Autores: Eduardo Lago Tagliapietra, Nereu Augusto Streck, Thiago Schmitz Marques da Rocha, Darlan Scapini Balest, José Eduardo Minussi Winck, Gean Leonardo Richter, Solon Lemos da Rosa, Cristian Savegnago, Kaleb Emanoel Ferreira do Amaral, Leonardo Silva Paula, Simone Puntel, Luiz Felipe Vieira Sarmento, Felipe de Andrade Tardetti, Guilherme Guerin Munareto e Alencar Junior Zanon.
INTRODUÇÃO
A cada 30 grãos de soja produzidos no mundo, pelo menos um é produzido no Rio Grande do Sul. Nesta safra histórica o Brasil tornou-se o maior produtor mundial de soja, responsável por mais de 1/3 da produção global (USDA, 2020). Cerca de 10-15% da soja brasileira é produzida no Rio Grande do Sul (RS) (CONAB,2020). O cenário nacional é de comemoração, porém o estado do Rio Grande do Sul sofreu novamente com uma seca que derrubou as produtividades como poucas vezes na história.
O melhoramento genético e o aperfeiçoamento de práticas de manejos utilizadas pelos produtores aumentaram a produtividade média do estado em 20% durante os últimos. Mesmo assim, a produtividade média se encontra próxima a 3 ton ha-1, valor bastante inferior a produtividades obtidas em experimentos. Então, quanto realmente poderíamos produzir em condições ideias?
Para buscar essa resposta precisamos entender alguns conceitos de Produtividade:
Potencial de produtividade (PP) é a produtividade de uma cultivar que cresce sem limitações de água e nutrientes, livre de estresses bióticos (doenças, pragas e plantas daninha), ou seja, a taxa de crescimento da planta ou da cultura é determinada pela radiação solar interceptada pelo dossel, temperatura, CO2 atmosférico e características genéticas (EVANS, 1993; VAN ITTERSUM; RABBINGE, 1997). Essa condição dificilmente é conseguida a campo. Alguns exemplos são aquelas áreas campeãs em desafios de produtividade, onde o clima, irrigação e manejo permitem que esse potencial todo seja expressado.
Potencial de produtividade limitado por água (PPA) é semelhante ao PP, com a diferença que, além dos fatores que determinam o PP, o PPA é influenciado pela quantidade e distribuição de água e pelas características do solo e do terreno que impactam na capacidade de armazenamento de água no solo para a cultura (VAN ITTERSUM et al., 2013; FAO; DWFI, 2015).
Conhecer o PP e o PPA para as diferentes regiões climáticas e características de solos possibilitem aos produtores o planejamento mais eficiente de suas lavouras, em que o investimento de recursos pode ser ajustado para atingir produtividades próximas de 80% sobre o PP (para áreas irrigadas) ou sobre o PPA (para áreas de sequeiro), maximizando a eficiência do uso de recursos e o lucro do produtor, aumentando a sustentabilidade do sistema produtivo (VAN ITTERSUM; RABBINGE, 1997). Nosso objetivo neste trabalho foi estimar o potencial de produtividade e as lacunas de produtividade de água e manejo da cultura da soja para o Rio Grande do Sul e seus ambientes de manejo.
MATERIAL E MÉTODOS
Primeiramente dividimos o estado do Rio Grande do Sul (RS) com base no clima, para melhor representar a variabilidade existente, seguindo a metodologia proposta por Van Wart et al. (2013) e utilizada pelo Global Yield Gap Atlas (http://www.yieldgap.org). Essa classificação leva em consideração três variáveis agroclimáticas que governam a produção da cultura da soja, sendo elas: (i) total anual de acúmulo de graus dias, (ii) índice de aridez anual e (iii) sazonalidade de temperatura. Um mapa de colheita foi elaborado com base nos dados de área colhida do IBGE média de 5 anos (2014-2019) e sobreposto as zonas climáticas, para a identificação das ZC que apresentam participação na produção de soja do estado.
Segundo Grassini et al. (2015a), para uma estimativa robusta e confiável são necessários estimar o PPA para no mínimo 15 anos, para atender esse critério foi utilizado estações meteorológicas do Instituto Nacional de Meteorologia (INMET) com dados disponíveis para esse período e utilizadas para criar as buffers zones (Regiões de abrangência da estação - BZs) numa área de 100 km de diâmetro, sendo elas delimitados pelos limites das ZC (Figura 1). Foram selecionadas as buffers zones (BZs) com mais de 5% da área de colheita, evitando mais de 20% de sobreposição entre elas. Dessa forma, 12 BZs (I a XII) foram selecionas, totalizando 67% da área produtora de soja. As BZs foram divididas em 2 ambientes de produção predominantes no estado do RS, o ambiente da metade norte, composto pelas BZs 1 a 4 e o ambiente da metade sul, composto pelas BZs 5 a 12.
Figura 1: Buffer zones representativas da área produtiva de soja no Rio Grande do Sul.
Para a estimativa do PP e o PPA por modelos, foi utilizado o CSM-CROPGRO-Soybean e realizado simulações utilizando os grupos de maturidade relativa (GMR) mais utilizados pelos produtores para cada BZs e a data de semeadura a qual melhor representa cada região. As simulações foram realizadas para 15 anos (2004 – 2019), segundo Grassini et al. (2015a) valores para uma estimativa precisa e segura.
RESULTADOS E DISCUSSÃO
O potencial de produtividade (PP) do Rio Grande do Sul que foi estimado pelo modelo CSM-CROPGRO-Soybean, resultante da média ponderada da área de colheita das BZs, atingindo o valor de 6,6 ton ha-1. Essa estimativa do PP por modelos é a mais precisa, pois simula sem nenhum tipo de limitação biótica, somente com as condições climáticas, desde que o modelo esteja bem calibrado para a região e possua os dados meteorológicos necessários para rodar o modelo (LOBELL et al., 2009). Já o potencial de produtividade limitado por água (PPA) do RS (2004 – 2019) foi de 3,9 ton ha-1, com um desvio padrão de 2,0 ton ha-1, demonstrando a grande variabilidade interanual presente no RS, resultante principalmente da quantidade de precipitação e sua distribuição durante a estação de cultivo. A produtividade média do RS durante os últimos 15 anos (2004 – 2015) foi de 2,5 ton ha-1 (CONAB, 2019), com um desvio padrão de +- 0,7 ton ha-1, valores de PM são baixos mostrando que tem uma grande lacuna para ser explorada.
Neste estudo, três lacunas de produtividade foram geradas a partir dos diferentes potenciais de produtividades, a primeira foi a maior lacuna (4,1 ton ha-1 ou 62%) que comparou a PP em relação a PM (lacuna potencial = PP-PM). A segunda lacuna de produtividade foi a lacuna causada pelo déficit hídrico, resultante do PP em relação ao PPA (lacuna água = PP – PPA) o qual é responsável por uma lacuna de 2,7 ton ha-1, ou seja 41% do PP. A terceira lacuna de produtividade foi a lacuna de manejo, criada a partir da comparação entre PPA e a PM (lacuna = PPA-PM) alcançou valor de 1,4 ton ha-1 ou 21% do PP (Figura 2), tal lacuna foi decorrente de fatores principais como: época de semeadura e GMR (ZANON et al., 2016; ZANON et al., 2018), densidade de plantas (CORASSA et al., 2018) e características físico-químicas do solo. Na Argentina, Merlos et al. (2015) estimaram uma PPA de 3.9 ton ha-1 e uma lacuna de manejo de 32% (1,2 ton ha-1), já nos Estados Unidos, Edreira et al. (2017) reportaram uma PPA superior (4,8 ton ha-1) em relação a encontrada na Argentina, e uma lacuna de manejo de 13% (0,6 ton ha-1).
Figura 2: Potenciais de produtividade do Rio Grande do Sul – Brasil. Coluna preta é o potencial de produtividade estimado pelo modelo (PP), coluna azul é o potencial limitado por água (PPA) estimado pelo modelo e a coluna cinza produtividade média (PM) do RS nos últimos 15 anos (2004 – 2019).
Figura 3: Potenciais de produtividade para metade norte (A) e metade sul (B) do Rio Grande do Sul – Brasil. Coluna preta é o potencial de produtividade estimado pelo modelo (PP), coluna azul é o potencial limitado por água (PPA) estimado pelo modelo e a coluna cinza produtividade média (PM) nos últimos 15 anos (2004 – 2019).
O RS possui dois ambientes de produção bastante distintos, o ambiente da metade norte do estado (figura 3A), região predominante de terras altas, com solos mais profundos e maior capacidade de armazenamento de água, quando comparado com o ambiente de produção da metade sul (figura 3B). A metade norte do estado apresenta um PP mais elevado, 7,0 ton ha-1, resultante da interação da radiação com a temperatura (coeficiente fototérmico) e também maior PPA (4,6 ton ha-1) devido maior acumulo histórico de precipitação, melhor distribuição ao longo do ciclo de desenvolvimento e principalmente solos com maior capacidade de armazenamento de água. Na metade norte possuímos uma lacuna de produtividade causada pelo déficit hídrico (PP – PPA) de 2.3 ton ha-1 ou 33.5% do PP e uma lacuna de manejo (PPA – PM) de 2.2 ton ha-1 ou 32 % do PP.
Quando abordamos os ambientes da metade sul o PP diminui um pouco, sendo de 6,6 ton ha-1, já o PPA diminui consideravelmente (3,4 ton ha-1), resultado da realidade das características dos solos da região (solos rasos, com baixa capacidade de armazenamento de água) e menor acumulo de precipitação. Nesse ambiente a lacuna causada pelo déficit hídrico ganha ainda mais importância, chegando a representar 47% do PP (3,0 ton ha-1), e a lacuna de manejo apresenta contribuição de 21% do PP (1,3 ton ha-1). Os valores reportados na literatura se aproximam com os encontrados neste estudo mostrando que o principal limitante na produtividade do RS é o déficit hídrico (SENTELHAS et al., 2015).
Nos Estados Unidos, Lobell et al. (2009) identificaram lacunas de produtividade que variaram de 20 a 80%, o que confirma que os valores encontrados neste trabalho estão dentro da faixa reportada na literatura para diferentes culturas. Além disso, é possível inferir que o RS encontra-se com uma grande lacuna a ser explorada até atingir os valores de 80% do PP, valor citado por Van Ittersum e Rabbinge (1997) como sendo o ponto de máxima eficiência econômica, as quais são realidade em países desenvolvidos com alta tecnificação e intensificação dos sistemas produtivos (CASSMAN, 1999; CASSMAN et al., 2003; VAN ITTERSUM; RABBINGE, 1997).
Estudos que levam em consideração os ambientes de manejos para tomadas de decisões são o futuro da agricultura no mundo, uma vez que, conhecendo o real potencial de produtividade de uma lavoura, a lacuna causada pelo déficit hídrico e a lacuna de manejo, auxilia o produtor na tomada de decisões desde ao investimento da lavoura até as práticas de manejo para maximizar a eficiência no uso dos recursos.
CONCLUSÃO
As principais informações deste estudo com foco no potencial e lacunas de produtividade de soja foram:
(i) o potencial de produtividade do RS foi 6,6 ton ha-1 e o PPA 3,9 ton ha-1;
(ii) a lacuna causada pelo déficit hídrico variou de 33.5% a 47% do PP na metade norte e na metade sul, respectivamente (2,3 a 3,0 ton ha-1).
(iii) a lacuna causada pelo manejo variou de 32 a 21% do PP na metade norte e na metade sul, respectivamente (2,2 a 1,3 ton ha-1).
REFERENCIAS
CASSMAN, K.G. Ecological intensification of cereal production systems: yield potential, soil quality, and precision agriculture. Proc. Natl. Acad. Sci. USA, v96, p.5952–5959, 1999.
CASSMAN, K.G. et al. Meeting cereal demand while protecting natural resources and improving environmental quality. Ann. Rev. Environ. Resour. v.28, p.315–358, 2003.
CONAB - Companhia Nacional de Abastecimento. Soja - Brasil: Série histórica de área plantada e de produtividade. Brasília, 2020. Online. Disponível em: <https://www.conab.gov.br/info-agro/safras>. Acesso em: 10 de mar. de 2020.
CORASSA, G. M. et al. Optimum soybean seeding rates by yield environment in southern Brazil. Agronomy Journal, [s. l.], v. 110, n. 6, p. 2430–2438, 2018.
EDREIRA, J. I. R. et al. Assessing causes of yield gaps in agricultural areas with diversity in climate and soils. Agricultural and Forest Meteorology, [s. l.], v. 247, n. July, p. 170–180, 2017.
EVANS, L.T., 1993. Crop Evolution, Adaptation, and Yield. Cambridge University Press, Cambridge, UK.
FAO and DWFI. Yield gap analysis of field crops – Methods and case studies, by Sadras. FAO Water Reports, n 41, Roma – Italia, 2015.
FAO. FAOSTAT: Agricultural production. [Database.] FAO, Rome. Disponível em: <http://faostat.fao.org/>. Acesso em: 10 de mar. de 2020.
GLOBAL YIELD GAP ATLAS. Global Yield Gap and Water Productivity Atlas, 2016. Disponível em: http://www.yieldgap.org/. Acesso:20 de mar. de 2020
GRASSINI, P. et al. How good is good enough? Data requirements for reliable crop yield simulations and yield-gap analysis. Field Crops Research, [s. l.], v. 177, p. 49–63, 2015a.
LOBELL, D. B.; CASSMAN, K. G.; FIELD, C. B. Crop Yield Gaps: Their Importance, Magnitudes, and Causes. Annual Review of Environment and Resources, [s. l.], v. 34, n. 1, p. 179–204, 2009.
MERLOS, F. A. et al. Potential for crop production increase in Argentina through closure of existing yield gaps. Field Crops Research, [s. l.], v. 184, p. 145–154, 2015.
SENTELHAS, P. C. et al. The soybean yield gap in Brazil - Magnitude, causes and possible solutions for sustainable production. Journal of Agricultural Science, [s. l.], v. 153, n. 8, p. 1394–1411, 2015.
TAGLIAPIETRA, E. L. et al. Optimum leaf area index to reach soybean yield potential in subtropical environment. Agronomy Journal, [s. l.], v. 110, n. 3, p. 932–938, 2018.
VAN ITTERSUM A, M.K. et al. Yield gap analysis with local to global relevance - A review. Field Crops Research, v.143, p.4–17, 2013.
VAN ITTERSUM, M.K. & RABBINGE, R. Concepts in production ecology for analysis and quantification of agricultural input-output combinations. Field Crops Research, v. 52, p. 197–208, 1997.
VAN WART, J. et al. Use of agro-climatic zones to upscale simulated crop yield potential. Field Crops Research, [s. l.], v. 143, p. 44–55, 2013.
ZANON, A. J. et al. Ecofisiologia da soja: visando altas produtividades. 1.ed. Santa Maria: Ed. GR, 2018. 136 p.
ZANON, A. J.; STRECK, N. A.; GRASSINI, P. Climate and management factors influence Soybean yield potential in a subtropical environment. Agronomy Journal, [s. l.], v. 108, n. 4, p. 1447–1454, 2016.