RESUMO O Brasil é o quarto maior produtor mundial de mandioca, tendo as condições climáticas como principais fatores na regulação de sua produção. Objetivou-se desenvolver modelos agrometeorológicos para estimar a produtividade de mandioca doce para o estado de São Paulo, bem como identificar quais variáveis climáticas exercem maior influência sobre a produtividade. Os modelos foram construídos com regressão linear múltipla e classificados pelos seguintes índices estatísticos: menor erro percentual absoluto médio, maior coeficiente de determinação ajustado e significância (p-valor < 0.05). Identificou-se que a temperatura média do ar tem grande influência no rendimento da mandioca durante todo o ciclo, para todas as regiões do estado. O déficit hídrico e o armazenamento de água no solo foram as variáveis mais influentes nos estágios inicial e final. A precisão dos modelos variou em 3,11 %, 6,40 %, 6,77 % e 7,15 %, respectivamente para Registro, Mogi Mirim, Assis e Jaboticabal.

ABSTRACT Brazil is the fourth largest producer of cassava in the world, with climate conditions being the main factor regulating its production. This study aimed to develop agrometeorological models to estimate the sweet cassava yield for the São Paulo state, as well as to identify which climatic variables have more influence on yield. The models were built with multiple linear regression and classified by the following statistical indexes: lower mean absolute percentage error, higher adjusted determination coefficient and significance (p-value < 0.05). It was observed that the mean air temperature has a great influence on the sweet cassava yield during the whole cycle for all regions in the state. Water deficit and soil water storage were the most influential variables at the beginning and final stages. The models accuracy ranged in 3.11 %, 6.40 %, 6.77 % and 7.15 %, respectively for Registro, Mogi Mirim, Assis and Jaboticabal.

RESUMO Previsão é o ato de estimar a partir de dados atuais um acontecimento futuro. Os dados meteorológicos decendiais utilizados para modelagem foram: temperatura média do ar, precipitação e componentes de balanço hídrico como deficiência (DEF), excedentes (EXC) hídricos e armazenamento de água no solo (SWS). Dados meteorológicos e de produtividade entre 1990-2004 foram utilizados para calibração e 2005-2010 para teste. Primeiramente foi realizada a seleção de variáveis por meio de análise de correlação, evidenciando quais decêndios e quais variáveis climáticas, influenciam mais diretamente a produtividade. Com as variáveis escolhidas, foram construídos modelos com regressão linear múltipla utilizando processo "stepwise backwards". Dentre todos os modelos analisados, destaca-se: Produtividade = - 4,964 x [SWS do 2° DEC de dezembro do ano anterior (OPY)] - 1,123 x [SWS do 2° DEC de novembro OPY] + 0,949 x [EXC do 1° DEC de fevereiro do ano produtivo] + 2,5 x [SWS do 2° DEC de fevereiro OPY] + 19,125 x [EXC do 1° DEC de maio OPY] - 3,113 x [EXC do 3° DEC de janeiro OPY] + 1,469 x [EXC do 3° DEC de janeiro do ano produtivo] + 3920,526, com MAPE = 5,22%, R2 = 0,58 e RMSEs = 111,03 kg ha-1.

ABSTRACT Forecast is the act of estimating a future event based on current data. Ten-day period (TDP) meteorological data were used for modeling: mean air temperature, precipitation and water balance components (water deficit (DEF) and surplus (EXC) and soil water storage (SWS)). Meteorological and yield data from 1990-2004 were used for calibration, and 2005-2010 were used for testing. First step was the selection of variables via correlation analysis to determine which TDP and climatic variables have more influence on the crop yield. The selected variables were used to construct models by multiple linear regression, using a stepwise backwards process. Among all analyzed models, the following was notable: Yield = - 4.964 x [SWS of 2° TDP of December of the previous year (OPY)] - 1.123 x [SWS of 2° TDP of November OPY] + 0.949 x [EXC of 1° TDP of February of the productive year (PY)] + 2.5 x [SWS of 2° TDP of February OPY] + 19.125 x [EXC of 1° TDP of May OPY] - 3.113 x [EXC of 3° TDP of January OPY] + 1.469 x [EXC of 3 TDP of January of PY] + 3920.526, with MAPE = 5.22%, R2 = 0.58 and RMSEs = 111.03 kg ha-1.