O objetivo deste estudo foi testar modelos empíricos de regressão linear, para a predição do acúmulo de matéria seca (TAMS) de Urochloa brizantha cv. Marandu, em função de variáveis agrometeorológicas. Para gerar os modelos, foi utilizada a taxa média de acúmulo de matéria seca, em condições de sequeiro, entre 1998 e 2002. As variáveis avaliadas foram: temperaturas mínima, máxima e média, radiação global (Rg), graus-dia, evapotranspiração real (ETR) e potencial (ETP) obtidas a partir do balanço hídrico, unidades fototérmicas (UF) e índice climático de crescimento (ICC). As regressões univariada e multivariada mostraram boa capacidade de predição, com exceção para as que utilizam a UF. Os melhores resultados foram para a regressão multivariada, com Tmín, Rg e ETR: R², 0,84; raiz do quadrado médio do resíduo (RQMR), 14,72; e critério de informação de Akaike (CIA), 222,5. Na regressão linear univariada, destacaram-se as variáveis: graus-dia corrigido (R², 0,75; RQMR,17,84; e CIA, 242,6), temperatura mínima corrigida (R², 0,75; RQMR, 17,82; CIA, 244,1), e ICC (R², 0,74; RQMR, 17,85; CIA, 236,9). A correção das variáveis agrometeorológicas pela relação entre evapotranspiração real e potencial (ETR/ETP), em geral, melhora a predição da TAMS pelos modelos.
The objective of this work was to test empirical linear regression models, to predict dry matter accumulation rates (DMAR) of Urochloa brizantha cv. Marandu, using agrometeorological variables. To generate the models, the average dry matter accumulation under rainfed conditions, between 1998 and 2002, was used. The evaluated variables were: minimum, maximum and average temperatures, global radiation (GR), degree-days, actual (AET) and potential evapotranspiration (PET) obtained from the water balance, photothermal units (PU) and the climatic growth index (CGI). Except for the PU, the univariate and multivariate regressions showed good predictive ability. The best results were for the multivariate regression, with Tmín, GR and AET: R², 0.84; root mean square residual (RMSR), 14.72; and Akaike's information criterium (AIC), 222.5. In the univariate regression, the following variables stood out: corrected degree-days (R², 0.75; RMSR, 17.84; CIA, 242.6), corrected minimum temperature (R², 0.75; RMSR, 17.82; AIC, 244.1); and CGI (R², 0.74; RMSR, 17.85; AIC, 236.9). The correction of the agrometeorological variables using the relation between real and potential evapotranspiration (AET/PET) enhances, in general, the model prediction of DMAR.