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).
O processo de simulação é dividido em três etapas fundamentais integradas no pacote:
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:
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:
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.
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):
\[DMF_{diaria} = \sum_{h=0}^{23} MF_h\]
agriclimrO pacote oferece funções modulares e funções de alto nível para
processamento direto de tabelas de dados (data.frame ou
tibble).
Para compreender o funcionamento interno, podemos testar as funções básicas de estimativa horária para um único dia:
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
#> [1] 15.48827 14.90347 14.41671 14.01155 13.67432 13.39362 13.15999 12.96552
#> [9] 12.80365 13.39782 15.10608 16.75904 18.32727 19.78285 21.09987 22.25487
#> [17] 23.22730 23.99984 22.62528 21.01162 19.66849 18.55053 17.61999 16.84546
# 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
#> [1] 96.82462 100.00000 100.00000 100.00000 100.00000 100.00000 100.00000
#> [8] 100.00000 100.00000 100.00000 99.23086 89.28305 80.87074 73.85334
#> [15] 68.09016 63.45034 59.81901 57.10071 62.03861 68.46008 74.37916
#> [22] 79.74727 84.54910 88.79467
# 3. Determinar o vetor binário de molhamento foliar (Limiar de 85%)
molhamento_h <- estimate_lwd_rh(ur_h, threshold = 85)
molhamento_h
#> [1] 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1
# Soma do molhamento foliar diário
sum(molhamento_h)
#> [1] 13Na rotina operacional, você utilizará a função principal
daily_to_hourly_lwd(), que realiza toda a esteira de
desagregação interna e retorna um conjunto estruturado.
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)
#> # A tibble: 12 × 5
#> datetime temperature_hourly rh_hourly leaf_wetness_hourly
#> <dttm> <dbl> <dbl> <dbl>
#> 1 2026-06-01 00:00:00 14.7 92.8 1
#> 2 2026-06-01 01:00:00 14.2 95.5 1
#> 3 2026-06-01 02:00:00 13.9 97.9 1
#> 4 2026-06-01 03:00:00 13.5 99.9 1
#> 5 2026-06-01 04:00:00 13.3 100 1
#> 6 2026-06-01 05:00:00 13.1 100 1
#> 7 2026-06-01 06:00:00 12.9 100 1
#> 8 2026-06-01 07:00:00 12.7 100 1
#> 9 2026-06-01 08:00:00 12.6 100 1
#> 10 2026-06-01 09:00:00 13.1 100 1
#> 11 2026-06-01 10:00:00 14.4 94.6 1
#> 12 2026-06-01 11:00:00 15.7 87.2 1
#> # ℹ 1 more variable: lwd_daily_sum <dbl>