CAPÍTULO 4

MODELAGEM MATEMÁTICA E SIMULAÇÃO DE SISTEMAS APLICADAS AO PLANEJAMENTO AMBIENTAL E DA ATIVIDADE AGRÍCOLA

Maria Conceição Peres Young Pessoa

Elizabeth Nogueira Fernandes

Introdução

As ações de planejamento são imprescindíveis para a gestão de qualquer atividade. De forma geral, elas se encontram reunidas em “um método de ordenação de atividades com vistas a alcançar os objetivos propostos e, portanto, atingir um futuro desejado” (TASHIZAWA; REZENDE, 2000, p. 6).

De tal forma, Clark et al. (1980) já salientavam no final da década de 1970 a existência de afinidades entre a avaliação de impacto ambiental e os aspectos relacionados ao processo de planejamento. Segundo esses autores, essas afinidades estavam centradas principalmente na participação pública, na tomada de decisão e nas ligações existentes entre a avaliação de impacto e a elaboração de planos. A participação pública detém importante papel no estabelecimento de objetivos para o uso de recursos e para a aceitabilidade de programas específicos operacionalizados por meio de projetos centrados nesses objetivos. Por sua vez, à medida que essas propostas são apresentadas, são realizadas análises de alternativas de que seus objetivos sejam alcançados efetivamente, baseadas em análises criticas fundamentadas na identificação, descrição e previsão de implicações (efeitos, riscos e limitações) de cada proposta que auxiliam na identificação de potenciais e de lacunas de informação e nas justificativas da escolha final, em detrimento das demais – tomada de decisão. A elaboração de planos, por sua vez, é a etapa seguinte e varia drasticamente de país a país, pois podem estar integradas, ou dependentes, a outras políticas, a aspectos culturais locais e a infraestruturas.

Tem-se, assim, que, para que esse futuro desejado seja alcançado, há de existir a necessidade de levantamento de informações do estado atual do objeto de estudo do planejamento, de modo a inter-relacioná-las e, assim, resgatar a maior quantidade possível de conhecimento de seus pontos fortes e fracos. Essas informações também viabilizam entender aspectos relacionados à sua vulnerabilidade aos perigos e às tendências de comportamento em diferentes cenários passíveis de ocorrência em curto, médio e longo prazos. Por essa razão, a atividade de planejamento demanda a disponibilidade, organização e agilidade na recuperação de informações, bem como a utilização de meios ágeis de promover essa integração de conhecimento. Esses procedimentos facilitam a análise de elementos que possam interferir, significativamente, no processo de tomada de decisão do método de ordenação das atividades em diferentes ambientes, assegurando que a atividade flua em conformidade com objetivos, mesmo na presença de problemas ocorridos durante sua execução (BEZERRA 1996; MACEDO, 1994).

Também aplicado ao ordenamento territorial rural centrado no desenvolvimento sustentável da atividade agropecuária, o processo de planejamento vem sendo apontado por vários autores como o ponto-chave para a integração harmoniosa entre o desenvolvimento e a necessidade de proteção e de conservação do meio ambiente. Segundo Mafra (1999), esse processo deve levar em conta a possibilidade de usos alternativos ao atual e suas respectivas limitações. Assim, surge o conceito de planejamento ambiental.

Embora não haja uma definição padrão para planejamento ambiental, aquelas apresentadas na literatura reforçam aspectos voltados para a identificação, a observação, a organização e análise de vários fatores (isolados ou relacionados), a reflexão, a orientação e a proposição racional de alternativas factíveis de execução por meio de planos de atividades ou projetos. Todas as definições, entretanto, reforçam a necessidade de conciliar desenvolvimento à melhoria da qualidade ambiental.

A implantação de processos de certificação de qualidade no Brasil também vem sendo agilizada pela crescente barreira fitossanitária imposta pelos países importadores aos produtos nacionais (PESSOA et al., 2002). As iniciativas em busca de certificação de qualidade no campo foram iniciadas e tiveram suas ações centradas basicamente nas propostas do Programa Alimento Seguro do Campo à mesa (PAS_campo) – convênio Embrapa/Senai/Sebrae – e nos Sistemas de Produção Integrada (ELEMENTOS... 2006; EMBRAPA, 1999; NACHTIGAL et al., 1998; NASCIMENTO NETO, 2006).

Registra-se também o crescente uso e as vantagens do emprego de técnicas de geoprocessamento, de enfoque sistêmico e de inteligência artificial, que vêm sendo cada vez mais apresentadas na literatura internacional, não apenas no contexto de utilização prática de equipamentos modernos para a obtenção de informações de elevado conteúdo tecnológico sobre causas detectáveis ou controláveis de variabilidade na agricultura, mas como um instrumento de apoio ao levantamento, análise e interpretação dos dados coletados in loco (BARNETT et al., 1997; HEIMLICH, 1998; MATTHEWS et al., 1997; MONSON, 1997; WHITE, 1997). Nesse sentido, tais instrumentos tornaram-se um conjunto de tecnologias orientadoras de ações que possibilitam a otimização econômica e a minimização de impactos ambientais negativos decorrentes das atividades agropecuárias, e, assim, também imprescindíveis às atividades de planejamento ambiental.

Nos últimos anos, o uso de técnicas de automação passou a ser encontrado nas mais diferentes áreas da agricultura, predominantemente em atividades de mecanização (SONKA et al., 1996). Com o avanço de sensores e de aparelhos cada vez mais sofisticados, as técnicas de georreferenciamento e de predição vêm sendo cada vez mais difundidas dentro do contexto agrícola (ALVES et al., 2000; ANDERSON et al., 1996; BARNETT et al., 1997; BOOLTINK et al., 1996; BORGELT et al., 1996; KIRK et al., 1996; MATTHEWS et al., 1997; MONSON, 1997; WHITE, 1997). Aliadas a essas técnicas, cresce no País a proposição de Sistemas Integrados de Aviso (SIA) da presença de pragas, ou de controle de aspectos fitossanitários (GUERRA, 1991), já bem explorados em outros países, principalmente na Comunidade Europeia. Esses sistemas geralmente apresentam como base a chamada Estação de alerta que, de forma geral, contemplam desde a rede de coleta de dados até sua interpretação, o controle de registros/mapeamentos e a coordenação na divulgação de alertas e advertências por meio de campanhas, treinamentos e apoio logístico orientados ao controle. O registro, controle e recuperação de informações obtidas nos monitoramentos são facilitados pela utilização de Bancos de Dados, cujas vantagens relativas à utilização já são bem conhecidas.

O uso de técnicas de inteligência artificial (IA) também vem se mostrando eficiente para o desenvolvimento de sistemas computacionais voltados para o planejamento ambiental. Estes proporcionam ao usuário conclusões técnicas sobre matérias especializadas. Vários desses sistemas foram propostos nos últimos anos, os quais passaram a diagnosticar doenças, avaliar potenciais minerais de solos, sugerir estruturas de complexos compostos de química orgânica e proporcionar orientações (NILSSON, 1987). O uso de sistemas especialistas, assim como de outros métodos envolvendo enfoque sistêmico, demanda a busca de uma forma adequada de se representar e usar o conhecimento. Esses sistemas geralmente concentram-se nas informações resultantes dos trabalhos técnico-científicos ou de heurísticas levantadas junto à prática do produtor rural adquirida ao longo de sua experiência na condução de sua propriedade; nesse contexto, acrescenta-se que a aplicação de questionários voltados à elaboração do Diagnóstico Rápido Participativo (DRP) vem servindo de apoio às atividades de planejamento ambiental (GOMES et al., 2000). Nos sistemas especialistas, o conhecimento especializado sobre determinado assunto é representado por meio de um conjunto de várias regras simples, que são utilizadas para guiar o diálogo entre o sistema e o usuário para deduzir conclusões. Vê-se, portanto, que todas as ações que possibilitem automatizar a tomada de decisão baseada em dados gerados por especialistas, no âmbito de seus domínios de conhecimento, seriam um grande avanço para se disponibilizar conhecimento técnico de ponta, para a redução de erros decorrentes de falha humana e para a recuperação de uma gama maior de alternativas encontradas prontamente quando necessárias às atividades de planejamento ambiental da propriedade rural.

Percebe-se, pelo apresentado, que, apesar da existência de várias técnicas, ainda existe dificuldade para sua integração em um ambiente único, agravando etapas imprescindíveis a um planejamento ambiental eficiente, principalmente quando considerada a fase de proposição de estratégias que viabilizem a qualidade ambiental dos sistemas de produção. Sabe-se que o ponto mais importante na definição dessas estratégias reside no controle de atividades que ofereçam risco para o meio ambiente e, consequentemente, no estudo de possibilidade de ocorrência de impactos ambientais negativos. Essa avaliação de alternativas, a priori, é fundamental para evitá-los ainda na fase de implantação ou para sua mitigação, se já constatados no andamento das atividades.

Assim, o significado de “risco” passa a ser entendido, a partir desse ponto, como “a probabilidade de que uma situação física com potencial de causar danos (perigo) possa acontecer, em qualquer nível, em decorrência da exposição, durante um determinado espaço de tempo, a essa situação” (PESSOA; SCRAMIN, 2004, p. 13). Desse modo, o efeito da atividade em determinado ambiente deve considerar, além da atividade nele exercida, seus aspectos mais importantes na geração de impactos negativos. Por essa razão, a análise de risco se desenvolve baseada em quatro passos distintos (NEELY, 1994): a) identificação do perigo; b) estabelecimento de relações entre a presença do agente e a incidência do efeito adverso; c) a avaliação da exposição ao perigo; d) a caracterização do risco (onde é estimada a incidência de efeitos à saúde, sob diferentes condições de avaliação de exposição).

Sem a avaliação de risco, inserida no contexto de planejamento ambiental, aumenta-se a tendência de ocorrência de impacto ambiental negativo e, consequentemente, a necessidade de gastos com as medidas corretivas subsequentes. Cabe ressaltar também que “impacto ambiental” é aqui entendido, conforme definido pela Resolução Conama 001/86, por

[...] qualquer alteração das propriedades físicas, químicas e biológicas do meio ambiente, causada por qualquer forma de matéria ou energia resultante das atividades humanas que direta, ou indiretamente, afetam: a saúde, a segurança e o bem estar da população, as atividades sociais e econômicas, a biota, as condições estéticas e sanitárias do meio ambiente e a quantidade dos recursos naturais. (CONAMA, 1986)

Dependendo do perigo observado, as quantidades de variáveis e de fatores a serem avaliados na análise de risco de um mesmo objeto de estudo são consideráveis e diferenciadas. As ferramentas computacionais disponíveis para essa análise são, portanto, de grande auxílio tanto para a organização das informações locais quanto para facilitar a visão sistêmica do problema ou a aplicação de métodos expeditos para a análise de cenários alternativos ainda não investigados no sistema real. Várias delas encontram-se disponíveis para uso na análise de risco, tais como:

Inventários – levantamento das condições ambientais naturais locais subsidiando o processo de avaliação que contemplam dados meteorológicos, geomorfológicos, hidrogeológicos, hidrológicos, pedológicos, florísticos e faunísticos, bem como do uso e ocupação regional e manejo da área (irrigação, solo, culturas, entre outros), além de outras informações relacionadas ao histórico da ocupação da área e aos aspectos culturais locais.

Técnicas de modelagem matemática e de simulação de sistemas – ferramentas matemáticas e computacionais para avaliação da dinâmica natural de processos ocorridos no meio natural e de avaliação de tendências e de comportamentos destes por meio da proposição de cenários atuais e alternativos, entre outras aplicações.

Técnicas de Inteligência Artificial – em particular, o uso de sistemas especialistas vem tomando espaço significativo no resgate e armazenamento de conhecimento de especialistas, em determinada área do conhecimento, incluindo aqueles conhecimentos de ordem heurística passíveis de serem perdidos. Desse modo, a experiência de diversos especialistas sobre um dado assunto torna-se disponível em um programa computacional que propicia sua recuperação, de forma isolada ou integrada, sempre que necessário.

Traçadores e produtos marcados – Uso de uma substância química ou radioativa que, depois de introduzida na água, no solo, na atmosfera ou em seres vivos (animais, plantas, ser humano), permite ser acompanhada e, consequentemente, monitorada para o teste de hipóteses relacionadas ao comportamento de produtos e fluxos no ambiente.

Técnicas de geoprocessamento – utilização de Sistema de Informação Geográfica (SIG) e de Sensoriamento Remoto como ferramentas úteis na estruturação de dados geoambientais locais. Eles possibilitam que informações georreferenciadas, apresentadas em um dado plano de informação temático, sejam cruzadas com outros planos de informação da área-alvo, na mesma escala do anterior, e com resultados advindos de outras técnicas. São, assim, importantes ferramentas integradoras do conhecimento local, de destacada utilidade no monitoramento do uso e da ocupação da terra, no zoneamento agroecológico, na análise da quantidade e disponibilidade dos recursos naturais, entre outras.

Técnicas de geoestatística – permitem detectar e modelar os padrões da dependência espacial dos atributos de um dado local e, assim, auxiliam na avaliação de risco associado. Por essa razão, essas técnicas vêm sendo eficazes na avaliação do estado de poluição do meio hídrico subterrâneo, pois permitem quantificar a incerteza subjacente a fenômenos hidrogeológicos; entre outros fatores.

Algumas dessas técnicas já foram discutidas brevemente, pois continuarão sendo citadas no corpo deste trabalho, tais como a aplicação da técnica de modelagem matemática e a de simulação de sistemas no contexto do planejamento ambiental. Percebe-se que ambas vêm sendo amplamente aplicadas ao estudo da dinâmica de agroquímicos no ambiente, em problemas de transportes de produtos agropecuários, na avaliação da dinâmica de pragas e doenças de culturas, no potencial de contaminação de água, solo e ar, na proposição de manejo centradas no uso das terras e aptidão agrícola, e no zoneamento agroecológico, entre outras aplicações.

A importância da utilização dessas técnicas, em particular, ficou ainda mais evidente a partir de outubro de 2000, quando, em uma conferência realizada em Friibergh, Suécia, vários cientistas, debatendo sobre os princípios do desenvolvimento sustentável e da sua consequente complexidade, propuseram a criação da Ciência da Sustentabilidade. Assim, ficou definida no relatório de Friibergh a necessidade da melhor compreensão das complexas interações dinâmicas entre sociedade e natureza de modo que a decorrente vulnerabilidade fosse revertida. Esse documento também ressaltou a necessidade de incrementar “avanços na habilidade em analisar e predizer o comportamento de sistemas auto-organizados, caracterizarem os impactos irreversíveis, interpretar múltiplas escalas de organização espacial e avaliar a função de vários atores sociais com expectativas divergentes”. Nesse contexto, percebe-se a importância singular da modelagem matemática e da simulação de sistemas para a proposição de estratégias voltadas para o desenvolvimento sustentável. Este capítulo apresentará considerações gerais sobre aplicações dessas técnicas e suas respectivas contribuições para o planejamento ambiental das atividades agropecuárias brasileiras, em prol do almejado desenvolvimento sustentável dos sistemas agropecuários.

Aspectos gerais

Um modelo matemático descreve um sistema real escolhido como objeto de estudo, em linguagem matemática.

A modelagem matemática é o processo de desenvolvimento dessa forma de representação do conhecimento, que pode ser feita por meio de operadores lógicos, funções, sistemas de equações e intervalos matemáticos, entre outros. Nos modelos matemáticos são representados, portanto, os componentes (entradas, variáveis, parâmetros e saídas) e as relações funcionais, em maior ou menor grau de detalhamento, em função do seu objetivo. Acrescenta-se a importância da modelagem matemática como uma ferramenta metodológica tanto na identificação de lacunas de pesquisa básica quanto na integração de conhecimentos existentes entre várias disciplinas, apresentados concomitantemente na ferramenta descritiva final do sistema real que a modelagem representa.

Segundo Pessoa et al. (1997), os modelos matemáticos podem ser classificados como: a) empíricos – quando são essencialmente descritivos e identificados por equações matemáticas capazes de representar dados experimentais de forma aceitável; nesse caso, possuem poucas restrições e são resultado única e diretamente de trabalho experimental; b) mecanicistas – quando descrevem, baseado em entendimento, os processos, as suas interligações e as suas suposições fundamentadas em maior quantidade de informações técnico-científicas sobre o problema real; c) normativos – quando a finalidade é otimizar um (ou mais) objetivo(s) mediante a proposição de normas (cláusulas definidas em intervalos matemáticos) relacionadas às ações a serem tomadas.

Esses mesmos autores relatam que os modelos matemáticos também podem ser classificados em função dos resultados que fornecem ao usuário como: a) reducionistas ou screening – quando fornece uma avaliação preliminar, fundamentada em descrição relativa de processos imprescindíveis para sua representação, tendo geralmente uma entrada de dados menos complexa, e algumas vezes refletindo situações controladas; b) de pesquisa – quando demandam profundo conhecimento do problema, representando, com rigor, os processos e suas interações, em forma rica de detalhamento técnico-científico; c) de manejo, de gerenciamento ou de tomada de decisão – associam conhecimento técnico-científico a heurísticas, úteis para a orientação do bom funcionamento do sistema real.

Entretanto, há de se registrar os equívocos conceituais atribuídos à técnica de simulação de sistemas por alguns autores, que em seus trabalhos frequentemente a confundem com a técnica de modelagem matemática. Na atividade de desenvolvimento de um simulador é necessário representar e operacionalizar um ou mais modelos matemáticos por meio de linguagem computacional, integrando-os a um ambiente único de programação que habilita a formulação e o teste de cenários do sistema idealizado para o objetivo do estudo. Desse modo, o processo de simulação de sistemas incorpora também o desenvolvimento de diagramas computacionais lógico e de fluxo, como também a elaboração do código computacional (documentado), que implementam os modelos matemáticos (interrelacionando-os) necessários para a representação sistêmica em análise, e desenvolvimento de interfaces de busca e recuperação de dados a serem utilizados por esses modelos, além da escolha de interfaces amigáveis ao usuário (entrada e saída de dados e interpretação de resultados). Percebe-se, portanto, que, apesar de estarem fortemente relacionados, os processos de modelagem matemática e de simulação de sistemas são claramente distintos. Acrescenta-se também que, nos países de língua americana, onde se iniciou o emprego massivo dessas técnicas, a simulação de sistemas é tratada por mathematical modelling simulation, no preciosismo de enfatizar o uso do método computacional baseado na representação matemática dos sistemas físicos abordados. A tradução para a língua portuguesa, fidedigna ao texto original, estimulou também a difusão conceitual equivocada já citada. Maiores considerações podem ser encontradas em Pessoa et al. (1997).

Os simuladores são comercializados ou oferecidos gratuitamente na internet como softwares de domínio público (também chamados de softwares livres). Essa última iniciativa favoreceu o uso de vários deles em diferentes locais, tanto isoladamente como integrados a outras ferramentas, como os Sistemas de Informações Geográficas (SIG), os Bancos de Dados e os Sistemas Especialistas, entre outras.

Na maioria dos modelos matemáticos e simuladores utilizados em apoio à avaliação de risco ambiental, algumas características e processos sempre estão presentes, em menor ou maior grau de detalhamento dependendo do objeto de estudo e dos resultados esperados. Veremos, a seguir, aplicações dessas técnicas na avaliação de diferentes riscos ambientais.

Apoio ao planejamento ambiental no contexto da propriedade agrícola

A aplicação de modelos matemáticos como ferramentas de suporte à tomada de decisão de planejamento e gerência de propriedades agrícolas não é recente. Esses modelos, conhecidos como Modelos de Fazendas, vêm sendo propostos, fundamentados na proposição de modelos conceituais e nas técnicas de programação matemática, para uso no País desde a década de 1970, propiciando a avaliação de sistemas de produção inicialmente em escala local (“propriedade”) (KLEIN; NARAYANAN, 1995). A partir deles, surgiram proposições em escalas regionais que deram suporte também à previsão de safra das principais culturas do País.

Veloso e Chaib Filho (1999) apontam o uso de estratégias de modelagem matemática para a avaliação de impacto dos sistemas de produção no ecossistema Cerrado, em termos sociais, econômicos e ecológicos, por meio de técnicas de previsão de preços e de produtividade de cultivos alternativos, de programação linear, inteira, multicritérios e técnicas de geoprocessamento. Esses mesmos autores também indicaram a existência de modelos em escala regional, propostos por Doppler (1994) e McGregor e Dent (1993), que possibilitaram analisar impactos de políticas alternativas e estratégias de pesquisa e extensão, como também apontou Stoorvogel (1995) para avaliar mudanças socioeconômicas sobre uma área agrícola fornecendo, portanto, subsídios também ao planejamento ambiental local e às políticas públicas futuras.

Schilizzi e Boulier (1997), também citados por Veloso e Chaib Filho (1999), destacaram a importância de envolver o produtor (“fazendeiro”) na elaboração desses tipos de modelos, visando tanto à obtenção de informações quanto à validação dos modelos.

Alguns anos antes, Orea et al. (1991) também propuseram um modelo informatizado, chamado Impro, para avaliação de impacto ambiental da implantação de projetos, aplicáveis àqueles voltados para a atividade agrícola, fundamentado em regras de decisão que possibilitam valorar de forma quantitativa e qualitativa os impactos ambientais, além de observar o efeito de medidas preventivas e mitigadoras. O funcionamento do modelo integra informações temáticas do meio a uma sistemática de conjuntos e de tratamentos diferenciados, em função da fase do projeto, baseado em critérios, valores e ponderações feitas pelo usuário favorecendo também estudos de sensibilidade de variáveis do meio.

Quase uma década depois do trabalho de Orea et al. (1991), Vieira (1999) apresentou considerações sobre o uso de modelos matemáticas baseados em lógica difusa (também conhecida como Fuzzy sets, Teoria dos conjuntos difusos ou lógica nebulosa) e em teoria de probabilidade comparadas à abordagem convencional determinística, para a avaliação de impactos econômicos e “ambientais” (ecológicos) na análise dos impactos de obras hidrelétricas. Recentemente, Silva et al. (2007) apresentaram aplicações da técnica para prognósticos de chuva no Nordeste brasileiro.

O programa do Sistema de Otimização do Lucro na Administração Rural (Solar) é um Sistema Inteligente de Apoio à Decisão, aplicado ao planejamento das propriedades agrícolas. Além de técnicas de inteligência artificial, o Solar integra um banco de dados e técnicas de pesquisa operacional para a alocação ótima de recursos na propriedade (OLIVEIRA et al., 1995, 1996).

Além das ferramentas citadas, várias outras também podem ser encontradas na literatura.

Aplicação nos manejos de culturas agrícolas e florestais

A simulação de sistemas também vem contribuindo para a investigação de fenômenos complexos, motivando a organização do conhecimento, direcionando pesquisas e apontando lacunas (PASSIOURA, 1996; PESSOA et al., 1997).

Dentre essas aplicações ressaltam-se a preocupação com os modelos de previsão de safras ou de desenvolvimento de culturas, além daqueles que representam a interação inseto-planta-meio ambiente, principalmente para os cultivos de maior peso comercial. Os modelos e simuladores apresentados nesse segmento vêm possibilitando a maior compreensão de aspectos pontuais da cultura, tais como fisiológicos, genéticos e nutricionais, entre outros, bem como representando o funcionamento de processos que ocorrem nesse ambiente de cultivo e, consequentemente, das interações nele existentes, de modo a possibilitar a visualização de como um determinado fator (abiótico, econômico e social, entre outros) interfere na cultura como um todo.

A maioria dos modelos matemáticos de culturas é resultado de observação empírica, ou seja, resultante de experimentos laboratoriais conduzidos sob a observação de algumas variáveis do sistema real em condições controladas, que permitem representar parte das relações existentes desse cenário observado em função de algum objetivo e hipóteses predefinidos. Vários desses modelos são resultantes de modelos de regressão linear e não linear ou de métodos estatísticos ajustados aos dados observados. Assim, as investigações subsequentes, que deles se utilizarem, também deverão se manter dentro das condições em que as relações empíricas foram estabelecidas, como também dentro da faixa de variação na qual elas tenham sido calibradas, caso contrário os resultados subsequentes obtidos pelas interpretações dos resultados experimentais ou por simulação serão menos fidedignos à realidade e pouco contribuiriam à tomada de decisão no que se refere a planejamento.

Dessa forma, vale a pena relembrar que todo modelo matemático possui limitações, utilizadas para a representação do conhecimento, que deverão ser consideradas na interpretação dos seus resultados ou futuras aplicações.

Alguns modelos mecanicistas incorporam um ou mais processos, representados por seus respectivos modelos matemáticos, que ocorrem no ambiente de cultivo de forma integrada, tais como fotossíntese, respiração, frutificação, erosão de solo, percolação de água, lixiviação de agrotóxicos, biodegradação microbiana, translocação e evapotranspiração, entre outros. Por meio de suas representações computacionais e das interações existentes, vem sendo possível acompanhar o desenvolvimento da planta, a sua produtividade, e a dinâmica populacional de insetos-praga ou de estratégias de controle biológico ou químico, entre outras aplicações. Essas representações fundamentam-se em informação existente, para a definição correta dos modelos, e possibilitam a investigação de cenários alternativos para manejo nas condições atuais ou, quando possível em função das premissas-base dos modelos elaborados, a investigação ex ante de cenários de manejo ainda não investigados na prática.

Grande parte desses programas propicia a avaliação do crescimento da cultura para variedades específicas, possibilitando a análise de sensibilidade de variáveis que interferem em seu desenvolvimento e sua produtividade. Levam em consideração a influência de fatores no desenvolvimento da cultura, tais como os fatores climáticos, a área foliar, a dinâmica de nitrogênio, o tipo de solo e/ou variáveis dele representativas, tais como conteúdo de matéria orgânica, densidade aparente, ponto de murcha, saturação, capacidade de campo, irrigação, evaporação/evapotranspiração do solo e planta, entre outros.

No que se refere às estimativas de safra, vários modelos matemáticos de culturas vêm sendo incorporados aos simuladores, no intuito de avaliar o funcionamento dos sistemas produtivos sob diferentes alternativas de manejo de solo, água e planta, entre outros. Esses programas também são importantes para o planejamento ambiental da propriedade agrícola, pois propiciam a tomada de decisão mais apropriada ao manejo frente às características locais e, assim, podem conduzir ao uso de estratégias de fomento a melhores produtividades no contexto da sustentabilidade agrícola.

Os simuladores mais citados em todo o mundo gradativamente vêm sendo aperfeiçoados a diferentes variedades, culturas e/ou condições ambientais tropicais integrados a técnicas de posicionamento global por satélite (GPS), de Sistemas de Informação Geográfica (SGI), Sistemas Especialistas (SE) ou desenvolvidos especificamente para esses ambientes. Entre eles citam-se aqueles que contemplam culturas como feijão, algodão, amendoim, cana-de-açúcar, trigo, soja, milho, sorgo, aveia, arroz e milho, entre outras: AGSystem, BEANGRO, CERES-Sorghum, CERES-Millet, CERES-Maize, CERES-Rice, CERES-Wheat, CROPGRO, CropSys, Decision Support Systems for Agrotechnology Transfer (DSSAT) v.3, EPIC, EPIPRE, GOSSYM, GOSSYM/COMAX, GRO-Soybean, GRO-Peanut, ORYZA, PNUTGRO, SOYGRO, Structural Thinking Experimental Learning (STELLA), SWheat, Texas Cotton Insect Model– (TEXCIM), WTGROWS (BAKER et al., 1983; BOOTE et al., 1989; CALDWELl, 1989; CALDWELL; HANSEN, 1993; GODWIN et al., 1989, 1990; HOOGENBOOM et al., 1992, 1994; JONES et al., 1989; LEGASPI
et al., 1988; MCKINION et al., 1989; RICHMOND, 1987; RITCHIE et al., 1989; RITCHIE; SCHULTES, 1994; STONE et al., 1990; KEULEN, 1994; WHISLER
et al., 1986; WILLIAMS et al., 1989; ZADOKS, 1981). Alguns dos simuladores listados também incorporaram a modelagem matemática e a simulação da dinâmica populacional de pragas de culturas como do algodão e do milho, acrescentando-se também aquele desenvolvido para avaliação da dinâmica da lagarta-da-soja por Wilkerson et al. (1986), entre tantos outros.

O potencial de uso dos simuladores, de forma geral, bem como suas limitações, foi bem discutido por Boote et al. (1996). Esses autores apontaram a necessidade de conhecer o nível de complexidade necessário à representação dos modelos em função dos objetivos de estudos propostos, onde modelos muito simples podem não ser apropriados à representação de um fenômeno particular, enquanto os modelos muito complexos requerem uma grande quantidade de informações como dados de entrada que acabam tornando-os pouco práticos às condições de campo.

Simuladores de geração aleatória de fatores climáticos são utilizados, geralmente, concomitantemente aos simuladores baseados em modelos de culturas, a saber: Weather Generators (WGEN) (RICHARDSON; WRIGHT, 1984) e WMAKER (KELLER, 1985).

Muitos dos simuladores supracitados foram utilizados, integrados a técnicas de geoprocessamento, também para analisar a produtividade regional de culturas (LAL et al., 1993) e para avaliar o impacto das mudanças climáticas globais nas culturas (CURRY et al., 1990; EARSTERLING et al., 1993).

Alguns modelos matemáticos e simuladores também vêm sendo desenvolvidos e/ou adaptados para o ambiente brasileiro, porém a maioria encontra-se em versão acadêmica e é utilizada por centros de pesquisa. Entre uma dessas aplicações, cita-se o uso do DSSAT para a avaliação da relação solo-planta-clima por Siqueira (1991).

Outros processos também são considerados pelos modelos matemáticos de culturas, tais como evapotranspiração, evapotranspiração potencial (EPT) e evapotranspiração real (SILVA; ASSAD, 1998). O coeficiente cultural ou coeficiente de cultura (Kc), um dos parâmetros de entrada solicitados por grande parte dos simuladores, foi definido por Ometo (1981). Todos são indicadores da necessidade de água da cultura em suas diversas fases fenológicas (ASSAD et al., 1998). Um maior detalhamento de todos esses parâmetros, bem como dos métodos para sua determinação, encontra-se em Reichardt (1990), Assad e Sano (1998) e em Pereira et al. (1997).

Existem registros do uso de modelos matemáticos e simuladores para estimativas de safra adaptados às condições brasileiras como as propostas por Silva (2002), que analisou os efeitos dos fatores hidroclimáticos na variabilidade do rendimento da cultura de milho em sistemas de plantio direto no Cerrado brasileiro, avaliando o efeito climático em diferentes fases de desenvolvimento da cultura e, assim, gerando informações de apoio à decisão no aperfeiçoamento do zoneamento de risco climático para essa cultura. Esse trabalho fez uso do simulador Simulateur Multidisciplinaire pour les Cultures Standard (Stics).

Já Liu et al. (1989) aplicaram o CERES-Maize a uma variedade de milho híbrido brasileira para avaliar a produtividade da cultura, enquanto o modelo fisiológico CERES-Trigo foi utilizado em dados coletados em campo experimental visando a estimativa da produtividade de trigo nessas condições (ANUNCIAÇÃO; LIU, 1991). Siqueira e Berg (1991) também apresentaram estratégias para a validação do simulador SOYGRO-Soja para o Rio Grande do Sul no intuito de disponibilizar essa ferramenta para avaliação do comportamento dessa cultura nas condições do sul do Brasil.

Silva e Bergamasco (2001) apresentaram um levantamento sobre os modelos matemáticos para a cultura da cana-de-açúcar. Esse trabalho cita modelos e simuladores aplicados à previsão de crescimento da cultura e de estimativa de produtividade, à estimativa de balanço de carbono de uma comunidade vegetal, à previsão de produção de matéria seca da cana-de-açúcar, à transferência de metais pesados durante o caminho (composto de lixo-solo-raiz-parte aérea) e ao crescimento de índice de área foliar. Também para essa cultura, Bergamasco et al. (2002) apontaram o uso de modelo de balanço de nitrogênio para a previsão de resposta da cana-de-açúcar ao uso de fertilizante nitrogenado.

Ainda no que se refere à utilização de simuladores para avaliação de efeitos das mudanças climáticas globais na agricultura, há registro dos trabalhos de Siqueira et al. (1994), Streck e Alberto (2006), Plec et al. (2007), Domingues et al. (2008) e Nobre (2009). Para a avaliação de produção de culturas na ocorrência de veranicos, Sousa (1999) disponibilizou o programa VERANICO 1.0, que vem sendo usado por Hernandez et al. (2000) para avaliar as culturas de algodão, feijão, banana, uva, citros e milho na região de Palmeira d’Oeste, SP.

Acuña et al. (2005), também disponibilizaram o programa PROGRESSA, que permite analisar as relações entre as variáveis climáticas e o desenvolvimento de doenças de plantas, utilizando dados de severidade, entre outros.

Entre alguns dos modelos matemáticos e simuladores propostos para a avaliação da dinâmica de pragas e doenças das culturas agrícolas, citam-se estratégias de avaliação da dinâmica populacional do bicudo-do- algodoeiro sob estratégias de Manejo Integrado de Pragas (PESSOA, 1994), assim como a modelagem matemática e simulação da lagarta-da-soja proposta para as condições brasileiras por Gazzoni et al. (1998). A citação de apenas alguns poucos modelos e simuladores para essa aplicação não deve impedir que o leitor os encontre facilmente em pesquisas mais acuidosas na literatura nacional.

Alguns dos modelos e simuladores citados anteriormente vêm também sendo utilizados ou adaptados ao manejo florestal. Os principais benefícios ambientais do cultivo do eucalipto são apontados por Valverde (2005) como “diminuição na pressão sobre as florestas nativas, abrigo para a fauna, proteção das águas e dos solos, melhoria da qualidade do ar, recuperação de áreas degradadas, contribuição para a mitigação do efeito estufa, etc.”. Sendo plantado em larga escala no Brasil, esse cultivo florestal também é ameaçado por pragas, doenças e plantas invasoras (FIRMINO, 2004). Além da intensificação de ocorrência das pragas e doenças tradicionais, as pragas exóticas têm também gerado danos e preocupações consideráveis ao setor florestal nacional (SÁ; WILCKEN, 2004; WILCKEN et al., 2003), o que vem acarretando a investigação biológica para a proposição de modelos matemáticos e simuladores orientadores à estratégia de manejo de pragas da cultura. Em particular para o psilídeo-de-concha, a Embrapa Meio Ambiente e a Unesp-Botucatu reuniram informações obtidas até o momento sobre a bioecologia de Glycaspis brimblecombei e do desenvolvimento fisiológico de Eucalyptus camaldulensis em ambiente nacional, aliadas às informações do comportamento de Psyllaephagus bliteus no controle biológico da praga, para a proposição de modelos matemáticos representativos dos ciclos de vida da praga, parasitoide, e de desenvolvimento do eucalipto, em função de variáveis abióticas (temperaturas máxima, mínima, temperatura média, pluviosidade e umidade relativa, entre outras) e de integrações decorrentes. Por meio de uma investigação por simulação de sistemas foram avaliadas estratégias diferenciadas que possibilitaram observar a dinâmica populacional da praga em condições laboratoriais visando à identificação de periodos mais propícios e preferenciais ao parasitismo e, assim, condições mais apropriadas a elevar as condições de manutenção dessa criação (PESSOA et al., 2008c), imprescindíveis para o controle em condição de campo e à proposição de programas de manejo integrado de G. brimblecombei no País.

Outras informações resultantes de modelos matemáticos formulados para avaliações da produção de biomassa, da taxa de crescimento e do déficit hídrico, entre outras informações relativas à espécie Eucalyptus spp. também estão disponíveis na literatura, bem como a variação do índice de área foliar ao longo de seu ciclo de crescimento (CHAPERON, 1987; XAVIER et al., 2002), sendo imprescindíveis para a proposição de modelos da planta que considerem fotossíntese. A utilização de modelos matemáticos voltados para o melhoramento genético foi também obtida com a utilização de técnicas multivariadas aplicadas ao melhoramento de plantas (CRUZ, 1990) e modelos biométricos (CRUZ; REGAZZI, 1994). Exemplos dessa aplicação são encontrados também para E. camaldulensis, onde foram avaliados, por meio de predição, os ganhos genéticos em melhoramento florestal com o uso de modelos de correlação genotípica e fenotípica, entre outros, que assim possibilitaram verificar se os fatores genéticos foram mais importantes que os do ambiente (PAULA et al., 2003).

A exemplo das aplicações para as culturas supracitadas, várias outras se encontram disponíveis na literatura nacional, o que, por motivo de espaço reduzido para enunciá-los detalhadamente, será deixado a cargo dos leitores em caso de maior interesse.

Uso na avaliação de risco do uso de agrotóxicos no ambiente de produção

Apesar dos citados impactos ambientais advindos da utilização de monocultivos extensivos no Brasil, estes ainda são praticados, exigindo forte aporte de insumos como agrotóxicos, entre outros.

O termo agrotóxico é usado, no seu mais amplo sentido, para se referir a qualquer composto orgânico sintético que seja manufaturado para uso na agricultura visando a prevenir ou reduzir efeitos adversos de pragas, independentemente de que sejam insetos, microrganismos deletérios ou plantas indesejáveis. O termo inclui todos os inseticidas, fungicidas, herbicidas, fumigantes e outros compostos orgânicos usados para a prevenção de pragas (PESSOA; SCRAMIN, 2004).

A alegada vantagem do uso de agrotóxicos sobre outros métodos de controle fundamenta-se, basicamente, na sua eficiência em reduzir drasticamente a população de pragas agrícolas (onde aqui se contemplam também as doenças e as plantas invasoras) já nas primeiras aplicações dos produtos. Por essa razão, o Brasil situa-se entre os maiores consumidores mundiais de agrotóxicos. A exposição dos diferentes agroecossistemas brasileiros ao uso de agrotóxicos traz preocupações quanto ao perigo de contaminações indesejáveis provocadas pela utilização desses produtos, dentro ou fora dos procedimentos definidos (PESSOA; SCRAMIN, 2004). Entre os principais perigos citam-se: resistência aos produtos aplicados; contaminações de solo, de água, de atmosfera e de seres vivos (planta, animais, microrganismos e homem); diminuição de populações benéficas, entre outras. Evidencia-se, assim, a necessidade de conhecer a dinâmica do produto aplicado no local em que é empregado, considerando tanto as suas próprias características como sua interação e relações nesse ambiente como um todo.

Apesar de aparentemente fácil, essa relação causa-efeito entre o uso de agrotóxicos para a produção agrícola e a observação da contaminação do ambiente, ocasionando efeitos adversos, não pode ser rapidamente estabelecida, na maioria dos casos. Incidentes relatando o uso desses produtos são frequentemente mapeados identificando que a origem do problema geralmente está associada à aplicação ou a práticas agrícolas inapropriadas. Dessa forma, antes que qualquer decisão seja tomada no sentido de estimular/desestimular, orientar ou priorizar o uso de agrotóxicos na produção agrícola, deve ser bem estabelecido o risco de sua utilização em diferentes agroecossistemas. Por essa razão, a avaliação de risco torna-se imperativa na definição de práticas menos impactantes ao ambiente, como as que vêm sendo utilizadas nos programas de Boas Práticas Agrícolas. Nesse contexto, a modelagem matemática e a simulação de sistemas computacionais aplicadas à avaliação de risco do uso de agrotóxicos farão uso da descrição dos processos físicos, químicos e biológicos associados a esses produtos, tais como suas propriedades e relações de interação com ar, água, solo e biota. Assim, passam a ser representadas pelos processos de comportamento, de transformação e de destino dos produtos aplicados no ambiente.

Acrescenta-se que a avaliação do risco de utilização de agrotóxicos em agroecossistemas também deve avaliar os equipamentos utilizados, o manejo de solo, de água e da planta propostos para a cultura, o uso da terra e da água em sua vizinhança, e as orientações fornecidas ao produtor e a forma como ele as implementam no campo. Torna-se ineficiente empregá-la isoladamente para fins de avaliação da intensidade de exposição e, consequentemente, para a caracterização e manejo de risco no contexto estratégico do planejamento ambiental. Assim, a avaliação de risco é fundamental como medida preventiva à identificação de tendências futuras de comportamento, transporte e retenção de agrotóxicos no ambiente. Maiores considerações relacionadas a esses processos e outras considerações sobre agrotóxicos e ambiente podem ser encontradas detalhadamente em Souza e Fay (2004).

A representação matemática dos processos citados anteriormente demanda, portanto, informações que favoreçam sua quantificação ou estimativa. Por esse motivo, vários simuladores incorporam parâmetros e variáveis que os representem ou estimem (PESSOA; SCRAMIN, 2004; PESSOA et al., 1997).

Os modelos matemáticos e simuladores disponibilizados na literatura científica para avaliação do movimento de agrotóxicos aplicados em áreas agrícolas foram apresentados por vários autores (FUNARI et al., 1991; IUPAC, 1995; JURY; GHODRATI, 1989; PESSOA et al., 1997; SOUTHWORTH
et al., 1987; ZEE, 1991). Alguns deles são simples e fornecem resultados baseados nas características próprias dos produtos aplicados e de informações macro do ambiente. A partir delas, possibilita-se a determinação de índices visando à classificação do potencial de lixiviação e de retenção dos produtos por meio de equações matemáticas ou de intervalos matemáticos. A maior parte desses modelos é amplamente utilizada nos Estados Unidos, na Alemanha, na Dinamarca, na Holanda, no Brasil e na Austrália, entre outros, pela facilidade de uso, em função dos dados solicitados, e da agilidade na obtenção de respostas, e muitas vezes incorporados a simuladores.

Pessoa e Scramin (2004) citam os principais modelos matemáticos utilizados mundialmente para avaliação rápida do potencial de lixiviação e de retenção de agrotóxicos, que resumidamente são descritos por índice de Groundwater Ubiquity Score (GUS) (GUSTAFSON, 1989), Screening da US Environmental Protection Agency (EPA) (COHEN et al., 1995), Screening level tier da EPA (COHEN et al., 1984), Método de GOSS (GOSS, 1991), Fator de Atenuação (AF) ou índice de emissão de massa de pesticidas no solo (RAO et al., 1985), Fator de Retardamento (RF) ou índice de retardamento de pesticidas no solo (RAO et al., 1985), Equação Universal de Perda de Solo (USLE) (WISCHMEIER; SMITH, 1978), Equação Universal de Perda de Solo Revisada (RUSLE) (RENARD et al., 1991), Equação Universal de Perda de Solo Modificada (MUSLE) (CHAVES, 1991; WILLIAMS, 1975) e modelos de fugacidade ou de tendência de escape de substâncias para compartimentos como solo, água, ar, biota (LEWIS, 1901; MACKAY, 1993; PAUSNITZ, 1969; NESS; ABBOTT, 1982), entre outros. Entre algumas aplicações disponíveis na literatura citam-se Pessoa et al. (2007, 2008a, 2008b), Ferracini e Pessoa (2008), Paraíba et al. (2007), Fernandes et al. (1999, 2002, 2003), Resende e Almeida (1995), Fernandes (1995) e Fernandes e Fernandes Filho (1997).

Pessoa e Scramin (2004) e Pessoa et al. (1997) apresentaram os simuladores utilizados para avaliação de cenários de uso de agrotóxicos para diferentes ambientes e culturas onde os mais utilizados mundialmente são: Chemical Movement in Layered Soils (CMLS-94) (NOFZIGER; HORNSBY, 1994), Pesticide Root Zone Model (PRZM) (CARSEL et al.; 1985, 1998; DOWD et al., 1993; US-EPA, 1994), Soil Water Atmosphere Plant (SWAP) (DAM et al., 1997), Nitrate Leaching and Economic Analisys Package (NLEAP) (SHAFFER et al., 1991a, 1991b), Leaching Estimation and Chemistry Model (LEACHM) (WAGENET; HUDSON, 1989), Erosion-Productivity Impact Calculator (EPIC) (SHARPLEY; WILLIAMS, 1990), Pesticide Leaching Model (PELMO) (KLEIN, 1994) e Simulator for Water Resources in Rural Basins (SWRRB) (ARNOLD et al., 1990), entre outros. Algumas aplicações para o ambiente brasileiro podem ser encontradas em Lima et al. (2007), Pessoa et al. (2008a, 2008b), Figueiredo et al. (2007) e Gebler (2000), entre outros.

A validação de alguns desses programas para as condições ambientais do Brasil também vem se processando à medida que sua utilização tem-se ampliado (GEBLER, 2000; GIULIANO, 1995; PESSOA et al., 2008b, PESSOA; SCRAMIN, 2004).

Entre esses trabalhos citam-se os conduzidos por Scorza e Boesten (2005) e Scorza Júnior e Silva (2007), que utilizou os simuladores MACRO e PEARL para avaliar a lixiviação de agrotóxicos, com aplicações para a região de Dourados, MS; e os de calibração do modelo determinístico LEACHM-P para condições edafoambientais brasileiras elaborado por Giuliano (1995). Outros também foram apontados por Pessoa e Scramin (2004). Muitos desses trabalhos apresentam interfaces com a avaliação da qualidade da água, onde os agrotóxicos vêm sendo utilizados. A seguir serão apresentadas algumas aplicações de modelagem matemática e simulação para esse problema específico onde não serão reapresentados, portanto, os recursos já citados.

Aplicações para a avaliação de qualidade de água

A poluição dos recursos hídricos é uma preocupação internacional, uma vez que a água é utilizada para diferentes usos e que, mesmo observado os 2,5% de água doce de todo o planeta, constata-se que dessas águas, cerca de 1,7% estão congeladas, 0,75% são águas subterrâneas e somente 0,01% são águas de superfície (QUEIROZ; PESSOA, 2003). Dessa forma, exposta às diferentes atividades, que fazem uso desse recurso natural não renovável ou nele exercem pressão, destacam-se como imprescindíveis as atividades de planejamento voltadas para a sua conservação e preservação.

Vários simuladores e modelos matemáticos estão disponíveis para auxiliar nessa avaliação, alguns deles já citados na seção anterior, associados à dinâmica de agrotóxicos e suas implicações na qualidade das águas. Outras, também apontadas neste capítulo, estão em uso em todo o mundo e um maior detalhamento pode ser encontrado em Pessoa et al. (1997) e podendo ser encontrado em alguns sites1.

Alguns modelos e simuladores vêm sendo utilizados pelos órgãos de saúde pública de vários países. Argentina, Bolívia, Brasil, Colômbia, Costa Rica, Cuba, Equador, México, Paraguai e Peru, por exemplo, utilizam simuladores apontados pelo Centro Pan-Americano de Engenharia Sanitária e Ciências do Ambiente (Cepis). São eles: RIOS IV, elaborado pelo Cepis em 1995; MULTI_SMP, elaborado para a EPA pela LimnoTech em 1992; SPAM, elaborado pelo Hydroqual, em 1984; WASTOX, elaborado pelo Manhattan College para a EPA, em 1994; LACAT, elaborado pelo Cepis, em 1990; e Clark, elaborado por Sonzogny, em 1978. A maioria dessas ferramentas, entretanto, foi desenvolvida considerando os corpos d’água superficiais, assim como lagos, represas e rios.

A descrição dos modelos pode ser encontrada em Salas e Martino (2001), Baecheler et al. (1999), Sanches (1995), Connolly e Thomann (1985), Connolly e Winfield (1980), Hydroqual (1984), e US-EPA (1992).

Aplicações no manejo da pecuária

Programas e técnicas de modelagem matemática aplicados ao planejamento das atividades da pecuária e de suínos e aves também estão apresentados na literatura nacional.

Guahyaba (2004) aponta a utilização de técnicas matemáticas como uma das principais responsáveis pela evolução da avicultura. Esse autor reforça a necessidade de maior utilização dos recursos humanos nacionais e de melhorias na transferência de tecnologia já disponibilizada no nosso país. Entre as tecnologias já disponibilizadas, o autor cita: a) o uso de modelos matemáticos para explicar a produção de anticorpos (pós-vacinação), para diferentes idades de aves, às doenças de Gumboro e de Newcastle e à bronquite infecciosa (SALLE et al., 1998b; SOARES, 1995); b) uso de modelos para correlacionar níveis de aflatoxina e de ocratoxina em alimento (ração) e vísceras de frango de corte com os parâmetros produtivos do lote (SALLE et al., 1998a); c) uso de modelagem matemática para a compreensão de partes do processo produtivo, tais como para estimar a produção de ovos (FIALHO; LEDUR, 2000a, FIALHO; LEDUR, 2000b), na avaliação do desenvolvimento e crescimento para frangos de corte (IVEY, 1999), entre outros (SALLE et al., 2001).

Para auxiliar na tomada de decisão em sistemas de produção de ruminantes em pastagens, Medeiros (2003) avaliou vários modelos, dentre os quais o modelo Stockpol, nas condições brasileiras. Trata-se de um modelo de acúmulo de forragem em função de variáveis climáticas e modelos de estimativa de consumo de forragens em sistema de produção de ruminantes em pastagens.

Considerações finais

Como apresentado, existem técnicas disponíveis ao planejamento ambiental. Entre os trabalhos que delas se utilizam, o emprego de técnicas matemáticas é maioria, onde a aplicação da teoria dos conjuntos (incluindo os difusos), de inequações matemáticas, da proposição de matrizes, sistemas de equações lineares e não lineares, e sistemas discretos/contínuos, entre outros, são comumente encontrados. O objetivo fundamental de todos eles é o aumento do conhecimento atual e do comportamento futuro dos sistemas investigados, fundamentado na informação já adquirida sobre as suas particularidades ambientais (ecológica, econômica e social).

Nesse sentido, o avanço das atividades de análise de risco ambiental, imprescindíveis ao planejamento ambiental, só será efetivamente factível se estiver aliada ao avanço do conhecimento científico oferecido pela pesquisa básica de áreas multidisciplinares.

Meios computacionais disponibilizam ferramentas de organização/recuperação da informação cada vez mais amigáveis e mais acessíveis financeiramente para os usuários, além de programas e instrumentos de integração de informações, tão imprescindíveis ao conhecimento holístico da atividade-alvo do planejamento. Por essa razão, surgem novas alternativas para uso de Bancos de Dados, Sistemas Especialistas, Sistemas de Informação Geográfica, Modelagem Matemática e Simulação de Sistemas, entre outros, em diferentes sistemas de produção agropecuários, de modo a promover alternativas de fomento à manutenção da qualidade ambiental e, consequentemente, o desenvolvimento sustentável da atividade agropecuária no Brasil.

Infelizmente, a maior lacuna para o avanço das estratégias de modelagem matemática e simulações aplicadas ao planejamento ambiental da propriedade agrícola concentra-se ainda na coleta e, principalmente, na disponibilidade de informações, imprescindíveis à representação do conhecimento de complexos bioecológicos que propiciem a elaboração de simuladores eficientes para o ambiente nacional, principalmente para viabilizar estudos de comportamento, a priori, de pragas exóticas, de manejo de culturas, da dinâmica de insumos no ambiente, e da implicação da atividade produtiva no ambiente de produção, entre outros. Nesse contexto, nunca é demasiado relembrar pontos extremamente importantes, como aqueles apontados resumidamente por Christofoletti (2002) ao ressaltar que todo modelo, independentemente do tipo, deve ser formulado baseado na consistência lógica apresentada em seus pressupostos, suas deduções e suas conclusões. Dessa forma, tão importante quanto a base teórica e as informações qualitativas/quantitativas sobre o objeto do estudo (conhecimento sobre o assunto real) são o desenvolvimento lógico dentro das estruturas formais (linguagens matemática e de programação) e a consistência das conclusões fornecidas pela ferramenta.

Este trabalho apresenta parte dos conceitos fundamentais e dos modelos matemáticos e simuladores numéricos utilizados para apoiar atividades de análise e tomada de decisão no contexto do planejamento ambiental da atividade agrícola. Pretende-se, assim, por meio da experiência adquirida na identificação, na análise e na seleção para uso e priorização de desenvolvimento de modelos e simuladores necessários ao planejamento ambiental, difundir conhecimento que motive uma maior gama de interessados em suas aplicações, e sensibilizar o leitor à necessidade de sua correta proposição, de modo a viabilizar resultados possíveis de uso prático.

Referências

Acuña, R. S.; CRUZ, C. D.; VALE, F. X. R. do; ZAMBOLIM, L. PROGRESSA. In: Informática na agricultura, agroindústria e meio ambiente. Viçosa: Universidade Federal de Viçosa. Disponível em: <http://www.ufv.br/ctq/home.htm#progressa>. Acesso em: 20 jan. 2005.

ALVES, H. M. R.; VIEIRA, T. G. C.; ANDRADE, H. Sistemas de informação geográfica na avaliação de impactos ambientais provenientes da atividade agropecuária. Informe Agropecuário, Belo Horizonte, v. 21, n. 202, p. 99-109, 2000.

Anderson, G. L.; Yang, C. H.; Robert, P. C.; Rust, R. H.; Larson, W. E. Multispectral videography and geographic information systems for site-specific farm management. INTERNATIONAL CONFERENCE PRECISION AGRICULTURE, 3., 1996, Minneapolis. Proceedings… Minneapolis: ASAE, 1996. p. 681-692.

ANUNCIAÇÃO, Y. M. T. da; LIU, W. T. Estimativa da produtividade do trigo em campo experimental, utilizando o modelo fisiológico CERES trigo em condições de campo experimental. In: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA, 7., 1991, Viçosa. Resumos... Viçosa: Universidade Federal de Viçosa, 1991. p. 22-25.

ARNOLD, J. G; WILLIAMS, J. R.; NICKS, A. D.; SAMMONS, N. B. SWRRB: a basin scale simulation model for soil and water resources management. College Station: Texas A&M University Press, 1990. 255 p.

ASSAD, E. D.; SANO, E .E. (Ed.). Sistema de informações geográficas: aplicações na agricultura. 2. ed. Brasília, DF: Embrapa-SPI: Embrapa-CPAC, 1998. 434 p.

ASSAD, E. D.; SANO, E. E.; BEZERRA, H. da S.: SILVA, S. C. da; LOBATO, E. J. V. Uso de modelos numéricos de terreno na espacialização de épocas de plantio. In: ASSAD, E. D.; SANO, E. E. (Ed.). Sistema de informações geográficas: aplicações na agricultura. Brasília, DF: Embrapa-SPI: Embrapa-CPAC, 1998. 434 p.

Baecheler, J. V.; Biagiarini, M. Z. Riocal v.1.0, un modelo unidimensional de calidad de aguas en ríos. In: Water Environment Federation. Agua y medio ambiente: desafíos del tercer milenio. Santiago: AIDIS, 1999. p.1-14 (CEPIS. -038313).

BAKER, D. N.; LAMBERT, J. R.; MCKINION, J. M. GOSSYM: a simulator of cotton crop growth and yield. Clemson: South Carolina Agricultutal Experiment Station, 1983. (Technical Bulletin 1089, 1983).

Barnett, V.; Landau, S.; Colls, J. J.; Craigon, J.; Mitchell, R. A. C.; Payne, R. W.; Lake, J. V.; Bock, G. R.; Goode, J. A. Predicting wheat yields: the search for valid and precise models. In: PRECISION AGRICULTURE: SPATIAL AND TEMPORAL VARIABILITY OF ENVIRONMENTAL QUALITY, 1997, Wageningen. Symposium… Wageningen: CIBA Foundation: John Wiley and Sons, 1997. p. 79-99.

BERGAMASCO, A. F.; SILVA, F. C. da; RODRIGUES, L. H. A.; TRIVELIN, P. C. O. Aplicabilidade do modelo de balanço de Nitrogênio para previsão de resposta da cana-de-açúcar ao fertilizante nitrogenado. Campinas: Embrapa Informação Agropecuária, 2002. 9 p. (Comunicado Técnico; 28).

BEZERRA, M. C. L. Planejamento e gestão ambiental: uma abordagem do ponto de vista dos instrumentos econômicos. 1996. 234 f. Tese (Doutorado) - Faculdade de Arquitetura e Urbanismo da Universidade de São Paulo, São Paulo, 1996.

Booltink, H. W. G.; Verhagen, J.; Bouma, J.; Thornton, P. K.; Robert, P. C.; Rust, R. H.; Larson, W. E. Application of simulation models and weather generators to optimize farm management strategies. INTERNATIONAL CONFERENCE PRECISION AGRICULTURE, 3., 1996, Minneapolis. Proceedings… Minneapolis, 1996. p. 343-360.

BOOTE, K, J.; JONES, J. W.; HOOGENBOOM, G; WILKERSON, G. G.; JAGTAP, S. S. PNUTGRO V1.2, Peanut crop growth simulation model: user´s guide. Florida Agricultural Experiment Stations Journal, Gainsville, n. 8420, 1989.

BOOTE, K. J.; JONES, J. W.; PICKERING, N. B. Potential uses and limitations of crop models. Agronomy Journal, Madison, v. 88, p. 704-716, 1996.

Borgelt, S. C.; Harrison, J. D.; Sudduth, K. A.; Birrell, S. J. Evaluation of GPS for applications in precision agriculture. Applied Engineering in Agriculture, St. Joseph,
v. 12, n. 6, p. 633-638, 1996.

CALDWELL, R. M. AGSYSTEM: an objected model of the agricultural systems hierarchy. WORKSHOP ON CROP SIMULATION, 1989, Urbana. Proceedings… Urbana: Biological Systems Simulation Group, 1989.

CALDWELL, R. M.; HANSEN, J. W. Simulation of multiple cropping systems with CropSys. In: VRIES, F. W. T. P. de; TENG, P.; METSELAAR, K. (Ed.). Systems approaches for agricultural development. Dordrecht: Academic Publishers, 1993

Carsel, R. F.; Mulkey, L. A.; Lorber, M. N.; Baskin, L. B. The pesticide root zone model (PRZM): a procedure for evaluating pesticide leaching threats to groundwater. Ecological Modelling, Amsterdam, NL, v. 30, p. 49-69, 1985.

Carsel R. F.; Imhoff, J. C.; Hummel P. R.; Cheplick, J. M.; Donigan, J. r. PRZM-3, a model for predicting pesticide and nitrogen fate in the crop root and unsaturated soil zones: users manual for release 3.0. Athens: National Exposure Laboratory: Environmental Protection Agency, 1998.

CHAPERON, H. Vegetative propagation of Eucalyptus. In: SIMPÓSIO SOBRE SILVICULTURA Y MEJORAMENTO GENÉTICO DE ESPÉCIES FORESTALES. 1987, Buenos Aires. Anais… Buenos Aires: CIEF, 1987. p. 215-32.

Chaves, H. M. L. Análise global de sustentabilidade dos parâmetros da equação universal de perda de solo modificada (musle). Revista Brasileira de Ciência do Solo, Campinas, v. 15, p. 345-350, 1991.

CLARK, B. D.; BISSET, R.; WATHERN, P. Environmental impact assessment: a bibliography with abstracts. London, UK: Mansell, 1980. 516 p.

COHEN, S. Z.; CREEGER, S. M.; CARSEL, R. F.; ENFIELD, C. G. That herbicides retained throughout. In: KRUGER, R. F.; SEIBER, J. N. (Ed.). Treatment and disposal of pesticide wastes. Washington, DC: American Chemical Society, 1984. (ACS Symposium Series n. 259).

Cohen, S. Z.; Wauchope, R. D.; Klein, A. W.; Eadsforth, C. V.; Graney, R. Offsite transport of pesticides in water: mathematical models of pesticide leaching and runoff. Pure and Applied Chemistry, London, UK, v. 67, p. 2109-2148, 1995.

CONAMA. Conselho Nacional do Meio Ambiente. Resolução Conama nº 001, de 23 /01/1986. Estabelece as definições, as responsabilidades, os critérios básicos e as diretrizes gerais para uso e implementação da Avaliação de Impacto Ambiental como um dos instrumentos da Política Nacional do Meio Ambiente. 1986. Disponível em: <http://www.geocities.com/sosnascentes/conama/001-86.htm>. Acesso em 20 fev. 1986.

CONNOLLY, J. P.; THOMANN, R. V. Wastox: a framework for modeling the fate of toxic chemicals in aquatic environment. In: CONNOLLY, J. P.; THOMANNM R. V. Part 2: food chain. Gulf Breeze: Environmental Research laboratory/EPA, 1985. (Project Summary EPA/600/SA-85/040).

Connolly, J. P; Winfield, R. P. Wastox, a framework for modeling the fate of toxic chemicals in aquatic environments. In: CONNOLLY, J. P.; Winfield, R. P. Part 1: exposure concentration. Bronx: US-EPA Cooperative Agreement. 1980. (Cooperative Agreement
n. R807827/R807853).

CHRISTOFOLETTI, A. Modelagem de sistemas ambientais. São Paulo: Edgar Blücher, 2000. 236 p.

CRUZ, C. D. Aplicação de algumas técnicas multivariadas no melhoramento de plantas. 1990. 188 f. Tese (Doutorado em Genética e Melhoramento de Plantas) - Escola Superior de Agricultura Luiz de Queiroz, Piracicaba, 1990.

CRUZ, C. D.; REGAZZI, A. J. Modelos biométricos aplicados ao melhoramento genético. Viçosa: Editora da Universidade Federal de Viçosa, 1994. 390 p.

CURRY, R. B.; PEART, R. M.; JONES, J. W.; BOOTE, K. J.; ALLEN JÚNIOR, L. H. Simulation as a tool for analyzing crop response to climate change. Transaction of the ASAE, St. Josephe, v. 33, p. 981-990, 1990.

DAM, J. C. van; HUYGEN, J.; WESSELING, J. G.; FEDDES, R. A.; KABAT, P.; WALSUM, P. E. V. van; GROENENDIJK, P.; DIEPEN, C. A. van; Theory of SWAP version 2.0: simulation of water flow, solute transport and plant growth in the soil-water-atmosphere-plant environment. Wageningen: Wageningen Agricultural University, 1997. 167 p. (Wageningen Agricultural University, Report 71).

DOMINGUES, E. P.; MAGALHÃES, A. S.; RUIZ, R. M. Cenários de mudanças climáticas e agricultura no Brasil: impactos econômicos na região nordeste. Belo Horizonte: Editora da Universidade Federal de Minas Gerais: Cedeplar, 2008. 25 p. (Texto para discussão, 340). Disponível em: <http://www.cedeplar.ufmg.br/pesquisas/td/TD%20340.pdf>. Acesso em: 20 jul. 2008.

DOPPLER, W. The role of the quantitative methods in integrated farm, village and regional systems approaches. In: SEBILLOTTE, M. Systems-oriented research in agriculture and rural development (international symposium). Montpellier: CIRAD-SAR, 1994. p. 63-70.

DOWD, J. F.; BUSH, P. B.; NEARY, D. G.; TAYLOR, J. W.; BERISFORD, Y. C. Modeling pesticide movement in forested watersheds: use of PRZM for evaluating pesticide options in loblolly pine stand management. Environmental Toxicology and Chemistry, Elmsforf, v. 12,
p. 429-439, 1993.

EARSTERLING, W. E.; CROSSON, R. P.; ROSENBERG, N. J.; MCKENNEY, M. S.; KATZ, L. A.; LEMON, K. M. Agricultural impacts and responses to climate change in the Missouri_Iowa_Nebraska_Kansas (MINK) region. Climatic Change, Dordrecht, v. 24, n. 23-61. 1993.

Elementos de apoio para as boas práticas agricolas e o sistema appcc/pas campo. 2. ed. Brasilia, DF: Embrapa, 2006. 204 p. (Série Qualidade e segurança dos alimentos).

EMBRAPA. Centro Nacional de Pesquisa de Monitoramento Ambiental. Qualidade ambiental em fruticultura irrigada no nordeste brasileiro: ecofrutas. Jaguariúna: CNPMA 1999a. (Projeto 11.0.99.239).

FERNANDES, E. N. ; SILVA, E. ; PESSOA, M. C. P. Y. Sistema integrado para avaliação de impacto ambiental das práticas agrícolas: enfoque para perda de solo. In: ENCONTRO ANUAL DA SEÇÃO BRASILEIRA DA INTERNATIONAL ASSOCIATION FOR IMAPACT ASSESSMENT, 4., 1995, Belo Horizonte. Anais... Belo Horizonte: IAIA, 1995. p. 388-398.

FERNANDES, E. N. Sistema integrado para planejamento de uso da terra em microbacias hidrográficas. In: Agrosoft’95. Resumo expandido. Juiz de Fora: Agrosoft’95 1995.

FERNANDES, E. N. ; FERNANDES FILHO, E. I. Uso de sistemas de informações geográficas e sistemas especialistas para avaliação da aptidão agrícola das terras. Revista Agrosoft, Juiz de Fora, v. 1. p. 45-49, 1997.

FERNANDES, E. N.; FERNANDES FILHO, E. I.; SILVA, E. Integração de sistemas de informações geográficas e sistemas especialistas para a avaliação da apitidão agrícola das terras em bacias hidrográficas. Revista Árvore, Viçosa, v. 23, n. 1, p. 75-82, 1999.

FERNANDES, E. N.; FERNANDES FILHO, E. I. ; SILVA, E.; SILVA, C. A. B.; RICARDO, J. F. Erosys: sistema de apoio ao processo de avaliação de impactos ambientais de atividades agropecuárias. Revista Brasileira de Agroinformática, Lavras, v. 4, n. 1, p. 1-12, 2002.

FERNANDES, E. N.; SILVA, E.; FERNANDES FILHO, E. I.; SILVA, C. A. B. da. Erosys: sistema integrado para avaliação de impactos ambientais de atividades agropecuárias. In: MARQUES, J. F.; SKORUPA, L. A.; FERRAZ, J. M. G. (Org.). Indicadores de sustentabilidade em agroecossistemas. Jaguariuna: Embrapa Meio Ambiente, 2003. p. 251-273.

FERRACINI, V. L.; PESSOA, M. C. P. Y. Aspectos toxicológicos e ambientais dos agrotóxicos aplicados na cultura do melão: produção integrada de melão. Fortaleza:, Embrapa Agroindústria Tropical: Banco do Nordeste do Brasil, 2008. p. 237-247

FIALHO, F. B; LEDUR, M. C. Modelo matemático para curvas de produção de ovos. Concórdia: Embrapa Suínos e Aves, 2000a. p. 1-3. (Comunicado Técnico, n. 256).

FIALHO, F. B; LEDUR, M. C. Estimador da produção de ovos. Concórdia: Embrapa Suínos e Aves, 2000b. p. 1-2. (Comunicado Técnico, n. 257).

FIGUEIREDO, R. de O.; WATRIN, O. dos S.; GERHARD, P.; KATO, O. R.; SOUZA, E. L.; OLIVEIRA, F. de A.; PESSOA, M. C. P. Y.; LIMA, L. M.; COSTA, F. F. Watershed studies in a region mainly occupied by small holder farms in the eastern Amazon In: LBA-ECO SCIENCE TEAM MEETING, 11., 2007, Salvador. Abstracts… Salvador: LBA-ECO. 2007.

Firmino, D. C. Biologia do Psilídeo-de-concha Glycaspis brimblecombei Moore (Hemíptera, Psyllidae) em diferentes espécies de eucalipto e em diferentes temperaturas. 2004. 49 f. Dissertação (Mestrado em Proteção de Plantas) - Faculdade de Ciências Agronômicas, Botucatu, 2004.

Funari, E.; Bottoni, P.; Giuliano, G. Groundwater contamination by herbicides. Measured and simulated runoff volumes and peak discharges for all storms used in calibration and verification of the 1990-93 rainfall-runoff model at basin 9, Perris Valley. Processes and evaluation criteria. In: RICHARDSON, M. L. (Ed.). Cambridge: Chemistry, agriculture and the environment: The Royal Society of Chemistry 1991.
p. 235-254.

GAZZONI, D. L.; PEDROSO JUNIOR, M.; GARAGORRY, F.; MOSCARDI, F. Mathematical simulation model of the velvetbean caterpillar. I.: description of the model. Pesquisa Agropecuária Brasileira, Brasília, DF, v. 33, n. 4, 1998.

GEBLER, L. Aplicabilidade da rotina PRZM do modelo matemático PRZM3 em uma situação ambiental do oeste de Santa Catarina. 2000. 74 f. Dissertação (Mestrado em Engenharia Ambiental) - Universidade Federal de Santa Catarina, Florianópolis, 2000.

GIULIANO, A. D. Verificação experimental de um modelo de simulação do movimento de solutos em um meio poroso. 1995. 110 f. Dissertação (Mestrado) – Instituto de Física da Universidade de São Paulo, São Carlos 1995.

GODWIN, D.; RITCHE, J. T.; SINGH, U.; HUNT, I. User’s guide to CERES-Wheat v.2.10. Muscle Shoals: International Fertilizer Development Center, 1989.

GODWIN, D.; SINGH, U.; BURESH, R. J.; DE DATTA, S. K. Modeling of nitrogen dynamics in relation to rice growth and yield. In: INTERNATIONAL CONGRESS SOIL SCI, 14., 1990, Kyoto. Proceedings… Kyoto: ISSS, 1990. p. 320-325.

GOMES, M. A. O.; SOUZA, A. V. A. de; CARVALHO, R. S. de. Diagnóstico rápido participativo (DRP) como mitigador de impactos sócio-econômicos em empreendimentos agropecuários. Informe Agropecuário, Belo Horizonte, v. 21, n. 202, p. 110-119, 2000.

Goss, D.; Wauchope, R. D. The SCS/ARS/CES Pesticides properties database: II using it with soil data in a screening procedure. In: WEIGMANN, D. L. (Ed.). Pesticide in the next decade: the challenges ahead. Blacksburg: Virginia Water Center, 1991. p. 471-493.

GUAHYABA, A. da S. Modelagem matemática em avicultura: uma questão de sobrevivência. Aveworld, Campinas, v. 2, n. 9, p. 36-38, 2004.

GUERRA, M. de S.; SAMPAIO, D. P. de A. Receituário agronômico: guia prático para a nova lei dos agrotóxicos. 2. ed. São Paulo: Globo, 1991. 436 p.

GUSTAFSON, D. I. Groundwater ubiquity score: a simple method for assessing pesticide leachability. Environmental Toxicology and Chemistry, New York, v. 8, p. 339-125, 1989.

Heimlich, R. Precision agriculture: information technology for improved resource use. Agricultural outlook, Washington, DC, n. 250, p. 19-23, 1998.

HERNANDEZ, F. B. T.; SOUSA, S. A. V. de; ZOCOLER, J. L.; FRIZZONE, J. A. Simulação e efeito de veranicos em culturas desenvolvidas na região de Palmeira D´Oeste, Estado de São Paulo. In: CONGRESSO BRASILEIRO DE ENGENHARIA AGRÍCOLA, 29., 2000 Fortaleza. Anais… Fortaleza: Conbea, 2000. Disponível em: <http://www.agr.feis.unesp.br/veranico.htm>. Acesso em: 14 dez. 2004.

HOOGENBOOM, G.; JONES, J. W.; BOOTE, K. J. Modeling growth, development and yield of grain legumes using SOYGRO, PNUTGRO, and BEANGRO: a review. Transaction of ASAE, St. Joseph, v. 35, p. 2043-2056, 1992.

HOOGENBOOM, G.; WHITE, J. W.; JONES, J. W.; BOOTE, K. J. BEANGRO: a process-oriented dry bean model with a versatile user interface. Agronomy Journal, Madison, v. 86, p. 182-190, 1994.

HYDROQUAL. Hydroqual User’s Manual-SPAM. River Vale: Limno Tech, 1984. 80 p.

IUPAC. International Union of Pure and Applied Chemistry. Pesticides report 35. Offsite transport of pesticides in the aqueous phase: mathematical models of pesticide leaching and runoff. Pure and Applied Chemistry, London, UK, v. 67, p. 2109-2148, 1995.

Ivey, F. Desenvolvimento e aplicação de modelos de crescimento para frangos de corte. SIMPÓSIO INTERNACIONAL ACAV-EMBRAPA SOBRE NUTRIÇÃO DE AVES, 1., 1999, Concórdia. Anais... Concórdia: Embrapa-CNPSA, 1999. p. 22-35.

JONES, J. W.; BOOTE, K. J.; HOOGENBOOM, G.; JAGTAP, S. S.; WILKERSON, G. G. SOYGRO V5.42, soybean crop growth simulation model: user´s guide. Florida Agriculturae Experiment Stations Journal, Gainsville, n. 8304, 1989.

JURY, W. A.; GHODRATI, M. Overview of organic environmental fate and transport modeling approaches. In: SAWHNEY, B. L.; BROWN, K. (Ed.). Reactions and movement of organic chemicals in soils. Madison: Soil Science Society of America, 1989. p. 271-304.

KELLER, A. A. Weather simulation model. Longan: International Irrigation Centre: Department of Agriculture and Irrigation Engineering, 1985. 135 p.

KEULEN, H. van. Sweath. In. GTE Focus 3 Wheat Network: 1993 model and experimental meta data. Canberra: Global Change and Terrestrial Ecosystems, 1994. p. 40-55.

Kirk, I. W.; Tom, H. H.; Robert, P. C.; Rust, R. H. ; Larson, W. E. Precision GPS flow control for aerial spray applications. INTERNATIONAL CONFERENCE PRECISION AGRICULTURE, 3., 1996, Minneapolis. Proceedings… Minneapolis, 1996, p. 815-817.

KLEIN, K. K.; NARAYANAN, S. Farm level models: a review of development, concepts and applications in Canada. Canadian Journal of Agricultural Economics, Ottawa, CA, v. 40,
p. 351-368, 1995.

KLEIN, M. PELMO model. Journal of Environmental Science and Health, Ottawa, CA,
v. A29, n. 6, p. 1197-1209, 1994.

LAL, H.; HOOGENBOOM, G.; CALIXTE, J. P.; JONES, J. W.; BEINROTH, F. H. Using crop simulation models and GIS for regional productivity analysis. Transaction of the ASAE, St. Josephe, v. 36, n. 1, 1993.

LEGASPI JÚNIOR, B. C.; Allen, J. C.; Brewster, C. C.; Morales-Ramos, J. A.; King, E. G. Areawide management of the cotton boll weevil: use of a spatio-temporal model in augmentative biological control. Ecological Modelling, Amsterdam, NL, v. 110,
p. 151–164, 1998.

LEWIS, G. N. The law of physico-chemical change. American Academy of Arts and Sciences, Cambridge, v. 37, p. 49-69, 1901.

LIMA, L. M.; WATRIN, O. dos S.; PESSOA, M. C. P. Y.; PEREIRA, A. S.; CAMPINAS, D. do S. N.; FIGUEIREDO, R. de O.; COSTA, F. R. da Simulação da movimentação de agrotóxicos no solo com o uso de geotecnologias, como instrumento para avaliação do potencial de risco de contaminação de águas subterrâneas na Amazônia Oriental. SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 13., 2007, Florianópolis. Anais… Florianópolis: INPE, 2007.
p. 3397-3404.

LIU, W. T. Application of CERES-maize model to yield prediction of a Brazilian maize hybrid. Agricultural and Forest Meteorology, Amsterdam, NL, v. 45, p. 299-312, 1989.

MACKAY, D. Toxic substances modeling: fugacity concepts. In: YOUNG, P. C. (Ed.). Concise Encyclopedia of Environmental Systems. Oxford: Pergamon Press. 1993. p. 611-615.

Matthews, R. B.; Cosser, N. D.; Gooding, M. J.; Shewry, P. R. Using crop simulation models to develop treatment maps in precision agriculture. Optimising cereal inputs: its scientific basis. Part 1: genetics and nutrition. Aspects of Applied Biology, Cirencester,
n. 50, p. 181-190, 1997.

MCGREGOR, M. J.; DENT, J. B. An application of lexicographic goal program to resolve the allocation of water from Rakaia River. Agricultural Systems, New Zealand, v. 41, p. 349-367, 1993.

MACEDO, R. K. de. Gestão ambiental de territórios. In. ABES. Os Instrumentos básicos para a gestão ambiental de territórios e unidades produtivas. Rio de Janeiro: Associação Interamericana de Engenharia Sanitária e Ambienta, 1994. Disponível em: <http:/ www. bem.com.br/fr_estr.html>. Acesso em: 15 dez. 2005.

MAFRA , N. M. C. Erosão e planificação de uso do solo. In.: GUERRA, A. J. T; SILVA, A. S. da; BOTELHO, R. G. M. (Org.). Erosão e conservação dos solos: conceitos, temas e aplicações. Rio de Janeiro: Bertrand Brasil, 1999. 340 p.

MCKINION, J. M.; BAKER, D. N.; WHISLER, F. D.; LAMBERT, J. R. Applications of the GOSSYM/COMAX system for cotton crop management. Agricultural Systems, Barking, v, 31,
n. 55-65, 1989.

MEDEIROS, H. R. de. Avaliação de modelos matemáticos desenvolvidos para auxiliar a tomada de decisão em sistemas de produção de ruminantes em pastagens. 2003, 98 f. Tese (Doutorado em Agronomia) - Escola Superior de Agricultura Luiz de Queiroz, Piracicaba, 2003.

Monson, R. J. A methodology for quantifying the capabilities of a GPS navigation system. In: ASAE ANNUAL INTERNATIONAL MEETING, 10-14 August, 1997, Menneapolis. Anais… St Joseph: American Society of Agricultural Engineers, 1997. 21 p.

Nachtigall, G. R; Sanhueza, R. M. V.; Kovaleski, A.; Protas, J. F. da S. (Ed.). REUNIÃO SOBRE SISTEMAS DE PRODUÇÃO INTEGRADA DE MACIEIRA NO BRASIL, 1., 1998, Bento Gonçalves. Anais... Bento Gonçalves: Embrapa Uva e Vinho, 1998. 48 p.

NASCIMENTO NETO, F. (Org.). Recomendações básicas para a aplicação das boas praticas agropecuárias e de fabricação na agricultura familiar. Brasilia, DF: Embrapa Informação Tecnologica, 2006. 243 p. (Programa de Agroindustrialização da Agricultura Familiar).

NEELY, W. B. Introduction to chemical exposure and risk assessment. Boca Raton: Lewis Publishers/CRC Press, 1994.190 p.

NESS, H. C. van; ABBOTT, M. M. Classical thermodynamics of Non-Electrolyte Solutions. New York: McGraw-Hill, 1982.

NILSSON, N. J. Princípios de inteligência artificial. Madrid: Ediciones Diaz de Santos, 1987, 422 p.

NOBRE, C. A. Mudanças climáticas globais: possíveis impactos nos ecossistemas do país. In: Modelos e cenários para a Amazônia: o papel da ciência. 2009. 20 p. Disponível em: <http://ftp.mct.gov.br/CEE/revista/Parcerias12/13CarlosNobre.pdf>. Acesso em: 20 jan. 2009.

Nofziger, D. L.; Hornsby, A. G. Chemical movement in layered soils. Oklahoma: University of Florida-Department of Agronomy, 1994. 76 p.

OLIVEIRA, A. J.; SILVA, C. A. da; SANTOS, H. N. Um sistema inteligente de apoio a decisão para planejamento de propriedades agrícolas. In: SEMINÁRIO INTERNACIONAL DE INFORMATIZAÇÃO DA AGROPECUÁRIA, 1995, Juiz de Fora. Anais do agrosoft’95. Juiz de Fora Agrosoft, 1995.

OLIVEIRA, A. J.; SILVA, C. A. B.; SANTOS, H. N. Solar: an intelligent decision support system for farm planning. In: INTERNATIONAL CONFERENCE ON COMPUTERS IN AGRICULTURE, 6., 1996, Cancun. Proceedings... Cancun: American Society of Agriculture Engineers, 1996. p. 905-912.

OMETO, J. C. Bioclimatologia vegetal. São Paulo: Agronômica Ceres, 1981. 425 p.

OREA, D. G.; ABRIL, J. A.; OTERO, A. Q.; VALDIVIELSO, T. V.; GOMEZ, G. E.; RUEDA, M. H.; SORIANO, C. B. Impro: modelo informatizado para la evaluación del impacto ambiental. Madrid: Editorial Agrícola Española, 1991.196 p.

PARAÍBA, L. C.; PLESE, L. P. M.; FOLONI, L. L.; CARRASCO, J. M. Simulation of the fate of the insecticide carbofuran in a rice field using a level iv fugacity model. Spanish Journal of Agricultural Research, Washington, DC, v. 5, n. 1, p. 43-50, 2007.

PASSIOURA, J. B. Simulation models: science, snake oil, education or engineering? Agronomy Journal, Madison, v. 88, p. 690-694, 1996.

PAULA, R. C de; PIRES, I. E.; BORGES, R. C. G.; CRUZ, C. D. Predição de ganhos genéticos em melhoramento florestal. Pesquisa agropecuária brasileira, Brasília, DF, v. 37, n. 2, p. 159-165, 2003.

PAUSNITZ, J. N. Molecular thermodynamics of fluid-phase equilibria. Englewood Cliffs: Prentice-Hall, 1969.

PEREIRA, A. R.; villa nova, n. a.; sediyama, g. c. Evapo(transpi)ração. Piracicaba: FEALQ, 1997. 183 p.

Pessoa, M. C. P. Y. Simulação e inteligência artificial aplicadas ao estudo da dinâmica populacional do bicudo do algodoeiro (Anthonomus grandis Boheman) na região de Campinas. 1994. 132 f. Tese (Doutorado) - Faculdade de Engenharia Elétrica, Campinas, 1994.

PESSOA, M. C. P. Y.; LUCHIARI JÚNIOR, A.; FERNANDES, E. N.; LIMA, M. A de. Principais modelos e simuladores utilizados para análise de impactos ambientais das atividades agrícolas. Jaguariúna: Embrapa-CNPMA, 1997. 83 p. (Embrapa-CNPMA. Documentos, 8).

PESSOA, M. C. P. Y.; SCRAMIN, S. Modelagem matemática e simulação da exposição do ambiente à aplicação de agrotóxicos: apoio à avaliação de risco ambiental. In: SOUZA, C. M. M. de S.; FAY, E. F. (Ed.). Agrotóxicos e ambiente. Brasília, DF: Embrapa Informação Tecnológica, 2004.

PESSOA, M. C .P. Y.; SCRAMIN, S.; CHAIM, A.; FERRACINI, V. L. Avaliação do potencial de transporte de agrotóxicos usados no Brasil por Modelos Screening e planilha eletrônica. Jaguariúna: Embrapa Meio Ambiente, 2007. 24 p. (Boletim de Pesquisa e Desenvolvimento, n. 44).

PESSOA, M. C. P. Y.; CERDEIRA, A. L.; GOMES, M. A. F.; NEVES, M. C.; SOUZA, M. D. de; QUEIROZ, R. H. C.; LANCHOTE, V. L.; UETA, J. Modelos screening e simulação de sistemas aplicados à avaliação de risco de contaminação da água por herbicidas em área de cultivo de cana-de-açúcar. In: GOMES, M. A. F (Ed.). Uso agrícola das áreas de afloramento do Aqüífero Guarani no Brasil: implicações para a água subterrânea e propostas de gestão com enfoque agroambiental. Brasília, DF: Embrapa Informação Tecnológica, 2008a. 417 p.

PESSOA, M. C. P. Y.; GOMES, M. A. F.; FILIZOLA, H .F.; QUEIROZ, S. C. N. de; FERRACINI, V. L.; JARDIM, I. C. S. F. Modelos screening e simulação de sistemas aplicados à avaliação de risco de contaminação da água por agrotóxicos em áreas de cultivo de soja, milho e arroz. In: GOMES, M. A. F. (Ed.). Uso agrícola das áreas de afloramento do Aqüífero Guarani no Brasil: implicações para a água subterrânea e propostas de gestão com enfoque agroambiental. Brasília, DF: Embrapa Informação Tecnológica, 2008b. 417 p.

PESSOA, M. C. P. Y.; SÁ, L. A. N. de; KODAIRA, J. Y.; WILCKEN, C. F.; ALMEIDA, G. R. de. Simulação da dinâmica populacional do psilídeo-de-concha, Glycaspis brimblecombei (Hemiptera: Psyllidae) e Identificação de estratégias para a criação laboratorial de seu parasitóide Psyllaephagus bliteus (Hymenoptera: Encertydae). Jaguariúna: Embrapa Meio Ambiente, 2008c. 32 p. (Boletim de Pesquisa e Desenvolvimento, n. 49).

PESSOA, M. C. P. Y.; SILVA, A. S.; CAMARGO, C. P. Qualidade e certifica;ao de produtos agropecuários. Brasília, DF: Embrapa Informação Tecnológica, 2002. 188 p. (Texto para Discussão, 14).

PLEC, D. F.; PESSOA, M. C. P. Y.; LIMA, M. A. de; VILELLA, O. V. Avaliação do fluxo de emissão de gases de efeito estufa provenientes de fontes agrícolas por simulação de sistemas: estudo de caso de emissão de metano por arroz irrigado por inundação em Pindamonhangaba, SP. CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 2007, Campinas. Anais... Campinas: IAC, 2007. p. 1-6.

QUEIROZ, J. F. de; PESSOA, M. C. P. Y. Água sempre presente na vida. Jaguariúna: Embrapa Meio Ambiente, 2003. 39 p. (Cartilhas dos jogos ambientais da Ema, 1).

RAO, P. S. C; HORNSBY, A. G.; JESSUP, R. E. Indices for “ranking” the potential for pesticide contamination of groundwater. Soil and Crop Science Society of Florida, Belle Glade,
v. 44, p.1-8, 1985.

REICHARDT, K. A água em sistemas agrícolas. São Paulo: Manole. 1990.

Renard, K. G.; Foster, G. R.; Weesies, G. A.; McCool, D. K. (Ed.). Predicting soil erosion by water: a guide to conservation planning with the Revised Universal Soil Loss Equation (RUSLE). Washington, DC: USDA-ARS, 1991.

RESENDE, M; ALMEIDA, J. R. de. Modelos de predição de perda de solo: uma ferramenta para manejo e conservação do solo. Informe Agropecuário, Belo Horizonte, v. 11, n. 128, 1995. p. 38-54.

RICHARDSON, C. W.; WRIGHT, D. A. WGEN: a model for generating daily weather variables. Washington, DC: Agricultural Research Service, USDA, 1984. 83 p.

RICHMOND, B. Na academic user guide to Stella. Lyme: High Performance System, 1987. 32 p.

RITCHIE, J. T.; SINGH, U.; GODWIN, D.; HUNT, L. A user’s guide to CERES-Maize: v.2.10. Musclu Shoals: International Fertilizer Development Center, 1989.

RITCHIE, J. T.; SCHULTHES, U. CERES-Wheat. In: GTE Focus 3 Wheat Network: 1993 model and experimental meta data. Camerra: Global Change and Terrestrial Ecosystems, 1994.
p. 30-35.

SÁ, L. A. N. de; WILCKEN, C. F. Nova praga de florestas está atacando eucalipto no país.
A Lavoura, Rio de Janeiro, v. 107, n. 649, p. 44-45, 2004

SALAS, H. J.; MARTINO, P. Metodologías simplificadas para la evaluación de eutroficación en lagos cálidos tropicales. Lima: CEPIS/HPE/OPS, 2001. 60 p.

SALLE, C. T.; GUAYABA, A. S.; WALD, V. B.; SILVA, A. B; SALLE, F. O.; FALLAVENA, L. C. B. Uso de redes neurais artificiais para estimar parâmetros de produção de galinhas reprodutoras pesadas em recria. Revista Brasileira de Ciência Avícola, Campinas, v. 3, p. 257-264, 2001.

SALLE, C. T.; CÉ, M. C.; LORENZINI, G.; SFOGGIA, M. V. B.; GUAHYABA, A. da S.; MORAES, H. L. de S.; NASCIMENTO, V. P. do. Correlation between aflatoxin and ocratoxin levels with production parameters in a poultry company. ASIA-PACIFIC POULTRY HEALTH CONFERENCE, 4., 1998, Melbourne. Abstracts... Melbourne, 1998a. p. 131.

SALLE, C. T.; SOARES, R. C. B.; CÉ, M. C.; SILVA, A. B. da; MORAES, H. L. de S.; NASCIMENTO,
V. P. do; GUAHYABA, A. da S. Modelos matemáticos para avaliar a resposta imune de aves à doença de Newcastle. A hora veterinária, Porto Alegre, v. 102, p. 41-44, 1998b.

Sánchez, S. S. Calibración del modelo matemático de calidad de agua Ríos 3 en el rio Machangara de Quito. Lima: CEPIS, 1994. 102 p. (CEPIS informe técnico, 408).

SCORZA JUNIOR, R. P.; BOESTEN, J. J. T. I. Simulation of pesticide leaching in a cracking clay soil with the PEARL model. Pest management Science, Sussex, v. 61, n. 5, p. 432-448, 2005.

SCORZA JUNIOR, R. P.; SILVA, J. P. da. Potencial de contaminação da água subterrânea por pesticidas na Bacia do Rio Dourados, MS. Pesticidas: revista de ecotoxicologia e meio ambiente, Curitiba, v. 17, p. 87-106, 2007.

Shaffer, M. J.; Halvorson, A. D.; Pierce, F. J. Nitrate Leaching and Economic Analysis Package (NLEAP): model description and application. In: Follet, R. F.; KEENEY, D. R.; CRUSE, R. M. (Ed.). Managing nitrogen for groundwater quality and farm profitability. Madison: Soil Science Society of America, 1991a. (Chapter 13).

Shaffer, P. W.; Rosenbaum, B.; Holdren Júnior. G. R.; Strickland, T. C.; McDowell, M. K.; Ringold, P. L.; Turner, R. S.; Ryan, P. F.; Bernard, D. Estimating critical loads of sulfate to surface waters in the northeastern United States: a comparison assessment of three procedures for estimating critical loads of sulfate for lakes. Corvallis: USEPA, 1991b. (EPA Report 600-2-91-062).

Sharpley, A. N; Willians, J. R. (Ed.). EPIC erosion-productivity impact calculator:
I. model documentation. Springfield: NTIS, 1990. (USDA. Technical Bulletin, 1768).

SILVA, A. F. M. da. Efeitos dos fatores hidro-climáticos na variabilidade do rendimento do milho em sistemas de plantio direto no cerrado brasileiro. Planaltina: Embrapa Cerrados, 2002. (Embrapa Cerrados, sub-projeto SEP 06.01.02.353.04).

SILVA, E. M. da; ALVES, J. M. B.; CASTRO, M. A. H.; VIEIRA, V. P. P. B.; CAMPOS, J. N. B. Uma aplicação de conjuntos difusos na otimização do prognóstico de consenso sazonal de chuva no nordeste do Brasil. Revista brasileira de meteorologia, São José dos Campos,
v. 22, n. 1, 2007, p. 83-93.

SILVA, F. M. da; ASSAD, E. D. Análise espaço temporal do potencial hídrico climático do Estado de Goiás. In: ASSAD, E. D.; SANO, E. E. (Ed.). Sistema de informações geográficas: aplicações na agricultura. 2. ed. Brasília, DF: Embrapa-SPI: Embrapa-CPAC, 1998.

SILVA, F. C. da; BERGAMASCO, A. F. Levantamento de modelos matemáticos descritos para a cultura da cana-de-açúcar. Campinas: Embrapa Informática Agropecuária, 2001. 8 p. Disponível em: <http://www.unitau.br/prppg/publica/biocienc/downloads/levantamentomodelos-N1-2001.pdf>. Acesso em: 20 set. 2001.

SIQUEIRA, O. J. F. de. ; BERG, M. van den. Validação do modelo de simulação soygro-soja – Passo Fundo, RS. In: Soja: resultados de pesquisa 1990-1991. Passo Fundo: Embrapa/CNPT, 1991. p. 139-144. (Doc. 3).

SIQUEIRA, O. J. F. de. Avanços na informática aplicados às relações solo-planta-clima: exemplo utilizando o sistema de suporte de decisão DSSAT-Nitrogênio x Trigo. In: REUNIÃO NACIONAL DE PESQUISA DE TRIGO, 16., 1991, Dourados. Resumos... Dourados: Embrapa/UEPAE, 1991. 203 p.

Siqueira, O. J. F. de; Farias, J. R. B. de; Sans, L. M. A. Efeitos potenciais de mudanças climáticas globais na agricultura e estudos de adaptação de trigo, milho e soja. Revista Brasileira de Agrometeorologia, Santa Maria, v. 2, p.115-129, 1994.

STRECK , N. A.; ALBERTO, C. M. Simulação do impacto da mudança climática sobre a água disponível do solo em agroecossistemas de trigo, soja e milho em Santa Maria, RS. Ciência Rural, Santa Maria, v. 36, n. 2, p. 424-433, 2006.

SOARES, R. C. B. Avaliação da resposta imunológica em reprodutoras de perus (Meleagridis gallopavo) diante do vírus vacinal da doença de Newcastle através de modelos matemáticos. 1995. 75 f. Dissertação (Mestrado) - Faculdade de Veterinária, PPGCV, 1995.

Sonka, S. T.; Coaldrake, K. F. Cyberfarm. What does it look like? What does it mean. American Journal of Agricultural Economy, Ames, v. 78, n. 5, p. 1263-1268, 1996

SOUTHWORTH, G. H.; WATSON, K. W.; KELLER, J. L. Comparison of models that describe the transport of organic compounds in macroporous soil. Environmental Toxicology and Chemistry, v. 6, p. 251-257, 1987.

SOUSA, S. A. V. Programa computacional para simulação da ocorrência de veranicos e queda de produção. 1999. 152 f. Tese (Doutorado) - Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, 1999.

SOUZA, C. M. M. de S.; FAY, E. F. (Ed.). Agrotóxicos e ambiente, Brasília, DF: Embrapa Informação Tecnológica, 2004. 400 p.

STONE, N. D.; RUMMEL, D. R.; CARROL, S.; MAKELA, M. E.; FRISBIE, R. E. Simulation of boll weevil (Coleoptera: Curculionidae) spring emergence and overwintering survival in Texas rolling plains. Entomological Society of America, College Park, v. 19, n.1, 1990.

STOORVOGEL, J. J. Integration of computer-based models and tools to evaluate alternative land-use scenarios as part of an agricultural systems analysis. Agricultural Systems, Barking, v. 49, p. 353-367, 1995.

TASHIZAWA, T.; REZENDE, W. Estratégia empresarial. São Paulo: Makron Books, 2000, 193 p.

TSUJI, G. Y.; UEHARA, G.; BALAS, S. (Ed.). DSSAT: a decision support system for agrotechnology transfer. Version 3, Honolulu, v. 1, 2, 3, 1994.

US-EPA. MULTI-SMP: simplified method program for multiple discharges. Version 2.0, US-EPA, Monitoring and Support Division. Washington, DC: US-EPA, 1992.

US-EPA. PRZM-2: users’s manual version 2.0. Athens: Center for Exposure Assessment Modeling Environmental Protection Agency, 1994.

Valverde, S. R. As plantações de eucalipto no Brasil. Disponível em: <http://www.sbs.org.br/destaques_plantacoesnobrasil.htm 2005>. Acesso em: 20 dez. 2005,

Veloso, R. F.; Chaib Filho, H. Uma proposta de modelagem de sistemas agrícolas nos cerrados. AGROSOFT, Juiz de Fora, 4 p. 1999. Disponível em: <http://agrosoft.softex.br/trabalhos/ag99/artigo56.htm>. Acesso em: 20 mar. 2005.

VIEIRA, V. P. P. B. Avaliação quantitativa de riscos econômicos e ambientais. In: GALVÃO,
C. O.; Mêuser, J. S. (Org.). Sistemas Inteligentes: aplicações a recursos hídricos e sistemas ambientais. Porto Alegre: ABRH, 1999. p. 246.

XAVIER, A. C.; SOARES, J. V.; ALMEIDA, A. C. de. Variação do índice de área foliar em clones de eucalipto ao longo de seu ciclo de crescimento. Revista Árvore, Viçosa, v. 26, n. 4,
p. 421-427, 2002.

Wagenet, R. J.; Hutson, J. L. Leachm: leaching estimation and chemistry model. Ithaca: Cornell University/Center for Environment Resource, 1989. v. 2.

WHISLER, F. D. B.; ACOCK, B.; BAKER, D. N.; FYE, R. E.; HODGES, H. F.; LAMBERT, J. R. LEMMON, H. E.; MCKINION, J. M; REDDY, V. R. Crop simulation models in agronomic systems. Advances in Agronomy, San Diego, v. 40, n. 141-208 1986.

White, V. Farming with computers. Journal of Soil and Water Conservation. Ankeny, v. 52 n. 6, p. 400-401, 1997.

Wilcken, C. F.; Couto, E. B. do; Orlato, C.; Ferreira Filho, P. J.; Firmino, D. C. Ocorrência do psilídeo-de-concha (Glycaspis brimblecombei) (Hemíptera: Psyllidae) em florestas de eucalipto no Brasil. Piracicaba: Instituto de Pesquisas e Estudos Florestais, 2003. 11 p. (Circular Técnica, n. 201).

WILKERSON, G. G.; MISHOE, J. W.; STIMAC, J. L. Modeling velvetbean caterpillar (Lepdoptera: Noctuidae) populations in soybeans. Environmental Entomology, College Park, v. 15, n. 4, p. 809-816, 1986.

Williams, J. R. Sediment yield prediction with Universal Equation using runoff energy factor. In: USDA-ARS. Present and prospective technology for predicting sediment yields and source. Washington, DC, 1975. p. 244-252. (USDA-ARS. Handbook 5-40).

WILLIAMS, J. R.; JONES, C. A.; KINIRY, J. R.; SPANEL, D. A. The EPIC crop growth model. Transaction of ASAE, St. Joseph, v. 32, p. 497-511, 1989.

Wischmeier, W. H.; Smith, D. D. Predicting rainfall erosion losses: a guide of conservation planning. Washington, DC: USDA, 1978. (Agricultural Handbook, 537).

ZADOKS, J. C. EPIPRE: a disease and pest management systems for winter wheat developed in the Netherlands. EPPO Bulletin, Paris, FR, v. 11, n. 3, p. 365-369, 1981.

ZEE, S. E. A T. M. van der. Effects of soil heterogeneity on pesticide leaching to groundwater. Water resources research, Washington, DC, v. 27, n.12, p. 3051-3063, 1991.