---
title: "Modelagem do Molhamento Foliar a partir de Dados Diários"
output: rmarkdown::html_vignette
vignette: >
  %\VignetteIndexEntry{Modelagem do Molhamento Foliar a partir de Dados Diários}
  %\VignetteEncoding{UTF-8}
  %\VignetteEngine{knitr::rmarkdown}
editor_options: 
  chunk_output_type: console
---

```{r, include = FALSE}
knitr::opts_chunk$set(
  collapse = TRUE,
  comment = "#>"
)
```

## Introdução

A Duração do Molhamento Foliar (DMF, ou *Leaf Wetness Duration* - LWD) representa o período diário em que água livre está presente na superfície da vegetação. Esta é uma variável agrometeorológica fundamental para prever o risco de infecções causadas por fungos fitopatogênicos, como o míldio e o oídio.

Embora os modelos epidemiológicos operem majoritariamente em escala horária, registros históricos e projeções de mudanças climáticas para o século XXI costumam disponibilizar apenas dados meteorológicos em resolução diária. O pacote `agriclimr` implementa uma cadeia metodológica robusta para contornar essa limitação, permitindo reconstruir perfis horários de temperatura e umidade relativa a partir de extremos diários para estimar a DMF diária.

A metodologia aqui descrita é baseada no trabalho de **Zito et al. (2020)** (*Optimization of a leaf wetness duration model*, Agricultural and Forest Meteorology).

---

## Estrutura de Fluxo do Modelo

O processo de simulação é dividido em três etapas fundamentais integradas no pacote:

1. **Reconstrução da Temperatura Horária:** Utilização do modelo seno-exponencial de Wann et al. (1985).
2. **Estimativa da Umidade Relativa Horária:** Dedução com base na premissa de pressão de vapor atual constante ao longo do dia.
3. **Determinação do Molhamento Foliar Horário e Diário:** Aplicação de um limiar empírico de umidade relativa (Sentelhas et al., 2008).

---

## Fundamentação Matemática

### Etapa 1: Modelo Seno-Exponencial de Temperatura

O ciclo diário de temperatura é reconstruído em duas fases (diurna e noturna) utilizando as equações baseadas em parâmetros astronômicos (fotoperíodo, nascer e pôr do sol):

**A. Fase Diurna:** Entre o momento da temperatura mínima ($t_n$, logo após o nascer do sol) e o pôr do sol ($t_s$):

$$T(t) = T_{min} + (T_{max} - T_{min}) \cdot \sin\left[\frac{\pi \cdot (t - t_n)}{dl - \beta + \alpha}\right]$$

Onde:

* $T_{min}$ e $T_{max}$: Temperatura mínima e máxima do dia atual.
* $dl$: Duração do dia (fotoperíodo em horas), calculada a partir da latitude e declinação solar.
* $\alpha$: Defasagem entre o meio-dia solar e o horário da temperatura máxima (padrão: $2.75$ h).
* $\beta$: Defasagem entre o nascer do sol e o momento da temperatura mínima (padrão: $1.40$ h).

**B. Fase Noturna:** Entre o pôr do sol ($t_s$) e o nascer do sol do dia seguinte ($t_n'$):

$$T(t) = T_{min\_next} + (T_{sunset} - T_{min\_next}) \cdot \exp\left[\frac{-\gamma \cdot (t - t_s)}{24 - dl + \beta}\right]$$

Onde:

* $T_{min\_next}$: Temperatura mínima do dia seguinte.
* $T_{sunset}$: Temperatura calculada para o momento do pôr do sol ($t_s$).
* $\gamma$: Taxa de resfriamento noturno (padrão: $2.75$).

### Etapa 2: Reconstrução da Umidade Relativa Horária

Assume-se que a pressão atual de vapor d'água ($e_a$) permanece constante ao longo das 24 horas ($e_{ah} = e_{ad}$). A variação da Umidade Relativa horária ($UR_h$) decorre puramente da oscilação da pressão de saturação de vapor ($e^o_{(T)}$), que é função direta da temperatura horária calculada na etapa anterior (Equação de Tetens):

$$e^o_{(T)} = 0.6108 \cdot \exp\left(\frac{17.27 \cdot T}{T + 237.3}\right)$$

Dessa forma, a conversão é dada por:

$$UR_h = 100 \cdot \frac{UR_d \cdot e^o_{(T_d)}}{e^o_{(T_h)}}$$

Onde $UR_d$ é a umidade relativa média diária e $T_d$ é a temperatura média diária.

### Etapa 3: Estimativa do Molhamento Foliar

A Duração do Molhamento Foliar horária assume um caráter binário (0 = seco, 1 = molhado). O molhamento é computado sempre que a $UR_h$ atinge ou ultrapassa um limiar crítico estruturado ($UR_{lim}$):

$$MF_h = \begin{cases} 1, & \text{se } UR_h \ge UR_{lim} \\ 0, & \text{se } UR_h < UR_{lim} \end{cases}$$

O somatório resulta no valor diário total da DMF (0 a 24 horas):

$$DMF_{diaria} = \sum_{h=0}^{23} MF_h$$

---

## Implementação Prática com o `agriclimr`

O pacote oferece funções modulares e funções de alto nível para processamento direto de tabelas de dados (`data.frame` ou `tibble`).

### Exemplo Base: Execução Vetorial Única

Para compreender o funcionamento interno, podemos testar as funções básicas de estimativa horária para um único dia:

```{r}

library(agriclimr)

# Definindo as variáveis meteorológicas de um dia hipotético
t_min <- 12.0
t_max <- 25.0
t_min_next <- 13.0
lat <- -27.3
doy <- 150 # Dia do ano (Junho)

# 1. Reconstruir as 24 horas de temperatura
temperaturas_h <- estimate_hourly_temp(
  t_min = t_min,
  t_max = t_max,
  t_min_next = t_min_next,
  lat = lat,
  doy = doy
)
temperaturas_h

# 2. Reconstruir a Umidade Relativa horária (com média diária de UR = 80%)
ur_h <- estimate_hourly_rh(
  rh_daily = 80,
  t_daily = (t_min + t_max) / 2,
  t_hourly = temperaturas_h
)
ur_h

# 3. Determinar o vetor binário de molhamento foliar (Limiar de 85%)
molhamento_h <- estimate_lwd_rh(ur_h, threshold = 85)
molhamento_h

# Soma do molhamento foliar diário
sum(molhamento_h)

```

### Processamento de Séries Temporais Diárias

Na rotina operacional, você utilizará a função principal `daily_to_hourly_lwd()`, que realiza toda a esteira de desagregação interna e retorna um conjunto estruturado.

```{r}

library(agriclimr)

# Criando uma série de dados diários de exemplo (5 dias contínuos)
dados_diarios <- tibble::tibble(
  data    = as.Date("2026-06-01") + 0:4,
  lat     = rep(-27.3, 5),
  tmin    = c(12.0, 13.5, 11.0, 10.5, 14.0),
  tmax    = c(22.0, 24.5, 21.0, 19.5, 23.0),
  ur_media = c(80, 75, 85, 90, 70)
)

# Aplicando a função automatizada do pacote
resultado_horario <- daily_to_hourly_lwd(
  data = dados_diarios,
  date_col = data,
  t_min_col = tmin,
  t_max_col = tmax,
  rh_daily_col = ur_media,
  lat_col = lat,
  rh_threshold = 85 
)

# Visualizando os primeiros registros estruturados
head(resultado_horario, 12)

```


## Referências Bibliográficas

* **Zito, S., Castel, T., Richard, Y., Rega, M., & Bois, B. (2020).** Optimization of a leaf wetness duration model. *Agricultural and Forest Meteorology*, 291, 108087.
* **Wann, M., Yen, D., & Gold, H. J. (1985).** Evaluation and calibration of three models for daily cycle of air temperature. *Agricultural and Forest Meteorology*, 34(2), 121-128.
* **Sentelhas, P. C., Dalla Marta, A., Orlandini, S., Santos, E. A., Gillespie, T. J., & Gleason, M. L. (2008).** Suitability of relative humidity as an estimator of leaf wetness duration. *Agricultural and Forest Meteorology*, 148(3), 392-400.