|
Uso de Modelos de Simulación de Cultivos como
Herramienta para la toma de Decisiones en el Cultivo de Soja |
Autores: Santiago
Meira y Edgardo Guevara
E.E.A. Pergamino. C.C. 31 – INTA - 2700 Pergamino (Bs As)
TE (02477) 431 250 Fax (2477) 432 553
Introducción
Los modelos de
simulación de cultivos tiene varias aplicaciones actuales y potenciales en
respuesta a temas relacionados con investigación, manejo de cultivos y
planificación. Los modelos pueden ayudar a la comprensión de las interacciones
genético-fisológico-ambientales, con una integración interdisciplinaria.
Permiten definir estrategias de producción en la etapa de planificación de un
cultivo futuro o bien ayudar a tomar decisiones tácticas durante el ciclo del
cultivo tales como : prácticas culturales, fertilización, irrigación y uso de
pesticidas.
Como herramienta de
planificación permiten cuantificar a través de la predicción el impacto de
los procesos de erosión, contaminación por agroquímicos, distintas
estrategias ante el cambio climático y el pronóstico de rendimiento a nivel
regional (Boote et al, 1996).
Los modelos de cultivo
son útiles para optimizar prácticas de manejo tales como, época de siembra,
espaciamiento, cultivares y uso del agua, en zonas de producción donde el
insumo agua es limitante, es importante conocer la demanda de agua por los
cultivos para la planificación del riego.
Modificando la escala de
espacio y tiempo los modelos nos permiten abordar fenómenos climáticos como el
ENSO ( El Niño Oscilación del Sur) analizando en forma interactiva el impacto
de la variabilidad climática y las decisiones de manejo sobre la productividad
de los cultivos, resultado difícil de obtener a partir de análisis
estadísticos clásicos o experimentos agronómicos tradicionales (Royce et al,
1998).
Por otra parte estos
modelos tiene una gran potencialidad como herramienta para evaluar factores
genéticos que determinan la acumulación y ubicación de la materia seca
producida, para distintos ambientes y para diferentes prácticas de manejo;
permitiendo entonces evaluar características genéticas para incrementar el
rendimiento potencial mediante, por ejemplo, una mejora en: fotosíntesis,
partición de los asimilados, removilización desde las partes vegetativas y
mayor duración del período de llenado del grano (Boote and Tollenaar, 1994).
A nivel regional o
zonal, el uso de la rutina de estrategias de los modelos de simulación permite
conocer las limitaciones al rendimiento a partir de la integración de una serie
climática histórica de datos diarios con la caracterización edáfica y
entonces definir manejo para cada una de las áreas resultantes de manera de
minimizar la variabilidad interanual y espacial del rendimiento.
En esta presentación se
muestra el programa "SUR 98, Sistema de Análisis para la toma de
decisiones" (Meira et al. 1999), desarrollado en INTA Pergamino como
aplicación de la rutina de estrategias productivas contenida en el modelo
SOYGRO.
Materiales y Métodos
El programa SUR 98 fue
desarrollado en Visual BasicV5.0 (Microsoft, 1997) y Visual Fortran V5.0
(Digital Visual Fortran). Se utilizó bajo un ambiente Windows conectado con los
modelos de simulación de cultivos incluídos en DSSAT V3.5 (Decision Support
System for Agrotechnology Transfer, 1998).
Actualmente el progama
SUR 98 permite utilizar módulos específicos para los cultivos de trigo, maíz,
soja y girasol. Los datos de entrada son los mismos utilizados por los modelos
de DSSAT para simular las diferentes estrategias productivas. Las
características de suelo y clima pueden utilizarse tanto a escala regional como
a escala de campo.
Los coeficientes
genéticos para los cultivos fueron medidos y ajustados previamente en
experimentaciones realizadas en diferentes estaciones experimentales del INTA,
dentro de la principal región de producción para cereales y oleaginosas
(Guevara et al, 1998, 1999). En el caso de soja se incluyeron cultivares de los
Grupos de Madurez (GM) IV, V, VI y VII, en cuatro épocas de siembra para cada
sitio (Meira et al, 1999).
SUR 98 muestra en tiempo
real los resultados de una estrategia para un factor ambiental y/o productivo en
particular, tomando una serie climática historica de datos diarios (temperatura
máxima, mínima, radiación y precipitación). Las salidas se muestran en tres
gráficos: valores medios mínimos y máximos, variabilidad interanual y
probabilidad acumulada para: rendimiento, floración, madurez fisiológica,
precipitaciones durante el ciclo y, en caso de utilizar la técnica de
irrigación, la lámina total de riego aplicado en milímetros.
Resultados
La variabilidad
climática interanual de la región pampeana tiene un fuerte impacto en la
producción de los cultivos, lo que determina una incertidumbre en la respuesta
entre años a los principales factores de manejo; principalmente con aquellos
intimamente ligados a aspectos edafo-climáticos como época de siembra,
densidad de plantas, respuesta a la fertilización y disponibilidad hídrica
durante el ciclo de cultivo, principalmente en el período crítico.
En la figura 1 se
observan los tres gráficos de salida del programa SUR 98, para una estrategia
productiva donde simulamos el rendimiento para cuatro niveles de agua útil a la
siembra (40%, 60%, 80% y 100%) durante 30 años climáticos; para un suelo
Argiudol típico, serie Pergamino, con un nivel de nitrógeno inorgánico a la
siembra de 102 kg ha-1, utilizando el cultivar DM 48 (GM IV), sembrado el 25 de
octubre, con 25 plantas por m-2, en condiciones de secano.
En la figura 1 (a) se
muestra el valor promedio de rendimiento para la serie climatica analizada como
así tambien los rendimientos extremos (máximo y mínimo), para cada uno de los
niveles de agua útil a la siembra (40%,60%, 80% y 100%). En la figura 1 (b) se
observa el impacto de distintos niveles de disponibilidad hídrica a la siembra
para las campañas ágricolas entre 1967/1997.
En la figura 1 (c), los
valores de rendimientos estan representados en termino de probabilidad acumulada
y permite dos tipos de análisis: por un lado podemos definir un objetivo de
rendimiento y calcular la probabilidad de alcanzarlo dentro de la serie
climática analizada; por otra parte, se puede definir un porcentaje de riesgo,
por ejemplo 30%, entrar por el eje de probabilidad acumulada, entonces 70% y
definir cual es el rendimiento mínimo, máximo y la variabilidad, tanto para la
posibilidad de exito (hacia la derecha) o la magnitud del riesgo (hacia la
izquierda).
En las figuras 1 (b) y 1
(c) permiten evaluar para este ejemplo, el riesgo climático de un factor
ambiental para una estrategia productiva determinada y mediante combinaciones
posteriores de otros factores productivos, en función de las condiciones
iniciales, se pueden definir una o más estrategias con el objetivo de disminuir
la variabilidad interanual.
Fig 1: Rendimiento en
función de distintos niveles de Agua Util Inicial ( AUi ). (a) valores
promedio, mínimos y máximos; (b)
variabilidad interanual y (c) Probabilidades acumuladas.
 |
|
(a) |
 |
|
(b) |
 |
|
(c) |
Ademas de rendimiento,
se pueden analizar de igual forma variables tales como: el ciclo de cultivo a
floración y madurez fisiologica (en días), las precipitaciones durante el
ciclo del cultivo y mm de riego aplicado en el caso de utilizar estrategias de
riego para el cultivo de soja.
Fig 2: Variabilidad
interanual (a) Rendimiento de soja en secano y con riego, (b) Lámina total de
riego aplicada. Para una serie climática histórica desde 1967
a 1997, en Pergamino.
 |
|
(a) |
 |
|
(b) |
En la figura 2 (a),
observamos la variabilidad interanual del rendimiento para la misma serie
historica en condiciones de riego y secano, con un nivel de de 60% de agua útil
máxima a la siembra y un nivel de nitrogeno inicial de 102 kg ha-1 a la
siembra. Si asumimos que no hubo interferencias por malezas, plagas ni
enfermedades, se observa una variabilidad importante en el rendimiento entre
años, expresada, aunque en menor grado tambien para el cultivo regado, lo que
indica que, sin limatación hídrica, existe una variabilidad en temperatura y
radiación
En la figura 2 (b), se
observan las necesidades de riego del cultivo para cada campaña, esto nos
permite planificar las necesidades máximas, mínimas y medias de un cultivo de
soja regado para la zona de Pergamino.
Otro aspecto importante
a considerar es la variabilidad de los eventos fenologicos de cada cultivar, en
el ejemplo de la figura 3, se observa la variabilidad de la madurez fisiologica
del cultivar DM 48, para cuatro fechas de siembra (20/X, 15/XI, 10/XII y30/XII)
para la serie climática 1967/97, estos resultados nos permiten planificar los
aspectos relacionados a la cosecha, como asi tambien, en el caso de floración,
la planificación de las necesidade de riego en función del periodo critico.
Fig 3: Variación
interanual de la duración del ciclo de soja a Madurez Fidiológica, para un
cultivar del GM IV, y para cuatro fechas
de siembra.
Conclusiones
Los modelos de
simulación son especialmente útiles en ambientes que presentan una gran
variabilidad climática, permitiendo en terminos de probabilidades determinar el
riesgo de una práctica tecnologica, en una serie climática historica.
Permiten evaluar la
factibilidad de producción de un cultivo en zonas donde se carece de
información previa, combinando cultivares o GM con epocas de siembra y
determinar el grado de exito del cultivo en una serie climatica.
Aunque el programa SUR
98 no contempla el efecto de las enfermedades, plagas y malezas, es una
herramienta útil para analizar las relaciones de genotipo- ambiente para
distintas regiones ecológicas, fundamentalmente relacionando aspectos de manejo
con clima y suelo.
Esta herramienta permite
tambien conocer el comportamiento de un nuevo cultivar, para distintos
ambientes, en función de la información de suelo y de una serie climática
histórica
Referencias
Boote K.J. and M.
Tollenaar. 1994. Modeling
genetic yield potential. pp 533-565 In: Boote K.J., J.M. Bennett, T.R.
Sinclair and G.M. Paulsen (eds) Phisiology and determionation of crop yield.
American Society of Agronomy. Madison, Wisconsin,USA.
Boote K.J, J.W. Jones
and N.B. Pickering. 1996.
Potential uses and limitations of crop models. Agr. J. 98:704-716.
Digital Visual Fortran,
V.5.0. 1997.
DSSAT 3.5.
1998. Decision Support System for Agrotechnology Transfer. 1998. IBSNAT.
International Benchmark Sites Network for Agrotechnology Transfer. Hawaii, USA.
Guevara E, S. Meira, M.
Maturano and G.Coca.1999. Maize
simulation for different environments of Argentina. International Symposium on
Modelling Cropping System. 20-23 Junio. Lleida, Spain
Guevara E, S. Meira, A.
Peper and C. Hernandorena.1998.
Yield Prediction of Five Maize Hybrids Using CERES-Maize Model in The Corn Belt
of Argentina. 28th Annual Crop Simulation Workshop. 5 – 8 Abril,
Beltsville, Maryland U.S.A.
Meira S, E. Guevara and
C. Hernandorena.1999. SUR 98,
Decision Tool for the Main crops in Argentina. Global Soy Forum. 4-7 agosto,
Chicago USA
Meira S, H. Baigorri, E.
Guevara and M.Maturano.1999.
Calibration of soybean cultivars for the SOYGRO model in two environments of
Argentina. Global Soy Forum. 4-7 agosto, Chicago USA
Microsoft Visual Basic V
5.0, 1997. Microsoft Corporation
Royce F, S. Meira y E.
Guevara. 1998. Optimización de
manejo de frijol soja y maíz utilizando modelos de simulación e información
de las fases ENSO en Pergamino, Argentina. XI Seminario Científico del
Instituto Nacional de Ciencias Agrícolas. Noviembre de 1998. San José de las
Lajas, La Habana, Cuba.
Vea este y otros trabajos en el sitio
oficial de INPOFOS
Cono Sur.
Biblioteca
| 
