A Previsão de Safras tem se constituído em importante ferramenta para o estabelecimento de políticas agrícolas públicas e privadas. Em geral, a Previsão de Safras consiste na previsão do clima e na estimativa do rendimento das partes de interesse econômico de uma cultura. A previsão do clima pode ser realizada pela análise de séries históricas dos parâmetros climáticos e dos efeitos de fenômenos conhecidos, a exemplo do El Niño Oscilação Sul (ENSO), o qual pode ser medido pelo Índice de Oscilação Sul (IOS). Também pode ser realizada pela integração numérica das equações diferenciais que regem os movimentos da atmosfera no planeta Terra, também conhecida como previsão numérica. A estimativa do rendimento das culturas também pode ser realizada pela análise estatística de séries históricas ou pela integração numérica de equações diferenciais que regem a fisiologia e o desenvolvimento das plantas, ambos conhecidos como modelo de culturas. O principal objetivo deste trabalho foi propor uma metodologia para a Previsão de Safras no Brasil, tendo como ponto de partida e protótipo o estudo do rendimento de grãos de milho na região Centro-Sul do país. Para tanto, séries históricas com 60 anos de precipitação pluvial em 24 locais da região Centro-Sul do Brasil foram comparadas aos Índices de Oscilação Sul medidos no mesmo período, inferindo-se que o fenômeno ENSO apresenta efeito marcante, e distinto, apenas em locais mais ao Sul e a Nordeste da região Centro-Sul. Concluiu-se pela impossibilidade de utilização do IOS para a previsão de parâmetros climáticos diários, o que também é prejudicado pela carência de séries históricas dos parâmetros climáticos com 60 ou mais anos no Brasil. Ainda quanto à previsão do clima, as previsões de radiação solar, precipitação pluvial, temperaturas máxima e mínima e umidade relativa do ar, geradas pelo modelo Eta a cada seis horas entre os dias 16/7/1997 e 15/6/2002, foram comparadas às respectivas medidas diárias desses parâmetros climáticos, concluindo-se pela possibilidade da aplicação das previsões geradas pelo modelo Eta na Previsão de Safras, à exceção dos locais mais ao Sul e mais a Nordeste da região Centro-Sul do Brasil. Acerca da estimativa do rendimento de grãos de milho, foi proposto um modelo de cultura baseado na integração das equações que regem a fisiologia e o desenvolvimento das plantas. Comparando-se os rendimentos de grãos de milho estimados nos 24 locais durante as safras 1997/98 a 2001/02, conclui-se pela possibilidade da estimativa do rendimento de grãos de milho na região Centro-Sul pelo modelo proposto. Porém, as discrepâncias entre os rendimentos estimados e os respectivos rendimentos medidos nos locais mais ao Sul e nos locais com textura de solo arenosa apontam a necessidade de correção da estimativa da dinâmica de água realizada pelo modelo de cultura proposto. Como conclusão geral, verificou-se que a metodologia proposta para a Previsão de Safras tem virtudes que devem ser exploradas no sentido de sua implementação no Brasil. Porém, essa implementação depende substancialmente da gestão dos trabalhos, de modo a propiciar as condições necessárias. Cabe destacar que o país tem realizado notáveis avanços nesse setor, caso da implementação da rede meteorológica nacional e do conhecimento gerado pelo Centro de Estudos e Previsões do Clima e pela Empresa Brasileira de Pesquisa Agropecuária, entre outras instituições. Ainda assim, essa área do conhecimento, fundamental para um país agrícola como o Brasil, carece de estudos. / Crop forecast has become an important tool for the private and public agricultural policies to be established. Generally, crop forecast is composed by climatic forecast and the yield estimative of growth of economically interesting parts of crops. The climatic forecast can be performed through the analyses of historical series of the climatic features and of the known phenomena, such as the El Niño Southern Oscillation (ENSO), which can be measured by the Southern Oscillation Index (IOS). It can also be done through a numerical integration of differential equations that rule the atmospheric movements of the Earth, a.k.a. numerical forecast. The estimate of crop yields can also be done through the statistical analysis of historical series or through the integration of differential equations that rule the plant physiology and development, both known as crop models. The main objective of this study was to indicate a methodology for Crop Forecast in Brazil, having as a starting point and prototype the study of corn grain yield in the Center-South region of Brazil. Thus, historical series of 60 years of precipitation in 24 sites of the studied region were compared to the IOS measured in the same period, inferring that the phenomenon ENSO has a remarkable effect, distinctly in the most southern and northeast portions of the studied region. One concluded due to the impossibility of using the IOS for daily climatic forecast, which is threatened by the lack of historical series of climatic features with 60 or more years in Brazil. Regarding the climatic forecast, the forecasts of solar radiation maximum and minimum temperatures and air moisture generated by the model Eta on every 6 hours between July 16, 1997 and June 15, 2002 were compared to the respective daily measurements of these climatic parameters. This provided subsidies for the conclusion that the data generated by the model Eta could be used in the Crop Forecast, except for the most southern and northeast regions in the Center-South region of Brazil. For the estimate of corn grain yield, a model based in the integration of equations that rule the plant physiology and development was proposed. Comparing corn grain yields estimated in 24 sites from the agricultural year 1997/98 to 2001/02, one concluded the possibility of estimating the corn grain yield for the studied region by the proposed model. Although the differences between the estimated and the measured yields in the most southern sites and in those with sandy soils indicate the demand for correction of the estimative of water dynamics performed by the proposed model. As a general conclusion, the methodology proposed for crop forecasting brings positive points which should be explored in the sense of its implementation in Brazil. On the other hand, this implementation depends substantially on the work management, propitiating the necessary conditions. One should highlight that the country has developed notably in this sector, such as the cases of the implementation of the national meteorological net and of the knowledge broadcasted by the Center of Climatic Studies and Forecasting and by the The Brazilian Agricultural Research Corporation (EMBRAPA), among other institutions. Even though, this area of knowledge - vital to an agricultural country as Brazil - demands more research.

The maize (Zea mays L.), due to its importance in human and animal diet, is one of the most widespread crop in the world. In Brazil, it is cultivated in almost all regions, due to this, has been the focus of agrometeorological modeling for decades. The AquaCrop model was used in this work in order to simulate the total biomass and daily yield, and get the corn crop forecast for the region of Arapiraca, Alagoas. The model uses the canopy cover (CC), instead of leaf area index (LAI) as a basis for separate calculations of the plant transpiration and evaporation of soil water. The productivity is calculated as the product of biomass and harvest index (HI). The input data of model experiments were performed by Medeiros (2008), in Batingas town in the country of Arapiraca-AL. For four seasons of sowing, the results of soil water storage simulated by the model AquaCrop tended to be similar to those observed variation. However, for the third sowing date had observed the storage maximum value (171.66 mm) at 35 DAE, whereas the maximum simulated (115.0 mm) occurred at 24 DAE. For the final yield biomass (kg ha-1) the maximum and minimum values observed (simulated) ranged from 13.059 (11.861) and 9.873 (8.306) for 3rd and 4th season of planting, respectively. The simulated grain yield was between 4.406 and 2.069 kg ha-1 for the 3rd and 4th sowing time, underestimating by 2.0% (3rd SS) and overestimated by 5.1% (4th SS). The overestimation of the 4th season of sowing due to the adjustment of the depth of the root system at 0.75 m, where for the other seasons of sowing depth considered was 0.60 m (MEDEIROS et al., 2008). The AquaCrop model is a tool to predict corn yield of the AL Bandeirante variety. This procedure allows for adequate estimation of grain yield with 18 days prior to harvest in the Agreste region of Alagoas, providing end users of the model program storage, logistics and marketing of grain crop to be harvested. / Fundação de Amparo a Pesquisa do Estado de Alagoas / O milho (Zea mays L.), devido a sua importância na dieta alimentar humana e animal, é uma das culturas mais difundidas no mundo. No Brasil, é cultivado em praticamente todas as regiões, devido a isto, tem sido foco da modelagem agrometeorológica por décadas. O modelo AquaCrop foi utilizado nesse trabalho com o objetivo de simular a produção de biomassa total e diária, produtividade de grãos, bem como obter a previsão de safra do milho para região de Arapiraca, Alagoas. O modelo usa a cobertura do dossel (CD), em vez do índice de área foliar (IAF), como base para calcular separadamente a transpiração das plantas e a evaporação da água do solo. A produtividade é calculada como o produto da biomassa e do índice de colheita (IC). Os dados de entrada do modelo foram de experimento realizado por Medeiros (2008), no povoado Batingas no município de Arapiraca-AL. Para as quatro épocas de semeio, os resultados do armazenamento de água no solo simulados pelo modelo AquaCrop apresentaram tendência de variação similar aos valores observados. Porém, para terceira época de semeadura o armazenamento observado apresentou valor máximo (171,66 mm) aos 35 DAE, enquanto que o valor máximo simulado (115,0 mm) ocorreu aos 24 DAE. Para a produção de biomassa final (kg ha-1) os valores máximos e mínimos observados (simulados) variaram entre 13.059 (11.861) e 9.873 (8.306) para 3ª e 4ª época de semeadura, respectivamente. A produtividade de grãos simulada foi entre 4.406 e 2.069 kg ha-1, para a 3ª e 4ª época de semeadura, subestimando em 2,0% (3ª ES) e superestimando em 5,1 % (4ª ES). A superestimativa da 4ª época de semeadura deve-se ao ajustamento da profundidade do sistema radicular em 0,75 m, em que para as demais épocas de semeadura a profundidade considerada foi 0,60 m (MEDEIROS et al., 2008). O modelo AquaCrop é uma ferramenta para previsão da produtividade de milho da variedade AL Bandeirante. Esse procedimento permite obter adequada estimativa do rendimento de grãos com 18 dias de antecedência à colheita na região do Agreste Alagoano, disponibilizando aos usuários finais do modelo programar o armazenamento, logística e comercialização da safra de grãos a ser colhida.

Orientador: Jansle Vieira Rocha / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agricola / Made available in DSpace on 2018-08-11T14:29:10Z (GMT). No. of bitstreams: 1 Weber_LianedeSouza_D.pdf: 866084 bytes, checksum: 6f14fe14fef394e2bd299f45b7c98915 (MD5) Previous issue date: 2005 / Resumo: O presente trabalho descreve um estudo sobre estimativa de safras cujo principal objetivo foi criar uma metodologia de integração de dados de produção, dados espectrais e indicadores meteorológicos por meio de redes neurais artificiais, estabelecendo correlações entre índices de vegetação e de produtividade, com o propósito de estimar a produtividade de cana-de-açúcar. O estudo foi dividido em duas etapas: a primeira correspondeu à obtenção e organização dos dados em um banco de dados com padrões de entrada/saída; a segunda, à implementação e ajuste das redes neurais, por meio de ensembles. O estudo foi realizado em unidades amostrais de produção de uma usina sucroalcooleira no município de Araras-SP. A primeira etapa consistiu na obtenção dos coeficientes de produtividade (kp), por meio da inversão do modelo agrometeorológico de Doorenbos e Kassam (1979), a partir da determinação do balanço hídrico. O resultado deste procedimento mostrou a sensibilidade do coeficiente à variabilidade da produtividade nos talhões. Os dados espectrais das imagens Landsat 7 ¿ ETM+ foram obtidos de correlações descritas na literatura estabelecidas entre o Índice de Vegetação Greenness (GVI), a banda do infravermelho próximo (B4) e a produtividade da cana-de-açúcar. A estratégia para treinamento dos ensembles foi baseada no aprendizado supervisionado aplicado a uma arquitetura Multilayer Perceptron (MLP), com uma camada escondida, método de aprendizado de 2ª ordem e feedforward. Na etapa de treinamento e validação, as redes neurais tiveram como variáveis de entrada os valores de kp, GVI e B4, e como variável de saída a produtividade, que definiram os padrões de entrada/saída. A fase de teste consistiu em implementar a metodologia em um grupo de padrões de entrada não utilizados nos treinamentos. Os resultados mostraram valores de EQM entre 0,03 e 0,51 ton/ha, enquanto que a estimativa da usina errou em média 9,93 ton/ha, o que garantiu o correto ajuste da rede neural quanto à topologia, ao número de iterações e aos algoritmos de aprendizagem. Esta etapa mostrou a capacidade de generalização da rede neural, já que os treinamentos foram realizados a partir de unidades amostrais. O estudo ratificou a aplicação desta metodologia na determinação da estimativa de produtividade de cana-deaçúcar, empregando-a como técnica complementar aos atuais métodos de estimativa agrícola, sugerindo a ampliação da escala de aplicação para o ambiente de produção da usina / Abstract: The present thesis describes a study on crop forecast. Its main purpose was to create a methodology for integrating production, spectral and meteorological data indicators through artificial neural networks, establishing correlations between vegetation index and yield coefficients, aiming at the estimate of sugarcane yield. The study was divided in two parts: the first corresponded to obtaining and organizing data in a database with input/output default; the second corresponded to the implementation and adjustment of the neural network. The study was carried out in sample production units (fields) of a sugarmill agricultural area located in the municipality of Araras-SP, Brazil. The first part consisted in obtaining yield coefficients (kp) through the inversion of the Doorenbos-Kassam (1979) agrometeorological model, based on the determination of the water balance. The result of this procedure showed the coefficient¿s sensitivity to the variability of yield within the sample fields. The spectral data of the Landsat 7 ¿ ETM+ images were obtained from correlations, available in scientific literature, between the Greenness Vegetation Index (GVI), near infrared band, and sugarcane yield. The strategy for training the neural network was based on supervised learning applied to a Multilayer Perceptron (MLP) architecture, with a hidden layer, second order learning method and feedforward. For the training and validation stage, the neural network had as input variables kp, GVI and B4 values, and as output variable the yield, both obtained in the input/output database. The test stage consisted of implementing the methodology in a set of input patterns not used for the trainings. The results showed Mean Square Error (MSE) values between 0,03 and 0,51 ton/ha, while the average error of the sugarmill estimates were 9,93 ton/ha, which showed the correct adjustment of the network concerning topology, number of iterations and learning algorithms. This showed the generalization capacity of the neural network once the trainings were carried out based on sample units. The study ratified the application of this methodology for determining sugarcane yield estimate, employing it as a complementary technique to the present methods of agricultural forecast, suggesting the increase of the application scale to a broader area of the sugarmill production environment / Doutorado / Planejamento e Desenvolvimento Rural Sustentável / Doutor em Engenharia Agrícola

A Previsão de Safras tem se constituído em importante ferramenta para o estabelecimento de políticas agrícolas públicas e privadas. Em geral, a Previsão de Safras consiste na previsão do clima e na estimativa do rendimento das partes de interesse econômico de uma cultura. A previsão do clima pode ser realizada pela análise de séries históricas dos parâmetros climáticos e dos efeitos de fenômenos conhecidos, a exemplo do El Niño Oscilação Sul (ENSO), o qual pode ser medido pelo Índice de Oscilação Sul (IOS). Também pode ser realizada pela integração numérica das equações diferenciais que regem os movimentos da atmosfera no planeta Terra, também conhecida como previsão numérica. A estimativa do rendimento das culturas também pode ser realizada pela análise estatística de séries históricas ou pela integração numérica de equações diferenciais que regem a fisiologia e o desenvolvimento das plantas, ambos conhecidos como modelo de culturas. O principal objetivo deste trabalho foi propor uma metodologia para a Previsão de Safras no Brasil, tendo como ponto de partida e protótipo o estudo do rendimento de grãos de milho na região Centro-Sul do país. Para tanto, séries históricas com 60 anos de precipitação pluvial em 24 locais da região Centro-Sul do Brasil foram comparadas aos Índices de Oscilação Sul medidos no mesmo período, inferindo-se que o fenômeno ENSO apresenta efeito marcante, e distinto, apenas em locais mais ao Sul e a Nordeste da região Centro-Sul. Concluiu-se pela impossibilidade de utilização do IOS para a previsão de parâmetros climáticos diários, o que também é prejudicado pela carência de séries históricas dos parâmetros climáticos com 60 ou mais anos no Brasil. Ainda quanto à previsão do clima, as previsões de radiação solar, precipitação pluvial, temperaturas máxima e mínima e umidade relativa do ar, geradas pelo modelo Eta a cada seis horas entre os dias 16/7/1997 e 15/6/2002, foram comparadas às respectivas medidas diárias desses parâmetros climáticos, concluindo-se pela possibilidade da aplicação das previsões geradas pelo modelo Eta na Previsão de Safras, à exceção dos locais mais ao Sul e mais a Nordeste da região Centro-Sul do Brasil. Acerca da estimativa do rendimento de grãos de milho, foi proposto um modelo de cultura baseado na integração das equações que regem a fisiologia e o desenvolvimento das plantas. Comparando-se os rendimentos de grãos de milho estimados nos 24 locais durante as safras 1997/98 a 2001/02, conclui-se pela possibilidade da estimativa do rendimento de grãos de milho na região Centro-Sul pelo modelo proposto. Porém, as discrepâncias entre os rendimentos estimados e os respectivos rendimentos medidos nos locais mais ao Sul e nos locais com textura de solo arenosa apontam a necessidade de correção da estimativa da dinâmica de água realizada pelo modelo de cultura proposto. Como conclusão geral, verificou-se que a metodologia proposta para a Previsão de Safras tem virtudes que devem ser exploradas no sentido de sua implementação no Brasil. Porém, essa implementação depende substancialmente da gestão dos trabalhos, de modo a propiciar as condições necessárias. Cabe destacar que o país tem realizado notáveis avanços nesse setor, caso da implementação da rede meteorológica nacional e do conhecimento gerado pelo Centro de Estudos e Previsões do Clima e pela Empresa Brasileira de Pesquisa Agropecuária, entre outras instituições. Ainda assim, essa área do conhecimento, fundamental para um país agrícola como o Brasil, carece de estudos. / Crop forecast has become an important tool for the private and public agricultural policies to be established. Generally, crop forecast is composed by climatic forecast and the yield estimative of growth of economically interesting parts of crops. The climatic forecast can be performed through the analyses of historical series of the climatic features and of the known phenomena, such as the El Niño Southern Oscillation (ENSO), which can be measured by the Southern Oscillation Index (IOS). It can also be done through a numerical integration of differential equations that rule the atmospheric movements of the Earth, a.k.a. numerical forecast. The estimate of crop yields can also be done through the statistical analysis of historical series or through the integration of differential equations that rule the plant physiology and development, both known as crop models. The main objective of this study was to indicate a methodology for Crop Forecast in Brazil, having as a starting point and prototype the study of corn grain yield in the Center-South region of Brazil. Thus, historical series of 60 years of precipitation in 24 sites of the studied region were compared to the IOS measured in the same period, inferring that the phenomenon ENSO has a remarkable effect, distinctly in the most southern and northeast portions of the studied region. One concluded due to the impossibility of using the IOS for daily climatic forecast, which is threatened by the lack of historical series of climatic features with 60 or more years in Brazil. Regarding the climatic forecast, the forecasts of solar radiation maximum and minimum temperatures and air moisture generated by the model Eta on every 6 hours between July 16, 1997 and June 15, 2002 were compared to the respective daily measurements of these climatic parameters. This provided subsidies for the conclusion that the data generated by the model Eta could be used in the Crop Forecast, except for the most southern and northeast regions in the Center-South region of Brazil. For the estimate of corn grain yield, a model based in the integration of equations that rule the plant physiology and development was proposed. Comparing corn grain yields estimated in 24 sites from the agricultural year 1997/98 to 2001/02, one concluded the possibility of estimating the corn grain yield for the studied region by the proposed model. Although the differences between the estimated and the measured yields in the most southern sites and in those with sandy soils indicate the demand for correction of the estimative of water dynamics performed by the proposed model. As a general conclusion, the methodology proposed for crop forecasting brings positive points which should be explored in the sense of its implementation in Brazil. On the other hand, this implementation depends substantially on the work management, propitiating the necessary conditions. One should highlight that the country has developed notably in this sector, such as the cases of the implementation of the national meteorological net and of the knowledge broadcasted by the Center of Climatic Studies and Forecasting and by the The Brazilian Agricultural Research Corporation (EMBRAPA), among other institutions. Even though, this area of knowledge - vital to an agricultural country as Brazil - demands more research.

Made available in DSpace on 2016-05-02T13:53:50Z (GMT). No. of bitstreams: 1 JulianoCesarSasseronDissertacao.pdf: 912677 bytes, checksum: f2d63baed22140f9170ad66e591200ff (MD5) Previous issue date: 2013-04-12 / In order to evaluate the best crop estimation model (harvest of 10 linear meters, ear sampling, density of grains per ear) and the spacing effect between the planting line (0.50 and 0.80 m) on the productivity of maize grain (Zea mays L.) in a same environment, field experiments were conducted in the municipality of Carmo do Rio Claro, in the southern State of Minas Gerais, from August 14th, 2011 to March 6th, 2012. The outlining used was a randomized block banded with 3x2 factorial. We evaluated the estimated productivity in each model. There were differences between the estimation models, and the closest models to the actual production were obtained by harvesting 10 linear meters and by ear sampling. Also there was effect of spacing between lines, obtaining the maximum yield of grain with reduced spacing, i.e. 0.50 m. . / Com objetivo de avaliar o melhor modelo de previsão de safra (colheita de 10 metros lineares, amostragem de espiga, densidade de grãos por espiga) e o efeito do espaçamento entre linhas de plantio (0,50 e 0,80 m), sobre a produtividade de grãos de milho (Zea mays L.) em um mesmo ambiente, foram conduzidos experimentos de campo no município de Carmo do Rio Claro, no sul do estado de Minas Gerais no período de 14 de agosto de 2011 a 06 de março de 2012. O delineamento utilizado foi em blocos casualisados em faixas com fatorial 3x2. Foi avaliada a produtividade estimada em cada modelo. Houve diferença entre os métodos de previsão, sendo que os mais próximos da produção real foram obtidos através da colheita de 10 metros lineares e pela amostragem de espiga. Também houve efeito do espaçamento entre linhas, obtendo o máximo rendimento de grãos com o espaçamento reduzido, ou seja, 0,50 m.

O setor agrícola é, historicamente, um dos pilares da economia brasileira, e apesar de ter sua importância diminuída com o desenvolvimento do setor industrial e de serviços ainda é responsável por dar dinamismo econômico ao país, bem como garantir a segurança alimentar, auxiliar no controle da inflação e na formação de reservas monetárias. Neste contexto as safras agrícolas exercem grande influência no comportamento do setor e equilíbrio no mercado agrícola. Foram desenvolvidas diversas metodologias de previsão de safra, sendo em sua maioria modelos de simulação de crescimento. Entretanto, recentemente os modelos estatísticos vem sendo utilizados mais comumente devido às suas predições mais rápidas em períodos anteriores à colheita. No presente trabalho foram avaliadas duas destas metodologias, os modelos ARIMA e os Modelos Lineares Dinâmicos (MLD), sendo utilizada tanto a inferência clássica quanto a bayesiana. A avaliação das metodologias deu-se por meio da análise das previsões dos modelos, bem como da facilidade de implementação e poder computacional necessário. As metodologias foram aplicadas a dados de produção de soja para o município de Mamborê-PR, no período de 1980 a 2013, sendo área plantada (ha) e precipitação acumulada (mm) variáveis auxiliares nos modelos de regressão dinâmica. Observou-se que o modelo ARIMA (2,1,0) reparametrizado na forma de um MLD e estimado por meio de máxima verossimilhança, gerou melhores previsões do que aquelas obtidas com o modelo ARIMA(2,1,0) não reparametrizado. / The agriculture is, historically, one of Brazil\'s economic pillars, and despite having it\'s importance diminished with the development of the industry and services it still is responsible for giving dynamism to the country inland\'s economy, ensuring food security, controlling inflation and assisting in the formation of monetary reserves. In this context the agricultural crops exercise great influence in the behaviour of the sector and agricultural market balance. Diverse crop forecast methods were developed, most of them being growth simulation models, however, recently the statistical models are being used due to its capability of forecasting early when compared to the other models. In the present thesis two of these methologies were evaluated, ARIMA and Dynamic Linear Models, utilizing both classical and bayesian inference. The forecast accuracy, difficulties in the implementation and computational power were some of the caracteristics utilized to assess model efficiency. The methodologies were applied to Soy production data of Mamborê-PR, in the 1980-2013 period, also noting that planted area (ha) and cumulative precipitation (mm) were auxiliary variables in the dynamic regression. The ARIMA(2,1,0) reparametrized in the DLM form and adjusted through maximum likelihood generated the best forecasts, folowed by the ARIMA(2,1,0) without reparametrization.

O setor agrícola é, historicamente, um dos pilares da economia brasileira, e apesar de ter sua importância diminuída com o desenvolvimento do setor industrial e de serviços ainda é responsável por dar dinamismo econômico ao país, bem como garantir a segurança alimentar, auxiliar no controle da inflação e na formação de reservas monetárias. Neste contexto as safras agrícolas exercem grande influência no comportamento do setor e equilíbrio no mercado agrícola. Foram desenvolvidas diversas metodologias de previsão de safra, sendo em sua maioria modelos de simulação de crescimento. Entretanto, recentemente os modelos estatísticos vem sendo utilizados mais comumente devido às suas predições mais rápidas em períodos anteriores à colheita. No presente trabalho foram avaliadas duas destas metodologias, os modelos ARIMA e os Modelos Lineares Dinâmicos (MLD), sendo utilizada tanto a inferência clássica quanto a bayesiana. A avaliação das metodologias deu-se por meio da análise das previsões dos modelos, bem como da facilidade de implementação e poder computacional necessário. As metodologias foram aplicadas a dados de produção de soja para o município de Mamborê-PR, no período de 1980 a 2013, sendo área plantada (ha) e precipitação acumulada (mm) variáveis auxiliares nos modelos de regressão dinâmica. Observou-se que o modelo ARIMA (2,1,0) reparametrizado na forma de um MLD e estimado por meio de máxima verossimilhança, gerou melhores previsões do que aquelas obtidas com o modelo ARIMA(2,1,0) não reparametrizado. / The agriculture is, historically, one of Brazil\'s economic pillars, and despite having it\'s importance diminished with the development of the industry and services it still is responsible for giving dynamism to the country inland\'s economy, ensuring food security, controlling inflation and assisting in the formation of monetary reserves. In this context the agricultural crops exercise great influence in the behaviour of the sector and agricultural market balance. Diverse crop forecast methods were developed, most of them being growth simulation models, however, recently the statistical models are being used due to its capability of forecasting early when compared to the other models. In the present thesis two of these methologies were evaluated, ARIMA and Dynamic Linear Models, utilizing both classical and bayesian inference. The forecast accuracy, difficulties in the implementation and computational power were some of the caracteristics utilized to assess model efficiency. The methodologies were applied to Soy production data of Mamborê-PR, in the 1980-2013 period, also noting that planted area (ha) and cumulative precipitation (mm) were auxiliary variables in the dynamic regression. The ARIMA(2,1,0) reparametrized in the DLM form and adjusted through maximum likelihood generated the best forecasts, folowed by the ARIMA(2,1,0) without reparametrization.