gases na atmosfera,vem gerando mudanças de longo prazo nas médias e na variabilidade das principais variáveis

Capítulo 2. Mudanças climáticas, eventos extremos de precipitação e a agricultura brasileira 19

climáticas, derretimento de geleiras e elevação do nível dos mares. Além disso, o aumento dasemissões de CO2 é o principal determinante do processo de acidificação de mares e oceanos(MAHARJAN; JOSHI, 2013).

Os efeitos das mudanças climáticas vêm se intensificando desde a era pré-industrial.De acordo com o IPCC (2014) aproximadamente metade das emissões de CO2 associadasa ações antropogênicas entre 1750 e 2011 foi realizada nas últimas quatro décadas. Alémdisso, a elevação do nível dos mares registrada entre meados do século XIX e os dias atuaisfoi maior do que a observada para os dois milênios anteriores. Essa elevação vem ocorrendode forma proporcional a outros fenômenos associados como a expansão térmica da água domar, a redução do tamanho das geleiras e a diminuição da cobertura de gelo na Antártida e naGroenlândia (IPCC, 2014; MAHARJAN; JOSHI, 2013).

As projeções do IPCC (2014) apontam para uma intensificação das mudanças climáticasnas próximas décadas. A continuidade das emissões de gases do efeito estufa na atmosfera tendea agravar os fenômenos climáticos associados, ou seja, elevação da temperatura atmosférica,expansão térmica dos mares, redução das geleiras e das camadas polares, além da elevaçãodo nível e da acidificação dos oceanos. As mudanças climáticas também elevarão a incertezaassociada a intensidade, a duração e a frequência de eventos climáticos extremos como secas,geadas, ondas de calor e eventos de precipitação torrencial.

Tanto países desenvolvidos como países em desenvolvimento serão afetados pelosefeitos adversos das mudanças climáticas. Contudo, os países em desenvolvimento estão maisexpostos aos riscos climáticos devido a maior dependência econômica da atividade agropecuáriae a posição geográfica desfavorável, uma vez que a maioria desses países está localizadanos trópicos. Ademais, esses países possuem fortes limites à adoção de medidas adaptativasàs mudanças climáticas, condição decorrente de uma maior vulnerabilidade socioeconômica(WREFORD et al., 2010; MENDELSOHN; DINAR, 2009).

A atividade agropecuária poderá ser afetada de forma direta, por meio do aumentoda variabilidade da produção e através de alterações no ciclo de doenças, pragas e ervasdaninhas decorrentes de mudanças nas condições de precipitação (WREFORD et al., 2010;MAHARJAN; JOSHI, 2013). Além disso, a atividade agropeuária também é vulnerável aosefeitos indiretos das mudanças climáticas como alterações na disponibilidade de recursoshídricos e nas propriedades do solo.

Regiões subtropicais podem vir a passar por uma redução da produtividade agrícolagerada por diminuição da disponibilidade hídrica, elevação da temperatura, alteração do ciclode pragas e doenças e aumento na degradação dos solos (IPCC, 2014). Já em regiões de altalatitude o aumento da temperatura poderá gerar efeitos benéficos como aumento do número desafras anuais e a possibilidade da implementação de novas culturas agrícolas. Além disso, oaumento da concentração de CO2 na atmosfera poderá contribuir para a fertilização das plantas


(KURUKULASURIYA; ROSENTHAL, 2003).

As mudanças no uso da terra de da cobertura vegetal influenciam diretamente nacapacidade dos ecossistemas de fornecer água, sustentar a produção agrícola, regular o climae a qualidade do ar (FOLEY et al., 2005). Um dos fatores que determinarão a capacidadede resposta dos ecossistemas as mudanças nos regimes de precipitação será a capacidadede armazenamento de água no solo. A capacidade de armazenamento de água no solo édeterminada pelas condições do solo e por características da cobertura vegetal, como tipo,densidade, composição de espécies e características das raízes (VARALLYAY, 2010). Nessesentido, coberturas florestais compostas por plantas de raízes profundas possuem menorvulnerabilidade as flutuações de água no solo (KNAPP et al., 2008; KUSTURA et al., 2007).

Ecossistemas com maior diversidade de espécies de plantas e animais tendem a sermenos afetados pelas mudanças climáticas, uma vez que haveria maior probabilidade deexistir espécies capazes de substituir outras menos adaptadas as novas condições ambientais,o que contribuiria para a manutenção do fornecimento dos serviços ecossistêmicos básicos(MARIOTTE, 2015; BORRVALL; EBENMAN, 2008).

Zanin et al. (2016) avaliaram os efeitos das mudanças climáticas sobre a coberturado solo brasileiro, representada pelos quatro grandes biomas (Amazônia, Caatinga, Cerradoe Mata Atlântica). Após agrupar os biomas em duas categorias, os autores verificaram quea as mudanças climáticas podem levar a uma redução das formações florestais e a umaexpansão das vegetações abertas no território. Os resultados do trabalho mostram que osbiomas Caatinga e Cerrado são menos vulneráveis do ponto de vista conservacionista, poisapresentam maior estabilidade climática e são formados principalmente por composiçõesvegetais abertas. Por outro lado, Mata Atlântica e principalmente Amazônia estão em posição demaior vulnerabilidade por possuírem a maior proporção de suas áreas cobertas por formaçõesflorestais. Adiciona-se ainda ao caso da Mata Atlântica, a existência de baixa proporção devegetação ativa remanescente e maior densidade populacional.

Resultados de estudos agronômicas sugerem que a produção global de cereaiscomo trigo, arroz e milho seria negativamente afetada não apenas por condições deestresse hídrico, mas também por elevações de temperatura superiores 2°C (IPCC, 2014;MENDELSOHN; DINAR, 2009). Por outro lado, mantidos inalterados outros elementosnecessários à fotossíntese, a elevação da concentração de CO2 na atmosfera e da temperaturapodem contribuir para o aumento da produtividade do arroz em algumas regiões do planeta.Parte dos efeitos adversos na agricultura poderão ser mitigados pela adoção de tecnologiascomo irrigação e ou a partir do desenvolvimento de plantas tolerantes ao calor e ao estressehídrico (WREFORD et al., 2010; OLESEN; BINDI, 2002).

As mudanças climáticas também afetarão indiretamente a produção pecuária ao alterara disponibilidade de água, a quantidade e a qualidade dos pastos e a incidência de doenças


e parasitas (MEGERSA et al., 2014). Esses elementos, juntamente com a elevação datemperatura, ao determinarem a fertilidade, a forma física e a longevidade dos animais,causarão impactos negativos principalmente em países que adotam majoritariamente a pecuáriaextensiva. Animais criados em sistemas extensivos de produção são mais vulneráveis aosfatores climáticos e as transformações ecossistêmicas que ocorrerão em função das mudançasclimáticas (MENDELSOHN; DINAR, 2009; WREFORD et al., 2010).

Dessa forma, medidas adaptativas para a pecuária como criação de animais emconfinamento ou mudanças nas composições dos rebanhos podem vir a ser adotadas com cadavez mais frequência. Em regiões semiáridas, animais de grande porte, altamente suscetíveis aoestresse térmico, tendem a ser substituídos por animais menores e mais adaptados às condiçõesclimáticas e alimentares locais (ANDRADE-MONTEMAYOR et al., 2011; MENDELSOHN;DINAR, 2009).

Produtores agrícolas inseridos em países em desenvolvimento tendem a ser maisafetados pelos efeitos negativos das mudanças climáticas e por eventos climáticos extremosdevido a ausência de capital econômico e social para adoção de medidas adaptativas(MENDELSOHN; DINAR, 2009; WREFORD et al., 2010). Além disso, os países emdesenvolvimento tendem a ser mais vulneráveis as mudanças climáticas do que paísesdesenvolvidos.

Nesses países, os investimentos associados a desastres climáticos são voltadosprioritariamente para a recuperação de infraestrutura enquanto que nos países desenvolvidosa maior finalidade é a construção de capacidade adaptativa para gerenciar efeitos negativos doclima ou de eventos extremos. Essa construção prévia de capacidade depende dentre, outrosaspectos, do grau de sustentabilidade incorporado aos modelos de desenvolvimento adotadospelos países (MIRZA, 2003).

Na América Latina, estima-se que o milho possa vir a sofrer variações de produtividadeentre -36% a -17% na Argentina, -61% a -6% no México, -15% a +2% no Uruguai e -25% a-2% no Brasil. Argentina e Brasil também poderiam apresentar queda de produtividade da soja,respectivamente entre -3% a -8% e -61% a -6% (ADAMS et al., 1998).

De acordo com Assad et al. (2016) estudos sobre a vulnerabilidade da agricultura asmudanças climáticas vem sendo realizados no Brasil desde de 2001 para culturas como café,soja, milho, cana-de-açúcar, arroz feijão e mandioca. Segundo os autores, a manutenção datendência de elevação da temperatura do planeta, a uma taxa de 0,3°C por década, afetariadiretamente importantes produtos da agricultura familiar brasileira como milho, feijão e arroz.

Resultados de simulações conduzidas pelos autores, com base nos cenários RCP 4.5 eRCP 8.5 1 do IPCC, mostram a possibilidade de ocorrência de elevadas perdas na produção1 Os cenários conhecidos como Representative Concentration Pathwayes (RCPs) consideram desde cenários

onde há mitigação das emissões de gases de efeito estufa (RCP 2.6), cenários intermediários (RCP 4.5 e RCP


de arroz de sequeiro dos estados de Minas Gerais, Paraná e Mato Grosso do Sul até o finaldo século XXI. No caso do milho safrinha, o aquecimento global poderia levar a uma quedageneralizada da produtividade em todo o território, com exceção da região sul, onde a reduçãodas geadas poderia gerar efeitos positivos.

Ainda segundo os autores, o aumento de temperatura e problemas decorrentes, como oabortamento de flores e intensificação de veranicos associados a elevados déficits hídricos, serãoimportantes fontes de perda produtiva para a cultura do feijão ao longo do século. Nesse caso, oaumento de áreas impróprias para o cultivo tenderia a forçar um deslocamento da produção defeijão para os estados do Paraná, Santa Catarina e Rio Grande do Sul, onde as temperaturas sãomais amenas e há uma menor possibilidade de déficit hídrico. Para a produção de segunda safra,além dos estados do sul, Pará, Goiás e Rondônia também conseguiriam atender as necessidadeshídricas para o cultivo sem recorrer a irrigação como solução.

Assad et al. (2016) também avaliaram tendências para soja e trigo. Segundo os autores,uma elevação da temperatura de acordo com os cenários RCP 4.5 e RCP 8.5, projetados peloIPCC, levaria a um deslocamento da soja para o norte do Mato Grosso e a um perda deaproximadamente 15% nas áreas de baixo risco da produção de trigo. Essas transformaçõesexigirão mudanças de manejo cultural, além do desenvolvimento e adoção de variedadestolerantes ao calor e ao estresse hídrico.

Outra preocupação levantada pelos autores refere-se aos impactos dos eventos climáticosextremos de temperatura e precipitação na agropecuária. As projeções efetuadas mostram umatendência de aumento do número de dias com temperatura superior a 34°C. Temperaturas acimadesse podem gerar um abortamento de flores de café e laranja, além da morte de frangos e outrosanimais. Além disso, a tendência de aumento dos eventos de precipitação extrema em diversasregiões do país pode intensificar o processo de erosão dos solos e levar a perda de fertilizantese nutrientes, o que afetaria negativamente a produtividade de diversas culturas agrícolas.

2.3 Eventos extremos de precipitação e os seus impactos

Além das mudanças nas médias de longo prazo das variáveis climáticas o aquecimentoglobal gerará alterações na intensidade, na duração e na frequência de eventos climáticosextremos. As crescentes perdas econômicas e ambientais, e também as perdas de vida atribuídasa esses eventos tem atraído cada vez mais atenção da academia nos últimos anos (KARL;EASTERLING, 1999). A raridade com que esses eventos ocorrem dificulta o registro de dadose impõe barreiras ao monitoramento e a avaliação de tendências (DEBORTOLI et al., 2017).

O comportamento desses eventos vem sendo analisado em diversas regiões do mundo,verificando-se tendência de declínio em algumas áreas e de crescimento em outras (KARL;

6.0) até cenários onde há um aumento das emissões de gases de efeito estufa (RCP 8.5) (IPCC, 2014)


EASTERLING, 1999; IPCC, 2014; PLUMMER et al., 1999; KUNKEL, 2003; FRICH et

al., 2002; POWELL; REINHARD, 2016; GOSWAMI et al., 2006; PLANTON et al., 2008).Dentre os eventos climáticos extremos mais estudados estão os associados a variabilidade daprecipitação, como secas e inundações.

Eventos de excesso de precipitação geram efeitos socioeconômicos e ambientaisnegativos para a sociedade decorrentes de inundações, deslizamento de terras e erosão(ASSAD et al., 2016; GOSWAMI et al., 2006; CHRISTENSEN; CHRISTENSEN, 2004).Esses fenômenos são importantes causas de perdas agrícolas, uma vez que ao gerar excessode umidade nos solos e até inundações, podem danificar as plantas, limitar o oxigênio dos solose alterar o funcionamento raízes. Além disso, o excesso de precipitação pode aumentar o riscode doenças, de infestação de pragas e atrasar importantes operações de campo como plantio ecolheita (VAN DER VELDE et al., 2012; KARL; EASTERLING, 1999; ROSENZWEIG et al.,2002).

A partir de um modelo de dinâmica de culturas, Rosenzweig et al. (2002) simularam oefeito de eventos de excesso de precipitação no crescimento do milho nos Estados Unidos.Considerando o agravamento das mudanças climáticas, os autores estimaram que os danoscausados por excesso de precipitação a cultura do milho pode vir a totalizar um valor de US$ 3bilhões por ano.

O mesmo evento extremo pode gerar resultados diferentes dependendo do local,da época do ano e do estágio de desenvolvimento do lavoura. Os eventos de excesso deprecipitação que ocorreram na França em 2007 beneficiaram a produção de milho, mas afetaramnegativamente a produtividade do trigo, que ficou abaixo da média histórica. No entanto, ambasculturas foram afetadas negativamente pela seca que atingiu o país no ano de 2003 (VAN DERVELDE et al., 2012).

Eventos de seca também vêm afetando a biodiversidade e a composição das florestasglobais. Segundo Allen et al. (2010), a mortalidade de árvores tem aumentado em diversasflorestas do mundo devido a seca e ao estresse térmico, mesmo em ambientes onde não hárestrição hídrica. Esse processo tende a se agravar com o aumento da frequência e da intensidadedas secas, o que coloca em risco diversos serviços ecossistêmicos, como o sequestro de carbono.

As secas são um tipo de ameaça natural que ocorrem em praticamente todas as zonasclimáticas, tanto em áreas chuvosas quanto em áreas que recebem convencionalmente um menorvolume de precipitação. Nesse sentido, deve-se destacar que a aridez de uma determinada áreaé uma característica permanente do clima, enquanto que seca é um fenômeno temporário quepode durar meses ou anos (MISHRA; SINGH, 2010). As secas podem afetar tanto os recursoshídricos de superfície quanto os subterrâneos e pode levar a uma redução do fornecimento e daqualidade da água, diminuição da geração de energia e quebra de safras agrícolas.

De acordo com Mishra e Singh (2010), dentre as ameaças naturais, as secas são


possivelmente as que apresentam o desenvolvimento mais lentos e a duração mais longa,enquanto que ao mesmo tempo é a menos previsível das ameaças. Além disso, ao contráriode outras ameaças naturais, as secas podem ser causadas pela atividade humana, por meio defatores exacerbantes gerados pela agricultura, pelo excesso de irrigação, pelo desflorestamentoe pela erosão. O crescimento populacional e econômico tem contribuído ao longos dos últimosséculos para o aumento da demanda por água. Esse crescimento de demanda, associados àsmudanças climáticas e a contaminação da água, tem gerado aumento da escassez desse recurso.

Um das dificuldades relacionadas ao estudo da seca se refere ao conceito utilizado.Para se definir seca, importantes parâmetros como precipitação, umidade do solo e níveis deágua subterrânea devem ser considerados. Uma seca também pode ser definida por sua escalatemporal, que pode variar de meses a anos, e por sua escala espacial, podendo ser regionalou nacional (MISHRA; SINGH, 2010). Segundo Mishra e Singh (2010), uma seca pode serclassificada em quadro categorias:

• seca meteorológica: ausência de precipitação por um período curto de tempo. Váriosestudos que abordam a seca meteorológica utilizam precipitação em escala mensal;

• seca hidrológica: quantidade inadequada de recursos hídricos de superfície e subterrâneoinsuficiente para garantir os usos da água estabelecidos em um sistema de gestão da água.Pode durar dias, meses ou até anos. Tende a ocorrer após uma seca meteorológica, umavez que demora tempo para que o nível de aquíferos e reservatórios sejam afetados;

• seca agrícola: período no qual há uma queda nas condições de umidade do solo a pontode inibir o desenvolvimento de plantas e prejudicar a produção agrícola;

• seca socioeconômica: ocorre quando a falha no sistema de recursos hídricos começa aafetar as atividades humanas e econômicas de forma ampla, ocasionando até a interrupçãodo fornecimento de bens ou serviços.

De acordo com Marengo et al. (2011), nos últimos 20 anos eventos extremos deprecipitação têm causado desastres naturais no Brasil: secas no nordeste entre 2010 e 2016;seca no sudeste entre 2014 e 2015; seca na Amazônia em 2005, 2010 e 2016; inundações naAmazônia em 2009 e 2014. Por estar localizados nos trópicos, região de elevadas temperaturase evapotranspiração, o Brasil é altamente vulnerável a esses eventos. Esses fatores naturais sãoreforçados pela fragilidade na gestão da política territorial, negligência em relação as práticasde conservação ambiental e ausência de políticas de prevenção de desastres e desflorestamento.Eventos extremos de precipitação foram responsável por aproximadamente 70% das mortesassociadas a desastres naturais entre 1991 e 2010 (DEBORTOLI et al., 2017).

Embora a relação entre eventos extremos de precipitação e desflorestamento nãoseja bem estabelecida, Marengo e Espinoza (2016) destacam que houve um aumento da


vulnerabilidade as secas e inundações na Amazônia em regiões com maior incidência dequeimadas e desmatamentos, como do Pará, Mato Grosso e Rondônia. A percepção de secaou inundações tende a ser diferente na Amazônia em relação a outras regiões, uma vez que oprincipal indicador de ocorrência de eventos extremos de precipitação é o nível dos rios.

Segundo os autores, secas e eventos de precipitação excessiva têm ocorrido com maiorfrequência na Amazônia ao longo das duas últimas décadas. Enquanto que a precipitaçãoexcessiva em vários setores de bacia tem resultado em inundações dos rios, as secas, por outrolado, reduzem os níveis dos rios, elevam a incidência de incêndios e a mortandade dos peixes,impactando negativamente na vida dos ribeirinhos.

Além disso, secas severas como a de 2010 são capazes diminuir a capacidade da florestade absorver CO2, o que reduz a sua contribuição para desacelerar as mudanças climáticasglobais, e poderiam, em caso de aumento de frequência, torná-la uma grande emissora de gasesde efeito estufa. Por outro lado, em anos de precipitação elevada, como nos anos 2011-2012,a capacidade de absorção de CO2 da floresta elevou-se a ponto dela ser capaz de absorvernão apenas o CO2 lançado por seus processo natural de respiração, mas também todo o CO2lançado localmente por atividades antropogênicas, como os incêndios florestais (MARENGO;ESPINOZA, 2016).

Enquanto que a seca na Amazônia afetm negativamente a biodiversidade e eleva o riscode incêndios, nas regiões sudeste e nordeste ela compromete a segurança hídrica, a geraçãode energia e a agricultura. Na região nordeste, 16 dos 25 anos entre 1990 e 2016, tiveramprecipitação abaixo do normal. Desde 2010, a região vêm sofrendo com uma das seca maislongas e intensas já registradas, sendo ainda agravada pelos efeitos do El Niño de 2015. Osefeitos adversos dessa crise na agropecuária, nos recursos hídricos e nas economias locaisforam parcialmente mitigados pela liberação de recursos federais para os municípios afetados(MARENGO et al., 2011).

No passado, eventos de seca no nordeste foram responsáveis por perdas elevadas naagropecuária, mortes por fome, desnutrição, doenças e migração de pessoas para outras regiõesdo país. Projeções climáticas futuras, mostram que além de uma tendência de aumento detemperatura e redução de precipitação, a região poderá ser afetada com secas mais frequentes eintensas, com elevada tendência de aridificação (MARENGO; ESPINOZA, 2016).

Segundo Nobre et al.(2015), a região sudeste do Brasil também foi afetada por uma daspiores secas de sua história entre 2014 e 2015. Os principais reservatórios da região chegarama atingir 5% de sua capacidade de armazenamento em janeiro de 2015. Os impactos sociaisforam enormes, prejudicando o funcionamento de escolas e hospitais e o abastecimento deresidências. Na economia, a seca do período criou dificuldades para a produção industrial e paraa agricultura. O preço da energia foi ajustado em mais de 20% para compensar o aumento daprodução de eletricidade por termelétricas (bandeiras amarela e vermelha). Culturas agrícolas


como tomate e alface tiveram uma elevação de preço de aproximadamente 30% no pico da seca.Além disso, cana-de-açúcar, laranja e feijão também sofreram uma forte queda de produção(NOBRE et al., 2016).

Debortoli et al. (2017) construíram índices para avaliar o grau de vulnerabilidadedo Brasil em relação a eventos extremos de precipitação frente as mudanças climáticasque ocorrerão ao longo do século XXI. Esses índices foram desenvolvidos utilizando dadosclimáticos, ambientais e socioeconômicos. Os resultados mostram que em caso de concretizaçãodos cenários climáticos estimados pelo IPCC (RCP 4.5 e 8.5), haveria uma tendência deaumento da vulnerabilidade a inundações e deslizamentos de terra nos três estados da regiãosul do pais. Já para o restante do território brasileiro os autores identificaram uma redução davulnerabilidade a eventos de excesso de precipitação, especificamente sul do Piauí, oeste daBahia, norte de nordeste de Minas Gerais e toda porção do Brasil entre o Amapá e o MatoGrosso.

2.4 Conclusão

Este capítulo apresentou uma discussão sobre mudanças climáticas, eventos climáticosextremos e os impactos socioeconômicos e ambientais associados a esses fenômenos. Ostrabalhos revisados sugerem que as secas registradas recentemente nas regiões sudeste enordeste do Brasil podem se tornar mais frequentes como resposta ao aquecimento global,enquanto que nos estados do sul do país, há uma tendência de aumento de eventos de excessode precipitação.

Essas transformações, associadas às mudanças de longo prazo na temperatura naprecipitação, elevam o grau de incerteza inerente as atividades econômicas, principalmenteas que apresentam maior dependência do clima como a agricultura. Além disso, uma baixacapacidade de adaptação de países em desenvolvimento pode gerar efeitos sociais negativos deproporções catastróficas, decorrentes de fenômenos como inundações e deslizamentos causadospor excesso de precipitação, e crises de abastecimento de água e elevação de preços de alimentosdecorrentes de secas.

Essas transformações podem inviabilizar o cultivo de produtos agrícolas tradicionaise forçar um deslocamento de culturas pelo território. A perspectiva de intensificação dessesfenômenos ao longo do século XXI demandará cada vez mais a construção de capacidadeadaptativa para lidar com os impactos negativos das transformações e da variabilidade do clima.

27

3 Padrão Espacial e Tendência dos Eventos

Extremos de Precipitação no Brasil

3.1 Introdução

Com o aprofundamento das mudanças climáticas globais, alterações locais nafrequência, na intensidade e na duração de eventos climáticos extremos trarão implicaçõesde ordem ambiental, social e econômica. Secas e enchentes decorrentes de extremos deprecipitação, representarão cada vez mais importantes ameaças para a produtividade agrícola, adisponibilidade e qualidade da água, a segurança alimentar, a saúde humana e a biodiversidade.

Índices voltados para o monitoramento de eventos extremos de precipitaçãoforam desenvolvidos inicialmente, por climatologistas e meteorologistas, para quantificar aintensidade e a frequência de secas. Esses índices abrangem desde medidas mais simples, comoos baseados em percentis e no desvio-padrão da precipitação, até índices mais sofisticados queintegram dados de temperatura, precipitação, e evapotranspiração em um mesmo número (RENet al., 2008). A escolha por um índice deve estar associada a disponibilidade de dados climáticosdisponíveis para uma determinada área e a capacidade do índice em detectar variações temporaise espaciais durante o tempo de ocorrência de um evento extremo de precipitação (MORID et

al., 2006).

Dentre os índices mais utilizados estão o Índice de Severidade de Seca de Palmer (PDSI

- Palmer Drought Severity Index) e o Índice de Precipitação Padronizado (SPI - Standardized

Precipitation Index) (KHADR et al., 2009). Enquanto que o PDSI depende de dados detemperatura e precipitação, o SPI demanda apenas dados de precipitação, o que torna o seucálculo mais simples. Além disso, o SPI permite a comparação espacial de seus valores emmúltiplas escalas de tempo, possibilitando assim a caracterização de diversos tipos de seca(meteorológica, agrícola e socioeconômica) (REN et al., 2008).

Este capítulo foi elaborado com o objetivo de avaliar a tendência de ocorrênciade eventos extremos de precipitação no Brasil. Em outras palavras, procurou-se identificarmunicípios que possuem tendência de aumento de secas e municípios com tendência deaumento de eventos de excesso de precipitação. Para cumprir esse objetivo, dados deprecipitação da Agência Nacional de Águas foram utilizados para construir séries históricasmunicipais de SPI. Em seguida, a tendência dessas séries históricas foi avaliada por meio doteste não paramétrico de Mann-Kendall modificado e por meio do estimador de Theil-Sen.

Capítulo 3. Padrão Espacial e Tendência dos Eventos Extremos de Precipitação no Brasil 28

3.2 Metodologia

A metodologia deste capítulo foi composta por quatro etapas: i) obtenção dos dadospluviométricos, ii) interpolação dos dados pluviométricos utilizando o método do Inverso doQuadrado da Distância (IQD), iii) cálculo do Standardized Precipitation Index (SPI) e iv)Teste de Mann-Kendall modificado e cálculo da inclinação de Theil-Sen. Todas as etapas foramefetuadas no software R (R Core Team, 2016).

3.2.1 Obtenção dos dados pluviométricos

Dados pluviométricos diários foram obtidos de estações meteorológicas da ANA(2015), distribuídas por todo o território brasileiro. Devido a quantidade restrita de estaçõesmeteorológicas nas regiões norte e centro-oeste do país em décadas anteriores a 1970, optou-sepor trabalhar com uma série história de precipitação referente ao período 1975-2015 (Figura 1).

A distribuição espacial e a quantidade de estações no território não foram constantes aolongo do período. O número de estações meteorológicas presentes na série histórica variou entre2000 e 6000 por dia. Além disso, poucas estações estiveram presentes em todo o período dereferência, sendo muito comum a existência de estações com disponibilidade de dados inferiora 20 anos consecutivos.

Os dados pluviométricos foram tratados no software R utilizando o suporte do Sistemade Gerenciamento de Banco de Dados (SGBD) MySQL e o pacote auxiliar RMySQL (OOMS et

al., 2016). Nessa etapa, dados diários de precipitação de todas as estações meteorológicas foramincorporados a um banco de dados e, em seguida, tratados com o objetivo de remover valoresdiscrepantes ou não condizentes com os níveis de precipitação observados no Brasil, como porexemplo, níveis diários inferiores a 0 mm ou superiores a 200 mm.


(a) 1965 (b) 1975

(c) 1985 (d) 1995

(e) 2005 (f) 2015

Figura 1 – Distribuição espacial das estações pluviométricas da Agência Nacional de Águas(ANA) em anos selecionados

Fonte: ANA (2015)


3.2.2 Interpolação por Inverso da Distância Ponderada (IDP)

Após tratamento preliminar, os valores diários de precipitação obtidos das estaçõesmeteorológicas foram interpolados para todos os municípios do Brasil utilizando o método doInverso da Distância Ponderada (IDP), disponível no pacote gstat do software R (PEBESMA,2004).

O método do IDP permite um maior praticidade na automatização das interpolaçõesuma vez que não exige o ajuste de semivariogramas amostrais como o método de Krigagem.A opção por interpolar dados climáticos diários inviabilizaria o ajuste de aproximadamente81249000 semivariogramas (5565 municípios X 40 anos X 365 dias) e consequentemente ainterpolação por krigagem.

A interpolação por IDP assume que a influência de uma observação na estimativado valor de uma variável, para uma determinada localidade, diminui com a distância. Sendoassim, observações mais próximas de um ponto a ser estimado possuem peso maior do que asobservações mais distantes. O método IDP é baseado na linearidade ponderada da combinaçãodo conjunto de dados de pluviosidade coletados em cada uma das estações, sendo que o fatorde ponderação é o inverso da distância (XAVIER et al., 2010; AMORIM et al., 2011):

z(x j) =∑

ni=1 z(xi)d−r

i j

∑ni=1d−r

i j(3.1)

onde z(x j) representa o valor da variável a ser estimado na posição x j, calculado pelos n

vizinhos mais próximos ponderados pelo inverso da sua distância elevada a uma potência r, di j

é a distância euclidiana entre o i-ésimo vizinho e a posição x j; i=1,2,3,...,n. Convencionalmente,ao se interpolar variáveis climáticas, utiliza-se valor de r igual a 2. Nesse caso o método podetambém ser chamado de Inverso do Quadrado da Distância (IQD).

3.2.3 Standardized Precipitation Index (SPI)

Os valores diários de precipitação obtidos para os municípios brasileiros, a partir dainterpolação, foram agregados para a escala mensal. Dessa forma, foram construídas sérieshistóricas municipais de precipitação mensal para o período de 1975 a 2015. Esses valoresforam utilizados para calcular o SPI Standardized Precipitation Index para os municípios doBrasil. Para o cálculo do SPI foi utilizado o pacote SCI do software R (STAGEE et al., 2016).

O Standardized Precipitation Index (SPI) foi desenvolvido por Mckee et al. (1993) como objetivo de quantificar e monitorar eventos de seca (SHAH et al., 2015; PALCHAUDHURI;SUJATA, 2013; BORDI et al., 2001; KHADR et al., 2009). No entanto, também é comuma sua utilização para caracterizar eventos que envolvam excesso de precipitação (SEILER et

al., 2002). Por exigir apenas dados pluviométricos, o SPI pode ser considerado um índicemetodologicamente fácil de ser calculado e interpretado. O SPI pode ser utilizado para


quantificar déficits ou excessos de precipitação em diferentes escalas de tempo, captando desdeanomalias de curto prazo que afetam a umidade do solo, até eventos de longo prazo com efeitosnos níveis dos reservatórios subterrâneos de água (REN et al., 2008).

Para o cálculo do índice, as séries históricas de precipitação são ajustadas a umadistribuição de probabilidade, que então é transformada em uma distribuição normal de formaque o valor do SPI para uma determinada localidade tenha média zero (REN et al., 2008). Adistribuição de probabilidade mais utilizada para o cálculo do índice é a Gamna (MCKEE et al.,1993; SHAH et al., 2015; PALCHAUDHURI; SUJATA, 2013; BORDI et al., 2001; KHADRet al., 2009). Seguindo a formulação de Palchaudhuri e Sujata (2013), a função densidade deprobabilidade para a distribuição Gamma é definida por:

g(x) =1

β αΓ(α)xα−1e−x/β (3.2)

onde, α>0 é o parâmetro de forma, β>0 é o parâmetro escalar e x > 0 é o volume deprecipitação e:

Γ(α) =∫

∞

0yα−1e−ydy (3.3)

onde Γ(α) é a função Gamma. Os parâmetros α e β são estimados para cada umadas localidades de interesse e para todos os meses do ano, considerando a escala de tempopreviamente definida:

α =1

4A

(1+

√1+

4A3

),β =

xα,onde A = ln(x)− ∑ ln(x)

n(3.4)

onde n corresponde ao número de observações de precipitação da localidade deinteresse. Em seguida, os parâmetros α e β são utilizados na integração da função deprobabilidade g(x) em relação a x, onde é obtida a probabilidade cumulativa de precipitaçãoG(x) para um determinado mês, considerando uma escala de tempo específica.

G(x) =∫ x

0g(x)dx =

1β αΓ(α)

∫ x

0xα−1e−x/β dx (3.5)

Considerando t = x/β a equação G(x) se torna a função Gamma incompleta:

G(x) =1

Γ(α)

∫ x

0tα−1e−tdt (3.6)


A função Gamma não é definida para x = 0. Como os registros de precipitação podemser nulos, a função de probabilidade é redefinida para:

H(x) = q+(1−q)G(x) (3.7)

onde q é a probabilidade de precipitação zero. A função de probabilidade H(x) é entãotransformada em uma variável padrão Z que corresponde ao valor do SPI:

Z = SPI =−(

t− c0 + c1t + c2t2

1+d1 +d2t2 +d3t3

)para 0 < H(x)≤ 0,5 (3.8)

Z = SPI =+

(t− c0 + c1t + c2t2

1+d1 +d2t2 +d3t3

)para 0,5 < H(x)< 1 (3.9)

onde

t =

√ln(

1H(x)2

), para 0 < H(x)≤ 0,5 (3.10)

e

t =

√ln(

11−H(x)2

), para 0,5 < H(x)< 1 (3.11)

As constantes c0,c1,c2,d1,d2,d3 assumem os valores do Quadro 3.1:.

Quadro 3.1 – Valores das constantes c0,c1,c2,d1,d2,d3

c0=2,515517 d1=1,432788c1=0,802853 d2=0,189269c2=0,010328 d3=0,001308

O Quadro 3.2 mostra um sistema de classificação para caracterizar eventos extremosde precipitação com base no SPI (SHAH et al., 2015; REN et al., 2008; BORDI et al.,2001). Valores positivos do SPI indicam a ocorrência de um volume de precipitação acimado valor da mediana da série histórica e valores negativos caracterizam períodos com volumede precipitação inferior a mediana. Segundo Ren et al. (2008), um evento de seca tem inícioquando o SPI atinge valor igual ou inferior a -1 e se encerra quando o valor do índice volta aficar positivo, sendo que a magnitude da seca pode ser quantificada pela soma dos valores doSPI nos meses de duração do evento.


Quadro 3.2 – Valores do Standardized Precipitacion IndexValor Classificação

2 ou mais Extremamente chuvoso1,5 a 1,99 Muito chuvoso1 a 1,49 Moderadamente chuvoso

-0,99 a 0,99 Próximo ao normal-1 a -1,49 Moderadamente seco

-1,5 a -1,99 Severamente seco-2 ou menos Extremamente seco

Segundo Ren et al. (2008) o SPI possui importantes características como:

• Por ser normalizado, o índice pode ser utilizado tanto para monitorar climas úmidosquanto climas secos. No entanto, o índice não é adequado para análise de mudançasclimáticas uma vez que a temperatura não é um parâmetro utilizado no cálculo;

• O SPI pode ser utilizado para caracterizar extremos de precipitação em diferentes escalasde tempo, por exemplo, de 1 a 2 meses para secas meteorológicas, de 1 a 6 meses parasecas agrícolas e de 6 a 24 meses para secas hidrológicas mais severas.

• O SPI é consistente espacialmente o que permite comparações do índice entre diferenteslocalidades.

3.2.4 Teste de Mann-Kendall Modificado e Cálculo da Inclinação de Theil-Sen

Para verificar a existência de tendência nas séries históricas municipais de SPI foiefetuado o teste de Mann-Kendall modificado, utilizando o pacote fume do software R (GROUP,2012). O teste de Mann-Kendall é uma técnica não paramétrica desenvolvida por Mann (1945)e Kendall (1975) para detectar tendências monotônicas lineares e não lineares em sériestemporais.

Por ser uma técnica não paramétrica, a utilização do teste não é condicionada a suposiçãode distribuição normal dos resíduos, como no caso da regressão linear (SHADMANI et al.,2012). Nesse teste, a hipótese nula H0 corresponde a não existência de tendência monotônica ea hipótese alternativa H1, a existência de tendência monotônica na série temporal(OSUCH et al.,2016). Seguindo formulações de Shadmani et al. (2012), o teste estatístico S de Mann-Kendallpode ser calculado a partir das seguintes equações:

S =n−1

∑i=1

n

∑j=i+1

sinal(X j−Xi) (3.12)


sinal(X j−Xi) =

1, se (X j−Xi)> 0

0, se (X j−Xi) = 0

−1, se (X j−Xi)< 0

(3.13)

onde n é o número de observações, Xi e X j são os valores da série temporal nos anos i ej. A variância pode ser obtida através da equação:

Var(S) =1

18

[n(n−1)(2n+5)−

q

∑p=1

tp(tp−1)(2tp +5)

](3.14)

onde, considerando a possibilidade da série ter grupos com observações iguais, tp énúmero de observações iguais no grupo p e q é o número de grupos com observações iguais. Ovalor do teste padronizado ZMK pode ser obtido a partir da equação:

ZMK =

S−1√Var(S)

, se S > 0

0, se S = 0S+1√Var(S)

, se S < 0

(3.15)

Valores positivos de ZMK indicam a tendência monotônica crescente, enquanto quevalores negativos de ZMK indicam tendência monotônica decrescente na série temporal. Asignificância do teste é verificada comparando-se o valor do teste estatístico padronizado ZMK adistribuição normal padrão acumulada. Dessa forma, a tendência é considerada significante aonível de α=0,05 quando o valor absoluto de ZMK é maior do que 1,96 (OSUCH et al., 2016).

Para possibilitar a aplicação do teste de Mann-Kendall em séries com problemas deautocorrelação, como é o caso das séries de SPI, Hamed e Rao (1998) desenvolveram o teste deMann-Kendall modificado. Nessa versão do teste, o problema de autocorrelação é tratado pormeio de um ajuste no cálculo da variância da estatística S:

Var(S) =118

[n(n−1)(2n+5)−

q

∑p=1

tp(tp−1)(2tp +5)

]N

NS∗(3.16)

NNS∗

= 1+2

N(N−1)(N−2)

p

∑i=1

(N−1)(N− i−1)(N− i−2)ps(i) (3.17)

onde N é o número de observações da amostra, NS∗ é o número efetivo de observaçõespara contabilizar a autocorrelação nos dados, ps é autocorrelação entre a ordem das observaçõespara a defasagem i, e p é a defasagem máxima considerada (KARMESHU, 2015). Para estimar


o valor da inclinação das tendências obtidas no teste de Mann-Kendall modificado foi utilizadoo método de Theil-Sen:

β = Mediana[

X j−Xi

j− i

]para todo i < j (3.18)

onde Xi e X j são os valores da série temporal nos anos sequenciais i e j, e β é o valorestimado da inclinação (SHADMANI et al., 2012).

3.3 Resultados

3.3.1 Base de dados do Standardized Precipitation Index (SPI)

Valores mensais de SPI foram obtidos para 5565 municípios brasileiros, considerando operíodo 1975-2015. As escalas temporais utilizadas foram 1 mês, 3 meses, 6 meses, 9 meses,12 meses, 15 meses, 18 meses, 21 meses e 24 meses. Essa elevada amplitude em relação aescala temporal permite que a base de dados seja utilizada para analisar eventos extremos deprecipitação tanto de curto prazo quanto de médio e longo prazo.

A Figura 2 mostra a evolução do SPI, em suas diferentes escalas de tempo, para omunicípio de Patos-PB. Ao longo do período analisado pode-se verificar a ocorrência cíclica deeventos extremos. Para esse caso específico, o SPI indica a ocorrência de uma seca prolongada(severa ou extrema) durante a primeira metade da década de 1980 e dois períodos de secascurtas (severas ou extremas) aproximadamente em 1993 e 1999. Além disso, observa-se umperíodo de precipitação bem acima da mediana entre 2009 a 2011, com os valores de SPI seaproximando de 2.

−2

−1

0

1

2

1980 1990 2000 20100

5

10

15

20

Tem

po (

mes

es)

SPI − PATOS

Figura 2 – Standardized Precipitation Index (SPI) para o município de Patos-PBFonte: Elaborado com base em dados pluviométricos da Agência Nacional de Águas (ANA,2015)

Análise similar a realizada para o município de Patos-PB pode ser feita para qualquerum dos municípios brasileiros a partir da base de dados que foi construída. No entanto, a


realização desse exaustivo exercício fugiria do escopo desta tese. Tão ou mais importante doque identificar eventos extremos de precipitação que já ocorreram é verificar a tendência futuradesses fenômenos, assunto esse abordado na próxima seção.

3.3.2 Inclinação de Theil-Sen Para os Municípios Brasileiros

Para verificar a existência de tendência monotônica nas séries históricas de SPI,efetuou-se o teste não paramétrico de Mann-kendall modificado considerando as escalastemporais de 3, 6, 12 e 24 meses. O teste de Mann-Kendall modificado permite apenas adetecção de tendência monotônica (positiva ou negativa) sem quantificar a sua magnitude. Dessaforma, para estimar o valor da tendência do SPI nos municípios que apresentaram significânciaestatística igual ou inferior a 5% (p<=0,05) no teste Mann-Kendall modificado, calculou-se oestimador não paramétrico de Theil-Sen (Figura 3).

Valores negativos do estimador de Theil-Sen predominaram na maior parte do territórionacional, o que sugere uma tendência generalizada de aumento de eventos de seca no país.Minas Gerais, São Paulo, Bahia, Goiás, Pernambuco, Piauí e Mato Grosso foram os estados quemais apresentaram municípios com valores negativos para o estimador de Theil-Sen nas quatroescalas temporais consideradas para o SPI. Tomando o SPI-12 por exemplo, Minas Gerais, SãoPaulo e Bahia, tiveram, respectivamente, 349, 200 e 158 municípios com valor de inclinaçãoinferior a -0,001.

Por outro lado, valores positivos do estimador de Theil-Sen tiveram a ocorrênciaconcentrada principalmente nos estados da região sul do país, considerando todas as escalastemporais do SPI (3,6,12,24 meses). No caso específico do SPI-24, por exemplo, Rio Grandedo Sul, Santa Catarina e Paraná, tiveram respectivamente 176, 152 e 84 municípios com valorde inclinação superior a 0,001. Portanto, enquanto que a tendência de aumento de seca pode serconsiderada como um fenômeno generalizado que abrange todas as regiões do país, observa-seque há uma concentração da tendência de aumento de eventos de excesso de precipitação nosmunicípios da região sul do Brasil.


(a) Inclinação de Theil-Sen (SPI-3) (b) Inclinação de Theil-Sen (SPI-6)

(c) Inclinação de Theil-Sen (SPI-12) (d) Inclinação de Theil-Sen (SPI-24)

Figura 3 – Inclinação de Theil-Sen para os municípios com valores significantes a 5% no testede Mann-Kendall modificado

Fonte: Elaborado com base em dados pluviométricos da Agência Nacional de Águas (ANA,2015)

3.4 Conclusão

Com as mudanças climáticas, alterações na frequência e na intensidade de eventosextremos de precipitação gerarão impactos socioeconômicos e ambientais incertos que afetarãotanto áreas urbanas como rurais. A capacidade de atenuação dos efeitos negativos associadosa esses eventos depende, dentre outros fatores, da avaliação da tendência de longo prazo deocorrência desses fenômenos no território.


A partir de dados diários de precipitação obtidos de estações meteorológicas da AgênciaNacional de Águas, foi construída uma base de dados com valores mensais (1975-2015) deprecipitação e de SPI para todos os municípios brasileiros. Dessa forma, a base pode serutilizada tanto para avaliar eventos extremos que já ocorreram, bem como para determinaro comportamento futuro desses fenômenos em escala municipal. De forma geral as sérieshistóricas se mostraram consistentes com os eventos extremos de precipitação registrados pelaliteratura, como as secas que afetaram os municípios da região nordeste do Brasil na primeirametade da década de 1980 e nos anos de 1993 e 1999.

Os estimadores de Theil-Sen obtidos para as séries históricas municipais de SPI,que apresentaram tendência monotônica significativa no teste de Mann-Kendall modificado,mostram que há uma predominância da tendência de aumento da ocorrência de secas na maiorparte do território brasileiro. No entanto, exceção deve ser atribuída aos estados da região sul dopaís, onde há uma tendência de aumento da ocorrência de eventos de excesso de precipitação.

Essas tendências convergem parcialmente com os resultados encontrados por Debortoliet al. (2017), no qual a concretização dos cenários RCP 4.5 e RCP 8.5 do IPCC tende a gerarum aumento da vulnerabilidade a enchentes e inundações na região sul do Brasil. Por outrolado, tendência oposta foi encontrada para a maioria das outras regiões brasileiras, sendo quenesse caso, a concretização desses cenários climáticos reduziria o risco de eventos associadosao excesso de precipitação.

39

4 Impactos de Eventos Extremos de

Precipitação nos Principais Produtos da

Agricultura Brasileira

4.1 Introdução

A agricultura é uma das atividades econômicas mais vulneráveis aos efeitos adversosgerados por eventos climáticos extremos como secas, geadas, enchentes ou ondas de calor.Essa vulnerabilidade tende a aumentar com as mudanças climáticas, que trarão, além detransformações globais a longo prazo, alterações a nível local relacionadas a frequência, aduração e a intensidade de eventos climáticos extremos.

No Brasil, eventos extremos de precipitação já são fontes importantes de perdasprodutivas para a agricultura. Secas e eventos associados ao excesso de precipitação, comoalagamentos e deslizamentos, afetam culturas agrícolas temporárias e permanentes ao longo detodo o território nacional.

A avaliação de impactos das mudanças climáticas na agricultura tem sido realizada apartir da utilização de modelos de simulação biofísicos, modelos ricardianos, análise de seriestemporais e modelos econométricos de dados em painel (MAHARJAN; JOSHI, 2013). Noentanto, poucos ainda são os trabalhos que se dedicam exclusivamente a analisar os efeitosdos eventos extremos de precipitação na produção agrícola.

Este capítulo foi elaborado com o objetivo de avaliar os impactos gerados por eventosextremos de precipitação no rendimento médio dos principais produtos da agricultura brasileira.Em comparação a variáveis monetárias, como o valor bruto da produção, o rendimento médio deculturas agrícolas tende a ser afetado em menor grau por efeitos não observados relacionados aalterações nas condições de mercado, como por exemplo, variações nos preços das commodities.

Para cumprir o objetivo proposto, dados secundários das principais culturas temporáriase permanentes e dados climáticos, trabalhados no capítulo anterior, foram utilizados paraconstruir modelos econométricos de dados em painel. Esses modelos permitem que fatores nãoobserváveis como a aptidão agrícola de cada município ou região e as mudanças nos padrõestecnológicos sejam controlados. Em outras palavras, os modelos de dados em painel permitemque o controle de fatores não observáveis seja feito considerando espaço e tempo.

Capítulo 4. Impactos de Eventos Extremos de Precipitação nos Principais Produtos da Agricultura Brasileira 40

4.2 Metodologia

A metodologia deste capítulo foi composta por três etapas: i) obtenção e tratamento dosdados municipais sobre as principais culturas temporárias e permanentes produzidas no país,ii) criação das variáveis definidoras de eventos extremos de precipitação a partir dos valores deSPI obtidos no capítulo 3 e iii) ajustes de modelos de dados em painel. Todas as etapas foramefetuadas no software R (R Core Team, 2016).

4.2.1 Obtenção e tratamento dos dados sobre culturas agrícolas temporárias

e permanentes

Séries históricas sobre culturas agrícolas temporárias e permanentes, de todos osmunicípios brasileiros, foram obtidas da base de dados da PAM (Produção Agrícola Municipal),do Instituto Brasileiro de Geografia e Estatística (IBGE). O período definido para análisecorrespondeu a todo o período de abrangência da PAM no momento em que os dadosforam acessados (1990-2014). Foram obtidos dados sobre produção, área plantada, áreacolhida, rendimento médio e valor bruto da produção agrícola para todas as culturas agrícolasdisponíveis. Optou-se por agregar os dados municipais em Áreas Mínimas Comparáveis (AMC)para preservar a continuidade das unidades de corte transversal ao longo do tempo, uma vez que,ao longo do período de análise, houve mudanças na divisão territorial dos municípios.

4.2.2 Eventos extremos de precipitação para os municípios brasileiros

Tanto culturas agrícolas temporárias quanto permanentes são afetadas por eventosextremos de precipitação de curto e médio prazo. De acordo Ren et al. (2008), escalas de SPIcom a tamanho entre 1 e 6 meses são as mais propícias para caracterizar secas agrícolas. Issose justifica pela velocidade com que a agricultura é afetada por mudanças de curto prazo nascondições de umidade do solo geradas por variações abruptas da precipitação.

Dessa forma optou-se por utilizar os valores municipais de SPI-6, obtidos a partir dosprocedimentos descritos no Capítulo 3, para a construção de variáveis capazes de caracterizare avaliar o efeito desses fenômenos no rendimento médio das principais culturas temporáriase permanentes do Brasil. Assim, como os dados de produção, os valores municipais de SPI

também foram agregados em Áreas Mínimas Comparáveis (AMC).


Quadro 4.1 – Valores do Standardized Precipitacion Index utilizados na construção dasvariáveis

Valor Classificação2 ou mais Extremamente chuvoso1,5 a 1,99 Muito chuvoso1 a 1,49 Moderadamente chuvoso

-0,99 a 0,99 Próximo ao normal-1 a -1,49 Moderadamente seco

-1,5 a -1,99 Severamente seco-2 ou menos Extremamente seco

Em seguida, os valores mensais do SPI-6 foram utilizados para criar variáveis anuais quecaptassem a ocorrência de eventos extremos de precipitação nas AMCs brasileiras. Partindo decritérios classificação do SPI (Quadro 4.1) já definidos na literatura (SHAH et al., 2015; RENet al., 2008; BORDI et al., 2001), foram criadas quatro variáveis:

• Extremamente Seco (E.S.) = número de meses do ano em que o valor do SPI-6 foi inferiora -2

• Muito Seco (M.S.) = número de meses do ano em que o valor do SPI-6 foi menor ou iguala -1,5 e maior ou igual a -2

• Muito Chuvoso (M.C.) = número de meses do ano em que o valor do SPI-6 foi maior ouigual a 1,5 e menor ou igual a 2

• Extremamente Chuvoso (E.C.) = número de meses do ano em que o valor do SPI-6 foisuperior a 2

4.2.3 Modelo de dados em Painel

Os efeitos dos eventos extremos de precipitação na agricultura brasileira foram avaliadospor meio de modelos econométricos de dados em painel, utilizando o pacote plm do software R

(CROISSANT; MILLO, 2008). Um modelo de dados em painel permite que a heterogeneidadeentre os indivíduos seja controlada, algo que não por ser feito em um modelo de corte transversal(WOOLDRIDGE, 2002; BALTAGI, 2005).

O logaritmo do rendimento médio (toneladas por hectare) de cada uma das trêsprincipais culturas permanentes e temporárias cultivadas no Brasil em 2014 (em termos de ValorBruto da Produção) foi utilizado como variável dependente para a construção dos modelos,que teve como regressores, as variáveis criadas na seção anterior a partir do SPI-6 (E.S.,M.S.,M.C. e E.C.). A heterogeneidade entre as unidades de corte transversal e entre os anosforam controladas nos ajustes por efeitos fixos.


Apesar de consumir mais graus de liberdade do que a abordagem de efeitos aleatórios, aabordagem de efeitos fixos permite que estimativas consistentes sejam obtidas mesmo quandohá associação entre os efeitos inviduais e os regressores. Como a amostra possui razoávelgraus de liberdade, optou-se, assim, por garantir estimativas consistentes em todos os ajustescom a utilização da abordagem de efeitos fixos. Por fim, optou-se por tornar os valores deerro padrão de todos os modelos ajustados nessa capítulo robustos a heterocedasticidade. Osmodelos ajustados nesse trabalho podem ser representados por:

lnYit = β0 +k

∑j=1

β jX jit +δt + ci + eit (4.1)

onde lnYit é o logaritmo natural do rendimento médio das principais culturas agrícolastemporárias e permanentes (café, banana, laranja, cana-de-açúcar, milho e soja), β0 o intercepto,β j o impacto de cada Xit em lnYit , X jit variáveis independentes criadas a partir do SPI paracaracterizar os eventos extremos de precipitação, δt a heterogeneidade temporal controlada porefeitos fixos, ci a heterogeneidade entre os indivíduos e eit o erro aleatório. Considerando asdiferenças edafoclimáticas e a extensão do território, foram ajustados modelos independentespara cada um dos seis biomas brasileiros (Amazônia, Cerrado, Caatinga, Mata Atlântica ePantanal e Pampa), tomando como unidades de corte transversal as AMCs de cada um dosbiomas no período de 1990 a 2014.

4.3 Resultados

4.3.1 Evolução do Valor Bruto da Produção (VBP) agrícola no Brasil

Entre 1995 e 2014 houve um aumento do VBP da agricultura brasileira (Quadro4.2), tanto no caso das culturas temporárias quanto das permanentes. Enquanto que ovalor da produção de culturas permanentes triplicou no período, saindo de R$ 20 bilhõespara R$60 bilhões, o valor da produção de culturas temporária quadriplicou, passando deaproximadamente R$ 50 bilhões em 1995 para R$ 200 bilhões em 2014 (valores reais de2016). Dessa forma, embora tenha ocorrido um expressivo crescimento do valor da produçãode culturas permanentes no período, o principal determinante para o aumento do VBP daagricultura brasileira foi crescimento do valor da produção de culturas temporárias.


Quadro 4.2 – Taxa de crescimento linear do VBP de culturas temporárias e permanentes entre1995 e 2014 (valores reais de 2015)

Culturas Permanentes Culturas Temporárias

y = − 3420 + 1.72 x R2 = 0.82

20

30

40

50

60

1995 2000 2005 2010Ano

VB

P (

bilh

ões d

e R

$)

y = − 14700 + 7.38 x R2 = 0.87

50

100

150

200

1995 2000 2005 2010Ano

VB

P (

bilh

ões d

e R

$)

Fonte: Elaborado com base em dados da PAM (Produção Agrícola Municipal)

Dentre as principais culturas permanentes produzidas entre 1995 e 2014 destacam-se ocafé, a banana, a laranja, a uva e o cacau (Tabela 1). A composição das dez principais culturaspermanente em termos de VBP pouco se alterou ao longo do período. Houve um aumento daparticipação relativa do café no VBP e um crescimento da importância de culturas como banana,maracujá e manga.

Tabela 1 – Principais produtos da agricultura permanente

1995 2014Produto VBP % Produto VBP %Café 9.02 32% Café 15.68 37%Laranja 4.73 17% Banana 5.58 13%Banana 3.63 13% Laranja 5.54 13%Uva 1.68 6% Uva 2.27 5%Cacau 1.08 4% Cacau 1.59 4%Maçã 1.02 4% Maçã 1.39 3%Coco da baía 0.90 3% Coco da baía 1.22 3%Tangerina 0.83 3% Mamão 1.21 3%Limão 0.68 2% Maracujá 0.98 2%Mamão 0.65 2% Manga 0.80 2%Outros 3.6 15% Outros 6.12 17%


No caso das culturas temporárias houve um crescimento da participação relativa da sojae da cana-de-açúcar no VBP (Tabela 2). Nesse período, o sistema de produção rotativo compostopor soja, milho e algodão se consolidou nos estados do centro-oeste e se expandiu para a regiãode cerrado dos estados de Maranhão, Tocantins, Piauí e principalmente Bahia (Matopiba).

Embora a cana-de-açúcar tenha perdido o posto de principal cultura temporária para asoja, a sua participação relativa no VBP aumentou entre 1995 e 2014. Nesse período, incentivosgerados pela introdução do carro flex no mercado automotivo brasileiro e a expectativa de uma


Tabela 2 – Principais produtos da agricultura temporária

1995 2014Produto VBP % Produto VBP %Cana-de-açúcar 15.57 19.3% Soja 84.39 40.4%Milho 13.64 16.9% Cana-de-açúcar 42.13 20.2%Soja 13.35 16.5% Milho 26.00 12.4%Mandioca 9.31 11.5% Mandioca 9.56 4.6%Arroz 7.42 9.2% Arroz 8.37 4.0%Feijão 4.95 6.1% Algodão herbáceo 8.13 3.9%Batata inglesa 3.09 3.8% Fumo 6.05 2.9%Tomate 2.89 3.6% Tomate 5.18 2.5%Fumo 2.44 3.0% Feijão 5.17 2.5%Algodão herbáceo 2.16 2.7% Batata inglesa 3.24 1.5%Outros 5.86 7.2% Outros 10.71 5.1 %


maior inserção externa do etanol conduziram a uma expansão da produção de cana-de-açúcartanto em áreas consolidadas quanto para novas regiões do Brasil.

4.3.2 Distribuição espacial principais produtos da agricultura permanente

Café, laranja e banana foram responsáveis por aproximadamente 60% do VBP daagricultura permanente em 2014. Como ponto em comum, esses três produtos são cultivadosem todo o território nacional, havendo no entanto, uma elevada concentração da produção empoucos biomas ou estados da federação.

A distribuição espacial do café e da laranja sofreu poucas alterações entre 1995 e2014 (Figuras 4 e 5). Regiões de Cerrado e de Mata Atlântica dos estados de Minas Gerais,São Paulo, Espírito Santo e Paraná mantiveram ou ampliaram a sua importância na produçãocafeicultora ao longo do período, enquanto que regiões do bioma amazônico, localizadas noestado de Rondônia, tiveram queda na participação. Já no caso da laranja, houve um aumentoda concentração da produção em regiões tradicionais do estado de São Paulo.


(a) 1995 (b) 2015

Figura 4 – Valor Bruto da Produção de café por municípios do BrasilFonte: Elaborado com base em dados da PAM (Produção Agrícola Municipal)

(a) 1995 (b) 2015

Figura 5 – Valor Bruto da Produção de laranja por municípios do BrasilFonte: Elaborado com base em dados da PAM (Produção Agrícola Municipal)

O cultivo de banana manteve-se bem distribuído no território ao longo do período(Figura 6). Porém ocorreram mudanças em relação aos principais polos de produção.Municípios do sudeste de São Paulo, do oeste da Bahia e do leste do Pará elevaram as suasparticipações no VBP da banana, ao mesmo tempo que municípios do leste da Paraíba passarama produzir menos do que no início do período.


(a) 1995 (b) 2015

Figura 6 – Valor Bruto da Produção de banana por municípios do BrasilFonte: Elaborado com base em dados da PAM (Produção Agrícola Municipal)

4.3.3 Distribuição espacial dos principais produtos da agricultura temporária

Soja, milho e cana-de-açúcar foram responsáveis por mais de 70% do VBP daagricultura temporária em 2014. Diferentemente do que foi observado para café, laranjae banana, houve grandes mudanças na distribuição espacial das três principais culturastemporárias entre 1995 e 2014.

Nesse período, o crescimento da importância da soja para o VBP da agriculturabrasileira foi impulsionado pela expansão de seu cultivo para regiões de Cerrado dos estadosdo Centro-Oeste e posteriormente para o oeste dos estados de Maranhão, Tocantins, Piauí eBahia (Matopiba) (Figura 7). O cultivo de milho apresentou um padrão de expansão similar,uma vez que juntamente com o algodão, o milho é uma das principais culturas utilizadas nosistema de rotação com a soja. Além da expansão para novas áreas de Cerrado, os aumentosde participação do milho e da soja no VBP também foram impulsionados pelo crescimento daprodução em áreas já consolidadas, localizadas principalmente nos estados do sul do país.


(a) 1995 (b) 2015

Figura 7 – Valor Bruto da Produção de soja por municípios do BrasilFonte: Elaborado com base em dados da PAM (Produção Agrícola Municipal)

(a) 1995 (b) 2015

Figura 8 – Valor Bruto da Produção de milho por municípios do BrasilFonte: Elaborado com base em dados da PAM (Produção Agrícola Municipal)

Nas duas últimas décadas, o aumento da participação da cana-de-açúcar no VBP dasculturas temporárias resultou da expansão da cultura canavieira para regiões pouco exploradasou até então inexploradas dos estados de São Paulo, Minas Gerais, Paraná, Mato Grosso do Sule Goiás (Figura 9). Já a concentração espacial da produção de cana-de-açúcar nos municípiosdo litoral nordestino, polo produtor histórico, permaneceu praticamente constante ao longo doperíodo analisado.


(a) 1995 (b) 2015

Figura 9 – Valor Bruto da Produção de cana por municípios do BrasilFonte: Elaborado com base em dados da PAM (Produção Agrícola Municipal)

4.3.4 Efeitos de eventos extremos de precipitação nos três principais produtos

da agricultura permanente

Com exceção do bioma Amazônia, todos os ajustes efetuados para a cultura do caféforam significativos segundo o valor p para o Teste F (Tabela 3). O bioma com o maior númerode AMCs incluídas na regressão foi a Mata Atlântica (n = 1281), enquanto que o menor númerode AMCs foi observado para a Amazônia (n=21). Devido a pequena quantidade de AMCs quecultivavam café, o bioma Pampa foi excluído da análise. Além disso, devido a esse mesmomotivo não foram ajustadas regressões para nenhuma das culturas agrícolas permanentes dobioma Pantanal.

As séries históricas apresentaram tamanhos praticamente similares, com diferençaapenas no caso da Amazônia (t=24). Em geral, apenas uma pequena parcela da variabilidadedo logaritmo do rendimento médio do café pode ser explicada pelos modelos, uma vez que omaior valor de R² Ajustado foi de apenas 3,4%, referente ao bioma Caatinga.

Tabela 3 – Características dos ajustes efetuados para o café

Bioma n t R² Ajustado Teste F (p-valor)Amazônia 71 24 0,002 0,80Caatinga 174 25 0,034 0,0000Cerrado 522 25 0,017 0,0000Mata Atlântica 1281 25 0,004 0,0000

Fonte: Elaborado pelo autor


A Tabela 4 mostra as estimativas dos efeitos dos eventos extremos de precipitação nologaritmo do rendimento médio do café, por bioma brasileiro. Como o modelo ajustado para obioma Amazônia não foi significativo segundo Teste F Tabela 3, apenas os resultados obtidospara os biomas Caatinga, Cerrado e Mata Atlântica foram considerados na análise. No caso daMata Atlântica apenas a variável Ano foi estatisticamente significante de acordo com o resultadodo Teste t (Tabela 4). Para cada ano adicional, espera-se um incremento relativo de 0,37% norendimento médio do café produzido na Mata Atlântica.

A variável Ano não apresentou significância no ajuste efetuado para a Caatinga. Noentanto, três das quatro variáveis independentes mostraram-se significantes a 5%. Cada mêsdo ano classificado como excessivamente chuvoso (E.C.) gera uma redução relativa de -3,31%no rendimento médio do café produzido na Caatinga. Efeitos negativos também são esperadoscom a ocorrência de eventos de seca. Cada mês do ano classificado como muito seco (M.S) ouextremamente seco (E.S.) pode gerar, respectivamente, perdas de -6,2% e -2,85% no rendimentomédio.

Apenas as variáveis Ano e M.S. foram significantes a 5% para o bioma Cerrado.Espera-se que a cada ano adicional haja um incremento de 0,74% no rendimento médio dacafeicultura. A estimativa obtida para a variável M.S. indica que a ocorrência de um mês muitoseco ao longo do ano pode incrementar o rendimento médio do café em 1,48%. Esses resultadosdevem ser visto com ressalvas, uma vez que o efeito negativo dos eventos de seca podem estarsendo amenizados a partir da adoção de sistemas de irrigação.


Tabela 4 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para o café

Variável Estimativa Erro Padrão t-valor Pr(>|t|)Amazônia

E.C. -0,0154 0,0101 -1,5229 0,1281M.C. 0,0024 0,0143 0,1701 0,8650M.S. 0,0054 0,0225 -0,2420 0,8089E.S. 0,0107 0,0183 0,5854 0,5584Ano 0,0021 0,0052 0,4110 0,6811

CaatingaE.C. -0,0331 0,01423 -2,3250 0,0201M.C. 0,0143 0,0084 1,6956 0,0901M.S. -0,0620 0,0115 -5,3866 0,0000E.S. -0,0285 0,0090 -3,1485 0,0016Ano -0,0001 0,0033 -0,0290 0,9769

CerradoE.C. -0,0080 0,0070 -1,1376 0,2553M.C. -0,01091 0,0062 -1,7479 0,0805M.S. 0,0148 0,0046 3,2242 0,0013E.S. 0,0048 0,0051 0,9534 0,3404Ano 0,0074 0,0014 5,1185 0,0000

Mata AtlânticaE.C. -0,0019 0,0004 -0,4480 0,6542M.C. -0,0036 0,0031 -1,1888 0,2345M.S. 0,0020 0,0027 0,7497 0,4534E.S. -0,0001 0,0028 -0,0131 0,9895Ano 0,0037 0,0007 5,1861 0,0000


Com exceção dos caso do Pampa, todos os modelos ajustados para a cultura dalaranja foram significativos de acordo com o Teste F (Tabela 5). Dessa forma, nos ajustesestatisticamente significantes pelo menos uma variável independente contribui para explicara variabilidade do logaritmo do rendimento médio da laranja. Baixos valores de R² Ajustadoforam obtidos para todos os biomas, indicando que apenas uma pequena parcela da variabilidadeda variável dependente pode ser explicada pelos ajustes.


Tabela 5 – Características dos ajustes efetuados para a laranja

Bioma n t R² Ajustado Teste F (p-valor)Amazônia 149 15 0,06 0,0000Caatinga 437 15 0,05 0,0000Cerrado 555 15 0,004 0,0000Mata Atlântica 1585 15 0,02 0,0000Pampa 53 9 0,001 0,9697


Ainda no caso da laranja, a variável Ano foi estatisticamente significante em todos osbiomas nos quais o modelo se mostrou significativo no teste F (Amazônia, Caatinga, Cerrado eMata Atlântica), apresentando, no entanto efeitos negativos no caso da Caatinga. Para cada anoadicional, observa-se um decréscimo no rendimento médio da laranja da ordem de -1,26% naCaatinga. Por outro lado, esperam-se aumentos no rendimento médio de 1,97% da Amazônia,1,38% no Cerrado e 1,02% na Mata Atlântica (Tabela 5).

Eventos extremos de precipitação possuem efeito significativo no logaritmo dorendimento médio da laranja nos biomas Caatinga, Cerrado e Mata Atlântica. Na Caatinga,as variáveis M.C. e M.S. foram estatisticamente significantes a um nível de 5%. Para cadamês adicional classificado como muito chuvoso (M.C.) espera-se um incremento de 2,06%no rendimento médio da laranja. Por outro lado, meses muito secos (M.S) podem reduzir orendimento médio em -2,42%.

Já no caso do Cerrado, para cada mês adicional considerado como muito chuvoso (M.C.)espera-se um incremento de 1,33% na variável dependente. Na Mata Atlântica as variáveisrelacionadas à seca foram estatisticamente significantes (p<=0,05). Meses muito secos (M.S.)ou extremamente secos (E.S.) podem reduzir o rendimento médio da laranja em respectivamente-0,83% e -0,67%.


Tabela 6 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para laranja


E.C. -0,0224 0,0138 -1,6160 0,1063M.C. -0,0076 0,0159 -0,4799 0,6314M.S. -0,0081 0,0128 -0,6280 0,5301E.S. 0,0218 0,0147 1,4782 0,1395Ano 0,0197 0,0053 3,7098 0,0002

CaatingaE.C. 0,0037 0,0054 0,6807 0.4961M.C. 0,0206 0,0037 5,5853 0,0000M.S. -0,0242 0,0048 -5,0587 0,0000E.S. -0,0098 0,0071 -1,3674 0,1716Ano -0,0126 0,0022 -5,7665 0,0000

CerradoE.C. 0,0047 0,0061 0,7725 0,4399M.C. 0,0133 0,0043 3,1004 0,0019M.S. -0.0058 0,0045 -1,2830 0,1995E.S. -0,0012 0,0045 -0,2640 0,7917Ano 0,0138 0,0019 7,2301 0,0000

Mata AtlânticaE.C. 0,0059 0,0031 1,9095 0,0562M.C. -0,0020 0,0025 -0,7959 0,4261M.S. -0,0083 0,0026 -3,2286 0,0012E.S. -0,0067 0,0031 2,1831 0,0290Ano 0,0102 0,0011 8,9493 0,0000

PampaE.C. 0,0012 0,0060 0,2059 0,8370M.C. -0,0051 0,008 -0,6024 0,5471M.S. -0,0048 0,0055 -0,8717 0,3837E.S. -0,0069 0,0091 -0,7650 0,4445Ano 0,0009 0,0063 0,1509 0,8801


No caso da banana, todos os biomas tiveram ajustes significativos de acordo com oTeste F (p-valor<5%). Além disso, os modelos ajustados apresentaram elevada capacidade deexplicação da variabilidade do logaritmo do rendimento médio da banana, com valores de R²Ajustado variando entre 62% e 64% nos biomas brasileiros (Tabela 7).


Tabela 7 – Características dos ajustes efetuados para a banana



A variável Ano apresentou efeitos significante (p<0,05) e positivo em todos os biomas(Tabela 8). No caso da Caatinga foram observados impactos positivos no rendimento médio daprodução associados a eventos de excesso de precipitação (E.C. e M.C.) e negativos associadosa seca (M.S. e E.S.). Cada mês adicional classificado como E.C. ou M.C. espera-se um aumentono rendimento médio da banana de respectivamente, 6,20% e 3,14%. Já no caso de eventos deseca, M.S. ou E.S. são esperados efeitos negativos com valores respectivos de -8,22% e -6,79%.

A seca também possui efeitos negativos estatisticamente significantes (p<0,05) noCerrado e na Mata Atlântica. Cada mês do ano classificado como extremamente seco (E.S.)possui efeito no rendimento médio de -2,68% no Cerrado. Já no caso da Mata Atlântica, cadamês classificado como extremamente seco (E.S.) ou muito seco (M.S.) geram decréscimos norendimento médio da banana de respectivamente -3,62% e -1,75%. Ainda no caso da MataAtlântica, eventos mais extremos de excesso de precipitação (E.C.) possuem efeito negativo norendimento médio no valor de -3%.


Tabela 8 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para a banana


E.C. -0,0036 0,0118 -0,3087 0,7576M.C. 0,0137 0,0130 1,0537 0,2920M.S. -0,0204 0,0102 -1,9929 0,0463E.S. -0,0157 0,0116 -1,3494 0,1773Ano 0,1235 0,0016 75,8923 0,0000

CaatingaE.C. 0,0620 0,0095 6,5051 0,0000M.C. 0,0317 0,0056 5,6515 0,0000M.S. -0,0822 0,0053 -15,2692 0,0000E.S. -0,0679 0,0050 -13,4716 0,0000Ano 0,1356 0,0018 115,8846 0,0000

CerradoE.C. 0,0027 0,0087 0,3161 0,7519M.C. 0,0042 0,0072 -0,5886 0,5561M.S. 0,0060 0,0069 0,8762 0,3809E.S. -0,0268 0,0075 -3,5675 0,0004Ano 0,1383 0,0013 104,8273 0,0000

Mata AtlânticaE.C. -0,0300 0,0056 -5,3779 0,0000M.C. -0,0060 0,0045 -1,3245 0,1853M.S. -0,0175 0,0041 -4,2513 0,0000E.S. -0,0362 0,0040 -9,0491 0,0000Ano 0,1362 0,0008 175,1362 0,0000

PampaE.C. 0,0273 0,0234 1,1614 0,2459M.C. 0,0193 0,0242 0,7986 0,4248M.S. 0,0421 0,0226 1,8604 0,0633E.S. 0,0535 0,0309 -1,7335 0,0835Ano 0,1264 0,0045 27,7289 0,0000


4.3.5 Efeitos de eventos extremos de precipitação nas três principais produtos

da agricultura temporária

Assim como ocorreu com as culturas permanentes, não foram ajustados modelos paraPantanal no caso das culturas temporárias devido ao número restrito de AMCs localizadas nessebioma. De acordo com os resultados do Teste F, os modelos ajustados para a cultura da sojaforam significativos em todos os biomas (Tabela 9). Além disso, as variáveis independentesutilizadas nos modelos foram capazes de explicar elevada parcela de variabilidade do logaritmodo rendimento médio da soja, com os valores de R² ajustado para cada um dos biomas variando


entre 22% e 33%.

Tabela 9 – Características dos ajustes efetuados para a soja



A variável Ano apresentou valor positivo e significativo em todos os biomas, indicandouma tendência de crescimento do rendimento médio da soja no Brasil nos anos considerados(Tabela 10). Além disso, em cada um dos ajustes realizados pelo menos uma variável climáticase mostrou estatisticamente significante (p<0,05), sugerindo que o rendimento médio da soja éafetado por eventos extremos de precipitação em todos os biomas.

As estimativas obtidas mostram que a seca é a principal fonte de ameaça para orendimento médio da soja no Brasil (Tabela 10). Foram obtidas estimativas negativas esignificantes para as variáveis associadas à seca (M.S. e E.S.) nos biomas Amazônia, Cerrado,Mata Atlântica e Pampa. Os resultados sugerem que esses efeitos são mais intensos no biomaPampa, onde para cada mês adicional classificado como muito seco (M.S.) ou extremamenteseco (E.S.) esperam-se decréscimos no rendimento médio de respectivamente -7,64% e -5,23%.

Além disso, foram obtidas estimativas positivas e significantes paras as variáveisassociadas a eventos de excesso de precipitação na Caatinga (E.C.) na Mata Atlântica (M.C.)e no Pampa (M.C.). Isso sugere que, ao contrário da seca, eventos que envolvam excesso deprecipitação possuem efeitos positivos no rendimento médio da soja produzida nesses biomas.

A ocorrência de um mês excessivamente chuvoso (E.C.) na Caatinga pode elevar orendimento médio da soja em 13,45%. Já meses muito chuvosos (M.C.) na Mata Atlântica eno Pampa podem incrementar o rendimento médio em até, respectivamente, 1,34% e 2,18%.Por outro lado, eventos excessivamente chuvosos (E.C) estão associados a efeitos negativos naprodução de soja conduzida no bioma Amazônia. Para cada mês adicional de ocorrência dessetipo de evento, espera-se um decréscimo no rendimento médio no valor de -2,25%.


Tabela 10 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para a soja


E.C. -0,0225 0,0025 -9,0119 0,0000M.C. 0,0133 0,0071 1,8781 0,0610M.S. -0,0003 0,0119 -0,0271 0,9783E.S. -0,0279 0,0080 -3,4994 0,0005Ano 0,0207 0,0023 9,0594 0,0000

CaatingaE.C. 0,1345 0,0458 2,9337 0,0048M.C. 0,0615 0,0329 1,8692 0,0668M.S. 0,0091 0,0504 0,1809 0,8571E.S. 0,0322 0,0395 0,8150 0,4185Ano 0,0617 0,0258 2,3897 0,0202

CerradoE.C. -0,0007 0,0039 -0,1796 0,8575M.C. 0,0026 0,0025 1,0373 0,2996M.S. -0,0048 0,0024 -2,0032 0,0452E.S. -0,0140 0,0030 -4,6629 0,0000Ano 0,0216 0,0005 41,4979 0,0000

Mata AtlânticaE.C. 0,0039 0,0024 1,6176 0,1058M.C. 0,0134 0,0023 5,7224 0,0000M.S. -0,0376 0,0032 -11,4508 0,0000E.S. -0,0250 0,0035 -7,0901 0,0000Ano 0,0190 0,0005 41,0303 0,0000

PampaE.C. 0,0060 0,0069 0,8715 0,3837M.C. 0,0218 0,0073 2,9896 0,0029M.S. -0,0764 0,0139 -5,5085 0,0000E.S. -0,0523 0,0198 -2,6393 0,0084Ano 0,0236 0,0013 18,0232 0,0000


Assim como no caso da soja, todos os modelos ajustados para a cultura do milhoforam significativos no Teste F (p<0,05). Ademais, com exceção da Caatinga, os ajustesapresentaram elevada capacidade de explicação da variabilidade do rendimento médio do milho,principalmente no casos da Mata Atlântica (R² ajustado = 31%) e do Cerrado (R² ajustado =62%) (Tabela 11).


Tabela 11 – Características dos ajustes efetuados para o milho



A As variáveis associadas à seca apresentaram efeitos negativos, estatisticamentesignificantes (p<0,05), no rendimento médio do milho nos biomas Caatinga (M.S. e E.S.),Cerrado (M.S. e E.S.), Mata Atlântica (M.S. e E.S.) e Pampa (M.S) (Tabela 12). Impactosnegativos mais intensos foram verificados no bioma Caatinga. Para cada mês adicionalclassificado como muito seco (M.S.) ou extremamente seco (E.S.) são esperados decréscimosno rendimento médio de respectivamente, -16,09% e -11,57%. Já na Amazônia, cada mêsclassificado como excessivamente seco (E.S.) está associado a incrementos no rendimentomédio do milho no valor de 1,28%.

Por outro lado, foram observados efeitos positivos de eventos de excesso de precipitaçãono rendimento médio do milho para os biomas Cerrado (E.C. e M.C.), Mata Atlântica (M.C.) ePampa (M.C.). Cada mês considerado como muito chuvoso (M.C.) no bioma Pampa possui umefeito positivo no rendimento médio do milho de 4,8%.

Resultados contraditórios foram encontrados para o bioma Caatinga em relação àsvariáveis associadas a eventos de excesso de precipitação. Os resultados sugerem que, paraesse bioma, eventos de grau mais intenso (E.C.) possuem efeito negativo no rendimento médio(-1,67%) enquanto que eventos de excesso de precipitação menos intensos (M.C.) possuemefeito positivo (4,93%).


Tabela 12 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para o milho


E.C. -0,0050 0,0069 -0,7258 0,4680M.C. -0,0122 0,0070 -1,7428 0,0814M.S. -0,0119 0,0061 -1,9520 0,0510E.S. 0,0128 0,0065 1,9848 0,0472Ano 0,0261 0,0016 15,7286 0,0000

CaatingaE.C. -0,0167 0,0065 -2,5535 0,0107M.C. 0,0493 0,0048 10,1759 0,0000M.S. -0,1609 0,0081 -19,8289 0,0000E.S. -0,1157 0,0097 -11,9207 0,0000Ano 0,0019 0,0012 1,6151 0,0000

CerradoE.C. 0,0025 0,0045 0,5624 0,5738M.C. 0,0089 0,0029 3,0596 0,0022M.S. -0,0289 0,0035 -8,2364 0,0000E.S. -0,0150 0,0036 -4,1700 0,0000Ano 0,0351 0,0009 37,9662 0,0000

Mata AtlânticaE.C. 0,0029 0,0018 1,6562 0,0976M.C. 0,0109 0,0016 6,7579 0,0000M.S. -0,0199 0,0020 -10,0426 0,0000E.S. -0,0225 0,0026 -8,4706 0,0000Ano 0,0286 0,0004 65,5772 0,0000

PampaE.C. 0,0010 0,0052 0,1879 0,8510M.C. 0,0480 0,0070 6,8686 0,0000M.S. -0,0824 0,0149 -5,5312 0,0000E.S. -0,0091 0,0235 -0,3870 0,6988Ano 0,0221 0,0020 10,8011 0,0000


De acordo com os resultados do Teste F, os modelos ajustados para a cana-de-açúcarforam estatisticamente significantes em todos os bimas (Tabela 13). No entanto, apenas umapequena parcela da variabilidade do logaritmo do rendimento médio da cana-de-açúcar podeser explicada pelas variáveis independentes do modelo, sendo que o valor de R² ajustado variouentre 5% (Amazônia) e 17% (Pampa).


Tabela 13 – Características dos ajustes efetuados para a cana-de-açúcar



A variável ano apresentou estimativa positiva e estatisticamente significante (p<0,05)em todos os biomas. Similarmente ao que foi observado para soja e milho, a principal ameaçapara o rendimento médio da cana-de-açúcar são os eventos de seca. Os coeficientes das variáveisassociadas à seca apresentaram sinal negativo e significante para os biomas Caatinga (M.S. eE.S.) e Mata Atlântica (M.S. e E.S.). Na Caatinga, cada mês adicional classificado como muitoseco (M.S) e extremamente sexo (E.S.) estão associados a decréscimos no rendimento médiodo milho na ordem de, respectivamente, -4,65% e -4,27%. No caso da Mata Atlântica, essesvalores foram de, respectivamente, -0,62% e -1,05%.

As estimativas associadas aos eventos de excesso de precipitação sugerem a existênciade impactos positivos para o rendimento médio da cana-de-açúcar nos biomas Caatinga(M.C.=1,89%), Cerrado (E.C.=0,92%) e Pampa (M.C.=1,76%). Já na Amazônia, cada mêsadicional considerado como extremamente chuvoso (E.C.) está associado a efeitos negativosno rendimento médio de -2,15%. Divergências foram encontradas no bioma Mata Atlântica,uma vez que fenômenos mais intensos de excesso de precipitação (E.C.) podem ser associadosa efeitos negativos (0,84%) no rendimento médio e fenômenos menos intensos (M.C.) a efeitospositivos (0,71%).


Tabela 14 – Estimativas do modelo de dados em painel (Efeitos-Fixos) para a cana-de-açúcar


E.C. -0,0215 0,0108 -1,9953 0,0461M.C. 0,0118 0,0101 1,1705 0,2419M.S. 0,0007 0,0109 0,0661 0,9473E.S. -0,0093 0,0134 -0,6935 0,4881Ano 0,0118 0,0025 4,6428 0,0000

CaatingaE.C. 0,0083 0,0040 2,0947 0,0362M.C. 0,0189 0,0034 5,6077 0,0000M.S. -0,0465 0,0044 -10,5067 0,0000E.S. -0,0427 0,0060 -7,0743 0,0000Ano 0,0060 0,0009 6,8009 0,0000

CerradoE.C. 0,0092 0,0029 3,1268 0,0018M.C. 0,0031 0,0027 1,1441 0,2526M.S. -0,0029 0,0022 -1,3235 0,1857E.S. -0,0013 0,0025 -0,5133 0,6077Ano 0,0091 0,0006 14,4573 0,0000

Mata AtlânticaE.C. -0,0084 0,0019 -4,3072 0,0000M.C. 0,0071 0,0016 4,3832 0,0000M.S. -0,0062 0,0016 -3,8448 0,0000E.S. -0,0105 0,0019 -5,5947 0,0000Ano 0,0121 0,0005 25,6716 0,0000

PampaE.C. -0,0074 0,0112 -0,6565 0,5117M.C. 0,0176 0,0072 2,4489 0,0145M.S. -0,0254 0,0139 -1,8296 0,0677E.S. -0,0233 0,0146 -1,5966 0,1108Ano 0,0170 0,0048 3,5347 0,0004


4.3.6 Conclusão

Nas últimas décadas, o crescimento do Valor Bruto da Produção agrícola brasileira podeser atribuído principalmente as culturas temporárias, em especial soja, milho e cana-de-açúcar.Em conjunto essas três culturas representaram cerca de 70% do VBP das culturas temporáriasem 2014. No caso das culturas permanentes, essa concentração foi um pouco inferior, com café,laranja e banana representando cerca de 60% do VBP das culturas permanentes no mesmo ano.

Pode-se afirmar que o aumento do VBP de culturas permanentes foi impulsionadoprincipalmente pelo crescimento da produção de café, laranja e banana em áreas tradicionais.


Já o aumento do VBP das culturas temporárias pode ser atribuído à expansão da produção desoja e milho para regiões de Cerrado, dos estados do Centro-Oeste e do Nordeste, e a expansãoda cana-de-açúcar para regiões até então pouco exploradas de São Paulo, Paraná, Minas Gerais,Goiás e Mato Grosso do Sul.

Os resultados das regressões mostram que os eventos extremos de precipitação tendem aafetar café, laranja e banana de forma heterogênea nos diferentes biomas em que essas culturassão produzidas, havendo, no entanto, um padrão predominante no qual eventos de seca estãomajoritariamente associados a efeitos negativos e eventos de excesso de precipitação a efeitospositivos.

Eventos de seca podem afetar negativamente a produção de banana na Caatinga, noCerrado e na Mata Atlântica, a produção de laranja na Caatinga e na Mata Atlântica e a produçãode Café na Caatinga. Por outro lado, eventos de excesso de precipitação estão associados aefeitos positivos no rendimento médio da banana na Caatinga e na Mata Atlântica e a efeitospositivos no caso da laranja produzida na Caatinga e no Cerrado.

Verificou-se um padrão mais homogêneo na forma com que as principais culturastemporárias são afetadas por eventos extremos de precipitação. Soja e milho tendem a ter orendimento médio afetado negativamente por eventos de seca nos biomas Caatinga, Cerrado,Mata Atlântica e Pampa. Por outro lado, eventos de excesso de precipitação podem afetarpositivamente o milho nos biomas Mata Atlântica e Pampa e a soja nos biomas Caatinga, MataAtlântica e Pampa. Já o rendimento médio da cana-de-açúcar é vulnerável a seca nos biomasCaatinga e Mata Atlântica e pode ser beneficiado por eventos de excesso de precipitação nosbiomas Caatinga, Cerrado e Pampa.

Eventos de excesso de precipitação possuem efeitos negativos no rendimento médioda soja e da cana-de-açúcar produzidas na Amazônia, enquanto que eventos de seca estãoassociados a efeitos positivos no milho produzido nesse mesmo bioma. Dessa forma, eventosde seca ou de excesso de precipitação na Amazônia podem sevir, respectivamente, como fatorpaliativo ou agravante à produção local já exposta ao elevado volume pluviométrico anual dobioma.

62

5 Discussão Final

Nessa tese buscou-se avaliar os efeitos dos eventos de seca de excesso de precipitação naagricultura brasileira. As mudanças climáticas e o aumento da imprevisibilidade relacionada aoseventos extremos de precipitação trarão importantes desafios econômicos, sociais e ambientais.No Brasil, biomas cobertos majoritariamente por formações florestais como Amazônia e MataAtlântica possuem maior vulnerabilidade a essas transformações do que biomas formados porvegetações abertas, como é o caso da Caatinga e do Cerrado(ZANIN et al., 2016).

Por sua elevada dependência das condições naturais, a agricultura é atividade econômicamais exposta às adversidades que serão impostas pelas mudanças climáticas. Na AméricaLatina, culturas agrícolas de elevada importância global, como soja e milho, podem vir a passarpor elevadas quedas de produtividade (ADAMS et al., 1998). Para o Brasil, especificamente, aconcretização dos cenários RCP 4.5 e RCP 8.5 do IPCC afetaria diretamente a produtividadede culturas como milho, soja, arroz, feijão e trigo. O cultivo desses produtos dependerá demudanças no manejo cultural, adoção de variedades tolerantes ao calor e ao estresse hídrico,adoção de irrigação e, em alguns casos, deslocamento da produção para outras regiões comtemperaturas mais amenas e com maior regularidade no regime de precipitação (ASSAD et al.,2016).

Eventos extremos de precipitação, principalmente as secas, já são importantes fontesde perdas para a agricultura. Em 2015, uma seca de grandes proporções afetou diretamente aprodutividade e a oferta de importantes culturas agrícolas da região sudeste como tomate, alface,cana-de-açúcar, laranja e feijão (NOBRE et al., 2016).

Essas perdas podem se tornar cada vez mais frequentes de acordo com os resultadosencontrados no Capítulo 3. Os estimadores de de Theil-Sen mostram que há uma predominânciade tendência negativa para o SPI na maioria dos municípios do Brasil, indicando portanto, umaumento da chance de ocorrência de eventos de seca. Por outro lado, na região sul, verificou-setendência positiva para SPI na maioria dos municípios, sugerindo um aumento da chance deocorrência de eventos de excesso de precipitação. Esses resultados convergem para a primeirahipótese do trabalho de que "Eventos extremos de precipitação atingem o território de formadistinta, com as secas sendo o principal fenômeno em algumas regiões enquanto que o excessode precipitação é o principal fenômemo em outras".

Resultados similares foram encontrados por (DEBORTOLI et al., 2017). De acordocom os autores, com as mudanças climáticas, os estados da região sul do Brasil se tornarãomais vulneráveis a inundações e deslizamentos de terra causados por eventos de precipitaçãoexcessiva. Por outro lado, no restante do território brasileiro há uma tendência de redução dessesfenômenos.

Capítulo 5. Discussão Final 63

A concretização dessas tendências poderia inviabilizar o cultivo de diversos produtos daagricultura brasileira. Os resultados do Capítulo 4 confirmam a segunda hipótese deste trabalhode que "Os impactos dos eventos extremos de precipitação variam por tipo de cultura agrícolae de acordo com especificidades climáticas locais das regiões brasileiras".

Culturas agrícolas permanentes como café, laranja e banana tendem a ser afetadasde forma distinta nos diferentes biomas em que são produzidas, havendo porém, um padrãono qual eventos de seca podem ser associados a efeitos negativos e eventos de excesso deprecipitação a efeitos positivos no rendimento médio. A produção café, laranja e banana podeser negativamente afetada pela seca nos biomas Caatinga, Cerrado e Mata Atlântica. Por outrolado, eventos de excesso de precipitação podem ter efeitos positivos no rendimento médioda banana e da laranja nos biomas Caatinga, Mata Atlântica e Cerrado. Como verificado porVAN DER VELDE et al. (2012), o mesmo evento extremo pode gerar resultados distintosdependendo do local, da época do ano e do estágio de desenvolvimento da lavoura.

Um padrão mais homogêneo foi verificado para as principais culturas temporárias.Milho e soja são vulneráveis a eventos de seca nos biomas Caatinga, Cerrado, Mata Atlânticae Pampa. Já eventos de excesso de precipitação possuem efeito positivo no rendimento médiodessas culturas, nos biomas Caatinga, Mata Atlântica e Pampa. Padrão similar foi encontradopara a cana-de-açúcar. Os resultados mostram que essa cultura é vulnerável a seca nos biomasCaatinga e Mata Atlântica, e pode se beneficiar de eventos de excesso de precipitação naCaatinga, no Cerrado e no Pampa.

Dessa forma, com bases nas tendências observadas para o SPI no Capítulo 3, verificou-seque as principais culturas agrícolas do país estariam ameaçadas pelo aumento da frequência eda intensidade de eventos de seca, uma vez que essa tendência é predominante na maioria dosbiomas brasileiros, com exceção da parte sul da mata atlântica e do pampa.

64

Referências

ADAMS, R. M.; HURD, B. H.; LENHART, S.; LEARY, N. Effect of global climate change onagriculture: and interpretative review. Climate Research, v. 11, p. 19–30, 1998. Citado 2 vezesnas páginas 21 e 62.

AL-BAKRI, J.; SULEIMAN, A.; ABDULLA, F.; AYAD, J. Potential impact of climate changeon rainfed agriculture of a semi-arid basin in jordan. Physics and Chemistry of the Earth, v. 35,p. 125–134, 2010. Citado na página 15.

ALLEN, C. D.; MACLADY, A.; CHENCHOUNI, H.; BACHELET, D.; MCDOWELL, N.;VENNETIER, M.; KITZBERGER, T.; RIGLING, A.; BRESHEARS, D.; HOGG, E. H.;GONZALEZ, P.; FENSHAM, R.; ZHANG, Z.; CASTRO, J.; DEMIDOVA, N.; LIM, J.;ALLARD, G.; RUNNING, S. W.; SEMERCI, A.; COBB, N. A global overview of droughtsand head-induced tree mortality reveals emerging climate change risks for forests. ForestEcology and Management, v. 259, p. 660–684, 2010. Citado na página 23.

AMORIM, R.; RIBEIRO, A.; LEAL, B.; SEDIYAMA, G. XVII Congresso deagrometeorologia, 2011. Citado na página 30.

ANA. Agência Nacional de Águas. 2015. Citado 4 vezes nas páginas 28, 29, 35 e 37.

ANDRADE-MONTEMAYOR, H. M.; CORDOVA-TORRES, A. V.; GARCíA-GASCA, T.;KAWAS, J. R. Alternative foods for small ruminants in semiarid zones, the case of mesquite(prosopis laervigata spp) and nopal (opuntia spp). Small Ruminant Research, v. 98, p. 83–92,2011. Citado na página 21.

ASSAD, E. D.; OLIVEIRA, A. F.; NAKAI, A. M.; PAVãO, E.; PELLEGRINO, G.;MONTEIRO, J. E. Impactos e vulnerabilidades da agricultura brasileira às mudançasclimáticas. In: TEIXEIRA, B. S.; ORSINI, J. A. M.; CRUZ, M. R. (Ed.). Modelagem climáticae vulnerabilidades setoriais à mudança climática no Brasil. Brasília: Brasil. Ministério daCiência, Tecnologia e Inovação, 2016. cap. 4, p. 127–188. Citado 4 vezes nas páginas 21, 22,23 e 62.

BALTAGI, B. Econometric Analysis of Panel Data. 3rd ed. ed. [S.l.]: J. Wiley & Sons, 2005.ISBN 0470014563,9780470014561,9780470016909. Citado na página 41.

BORDI, I.; FRIGIO, S.; PATRIZIA, P.; ANTONIO, S.; ALFONSO, S. The analysis of theStandardized Precipitation Index in Mediterranean area: Large-scale patterns. Annali diGeofisica, v. 44, n. 5/6, p. 965–978, 2001. Citado 4 vezes nas páginas 30, 31, 32 e 41.

BORRVALL, C.; EBENMAN, B. Biodiversity and persistence of ecological communities invariable environments. Ecological Complexity, v. 5, p. 99–105, 2008. Citado na página 20.

CHOU, S. C.; LYRA, A.; MOURÃO, C.; DERECZYNSKI, C.; PILOTTO, I.; GOMES, J.;BUSTAMANTE, J.; TAVARES, P.; SILVA, A.; RODRIGUES, D.; CAMPOS, D.; CHAGAS,D.; SUEIRO, G.; SIQUEIRA, G.; MARENGO, J. Assessment of Climate Change over SouthAmerica under RCP 4.5 and 8.5 Downscaling Scenarios. American Journal of Climate Change,v. 3, n. December, p. 512–525, 2014. Citado na página 15.

Referências 65

CHRISTENSEN, O. B.; CHRISTENSEN, J. H. Intensification of extreme european summerprecipitation in a warmer climate. Global and Planetary Change, v. 44, p. 107–177, 2004.Citado na página 23.

CROISSANT, Y.; MILLO, G. Panel data econometrics in R: The plm package. Journal ofStatistical Software, v. 27, n. 2, 2008. Disponível em: <http://www.jstatsoft.org/v27/i02/>.Citado na página 41.

DEBORTOLI, N. S.; CAMARINHA, P. I. M.; RODRIGUES, R. R. An index of Brazil’svulnerability to expected increases in natural flash flooding and landslide disasters in thecontext of climate change. Nat Hazards, v. 86, p. 557–582, 2017. Citado 5 vezes nas páginas22, 24, 26, 38 e 62.

FOLEY, J.; DEFRIES, R.; ASNER, G. P.; BARFORD, C.; BONAN, G.; CARPENTER S. R.,C. F. S.; AL. et. Global consequences of land use. Science, v. 39, p. 570–574, 2005. Citado napágina 20.

FRICH, P.; ALEXANDER, V.; DELLA-MARTA, P.; GLEASON, B.; HAYLOCK, M.; TANK,A. M. G. K.; PETERSON, T. Observed coherent changes in climatic extremes during thesecond half of the twentieth century. Climate Research, v. 19, p. 193–212, 2002. Citado napágina 23.

GOSWAMI, B. N.; VENUGOPAL, V.; SENGUPTA, D.; MADHUSOODANAN, M. S.;XAVIER, P. K. Increasing trend over extreme rain events over india in a warming environment.Science, v. 314, p. 1442–1445, 2006. Citado na página 23.

GROUP, S. M. fume: FUME package. [S.l.], 2012. R package version 1.0. Disponível em:<https://CRAN.R-project.org/package=fume>. Citado na página 33.

HAMED, K. H.; RAO, A. A modified Mann-Kendall trend test for autocorrelated data. Journalof Hydrology, v. 204, n. 1-4, p. 182–196, 1998. ISSN 00221694. Citado na página 34.

HERRERA-PANTOJA, M.; HISCOK, K. M. Projected impacts of climate change on wateravailability indicator in a semi-arid region of central mexico. Environmental Science & Policy,v. 54, p. 81–89, 2015. Citado na página 16.

IPCC, I. P. O. C. C. Climate Change 2014: Synthesis Report. In: Contributions of WorkingGroup I, II, II to the Fifth Assessment Report of the Intergovernmental Panel on ClimateChange. [S.l.: s.n.], 2014. Citado 6 vezes nas páginas 15, 18, 19, 20, 22 e 23.

KARL, T.; EASTERLING, D. R. Climate extremes: selected review and future researchdirection. Climatic change, v. 42, p. 309–325, 1999. Citado 2 vezes nas páginas 22 e 23.

KARMESHU, N. N. Trend Detection in Annual Temperature & Precipitation usingthe Mann Kendall Test – A Case Study to Assess Climate Change on Select Statesin the Northeastern United States. Mausam, v. 66, n. 1, p. 1–6, 2015. Disponível em:<http://repository.upenn.edu/mes\_capstones>. Citado na página 34.

KENDALL, M. Rank Correlation Methods. [S.l.]: Grifin, London, 1975. Citado na página 33.

KHADR, M.; MORGENSCHWEIS, G.; SCHLENKHOFF, A. Analysis of MeteorologicalDrought in the Ruhr Basin by Using the Standardized Precipitation Index. Engineering andTechnology, v. 49, n. 0, p. 607–616, 2009. ISSN 2010376X. Citado 3 vezes nas páginas 27, 30e 31.

http://www.jstatsoft.org/v27/i02/

https://CRAN.R-project.org/package=fume

http://repository.upenn.edu/mes\_capstones

Referências 66

KNAPP, A. K.; BEIER, C.; BRISKE, D. D.; LUO, Y.; REICHSTEIN, M.; SMITH, M. D.;SMITH, S. D.; BELL, J. E.; FAY, P. A.; HEISLER, J. L.; LEAVITT, S. W.; SHERRY, R.;SMITH, B.; WENG, E. Consequences of More Extreme Precipitation Regimes for TerrestrialEcosystems. v. 58, n. 9, p. 811–821, 2008. Citado na página 20.

KUNKEL, K. E. North american trends in extreme precipitation. Natural Hazards, v. 29, p.291–305, 2003. Citado na página 23.

KURUKULASURIYA, P.; ROSENTHAL, S. Climate change and agriculture: a review ofimpacts and adaptations. [S.l.], 2003. Disponível em: <http://documents.worldbank.org/curated/en/757601468332407727/pdf/787390WP0Clima0ure0377348B00PUBLIC0.pdf>.Citado na página 20.

KUSTURA, A.; KISIC, I.; BSICA; FERDO, J.; ALEKSANDRA. Soil erosion by water inperennial plantations of the ilok region. v. 73, n. 9, p. 811–821, 2007. Citado na página 20.

MAHARJAN, K. L.; JOSHI, N. P. Climate change, Agriculture and Rural Livelihoods inDeveloping Countries. [S.l.]: Springer Japan, 2013. Citado 3 vezes nas páginas 15, 19 e 39.

MANN, H. Nonparametric tests against trend. Econometrica, v. 13, n. 3, p. 245–259, 1945.Citado na página 33.

MARENGO, J. A.; ESPINOZA, J. C. Extreme seasonal droughts and floods in Amazonia:Causes, trends and impacts. International Journal of Climatology, v. 36, p. 1033–1050, 2016.Citado 2 vezes nas páginas 24 e 25.

MARENGO, J. A.; TORRES, R. R.; ALVES, L. M. Droughts in northeast brazil - past, present,and future. Theor Appl Climatol, v. 129, p. 1189–1200, 2011. Citado 2 vezes nas páginas 24e 25.

MARIOTTE, P. Subordinate plants to mitigate drought effect on soils ecosystem processes bystimulating fungi. Functional Ecology, v. 29, p. 1578–1586, 2015. Citado na página 20.

MCKEE, T. B.; DOESKEN, N. J.; KLEIST, J. The relationship of drought frequency andduration to time scales. AMS 8th Conference on Applied Climatology, n. January, p. 179–184,1993. Disponível em: <http://ccc.atmos.colostate.edu/relationshipofdroughtfrequency.pdf>.Citado 2 vezes nas páginas 30 e 31.

MEGERSA, B.; MARKEMANN, A.; ANGASSA, A.; OGUTU, J. O.; PIEPHO, H.-p.;ZARÁTE, A. V. Impacts of climate change and variability on cattle production in southernEthiopia: Perceptions and empirical evidence. Agricultural Systems, Elsevier Ltd, v. 130, p.23–34, 2014. ISSN 0308-521X. Disponível em: <http://dx.doi.org/10.1016/j.agsy.2014.06.002>. Citado na página 21.

MENDELSOHN, R.; DINAR, A. Climate Change and Agriculture: An economic analysis ofglobal impacts, adaptation and distributional effects. [S.l.: s.n.], 2009. Citado 4 vezes naspáginas 15, 19, 20 e 21.

MIRZA, M. M. Q. Climate change and extreme weather events: Can developing countriesadapt? Climate Policy, v. 3, p. 233–248, 2003. Citado na página 21.

MISHRA, A. K.; SINGH, V. P. A review of drought concepts. Journal of Hydrology, v. 391, p.202–216, 2010. Citado 2 vezes nas páginas 23 e 24.

http://documents.worldbank.org/curated/en/757601468332407727/pdf/787390WP0Clima0ure0377348B00PUBLIC0.pdf

http://documents.worldbank.org/curated/en/757601468332407727/pdf/787390WP0Clima0ure0377348B00PUBLIC0.pdf

http://ccc.atmos.colostate.edu/relationshipofdroughtfrequency.pdf

http://dx.doi.org/10.1016/j.agsy.2014.06.002

http://dx.doi.org/10.1016/j.agsy.2014.06.002

Referências 67

MORID, S.; SMAKHTIN, V.; MOGHADDASI, M. Comparison of seven meteorologicalindices for drought monitoring in Iran. International Journal of Climatology, v. 26, n. 7, p.971–985, 2006. ISSN 08998418. Citado na página 27.

NOBRE, C. A.; MARENGO, J. A.; SELUCHI, M. E.; CUARTAS, L. A.; ALVES, L. M. SomeCharacteristics and Impacts of the Drought and Water Crisis in Southeastern Brazil during2014 and 2015. Journal of Water Resource and Protection, v. 8, p. 252–262, 2016. Citado 2vezes nas páginas 26 e 62.

OLESEN, J.; BINDI, M. Consequences of climate change for european agriculturalproductiviry, land use and policy. European Journal of Agronomy, v. 16, p. 239–262, 2002.Citado na página 20.

OOMS, J.; JAMES, D.; DEBROY, S.; WICKHAM, H.; HORNER, J. RMySQL: DatabaseInterface and ’MySQL’ Driver for R. [S.l.], 2016. R package version 0.10.9. Disponível em:<https://CRAN.R-project.org/package=RMySQL>. Citado na página 28.

OSUCH, M.; ROMANOWICZ, R. J.; LAWRENCE, D.; WONG, W. K. Trends in projectionsof standardized precipitation indices in a future climate in Poland. Hydrology and Earth SystemSciences, v. 20, n. 5, p. 1947–1969, 2016. ISSN 16077938. Citado 2 vezes nas páginas 33e 34.

PALCHAUDHURI, M.; SUJATA, B. Analysis of Drought Using Standardized PrecipitationIndex. International Journal of Environmental, Chemical, Ecological, Geological andGeophysical Engineering, v. 7, n. 3, p. 119–126, 2013. Citado 2 vezes nas páginas 30 e 31.

PEBESMA, E. J. Multivariable geostatistics in s: the gstat package. Computers & Geosciences,v. 30, p. 683–691, 2004. Citado na página 30.

PLANTON, S.; DEQUE, M.; CHAUVIN, F.; TERRAY, L. Expected impacts of climate changeon extreme climate events. C. R. Geoscience, v. 340, p. 564–574, 2008. Citado na página 23.

PLUMMER, N.; SALINGER, J.; NICHOLLS, N.; SUPPIAH, R.; HENNESSY, K. J.;LEIGHTON, R. M.; TREWIN, B.; PAGE, C. M.; LOUGH, J. M. Changes in climate extremesover the australian region and new zealand during twentieth century. Climatic Change, v. 42, p.183–202, 1999. Citado na página 23.

POWELL, J.; REINHARD, S. Measuring the effects of extreme weather events on yields.Weather and Climate Extremes, v. 12, p. 69–79, 2016. Citado na página 23.

R Core Team. R: A Language and Environment for Statistical Computing. Vienna, Austria,2016. Disponível em: <https://www.R-project.org/>. Citado 2 vezes nas páginas 28 e 40.

REN, G.; ZHOU, Y.; CHU, Z.; ZHOU, J.; ZHANG, A.; GUO, J.; LIU, X. SPI user guide.[S.l.], 2008. v. 21, n. 6, 1333–1348 p. Disponível em: <http://library.wmo.int/opac/index.php?lvl=notice\_display&id>. Citado 6 vezes nas páginas 27, 31, 32, 33, 40 e 41.

ROSENZWEIG, C.; TUBIELLO, F. N.; GOLDBERG, R.; MILLS, E.; BLOOMFIELD, J.Increased crop damage in the us from excess precipitation under climate change. GlobalEnvironmental Change, v. 12, p. 197–202, 2002. Citado 2 vezes nas páginas 16 e 23.

SEILER, R. A.; HAYES, M.; BRESSAN, L. Using the standardized precipitation index forflood risk monitoring. International Journal of Climatology, v. 22, n. 11, p. 1365–1376, 2002.ISSN 08998418. Citado na página 30.

https://CRAN.R-project.org/package=RMySQL

https://www.R-project.org/

http://library.wmo.int/opac/index.php?lvl=notice\_display&id

http://library.wmo.int/opac/index.php?lvl=notice\_display&id

Referências 68

SHADMANI, M.; MAROFI, S.; ROKNIAN, M. Trend Analysis in ReferenceEvapotranspiration Using Mann-Kendall and Spearman’s Rho Tests in Arid Regionsof Iran. Water Resources Management, v. 26, n. 1, p. 211–224, 2012. ISSN 09204741. Citado2 vezes nas páginas 33 e 35.

SHAH, R.; BHARADIYA, N.; MANEKAR, V. Drought Index Computation UsingStandardized Precipitation Index (SPI) Method For Surat District, Gujarat. Aquatic Procedia,v. 4, n. Icwrcoe, p. 1243–1249, 2015. ISSN 2214241X. Citado 4 vezes nas páginas 30, 31, 32e 41.

STAGEE, J.; TALLAKSEN, L.; GUDMUNDSSON, L.; LOON, A. van; STAHL, K. Responseto comment on ’candidate distributions for climatological drought indices (spi and spei).International Journal of Climatology, v. 36, p. 2132–2138, 2016. Citado na página 30.

VAN DER VELDE, M.; TUBIELLO, F. N.; VRIELING, A.; BOURAOUI, F. Impacts ofextreme weather on wheat and maize in france: evaluating regional crop simulations againstobserved data. Climatic Change, v. 113, p. 751–765, 2012. Citado 2 vezes nas páginas 23 e 63.

VARALLYAY, G. The impact of climate change on soils and on their water management. v. 8,n. Ii, p. 385–396, 2010. Citado na página 20.

WOOLDRIDGE, J. M. Econometric Analysis of Cross Section and Panel Data. 2. ed. [S.l.]:The MIT Press, 2002. v. 58. Citado na página 41.

WOSSEN, T.; BERGER, T.; SWAMIKANNU, N.; RAMILAN, T. Climate variability,consumption risk and poverty in semi-arid northern ghana: Adaption options for poor farmhouseholds. Environmental Development, v. 12, p. 2–15, 2014. Citado na página 15.

WREFORD, A.; MORAN, D.; ADGER, N. Climate change and agriculture: Impacts,adaptation and mitigation. Organisation for Economic Co-operation and Development(OECD), p. 1–139, 2010. Citado 4 vezes nas páginas 15, 19, 20 e 21.

XAVIER, A. C.; CECÍLIO, R. A.; LIMA, J. S. d. S. Módulos em MATLAB para interpolaçãoespacial pelo método de krigagem ordinária e do inverso da distância. Revista Brasileira deCartografia, v. 01, n. 62, p. 67–76, 2010. Citado na página 30.

ZANIN, M.; TESSAROLO, G.; MACHADO, N.; ALBERNAZ, A. L. M. Mudanças climáticase a cobertura vegetal nativa: impactos de um país megadiverso e seus biomas. In: TEIXEIRA,B. S.; ORSINI, J. A. M.; CRUZ, M. R. (Ed.). Modelagem climática e vulnerabilidades setoriaisà mudança climática no Brasil. Brasília: Brasil. Ministério da Ciência, Tecnologia e Inovação,2016. cap. 3, p. 93–126. Citado 2 vezes nas páginas 20 e 62.

Documents

BRUNO CESAR BRITO MIYAMOTO Impactos Econômicos de …repositorio.unicamp.br/bitstream/REPOSIP/331448/1/Miyamoto_Bru… · “A teima das instituições envelhecidas em quererem perpetuar-se,