Prévia do material em texto
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/275350237 INTRODUÇÃO USO DE MODELOS MATEMÁTICOS NO ESTUDO DE PASTAGENS Chapter · January 2014 CITATIONS 0 READS 211 2 authors: Some of the authors of this publication are also working on these related projects: Modeling the coffee Arabica architecture coupled to physiological functions in two water regimes and their impacts on product chemistry and quality View project Modelagem da estrutura e do crescimento de plantas, como apoio de modelos ecofisiológicos View project Márcio Lara Universidade Federal de Lavras (UFLA) 33 PUBLICATIONS 101 CITATIONS SEE PROFILE Miroslava Rakocevic Brazilian Agricultural Research Corporation (EMBRAPA) 132 PUBLICATIONS 384 CITATIONS SEE PROFILE All content following this page was uploaded by Miroslava Rakocevic on 24 April 2015. The user has requested enhancement of the downloaded file. https://www.researchgate.net/publication/275350237_INTRODUCAO_USO_DE_MODELOS_MATEMATICOS_NO_ESTUDO_DE_PASTAGENS?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_2&_esc=publicationCoverPdf https://www.researchgate.net/publication/275350237_INTRODUCAO_USO_DE_MODELOS_MATEMATICOS_NO_ESTUDO_DE_PASTAGENS?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_3&_esc=publicationCoverPdf https://www.researchgate.net/project/Modeling-the-coffee-Arabica-architecture-coupled-to-physiological-functions-in-two-water-regimes-and-their-impacts-on-product-chemistry-and-quality?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_9&_esc=publicationCoverPdf https://www.researchgate.net/project/Modelagem-da-estrutura-e-do-crescimento-de-plantas-como-apoio-de-modelos-ecofisiologicos?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_9&_esc=publicationCoverPdf https://www.researchgate.net/?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_1&_esc=publicationCoverPdf https://www.researchgate.net/profile/Marcio_Lara2?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_4&_esc=publicationCoverPdf https://www.researchgate.net/profile/Marcio_Lara2?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_5&_esc=publicationCoverPdf https://www.researchgate.net/institution/Universidade_Federal_de_Lavras_UFLA?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_6&_esc=publicationCoverPdf https://www.researchgate.net/profile/Marcio_Lara2?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_7&_esc=publicationCoverPdf https://www.researchgate.net/profile/Miroslava_Rakocevic?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_4&_esc=publicationCoverPdf https://www.researchgate.net/profile/Miroslava_Rakocevic?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_5&_esc=publicationCoverPdf https://www.researchgate.net/institution/Brazilian_Agricultural_Research_Corporation_EMBRAPA?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_6&_esc=publicationCoverPdf https://www.researchgate.net/profile/Miroslava_Rakocevic?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_7&_esc=publicationCoverPdf https://www.researchgate.net/profile/Miroslava_Rakocevic?enrichId=rgreq-f8f2e0f1240836534947492f55a4551a-XXX&enrichSource=Y292ZXJQYWdlOzI3NTM1MDIzNztBUzoyMjE3MzEyNjEyOTI1NDVAMTQyOTg3NjI2MDYzMg%3D%3D&el=1_x_10&_esc=publicationCoverPdf 333 INTRODUÇÃO A demanda crescente pelo desenvolvi- mento de tecnologias voltadas para a explora- ção pecuária é um dos reflexos do processo de globalização e de competição entre os produtos agropecuários. Esses processos tomam propor- ções maiores quando se focam impactos das ati- vidades agropecuárias no meio ambiente e na qualidade e segurança de alimentos oferecidos ao consumidor. Novas exigências impostas pelo mercado brasileiro e internacional têm mudado os rumos da economia e, consequentemente, requerem que os pecuaristas assumam nova postura empresa- rial; no entanto, a gestão de sistemas pastoris defronta-se com a baixa capacidade de previsão da produção e o limitado controle dos estoques de forragem. Na busca pela melhor eficiência econômica dos sistemas produtivos, identificar técnicas de manejo adequadas ao planejamento administrativo permite a tomada de decisões di- recionadas ao melhor rendimento global do sis- tema. Para entender mais profundamente o dinamismo desses sistemas, é necessário o uso de ferramentas que auxiliem os pesquisadores na interpretação dos resultados quando fatores ambientais e de manejo são adicionados ao pro- cesso. Dentre as novas ferramentas, destaca-se o uso de modelos de simulação, os quais permitem descrever o funcionamento de um sistema pro- dutivo e inter-relacionar seus componentes. O uso de modelos na pesquisa auxilia na identificação de lacunas de conhecimento e para fornecer subsídios teóricos para estudos mais complexos. Nas propriedades agrícolas, os modelos auxiliam, entre outras finalidades, para estimar a produção, permitindo maior controle sobre a oferta e a demanda de alimentos e geran- CAPÍTULO 22 USO DE MODELOS MATEMÁTICOS NO ESTUDO DE PASTAGENS Márcio André Stefanelli Lara1, Miroslava Rakocevic2 do informações importantes ao produtor quanto ao planejamento das atividades (BARIONI et al., 2003). Neste capítulo, são revistos conceitos téc- nicos sobre modelagem relacionada às pastagens e aplicações na pesquisa de modelos de simula- ção para a gestão dos recursos forrageiros. O que é um modelo? A palavra modelo deriva de “modus” (uma medida) e implica mudanças de escala em suas interpretações (ARIS, 1994). De forma geral, um modelo é uma representação de algo físico ou abstrato expresso de outra forma. Sendo assim, a asa de uma aeronave pode ser modelada a partir da construção de um modelo físico (protótipo) e obterem-se medidas a partir dele. Uma entidade química, biológica, social, psicológica, econômica ou conceitual é abstrata, e pode geralmente ser descrita em termos matemáticos (BERNARDES; TERAMOTO, 2007). Um modelo matemático consiste em diversos tipos de expressão mate- mática (como, por exemplo, dinâmica, diferen- cial, probabilística, etc.) que podem representar quantitativamente as suposições e hipóteses ide- alizadas sobre o sistema complexo real (THOR- NLEY,1976). Talvez a mais importante face da mode- lagem seja que ela possibilita entender o sistema de forma mais intensa ou descrevê-lo mais ple- namente, representando quantitativamente as suposições e hipóteses idealizadas sobre o siste- ma real (THORNLEY, 2001). Até mesmo a sequ- ência da análise de um sistema e a concatenação de ideias para o processo de modelagem podem ser simplificadamente descritas por um modelo (Figura 1). 334 FIGURA 1 - Representação simplificada da sequência de construção de um modelo (Adaptado de KA- PUR, 1988). uma variávelque os compõem, gerando respos- tas para instantes fixos. Aplicando essas definições em biologia, podemos dizer que os processos dinâmicos são versões simplificadas de sistemas ecológicos di- nâmicos ou, em outras palavras, sistemas que so- frem mudanças com o tempo. Os modelos estáticos fazem parte de mo- delos dinâmicos, fornecendo dados compilados para novas fases do processo. Os modelos está- ticos fornecem o resultado imediato, válido para um determinado momento e condição. Por isso, os modelos estáticos não permitem obter resul- tados ao longo do tempo, por exemplo, a cada segundo, minuto, horas ou dias. Um exemplo de modelo estático seria um modelo no qual a relação entre a respiração e o crescimento do or- ganismo é calculada com base no conhecimento do processo bioquímico envolvido num dado momento. • Empíricos ou mecanicistas - que levam em consideração a forma como se contemplam as informações. Empíricos são modelos que se baseiam em dados simplesmente observados. O método empírico consiste em analisar dados experimentais, realizando algumas análises dos mesmos e tentando idealizar equações matemá- ticas que possam ser usadas como modelos ma- temáticos que se ajustem aos dados observados. Geralmente, modelos empíricos são formulados após a realização de experimentos e a análise dos dados. Nesse tipo de modelo, utilizam-se dados empíricos, variáveis ou constantes consagradas que fazem parte do conhecimento de determina- da ciência. Quando o interesse é descrever pri- O desenvolvimento de um modelo passa por várias fases que devem seguir uma sequência organizada e lógica (RAGSDALE, 1997). Todo o processo pode ser resumido em cinco etapas: (1) Inicia-se com a identificação do pro- blema; (2) Segue-se então para a formulação dos objetivos, isto é, quais são as respostas esperadas que o modelo possa fornecer; (3) Em seguida, vem a fase da determina- ção dos limites, variáveis e processos que farão parte do modelo, sua hierarquização e níveis de agregação; (4) Posteriormente, vem a fase de parame- trização do modelo, com análise bibliográfica ou o uso de bancos de dados experimentais; (5) Finalmente, vem a fase que consiste na validação do modelo, que se resume num “teste”, checando se o modelo reproduz de maneira coe- rente as situações que ela tenta representar, sen- do que idealmente isso deve ser feito por meio de análises estatísticas (Nelson, 1995). Tipos de Modelo Quando focamos somente nos modelos matemáticos, eles foram classificados por Thor- nley (2001) em: • Dinâmicos ou estáticos - que levam em consideração a forma como tratam as mudan- ças no tempo físico. Dinâmicos são aqueles que incluem o tempo físico como uma de suas vari- áveis, descrevendo as mudanças ocorridas e as respostas obtidas em função do tempo. Estáticos são aqueles que não consideram o tempo como SEÇÃO 6 – Produção e manejo de plantas forrageirras 335 mariamente a resposta de um sistema de forma geral, o método empírico pode ser utilizado satis- fatoriamente. Neste caso, não há muito interesse em explicar detalhadamente por que o sistema responde de tal forma. São geralmente modelos simples partindo de regressões lineares e não li- neares com poucos dados de entrada. Modelos mecanicistas são os que se ba- seiam em leis da física, química e biologia envol- vida no processo. Quando se deseja entender a resposta de um sistema biológico, considerando os mecanismos reconhecidos, um modelo meca- nicista é mais adequado do que o empírico. As- sim, um modelo mecanicista pode ser construído com base na estrutura do sistema, dividindo o sistema em componentes e tentando entender o comportamento do sistema como um todo, em termos das respostas dos componentes individu- ais e suas inter-relações. É necessário realizar uma série de suposições ou hipóteses que se constitui- rão na base do modelo, que deverá ser descrito matematicamente e organizado em equações. Alguns pesquisadores que utilizam modelos me- canicistas tendem a construir seus modelos antes de realizar experimentos, pensando em várias possibilidades que envolvem os processos e suas consequências. Neste contexto, os experimentos realizados têm a finalidade de testar as hipóteses previamente incluídas na modelagem. • Deterministas ou estocásticos – que levam em consideração a forma como as respostas são geradas. Deterministas são aqueles que sempre obtêm a mesma solução para um determinado conjunto de variáveis de entrada. Estocásticos são aqueles em que o processo é descrito por meio das leis das probabilidades, gerando uma distribuição de respostas para certos conjuntos de variáveis de entrada, ou seja, leva em consi- deração o acaso. Um modelo é chamado deter- minístico se o estado do sistema, num momento, for determinado, exclusivamente, pelo estado do sistema no momento anterior, e estocástico se for determinado pelo estado do sistema no momento anterior com uma probabilidade devida ao acaso, sendo o estado do sistema o valor das variáveis num determinado momento. O modelo determinístico é válido para qualquer situação. Um exemplo de modelo de- terminístico pode ser a equação da área de uma circunferência, A = π*r2, onde π é uma constante empírica. Nos níveis moleculares e atômicos, os processos são estocásticos. Nesses casos, os mo- delos são capazes de prever resultados com uma probabilidade associada. Essas divisões devem ser consideradas com certa reserva, uma vez que os modelos não podem ser rigorosamente classificados - por exemplo, um modelo determinístico pode apre- sentar certo grau de empirismo. Considera-se que os modelos mecanicistas e empíricos são mais abordados na pesquisa (TORNLEY, 2001). Desenvolvimento de modelos de crescimento vegetal com foco em pastagens Durante três décadas do século XX (dos anos sessenta até aos oitenta), apareceram duas linhas de modelos relacionados ao mundo vege- tal: modelos baseados em processos e modelos arquiteturais. Segundo Mäkelä et al. (2000), os modelos baseados em processos geralmente de- finem: • O crescimento de plantas anuais e pe- renes. • Os processos fisiológicos de aquisição de recursos e sua conversão. • A alocação de massa em seus compar- timentos. Os modelos baseados na arquitetura ve- getal consideram as representações estáticas e dinâmicas, descrições, visualizações, extrações de leis de atividades meristemáticas (que deter- minam o aparecimento de órgãos e ramificações). Estes últimos são geralmente estocásticos e não funcionais, porém o acoplamento com os mode- los fisiológicos, de maneira mecanicista, ocorreu no desenvolvimento destas representações vege- tais. A partir dos anos noventa, a modelagem vegetal tem o papel mais voltado para dar apoio no entendimento de interações entre o genótipo e o ambiente. Neste sentido, a modelagem serve para identificar as características que melhoram o desempenho de plantas num dado ambiente, para prever a resposta de um genótipo numa de- terminada condição de crescimento e entender a adaptação de plantas e sua evolução. A identifi- cação de características importantes nos estudos genéticos apoia o melhoramento genético, exi- gindo que a modelagem considere os processos onde as interações entre o genótipo e o ambiente possam ser expressos. Godin (2000) define a arquitetura vegetal como “qualquer descrição individual baseada na decomposição de plantas em componentes, espe- cificando seu tipo biológico, sua forma, sua loca- lização/orientação no espaço e a maneira como eles são fisicamente relacionados uns aos outros”. A análise topológica entre os módulos vegetais e de sua distribuição espacial (topológico - geomé- trica) aplica complexos métodos estatístico-ma- temáticos no processo de entendimento de suas inter-relações (LOUARN et al., 2007), definindo as leis botânicas na determinação de maneiras de construção da arquitetura vegetal (COSTE; GUE- DON, 2002) ou de variabilidade genética e arqui- Capítulo 22 - Uso deModelos Matemáticos no Estudo das Pastagens 336 tetura vegetal (SEGURA et al., 2007). Por outro lado, a modelagem funcional - estrutural (FSPM) agrupa combinações entre os modelos baseados nos processos ecofisiológicos (alocação de carbono, transporte de água, etc.) e os modelos arquiteturais geométricos. FSPMs fo- ram definidos como modelos que explicitamente descrevem o desenvolvimento de arquitetura du- rante o tempo em que é governado pelos proces- sos fisiológicos e dependem dos fatores ambien- tais (VOS et al. 2010). Ecossistemas de pastagens são basica- mente organizados em três processos interativos: (1) assimilação e alocação de carbono; (2) assi- milação e alocação de nitrogênio, e (3) relações hídricas envolvendo absorção e evapotranspi- ração (MCNAUGHTON et al., 1982). Os fluxos de carbono, nitrogênio e água são mediadores de diversos ciclos, particularmente intensos em ecossistemas de pastagens, uma vez que a água e o nitrogênio são fatores importantes de limitação à produção. Uma apresentação simplificada da orga- nização dos três processos interativos de mode- los baseados em processos aplicados em pasta- gens incorporaria: • A fixação de carbono pelo processo fotossintético, que é influenciada pela alocação do carbono previamente incorporado ao dossel (arquitetura do dossel determina a extensão e a eficiência da interceptação da radiação inciden- te) e pela biomassa de raízes (que determina a absorção de água e de nutrientes) (VICKERY, 1981; MCNAUGHTON et al., 1982; MARSHALL, 1987). • A fotossíntese está inevitavelmente as- sociada com perda de água pela planta por trans- piração, a qual é mediada pela resistência esto- mática (TAIZ; ZEIGER, 2004). Na planta, a água e o nitrogênio têm efeito direto sobre a fotossínte- se, partição de carbono e síntese de biomassa es- trutural, sendo a partição de carbono entre raízes e parte aérea o fator determinante da absorção de água e nitrogênio pelas raízes e da utilização de energia associada aos processos de absorção (RAPER et al., 1978). • A evapotranspiração, que está relacio- nada com a área foliar e, consequentemente, com a interceptação de luz, afeta o conteúdo de água no solo e a disponibilidade de nutrientes por meio de processos de decomposição, sendo os so- los dos ecossistemas de pastagens mais abundan- tes em fixadores não simbióticos de nitrogênio do que muitos outros ambientes edáficos (EPSTEIN, 1972). O balanço entre os fatores de produção descritos, apesar de complexo, poderia ser inter- pretado resumidamente como a integração dos processos dinâmicos que regulam a alocação de recursos produtivos no sistema. A integração é ainda influenciada pelas perturbações no sistema solo-planta-atmosfera (DA SILVA; PEDREIRA, 1997). Na prática, isso se traduz em uma série de atributos morfológicos e fisiológicos (tais como localização dos pontos de crescimento, origem de novos perfilhos, arquitetura do dossel e pa- drões de interceptação luminosa, etc.) por meio de adaptações da planta forrageira ao ambiente. Os fatores climáticos que determinam a adapta- bilidade de uma espécie ou cultivar forrageiro ao ambiente são os que também determinam sua produtividade. A irradiância, a temperatura e a disponibilidade de água são os principais fatores climáticos que afetam a estacionalidade de pro- dução forrageira. A interação entre genótipo e ambiente faz com que cada espécie ou cultivar apresente po- tencial único de acúmulo de forragem e, conse- quentemente, de produção e distribuição da mas- sa total no decorrer do ano (FONTES et al., 1993). No Brasil, esforços de pesquisa direcionados para a caracterização dos padrões de estacionalidade de produção de espécies forrageiras tropicais ti- veram início na década de 1960, a partir da quan- tificação da produção (acúmulo de forragem) ao longo do ano (PEDREIRA, 1965/1966; PEDREI- RA; BOIN, 1969; PEDREIRA, 1973a; PEDREIRA, 1973b; PEDREIRA, 1976; PEDREIRA; MATTOS, 1981; Pedreira & Mattos, 1982). Estes trabalhos forneceram os primeiros registros quantitativos da manifestação inequívoca da resposta produ- tiva de espécies forrageiras tropicais às variáveis climáticas no Brasil. Evidentemente, os bancos de dados ge- rados permanecem até hoje incompletos, dada a diversidade de ambientes em que os sistemas de produção podem inserir-se e ao fato de que uma mesma espécie apresenta curvas de distribuição estacional da produção diferentes para cada lo- calidade. Além disso, práticas e ações de manejo podem promover alterações, ainda que pequenas e frequentemente não significativas, nas curvas de estacionalidade (WERNER, 1970; GHELFI FILHO, 1972; LARA, 2011), gerando uma gama de variações difícil de ser contemplada em sua totalidade. Modelagem da produtividade Os modelos matemáticos desenvolvidos para a previsão da produtividade de sistemas agrícolas são, geralmente, divididos em modelos de produtividade potencial, de produtividade restrita e de produtividade reduzida (VAN DE VEN et al., 2003). Nessa classificação, os modelos de produtividade potencial consideram fatores SEÇÃO 6 – Produção e manejo de plantas forrageirras 337 que definem as máximas taxas de crescimento (características genéticas, luz, temperatura). Mo- delos de produtividade restrita consideram tam- bém fatores limitantes, como água e nutrientes, e modelos de produtividade reduzida consideram, além desses, fatores como plantas daninhas, pra- gas e doenças (Figura 2). FIGURA 2 - Esquema de restrições num modelo de produtividade potencial (Adaptado de LÖVENS- TEIN et al., 1995). Na continuação do capítulo, serão apre- sentados modelos relativos à produtividade e ao crescimento de gramíneas pela sua ordem de complexidade. Modelos simples com base em processos Na modelagem dinâmica, o tempo apre- senta uma variável descontínua. Essa variável deve ser considerada com atenção na modela- gem de produção das culturas forrageiras, uma vez que essas espécies não respondem da mesma maneira a um mesmo intervalo de tempo nas di- ferentes estações do ano e localidades. Modelos que integrem os fatores que regem a produção são potencialmente mais úteis para que as previ- sões sejam exatas. No Brasil, tem havido progressos signifi- cativos na capacidade de prever a produtividade potencial das plantas forrageiras. Barioni et al. (2003) identificaram três tipos de modelos sim- ples, quanto às variáveis ambientais considera- das para estimar a produtividade das pastagens, sem limitação de clima ou localização geográfica: (1) modelos de soma térmica ou graus-dia (GD) (FRANK; HOFMANN, 1989; SANDERSON; MOORE, 1999) consideram o efeito cumulati- vo da temperatura, acima de um determinado limiar; (2) modelos de unidades fototérmicas (UF) (GHELFI FILHO, 1972; VILLA NOVA et al., 1983; JAME et al., 1998; YAN; WALLACE, 1998, MORENO 2004, LARA, 2007; LARA, 2011) con- sideram o efeito combinado da temperatura e do fotoperíodo, e (3) modelos de radiação solar (VI- ÉGAS et al., 2002) consideram a quantidade de radiação solar como variável independente para formação de massa seca. Como exemplo, temos a biomassa acu- mulada de pastagens relacionada a quantidade de radiação interceptada; essa relação é expressa pela inclinação da reta representando a eficiên- cia do uso da radiação (EUR), estando relativa- mente estável entre as espécies de mesmo grupo metabólico em condições não limitadas: 1,95 g MJ-1 para espécies C3 e 2,5 g MJ-1 para espécies C4 (GOSSE et al., 1986). Em condições de estres- se hídrico, ou limitações de acesso ao nitrogênio, a EUR de gramíneas diminui (BÉLAGER et al., 1992). Aparentemente, a precisão não varia de maneira significativa entre esses três tipos de mo- delos mencionados acima. Lara (2011) constatou que o acúmulo de forragem possui alta correla- ção com GD e UF, e que ambos os parâmetros podem ser usados na estimativa da produção de espécies de gênero Brachiaria. A aplicação de modelagem baseada em GD e UF possibilitaa interpretação matemática do dinamismo do cres- cimento das plantas sob diferentes condições de manejo e épocas do ano (Figura 3). No entanto, existe a restrição relativa ao fato de que esses são modelos aplicáveis apenas em condições nas quais não há limitação de água ou nutrientes para a produção, como, por exemplo, em situações de Capítulo 22 - Uso de Modelos Matemáticos no Estudo das Pastagens 338 pastagens irrigadas em solos de alta fertilidade e/ou com adubação. Em regiões ou períodos de regime hídrico não restritivo, modelos baseados em GD, UF e radiação solar apresentam alta cor- relação com a produtividade, tanto de forragem como dos animais (GEORGE et al., 1988). FIGURA 3 - Acúmulo de forragem de Capim-marandu (Brachiaria brizantha Stapf. cv. Marandu) cortados a 15 e 7,5 cm de altura no auge do verão e do inverno agrostológico em função de graus-dia (GD) e unidades fototérmicas (UF) acumulados (Adaptado de LARA, 2011). SEÇÃO 6 – Produção e manejo de plantas forrageirras 339 Embora os modelos desenvolvidos para a previsão da produção potencial sejam úteis, não pode ser ignorado o fato de que a maior parte das áreas de pastagens no Brasil sofre restrições am- bientais em um ou outro momento do ano agríco- la, ou mesmo durante todo o ano, especialmente no que diz respeito à disponibilidade hídrica e fertilidade do solo. Barioni et al. (2003) julgaram importante que esforços sejam empregados no desenvolvimento de modelos que contemplem situações subótimas de crescimento e que sejam capaz de quantificar os decréscimos na produção a elas associados (produtividade restrita). Por exemplo, o modelo de ‘diluição de nitrogênio’ (LEMAIRE et al., 1997) calcula a percentagem mínima do N para o máximo de crescimento de gramíneas em pastagens, diferenciando espécies C3 e C4. Esta % de N crítica em perfilhos de gra- míneas é relacionado com a massa de plantas cal- culada pela área de solo. A diluição de nitrogênio que, mesmo em condições não limitantes de N, diminui com o crescimento das plantas. Os modelos que contemplam as situações subótimas e mais realísticas são valiosos para o aprimoramento das técnicas de monitoramento e gerenciamento de sistemas pastoris, na identifi- cação de causas de má ou subutilização de recur- sos (VAN DE VEN et al., 2003), no estabelecimen- to de potenciais regionais de produção de forra- gem (FITZPATRICK; NIX, 1970), no zoneamento ecológico-econômico e na avaliação de projetos pecuários baseados em pastagens. Infelizmente, os bancos de dados necessários ao desenvolvi- mento de tais modelos para espécies forrageiras tropicais ainda são restritos, o que faz com que seu desenvolvimento ainda seja incipiente (BA- RIONI et al., 2003). Modelos de predição com base em processos Modelos de predição baseados em pro- cessos enquadram-se numa escala maior de complexidade. Eles funcionam com conjuntos de dados organizados e arquivados de forma que são possíveis simulações, com várias interações entre clima, solo e manejo em cenários distintos, além de ser possível a otimização dos parâmetros do modelo com a realimentação de dados. Aná- lises de sensibilidade relacionadas às mudanças nas condições de produção e laudos econômicos também podem fazer parte desses modelos. As ferramentas adicionais incorporadas nestes mo- delos ampliam as opções de tomada de decisão gerencial e auxiliam na identificação de lacunas de conhecimento que poderão ser trabalhadas em experimentos futuros (LARA, 2011). Para ilustrar os modelos de previsão baseados em processos, falaremos mais sobre o CROPGRO - um modelo orientado por pro- cessos. Ele usa dados diários de clima e manejo para predizer mudanças diárias na composição e crescimento da cultura (BOOTE et al., 1998). Esse modelo foi desenvolvido como um mode- lo autônomo, mas também está inserido num programa computacional, o DSSAT (Decision Support System for Agrotechnology Transfer), que possibilitou a interface com programas gráficos e automatizou a apresentação dos resultados. O DSSAT foi desenvolvido por uma rede interna- cional, o International Benchmark Sites Network for Agrotechnology Transfer (IBSNAT) e é composto por seis modelos que podem simular 27 culturas de importância econômica com confiabilidade nas mais diversas condições de produção (RYM- PH, 2004). CROPGRO é um modelo mecanicista genérico que prediz produção e composição de culturas baseado nas informações de planta (com atributos de espécie e cultivar), clima, manejo e solo. Ele possui a habilidade de simular balanço hídrico e de nitrogênio, matéria orgânica e dinâ- mica de resíduos no solo, e danos por pragas e/ ou doenças, aspectos que aumentam sua utilida- de (RYMPH, 2004). No Brasil, novos grupos de pesquisadores estão engajados na parametrização do modelo CROPGRO para gramíneas forrageiras de clima tropical, na tentativa de fazer deste uma ferra- menta usual no estudo das variações estacionais de produção. Pedreira et al. (2011) parametriza- ram o modelo, calibrado anteriormente para Pas- palum notatum (Alain ex. Flüggé) com dados de Brachiaria brizantha, conseguindo bons resultados na simulação do acúmulo de forragem (Figura 4). Capítulo 22 - Uso de Modelos Matemáticos no Estudo das Pastagens 340 FIGURA 4 - Biomassa acumulada de Brachiaria brizantha predita vs. observada durante os anos de 2005 e 2008, em Piracicaba-SP (Adaptado de PEDREIRA et al., 2011). O método de aquisição de informações dos elementos estruturais pode ser realizado di- gitalizando plantas ou a parte do dossel repre- sentativo da mesma, reconstruindo os elementos geométricos no espaço tridimensional sem rela- cioná-los topologicamente (RAKOCEVIC et al., 2000), ou considerando as relações topológicas e posições geométricas (GODIN et al., 1999). Na coleta de dados, usam-se equipamentos dispo- níveis para medição era 3D: braços articulados, (Microscribe 3D, Ghost 3D, LLC, USA), campo eletromagnético (3Space Fastrak, Polhemus, USA), ou ultrassom. Recentemente, estão sendo desenvolvidos métodos de digitalização passiva, como escaneamento a laser, estéreo imagens e 3D microtomografia. A modelagem e a reconstrução das plan- tas individuais e/ou de dosséis inteiros passam pela análise estrutural e espacial dos compo- nentes e de seu desenvolvimento, estabelecendo as equações matemáticas para estes processos (GAUTIER et al., 2000; POMMEL et al., 2006; DORNBUSCH et al., 2011). As medições podem ser realizadas com mínimo de equipamento, mas requer longos períodos de medições e de defini- ção posteriores, para a reconstrução da estrutura em softwares/plataformas conhecidas (RAKO- CEVIC et al., 2011). A modelagem da estrutura em 3D aplica- Modelagem arquitetural em três dimensões (3D) e FSPM Os modelos arquiteturais em 3D e seu acoplamento com a funcionalidade fisiológica (FSPM) estariam num terceiro nível de escada de complexidade. As plataformas e os softwares que estão sendo disponibilizados para a modelagem estrutural e funcional de vegetais, têm evoluído no tempo. Para simulação do desenvolvimento estrutural de plantas, os modelos são geralmente baseados em sistemas de Lindenmayer (L-siste- mas) e VPlants. L-sistemas usa gramática formal constituída de regras reescritas para modelar a estrutura, o crescimento e o desenvolvimento de plantas (PRUSINKIEWICZ; LINDENMAYER, 1996). O VPlants é o sucessor de AMAPmod (GODIN; GUÉDON, 2003) e consiste num com- plexo sistema de análise matemática e estatística de arquitetura e funcionalidade vegetal, a partir de princípios botânicos. O VPlants ajuda na aná- lise de estruturas provenientes de meristemas (RENTON et al., 2006) e a funcionalidade dos próprios meristemas (VERNOUX et al., 2011). Recentemente, os dois sistemas principais de modelagem de estrutura vegetal (L-sistemas e VPlants) foram unidos sob a plataforma OpenA- lea (PRADAL et al., 2008). SEÇÃO 6 – Produção e manejo de plantas forrageirras 341 se em pastagens desdeos anos noventa e seus motivos básicos encontram-se no acoplamento com os modelos em 3D ambientais, tais como in- terceptação de radiação (SONOHAT et al., 2002) e partição de assimilados entre os constituintes de dossel ou, ainda, no entendimento da dinâmi- ca de sistemas complexos que incluem plantas e animais. A modelagem da produtividade, estru- tura e funcionalidade de pastagens em 3D não frutificou em uma grande variedade de experi- mentos e aplicações específicos, o que está re- lacionado com a complexidade da arquitetura (dosséis densos de altura limitada e grande he- terogeneidade vertical e horizontal), além da dinâmica de crescimento e uso contínuo (VER-(VER- DENAL, 2009). A produtividade, o crescimento em 3D e a interceptação de radiação relativos às pastagens foram calculados em sistemas de mo- nocultivo (GAUTIER et al., 2000; RAKOCEVIC et al., 2000), consórcios de gramíneas com legu- minosas (SONOHAT et al., 2002; BARILLOT et al., 2011) e consórcio entre gramíneas de savanas com árvores usando o modelo TREEGRASS (SI- MIONI et al., 2000). Avanços na modelagem arquitetural em 3D em pastagens vão de pequenas simulações de crescimento após corte da forragem até a desfo- lhação feita pelos animais. Na simulação de uso de dosséis de Azevém perene (Lolium perene L.), em diferentes alturas (Figura 5), as reconstruções de plantas individuais em L-sistemas, em conjun- to com as equações de crescimento sob a modifi- cação do ambiente (temperatura, sombreamento e tempo), ajudaram no entendimento racional do uso do pasto (VERDENAL, 2009). Combes et al. (2011) avaliaram a simula- ção da massa potencial de bocados de animais, a utilização da planta forrageira e nova rebrotação a partir do resíduo de dosséis na mesma escala espacial, considerando a heterogeneidade ver- tical e horizontal (Figura 6). Assumiu-se que os animais regulam o tamanho de bocado por meio da profundidade do bocado do que pela área do bocado (UNGAR, 1996). Com uma média de área estimada (0,012–0,022 m2), profundidade de bo- cado de 0,30 m e resíduo crítico de 0,03 m (GIN- NETT et al., 1999), com esses dados, conseguiu-se simular a dinâmica de rebrotação da forragem e sua estrutura relacionada com a interceptação lu- minosa (COMBES et al., 2011). FIGURA 5 - Estrutura inicial e residual de um dossel virtual de Lolium perene (população constituída de 16 plantas), após os cortes em diferentes alturas – 35; 45; 55 e 65 mm. (Adaptado de VERDENAL, 2009). Capítulo 22 - Uso de Modelos Matemáticos no Estudo das Pastagens 342 FIGURA 6 - Ilustração de pasto virtual de Trevo-Branco (Trifolium repens). O bocado virtual foi processa- do a partir de um pasto inicial em 3D. (Adaptado de COMBES et al., 2011). O futuro de modelagem em 3D de pasta- gens depende da organização das pesquisas de forma multidisciplinar com a finalidade de res- ponder a questões complexas de sistemas natu- ralmente dinâmicos. Inicialmente, o entendimen- to preciso de partes desses processos permitirá melhor projeção do resultado final, auxiliando a tomada de decisão de manejo e/ou corrigindo a atividade com a modificação consciente desses processos. Considerações finais O desenvolvimento de modelos para a atividade agropecuária tem aplicabilidade tanto em pesquisa como nos sistemas produtivos. Os recursos matemáticos e computacionais estão disponíveis a qualquer usuário que se disponha a enveredar pelo assunto. Tanto no contexto aca- dêmico da pesquisa como na aplicação prática no auxílio à tomada de decisão, a modelagem pode ser uma ferramenta valiosa. Na pesquisa, estudos básicos envolvendo crescimento e de- senvolvimento de plantas agrícolas podem estar relacionados com: (i) a simples geração e aqui- sição de conhecimento sobre fenômenos bioló- gicos; (ii) o ordenamento desse conhecimento e das ideias e princípios a ele associadas, e (iii) a aplicação desse conhecimento e do entendimen- to dos processos na resolução de problemas. No campo, como ocorrem cada vez mais rápidos os avanços em técnicas computacionais, é razoável especular que as ferramentas de gerenciamento tenderão à evolução em direção a situações fu- turas onde usuários poderão prever planejar e otimizar a atividade de produção primária com grande precisão e exatidão. REFERÊNCIAS ARIS, R. Mathematical modelling techniques. New York: Dover Publications, 1994. 269 p. BARILLOT, R.; LOUARN, G.; ESCOBAR- GUTIÉRREZ, A. J.; HUYNH, P.; COMBES, D. How good is the turbid medium-based approach for accounting for light? Annals of Botany, London, v.108, n.6, p. 1013-24, 2011. BARIONI, L.G.; MARTHA JR., G.B.; RAMOS, A.K.B.; VELOSO, R.F.; RODRIGUES, D.C.; VILELA, L. Planejamento e gestão do uso de recursos forrageiros na produção de bovinos em pastejo. In: SIMPÓSIO SOBRE MANE- JO DA PASTAGEM, 20., 2003. Piracicaba. Anais… Piracicaba: FEALQ, 2003. p. 105-153. BÉLANGER G.; GASTAL F.; LEMAIRE, G. Growth analysis of a tall fescue sward fetilised with different rates of nitrogen. Crop SEÇÃO 6 – Produção e manejo de plantas forrageirras 343 Science, Madison, v.32, p. 1.371-1.376. 1992. BERNARDES, M. S.; TERAMOTO, E. R. Aná- lise de Sistema de produção e Modelagem. In:CASTRO, P.R. C.; KLUGE, R. A.; DE- CHEN, A. R. Introdução à fisiologia vegetal. Piracicaba: FEALQ, 2007. 212-227p. BOOTE, K.J.; JONES, J.W.; HOOGENBOOM, G. Simulation of crop growth: CROPGRO Mod- el. In: PEART, R.M.; CURRY, R.B. (Ed.). Agri- cultural systems modeling and simulation. New York: Marcel Dekker, 1998. p. 651-692. COMBES, D.; DECAU, M-L.; RAKOCEVIC, M.; JACQUET, A.; SIMON, J-C.; SINOQUET, H.; SONOHAT, G.; VARLET-GRANCHER, C. Simulating the grazing of a white clover 3D virtual sward canopy and the balance between bite mass and light capture by the residual sward. Annals of Botany, London, v.108, n.2, p.1203-1212, 2011. COSTES, E.; GUÉDON, Y. Modelling branching patterns on 1year old trunks of six apple culti- vars. Annals of Botany, London, v.89, p.513- 524, 2002. DA SILVA, S.C.; PEDREIRA, C.G.S. Princípios de ecologia aplicados ao manejo da pastagem. In: SIMPÓSIO SOBRE ECOSSISTEMAS DE PASTAGENS, 3.,1997. Jaboticabal. Anais… Jaboticabal: FUNEP, 1997. p.1-62. DORNBUSCH, T.; WATT, J.; BACCAR, R.; FOURNIER, C.; ANDRIEU, B. A compara- tive analysis of leaf shape of wheat, barley and maize using an empirical shape model. Annals of Botany, London, v.107, p. 865–873, 2011. EPSTEIN, E. Mineral nutrition of plants: princi- ples and perspectives. New York: John Wiley & Sons, 1972. FITZPATRICK, E.A.; NIX, H.A. The climatic fac- tor in Australian grassland ecology. In: FITZ- PATRICK, E.A.; NIX, H.A. (Ed.). Australian grasslands. Canberra: National University Press, 1970. p. 3-36. FONTES, P.C.R.; MARTINS, C.E.; CÓSER, A.C.; VILELA, D. Produção e níveis de nutrientes em alfafa (Medicago sativa L.) no primeiro ano de cultivo, na zona da mata de Minas Gerais. Revista da Sociedade Brasileira de Zootec- nia, Viçosa, MG, v. 22, n. 2, p.205-211, 1993. FRANK, A.B.; HOFFMAN, L. Relationship among grazing management, growing de- gree-days, and morphological development for native grasses on the Northern Great Plains. Agronomy Journal, Madison, v.83, p. 826-828, 1989. GAUTIER, H.; MECH, R.; PRUSINKIEWICZ, P.; VARLET-GRANCHER, C. 3-D architectural modelling of aerial photomorphogenesis in white clover (Trifolium repens L.) using L- systems. Annals of Botany, London, v.85, p. 359–370. 2000. GEORGE, M.R.; RACUSE, C.A.; CLAWSON, W.J.; WILSON, C.B.; WILLOUGHBY, R.L.; MCDOUGALD, N.K.; DUNCAN, D.A.; MURPHY, A.H. Correlation of degree-days with annual herbage yields and livestock gains. Journal of Range Management, Den- ver, v. 41, n.3, p.193-197, 1988. GHELFI FILHO, H. Efeito da irrigação sobre a produtividade do capim-elefante (Pennise- tum purpureum Schum.) variedade napier. 1972. 77 f. Tese (Doutorado) -Escola Superior de Agricultura “Luiz de Queiroz”, Universi- dade de São Paulo, Piracicaba, 1972. GINNETT, F.; DANKOSKY, J.A.;DEO, G.; DEM- MENT, M.W. Patch depression in grazers: the roles of biomass distribution and residual stems. Functional Ecology, Oxford, v.13, p. 37–44, 1999. GODIN, C. Representing and encoding plant architecture: a review. Annals of Forest Sci- ence, Lesllis, v.57, p. 413- 438, 2000. GODIN, C.; COSTES, E.; SINOQUET, H. A plant architecture description method integrating topology and geometry, Annals of Botany, London, v.84, p.343-357. 1999. GODIN, C.; GUÉDON, Y. AMAPmod version 1.8: introduction and reference manual. Montpellier: CIRAD, 2003. GOSSE, G.; VARLET-GRANCHER, C.; BON- HOMME, R.; CHARTIER, M.; ALLIRAND, J.M. ; LEMAIRE, G. Production maximale de matière seche et rayonnment solaire intercep- té par un couvert végétal. Agronomie, Paris, v.6, p.47-56, 1986. JAME, Y.W.; CUTFORTH, H.W.; RITCHIE, J.T. Interaction of temperature and daylength on leaf appearance rate in wheat and barley. Ag- ricultural and Forest Meteorology, Amster- dam, v. 92, p. 241-249, 1998. KAPUR, J. N. Mathematical modelling. New Delhi: John Wiley, 1988. 255 p. LARA, M.A.S. Respostas morfofisiológicas de cinco cultivares de Brachiaria spp. às varia- ções estacionais da temperatura do ar e do fotoperíodo. 2007. 91f. Dissertação (Mestra- do em Ciência Animal e Pastagens) - Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba, 2007. LARA, M.A.S. Respostas morfofisiológicas de genótipos de Brachiaria spp. sob duas in- tensidades de desfolhação e modelagem da produção de forragem em função das varia- ções estacionais da temperatura e fotoperío- do: adaptação do modelo CROPGRO. 2011. 212 f. Tese (Doutorado em Ciência Animal e Pastagens) - Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Pau- lo, Piracicaba, 2011. LEMAIRE, G.; GASTAL, F.; PLENET, D. Dy- namics of N uptake and N distribution in plant canopies. Use of crop N status index Capítulo 22 - Uso de Modelos Matemáticos no Estudo das Pastagens 344 in crop modeling. In: LEMAIRE, G.; BURNS, I.G. (Ed.). Diagnostic procedures for crop N management. Paris: INRA Editions, 1997. p.15-29. LOUARN, G.; GUÉDON, Y.; LECOEUR, J.; LE- BON, E. Quantitative analysis of the pheno- typic variability of shoot architecture in two grapevine (Vitis vinifera) cultivars. Annals of Botany, Oxford, v.99, p.425-437, 2007. LÖVENSTEIN, H.; LANTINGA, E.A.; RAB- BINGE, R.; VAN KEULEN, H. Principles of production ecology. Wageningen: Wagenin- gen Agricultural University, 1995. 121p. MÄKELÄ, A.; LANDSBERG, J.; EK, A. R.; BURK, T. E.; TER-MIKAELIAN, M.; AGREN, G. I.; OLIVER, C. D.; PUTTONEN, P. Process – based models for Forest ecosystem manage- ment: current state of the art and challenges for pratical implementation. Tree Physiol- ogy, Oxford, v.20, p. 289-298, 2000. MARSHALL, C. Physiological aspects of pas- ture growth. In: SNAYDON, R.W. Managed grasslands analytical studies. New York: Elsevier, 1987.p. 29-46. McNAUGHTON, S.J.; CONGHENOUR, M.B.; WALLACE, L.L. Interactive processes in grassland ecosystems. In: ESTES, J.R.; TYRL, R.J.; BRUNKEN, J.N. (Ed.). Grasses and grasslands: systematics and ecology. Okla- homa: University of Oklahoma Press, 1982. p. 167-193. MORENO, L.S.B. Produção de forragem de ca- pins do gênero Panicum e modelagem de respostas produtivas e morfofisiológicas em função de variáveis climáticas. 2004. 86 f. Dissertação (Mestrado em Ciência Animal e Pastagens) – Escola Superior de Agricultu- ra “Luiz de Queiroz” – Universidade de São Paulo, Piracicaba, 2004. NELSON, B.L. Stochastic modeling: analysis and simulation. New York: McGraw-Hill, 1995. 321p. PEDREIRA, B. P.; PEDREIRA, C. G. S.; BOOTE, K. J.; LARA, M. A. S.; ALDERMAN, P. D. Adapting the CROPGRO perennial forage model to predict growth of Brachiaria brizan- tha. Field Crops Research, Amsterdam, v. 120, 2011, p. 370-379. PEDREIRA, J.V.S. Crescimento estacional de le- guminosas forrageiras. Revista da Sociedade Brasileira de Zootecnia, Viçosa, MG, v.2, n.1, p. 27-33, 1973a. PEDREIRA, J.V.S. Crescimento estacional dos capins-colonião Panicum maximum Jacq. Gor- dura Melinis minutiflora pal de Beauv, Jaraguá Hyparrhenia rufa (Ness) stapf e pangola de Taiwan A-24 Digitaria pentzii stet. Boletim da Indústria Animal, Nova Odessa, v.30, n.1, p. 59-145, 1973b. PEDREIRA, J.V.S. Crescimento estacional dos capins-elefante napier (Pennisetum purpureum Schum.) e guatemala (Tripsacum fasciculatum Trin.). Boletim da Indústria Animal, Nova Odessa, v.33, n.2, p. 233-242, 1976. PEDREIRA, J.V.S. Estudo do crescimento do capim-Colonião. Boletim da Indústria Ani- mal, Nova Odessa, v.23, n.único, p. 139-145, 1965/1966. PEDREIRA, J.V.S.; BOIN, C. Estudo de cresci- mento de capim-elefante variedade Napier (Pennisetum purpureum Schum.). Boletim da Indústria Animal, Nova Odessa, v.26, n.único, p. 263-273, 1969. PEDREIRA, J.V.S; MATTOS, H.B. Crescimento estacional de cultivares de capim-elefante. Boletim de Indústria Animal, Nova Odessa, v.39 n.1, p. 29-41, 1982. PEDREIRA, J.V.S.; MATTOS, H.B. Crescimento estacional de vinte e cinco espécies ou varie- dades de capins. Boletim de Indústria Ani- mal, Nova Odessa, v.38 n.2, p. 117-143. 1981. POMMEL, B.; GALLAIS, A.; COQUE, M.; QUILLERÉ, I.; HIREL, B.; PRIOUL, J.L.; ANDRIEU, B.; FLORIOT, M. Carbon and nitrogen allocation and grain filling in three maize hybrids differing in leaf senescence. European Journal of Agronomy, Montrouge, v.24, p.203–211, 2006. PRADAL, C.; DUFOUR-KOWALSKI, S.; BOUDON, F.; FOURNIER, C.; GODIN, C. OpenAlea: a visual programming and com- ponent-based software platform for plant modeling. Functional Plant Biology, Victo- ria, v.35, n.9/10, p. 751-760, 2008. PRUSINKIEWICZ, P.; LINDENMAYER, A. The algorithmic beauty of plants. New York: Springer-Verlag, 1996. RAGSDALE, C.T. Spreadsheet modeling and decision analysis: a pratical introduction to management science. Cincinnati: South West- ern College Publishing, 1997. 730p. RAKOCEVIC, M.; SINOQUET, H.; CHRIS- TOPHE, A.; VARLET-GRANCHER, C. As- sessing the geometric structure of a white clover (Trifolium repens L.) canopy using 3-D digitizing. Annals of Botany, London, v.86, p.519-526. 2000. RAKOCEVIC, M.; COSTES, E.; ASSAD, E. D. Structural and physiological sexual dimor- phism estimated from 3D virtual trees of yer- ba-mate (Ilex paraguariensis St. Hil.) is modi- fied by cultivation environment. Annals of Applied Biology, Warwick, v.159, n.2, p.178- 191, 2011. RAPER JR., C.D.; OSMOND, D.L.; WANN, M.; WEEKS, W.W. Interdependence of root and shoot activities in determining nitrogen up- take of roots. Botanical Gazette, Chicago, v.139, p. 289-294, 1978. RENTON, M.; GUÉDON, Y.; GODIN, C.; COSTES, E. Similarities and gradients in growth-unit branching patterns during on- SEÇÃO 6 – Produção e manejo de plantas forrageirras 345 togeny in ‘Fuji’ apple trees: A stochastic ap- proach. Journal of Experimental Botany, Oxford, v.57, n.12, p.3131-3143, 2006. RYMPH, S.J. Modeling growth and composition of perennial tropical forage grasses. 2004. 316 f. Dissertation (Doctor of Philosophy) - University of Florida, Gainesville, 2004. SANDERSON, M.A.; MOORE, K.J. Switchgrass morphological development predicted from day of the year or degree-day models. Agron- omy Journal, Madison, v.91, p.732- 34, 1999. SEGURA, V.; CILAS, C.; LAURENS, F.; COSTES, E. Phenotyping progenies for complex archi- tectural traits: a strategy for 1-year-old apple trees (Malus domestica Borkh.). Tree Genetics and Genomes, Davis, v.2, p.140-151, 2007. SIMIONI, G.; LE ROUX, X.; GIGNOUX, J.; SINO- QUET, H. Treegrass: a 3D, process - based model for simulating plant interactions in tree{grass ecosystems. Ecological Modelling, Amsterdam, v.131, p. 47 - 63. 2000. SONOHAT, G.; SINOQUET, H.; VARLET- GRANCHER, C.; RAKOCEVIC, M.; JAC- QUET, A.; SIMON, J.-C.; ADAM., B. Leaf dispersion and light partitioning in three- dimensionally digitised tall fescue–white clo- ver mixtures.Plant, Cell and Environment, Oxfrod, v.25, p.529–538, 2002. TAIZ, L.; ZEIGER, E. Water balance of plants. In: TAIZ, L.; ZEIGER, E. Plant physiology. Sunderland: Sinair Associates, 2002. cap. 4, p. 47-65. THORNLEY, J.H.M. Modeling grassland ecosys- tems. In: INTERNATIONAL GRASSLAND CONGRESS, 19.,2001. Piracicaba. Anais… Pi- racicaba: FEALQ, 2001. p.1029-1036. THORNLEY,J.H.M. Mathematical models in plant physiology: a quantitative approach to problems in plant and crop physiology. Lon- don: Academic Press, 1976. 318 p. UNGAR, E.D. Ingestive behaviour. In: HODG- SON, J., ILLIUS, J.W. (Ed.). The ecology and management of grazing systems. Walling- ford: CAB International, 1996. p.185–218. VAN DE VEN, G.W.J.; DE RIDDER, N.; VAN KEULEN, H.; VAN ITTERSUM, M.K. Con- cepts in production ecology for analysis and design of animal and plantanimal production systems. Agricultural Systems, Essex, v.76, no. 2, p. 507-525, 2003. VERDENAL, A. De la simulation de la morpho- génèse de l’appareil aérien du ray-grass an- glais (Lolium perenne L.). Exploration d’un schéma cybernétique inspiré du concept d’auto-organisation et applications. 2009. Thesis (Ph) - Université de Poitiers, Paris, 2009. VERNOUX, T.; BRUNOUD, G.; FARCOT, E.; MORIN, V.; VAN DEN DAELE, H.; LE- GRAND, J.; OLIVA M.; DAS, P.; LARRIEU, A.; WELLS, D., GUEDON, Y.; ARMITAGE, L.; PICARD, F.; GUYOMARC’H, S.; CEL- LIER, C; PARRY, G.; KOUMPROGLOU, R.; DOONAN, J.H.; ESTELLE, M.; GODIN, C.; KEPINSKI, S.; BENNETT, M.; DE VEYLDER, L.; TRAAS, J. The auxin signalling network translates dynamic input into robust pattern- ing at the shoot apex. Molecular Systems Bi- ology, Heidelberg, v.7, p. 508, 2011. VICKERY, P.J. Pasture growth under grazing. In: MORLEY, F.H.W. (Ed.). Grazing animals. World animal science. Amsterdam: Elsevier Science Publishers, 1981. p.55-77. VIÉGAS, J.; NABINGER, C.; SAIBRO, J.C.; ME- DEIROS, R.B. Ajuste de um modelo de previ- são do rendimento potencial de matéria seca de azevém anual. In: SIMPÓSIO INTERNA- CIONAL DE PRODUÇÃO ANIMAL, 2002, Santa Maria. Anais... p. 83-86. VILLA NOVA, N.A.; CARRETEIRO, M.V.; SCARDUA, E. Um modelo de avaliação de crescimento em cana-de-açúcar (Sccharum sp) em termos de ação combinada de fotoperíodo e temperatura média do ar. In: CONGRESSO BRASILEIRO DE AGROMETEOROLOGIA, 2., 1983. Campinas. Anais... Campinas: SBA, 1983. p.31-48. VOS, J.; EVERS, J. B.; BUCK-SORLIN, G.H.; ANDRIEU, B.; CHELLE, M.; DE VISSER, P. H. B. Functional-structural plant modelling: a new versatile tool in crop science. Journal of Experimental Botany, Oxford, v.61, p.2101- 2115, 2010. WERNER, J.C. Estudo de épocas de aplicação da adubação nitrogenada em capim-colonião (Panicum maximum, Jacq). In: REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE ZOOTECNIA, 7., 1970, Piracicaba. Anais.. Pi-Pi- racicaba: SBZ, 1970. p.21-22. YAN, W.; WALLACE, D.H. Simulation and pre- diction of plant phenology for Five crops based on photoperiod x temperature interac- tion. Annals of Botany, London, v.81, p.705- 716, 1998. Capítulo 22 - Uso de Modelos Matemáticos no Estudo das Pastagens View publication statsView publication stats https://www.researchgate.net/publication/275350237