| |
|
|
| Registros recuperados : 10 | |
| 2. |  | PINTO FILHO, F. V.; STRECK, N. A.; MEUS, L. D.; ZANON, A. J.; DUARTE JUNIOR, A. J.; BENEDETTI, R. P.; STEINMETZ, S. Estimando a safra de arroz do Estado do RS com o aplicativo "PlanejArroz". In: JORNADA ACADÊMICA INTEGRADA, 35., 2020, Santa Maria. Anais... Santa Maria: UFSM, 2020. JAI, 19 a 23 out. 2020.| Biblioteca(s): Embrapa Clima Temperado. |
|    |
| 3. | | SILVA, M. R. da; STRECK, N. A.; CERA, J. C.; DUARTE JUNIOR, A. J.; RIBAS, G. G.; ROSSATO, I. G.; MEUS, L. D.; PEREIRA, V. F.; PILECCO, I. B.; BENEDETTI, R. P.; TONETTO, F.; ZANON, A. J. Forecasting the rice yield in Rio Grande do Sul using the SimulArroz model. Pesquisa Agropecuária Brasileira, v. 57, e02969, 2022. Título em português: Previsão de safra de arroz irrigado para o Rio Grande do Sul pelo modelo SimulArroz.| Biblioteca(s): Embrapa Unidades Centrais. |
| |
| 4. | | STEINMETZ, S.; CUADRA, S. V.; ALMEIDA, I. R. de; STRECK, N. A.; ZANON, A. J.; RIBAS, G. G.; SILVA, M. R. da; BENEDETTI, R. P.; CERA, J. C.; SILVA, S. C. da; HEINEMANN, A. B. Irrigated rice sowing periods based on simulated grain yield. Agrometeoros, Passo Fundo, v. 27, n. 2, p. 377-386, dez. 2019.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Arroz e Feijão; Embrapa Clima Temperado. |
| |
| 5. | | STEINMETZ, S.; CUADRA, S. V.; ALMEIDA, I. R. de; STRECK, N.; ZANON, A. J.; RIBAS, G. G.; SILVA, M. R. da; BENEDETTI, R.; CERA, J. C.; SILVA, S. C. da; HEINEMANN, A. B. Períodos de semeadura para o arroz irrigado no Rio Grande do Sul com base na estimativa de produtividade de grãos e em níveis de risco climático. Pelotas: Embrapa Clima Temperado, 2018. 57 p. (Embrapa Clima Temperado. Documentos, 472).| Biblioteca(s): Embrapa Arroz e Feijão. |
| |
| 6. | | STEINMETZ, S.; CUADRA, S. V.; ALMEIDA, I. R. de; STRECK, N.; ZANON, A. J.; RIBAS, G. G.; SILVA, M. R. da; BENEDETTI, R.; CERA, J. C.; SILVA, S. C. da; HEINEMANN, A. B. Períodos de semeadura para o arroz irrigado no Rio Grande do Sul com base na estimativa de produtividade de grãos e em níveis de risco climático. Pelotas: Embrapa Clima Temperado, 2018. 57 p. (Embrapa Clima Temperado. Documentos, 472).| Biblioteca(s): Embrapa Clima Temperado. |
| |
| 7. | | STEINMETZ, S.; PEREIRA, C. B.; SANTOS, E. L. dos; CUADRA, S. V.; ALMEIDA, I. R. de; STRECK. N. A.; BENEDETTI, R. P.; DUARTE JUNIOR, A. J.; ZANON, A. J.; RIBAS, G. G.; SILVA, M, R. da; KROEFF, R. M.; PRESTE, S. D.; MEUS, L. D.; ROSSATO, I.; PILECCO, I. B.; PEREIRA, V. F.; POERSCH, A.; SOUZA, P. M. de; QUINTERO, S. E. Ecofisiologia digital. In: MEUS, L. D.; SILVA, M. R. da; RIBAS, G. G.; ZANON, A. J.; ROSSATO, I. G.; PEREIRA, V. F.; PILECCO, I. B.; RIBEIRO, B. S. M. R.; SOUZA, P. M. de; NASCIMENTO, M. de F. do; POERSH, A. H.; DUARTE JUNIOR, A. J.; QUINTERO, C. E.; GARRIDO, G. C.; CARMONA, L. de C.; SRECK, N. A. Ecofisiologia do arroz visando altas produtividades. Santa Maria: [s.n.], 2020. p. 233-277.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Clima Temperado. |
| |
| 8. | | STEINMETZ, S.; PEREIRA, C. B.; SANTOS, E. L. dos; CUADRA, S. V.; ALMEIDA, I. R. de; STRECK, N. A.; BENEDETTI, R. P.; DUARTE JÚNIOR, A. J.; ZANON, A. J.; RIBAS, G. G.; SILVA, M. R. DA; KROEFF, R. M.; PRESTES, S. D. Fundamentals and applications of PlanejArroz, a software for irrigated rice management and yield estimation. Agrometeoros, Passo Fundo, v. 29, e026847, 2021. 12 p.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Clima Temperado. |
| |
| 9. | | STEINMETZ, S.; PEREIRA, C. B.; SANTOS, E. L. dos; CUADRA, S. V.; ALMEIDA, I. R. de; STRECK, N. A.; BENEDETTI, R. P.; DUARTE JÚNIOR, A. J.; ZANON, A. J.; RIBAS, G. G.; SILVA, M. R. DA; KROEFF, R. M.; PRESTES, S. D. PlanejArroz: aplicativo para o planejamento do manejo e estimativa da produtividade em arroz irrigado. Pelotas: Embrapa Clima Temperado, 2020. 16 p. (Embrapa Clima Temperado. Circular Técnica, 205). ODS 2.| Biblioteca(s): Embrapa Agricultura Digital; Embrapa Clima Temperado. |
| |
| 10. | | SILVA, M. R. da; BATISTTI, R.; TAGLIAPIETRA, E. L.; WINCK, J. E. M.; ALVES, A. F.; MUNARETO, G. G.; POERSCH, A. H.; RIBEIRO, B. S. M. R.; QUINTERO, C. E.; RICHTER, G. L.; BALEST, D. S.; INKLMAN, V. B.; SCHNEIDER, R. A.; BEXAIRA, K. P.; SAVEGNAGO, C.; PAULA, L. S.; DALLA NORA, M.; AREVALO, E. S.; BÁEZ, M. S. A.; PES, L. Z.; STRECK, N. A.; CUADRA, S. V.; ALMEIDA, I. R. de; BENEDETTI, R. P.; ZANON, A. J. Ecofisiologia digital. In: TAGLIAPIETRA, E. L.; WINCK, J. E. M.; SILVA, M. R.; ALVES, A. F.; MUNARETO, G. G.; POERSCH, A. H.; RIBEIRO, B. S. M. R.; QUINTERO, C. E.; RICHTER, G. L.; BALEST, D. S.; INKLMAN, V. B.; SCHNEIDER, R. A.; BEXAIRA, K. P.; SAVEGNAGO, C.; NORA, M. D.; PAULA, L. S.; AREVALO, E. S.; BAEZ, M. S. A.; PES, L. Z.; STRECK, N. A.; ZANON, A. J. Ecofisiologia da soja visando altas produtividades. 2. ed. Santa Maria: GR, 2022. v. 1, cap. 7, p. 351-366.| Biblioteca(s): Embrapa Agricultura Digital. |
|  |
| Registros recuperados : 10 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Unidades Centrais. |
|
Data corrente: |
14/07/2022 |
|
Data da última atualização: |
29/01/2024 |
|
Autoria: |
SILVA, M. R. da; STRECK, N. A.; CERA, J. C.; DUARTE JUNIOR, A. J.; RIBAS, G. G.; ROSSATO, I. G.; MEUS, L. D.; PEREIRA, V. F.; PILECCO, I. B.; BENEDETTI, R. P.; TONETTO, F.; ZANON, A. J. |
|
Afiliação: |
MICHEL ROCHA DA SILVA, CROPS TEAM; NEREU AUGUSTO STRECK, UNIVERSIDADE FEDERAL DE SANTA MARIA; JOSSANA CEOLIN CERA, INSTITUTO RIO GRANDENSE DO ARROZ; ARY JOSÉ DUARTE JUNIOR, UNIVERSIDADE FEDERAL DE SANTA MARIA; GIOVANA GHISLENI RIBAS, GRUPO DOM MARIO; IORAN GUEDES ROSSATO, UNIVERSIDADE FEDERAL DE SANTA MARIA; LORENZO DALCIN MEUS, UNIVERSIDADE FEDERAL DE SANTA MARIA; VLADISON FOGLIATO PEREIRA, UNIVERSIDADE FEDERAL DE SANTA MARIA; ISABELA BULEGON PILECCO, UNIVERSIDADE FEDERAL DE SANTA MARIA; ROMULO PULCINELLI BENEDETTI, CROPS TEAM; FRANCISCO TONETTO, UNIVERSIDADE FEDERAL DE SANTA MARIA; ALENCAR JUNIOR ZANON, UNIVERSIDADE FEDERAL DE SANTA MARIA. |
|
Título: |
Forecasting the rice yield in Rio Grande do Sul using the SimulArroz model. |
|
Ano de publicação: |
2022 |
|
Fonte/Imprenta: |
Pesquisa Agropecuária Brasileira, v. 57, e02969, 2022. |
|
DOI: |
https://doi.org/10.1590/S1678-3921.pab2022.v57.02069 |
|
Idioma: |
Inglês |
|
Notas: |
Título em português: Previsão de safra de arroz irrigado para o Rio Grande do Sul pelo modelo SimulArroz. |
|
Conteúdo: |
ABSTRACT - The objective of this work was to evaluate a flooded-rice yield forecasting method for the state of Rio Grande do Sul, Brazil, using the SimulArroz model. Version 1.1 of this model and historical meteorological data were used, with six different scenarios composed of the following levels of field information: number of sowing dates (1 to 4) and number of cultivars and/or development cycles (1 to 3) during four growing seasons (2014/2015 to 2017/2018). The root mean square error (RMSE) for comparing the actual yield with the simulated yield for Rio Grande do Sul was of 618.3 and 1,024.8 kg ha-¹, i.e., of 8 and 13%, respectively. The forecast of rice yield by applying the SimulArroz model and historic meteorological data for Rio Grande do Sul shows a good predictability, and the recommended scenario is complex 1, using three sowing dates per site and the three most representative rice cultivars per region. RESUMO - O objetivo deste trabalho foi avaliar um método de previsão de safra para arroz irrigado por inundação no estado do Rio Grande do Sul, Brasil, por meio do modelo SimulArroz. Utilizou-se a versão 1.1 desse modelo e dados meteorológicos históricos, com seis cenários compostos pelos seguintes níveis de informação em campo: datas de semeadura (1 a 4) e número de cultivares e/ou ciclos de desenvolvimento (1 a 3) durante quatro safras (2014/2015 a 2017/2018). A raiz quadrada média do erro (RQME), para comparação da produtividade real com a produtividade simulada para o Rio Grande do Sul, foi de 618,3 e 1.024,8 kg ha-¹, isto é, de 8 e 13%, respectivamente. A previsão de safra de arroz com aplicação do modelo SimulArroz e dados meteorológicos históricos para o Rio Grande do Sul apresenta boa capacidade preditiva quanto à produtividade, e o cenário recomendado para a previsão é o complex 1, com uso de três épocas de semeadura por local e das três cultivares mais representativas por região. MenosABSTRACT - The objective of this work was to evaluate a flooded-rice yield forecasting method for the state of Rio Grande do Sul, Brazil, using the SimulArroz model. Version 1.1 of this model and historical meteorological data were used, with six different scenarios composed of the following levels of field information: number of sowing dates (1 to 4) and number of cultivars and/or development cycles (1 to 3) during four growing seasons (2014/2015 to 2017/2018). The root mean square error (RMSE) for comparing the actual yield with the simulated yield for Rio Grande do Sul was of 618.3 and 1,024.8 kg ha-¹, i.e., of 8 and 13%, respectively. The forecast of rice yield by applying the SimulArroz model and historic meteorological data for Rio Grande do Sul shows a good predictability, and the recommended scenario is complex 1, using three sowing dates per site and the three most representative rice cultivars per region. RESUMO - O objetivo deste trabalho foi avaliar um método de previsão de safra para arroz irrigado por inundação no estado do Rio Grande do Sul, Brasil, por meio do modelo SimulArroz. Utilizou-se a versão 1.1 desse modelo e dados meteorológicos históricos, com seis cenários compostos pelos seguintes níveis de informação em campo: datas de semeadura (1 a 4) e número de cultivares e/ou ciclos de desenvolvimento (1 a 3) durante quatro safras (2014/2015 a 2017/2018). A raiz quadrada média do erro (RQME), para comparação da produtividade real com a produtividade simulad... Mostrar Tudo |
|
Thesagro: |
Arroz; Arroz Irrigado; Época de Semeadura; Oryza Sativa; Produtividade; Safra. |
|
Thesaurus NAL: |
Meteorological data; Oryza; Rice; Sowing date. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1144733/1/Forecasting-rice-yield-2022.pdf
|
|
Marc: |
LEADER 03154naa a2200397 a 4500
001 2144733
005 2024-01-29
008 2022 bl uuuu u00u1 u #d
024 7 $ahttps://doi.org/10.1590/S1678-3921.pab2022.v57.02069$2DOI
100 1 $aSILVA, M. R. da
245 $aForecasting the rice yield in Rio Grande do Sul using the SimulArroz model.$h[electronic resource]
260 $c2022
500 $aTítulo em português: Previsão de safra de arroz irrigado para o Rio Grande do Sul pelo modelo SimulArroz.
520 $aABSTRACT - The objective of this work was to evaluate a flooded-rice yield forecasting method for the state of Rio Grande do Sul, Brazil, using the SimulArroz model. Version 1.1 of this model and historical meteorological data were used, with six different scenarios composed of the following levels of field information: number of sowing dates (1 to 4) and number of cultivars and/or development cycles (1 to 3) during four growing seasons (2014/2015 to 2017/2018). The root mean square error (RMSE) for comparing the actual yield with the simulated yield for Rio Grande do Sul was of 618.3 and 1,024.8 kg ha-¹, i.e., of 8 and 13%, respectively. The forecast of rice yield by applying the SimulArroz model and historic meteorological data for Rio Grande do Sul shows a good predictability, and the recommended scenario is complex 1, using three sowing dates per site and the three most representative rice cultivars per region. RESUMO - O objetivo deste trabalho foi avaliar um método de previsão de safra para arroz irrigado por inundação no estado do Rio Grande do Sul, Brasil, por meio do modelo SimulArroz. Utilizou-se a versão 1.1 desse modelo e dados meteorológicos históricos, com seis cenários compostos pelos seguintes níveis de informação em campo: datas de semeadura (1 a 4) e número de cultivares e/ou ciclos de desenvolvimento (1 a 3) durante quatro safras (2014/2015 a 2017/2018). A raiz quadrada média do erro (RQME), para comparação da produtividade real com a produtividade simulada para o Rio Grande do Sul, foi de 618,3 e 1.024,8 kg ha-¹, isto é, de 8 e 13%, respectivamente. A previsão de safra de arroz com aplicação do modelo SimulArroz e dados meteorológicos históricos para o Rio Grande do Sul apresenta boa capacidade preditiva quanto à produtividade, e o cenário recomendado para a previsão é o complex 1, com uso de três épocas de semeadura por local e das três cultivares mais representativas por região.
650 $aMeteorological data
650 $aOryza
650 $aRice
650 $aSowing date
650 $aArroz
650 $aArroz Irrigado
650 $aÉpoca de Semeadura
650 $aOryza Sativa
650 $aProdutividade
650 $aSafra
700 1 $aSTRECK, N. A.
700 1 $aCERA, J. C.
700 1 $aDUARTE JUNIOR, A. J.
700 1 $aRIBAS, G. G.
700 1 $aROSSATO, I. G.
700 1 $aMEUS, L. D.
700 1 $aPEREIRA, V. F.
700 1 $aPILECCO, I. B.
700 1 $aBENEDETTI, R. P.
700 1 $aTONETTO, F.
700 1 $aZANON, A. J.
773 $tPesquisa Agropecuária Brasileira$gv. 57, e02969, 2022.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Unidades Centrais (AI-SEDE) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
