Ing. Ph.D. Magalí García Cárdenas
Contexto: Tercer Seminario Regional Agricultura y Cambio Climático: "Nuevas tecnologías en la mitigación y adaptación de la agricultura al cambio climático". Santiago de Chile, 27/09/2012
Más información: http://fao.org/alc/u/2u
Discurso de Abel Martínez, Presidente de la Cámara de Diputados de República ...
Modelización del crecimiento de los cultivos como herramienta para evaluar el manejo del agua para enfrentar los impactos del cambio climático
1. Modelización del crecimiento de los
cultivos como herramienta para evaluar
el manejo del agua para enfrentar los
impactos del cambio climático
MODELO AQUACROP
Ing. Ph.D. Magalí García Cárdenas
2. Modelización de la productividad de
agua?
Modelización de la productividad del agua
Realidad
Model: F(x)
F(x) = (f1(x), f2(x),
4. Modelización de la productividad de agua?
¿Porqué? investigar
Para que?
‘escenarios’
Realidad Productos observados
Muchas realidades adaptadas bajo un
INSUMO
S
clima cambiante: Estrategias de
manejo
Productos
simulados
Model: F(x)
5. Modelización de productividad de agua de los
cultivos
Enfoque 1: Modelos mecanísticos
Especializados y muy poderosos:
- Para investigación fundamental
- Generalmente para trabajo experimental o planta
• requieren una alta experticia para ser usados
• requieren elevada cantidad de datos de entrada
• requieren elevada precisión de los datos de entrada
Enfoque 2: Modelos funcionales
Modelos simples y robustos:
-Para planificación y evaluación BUDGE
T
-Uso a nivel de sistemas de riego y regional
• Más fáciles de usar
• Requieren menos datos FAO-
AQUACRO
5
• Los resultados son menos precisos P
6. En el caso de Aquacrop: Para evitar sobre o sub irrigar~
Función Ks y para reducir el tiempo de experimentación
6 ETc adj = ETo * Kc * KS
Disminución del agua en la zona radicular (mm)
7. Bases del AquaCrop (FAO)
7
evapo- irrigation (I)
rainfall (P)
CO2
transpiration
(ET)
H2O
stored soil water (mm)
field capacity
threshold
wilting point
0.0
capillary (DP)
rise deep
(CR) percolation
Balance hídrico Productividad de
del suelo + agua del cultivo
9. Evapotranspiración de referencia (mm día-1)
Radiación neta en la superficie de referencia (MJ m-2 día-1)
Densidad del flujo del calor del suelo (MJ m-2 día-1)
Temperatura (ºC) media del aire a 2 m. de altitud
Promedio horario de la velocidad del viento (ms-1)
Presión de saturación del vapor (kPa)
Presión de vapor real (kPa)
Déficit de presión de saturación del vapor (kPa)
Pendiente de la curva de presión de saturación de vapor
(kPaºC-1)
-1
10. Transpiración del cultivo
Evapotranspiración de referencia
Coeficiente de
CC = Cobertura del
cultivo
cultivo
EvapoTranspiración = Kc x ETo
= Transpiración potencial : [Kctop CC*] x ETo
+ Evaporación potencial: [Kcbare (1-CC*)] x ETo
10 Sin estrés hídrico
12. Transpiración del cultivo
Medida de las
Cobertura del secciones de la
sombra con una
cultivo regla a medio
día
Cobertura del
cultivo estimado
a simple vista
12
13. evapo- irrigation (I)
transpiration rainfall (P)
Transpiración del cultivo (ET)
stored soil water (mm)
Estrés hídrico
field capacity
threshold
Demanda evaporativa de la atmósfera
wilting point
0.0
capillary (DP)
rise deep
(CR) percolation
Transpiración del cultivo= Kc x ETo x Ks
Kctop x cobertura del cultivo aj. Coeficiente de
estrés
tiempo
13
14. Productividad de agua de la biomasa: WP
3
above-ground biomass (kg/m²)
2
(WP) water
productivity
1
0
14
Sum (Tr) (mm(agua))
15. WP: Demostrada relación conservativa y estable entre la
biomasa y la transpiración del cultivo acumulada
Dividiendo entre la ETo se
normaliza W para eliminar la
P
variabilidad climática
Los cultivos se agrupan en clases
con similar W P
15
Data from Steduto and Albrizio (2005)
16. above-ground biomass (kg/m²) 3
WP*
1
26 – 30 g/m2 para cultivos C4
2
1 WP*
2
10 – 15 g/m2 para cultivos C3
0
0 20 40 60 80 100 120 140 160
Suma (Ta/ETo)
una normalización climática permite extrapolar simulaciones
de crecimiento entre zonas y épocas
16
18. Productividad de agua del cult.: WP
Ventaja en comparación de otros indicadores de eficiencia
• WP es muy constante incluso bajo estreses (agua, salinidad)
• WP se normaliza para el clima disminuyendo la interacción ambiental
• WP muestra diferencias entre grupos de cultivos (C3 & C4)
18
26. Rendimiento de quinua en diferentes
épocas
3,0
Viacha
2,5 Patacamaya
Uyuni
2,0
1,5
m
H
T
a
/
1,0
0,5
0,0
Año Húmedo Año Normal Año Seco Año Húmedo Año Normal Año Seco
AÑO DE REFERENCIA 2050
Ahora AQUACROP incorpora
escenarios A1B, A2, B1 y B2
Datos: Claudia Saavedra
(Bolivia)
26
27. Rendimiento de quinua bajo diferentes
estrategias de manejo
Función de producción de agua del cultivo de quinoa en
Patacamaya (Altiplano Central) bajo a) cultivo a secano y b)
bajo la estrategia de riego deficitario de referencia (RDo) con
indicación de la curva logística (línea sólida) y el intervalo de
confianza del 95%.
27
28. condiciones
Conclusiones
secano riego
Permite evaluar la influencia combinada de la elevación de CO2 y temperatura
en forma realística
Determina el déficit de agua, permitiendo la programación de riego
suplementario.
Permite la evaluación del impacto del calendario de riego de lamina fija o de
intervalos fijos y bajo diferentes métodos de riego.
Lleva a cabo análisis de escenarios climáticos futuros.
Permite analizar estrategias de adaptación bajo condiciones de CC, como ser
manejo de variedades y/o épocas de siembra.
LIMITACIONES
Su evaluación es puntual, no permitiendo análisis geográficos.
No incluye muchos tipos de cultivos.
No incluye módulos de plagas y enfermedades ni de salinidad de suelos.
28
Hinweis der Redaktion
Now again this raised more questions: what is, and why do we use crop water productivity modeling?. Using field work is clear: you test different combinations of drought stress and irrigation for your crop IN REALITY, and you observe and analyze the effect. A model, is part of reality, represented as a combination of mathematical functions. SPAC= soil plant atmosphere continuum
So, that was some explanation about modeling and model calibration and validation. That was the “What”, but the how about the “Why?”. Suppose you want to check NEW situations, so new inputs!! How will the crop respond to situations that did not yet occur in reality in the past? I previously said: let’s solve part of the agricultural water&food problem by deficit irrigation: give guidelines by combining field work with crop water productivity modeling; but then: WHY modeling?
OR: How would the crop react to new management (new reality) under different conditions? Testing them all in reality would be very very time consuming.