Principais atualizações no modelo Globiom-Brasil e comparação de resultados usando diferentes cenários de mudanças climáticas

Ruivo, Heloísa Musetti; Costa, Wanderson Santos; Soterroni, Aline Cristina; Ramos, Fernando Manuel Working Paper Principais atualizações no modelo Globiom-Brasil e comparação de resultados usando diferentes cenários de mudanças climáticas Texto para Discussão, No. 3138 Provided in Cooperation with: Institute of Applied Economic Research (ipea), Brasília Suggested Citation: Ruivo, Heloísa Musetti; Costa, Wanderson Santos; Soterroni, Aline Cristina; Ramos, Fernando Manuel (2025) : Principais atualizações no modelo Globiom-Brasil e comparação de resultados usando diferentes cenários de mudanças climáticas, Texto para Discussão, No. 3138, Instituto de Pesquisa Econômica Aplicada (IPEA), Brasília, https://doi.org/10.38116/td3138-port This Version is available at: https://hdl.handle.net/10419/331450 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by/2.5/br/ 3138 PRINCIPAIS ATUALIZAÇÕES NO MODELO GLOBIOM-BRASIL E COMPARAÇÃO DE RESULTADOS USANDO DIFERENTES CENÁRIOS DE MUDANÇAS CLIMÁTICAS HELOÍSA MUSETTI RUIVOHELOÍSA MUSETTI RUIVO WANDERSON SANTOS COSTAWANDERSON SANTOS COSTA ALINE CRISTINA SOTERRONI ALINE CRISTINA SOTERRONI FERNANDO MANUEL RAMOS 3138 Rio de Janeiro, julho de 2025 PRINCIPAIS ATUALIZAÇÕES NO MODELO GLOBIOM-BRASIL E COMPARAÇÃO DE RESULTADOS USANDO DIFERENTES CENÁRIOS DE MUDANÇAS CLIMÁTICAS1 HELOÍSA MUSETTI RUIVO2 WANDERSON SANTOS COSTA3 ALINE CRISTINA SOTERRONI4 FERNANDO MANUEL RAMOS5 1. Este trabalho foi produzido no âmbito do Termo de Execução Descentralizada (TED) acordado entre a Secretaria de Desenvolvimento da Infraestrutura (SDI) do Ministério da Economia e o Instituto de Pesquisa Econômica Aplicada (Ipea) – TED SDI/Ipea no 01/2019, vigente entre 2019 e 2022. A frente de trabalho em que este texto para discussão se insere foi coordenada por Edison Benedito da Silva Filho e Fabiano Mezadre Pompermayer. 2. Bolsista do Subprograma de Pesquisa para o Desenvolvimento Nacional (PNPD) na Diretoria de Estudos e Políticas Setoriais, de Inovação, Regulação e Infraestrutura (Diset) do Ipea. E-mail: [email protected]. 3. Bolsista do PNPD na Diset/Ipea. 4. Bolsista do PNPD na Diset/Ipea. 5. Bolsista do PNPD na Diset/Ipea. Texto para Discussão Publicação seriada que divulga resultados de estudos e pesquisas em desenvolvimento pelo Ipea com o objetivo de fomentar o debate e oferecer subsídios à formulação e avaliação de políticas públicas. © Instituto de Pesquisa Econômica Aplicada – ipea 2025 Principais atualizações no modelo Globiom-Brasil e comparação de resultados usando diferentes cenários de mudanças climáticas / Heloísa Musetti Ruivo ... [et al.]. – Rio de Janeiro: Ipea, 2025. 97 p. : il., gráfs. – (Texto para Discussão ; n. 3138). Inclui Bibliografia. ISSN 1415-4765 1. Mudanças Climáticas. 2. Modelo de Uso do Solo. 3. Agropecuária. I. Ruivo, Heloísa Musetti. II. Instituto de Pesquisa Econômica Aplicada. CDD 362.1 Ficha catalográfica elaborada por Ana Paula Fernandes Abreu CRB-7/4769. Como citar: RUIVO, Heloísa Musetti et al. Principais atualizações no modelo Globiom-Brasil e comparação de resultados usando diferentes cenários de mudanças climáticas. Rio de Janeiro: Ipea, jul. 2025. 97 p. (Texto para Discussão, n. 3138). DOI: https://dx.doi.org/10.38116/ td3138-port JEL: R11, R12, Q1. As publicações do Ipea estão disponíveis para download gratuito nos formatos PDF (todas) e EPUB (livros e periódicos). Acesse: https://repositorio.ipea.gov.br/. As opiniões emitidas nesta publicação são de exclusiva e inteira responsabilidade dos autores, não exprimindo, necessariamente, o ponto de vista do Instituto de Pesquisa Econômica Aplicada ou do Ministério do Planejamento e Orçamento. É permitida a reprodução deste texto e dos dados nele contidos, desde que citada a fonte. Reproduções para fins comerciais são proibidas. Governo Federal Ministério do Planejamento e Orçamento Ministra Simone Nassar Tebet Fundação pública vinculada ao Ministério do Planejamento e Orçamento, o Ipea fornece suporte técnico e institucional às ações governamentais – possibilitando a formulação de inúmeras políticas públicas e programas de desenvolvimento brasileiros – e disponibiliza, para a sociedade, pesquisas e estudos realizados por seus técnicos. Presidenta LUCIANA MENDES SANTOS SERVO Diretor de Desenvolvimento Institucional FERNANDO GAIGER SILVEIRA Diretora de Estudos e Políticas do Estado, das Instituições e da Democracia LUSENI MARIA CORDEIRO DE AQUINO Diretor de Estudos e Políticas Macroeconômicas CLÁUDIO ROBERTO AMITRANO Diretor de Estudos e Políticas Regionais, Urbanas e Ambientais ARISTIDES MONTEIRO NETO Diretor de Estudos e Políticas Setoriais, de Inovação, Regulação e Infraestrutura PEDRO CARVALHO DE MIRANDA Diretora de Estudos e Políticas Sociais LETÍCIA BARTHOLO DE OLIVEIRA E SILVA Diretora de Estudos Internacionais KEITI DA ROCHA GOMES Chefe de Gabinete ALEXANDRE DOS SANTOS CUNHA Coordenadora-Geral de Imprensa e Comunicação Social GISELE AMARAL DE SOUZA Ouvidoria: https://www.ipea.gov.br/ouvidoria URL: https://www.ipea.gov.br SUMÁRIO SINOPSE ABSTRACT 1 INTRODUÇÃO ..........................................................................7 2 GLOBIOM-BRASIL ...................................................................8 2.1 Visão geral ............................................. ......................................8 2.2 Resoluções espacial e temporal ..............................................12 2.3 Dados de cobertura e uso da terra (ano-base) .......................13 2.4 Demanda e oferta .....................................................................21 2.5 Custo de transporte interno .....................................................23 2.6 Sucessão soja e milho (double cropping) ...............................24 2.7 Novas classes de uso da terra .................................................25 2.8 Zoneamento agroecológico da cana-de-açúcar .....................27 2.9 Comércio entre regiões ............................................................27 2.10 Cálculo de emissões e remoções ..........................................28 3 NOVAS MELHORIAS DO MODELO .....................................30 3.1 Novo mapa de cobertura e uso da terra (ano-base) ...............30 3.2 Atualização de drivers exógenos .............................................34 3.3 Construção do cenário de linha de base .................................51 3.4 Validação do cenário de linha de base para o período histórico ...........................................................53 4 MUDANÇAS CLIMÁTICAS ...................................................58 4.1 Cenários de emissão do quinto relatório do IPCC ..................58 4.2 Cenários de emissão do sexto relatório do IPCC ...................62 4.3 Comparação dos resultados de cenários com mudanças climáticas ............................................................... 67 5 CONCLUSÕES .......................................................................90 REFERÊNCIAS ..........................................................................92 SINOPSE Este trabalho apresenta as principais atualizações do modelo Globiom-Brasil. Trata-se de um modelo de equilíbrio de oferta e demanda de comércio inter-regional global, que simula as decisões de uso do solo dos proprietários das terras. Algumas atualizações envolveram questões metodológicas, como maior resolução espacial e temporal, a possibilidade de double cropping (sucessão de soja e milho numa mesma área), o refinamento dos resultados de comércio entre regiões e o cálculo de emissões e remoções. Também foram atualizadas algumas premissas gerais, como custos de transporte interno, atualização de drivers exógenos, novo mapa de cobertura e uso da terra para o ano-base e validação do cenário de base para o período histórico que o modelo simula. Adicionalmente, foram revistas algumas premissas a respeito dos efeitos das mudanças climáticas, em especial a observação de um cenário em que se consideram os efeitos de dias de temperatura extrema sobre a produtividade da agropecuária. Os resultados desse novo cenário são comparados com simulações já realizadas em Zilli et al. (2020). A consideração dos efeitos de dias de temperatura extrema afeta particularmente a produtividade de grãos (soja e milho) nas regiões tropicais do país, o que resulta em maior necessidade de área. Os resultados encontrados pelo modelo apontam que não há redução da produção e exportação de soja, milho, cana-de-açúcar e carne bovina do Brasil. Pelo contrário: a produção projetada para esses produtos é maior que a prevista nas simulações de Zilli et al. (2020), mas ao custo de se alocar uma área bem maior para essas culturas agrícolas. Os efeitos em outras atividades são mais proeminentes sobre a área então dedicada à pecuária, que acaba cedendo a maior parte da área adicional demandada pela agricultura. Palavras-chave: mudanças climáticas; modelo de uso do solo; agropecuária. ABSTRACT This paper presents the main updates to the Globiom-Brazil model. It is a global interregional trade supply and demand balance model that simulates land use decisions by landowners. Some updates involved methodological issues, such as greater spatial and temporal resolution, the possibility of double cropping (succession of soybean and corn in the same area), the refinement of trade results between regions, and the calculation of emissions and removals. Some general assumptions were also updated, such as internal transportation costs, updating of exogenous drivers, a new land cover and use map for the base year, and validation of the baseline scenario for the historical period simulated by the model. Additionally, some assumptions about the effects of climate change were updated, in particular the consideration of a scenario in which the effects of extreme degree days on agricultural productivity are considered. The results of this new scenario are compared with simulations already carried out in Zilli et al. (2020). Considering the effects of extreme degree days particularly affects grain productivity (soybean and corn) in the tropical regions of the country, which results in a greater need for area. The results found by the model indicate that there is no SINOPSE ABSTRACT 1 INTRODUÇÃO ..........................................................................7 2 GLOBIOM-BRASIL ...................................................................8 2.1 Visão geral ............................................. ......................................8 2.2 Resoluções espacial e temporal ..............................................12 2.3 Dados de cobertura e uso da terra (ano-base) .......................13 2.4 Demanda e oferta .....................................................................21 2.5 Custo de transporte interno .....................................................23 2.6 Sucessão soja e milho (double cropping) ...............................24 2.7 Novas classes de uso da terra .................................................25 2.8 Zoneamento agroecológico da cana-de-açúcar .....................27 2.9 Comércio entre regiões ............................................................27 2.10 Cálculo de emissões e remoções ..........................................28 3 NOVAS MELHORIAS DO MODELO .....................................30 3.1 Novo mapa de cobertura e uso da terra (ano-base) ...............30 3.2 Atualização de drivers exógenos .............................................34 3.3 Construção do cenário de linha de base .................................51 3.4 Validação do cenário de linha de base para o período histórico ...........................................................53 4 MUDANÇAS CLIMÁTICAS ...................................................58 4.1 Cenários de emissão do quinto relatório do IPCC ..................58 4.2 Cenários de emissão do sexto relatório do IPCC ...................62 4.3 Comparação dos resultados de cenários com mudanças climáticas ............................................................... 67 5 CONCLUSÕES .......................................................................90 REFERÊNCIAS ..........................................................................92 reduction in the production and export of soybeans, corn, sugarcane, and beef from Brazil. On the contrary: the projected production for these products is higher than those predicted in the simulations by Zilli et al. (2020), but at the cost of allocating a much larger area to these agricultural crops. The effects on other activities are more prominent on the area previously dedicated to livestock, which ends up giving up most of the additional area demanded by agriculture. Keywords: climate change; land-use model; agricultural. TEXTO para DISCUSSÃO 7 3138 1 INTRODUÇÃO O Brasil possui uma das maiores economias do mundo, além de uma área territorial e uma população que ocupam, respectivamente, a quinta e a sexta posição globalmente. O país é um dos principais produtores e exportadores de carne bovina e o quarto maior produtor de grãos do mundo. O setor agrícola teve em 2023 o maior aumento entre as atividades que impactam diretamente o desempenho do produto interno bruto (PIB), crescendo 2,9% em relação ao ano anterior. As principais commodities agrícolas são soja, milho e cana-de-açúcar, que, juntas, representaram cerca de 80,0% da área cultivada em 2022 (IBGE, 2022a). O país também abriga uma das maiores biodiversidades do mundo nos seus diferentes biomas. No entanto, atividades como a pecuária e o aumento do cultivo de soja são importantes impulsionadores do desmatamento e representam ameaças significativas para essa biodiversidade. Combinadas com as mudanças climáticas, essas ameaças podem afetar os avanços atuais no Brasil. Consequentemente, o Brasil enfrenta o desafio de equilibrar o crescimento econômico com os objetivos de conservação ambiental. Dentro do contexto do impacto das mudanças climáticas, este texto para discussão faz comparação de resultados do modelo global de equilíbrio parcial Globiom-Brasil1 usando diferentes cenários de mudanças climáticas, atualizando e expandindo o estudo feito por Zilli et al. (2020). Além disso, o relatório traz uma descrição das principais características e avanços na criação deste modelo, adaptado para as especificidades do país. Vale ressaltar que, no modelo Globiom-Brasil, o desmatamento depende do feedback entre a demanda agrícola futura e as restrições regulatórias e biofísicas da terra. Esta é a principal diferença em relação a outros estudos de modelagem, nos quais o desmatamento é primeiro estimado separadamente, muitas vezes com base em ten - dências históricas, para depois ser espacialmente alocado utilizando as características da terra (Laurence et al., 2001; Soares-Filho et al., 2006; Lapola et al., 2010; Aguiar et al., 2012; Sparovek et al., 2012). Outras abordagens na quais o desmatamento é calculado a partir da expansão do setor agropecuário têm geralmente se concentrado em apenas uma commodity e não levam em consideração o feedback do mercado (Garret, Lambin e Naylor, 2013; Strassburg et al., 2014). O texto para discussão está dividido em quatro seções, além desta introdução. Na seção 2 é descrita uma visão geral do modelo Globiom-Brasil e suas principais características, tais como os dados utilizados, custo 1. Modelo Global de Gestão da Biosfera (Global Biosphere Management Model – Globiom), desenvolvido pelo International Institute for Applied Systems Analysis (Iiasa). Disponível em: https://iiasa.ac.at/ models-tools-data/globiom. TEXTO para DISCUSSÃO 8 3138 de transporte interno, suas resoluções e classes de uso da terra, assim como as imple - mentações feitas para aprimorar os resultados no contexto brasileiro, como a inserção de módulos da sucessão soja-milho e o zoneamento agroecológico da cana-de-açúcar. Na seção 3 são relatadas as melhorias mais recentes no modelo, como o novo mapa de uso de cobertura e uso da terra baseado no MapBiomas e no Instituto Brasileiro de Geografia e Estatística (IBGE) e as atualizações de drivers exógenos. Também aborda a construção e a validação do cenário de linha de base. Na seção 4, são apresentados os resultados e as discussões dos cenários de mudanças climáticas, utilizando dados dos quinto e sexto relatórios do Painel Intergovernamental sobre Mudanças Climáticas (Intergovernmental Panel on Climate Change – IPCC). Finalmente, as principais considerações e conclusões são discutidas na seção 5. 2 GLOBIOM-BRASIL 2.1 Visão geral O modelo Globiom-Brasil é uma versão regional baseada no modelo Globiom, adaptada para incorporar as especificidades políticas locais do Brasil (Soterroni et al., 2018; Soterroni et al., 2019). Trata-se de um modelo global de equilíbrio parcial que utiliza estratégia de baixo para cima (bottom-up). O modelo simula a competição por terra entre os principais setores da economia do uso da terra (agropecuária, silvicultura e bioenergia) sujeitos a restrições de recursos, tecnologia e políticas (Havlík et al., 2011; Havlík et al., 2014). O modelo calcula o equilíbrio de mercado para produtos agrícolas e florestais, alocando o uso da terra entre as atividades de produção para maximizar a soma do excedente do produtor e do consumidor, sujeito a restrições de recursos, tecnologia, demanda e políticas. O nível de produção de determinada área é estabelecido pela produtividade agrícola ou florestal nessa área (dependente da adequação e do manejo), pelos preços de mercado (refletindo o nível de demanda) e pelas condições e custos associados à conversão da terra, à expansão da produção e, quando relevante, ao acesso ao mercado internacional (Havlík et al., 2014). O comércio internacional também é considerado, sendo baseado na abordagem de modelagem de equilíbrio espacial, onde as regiões individuais comercializam entre si sob a suposição de bens homogêneos e, portanto, a concorrência depende apenas dos custos (Soterroni et al., 2019). TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 15 3138 Para criar um único mapa de cobertura e uso da terra para o Brasil, foram combinados dados de várias fontes: o mapa de cobertura do solo Modis (Friedl et al., 2010); dados de remanescentes fornecidos pelo SOS Mata Atlântica e áreas protegidas, incluindo Unidades de Conservação (UCs), florestas públicas e terras indígenas; além de materiais do IBGE, como o Manual Técnico da Vegetação Brasileira (IBGE, 2012), o Censo Agropecuário 2006 e as pesquisas Produção Agrícola Municipal (PAM) e Pesquisa da Pecuária Municipal (PPM) (IBGE, 2022a; 2022b). A metodologia está ilustrada na figura 6. FIGURA 6 Visão geral da metodologia utilizada para criar um mapa consistente de cobertura ou uso da terra para o Brasil Fonte: Câmara et al. (2015). O mapa de vegetação do IBGE é o ponto de partida para o mapa de cobertura do solo de entrada do Globiom-Brasil fora da Amazônia Legal. A ilustração distingue 52 classes de vegetação e corresponde a 2001 e a 2002, que são períodos próximos ao ano-base 2000. Foram agregadas classes de vegetação em classes de cobertura do solo relacionadas ao Globiom-Brasil (figura 7). TEXTO para DISCUSSÃO 16 3138 FIGURA 7 Mapa de cobertura do solo do IBGE reclassificado nas classes Globiom Fonte: Câmara et al. (2015). No mapa de vegetação do IBGE, pequenos trechos de pastagens ou lavouras não são mapeados na Amazônia devido à escala. Dessa maneira, foram usados dados de cobertura do solo de imagens Modis (baseados em satélite na Amazônia Legal) por serem mais precisos em áreas de floresta tropical, onde a cobertura arbórea é permanente e a remoção da floresta é facilmente identificável. Soma-se a isto o fato de que os dados do censo do IBGE sobre pastagens não são confiáveis na Amazônia Legal, onde a pecuária está associada à expansão de fronteiras. Assim, o uso de dados Modis evita imprecisões associadas ao censo na Amazônia. O mapa de vegetação do IBGE subestima a floresta na Mata Atlântica, que costuma ter uma cobertura florestal substancial. Por isso, foi utilizado o mapa detalhado TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 17 3138 de remanescentes florestais da SOS Mata Atlântica para aprimorar o mapa de cobertura do solo. Em relação ao mapa do IBGE, a área da classe vegetação nativa no Globiom-Brasil aumentou. Informações do Serviço Florestal Brasileiro (SFB) foram usadas para a classe floresta manejada, a respeito de áreas florestais sob concessão federal. O Globiom-Brasil trata as florestas manejadas da mesma forma que as florestas protegidas: são ignoradas e não podem ser convertidas em agricultura ou pastagem. A representação de florestas plantadas no Globiom-Brasil utiliza informações fornecidas pelo Censo Agropecuário 2006 do IBGE. Esses plantios de curta rotação estão localizados principalmente no bioma Mata Atlântica e perfaziam 7,65 Mha em 2010. As áreas protegidas (incluindo terras indígenas, áreas de uso sustentável e florestas públicas) cobrem grande parte do Brasil. Os dados sobre áreas protegidas combinam três entradas: i) o então Ministério do Meio Ambiente fornece informações sobre UCs; ii) a Fundação Nacional do Índio (Funai) mapeia as áreas indígenas; e iii) o mapa de florestas públicas do SFB inclui áreas de concessões florestais. Mesmo que exista uma discussão sobre a exploração agrícola em terras indígenas, essas áreas são tomadas como restrições nos cenários do Globiom-Brasil, de modo que culturas e pastagens não podem ser inseridas no modelo. O mapa de áreas protegidas corresponde a 2013 (lembrando que o ano-base do Globiom é 2000). Locais onde não há cultivo consolidado ou produção animal são um dos critérios para a seleção de novas áreas protegidas. Portanto, faz sentido considerar as áreas protegidas criadas após 2000 ao alocar culturas ou pastagens em unidades de simulação para 2000. A representação de áreas alagadas no Globiom-Brasil deriva de áreas do mapa de cobertura do solo a partir de imagens Modis e do mapa de vegetação do IBGE que estão sob forte influência marítima ou fluvial. Essas áreas incluem as florestas inundadas na parte baixa do rio Amazonas, grandes partes do delta do rio Amazonas e partes dos biomas do Pantanal. Essas áreas são fixas no modelo. Após a produção do mapa preliminar de cobertura do solo, este foi distribuído nas SimUs do Globiom-Brasil, calculando a intersecção entre as SimUs e o mapa de cobertura do solo. Para alocar atividades específicas de uso da terra na agricultura, pastagem e área não produtiva, o mapa de cobertura do solo na escala da unidade de simulação foi mesclado com informações do IBGE sobre agricultura e produção animal. Os dados do IBGE estão disponíveis na escala do município, então foi necessário atribuir os dados da agropecuária em SimUs, considerando as áreas protegidas. TEXTO para DISCUSSÃO 18 3138 As áreas de pastagem nos municípios em 2000 (com base na PPM/IBGE) foram comparadas com estimativas de pastagem derivadas do Censo Agropecuário 2006 do IBGE (fora da Amazônia Legal) e com dados de pastagem de imagens Modis (dentro da Amazônia Legal). Na Amazônia Legal, todos os municípios com produção animal segundo o PPM também possuíam área de pastagem, conforme os dados Modis. Os dados de agricultura foram retirados da PAM/IBGE (gráfico 1).3 O Globiom-Brasil opera dezoito culturas agrícolas individuais em sua classe de cobertura do solo intitulada agricultura. Estas representavam 86% da área total cultivada no Brasil em 2000. As demais culturas são atribuídas à classe outras culturas agrícolas. Para as florestas plantadas, foram utilizados os números por município do Censo Agropecuário 2006 do IBGE. As florestas plantadas não foram diferenciadas por espécie (Câmara et al., 2015). GRÁFICO 1 Divisão por cultura agrícola no Brasil (2000) (Em %) Fonte: IBGE (2022a). Elaboração dos autores. Obs.: A divisão considera a área total destinada à agricultura. 3. As ilustrações constantes neste texto para discussão não tiveram seu leiaute e textos padronizados e revisados pelo Editorial do Ipea, por se tratar de imagens não editáveis elaboradas pelos autores utilizando-se o software R. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 19 3138 A área de produção agrícola relatada para 187 municípios é maior do que a própria área desses municípios. Possíveis motivos incluem grandes fazendas com área em vários municípios, mas registradas em um município, relatórios incorretos (intencionais ou não) ou ainda a ocorrência de dois ou mais plantios na mesma área num mesmo ano (como o milho safrinha discutido na seção 2.6). Essas inconsistências foram ajustadas usando um algoritmo de otimização.4 O algoritmo divide a área de produção de um município para todas as SimUs que se cruzam com ele, considerando o tamanho da sobreposição. Uma SimU que compõe 10% de um município recebe 10% de sua área produtiva – a menos que não tenha terra disponível suficiente. A área de produção excedente é colocada em unidades de simulação vizinhas, com preferência para unidades de simulação próximas que também se sobrepõem ao mesmo município. O algoritmo tenta encontrar a melhor atribuição possível, usando restrições. A tabela 1 apresenta uma visão geral das quantidades de terra nas diferentes classes de uso da terra, agregadas por bioma. A área total de todas as classes de uso do solo é menor que a área oficial do Brasil, uma vez que as unidades de simulação deixam de fora corpos d’água como o rio Amazonas. A distribuição espacial das classes agricultura, pastagem e vegetação nativa está ilustrada na figura 8. TABELA 1 Área das classes agricultura, pastagem e vegetação nativa por biomas brasileiros (Em Mha) Bioma Agricultura Pastagem Vegetação nativa Amazônia 3,2 35,9 343,9 Caatinga 4,8 19,9 41,9 Cerrado 14,5 65,6 54,1 Mata Atlântica 18,3 35,4 19,7 Pampa 2,2 7,7 0,7 Pantanal 0,1 6,9 5,8 Brasil 43,1 171,4 466,1 Fonte: ? Elaboração dos autores. 4. Descrição do algoritmo em Câmara et al. (2015). TEXTO para DISCUSSÃO 20 3138 FIGURA 8 Distribuição espacial das classes do mapa de cobertura e uso da terra (2000) (Em ha/SimU) 8A – Agricultura18B – Pastagem 8C – Vegetação nativa Elaboração dos autores. Nota: ¹ A classe agricultura considera dezoito culturas agrícolas. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 21 3138 2.4 Demanda e oferta A demanda por alimentos é calculada endogenamente no Globiom-Brasil e depende de fatores exógenos, como o PIB, o crescimento populacional e as tendências alimentares que vêm dos cenários socioeconômicos compartilhados (shared socioeconomic pathways – SSPs) (O’Neill et al., 2014). Quando a população e o PIB aumentam ao longo do tempo, a demanda por alimentos também cresce, pressionando o sistema agrícola. A mudança na renda per capita na linha de base leva a uma alteração na dieta alimentar, associada à modificação de preferências (Havlík et al., 2018). Os padrões de consumo de alimentos são também um fator de mudança. Quando o preço de um produto aumenta no Globiom ou no Globiom-Brasil, o nível de consumo deste produto diminui por um valor determinado pela elasticidade do preço associada a este produto na região considerada. A elasticidade do preço indica o quanto a mudança relativa no consumo é afetada em termos da variação relativa no preço. Os valores dessas elasticidades no modelo são provenientes do banco de dados de elasticidade de demanda do Departamento de Agricultura dos Estados Unidos (U.S. Department of Agriculture – USDA) (Muhammad et al., 2011). Nessa base de dados, as elasticidades-preço da demanda são menores para países em desenvolvimento do que para países desenvolvidos e menores para cereais do que para carne. Isso é consistente com as observações. De qualquer forma, trata-se de demandas, em geral, inelásticas: por exemplo, a elasticidade-preço de demanda para pães e cereais varia de -0,50 para a República do Congo a praticamente zero para os Estados Unidos. Como o Globiom e o Globiom-Brasil contabilizam commodities alimentares utilizando dados de balanço fornecidos pela Food and Agriculture Organization (FAO), o modelo pode então relatar o impacto dessas mudanças de preços como variação na oferta de kcal per capita, mas também proteínas ou outros macronutrientes, como resultado de uma política específica (Havlík et al., 2018). Existem dezoito culturas representadas no modelo (cevada, milho, milheto, arroz, sorgo, trigo, amendoim, granola, soja, girassol, palma, cana-de-açúcar, mandioca, grão de bico, feijão, batata, batata doce e algodão). O modelo biofísico Epic é usado para estimar os rendimentos potenciais das culturas (Havlík et al., 2014) para cada cultura e sistema de manejo (subsistência, sequeiro com baixo aporte, sequeiro com alto aporte e irrigado com alto aporte). Os custos de produção também são definidos no nível de grade por tipo de cultura e sistema de gestão com base na heterogeneidade TEXTO para DISCUSSÃO 22 3138 espacial do modelo Epic e do conjunto de dados Spam (Skalskỳ et al., 2008).5 A produtividade aumenta endogenamente a partir da realocação da produção para áreas mais adequadas ou por meio de trocas entre sistemas de gestão. Isso permite mudanças de rendimento endógenas em resposta aos sinais do mercado. O crescimento exógeno do rendimento também é possível devido às alterações tecnológicas ao longo do tempo, seguindo as projeções de crescimento econômico (IBF e IIASA, 2023). A resposta do rendimento agrícola aos sinais do mercado tem sido um importante ponto de debate na avaliação da mudança indireta do uso da terra. No Globiom e no Globiom-Brasil são feitas suposições sobre mudanças tecnológicas que permitem aos rendimentos aumentarem ao longo do tempo independentemente de outros pressupostos econômicos – por exemplo, melhoramento, introdução de novas variedades, difusão de tecnologia etc. Além disso, o modelo representa respostas de rendimento aos preços. Nele, culturas agrícolas e pecuária possuem sistemas de manejo diferenciados com produtividade e custo próprios. A distribuição de culturas agrícolas, animais e seus tipos de manejo nas unidades espaciais determina o rendimento médio em nível regional. Os agricultores podem ajustar seus sistemas de manejo e os locais de produção de acordo com as mudanças nos preços, que afetam os rendimentos médios de diferentes maneiras, como variações entre os tipos de manejo, investimento em sistemas irrigados ou modificação na alocação entre unidades espaciais de acordo com condições climáticas e de solo (IBF e IIASA, 2023). O setor pecuário do Globiom-Brasil abrange oito tipos de animais distribuídos espacialmente e sete produtos de origem animal (leite e carne bovina, carne de ovelha e cabra, leite de ovelha e cabra, carne de porco, frango e ovos). Ruminantes (bovinos, ovinos e caprinos) podem ser produzidos em oito sistemas de produção e monogástricos (suínos e aves) podem ser produzidos em dois sistemas de produção. Os sistemas de manejo para ruminantes são definidos de acordo com as zonas agroecológicas (áridas, úmidas e temperadas ou terras altas) e as necessidades alimentares (à base de pasto, gramíneas e outros) a partir do International Livestock Research Institute (ILRI) da FAO (Steinfeld et al., 2006; Notenbaert et al., 2009). Os monogástricos são diferenciados entre pequenos portes e industriais, e seus sistemas de manejo são baseados na revisão da literatura. O setor florestal é representado no modelo por cinco categorias de produtos primários (toras serradas, toras de celulose, biomassa para energia, lenhas tradicionais e outras toras industriais), que são consumidos por energia 5. Disponível em: https://mapspam.info/. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 23 3138 industrial, demanda de combustível de cozinha ou processados e vendidos no mercado como produtos finais (ou seja, polpa de celulose e madeira serrada). 2.5 Custo de transporte interno Os dados do Plano Nacional de Logística e Transportes (PNLT) de 2012 foram usados para coletar informações sobre as rodovias federais e os custos de transporte dentro delas. Os custos variam de US$ 0,35 a US$ 1,1665 de frete por tonelada-quilômetro. Os custos de transporte interno são calculados na resolução da grade espacial do modelo (SimU). Utiliza-se um algoritmo baseado na matriz de proximidade generalizada (generalized proximity matrix – GPM), proposta por Aguiar et al. (2003). Toma-se o centroide de cada célula da grade como ponto de partida para calcular os custos. Neste algoritmo, o caminho do ponto inicial ao ponto final entra na rede rodoviária somente uma vez. O caminho sai da estrada apenas no local ou no destino mais próximo. Quando não há estrada nos pontos inicial ou final, estima-se um custo adicional para entrar ou sair das estradas. O algoritmo requer que todas as estradas estejam conectadas. As estradas da Amazônia que não estão conectadas à rede nacional estão conectadas à estrada mais próxima e têm seu custo de transporte associado dobrado. Os caminhos mais curtos na rede são calculados usando o algoritmo de Dijkstra (Dijkstra et al., 1959). A matriz de proximidade foi calculada para as capitais dos estados e para os portos de exportação. Os custos de transporte variam de US$ 4,12 por tonelada a US$ 1.000,84 para capitais e de US$ 9,93 por tonelada a US$ 2.238,19 por tonelada para portos marítimos. Os custos dependem da localização da área de produção, da sua conectividade com a rede rodoviária e de onde as mercadorias são consumidas. Os custos de transporte interno em dólar por tipo de produto (ou seja, sólido, líquido e grão) e destino (capital do estado mais próximo ou porto marítimo mais próximo) foram calculados para todos os produtos modelados. Foram derivados os custos finais de transporte usando as proporções do consumo interno e da exportação por produto (Soterroni et al., 2018). Os custos finais de transporte foram derivados usando as proporções de consumo interno e de exportação por produto. Como o Brasil exporta 44% da soja produzida, o custo de transporte da soja para cada célula da grade é 0,44 vezes o custo até o porto mais próximo mais 0,56 vezes o custo até a capital mais próxima. A figura 9 mostra os mapas finais de transporte de soja, carne bovina e cana-de-açúcar, em dólar por tonelada (Soterroni et al., 2018). TEXTO para DISCUSSÃO 24 3138 FIGURA 9 Custos combinados de transporte para soja, carne bovina e cana-de-açúcar (Em US$/t) 9A – Soja 9B – Carne bovina 9C – Cana-de-açúcar Fonte: Soterroni et al. (2018). 2.6 Sucessão soja e milho (double cropping) De acordo com as estatísticas oficiais, entre 2003 e 2020, a área de milho monocultura diminuiu cerca de 5 Mha, enquanto a área de milho safrinha saltou mais de 10 Mha. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 31 3138 FIGURA 12 Mapa de cobertura e uso do solo para 2000 da Coleção 4.1 do MapBiomas Fonte: MapBiomas, 2020. Disponível em: http://www.mapbiomas.com/. FIGURA 13 Mapeamento entre as classes do Globiom-Brasil e as classes da Coleção 4.1 do MapBiomas Fonte: Globiom, 2024; e MapBiomas, 2024. Disponíveis em: https://globiom.org/ documentation.html e https://brasil.mapbiomas.org/. Elaboração dos autores. TEXTO para DISCUSSÃO 32 3138 Contudo, como o modelo Globiom-Brasil necessita de informações de agricultura por tipo de cultura agrícola, e as classes do MapBiomas relacionadas à agropecuária são subdivididas em pastagem, agricultura e mosaico de agricultura e pastagem, dados estatísticos da PAM/IBGE foram utilizados para a criação das classes Globiom-Brasil relativas à agricultura. As etapas de conversão dos dados IBGE para município/SimU estão ilustradas na figura 14. A metodologia e os algoritmos para a conversão dos dados da PAM/IBGE estão detalhados na subseção 2.3 e em Câmara et al. (2015). Resumidamente, os dados fornecidos pelo IBGE com a informação de área para cada cultura agrícola são distribuídos espacialmente por município, para, em seguida, serem convertidas para a resolução SimU. Após a conversão município/SimU, obtém-se o valor de área da classe agricultura por SimU a partir das áreas de dezoito culturas (cevada, milho, milheto, arroz, sorgo, trigo, amendoim, granola, soja, girassol, palma, cana-de-açúcar, mandioca, grão de bico, feijão, batata, batata doce e algodão). As áreas das culturas agrícolas restantes são agregadas e atribuídas para a classe de outras culturas agrícolas. FIGURA 14 Metodologia para conversão da PAM/IBGE para criação das classes relacionadas à agricultura para o mapa de 2000 Elaboração dos autores. A área da classe pastagem do novo mapa para cada SimU foi computada a partir da classe agropecuária do MapBiomas e das classes de agricultura criadas a partir dos TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 33 3138 dados da PAM/IBGE. A classe agropecuária é a soma das classes pastagem, agricultura e mosaico de agricultura e pastagem do MapBiomas. Com as áreas das culturas agrícolas alocadas em cada SimU a partir dos dados da PAM/IBGE (figura 14), foi realizada a diferença entre o valor da classe agropecuária do MapBiomas e da soma das classes agricultura e outras culturas agrícolas obtidas pela PAM/IBGE. Esta diferença foi computada para cada SimU e corresponde à classe pastagem no novo mapa. Para situações em que a diferença entre agropecuária e agricultura mais outras culturas agrícolas resultou em valor negativo na SimU, o valor para a classe pastagem na SimU foi zerado e compensado, primeiramente, pela área da classe áreas não produtivas da mesma SimU. Caso a área da classe áreas não produtivas estivesse zerada, a compensação era feita reduzindo a área de vegetação nativa na SimU. Ao todo, a compensação de áreas negativas para a classe pastagem resultou em um ajuste de 2 Mha. As áreas de vegetação nativa, agricultura e pastagem no novo mapa correspondem a 599 Mha, 43 Mha e 175 Mha, respectivamente. A distribuição espacial das principais classes está ilustrada na figura 15. O valor agregado por bioma das principais classes do novo mapa está exposto na tabela 2. TABELA 2 Área das classes agricultura, pastagem e vegetação nativa do Globiom-Brasil em 2000 utilizando o novo mapa inicial de cobertura e uso da terra (Em Mha) Bioma Agricultura Pastagem Vegetação nativa Amazônia 3,2 33,7 367,1 Caatinga 4,8 23,3 51,5 Cerrado 14,5 59,9 124,4 Mata Atlântica 18,3 53,1 33,7 Pampa 2,2 3,2 10,2 Pantanal 0,1 1,8 12,6 Brasil 43,0 175,0 599,4 Elaboração dos autores. Em comparação aos originalmente usados pelo modelo Globiom-Brasil (indicados na tabela 1), observam-se algumas discrepâncias, que até limitam o cotejo dos resultados das modelagens entre os diferentes cenários. A área de vegetação nativa é bem maior nessa nova calibração, em todos os biomas, indicando maior cobertura espacial dos dados mais atuais em comparação aos originalmente usados. Há também diferenças relevantes em áreas de pastagens, o que pode indicar alguma reclassificação, especialmente entre pastagem degradada e vegetação nativa nos biomas Cerrado e Pampa. TEXTO para DISCUSSÃO 34 3138 FIGURA 15 Distribuição espacial das classes agricultura, pastagem e vegetação nativa no novo mapa de cobertura e uso da terra de 2000 baseado no MapBiomas e na PAM/IBGE 15A – Agricultura 15B – Pastagem 15C – Vegetação nativa Elaboração dos autores. 3.2 Atualização de drivers exógenos Outra melhoria incorporada no modelo foi a atualização de drivers exógenos referentes a distintas narrativas socioeconômicas. Pesquisadores de diferentes grupos de modelagem buscam desenvolver cenários que explorem como o mundo pode se transformar no decorrer deste século. A comunidade científica de pesquisa em mudança climática TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 35 3138 desenvolveu um conjunto de cinco trajetórias alternativas de desenvolvimento social para o futuro, relatadas como SSPs (O’Neill et al., 2014; O’Neill et al., 2017). A elaboração dos SSPs compreendeu cinco passos principais (Riahi et al., 2017), conforme abaixo descrito. • Construção de narrativas, com o objetivo de fornecer descrições mais amplas das condições do futuro que são relevantes não só para a análise de estratégias de mitigação, como também para a análise de vulnerabilidade social para mudanças climáticas, impactos climáticos e medidas para adaptação. • Extensão das narrativas, descrevendo em termos quantitativos as principais características de cada SSP e as hipóteses de cada cenário. • Criação dos elementos básicos dos SSPs em termos de drivers demográficos e econômicos usando modelos quantitativos. • Elaboração dos cenários de linha de base de cada SSP, com a definição do sistema de energia, do uso do solo e emissões GEEs, adotando um conjunto de Modelos de Avaliação Integrada (Integrated Assessment Models – IAMs). • Criação destes elementos por meio de IAMs para cenários de mitigação usando SSPs (seções 4.1 e 4.2). Os SSPs apresentam cinco diferentes narrativas que descrevem uma gama de futuros possíveis que se estendem ao longo de duas dimensões relacionadas às mudanças climáticas: desafios socioeconômicos para mitigação e adaptação (figura 16). De modo geral, os SSPs refletem: um mundo de crescimento e igualdade com foco na sustentabilidade (SSP1) (Vuuren et al., 2017); um mundo onde as tendências seguem amplamente seus padrões históricos (SSP2) (Fricko et al., 2017); um mundo fragmentado com competição entre países (SSP3) (Fujimori et al., 2017); um mundo de desigualdade cada vez maior (SSP4) (Calvin et al., 2017); e um mundo de crescimento rápido e irrestrito na produção econômica e no uso de energia, com predominância do uso de combustíveis fósseis (SSP5) (Kriegler et al., 2017). Publicados inicialmente em 2014 (O’Neill et al., 2014), os SSPs foram atualizados durante três anos (O’Neill et al., 2017; Riahi et al. 2017) e estão sendo usados na última rodada de modelagem climática – conhecida como Coupled Model Intercomparison Project version 6 (CMIP6) –, em preparação para o sexto relatório de avaliação do IPCC. As narrativas são traduzidas em projeções quantitativas para os principais drivers TEXTO para DISCUSSÃO 36 3138 socioeconômicos, tais como população, PIB e urbanização.7 Em seguida, ambas as narrativas e as projeções associadas aos drivers socioeconômicos são elaboradas utilizando um conjunto de IAMs, de forma que sejam derivadas projeções quantitativas de energia, uso do solo e emissões atreladas a cada SSP. FIGURA 16 Diferentes combinações de desafios socioeconômicos para mitigação e adaptação representadas pelos SSPs Fonte: O’Neill et al. (2014). Elaboração dos autores. A primeira versão (v1) da base de dados dos SSPs foi criada em 2013 e aprimorada para uma nova versão (v1.1) em 2016, e ambas podem ser encontradas no repositório do Iiasa.8 Posteriormente, uma segunda versão da base de dados foi publicada (v2.0) e o modelo Globiom-Brasil foi atualizado com esta nova versão das projeções quantitativas dos SSPs. A seguir, são ilustradas comparações entre as projeções de população (gráfico 2), PIB (gráfico 3) e PIB per capita (gráfico 4) dos dados atualizados para o Globiom-Brasil com a segunda versão da base de dados SSP, em relação aos dados antigos da primeira versão. A projeção de população para o Brasil do cenário SSP2 está alinhada com as estimativas de população do IBGE, as quais projetam 225 e 233 milhões de habitantes em 2030 e 2050, respectivamente, resultando em diferenças menores que 1% se comparadas com as projeções do SSP2. Além do Brasil, ilustra-se 7. Para mais detalhes para cada SSP, conferir: Calvin et al. (2017), Fricko et al. (2017), Fujimori et al. (2017), Kriegler et al. (2017) e Vuuren et al. (2017). 8. Disponível em: https://tntcat.iiasa.ac.at/SspDb/dsd?Action=htmlpage&page=10#pastreleases. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 37 3138 o cotejo das diferenças da versão antiga e atualizada para cada SSP para o mundo (gráficos 5 a 7), Estados Unidos (gráficos 9 a 11), China (gráficos 11 a 13) e União Europeia9 (gráficos 14 a 16). GRÁFICO 2 Projeções atuais das versões 1.1 e 2.0 da população no Brasil para cada SSP (2010-2050) (Em milhões de habitantes) 2A – Versão 1.1 2B – Versão 2.0 Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Elaboração dos autores. Obs.: As projeções de população para o SSP2 seguem as estimativas fornecidas pelo IBGE (linha tracejada). 9. Para a União Europeia, o Globiom-Brasil considera os países: Áustria, Bélgica, França, Alemanha, Luxemburgo, Países Baixos, Dinamarca, Finlândia, Irlanda, Suécia, Reino Unido, Chipre, Grécia, Itália, Malta, Portugal, Espanha, Estônia, Letônia, Lituânia, Bulgária, República Tcheca, Hungria, Polônia, Romênia, Eslováquia e Eslovênia. TEXTO para DISCUSSÃO 38 3138 GRÁFICO 3 Projeções atuais das versões 1.1 e 2.0 do PIB no Brasil para cada SSP (2010-2050) (Em US$ bilhões) 3A – Versão 1.1 3B – Versão 2.0 Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Elaboração dos autores. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 39 3138 GRÁFICO 4 Projeções atuais das versões 1.1 e 2.0 do PIB per capita no Brasil para cada SSP (2010-2050) (Em US$ mil) 4A – Versão 1.1 4B – Versão 2.0 Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Elaboração dos autores. TEXTO para DISCUSSÃO 40 3138 GRÁFICO 5 Projeções atuais das versões 1.1 e 2.0 da população para o mundo para cada SSP (2010-2050) (Em bilhões de habitantes) 5A – Versão 1.1 5B – Versão 2.0 Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Elaboração dos autores. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 47 3138 GRÁFICO 12 Projeções atuais das versões 1.1 e 2.0 do PIB para a China para cada SSP (2010-2050) (Em US$ bilhões) 12A – Versão 1.1 12B – Versão 2.0 Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Elaboração dos autores. TEXTO para DISCUSSÃO 48 3138 GRÁFICO 13 Projeções atuais das versões 1.1 e 2.0 do PIB per capita para a China para cada SSP (2010-2050) (Em US$ mil) 13A – Versão 1.1 13B – Versão 2.0 Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Elaboração dos autores. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 49 3138 GRÁFICO 14 Projeções atuais das versões 1.1 e 2.0 da população para a União Europeia para cada SSP (2010-2050) (Em milhões de habitantes) 14A – Versão 1.1 14B – Versão 2.0 Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Elaboração dos autores. TEXTO para DISCUSSÃO 50 3138 GRÁFICO 15 Projeções atuais das versões 1.1 e 2.0 do PIB para a União Europeia para cada SSP (2010-2050) (Em US$ bilhões) 15A – Versão 1.1 15B – Versão 2.0 Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Elaboração dos autores. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 51 3138 GRÁFICO 16 Projeções atuais das versões 1.1 e 2.0 do PIB per capita para a União Europeia para cada SSP (2010-2050) (Em US$ mil) 16A – Versão 1.1 16B – Versão 2.0 Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Elaboração dos autores. 3.3 Construção do cenário de linha de base Para calibração e validação do novo mapa inicial de cobertura do uso do solo foi criado um cenário de linha de base, com o intuito de capturar projeções que sigam amplamente TEXTO para DISCUSSÃO 52 3138 os padrões históricos em termos de mudança do uso do solo e produção, consumo e exportação de produtos agrícolas. O cenário de linha de base é fundamentado no cenário IDCImperfect2, criado em Soterroni et al. (2018), em que o controle do desmatamento ilegal é imperfeito (ou parcial) nos biomas Amazônia e Cerrado, seguindo uma probabilidade de cumprimento do Código Florestal. Esta probabilidade é calculada por célula e é utilizada como um índice para restringir ou não o desmatamento ilegal. No cenário IDCImperfect2, a probabilidade do cumprimento do Código Florestal é aumentada em 25% na Amazônia e no Cerrado, e se mantém constante de 2010 a 2050 (figura 17A). Para o bioma Mata Atlântica (protegido pela Lei no 11.428/2006), o controle do desmatamento é total, enquanto não há controle para Caatinga, Pampa e Pantanal (figura 17B). Além disso, não há políticas de restauração de vegetação nativa em todos os biomas neste cenário. FIGURA 17 Premissas para cumprimento do Código Florestal e controle do desmatamento ilegal 17A – Probabilidade do cumprimento do Código Florestal 17B – Controle do desmatamento ilegal Fonte: Soterroni et al. (2018). O cenário de linha de base utiliza as projeções do cenário SSP2 para população e PIB (versão 2.0). Com relação à moratória da soja, emprega-se o cenário utilizado em Soterroni et al. (2019), no qual considera-se que a moratória da soja é aplicada na Amazônia de 2006 em diante, mas não é praticada no Cerrado. Por fim, o cenário de linha de base não leva em conta o efeito das mudanças climáticas em suas projeções. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 53 3138 É importante salientar que outros cenários criados a partir do cenário de linha de base a partir de mudanças de hipótese relativas ao controle do desmatamento e às projeções SSP seguem a mesma trajetória até 2020 com relação ao cenário de linha de base e se diferenciam deste ponto em diante. 3.4 Validação do cenário de linha de base para o período histórico As projeções do Globiom-Brasil para o cenário de linha de base foram comparadas com estatísticas oficiais para fins de validação para 2015. Entre os dados históricos, estão inclusas as estatísticas de área e de produção fornecidas pela PAM/IBGE (IBGE, 2022a), dados da PPM/IBGE (IBGE, 2022b) relativos ao rebanho bovino e o mapa de desmatamento acumulado fornecido pelo Projeto de Monitoramento do Desmatamento na Amazônia Legal por Satélite (Prodes) (INPE, 2022). De forma geral, foi observada uma boa concordância entre os dados oficiais e as projeções simuladas pelo Globiom-Brasil. A tabela 3 e o gráfico 17 mostram a comparação da área das principais culturas agrícolas brasileiras com os dados fornecidos pelo IBGE. Soja e milho, as culturas com maiores áreas, apresentaram as menores diferenças (1% e 2%, respectivamente). As maiores diferenças foram observadas para o arroz (11%) e o feijão (24%). A distribuição espacial da área de soja (figura 18), milho (figura 19), cana-de-açúcar (figura 20), arroz (figura 21), mandioca (figura 22) e feijão (figura 23) também foram cotejadas com dados da PAM/IBGE e conseguiram capturar as principais regiões produtoras. TABELA 3 Comparação da área das principais culturas agrícolas do agronegócio brasileiro em 2015 Cultura agrícola Dado oficial (Em Mha) Cenário de linha de base (Em Mha) Diferença absoluta (Em Mha) Diferença relativa (%) Soja 32,2 32,8 0,6 2 Milho 15,4 15,5 0,1 1 Cana-de-açúcar 10,1 9,6 0,5 -5 Arroz 2,1 1,9 0,2 -11 Mandioca 1,5 1,5 0 -3 Feijão 2,9 3,6 0,7 24 Fonte: IBGE (2022a). Elaboração dos autores. Obs.: A comparação foi feita a partir das projeções do Globiom-Brasil e dos dados históricos oficiais. TEXTO para DISCUSSÃO 54 3138 GRÁFICO 17 Comparação da área das principais culturas agrícolas brasileiras segundo os dados da PAM/IBGE e como projetado pelo Globiom-Brasil usando o cenário de linha de base (Em Mha) Fonte: IBGE (2022a). Elaboração dos autores. GRÁFICO 18 Comparação da produção das principais culturas agrícolas brasileiras segundo os dados da PAM/IBGE e como projetado pelo Globiom-Brasil usando o cenário de linha de base (Em Mt) Fonte: IBGE (2022a). Elaboração dos autores. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 55 3138 FIGURA 18 Distribuição espacial da área de soja fornecida pelo IBGE e projetada pelo Globiom-Brasil (2015) (Em Mha) 18A – PAM/IBGE (32,2 Mha) 18B – Globiom-Brasil (32,8 Mha) Fonte: IBGE (2022a). FIGURA 19 Distribuição espacial da área de milho fornecida pelo IBGE e projetada pelo Globiom-Brasil (2015) (Em Mha) 19A – PAM/IBGE (15,4 Mha) 19B – Globiom-Brasil (15,5 Mha) Fonte: IBGE (2022a). TEXTO para DISCUSSÃO 56 3138 FIGURA 20 Distribuição espacial da área de cana-de-açúcar fornecida pelo IBGE e projetada pelo Globiom-Brasil (2015) (Em Mha) 20A – PAM/IBGE (10,1 Mha) 20B – Globiom-Brasil (9,6 Mha) Fonte: IBGE (2022a). FIGURA 21 Distribuição espacial da área de arroz fornecida pelo IBGE e projetada pelo Globiom-Brasil (2015) (Em Mha) 21A – PAM/IBGE (2,1 Mha) 21B – Globiom-Brasil (1,9 Mha) Fonte: IBGE (2022a). TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 63 3138 Além destes quatro cenários atualizados, mais quatro novos cenários foram inseridos com o intuito de ampliar o leque de futuros para simulação: SSP1-1.9, SSP4-3.4, SSP4-3.4Os e SSP3-7.0 (gráfico 21). As principais características dos quatro novos cenários são abaixo descritas. • SSP1-1.9: cenário desenhado para limitar, até 2100, o aquecimento abaixo de 1,5°C acima dos níveis pré-industriais – desenvolvido explicitamente para representar a meta de 1,5°C do Acordo de Paris. Desta forma, os novos cenários do CMIP6 permitem que os modelos explorem os impactos das mudanças climáticas em torno de 1,5°C de aquecimento. • SSP4-3.4: cenário para explorar o espaço entre os cenários SSP1-2.6 e SSP2-4.5 até 2100, criado com o objetivo de melhor avaliar os impactos climáticos caso os países reduzam rapidamente as emissões, mas fracassem em mitigá-las rápido o suficiente para limitar o aquecimento abaixo de 2°C. •SSP4-3.4OS: cenário em que as emissões seguem o caminho do pior cenário (SSP5-8.5) até 2040 e, em seguida, há uma redução extrema e rápida de emissões, alcançando emissões negativas de CO2 no fim do século. • SSP3-7.0: cenário intermediário em termos de emissões, de forma que possam ser examinados os resultados de cenários de pior caso (SSP5-8.5), intermediário (SSP3-7.0) e mais otimistas (SSP4-6.0) ao modelar o quanto o planeta pode aquecer em um futuro no qual não se consiga implementar nenhuma política climática. Os novos cenários utilizados no AR6 foram adotados para gerar novos shifters climáticos e, consequentemente, novos cenários climáticos que são usados no Globiom-Brasil. Com relação aos cenários de mudanças climáticas, os impactos na agricultura foram avaliados a partir da aplicação de shifters na produtividade das dezoito culturas agrícolas. Os shifters foram utilizados nas trinta regiões representadas pelo Globiom-Brasil a nível de grade. A metodologia para criação dos shifters e, consequentemente, dos cenários climáticos, aqui denominada metodologia degree days (DD), é baseada na métrica extreme degree days (EDD), utilizada para mensurar quantos dias uma cultura agrícola é exposta a uma temperatura máxima acima de certo limiar de temperatura extrema. TEXTO para DISCUSSÃO 64 3138 GRÁFICO 21 Cenários de emissões no CMIP6 (Em GtCo2) Fonte: Hausfather (2019). Elaboração dos autores. Os shifters procuram estimar a resposta da produtividade das culturas agrícolas às mudanças de temperatura ( ), decorrentes de mudanças na vegetação e emissões GEEs: . onde equivale ao índice da célula; , ao passo de tempo; , à mudança de temperatura média; , à mudança de temperatura média relacionada ao clima estimada a partir de dez GCMs diferentes participantes do CMIP6; e , à mudança de temperatura induzida pela cobertura e uso do solo que leva em consideração um efeito local e um não local. Enquanto o efeito local procura capturar a mudança de temperatura observada exatamente onde a vegetação nativa foi substituída por agricultura ou pastagem (Alkama e Cescatti, 2016), o efeito não local corresponde às mudanças de temperatura que acontecem devido à conversão de vegetação nativa para pastagem ou agricultura, na região (de 1 a 50 km) do local onde as culturas agrícolas estão crescendo (Cohn et al., 2019). TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 65 3138 Para um dado ano e cultura agrícola, a EDD é estimada: , onde equivale ao dia juliano, é a temperatura e representa o limiar de temperatura. Para milho e soja, foram utilizados os valores de 29°C e 30°C para o limiar de temperatura, respectivamente, baseados em Schlenker e Roberts (2009). As mudanças de temperatura são adotadas para avaliar as mudanças de EDD () e, em seguida, relacionar e utilizar estas mudanças para registrar as produtividades agrícolas. A métrica EDD usada para a fase de crescimento foi estimada usando o calendário agrícola da base de dados Agritempo, 10 além de dados de temperatura máxima e mínima fornecidos por Xavier, King e Scanlon (2016). As mudanças de EDD são então calculadas em resposta às mudanças homogêneas incrementais na temperatura. A partir do relacionamento entre e em cada célula , calculam-se as mudanças EDD ( ) de forma iterativa a partir de um modelo polinomial de terceira ordem: onde , e são os coeficientes para cada célula e cultura agrícola. Como cálculo final, a partir dos relacionamentos entre as produtividades da soja e do milho e os valores de obtidos por Schlenker e Roberts (2009), as mudanças das produtividades ( ) das dezoito culturas agrícolas são estimadas: 10. Disponível em: https://www.agritempo.gov.br/br/. TEXTO para DISCUSSÃO 66 3138 , onde é a sensibilidade da produtividade para uma cultura (soja ou milho) sem considerar o sistema de manejo. O coeficiente não é calculado para todas as dezoito culturas. Os impactos da soja foram mapeados para cevada, mandioca, grão-de-bico, algodão, amendoim, óleo de palma, batata, granola, arroz, girassol, batata doce e trigo. Para o feijão, o efeito do shifter da soja foi utilizado considerando apenas 50% dos efeitos negativos para a soja. Os impactos do milho foram mapeados para a cana-de-açúcar de forma integral, enquanto o efeito do shifter do milho foi usado considerando apenas 50% dos efeitos negativos para milheto e sorgo. O framework de modelagem para os cenários de mudanças climáticas utilizando os dados do sexto relatório do IPCC está ilustrado na figura 26. Mais detalhes sobre a metodologia DD podem ser encontrados em Flach et al. (2021). FIGURA 26 Framework de modelagem utilizado para os cenários de mudanças climáticas com dados do sexto relatório do IPCC Elaboração dos autores. Os shifters procuram estimar a resposta da produtividade das culturas agrícolas às mudanças de temperatura ( ). As mudanças de temperatura ( ) são calculadas a partir da soma da mudança de temperatura média relacionada ao clima ( ) TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 67 3138 e da mudança de temperatura induzida pela cobertura e uso do solo ( ). é estimada a partir de dez GCMs diferentes participantes do CMIP6. é calculada a partir da variação da mudança do uso do solo estimada pelo Globiom-Brasil. Mudanças no uso do solo não estão incorporadas nos cenários GCM utilizados no Globiom-Brasil. Os impactos na produtividade agrícola das mudanças locais da cobertura da terra (basicamente, desmatamento) variam espacialmente em função da cobertura de vegetação nativa local. Este impacto é tanto maior quanto mais densa e úmida for a vegetação. Em termos quantitativos, pode-se falar em variações da ordem de até 5% além dos impactos das mudanças climáticas globais. 4.3 Comparação dos resultados de cenários com mudanças climáticas Para a análise dos cenários com mudanças climáticas deste texto para discussão, foram considerados quatro cenários, que combinam dois modelos GCMs – HadGEM-ES e Miroc-ESM-Chem – com dois RCPs – RCP2p6 e RCP8p5 – (subseção 3.1), descritos no quinto relatório do IPCC, e um cenário que utiliza a metodologia DD, para o cenário de emissão SSP2-4.5 do sexto relatório do IPCC (subseção 3.2). O quadro 2 sintetiza os cenários climáticos que consideram os GCMs HadGEM-ES e Miroc-ESM-Chem e o cenário com a metodologia DD. Apenas o cenário climático baseado na metodologia DD utiliza o novo mapa de cobertura e uso da terra derivado do MapBiomas. Essa informação é importante pois não permite a comparação direta entre cenários climáticos nos anos finais. Por exemplo, parte da diferença entre o cenário DD-RCP4p5 e os demais cenários se deve ao mapa de cobertura vegetal do ano-base ser distinto. Assim, tal comparação deve ser feita sempre em relação ao ano-base de cada cenário, comparando os cenários climáticos apenas indiretamente. Uma primeira análise dos resultados foi realizada comparando as classes agricultura, pastagem, floresta plantada e vegetação nativa para os cinco cenários climáticos. A comparação foi baseada nas seguintes diferenças: i) mapas do ano-base; ii) shifters de produtividade para agricultura e pastagem; e iii) versões das trajetórias do SSP2 utilizadas em cada cenário. Além disso, também foi realizado um exame das projeções para 2050 para a área de soja, milho e cana-de-açúcar, e para a produção de carne bovina. TEXTO para DISCUSSÃO 68 3138 QUADRO 2 Definição dos cenários climáticos Cenários GCM RCP Metodologia DD Mapa do ano-base HadGEM-RCP2p6 HadGEM-ES RCP2p6 Não Original HadGEM-RCP8p5 HadGEM-ES RCP8p5 Não Original Miroc-RCP2p6 Miroc-ESM-Chem RCP2p6 Não Original Miroc-RCP8p5 Miroc-ESM-Chem RCP8p5 Não Original DD-RCP4p5 - RCP4p5 Sim Novo Elaboração dos autores. As diferenças espaciais para as classes pastagem e vegetação nativa entre o mapa utilizado em Câmara et al. (2015) e o novo mapa baseado no MapBiomas para 2000 estão ilustradas na figura 27. As figuras 28 e 29 mostram a distribuição espacial dos choques climáticos (ou shifters) para a soja em sistema de alta produtividade não irrigada e para pastagem, respectivamente. Valores abaixo de 1.0 representam redução de produtividade, e valores acima de 1.0 indicam aumento de produtividade. Note que não há shifter para as pastagens na metodologia DD. O gráfico 22 exibe as projeções de população e PIB da trajetória SSP2 para o Brasil utilizando as versões 1.1 e 2.0. FIGURA 27 Distribuição das diferenças entre o antigo e o novo mapa de cobertura e uso da terra para 2000 (Em Mha/pixel) 27A – Pastagens 27B – Vegetação nativa Fonte: Câmara et al. (2015) e MapBiomas, 2024. Obs.: 1. A figura considera o antigo mapa de cobertura e uso da terra baseado em Câmara et al. (2015) e o novo, no MapBiomas. 2. Os pixels em vermelho indicam queda e os pixels em azul indicam aumento de pastagens (27A) ou vegetação nativa (27B) no novo mapa em relação ao anterior. Os valores da barra de cores estão em milhares de hectares por pixel. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 69 3138 FIGURA 28 Shifters de produtividade da soja para o sistema de alta produtividade não irrigada para 2050 28A – HadGEM-RCP2p6 28B – HadGEM-RCP8p5 28C – Miroc-RCP2p6 28D – Miroc-RCP8p5 TEXTO para DISCUSSÃO 70 3138 28E – DD-RCP4p5 Elaboração dos autores. Obs.: Os valores das barras de cores expressam aumento (valores acima de 1.0, ilustrados em verde) ou redução (valores abaixo de 1.0, ilustrados em vermelho) da produtividade, de acordo com cada metodologia. FIGURA 29 Shifters de produtividade para pastagem em 2050 29A – HadGEM-RCP2p6 29B – HadGEM-RCP8p5 TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 71 3138 29C – Miroc-RCP2p6 29D – Miroc-RCP8p5 29E – DD-RCP4p5 Elaboração dos autores. Obs.: Os valores das barras de cores expressam aumento (valores acima de 1.0, ilustrados em verde) ou redução (valores abaixo de 1.0, ilustrados em vermelho) da produtividade, de acordo com cada metodologia. Os shifters para pastagens na metodologia DD são iguais a 1.0. TEXTO para DISCUSSÃO 72 3138 GRÁFICO 22 Projeções das versões 1.1 e 2.0 para a trajetória SSP2 utilizadas no Globiom-Brasil (2010-2050) 22A – População (Em milhões de habitantes) 22B – PIB (Em US$ bilhões) Fonte: O’Neill et al. (2017) e Riahi et al. (2017). Obs.: Os cenários HadGEM (RCP2p6 e RCP8p5) e Miroc (RCP2p6 e RCP8p5) utilizam a versão 1.1, enquanto o DD utiliza a versão 2.0. As projeções de área para a classe agricultura, que compreende dezoito culturas agrícolas (subseção 2.4), estão representadas por bioma na tabela 4. A distribuição espacial das áreas de agricultura em 2050 projetadas pelos cinco cenários climáticos TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 79 3138 32C – Miroc-RCP2p6 32D – Miroc-RCP8p5 32E – DD-RCP4p5 Elaboração dos autores. Obs.: A barra de cores está em milhares de hectares por pixel. TEXTO para DISCUSSÃO 80 3138 TABELA 6 Área da classe floresta plantada por bioma e para o Brasil nos cinco cenários climáticos (Em Mha) Cenários Brasil Amazônia Mata Atlântica Caatinga Cerrado Pampa Pantanal HadGEM-RCP2p6 18,08 1,19 5,58 0,12 9,87 0,60 0,72 HadGEM-RCP8p5 18,42 1,31 5,56 0,13 9,80 0,86 0,75 Miroc-RCP2p6 18,43 1.27 4,97 0,12 10,85 0,60 0,63 Miroc-RCP8p5 18,44 1,47 5,07 0,12 10,34 0,71 0,73 DD-RCP4p5 19,10 0,58 10,30 0,01 6,95 1,24 0,03 Elaboração dos autores. As projeções para a classe vegetação nativa em 2050 indicam um aumento significativo na área do Cerrado, Pampa e Pantanal no cenário DD-RCP4p5 em relação aos outros. Tais distinções podem ser justificadas a partir da diferença entre os mapas do ano-base utilizados. Como pode ser visto na figura 17B, há um ganho expressivo da classe vegetação nativa nestes três biomas no mapa de 2000 baseado no MapBiomas em relação ao mapa original. Há um aumento de, aproximadamente, 50 Mha da área total de vegetação nativa no cenário DD-RCP4p5 comparado aos demais, representando um acréscimo de 10% da área da classe. No bioma Pampa, há um aumento de cerca de 40% no cenário DD-RCP4p5 se comparado aos outros (tabela 7). FIGURA 33 Área da classe vegetação nativa em 2050 nos cinco cenários climáticos (Em Mha/pixel) 33A – HadGEM-RCP2p6 33B – HadGEM-RCP8p5 TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 81 3138 33C – Miroc-RCP2p6 33D – Miroc-RCP8p5 33E – DD-RCP4p5 Elaboração dos autores. Obs.: A barra de cores está em milhares de hectares por pixel. TEXTO para DISCUSSÃO 82 3138 TABELA 7 Área da classe vegetação nativa por bioma e para o Brasil nos cinco cenários climáticos (Em Mha) Cenários Brasil Amazônia Mata Atlântica Caatinga Cerrado Pampa Pantanal HadGEM-RCP2p6 423,38 312,60 22,51 37,61 45,18 0,57 4,91 HadGEM-RCP8p5 424,27 313,53 22,34 36,70 46,15 0,58 4,96 Miroc-RCP2p6 423,51 310,70 22,45 36,91 47,18 0,57 5,69 Miroc-RCP8p5 423,34 310,98 22,41 37,62 46,31 0,56 5,47 DD-RCP4p5 471,48 319,09 29,73 44,29 64,60 6,67 7,11 Elaboração dos autores. Nas ilustrações adiante são apresentadas as projeções de área e produção para 2050 das principais culturas agrícolas brasileiras (soja, milho e cana-de-açúcar) e de produção de carne bovina de acordo com os cinco cenários simulados. Analisando a área e a produção de soja entre os cenários, observa-se um aumento de área no cenário DD-RCP4p5 de aproximadamente 90% em relação aos outros (gráfico 23A) e um pequeno aumento de produção de soja (variando entre 12% e 22%) em relação aos cenários que usam os GCMS HadGEM e Miroc (gráfico 23B). Nos cenários HadGEM-RCP2p6 e HadGEM-RCP8p5, a área localizada na região sul do Mato Grosso do Sul no bioma Cerrado, divisa com a Mata Atlântica, é visivelmente maior do que a mesma área nos cenários Miroc-RCP2p6 e Miroc-RCP8p5, conforme se observa na figura 34. O alto valor da área de soja no cenário DD-RCP4p5 em relação aos demais está concentrado no bioma Cerrado, especialmente no sul dos estados Mato Grosso e Goiás (figura 34E). TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 83 3138 GRÁFICO 23 Área e produção de soja nos cinco cenários para 2050 23A – Área de soja (Mha) 23B – Produção de soja (Mt) Elaboração dos autores. FIGURA 34 Área de soja em 2050 nos cinco cenários climáticos (Em Mha/pixel) 34A – HadGEM-RCP2p6 34B – HadGEM-RCP8p5 TEXTO para DISCUSSÃO 84 3138 34C – Miroc-RCP2p6 34D – Miroc-RCP8p5 34E – DD-RCP4p5 Elaboração dos autores. Obs.: A barra de cores está em milhares de hectares por pixel. De forma similar à projeção de soja nos cenários estudados, observa-se um aumento na área de milho no cenário DD-RCP4p5 em relação aos demais, o que pode ser justificado pelo sistema de sucessão soja e milho. Há também um aumento de produção para os cenários DD-RCP4p5 e HadGEM-RCP8p5 em relação aos outros três, conforme ilustrado na figura 24. Os cenários HadGEM-RCP2p6 e HadGEM-RCP8p5 apresentam um aumento de área maior na região sul do Mato Grosso do Sul no bioma Cerrado (figura 35). O aumento de área projetado para o cenário DD-RCP4p5 acontece TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 85 3138 no extremo sul do bioma Amazônia, mais concentrado na região norte do estado de Mato Grosso, no bioma Cerrado, na região sul do Mato Grosso do Sul, e no sul dos estados Mato Grosso e Goiás. No bioma Mata Atlântica, o aumento de área de milho para o cenário DD-RCP4p5 ocorre nos estados Paraná e São Paulo, conforme ilustrado pela figura 35. GRÁFICO 24 Projeções de área e produção de milho de acordo com os cinco cenários para 2050 24A – Área de milho (Mha) 24B – Produção de milho (Mt) Elaboração dos autores. FIGURA 35 Área de milho em 2050 nos cinco cenários climáticos (Em Mha/pixel) 35A – HadGEM-RCP2p6 35B – HadGEM-RCP8p5 TEXTO para DISCUSSÃO 86 3138 35C – Miroc-RCP2p6 35D – Miroc-RCP8p5 35E – DD-RCP4p5 Elaboração dos autores. Obs.: A barra de cores está em milhares de hectares por pixel. As projeções de área de cana-de-açúcar são maiores no cenário DD-RCP4p5, onde o aumento da área varia entre 72% e 95% em relação aos outros quatros cenários (gráfico 25A). As oscilações das projeções da produção nos diversos cenários são muito pequenas (gráfico 25B), variando entre 1% e 5%. Em todos os cenários, a maior área de cana-de-açúcar ocorre mais intensamente no noroeste do estado de São Paulo, no bioma Mata Atlântica (figura 36). Este aumento se intensifica visivelmente no cenário DD-RCP4p5 (figura 36E), que também apresenta acréscimo na projeção de área na TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 87 3138 região central do Mato Grosso (bioma Amazônia), e é observado nos cenários que usam o GCM HadGEM (figuras 36A e 36B). GRÁFICO 25 Área e produção de cana-de-açúcar nos cinco cenários para 2050 25A – Área de cana-de-açúcar (Mha) 25B – Produção de cana-de-açúcar (Mt) Elaboração dos autores. FIGURA 36 Área de cana-de-açúcar nos cinco cenários climáticos (Em Mha/pixel) 36A – HadGEM-RCP2p6 36B – HadGEM-RCP8p5 TEXTO para DISCUSSÃO 88 3138 36C – Miroc-RCP2p6 36D – Miroc-RCP8p5 36E – DD-RCP4p5 Elaboração dos autores. O gráfico 26 ilustra um aumento de produção de carne bovina no cenário DD-RCP4p5 em relação aos demais, variando entre 20% e 29%. Na análise da figura 37, observa-se que este aumento da produção no cenário DD-RCP4p5 pode ser verificado no arco do desmatamento (no Pará e no norte de Mato Grosso). A elevação de produção de carne bovina pode ser a responsável por este desmatamento. Nota-se também um aumento significativo nos estados Maranhão e Tocantins, onde a produção no cenário DD-RCP4p5 é bem menor que nos outros cenários. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 95 3138 LIU, Y. Y. et al. Recent reversal in loss of global terrestrial biomass. Nature Climate Change, v. 5, n. 5, p. 470-474, Mar. 2015. MANZATTO, C. V. et al. Zoneamento agroecológico da cana-de-açúcar: expandir a produção, preservar a vida, garantir o futuro. Rio de Janeiro: Embrapa Solos, 2009. MASUI, T. et al. An emission pathway for stabilization at 6 Wm−2 radiative forcing. Climatic Change, v. 109, n. 1, p. 59, Aug. 2011. Disponível em: https://doi.org/10.1007/ s10584-011-0150-5. MUHAMMAD, A. et al. International evidence on food consumption patterns: an update using 2005 international comparison program data. USDA-ERS Technical Bulletin, n. 1929, 2011. NOTENBAERT, A. M. O. et al. Classifying livestock production systems for targeting agricultural research and development in a rapidly changing world. Nairobi: ILRI, 2009. (Discussion Paper, n. 19). O’NEILL, B. C. et al. A new scenario framework for climate change research: the concept of shared socioeconomic pathways. Climate Change, v. 122, n. 3, p. 387-400, 2014. O’NEILL, B. C. et al. The roads ahead: narratives for shared socioeconomic pathways describing world futures in the 21st century. Global Environmental Change, v. 42, p. 169-180, Jan. 2017. Disponível em: https://doi.org/10.1016/j.gloenvcha.2015.01.004. RAMANKUTTY, N. et al. Challenges to estimating carbon emissions from tropical deforestation. Global Change Biology, v. 13, n. 1, p. 51-66, 2007. RIAHI, K. et al. RCP 8.5 – A scenario of comparatively high greenhouse gas emissions. Climatic Change, v. 109, n. 1, p. 33, Aug. 2011. Disponível em: https://doi.org/10.1007/ s10584-011-0149-y. RIAHI, K. et al. The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: an overview. Global Environmental Change, v. 42, p. 153-168, Jan. 2017. Disponível em: https://doi.org/10.1016/j.gloenvcha.2016.05.009. SCHLENKER, W.; ROBERTS, M. J. Nonlinear temperature effects indicate severe damages to US crop yields under climate change. Proceedings of the National Academy of Sciences, v. 106, n. 37, p. 15594-15598, 2009. SKALSKỲ, R. et al. Geo-bene global database for bio-physical modeling v. 1.0 (concepts, methodologies and data). [s.l.]: European Commission, 2008. SOARES-FILHO, B. S. et al. Modelling conservation in the Amazon basin. Nature, v. 440, n. 7083, p. 520-523, Mar. 2006. Disponível em: https://doi.org/10.1038/nature04389. TEXTO para DISCUSSÃO 96 3138 SOTERRONI, A. C. et al. Future environmental and agricultural impacts of Brazil’s Forest Code. Environmental Research Letters, v. 13, n. 7, p. 074021, July 2018. Disponível em: https://doi.org/10.1088/1748-9326/aaccbb. SOTERRONI, A. C. et al. Expanding the Soy Moratorium to Brazil’s Cerrado. Science Advances, v. 5, n. 7, p. eaav7336, July 2019. Disponível em: https://doi.org/10.1126/ sciadv.aav7336. SOUZA, C. M. et al. Reconstructing three decades of land use and land cover changes in Brazilian biomes with Landsat archive and Earth Engine. Remote Sensing, v. 12, n. 17, 2020. Disponível em: https://doi.org/10.3390/rs12172735. SPAROVEK, G. et al. The revision of the Brazilian Forest Act: increased deforestation or a historic step towards balancing agricultural development and nature conservation? Environmental Science & Policy, v. 16, p. 65-72, Feb. 2012. Disponível em: https:// doi.org/10.1016/j.envsci.2011.10.008. SPERA, S. A. et al. Recent cropping frequency, expansion, and abandonment in Mato Grosso, Brazil had selective land characteristics. Environmental Research Letters, v. 9, n. 6, p. 064010, 2014. STEINFELD, H. et al. Livestock production systems in developing countries: status, drivers, trends. Revue Scientifique et Technique, v. 25, n. 2, p. 505-516, 2006. STOCKER, T. F. et al. (Ed.). Climate Change 2013: the physical science basis. Cambridge, United Kingdom; New York: Cambridge University Press, 2013. TAYLOR, K. E.; STOUFFER, R. J.; MEEHL, G. A. An overview of CMIP5 and the experiment design. Bulletin of the American Meteorological Society, v. 93, n. 4, p. 485-498, 2012. THOMSON, A. M. et al. RCP4.5: a pathway for stabilization of radiative forcing by 2100. Climatic Change, v. 109, n. 1, p. 77, July 2011. Disponível em: https://doi.org/10.1007/ s10584-011-0151-4. VUUREN, D. P. van et al. RCP2.6: exploring the possibility to keep global mean temperature increase below 2°C. Climatic Change, v. 109, n. 1, p. 95-116, Aug. 2011. Disponível em: https://doi.org/10.1007/s10584-011-0152-3. VUUREN, D. P. van et al. Energy, land-use and greenhouse gas emissions trajectories under a green growth paradigm. Global Environmental Change, v. 42, p. 237-250, Jan. 2017. Disponível em: https://doi.org/10.1016/j.gloenvcha.2016.05.008. WATANABE, S. et al. MIROC-ESM 2010: model description and basic results of CMIP520c3m experiments. Geoscientific Model Development, v. 4, n. 4, p. 845-872, 2011. Disponível em: https://doi.org/10.5194/gmd-4-845-2011. TEXTO para DISCUSSÃO TEXTO para DISCUSSÃO 97 3138 WILLIAMS, J. The EPIC model. In: SINGH, V. P. (Ed.). Computer models of watershed hydrology. Highlands Ranch: Water Resources Publications, 1995. p. 909-1000. XAVIER, A. C; KING, C. W; SCANLON, B. R. Daily gridded meteorological variables in Brazil (1980-2013). International Journal of Climatology, v. 36, n. 6, p. 2644-2659, May 2016. Disponível em: https://doi.org/10.1002/joc.4518. ZILLI, M. et al. The impact of climate change on Brazil’s agriculture. Science of The Total Environment, v. 740, p. 139384, Oct. 2020. Disponível em: https://doi.org/10.1016/j. scitotenv.2020.139384. Ipea – Instituto de Pesquisa Econômica Aplicada EDITORIAL Coordenação Aeromilson Trajano de Mesquita Assistentes da Coordenação Rafael Augusto Ferreira Cardoso Samuel Elias de Souza Supervisão Aline Cristine Torres da Silva Martins Revisão Bruna Oliveira Ranquine da Rocha Carlos Eduardo Gonçalves de Melo Crislayne Andrade de Araújo Elaine Oliveira Couto Luciana Bastos Dias Vivian Barros Volotão Santos Luíza Cardoso Mendes Velasco (estagiária) Editoração Aline Cristine Torres da Silva Martins Camila Guimarães Simas Leonardo Simão Lago Alvite Mayara Barros da Mota Capa Aline Cristine Torres da Silva Martins Projeto Gráfico Aline Cristine Torres da Silva Martins The manuscripts in languages other than Portuguese published herein have not been proofread. Acesse nossas publicações Acompanhe nossas redes sociais Composto em roboto regular 10/12 (texto) Roboto regular, bold, black 12/14 (títulos) Roboto regular 10 (gráficos e tabelas) Rio de Janeiro-RJ Missão do Ipea Aprimorar as políticas públicas essenciais ao desenvolvimento brasileiro por meio da produção e disseminação de conhecimentos e da assessoria ao Estado nas suas decisões estratégicas. Missão do Ipea Qualificar a tomada de decisão do Estado e o debate público.