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

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.

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.

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.

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

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. 28^th 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