Página 1
Modelización ecológica 322 (2016) 124-137
Listas de contenido disponibles en ScienceDirect
Modelado ecológico
página de inicio de la revista: www.elsevier.com/locate/ecolmodel
Efectos de la optimización automática multiobjetivo de modelos de cultivo en
reproducibilidad del rendimiento de maíz en los EE. UU.
Kenichi Tatsumi ∗
Departamento de Ingeniería Ambiental y Agrícola, Universidad de Agricultura y Tecnología de Tokio, 3-5-8 Saiwai-cho, Fuchu 183-8509,
Tokio, Japón
información del artículo
Historia del artículo:
Recibido el 16 de julio de 2015
Recibido en forma revisada
17 de noviembre de 2015
Aceptado el 17 de noviembre de 2015
On-line el 30 de diciembre de 2015
Palabras clave:
Rendimiento de maíz
ÉPICO
Evolución compleja multiobjetivo
calibración
Fiabilidad
Incertidumbre
resumen
Este estudio presenta un análisis detallado relacionado con la efectividad y eficiencia del multiobjetivo
algoritmo de evolución compleja (MOCOM-UA) sobre la reproducibilidad del rendimiento de maíz para el período 1999-2010
en los Estados Unidos de América. El algoritmo se combinó con la Política Ambiental Integrada
Modelo climático (EPIC) y es capaz de resolver el problema de calibración multiobjetivo para modelos de cultivos.
Comprender cómo se determinan los parámetros del modelo a partir de trabajos de investigación anteriores es especialmente difícil
porque la determinación de los parámetros se realiza generalmente mediante métodos manuales de prueba y error y aún
sigue siendo una caja negra. Las funciones de un solo objetivo son a menudo inadecuadas para medir adecuadamente todas las características.
características de los conjuntos de datos observados y, por lo general, no proporcionan estimaciones de parámetros que se consideran
aceptable. Por el contrario, una optimización multicriterio permitiría el análisis de las compensaciones entre
diferentes criterios, e indicaría mejor las limitaciones de la estructura actual del modelo de cultivo. Por lo tanto,
En este estudio se utilizó un algoritmo multiobjetivo para identificar los parámetros críticos del modelo y obtener
una mejor comprensión de las incertidumbres del modelo. Se realizó el análisis de incertidumbre del modelo
comparando los resultados de la simulación obtenidos utilizando parámetros e insumos iniciales generados aleatoriamente con
los parámetros y entradas calibrados alcanzables. Tres parámetros del modelo (relación biomasa / energía (BE),
índice de cosecha (HI), unidades potenciales de calor (PHU)) y dos insumos (fechas de siembra (PDAY), densidad de siembra
(PDENS)) se optimizaron en una escala de cuadrícula para capturar un patrón espacial y una variación temporal más realistas.
capacidad de rendimiento del maíz. Las conclusiones derivadas de este estudio son: (1) los parámetros críticos necesarios para
reproducir el rendimiento de maíz con EPIC son BE, HI y PHU; (2) el procedimiento de calibración MOCOM-UA es altamente
eficaz para mejorar la concordancia espacial y la variabilidad temporal del rendimiento del maíz y para reducir la
ancho de la banda de incertidumbre; (3) mediante el uso de los conjuntos de parámetros calibrados, los errores de medición de
el rendimiento medio promedio por conjunto se mejora significativamente; (4) la simulación utilizando el modelo EPIC mostró
mejor desempeño en el área principal de maíz con conjuntos de datos de entrada relativamente precisos, pero con un desempeño deficiente
en el área menor de maíz con menor rendimiento y menor proporción de área de maíz. Este estudio destaca las contribuciones proyectadas
ción del procedimiento de optimización multiobjetivo en la identificación de parámetros críticos del modelo en la reducción
el ancho de la banda de incertidumbre, y en la mejora de la concordancia espacial y la variabilidad temporal de
rendimiento de maíz. El trabajo futuro debería centrarse en el efecto de optimizar parámetros más apropiados como
aquellos que afectan la disponibilidad de agua o el estado de fertilidad del suelo en la reproducibilidad del rendimiento de los cultivos.
© 2015 Elsevier BV Todos los derechos reservados.
1. Introducción
Se han desarrollado modelos de crecimiento de cultivos basados ​​en procesos para evaluar
Evaluar el impacto de los cambios climáticos en la producción de alimentos y el clima.
adaptación, y desarrollar estrategias como la gestión de riesgos
de la aplicación de pesticidas y fertilizantes en el marco agrícola-
trabaja. A lo largo de los años, se han desarrollado varios modelos basados ​​en procesos.
∗ Tel .: +81 42 367 5679; fax: +81 42 367 5679.
Dirección de correo electrónico: ktatsumi@cc.tuat.ac.jp
desarrollados que identifican algunos parámetros o entradas que podrían
potencialmente afectar el rendimiento final de la cosecha. Por ejemplo, el modelo APSIM
fue desarrollado para simular los procesos biofísicos en la agricultura
sistemas, utilizando información sobre suelo, cultivos, árboles, pastos y
Valores (Keating et al., 2003 ) . El modelo DAYCENT, que es el
Versión diaria de pasos de tiempo del modelo biogeoquímico CENTURY,
fue desarrollado para simular la respuesta a largo plazo de los ecosistemas a
cambios en el clima, factores ambientales, uso de la tierra y agricultura
prácticas de manejo ( Parton y Rasmussen, 1994; Parton et al.,
1998 ) . El modelo EPIC se desarrolló principalmente para evaluar el efecto de
la erosión del suelo sobre la productividad en la gestión agrícola (Sharpley
http://dx.doi.org/10.1016/j.ecolmodel.2015.11.006
0304-3800 / © 2015 Elsevier BV Todos los derechos reservados.
Página 2
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
125
y Williams, 1990 ) . El modelo DSSAT se ha utilizado para evaluar cultivos
desempeño del crecimiento en respuesta a cambios en las condiciones ambientales
diciones y prácticas agrícolas (Keating et al., 2003 ). Tatsumi y col.
(2011) d eveloped el modelo iGAEZ basado en un modelo anterior desa-
realizado por Fischer et al. (2002) para simular el rendimiento de los cultivos a nivel mundial
escala. Sin embargo, a pesar de la preponderancia de tales sistemas modelo,
utilizando cualquiera de estos modelos existentes para la evaluación y detección
del rendimiento de los cultivos plantea varias limitaciones. Diferentes modelos conducen a diferentes
resultados diferentes incluso cuando se usa la misma entrada y se fuerzan conjuntos de datos
debido a las diferencias en la estructura del modelo. además, el
ajuste de los parámetros del modelo y las entradas con respecto a factores como
El clima, el suelo, los fertilizantes, los cultivos y la operación del campo influirán en
resultados y aumentar o disminuir las incertidumbres del modelo. Esta fuente
de variabilidad se conoce como incertidumbre de parámetro e entrada. los
incertidumbres asociadas con los modelos de cultivos actuales bajo una amplia
La gama de parámetros e insumos del modelo sigue siendo en gran medida no cuantificable.
fied ( Li et al., 2014 ) . Por lo tanto, un conocimiento suficiente sobre estos
Las incertidumbres pueden proporcionar información valiosa para considerar durante
desarrollo de modelos y proponer nuevas estrategias para
agricultura.
Un enfoque común para determinar los parámetros del modelo de cultivo
como el índice de cosecha (HI), la relación biomasa / energía (BE) y
unidades de calor potenciales (PHU) que afectarían la productividad del maíz o
fenología para la simulación de cultivos a gran escala es utilizar un ensayo manual
y calibración de errores que se basa en conjuntos de datos de entrada del modelo de
rango representativo de espacio de parámetros y asumir que un determinado
el área es homogénea. Sin embargo, dado que la entrada es confiable y precisa
Los conjuntos de datos con alta resolución son difíciles de obtener sobre el clima.
y suelo, especialmente para áreas más grandes, interpolación espacial de datos
se lleva a cabo con frecuencia como un paso de preprocesamiento en la simulación de rendimiento de cultivos
ulación. Pero en realidad, hay mucha heterogeneidad dentro de la red.
área (van Ittersum et al., 2013 ) y esto podría introducir otra
incertidumbre durante la simulación de cultivos. Otros insumos relacionados con la labranza
operación en uso de suelo agrícola, densidad de plantación (PDENS), planta-
ing (PDAY) y fechas de cosecha, fertilizantes y materiales nutritivos,
y la información sobre el genotipo del cultivo se ha utilizado con moderación; sin embargo,
también generan grandes incertidumbres. La determinación de
Estos parámetros e insumos se han realizado ampliamente en base a
sobre las prácticas de gestión predominantes obtenidas de la literatura
atura y de los experimentos de campo realizados en todo el estudio
área. Pocas simulaciones de cultivos a gran escala proporcionan información clara
sobre la estimación de la incertidumbre de los parámetros, entradas y
Protocolos reproducibles para ajustar estos parámetros y entradas.
son pocos. Hasta ahora, las investigaciones anteriores no han considerado la heterogeneidad espacial
geneidad en detalle, y por lo tanto, no refleja la región específica
sistemas agrícolas en protocolos de simulación de cultivos (de Wit y col.,
2010; Tatsumi y col., 2011; Waha et al., 2011 ).
La consideración limitada de muchos parámetros importantes del modelo
e insumos ha hecho la aplicación de la mayoría de cultivos disponibles
modelos a áreas amplias bastante difíciles. Por lo tanto, es imperativo para
una calibración del modelo para coincidir estrechamente con el comportamiento de la agricultura real
sistema cultural que pretende representar, de modo que pueda
mejorar la precisión de los resultados de la simulación del rendimiento del cultivo y ayudar
en el desarrollo de mejores prácticas agrícolas en la región. En orden
Para lograr esto, es fundamental optimizar los parámetros y las entradas del modelo.
ical. La optimización permite una interpretación explícita de la simulación
resultados, pero en muchos estudios científicos que utilizan la simulación de cultivos, la
método de determinación específico y el procedimiento de los parámetros del modelo
etros y entradas no se muestran claramente (p. ej., Brown et al., 2000;
Chung y col., 1999; Izaurralde y col., 2003; Ko et al., 2009; Niu
et al., 2009 ) . En algunos estudios, una calibración de un solo objetivo por
El ajuste de los parámetros se ha realizado a nivel regional.
y escala continental ( Angulo et al., 2013; Therond et al., 2011;
Xiong et al., 2014 ) . Sin embargo, las funciones de un solo objetivo son a menudo
inadecuado para medir correctamente todas las características de los observados
conjuntos de datos que se consideran importantes y que normalmente no proporcionan
estimaciones de parámetros que se consideran aceptables ( Vrugt et al.,
2003 ) . Por el contrario, una optimización multicriterio permitiría
análisis de las compensaciones entre los diferentes criterios, y permitiría
el agrónomo para percibir las limitaciones del modelo de cultivo actual
estructura mejor. Recientemente, Bulatewicz et al. (2009)calibrado diez
parámetros utilizando un algoritmo genético en tierras irrigadas de Kansas.
Sin embargo, salvo esto, solo se ha realizado un trabajo limitado en
el enfoque de calibración automática y multiobjetivo para simular
rendimiento de los cultivos en amplias áreas.
A partir de las ideas anteriores, el presente estudio investigó
la utilidad de un modelo de optimización multiobjetivo para el maíz
simulación de rendimiento en los EE. UU., utilizando la mejor plantación disponible
fecha y fecha de cosecha, y geofísica, geológica y meteorológica
conjuntos de datos de forzamiento de cal para el período 1999-2010. Se supone que el
Los parámetros y entradas optimizados basados ​​en cuadrícula, específicos de la región
mejorar la concordancia espacial del rendimiento del cultivo entre los
y rendimiento informado. Aquí, propongo un enfoque novedoso para optimizar la
parámetros e insumos en el módulo del modelo EPIC ampliamente utilizado
utilizando la evolución compleja multiobjetivo (MOCOM-UA) ( Yapo
et al., 1998 ) algoritmo para lograr una mejor comprensión del cultivo
estructura del modelo de rendimiento. Los objetivos específicos del presente estudio
son los siguientes: (1) para proporcionar un método detallado del rendimiento de maíz
simulación con conjuntos de datos disponibles actualmente que son confiables; (2)
Sugerir una optimización multiobjetivo adecuada y eficiente.
enfoque para mejorar los resultados de la simulación de rendimiento de cultivos basados ​​en
conjuntos de datos de entrada limitados; (3) para probar la mejora efectuada por el
Método MOCOM-UA para reducir el ancho de la banda de incertidumbre
en los EE. UU.
2. Materiales y métodos
La simulación de rendimiento de cultivos mediante el modelo EPIC requiere principalmente
conjuntos de datos relacionados con el clima, el suelo, la topografía, la operación de campo y
cultivo. Estos conjuntos de datos de entrada se recopilaron de diferentes
fuentes, y cada mapa ráster original se volvió a muestrear a un mejor
(más gruesas) celdas de cuadrícula de simulación usando interpolación (agregación)
métodoTabla 1 ) . El área y el período de simulación son 23–50 ◦ N y
120–60 ◦ W con una resolución espacial de latitud-longitud de 0,25 ◦ × 0,25 ◦
desde 1999 hasta 2010.
2.1. Modelo de cultivo
El modelo EPIC versión 0509 ( Sharpley y Williams, 1990;
Williams, 1995; Williams et al., 2006 ) se utilizó para probar el efecto
tividad del método de optimización y reproducibilidad del maíz
producir. Este modelo ha sido ampliamente utilizado para simular el carbono del suelo.
secuestro, prácticas de manejo, ciclo y pérdida de nutrientes,
y el impacto del cambio climático en el rendimiento de los cultivos (por ejemplo, Easterling et al., 1998;
Ko et al., 2009; Niu y col., 2009; Peruta et al., 2014; Wang y col.,
2011; Zhao et al., 2013 ) . Este modelo es un software de código abierto y
tiene un lenguaje de programación FORTRAN incorporado para permitir el desarrollo
Mento y aplicación del procedimiento de calibración. En años recientes,
el modelo se ha extendido a una amplia gama de suelos-agua
modelo de manejo de cultivos-atmósfera que simula el crecimiento de cultivos en
esquemas complejos ( Williams et al., 2006 ) . El modelo constituye
nueve componentes principales, a saber, el clima, la hidrología, la erosión del suelo,
estiércol, nutrientes, destino de pesticidas, crecimiento de cultivos, maquinaria de labranza,
y programa de operaciones de campo. El número total de parámetros del modelo
e insumos es más de 300. En principio, aunque el modelo
Los parámetros se establecen con el significado contextualmente correcto, el
Los coeficientes de la mayoría de los parámetros misceláneos tienen sólo un modelo.
significado intrínsecoPeruta et al., 2014 ) . El valor predeterminado del modelo
Los parámetros se pueden obtener del paquete de programa EPIC con
valores únicos para cada cultivo, pero los valores deben optimizarse
con respecto a las circunstancias en cada región de estudio.
Página 3
126
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
tabla 1
Conjuntos de datos utilizados en este estudio.
Conjunto de datos
Nombre
Espacial original
resolución
Método de remuestreo
Período
Fuente
Rendimiento informado
NASS
Nivel de condado
Vecino más cercano
1999-2010
USDA ( 2014a)
Fechas de siembra y cosecha
USDA
Nivel estatal
Vecino más cercano
20 años de historia
progreso del cultivo
estimados
USDA ( 2010)
Forzamiento meteorológico
GMFDa
0,25 grados
No utilizado
1999-2010
Sheffield y col.
(2006)
Elevación
GTOPO30
30 arcos
Spline regularizado con
tensión
-
USGS ( 1996)
Pendiente del terreno
ASTER GDEM
3 arcos
Vecino más cercano
-
Abrams y col.
(2010)
Tipo de suelo y propiedades hidrológicas
HWSD
30 arcos
Modo de agregación (tipo de suelo)
y agregación media
2000 (el nominal
año)
FAO ( 2012)
Albedo del suelo
ECOCLIMAP
aproximadamente 1 km
Agregación media
2000
Champeaux y col.
(2005) ,Masson
et al. (2003)
Abono y estiércol
GFM b
0,5 grados
Vecino más cercano
Finales de la década de 1990
Potter y col. (2010) ,
SEDAC ( 2015)
Superficie cultivada de regadío y de secano
MIRCA2000
5 minutos de arco
Agregación de suma
2000
Portmann y col.
(2010)
un GMFD (conjunto de datos de forzamiento meteorológico global para el modelado de la superficie terrestre).
b GFM (Global Fertilizer and Abure, Version 1 Data Collection).
El rendimiento de los cultivos en el modelo se estima en función de BE, HI,
PDENS, radiación fotosintética activa (PAR) y presión de vapor
déficit (VPD), y se reduce a través de factores de estrés relacionados con la temperatura
peratura, agua, suelo y aire. Se calcula la biomasa potencial
a partir de los valores de PAR y VPD interceptados, y se ajustó a la
biomasa real a través del agua, la temperatura, la aireación y la nutrición
valores del factor de estrés ent. Cada factor de estrés tiene un rango de 0.0 a
1.0, y afectará el potencial crecimiento y rendimiento de los cultivos. El actual
el rendimiento se estima utilizando una proporción del rendimiento económico sobre el total
biomasa, que se conoce como índice de cosecha. La Fig. 1 s comos la
diagrama del marco de simulación de rendimiento de cultivos en el modelo EPIC. los
La explicación detallada de EPIC va más allá del alcance de este trabajo,
y más información técnica sobre el EPIC se puede encontrar en el
código fuente de este modelo.
2.2. Datos de cultivo
En este estudio, se seleccionó el cultivo de maíz para probar el MOCOM-
Método UA. Estados Unidos es el principal productor mundial de maíz, tanto
en términos de valor de producción y superficie de maíz cultivado
(FAOSTAT, 2014 ) . La principal zona de cultivo de maíz en los EE. UU. Es la
llamado "Corn Belt", que incluye principalmente Dakota del Sur, Nebraska,
Minnesota, Iowa, Missouri, Wisconsin, Illinois, Indiana y Ohio.
Los rendimientos de maíz informados se obtuvieron de USDA National Agri-
Servicio de Estadísticas Culturales (NASS; USDA, 2014a ) . Este servicio recopila
datos sobre todos los productos básicos producidos en las granjas de EE. UU. e incluye
información de cosecha, cosecha y rendimiento, así como gastos, ingresos,
y características del operador para distritos agrícolas, condados,
estados y toda la naciónUSDA, 2014a ) . Para el presente estudio,
Se utilizaron los rendimientos anuales de maíz a nivel de condado para el período 1999-2010.
para optimizar los parámetros y las entradas del modelo seleccionado (consulte la sección
sección 2.6.2 ) y para evaluar la precisión del modelo. Las áreas del condado con
Los informes de rendimiento que faltaban en ese período se eliminaron de la simulación.
lación. Como resultado, se obtuvo un total de 3457 mallas de malla.
en la simulación.
2.3. Datos de forzamiento meteorológico
La simulación por el modelo EPIC requiere seis meteorología diaria
variables de forzamiento ical (temperatura del aire mínima y máxima en
2 m sobre el suelo, precipitación, radiación solar, humedad relativa
y velocidad del viento) para el período 1999-2010. Estos conjuntos de datos
se obtuvieron de una fuerza meteorológica global de alta resolución
conjuntos de datos para el modelado de la superficie terrestre ( Sheffield et al., 2006 ) . Esta
La base de datos se construyó con una resolución geográfica de 0,25
grados mediante la combinación de un conjunto de conjuntos de datos basados ​​en observaciones globales
con los Centros Nacionales de Predicción Ambiental / National
Reanálisis de los Centros de Investigación Atmosférica (NCEP / NCAR).
2.4. Datos de elevación y suelo
Los datos de elevación se obtuvieron de Global 30 arcs Elevation
(GTOPO30), con una resolución horizontal de aproximadamente 1 km ( USGS,
1996 ) . Además, ASTER Global Digital Elevation MODEL (ASTER
GDEM) con una resolución horizontal de 30 m se utilizó para calcular
la pendiente del terreno ( Abrams et al., 2010 ) . Las distribuciones espaciales de
el área cosechada anual de maíz de regadío y de secano (MIRCA2000)
se obtuvieron de Portmann et al. (2010) ( Fig. S1), y se utilizaron
para estimar la proporción de área de maíz y para calcular el secano y
Rendimiento de maíz de regadío.
Las entradas cardinales para cada uno de los tres espesores de capa de suelo.
(∼15 cm, ∼45 cm y ∼180 cm) fueron requeridos por el modelo EPIC
simulación. Textura del suelo, densidad aparente (incluida la de secado al horno)
suelo), contenido de arena, limo y arcilla, pH, suma de bases (Ca, Mg y K),
concentración de carbono orgánico, contenido de carbonato de calcio del suelo,
y la capacidad de intercambio de cationes se obtuvieron del Armonizado
World Soil Database (HWSD, versión 1.2; FAO, 2012 ) que es un
Base de datos ráster de 30 arcos. Contenido de agua del suelo en el punto de marchitez y
El contenido de agua a capacidad de campo se calculó en base a HWSD
utilizando la ecuación de Brooks-Corey ( Brooks y Corey, 1966 ). Tierra
albedo se obtuvo de ECOCLIMAP, una base de datos global de
parámetros de superficie, a una resolución de 1 km ( Champeaux et al., 2005;
Masson y col., 2003 ).
2.5. Gestión de campo
Los conjuntos de datos de gestión de campo requeridos por el modelo EPIC
fueron principalmente fechas de siembra y cosecha, operación de riego
fecha, cantidad y horas, y fecha de aplicación de fertilizante, cantidad,
y tiempos. Las fechas de siembra y cosecha de maíz a nivel estatal fueron
obtenido de USDA ( 2010) , basado en la última y mejor información
mación disponible (Fig. S2). Las fechas mostradas indican plantación y
períodos de cosecha para la mayoría de los años basados ​​en 20 años de historia
estimaciones de datos ical, así como sobre el conocimiento inherente de la industria
Página 4
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
127
Fig. 1. Diagrama de la simulación de rendimiento del cultivo en el modelo EPIC y el diagrama de flujo del algoritmo MOCOM-UA.
especialistas. El presente estudio utilizó los períodos en los que del 15 al 85% de
los cultivos se plantaron y cosecharon (la gama "más activa" de
fechas habituales de siembra y cosecha) (USDA, 2010 ).
En el presente estudio, las regiones de secano y de regadío fueron
ulado por separado utilizando el área cosechada anual de regadío y
maíz de secano obtenido a partir de MIRCA2000. El riego se produjo en el
días en los que la relación entre la biomasa seca producida y la producción potencial de maíz
ducción, dada el agua adecuada, cayó por debajo de uno. En otras palabras, si
el área equipada para riego es uno, entonces no hay estrés hídrico.
Se aplicó agua de riego entre el mínimo y el máximo
volumen permitido para riego automático en una sola aplicación, y
estos valores se obtuvieron a partir de los valores predeterminados del modelo.
La aplicación de fertilizantes de nitrógeno (N) y fósforo (P)
Los conjuntos de datos se obtuvieron de Global Fertilizer and
sión 1 Recolección de datos (GFM) ( Potter et al., 2010; SEDAC, 2015 ). En
este estudio, los fertilizantes máximos anuales aplicados al campo de maíz
Página 5
128
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
Tabla 2
Parámetros iniciales de EPIC utilizados para el maíz en este estudio (las filas sombreadas son parámetros e insumos utilizados para la calibración automática).
Parámetro y entradas
Símboloa
Dominio
Fuente
Relación biomasa / energía (kg ha −1 MJ −1 m 2 )
SER
30–50
Entorno personal basado en Wang et al. (2005)
Índice de cosecha
HOLA
0,45-0,60
Wang y col. (2005)
Unidades de calor potenciales ( ◦ C)
PHU
1200–2400
Wang y col. (2005)
Fechas de siembra (DOY) b
PDAY
Mas activo
USDA ( 2010)
Fechas de cosecha (DOY) b
HDAY
Mas activo
USDA ( 2010)
Densidad de plantación (planta m −2 )
PDENS
5,6–9,0
Entorno personal basado en Widdicombe y Thelen (2002a, 2002b)
Temperatura óptima ( ◦ C)
OPTAR
25
Kiniry y col. (1995)
Temperatura base ( ◦ C)
BT
8
Kiniry y col. (1995)
Fracción de temporada cuando el área foliar disminuye (-)
DLAI
0,7
Kiniry y col. (1995)
Índice de área potencial foliar (-)
DMLA
6.5
Kiniry y col. (1995)
Primer punto en la curva de desarrollo óptimo del área foliar (-)
DLAP1
15.05
Kiniry y col. (1995)
Segundo punto en la curva de desarrollo óptimo del área foliar (-)
DLAP2
50,95
Kiniry y col. (1995)
Tasa de disminución de energía de biomasa (-)
RBMD
1.0
Kiniry y col. (1995)
Parámetro de tasa de disminución del índice de área foliar (-)
RLAD
1.0
Kiniry y col. (1995)
Profundidad máxima de enraizamiento (m)
RDMX
2.0
Kiniry y col. (1995)
a Símbolos de parámetros excepto BE, PDAY, HDAY, PDENS, OPT, BT utilizados en el modelo EPIC.
b Vea la Fig. S2.
se calculó como la suma de los fertilizantes N, P aplicados y de los
N, P estiércol. La operación de labranza se realizó 30 días antes y
luego 2 días antes de la fecha de siembra. Se aplicó fertilizante N, P 30
días antes de la siembra en todos los años, y también se aplicó como
fertilizante inicial durante la siembra. Aunque la cantidad de N aplicado,
Se determinó el fertilizante P para cada celda de la rejilla durante el período de crecimiento.
extraído por un factor de estrés N, P diario simulado de la planta obtenido de
valores predeterminados, la cantidad total de N, P durante el período de crecimiento
nunca superó los valores obtenidos de GFM. Otros parámetros
e insumos relacionados con cultivos, riego, labranza y fertilizantes fueron
establecido en valores estándar contenidos en los conjuntos de datos EPIC, excepto para
los parámetros de calibración y las entradas elegidas para la incertidumbre
análisis.
2.6. Optimización multiobjetivo
2.6.1. El algoritmo MOCOM-UA
El método MOCOM-UA es una optimización global multiobjetivo
algoritmo de aplicación que está diseñado para ser efectivo y eficiente para un
amplia clase de problemas multiobjetivo. La estrategia MOCOM-UA
egy combina las fortalezas de la compleja estrategia de barajar
con la evolución competitiva y el ranking de Pareto, y el
evolución objetiva del símplex cuesta abajo. Este algoritmo de optimización
se ha aplicado a menudo en modelos hidrológicos (p. ej., Getirana, 2010;
Leplastrier y col., 2002; Vrugt y col., 2003; Yapo et al., 1998 ) , donde
su utilidad ha sido demostrada, pero solo hay unos pocos
modelos agrícolas que han utilizado este algoritmo. Básicamente, el
El procedimiento de optimización con el MOCOM-UA consta de los siguientes
seis procesos discretos: (1) determinación del número de
tamaño de población inicial s (= 120) que se generará aleatoriamente; (2) ran-
dom distribución de muestras iniciales de s puntos a lo largo del n
(= 5) -espacio de parámetros factible dimensional; (3) evaluación de la
vector funcional multiobjetivo F para cada individuo s en un pop-
ulación; (4) clasificación y clasificación de la población de s puntos utilizando
Procedimiento de clasificación de Pareto y almacenamiento de los rangos correspondientes
(R = { r i } , i = 1 ,..., S); los rangos asignados fueron 1,2,3 ,. . ., R max , donde
R max = max { r i } ≤ s en una población de s individuos; (5) determinante
que el proceso de optimización se detiene cuando todos los puntos R max en el
la población tiene un rango igual a uno; (6) evolucionar la población de la muestra
lación y la aplicación de la evolución compleja para evolucionar el número de
símplex, que es igual al número de puntos N Rmax (el número
ber tiene el rango más grande). En el presente estudio, el conjunto inicial de
parámetros y entradas de puntos s ha sido definido por un uniforme
números aleatorios en el espacio factible. Descripción más detallada sobre
la evolución del complejo multiobjetivo, incluido el multiobjetivo
evolución cuesta abajo simplex (MOSIM) para evolucionar y mejorar N Rmax
puntos con el peor rango, se pueden encontrar en Vrugt et al. (2003) un nd
Yapo y col. (1998) .
En el presente estudio se implementó el algoritmo MOCOM-UA
Mentado al modelo EPIC. MOCOM-UA utiliza un sistema de clasificación
procedimiento de selección que permite la convergencia de los seleccionados
puntos más cercanos al conjunto de Pareto. Los puntos finales a través de Pareto
La clasificación, la generación simplex y la evolución simplex eran todas mutuas.
aliado no dominado y proporcionó una aproximación bastante cercana de
la región de la solución de Pareto. El diagrama de flujo del algoritmo MOCOM-UA
El ritmo se muestra en la Fig.1 .
2.6.2. Selección de parámetros y entradas
Aunque el uso de más parámetros e entradas de calibración
contribuiría a la reducción de la incertidumbre del modelo y
Aumentar el número de los mejores parámetros y entradas alcanzables.
valores, viene con un alto costo computacional. Por lo tanto, efi-
La selección adecuada de los parámetros de calibración y las entradas es relativamente
importante para mejorar la reproducibilidad del rendimiento de maíz con un
carga computacional ligera. Según Williams et al. (2006)y
Xiong y col. (2014) , la simulación de rendimiento de maíz presenta una mayor sensibilidad
actividad cuando hay variación en los siguientes tres parámetros:
BE, HI, PHU y dos entradas: PDENS, PDAY. Por lo tanto, estos cinco
Los parámetros y las entradas se consideraron en el proceso de
Calibración para que coincida con el comportamiento del sistema agrícola real.
Aquí, BE es la relación de biomasa seca a energía para convertir
Acepta la radiación solar en condiciones sin estrés. HI es la relación de
grano cosechado al peso total de la planta de un cultivo. PHU es el número de
unidades de calor, que se calculó sumando la temperatura media diaria
peraturas y restando la temperatura base durante el crecimiento
temporada. Los valores de entrada y parámetros clave calibrados y otros
en el presente estudio se indican en la Tabla 2 .
2.6.3. Funciones objetivas
Los procedimientos de optimización automática normalmente necesitan la selección
de un criterio objetivo que sea eficaz en la búsqueda de los mejores parámetros
eter valores de modelos de cultivos para optimizar una función objetivo determinada.
Para la calibración del modelo hidrológico, la raíz del error cuadrático medio y
Los criterios de Nash-Sutcliffe se han utilizado con frecuencia (p. Ej., Moriasi et al.,
2012 ) . Sin embargo, el conocimiento sobre la función objetivo beneficiosa para
un modelo de cultivo no es necesariamente suficiente. En el presente estudio, el objetivo
Los parámetros y las entradas obtenidos se han calibrado simultáneamente.
utilizando las cuatro funciones objetivo, para enfatizar la minimización
de errores de rendimiento promedio, mínimo y máximo sobre el sim-
periodos de regulación, y la variación interanual del rendimiento frente a
Página 6
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
129
rendimiento informado, en un contexto multiobjetivo utilizando MOCOM-UA. los
Las funciones objetivo se definieron de la siguiente manera:
AVG =
∣
∣
∣
∣
(
S promedio
O prom
)
- 1
∣
∣
∣
∣
(1)
R 2 =
⎡
⎢
⎢
⎣
∑ N
t = 1
(O t × S t ) -
(∑ N
t = 1
O t ×
∑ N
t = 1
S t
)
/NORTE
√ [(∑ N
t = 1
O 2
t
)
-
(∑ N
t = 1
O t
) 2
/NORTE
]
×
[(∑ N
t = 1
S 2
t
)
-
(∑ N
t = 1
S t
) 2
/NORTE
]
⎤
⎥
⎥
⎦
(2)
MAX =
∣
∣
∣
(
S max
O max
)
- 1
∣
∣
∣
(3)
RRMSE =
1
O prom
√
√
√
√ 1
norte
norte
∑
t = 1
(O t - S t ) 2
(4)
donde S avg y O avg son la media anual simulada y reportada
rendimiento de maíz durante los períodos de simulación, S t y O t son las simulaciones anuales
rendimiento ulado y reportado en el año correspondiente t, y S máx.
y O max son el rendimiento máximo simulado e informado sobre el
períodos de simulación, respectivamente, y el N fue 12 para el estudio
realizado ese año. En este estudio, se supuso que AVG y
MAX tienden a enfatizar la minimización de errores de promedio y máximo
rendimiento de maíz imum durante los períodos de simulación, respectivamente, mientras
el R 2 (es igual al cuadrado del coeficiente de correlación de Pearson (r))
y RRMSE proporcionan un desempeño más consistente, que incluye
la variabilidad temporal de los rendimientos, a lo largo de todo el período. los
Se definió un problema multiobjetivo para el proceso de optimización.
como sigue:
minimizar
A
F
(
A
)
=
(
AVG
(
A
)
,
- 1.0 × R 2 (
A
)
, MAX
(
A
)
, RRMSE
(
A
))
(6)
donde F (Â) es el vector multiobjetivo, Â es el parámetro optimizado
éteres.
3. Resultados
3.1. Distribución espacial de parámetros optimizados
Figura 2 muestra la progresión y distribución de la solución de Pareto
ciones resultantes del proceso de optimización en dos representantes
puntos en el Corn Belt. La población inicial de seleccionados al azar
individuos en el espacio objetivo (en negro), y puntos finales de no-
se representan los puntos dominados (en rojo). Después de las iteraciones finales, (un
total de 829,680 iteraciones para cada una de las 3457 celdas de la cuadrícula) el negro
los puntos se acercan a los puntos óptimos (el origen en cada Fig.2 ; rojo
puntos). Aunque el frente de Pareto tiene la curva de compensación para la simulación
problema bidimensional de dos objetivos, el frente de Pareto para
el complejo problema de cuatro objetivo se indica en la Fig. 2 es no siempre
claro en comparación con las dos funciones objetivo. Sin embargo, fue muy
Dijo que todos los simplex habían evolucionado exactamente y que el final
los puntos se acercaron al origen. Por tanto, los no dominados
puntos seleccionados de los puntos de solución de Pareto (buenas soluciones) para
cada una de las 3457 cuadrículas se utilizaron como parámetros del modelo y
entradas para minimizar cada uno de los cuatro criterios individuales F, y la
valor medio del conjunto en los resultados de la simulación (= 120) obtenidos
utilizando los parámetros optimizados y las entradas se calculó.
Los valores de BE medio de conjunto optimizados (en-BE) obtenidos de
los puntos no dominados en cada celda de la cuadrícula aumentaron en comparación con
SER obtenido de los puntos iniciales dominados en la mayoría de las áreas del
Corn Belt ( Fig.3 a ), mientras que los valores de en-BE disminuyeron en el
tral partes de Dakota del Norte y Dakota del Sur, la parte sur
de Texas y la región costera del este de EE. UU.
Los valores en-BE promediados espacialmente mizados a nivel de estado (estado-BE) fueron
especialmente más grande en Iowa (5.3%), Illinois (2.8%), Nebraska (2.5%),
Minnesota (7,5%) e Indiana (0,8%), que son los estados líderes
de la producción de maíz, en comparación con los valores iniciales del estado-BE. los
Los valores de BE en el estado se identificaron como 39,5 kg ha -1 MJ -1 m 2 en Iowa,
38,5 kg ha −1 MJ −1 m 2 en Illinois, 38,4 kg ha −1 MJ −1 m 2 en Nebraska,
y 40,4 kg ha -1 MJ -1 m 2 en Minnesota, y 37,8 kg ha -1 MJ -1 m 2
en Indiana a través de la búsqueda de optimización automática (Tabla 3 ).
Coeficientes de correlación (r) entre el en-BE optimizado por
Rendimiento medio anual informado a nivel de condado y a nivel de condado sobre el
período 1999-2010 fueron 0,39 (n = 256) para Iowa, 0,38 (n = 239) para
Illinois, 0,21 (n = 305) para Nebraska, 0,34 (n = 214) para Minnesota,
y 0,25 (n = 152) para Indiana. Para estos estados, los valores de r fueron
estadísticamente significativo (p <0.05, probabilidad de dos colas) ( Tabla 4 ).
Los valores de r también fueron estadísticamente significativos para Dakota del Norte,
Dakota del Sur, Ohio, Pensilvania, Maryland, Carolina del Sur, Texas,
y Mississippi (p <0.05, probabilidad de dos colas). Estado ajustado
BE estuvo cerca del rango de 35,3 a 40,4 kg ha −1 MJ −1 m 2 para todos los
estadosTabla 3 ) . Estos valores fueron más bajos en comparación con los
valores de modelado de 47.0 kg ha −1 MJ −1 m 2 , 43.3 kg ha −1 MJ −1 m 2 ,
obtenido de los estudios de Bulatewicz et al. (2009)y Yang
et al. (2004) , respectivamente. Sin embargo, eran consistentes con
39,8 kg ha −1 MJ −1 m 2 , y 35,0 a 40,0 kg ha −1 MJ −1 m 2 , los valores
obtenido de los estudios de Kiniry et al. (2004) un nd Stöckle et al.
(2003) , aunque estos estudios utilizaron diferentes métodos de cálculo
ods y condiciones ambientales.
La figura 3 b muestra el patrón espacial de cambio porcentual en conjuntos
valor medio de HI, entre conjuntos inicial y final. Equilibrado
El HI a nivel estatal aumentó en comparación con el HI obtenido al usar el
conjuntos iniciales en los principales estados productores de maíz como Minnesota (1,7%),
Iowa (1,5%) e Illinois (0,9%), mientras que disminuyó en el sur
y las zonas costeras del este de los EE. UU. (Figura 3 b ). La r entre el
Valor de HI medio de conjunto optimizado por condado y condado
nivel de rendimiento medio anual informado durante el período 1999-2010 fue
estadísticamente significativo (p <0.05, probabilidad de dos colas) en Norte
Dakota, Dakota del Sur, Nebraska, Minnesota, Iowa, Missouri, Wisconsin
consin, Illinois, Carolina del Norte y Texas. Además, un relativamente
mayor valor de HI a nivel de estado ajustado (= 0.53) ocurrió en el mayor
área de maíz, como Minnesota, Iowa, Illinois y valores HI más bajos
ues fueron vistos en el sur y el este de los EE. UU.
( Tabla 3 ) . La variabilidad espacial de los valores medios del conjunto de
HI, PDENS y PDAY fue relativamente más pequeño que el de BE val-
uesTabla 3 ) . En otras palabras, HI, PDENS y PDAY no necesitan
necesariamente ser determinado meticulosamente a través de los heterogéneos
unidades.
Los valores de PHU medios del conjunto optimizados obtenidos utilizando el
conjuntos finales aumentaron más del 8% en promedio en los principales
regiones de cultivo de maíz en comparación con los valores de PHU promedio del conjunto
obtenido utilizando los conjuntos iniciales ( Fig. 3 c ). El estado ajustado más grande
nivel PHU (> 1900 ◦ C) ocurrió en Nebraska, Iowa, Illinois, Indiana,
Arkansas, Louisiana y Mississippi y los más bajos (<1600 ◦ C)
se encontró en Carolina del Norte y del Sur ( Tabla 3 ) . La r entre
el conjunto de valores de PHU medios por condado y nivel de condado
El rendimiento medio anual informado durante el período 1999-2010 fue significativo
icant (p <0.05, probabilidad de dos colas) en Dakota del Sur, Nebraska,
Iowa, Wisconsin, Illinois, Kentucky, Tennessee, Pensilvania, Sur
Carolina y Texas. Por otro lado, la r entre el conjunto
valores medios de PDENS, PDAY por condado y nivel de condado
El rendimiento medio anual informado durante el período 1999-2010 no fue
significativo (p> 0.05) para todos los estados excepto PDAY en Texas. Como un
resultado de las diferentes tendencias de evolución de los parámetros de calibración,
el BE, HI y PHU ajustados tendrían efectos relativamente más fuertes
sobre el rendimiento informado, y estos serían relativamente más eficaces
parámetros positivos en la mejora de la concordancia espacial y temporal
variabilidad del rendimiento.
Página 7
130
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
-0,35
-0,3
-0,25
-0,2
-0,15
-0,1
-0,05
0
0
0,1
a)
B)
D)
F)
C)
mi)
0,2 0,3 0,4 0,5 0,6 0,7
-1,0 ×
R
2
AVG
Población inicial
Población inicial
Población final después de la iteración
Población final después de la iteración
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0.4
0,45
0,5
0
0,1 0,2 0,3 0,4 0,5 0,6 0,7
MAX
AVG
Población inicial
Población inicial
Población final después de la iteración
Población final después de la iteración
0,1
0,2
0,3
0.4
0,5
0,6
0,7
0
0,1
0,2
0,3
0.4
0,5
0,6
0,7
RRMSE
AVG
Población inicial
Población inicial
Población final después de la iteración
Población final después de la iteración
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0.4
0,45
0,5
-0,35 -0,3 -0,25 -0,2 -0,15 -0,1 -0,05 0
MAX
-1.0 × R
2
Población inicial
Población inicial
Población final después de la iteración
Población final después de la iteración
0,1
0,2
0,3
0.4
0,5
0,6
0,7
-0,35 -0,3 -0,25 -0,2 -0,15 -0,1 -0,05 0
RRMSE
-1.0 × R
2
Población inicial
Población inicial
Población final después de la iteración
Población final después de la iteración
0,1
0,2
0,3
0.4
0,5
0,6
0,7
0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
RRMSE
MAX
Población inicial
Población inicial
Población final después de la iteración
Población final después de la iteración
Fig. 2. Soluciones de Pareto del proceso de optimización para un problema de cuatro objetivos (AVG, R 2 , MAX, RRMSE) en dos puntos representativos de la cuadrícula de maíz (cuadrado: 42.125 ◦ N,
98.125 ◦ W, triángulo: 41.125 ◦ N, 96.125 ◦ W, poblaciones iniciales (en negro), poblaciones finales (en rojo)). (a) AVG frente a −1,0 × R 2 , (b) AVG frente a MAX, (c) AVG frente a RRMSE, (d) −1,0 × R 2 frente a
MAX, (e) -1.0 × R 2 frente a RRMSE, (f) MAX frente a RRMSE). Para obtener más explicaciones, consulte el texto. (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al lector a
la versión web de este artículo).
3.2. Reproducibilidad del rendimiento del maíz.
Fig. 4 una muestra y b el rendimiento media del conjunto simulado y la
rendimiento informado, respectivamente, durante el período 1999-2010. El espacial
patrón de rendimiento simulado fue generalmente consistente con el patrón
de rendimiento reportado en los principales estados productores de maíz, es decir, Nebraska,
Minnesota, Iowa, Illinois e Indiana, que representan más de
60% de la producción nacional total (USDA, 2014b ) . sin embargo, el
El rendimiento simulado se subestimó en el rendimiento informado más alto.
áreas en otras partes del cinturón de maíz y en la parte sur de la
EE.UU., y fue sobreestimado en el rendimiento reportado relativamente más bajo
áreas (alrededor del cinturón de maíz) y en la región costera del este
EE. UU. La diferencia en el rendimiento simulado e informado fue relativamente
grande en la región sur de los EE . UU. ( Fig. 4 c ). R 2 espacial entre
la media del conjunto y el rendimiento informado tenían 0,10 como el décimo porcentaje
percentil, 0,31 como el promedio y 0,56 como el valor del percentil 90.
Página 8
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
131
a)
B)
C)
Fig. 3. Los patrones espaciales de los valores medios de conjunto de los cambios porcentuales. Los cambios porcentuales representan las diferencias entre los valores obtenidos utilizando valores iniciales y finales.
conjuntos de parámetros para (a) BE, (b) HI y (c) PHU.
El RRMSE espacial tenía 13% como percentil 10, 23% como promedio,
y 37% como valor del percentil 90. Además, espacial absoluta
valores del valor medio del conjunto de la diferencia entre simulaciones de picos
rendimiento ulado e informado durante el período 1999-2010 (ABSPEAK)
tenía 0.37 t ha -1 como el percentil 10, 0.92 t ha -1 como el promedio,
y 1,62 t ha -1 como valor del percentil 90. La prueba t pareada mostró
que la diferencia de rendimiento entre los valores medios del conjunto de
rendimiento simulado e informado para el período 1999-2010 fue estadístico
ticamente significativo en 527 celdas de la cuadrícula de 3457 celdas de la cuadrícula (p <0.05;
probabilidad de dos colas).
La reproducibilidad relacionada con la concordancia espacial y la temperatura
La variabilidad poral del rendimiento tendía a ser inferior con un R 2 más bajo y
un RRMSE, ABSPEAK más alto en el área menor de maíz, y tendía a ser
superior con un R 2 más alto y un RRMSE más bajo, ABSPEAK en la mayor
área de maízFigs. 4 y 5 ) . Incluso después del uso de convergencia óptima
parámetros del modelo y conjuntos de entrada obtenidos utilizando la optimización MOCOM-UA
mización, los resultados de la simulación mostraron un cierto ancho espacial para
rendimiento de reproducibilidad, y errores entre simulados e informados
se observaron rendimiento. Esta incertidumbre de la producción se atribuyó a la
incertidumbres en los parámetros del modelo y los valores de entrada.
3.3. Efecto de la optimización de parámetros sobre la reproducibilidad de
producir
La incertidumbre de salida se puede reducir utilizando el optimizado
parámetros del modelo a través de la calibración automática. En particular, BE, HI
Tabla 3
Valores medios conjuntos promediados espacialmente estimados y desviaciones estándar a nivel estatal.
Expresar
SER
HOLA
PDENS
PDAY
PHU
Significar
Dakota del Sur
Significar
Dakota del Sur
Significar
Dakota del Sur
Significar
Dakota del Sur
Significar
Dakota del Sur
Dakota del Norte
37,9
2.4
0,52
0,015
7,91
0,13
136.
2.5
1768
142
Dakota del Sur
37,2
2.4
0,51
0,016
7,89
0,13
136.
2.6
1797
172
Nebraska
38,4
2.2
0,52
0,020
7,90
0,13
127.
1.8
1913
146
Minnesota
40,4
1.3
0,53
0,017
7,91
0,12
128.
2.4
1861
157
Iowa
39,5
1,7
0,53
0,017
7,91
0,14
127.
2.4
1979
152
Misuri
37,9
1,6
0,52
0,015
7,91
0,12
125.
5,0
1809
139
Wisconsin
39,3
1.4
0,52
0,016
7,91
0,13
134.
2,7
1726
193
Illinois
38,5
1.8
0,53
0,016
7,91
0,14
128.
3.6
1925
145
Michigan
38,0
1.8
0,52
0,015
7.88
0,13
135.
2.4
1798
148
Indiana
37,8
1.8
0,52
0,014
7,87
0,13
137.
3.4
1944
135
Kentucky
37,8
1,9
0,51
0,015
7.88
0,15
125.
3.8
1795
143
Tennesse
36,1
1,9
0,51
0,017
7,91
0,14
116.
3,7
1798
170
Ohio
37,5
1.4
0,52
0,014
7,87
0,12
130.
2.6
1814
140
Nueva York
38,1
1,7
0,52
0,014
7,90
0,13
147.
4.5
1818
155
Pensilvania
36,0
1,5
0,51
0,014
7.88
0,11
138.
1.4
1714
169
Maryland
38,0
2.2
0,52
0,016
7.88
0,15
131.
2.6
1867
188
Virginia
36,6
1.8
0,51
0,017
7.88
0,13
124.
4.2
1723
152
Carolina del Norte
35,3
2.1
0,50
0,019
7,89
0,13
108.
1.4
1590
223
Carolina del Sur
35,7
1,9
0,49
0,014
7,85
0,13
95,8
3.2
1515
173
Texas
37,3
2.6
0,52
0,019
7,91
0,15
101,7
7,6
1815
194
Arkansas
38,8
1,5
0,51
0,017
7,89
0,13
104,7
2.0
1959
125
Luisiana
39,3
1.4
0,50
0,017
7,94
0,14
89.08
2.0
2059
94
Misisipí
38,2
1,7
0,50
0,015
7,90
0,13
102,8
3.2
1919
173
Página 9
132
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
Cuadro 4
Coeficientes de correlación entre los valores medios de conjunto optimizados por condado y el rendimiento medio anual informado a nivel de condado durante el período 1999-2010. Partes sombreadas
en la tabla indican valores estadísticamente significativos (p <0.05).
Expresar
SER
HOLA
PDENS
PDAY
PHU
Dakota del Norte
0,69
0,36
0,10
0,10
0,06
Dakota del Sur
0,69
0,25
0,05
0,06
0,30
Nebraska
0,21
0,34
0,00
0,01
0,31
Minnesota
0,34
0,47
0,00
0,02
0,02
Iowa
0,39
0,19
0,00
0,00
0,18
Misuri
0,00
0,33
0,01
0,00
0,02
Wisconsin
0,06
0,25
0,02
0,03
0,33
Illinois
0,38
0,30
0,01
0,00
0,41
Michigan
0,04
0,00
0,03
0,08
0,05
Indiana
0,25
0,07
0,00
0,05
0,08
Kentucky
0,01
0,07
0,01
0,00
0,23
Tennesse
0,04
0,04
0,01
0,00
0,35
Ohio
0,18
0,13
0,00
0,00
0,15
Nueva York
0,04
0,04
0,00
0,01
0,01
Pensilvania
0,35
0,05
0,00
0,02
0,40
Maryland
0,18
0,02
0,00
0,03
0,08
Virginia
0,07
0,16
0,02
0,18
0,00
Carolina del Norte
0,08
0,23
0,02
0,05
0,16
Carolina del Sur
0,69
0,04
0,09
0,15
0,46
Texas
0,78
0,51
0,12
0,32
0,35
Arkansas
0,03
0,16
0,21
0,00
0,01
Luisiana
0,01
0,17
0,05
0,02
0,05
Misisipí
0,57
0,18
0,01
0,00
0,39
y los valores de PHU tendrían un impacto especialmente grande en el
formación de los resultados de la simulación (Sección 3.1 ) . Por lo tanto, para
para investigar el efecto de mejora de la reproducción del rendimiento del maíz
ducibilidad mediante el uso de MOCOM-UA, los valores medios de conjunto de R 2 ,
RRMSE y ABSPEAK obtenidos utilizando conjuntos iniciales y finales se
calculado.
La Fig. 6 s comos la distribución del rendimiento informado y simulados
utilizando conjuntos iniciales y finales para los períodos 1999-2010. En la figura 6 ,
las bisagras superior e inferior de las cajas indican el décimo y
Percentil 90, respectivamente, en los valores de conjunto resultantes de
los diferentes parámetros calibrados. Aunque un sesgo específico
entre el rendimiento simulado y reportado para el período 1999-2010
se puede ver una reducción en el ancho de la banda de incertidumbre
también se observa claramente mediante el uso de los parámetros optimizados y
entradas.
4. Discusión
4.1. Reproducibilidad ante fenómenos meteorológicos extremos
El uso de los parámetros optimizados debe ser eficaz en
mejorar la concordancia espacial, la variabilidad interanual y
en la reducción del ancho de la banda de incertidumbre. Por ejemplo, el
La sequía de 2002 afectó a toda el área del cinturón de maíz de EE. UU.,
los rendimientos disminuyen en más del 10% del rendimiento normal del maíz. los
regiones que van desde Illinois hasta la costa este se enfrentaron a
el daño más grave en 2002 (Sakamoto et al., 2014 ). En esto
estudio, el rendimiento informado promediado espacialmente (7,9 t ha -1 ) en Illinois para
2002 estuvo dentro del ancho de la banda de incertidumbre (de 6,8 t ha -1
a 10,7 t ha -1 ) obtenido utilizando los parámetros ajustados (Figura 6 h ),
pero el rendimiento medio del conjunto (8,9 t ha -1 ) fue sobreestimado por
a)
B)
C)
Fig. 4. Patrones espaciales del rendimiento promedio de maíz para el período 1999-2010. (a) Rendimiento medio del conjunto, (b) rendimiento informado y (c) ((a) - (b) / (b)).
Página 10
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
133
a)
B)
C)
Fig. 5. Patrones espaciales del valor medio del conjunto de (a) R 2 , (b) RRMSE y (c) ABSPEAK (valores absolutos del valor medio del conjunto de la diferencia entre los picos simulados
y rendimiento reportado) entre el rendimiento simulado y reportado para el período 1999-2010.
1,0 t ha -1 . El sesgo en el rendimiento entre lo simulado y lo informado no es
limitado a 2002. El rendimiento informado en Indiana para 2002 (7,1 t ha -1 )
fue más de un 20% menor que el rendimiento promedio anual para el
período 1999-2010. En este estudio, aunque el rendimiento medio del conjunto
para 2002 fue menor que los otros años, fue sobreestimado por
1.2 t ha -1 comparado con el rendimiento reportado ( Fig. 6 j ). Asimismo, el
rendimiento medio del conjunto en Ohio y Pensilvania para 2002 (8,4 t ha −1
y 7,4 t ha -1 ) se sobreestimadas por 3,0 t ha -1 y 3,1 t ha -1 com-
comparado con el rendimiento informado, respectivamente (La Fig. 6 m y o). Además,
el ancho de la banda de incertidumbre utilizando las diferentes combinaciones
ciones de conjuntos finales disminuyeron en comparación con el uso de conjuntos iniciales,
pero la diferencia en el rendimiento medio simulado e informado para 2002
aumentado.
Estos resultados indican que es difícil representar
producir disminuciones causadas por desastres naturales, plagas y enfermedades que
ocurren durante el período de crecimiento del cultivo, pero el ancho de la incertidumbre
banda tainty obtenida en este estudio utilizando los conjuntos finales incluidos
los rendimientos informados para muchos estados y años (Figura 6 ) . Sin embargo,
para reducir aún más el ancho de la banda de incertidumbre mientras
aumento de la fiabilidad del modelo, nuevas investigaciones utilizando más suelo,
Los parámetros de optimización relacionados con el clima y sensibles al agua son
necesario. Estos deberían ayudar a identificar claramente el valor cuantitativo
efectos de los parámetros de calibración y las entradas en el período interanual
variación del rendimiento además de mejorar la reproducibilidad bajo
eventos climáticos extremos.
4.2. Incertidumbres
La simulación de cultivos en las condiciones climáticas actuales es necesaria para
probar las incertidumbres del modelo y aumentar la confiabilidad de
evaluaciones de los impactos futuros del cambio climático. Generalmente, la precisión
picante y confiabilidad de los resultados de simulación obtenidos de modelos de cultivos
dependen de la precisión y fiabilidad de los parámetros del modelo y
entradas. En este estudio, la diferencia entre espacio y período
el rendimiento medio del conjunto promediado y el rendimiento informado estaban dentro
± 1.0 t ha −1 en la principal área de maíz (p. Ej., Nebraska: −0.5 t ha −1 , Min-
nesota 1,0 t ha −1 , Iowa: −0,7 t ha −1 , Illinois: −0,6 t ha −1 , Indiana:
−0,2 t ha −1 y Ohio: 0,4 t ha −1 ). Por otro lado, la simulación de cultivos
lación da como resultado el área menor de maíz, como el sur y el este
partes de los EE. UU., tuvieron errores relativamente grandes ( Figs. 4-6 ) . El principal
Las causas de los errores entre el rendimiento simulado y el reportado son las siguientes
sigue: (1) incertidumbre de las tasas de aplicación de fertilizantes y estiércol;
(2) incertidumbre de la información del suelo; (3) confiabilidad del cultivo de maíz
área de ing; (4) incertidumbres relativas a los conjuntos de datos de entrada del modelo;
(5) confiabilidad de los conjuntos de datos reportados; y (6) incertidumbres relacionadas con
plagas, enfermedades y fenómenos meteorológicos extremos, etc.
Los parámetros e insumos del modelo relacionados con fertilizantes y
La aplicación de estiércol tiene un gran efecto en el crecimiento de los cultivos (Stehfest
et al., 2007 ) . El conjunto de datos de fertilizantes N, P se calculó fusionando
mapas globales de áreas cosechadas para 175 cultivos con información nacional
información sobre el uso de fertilizantes para cada cultivo. Los valores de N, P en el estiércol
La producción se derivó en base al contenido de N, P del estiércol.
producido por el número total de ganado ubicado dentro de cada
cuadrícula de celdas. El valor de estos conjuntos de datos se promedia para el período
1994-2001 ( SEDAC, 2015 ) . Además, Stehfest et al. (2007) i ndi-
señaló que las grandes discrepancias entre la aplicación de nitrógeno
tasas y la cantidad de nitrógeno eliminado causan un error significativo
en el rendimiento de los cultivos. Como se mencionó anteriormente, errores relativamente grandes
entre el rendimiento simulado y el reportado se encontraron en el sur
ern y regiones costeras del este de EE. UU. Este resultado puede indicar
que el uso heterogéneo de la tierra dentro del área de la cuadrícula promueve la incertidumbre
tainty a la simulación de cultivos (van Ittersum et al., 2013 ) . Cuanto mas
conjuntos de datos de entrada confiables relacionados con la fertilidad, el drenaje y los rasgos de profundidad
de suelos en esas regiones es necesario para una simulación precisa del modelo EPIC
lación.
El riego es clave para una mayor producción agrícola y estable
la calidad del cultivo y los datos sobre el área regada contribuyen a
estimar el rendimiento promedio de maíz a nivel estatal y nacional. En esto
estudio, se supone que el riego automático se realizó cuando
La humedad del suelo en la zona de la raíz fue menor que un valor especificado por debajo
la capacidad de campo. También debe mencionarse que el supuesto
ciones de gatillo de riego que se hicieron en este estudio (descrito
en la Sección 2.5 ) puede no corresponder exactamente con lo que ocurrió en
el sitio real en la realidad. Por ejemplo, el rendimiento medio del conjunto
obtenido para la cuenca del río Mississippi fue subestimado en comparación con
comparado con el rendimiento informado (Fig.4 c ), que podría deberse
a la incapacidad de predecir los días de mayor estrés hídrico que podrían haber
condujo a la irrigación forzada en ese momento. No es fácil de precisar y
estimar cuantitativamente las incertidumbres relacionadas con el estrés de la planta, como
como las causadas por una escasez inesperada de agua y nutrientes.
Página 11
134
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
a)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
B)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
C)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
D)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
mi)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
F)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
gramo)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
h)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
I)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
j)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
k)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
l)
Reportado
Parámetro inicial
Parámetro final
Fig. 6. Rendimiento informado y rendimiento medio por conjunto para cada estado obtenido utilizando conjuntos de parámetros iniciales y finales para el período 1999-2010. Las barras verticales indican el décimo
rendimiento percentil y percentil 90 de los valores de rendimiento simulados por conjuntos. (a) Dakota del Norte, (b) Dakota del Sur, (c) Nebraska, (d) Minnesota, (e) Iowa, (f) Missouri, (g) Wisconsin,
(h) Illinois, (i) Michigan, (j) Indiana, (k) Kentucky, (l) Tennessee, (m) Ohio, (n) Nueva York, (o) Pensilvania, (p) Maryland, (q) Virginia , (r) Carolina del Norte, (s) Carolina del Sur,
(t) Texas, (u) Arkansas, (v) Louisiana, (w) Mississippi).
Pagina 12
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
135
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
metro)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
norte)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
o)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
pag)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
q)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
r)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
s)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
t)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
u)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
v)
Reportado
Parámetro inicial
Parámetro final
2
4
6
8
10
12
14
dieciséis
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Rendimiento (t / ha)
Año
w)
Reportado
Parámetro inicial
Parámetro final
Fig. 6. (Continuación).
Página 13
136
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
Otros factores de incertidumbre que pueden influir en el modelo
Dicciones son suposiciones sobre la frecuencia del cultivo del maíz,
perfil del suelo y distribución de cultivos. En el cultivo de maíz y soja de EE. UU.
La rotación se realiza generalmente en el cinturón de maíz (Sakamoto y col.,
2014 ) y, por lo tanto, la misma especie de cultivo no se cultiva en la misma cuadrícula.
todos los años. NASS, una agencia del USDA, utiliza encuestas a agricultores y
varios otros métodos para calcular estimaciones censales de tierras agrícolas
acres en todo el país. Sin embargo, no todos los agricultores devuelven un
formulario del censo y la tasa de respuesta ha tenido una tendencia a la baja.
Además, el Censo de Agricultura y otras publicaciones de NASS
ofrecen la información más completa y detallada sobre Estados Unidos
ica agricultura disponible, pero no debe olvidarse que estos
Las cifras son solo estimaciones obtenidas de un enorme y enredado
conjunto de datos en bruto, no verdades irrefutables e indiscutibles ( agricultor moderno ,
2014 ) . Por lo tanto, la suposición hecha en nuestro modelo de que el maíz
La activación se llevó a cabo en todas las celdas de la cuadrícula del condado cada año.
puede no representar la situación real. Además, conjuntos de datos precisos
relacionados con el suelo dentro de los datos cuadriculados son indispensables para la
simulando raramente los rendimientos, pero los datos del perfil del suelo en el presente estudio
puede no reflejar con precisión la variabilidad real en los tipos de suelo de
el área del maíz de Estados Unidos. La incertidumbre de la distribución heterogénea de cultivos
ción podría reducirse mediante el uso de una resolución espacial más alta y confiables
conjuntos de datos de entrada. Los resultados obtenidos también deben evaluarse mediante un
rendimiento informado más fiable.
La escasa reproducibilidad de la variabilidad interanual en este estudio
es consistente con lo que se obtuvo de investigaciones anteriores ( Xiong
et al., 2014 ) . Esto se puede atribuir a una variedad de factores, pero
probablemente el factor más importante sería la homogeneidad
de los parámetros e insumos del modelo (excepto para el calibrado
parámetros e insumos relacionados con el crecimiento de los cultivos) y la incertidumbre
integridad de los insumos para el manejo de cultivos. En realidad, la operación de campo
El horario y el método de gestión dependen del individuo
agricultores, y su manejo, a su vez, dependerá de varios
factores, como las condiciones climáticas, la oferta y la demanda de alimentos,
mercado y cultura tradicional. Además, la mecanización del
maquinaria agrícola para el cultivo de maíz y operaciones que ahorran mano de obra
ciones también contribuirían a los factores de incertidumbre que influyen
Los resultados. Además, debido al uso de un solo cultivar, solo
gestiones, es difícil predecir el verdadero maíz agregado
producir.
4.3. Temas y significado del estudio
Teniendo en cuenta todos estos factores y problemas que se contrarrestan, ¿por qué
este estudio es importante y cómo contribuye a mejorar y
agricultura más sostenible? Dentro de las limitaciones del número
ber de parámetros de modelo confiables y recursos computacionales, esto
La investigación ha sugerido algunas posibilidades para realizar un análisis más preciso.
Simulación de rendimiento de cultivos de tasa con una incertidumbre reducida del modelo. Primero, es
identificó un enfoque de modelado útil y práctico para determinar
el BE, HI y PHU óptimos. Es probable que los modelos de crecimiento de cultivos
tienen poco impacto cuando el ajuste de los parámetros no se realiza correctamente.
Por lo tanto, una calibración automática utilizando multiobjetivo global
La optimización de los modelos de cultivos es un proceso muy importante para encontrar
el conjunto de todas las soluciones no dominadas. En la investigación pasada, modelo
parámetros relacionados con el proceso de producción agrícola y la explotación
la gestión se han obtenido a partir de experimentos en el campo
escala, que midió las condiciones climáticas detalladas, el crecimiento de las plantas,
y datos del suelo, etc. A escalas relativamente grandes, sin embargo, las regiones específicas
Los parámetros fenológicos sólo se han obtenido de la literatura anterior.
tura o investigación debido a las dificultades para obtener y aplicar
información y detalles confiables a nivel regional ( Balkovic et al.,
2013; Brown y col., 2000; Easterling y col., 1998; Izaurralde y col.,
2003; Ko et al., 2009 ).
A continuación, este modelo proporciona una mejor manera de optimizar los parámetros.
ters y para reducir las bandas de incertidumbre en el modelo. Aunque
La parametrización del modelo de cultivo constituye un proceso indispensable
en la simulación de cultivos precisa, la determinación de parámetros es casi
una "caja negra", con muy poca información y detalles disponibles
de investigaciones anteriores, lo que dificulta enormemente a los usuarios
para obtener una comprensión holística de los métodos. El proyectado
La optimización multiobjetivo de los parámetros del modelo de cultivo contribuye
hacia (1) mitigar el ancho de la banda de incertidumbre y reducir
los errores espacio-temporales entre el simulado y el reportado
rendimiento, y (2) ejecutar el análisis de sensibilidad e incertidumbre
sis de rendimiento utilizando el modelo de cultivo para dados locales y a gran escala
condiciones de campo. Aunque las calibraciones que utilizan mucho más cultivo
parámetros del modelo, como temperatura óptima, hoja máxima
El índice de área, y los factores de estrés hídrico y del suelo, serían efectivos.
para la reducción de sesgos y traería un mejor acuerdo espacial y
variabilidad interanual, requerirían una costosa com-
ordenador con más velocidad y potencia. Un gran tamaño de población inicial
puede producir conjuntos de soluciones de Pareto más beneficiosos, pero también
Aumentar el número de iteraciones necesarias para la convergencia de la
solución. Además, para mejorar particularmente la utilidad del modelo en
regiones de datos, el efecto cuantitativo y cualitativo de la cantidad
ber, el tipo y la importancia del parámetro de calibración y el
Se debe investigar la función objetivo sobre la reproducibilidad del rendimiento.
más lejos.
5. Conclusiones
El objetivo del presente estudio fue investigar el efecto
tividad y eficiencia del algoritmo MOCOM-UA para rendimiento de maíz
simulación con el modelo EPIC. El modelo de cultivo a gran escala simula
ulación presenta una amplia gama de incertidumbres para el rendimiento del maíz.
El modelo representa los procesos de crecimiento de los cultivos y aborda algunos
de las incertidumbres, pero se requiere una simulación de cultivo más confiable
para investigar el efecto de la variabilidad climática y el medio ambiente del suelo
sobre el rendimiento de los cultivos, y para caracterizar y cuantificar el clima
impactos del cambio en la agricultura. Los resultados sugirieron que
El rendimiento de maíz obtenido es altamente sensible a los parámetros del modelo BE,
HA y PHU. Optimización multiobjetivo utilizando el MOCOM-
El algoritmo UA contribuyó a la reducción del ancho de la
banda de incertidumbre y mejora del patrón espacial y la temperatura
variabilidad poral del rendimiento del maíz. El rendimiento medio del conjunto obtenido
utilizando el algoritmo acorde bien con el nivel de rendimiento informado
(RRMSE promediado espacialmente = 23% en toda la cuadrícula cultivada), y el
El modelo EPIC mostró un mejor desempeño en la principal área de maíz
que tenían conjuntos de datos de entrada relativamente precisos con baja incertidumbre
(p. ej., parámetro de cultivo, área cultivada, manejo de campo y
rendimiento informado). Sin embargo, los errores de medición (R 2 , RRMSE,
y ABSPEAK) entre el rendimiento simulado y el reportado se relacionaron
ativamente más grande en el área menor de maíz con menor rendimiento y maíz
relación de área.
En resumen, el programa de calibracin automtica multiobjetivo
El tratamiento propuesto en este estudio es una buena herramienta para la identificación
de los parámetros críticos del modelo y para comprender la incertidumbre del modelo
tainties, así como para mejorar la concordancia espacial y temporal
variabilidad del rendimiento del maíz. Los objetivos futuros del estudio son:
(1) reduciendo el ancho de la banda de incertidumbre y mejorando
la reproducibilidad del rendimiento; (2) mejorar la calibración del modelo al
aumentar o seleccionar mejores parámetros de calibración y objetivos
funciones, que serán necesarias para abordar la concordancia espacial y
la variabilidad temporal del rendimiento de los cultivos con mayor precisión.
Apéndice A. Datos complementarios
Los datos complementarios asociados con este artículo se pueden encontrar en
la versión en línea, en http: / /dx.doi.org/10.1016/j.ecolmodel.2015.
11. 006.
Página 14
K. Tatsumi / Modelado ecológico 322 (2016) 124–137
137
Referencias
Abrams, M., Bailey, B., Tsu, H., Hato, M., 2010. El ASTER global DEM. Photogramm.
Ing. Remote Sens. 76 (4), 344–348.
Angulo, C., Rötter, R., Lock, R., Enders, A., Fronzek, S., Ewert, F., 2013. Implicación
de las estrategias de calibración de modelos de cultivos para evaluar los impactos regionales del clima
cambio en Europa. Agric. Para. Meteorol. 170, 32–46.
Balkovic, J., van der Velde, M., Schmid, E., Skalsk ý, R., Khabarov, N., Obersteiner, M.,
Stürmer, B., Xiong, W., 2013. Modelado de cultivos paneuropeos con EPIC: imple-
mentación, ampliación y validación regional del rendimiento de los cultivos. Agric. Syst. 120, 61–75.
Brooks, RH, Corey, AT, 1966. Propiedades de los medios porosos que afectan el flujo de fluidos. J. Irrig.
Drenar. Div. 92, 61–88.
Brown, RA, Rosenberg, NJ, Hays, CJ, Easterling, WE, Mearns, LO, 2000. Poten-
Producción inicial y efectos ambientales de la hierba varilla y los cultivos tradicionales.
bajo el clima actual y alterado por el efecto invernadero en el centro de los Estados Unidos: un
estudio de simulación . Agric. Ecosyst. Reinar. 78, 31–47.
Bulatewicz, T., Jin, W., Staggenborg, S., Lauwo, S., Miller, M., Das, S., Andresen, D.,
Peterson, J., Steward, DR, Welch, SM, 2009. Calibración de un modelo de cultivo para irrigar
uso de agua cerrada mediante un algoritmo genético. Hydrol. Earth Syst. Sci. 13, 1467-1483.
Champeaux, JL, Masson, V., Chauvin, F., 2005. ECOCLIMAP: a global database of land
parámetros de superficie a una resolución de 1 km. Meteorol. Apl. 12, 29–32.
Chung, SW, Gassman, PW, Kramer, LA, Williams, JR, Gu, R., 1999. Validación de
EPIC para dos cuencas hidrográficas en el suroeste de Iowa. J. Environ. Qual. 28, 971–979.
de Wit, A., Baruth, B., Boogaard, H., van Diepen, K., van Kraalingen, D., Micale, F., te
Roller, J., Supit, I., van den Wijngaart, R., 2010. Usando ERA-INTERIM para regionales
previsión del rendimiento de los cultivos en Europa. Clim. Res. 44, 41–53.
Easterling, WE, Weiss, A., Hays, CJ, Mearns, LO, 1998. Escalas espaciales de clima
información para simular la productividad del trigo y el maíz: el caso de EE. UU.
Grandes Llanuras. Agric. Para. Meteorol. 90, 51–63.
FAO, 2012. Base de datos mundial armonizada de suelos (versión 1.2). Organismo de Agricultura Alimentaria
zation, Roma, Italia e IIASA, Laxenburg, Austria, 〈http://webarchive.iiasa.ac.at/
Research / LUC / External-World-suelo-database / HTML /〉 (consultado el 7 de julio de 2014).
FAOSTAT, 2014. La Alimentación y la Agricultura Organización Statistical corporativa
cal Database, 〈http://faostat.fao.org/site/567/DesktopDefault.aspx〉 (consultado
12.6.2014).
Fischer, G., van Velthuizen, H., Shah, M., Nachtergaele, FO, 2002. Agro global
evaluación ecológica para la agricultura en el siglo XXI: metodología y
resultados . En: Informe de investigación RR-02-02. Instituto Internacional de Sistemas Aplicados
tems Analysis, Laxenburg, Austria, págs. 119, y CD-Rom.
Getirana, ACV, 2010. Integración de datos de altimetría espacial en la calibración automática
ción de modelos hidrológicos. J. Hydrol. 387, 244-255.
Izaurralde, RC, Rosenberg, Nueva Jersey, Brown, RA, Thomson, AM, 2003. Integrado
evaluación de los impactos del cambio climático del Hadley Center (HadCM2) en la agricultura
productividad y suministro de agua de riego en los Estados Unidos contiguos. Parte
II . Producción agrícola regional en 2030 y 2095. Agric. Para. Meteorol. 117,
97 –122.
Keating, BA, Carberry, PS, Hammer, GL, Probert, ME, Robertson, MJ, Holzworth,
D., Huth, NI, Hargreaves, JNG, Meinke, H., Hochman, Z., Mclean, G., Verburg,
K., Snow, V., Dimes, JP, Silburn, M., Wang, E., Brown, S., Bristow, KL, Asseng,
S., Chapman, S., McCown, RL, Freebairn, DM, Smith, CJ, 2003. Una descripción general
de APSIM, un modelo diseñado para la simulación de sistemas agrícolas. Euro. J. Agron. 18,
267 –288.
Kiniry, JR, Bean, B., Xie, Y., Chen, P.-Y., 2004. Potencial de rendimiento del maíz : procesos críticos
y modelado de simulación en un entorno de alto rendimiento. Agric. Syst. 82, 45–56.
Kiniry, JR, Major, DJ, Izaurralde, RC, Williams, JR, Gassman, PW, Morrison, M.,
Bergentine, R., Zentner, RP, 1995. Parámetros del modelo EPIC para cereales, semillas oleaginosas y
cultivos forrajeros en la región norte de las Grandes Llanuras. Poder. J. Plant Sci. 75, 679–688.
Ko, J., Piccinni, G., Steglich, E., 2009. Uso del modelo EPIC para gestionar el algodón de regadío
y maiz. Agric. Manejo del agua. 96, 1323-1331.
Leplastrier, M., Pitman, AJ, Gupta, H., Xia, Y., 2002. Explorando la relación
entre la complejidad y el rendimiento en un modelo de superficie terrestre utilizando el
método de criterios . J. Geophys. Res. 107, ACL 11-1 – ACL 11-12.
Li, T., Hasegawa, T., Yin, X., Zhu, Y., Boote, K., Adam, M., Bregaglio, S., Buis, S., Con-
falonieri, R., Fumoto, T., Gaydon, D., Marcaida, M., Nakagawa, H., Oriol, P., Ruane,
AC, Ruget, F., Singh, B., Singh, U., Tang, L., Tao, F., Wilkens, P., Yoshida, H.,
Zhang, Z., Bouman, B., 2014. Incertidumbres en la predicción del rendimiento de arroz por
modelos de cultivos en una amplia gama de condiciones climáticas. Global Change Biol. 21,
1328 -1341.
Masson, V., Champeaux, J.-L., Chauvin, F., Meriguet, C., Lacaze, R., 2003. A global
base de datos de los parámetros de la superficie terrestre con una resolución de 1 km en
modelos climáticos . J. Clim. 16, 1261-1282.
Agricultor moderno, 2014. ¿ Cuán confiables son las estadísticas agrícolas?
〈 Http://modernfarmer.com/2014/09/crash-course-farming-statistics-
incertidumbre /〉 (consultado el 6 de mayo de 2015).
Moriasi, DN, Wilson, BN, Douglas-Mankin, KR, Arnold, JG, Gowda, PH, 2012.
Modelos hidrológicos y de calidad del agua: uso, calibración y validación. Trans.
ASABE 55, 1241-1247.
Niu, X., Easterling, W., Hays, CJ, Jacobs, A., Mearns, LO, 2009. Fiabilidad y
Incertidumbre inducida por los datos de entrada del modelo EPIC para estimar el cambio climático
impacto en los rendimientos del sorgo en las Grandes Llanuras de EE. UU. Agric. Ecosyst. Reinar. 129,
268 –276.
Parton, WJ, Hartman, M., Ojima, D., Schimel, D., 1998. DAYCENT y su superficie terrestre
submodelo: descripción y pruebas. Planeta global. Cambio 19, 35–48.
Parton, WJ, Rasmussen, PE, 1994. Efectos a largo plazo del manejo de cultivos en trigo
barbecho: II. Simulaciones de modelos CENTURY. Ciencia del suelo. Soc. Soy. J. 58, 530-536.
Peruta, RD, Keller, A., Schulin, R., 2014. Análisis de sensibilidad , calibración y
validación de EPIC para modelar la dinámica del fósforo del suelo en la agricultura suiza
ecosistemas. Reinar. Modelo. Softw. 62, 97-111.
Portmann, FT, Siebert, S., Döll, P., 2010. MIRCA2000— Global mensual irrigado y
áreas de cultivo de secano alrededor del año 2000: un nuevo conjunto de datos de alta resolución para
Modelización agrícola e hidrológica. Biogeochem global. Ciclos 24, GB1011.
Potter, P., Ramankutty, N., Bennett, EM, Donner, SD, 2010. Caracterización de la
patrones espaciales de aplicación global de fertilizantes y producción de estiércol. tierra
Interactuar. 14, 1–22.
Sakamoto, T., Gitelson, AA, Arkebauer, TJ, 2014. Predicción casi en tiempo real de
Rendimientos de maíz de EE. UU. Basados ​​en datos MODIS de series de tiempo. Ambiente Sens. Remoto. 147,
219 –231.
SEDAC, 2015. Global Fertilizer and Abure, vol. 1, 〈http://sedac.ciesin.columbia.edu/
data / collection / ferman-v1 / maps / services〉 (consultado el 3 de septiembre de 2014).
Sharpley, AN, Williams, JR (Eds.), 1990. Boletín técnico del USDA No. 1768. EE. UU.
Departamento de Agricultura, Servicio de Investigación Agrícola, Washington, DC, pág.
235.
Sheffield, J., Goteti, G., Wood, EF, 2006. Desarrollo de una resolución de 50 años
conjunto de datos globales de forzamientos meteorológicos para el modelado de la superficie terrestre. J. Clim. 19,
3088 –3111.
Stehfest, E., Heistermann, M., Priess, JA, Ojima, DS, Alcamo, J., 2007. Simulación de
producción agrícola global con el modelo de ecosistema DAYCENT. Ecol. Modelo. 209,
203 –219.
Stöckle, CO, Donatelli, M., Nelson, R., 2003. CropSyst, una simulación de sistemas de cultivo
modelo. EUR. J. Agron. 18, 289-307.
Tatsumi, K., Yamashiki, Y., Roverto, VS, Takara, K., Matsuoka, Y., Takahashi, K.,
Maruyama, K., Kawahara, N., 2011. Estimación de cambios potenciales en cereales
producciones bajo escenarios de cambio climático. Hydrol. Proceso. 25, 2715–2725.
Therond, O., Hengsdijk, H., Casellas, E., Wallach, D., Adam, M., Belhouchette, H.,
Oomen, R., Russel, G., Ewert, F., Bergez, J.-E., Janssen, S., Wery, J., Van Itter-
sum, MK, 2011. Utilizando un modelo de sistema de cultivo a escala regional: datos bajos
enfoques para la información sobre el manejo de cultivos y la calibración del modelo 142,
85 –94.
USDA, 2014a. Servicio Nacional de Estadísticas Agrícolas, 〈http: //quickstats.nass.
usda.gov/〉 (consultado el 6 de junio de 2015).
USDA, 2014b. Estados Unidos: Corn, 〈http://www.usda.gov/oce/weather/pubs/Other/
MWCACP / Graphs / USA / US Corn .pdf〉 (consultado el 22 de mayo de 2015 ).
USDA, 2010. Fechas habituales de siembra y cosecha de cultivos de campo de EE. UU., 〈Http: //
usda.mannlib.cornell.edu/usda/current/planting/planting-10-29-2010.pdf〉
(consultado el 6 de junio de 2015).
USGS, 1996. Elevación global de 30 segundos de arco (GTOPO30), 〈https://lta.cr.usgs.gov/
GTOPO30〉 (consultado el 12/4/2015).
van Ittersum, MK, Cassman, KG, Grassini, P., Wolf, J., Tittonell, P., Hochman, Z.,
2013. Análisis de la brecha de rendimiento con relevancia local a global: una revisión. Cultivos de campo
Res. 143, 4-17.
Vrugt, JA, Gupta, HV, Bastidas, LA, Bouten, W., Sorooshian, S., 2003. Efectivo y
algoritmo eficiente para la optimización multiobjetivo de modelos hidrológicos. Agua
Resour. Res. 39, 1214.
Waha, K., van Bussel, LGJ, Müller, C., Bondeau, A., 2011. Simulación impulsada por el clima
de las fechas globales de siembra de cultivos. Global Ecol. Biogeogr. 21, 247-259.
Wang, X., He, X., Williams, JR, Izaurralde, RC, Atwood, JD, 2005. Sensibilidad y
análisis de incertidumbre de los rendimientos de los cultivos y el carbono orgánico del suelo simulados con EPIC.
Trans. ASAE 48, 1041-1054.
Wang, XC, Li, J., Tahir, MN, Hao, MD, 2011. Validación del modelo EPIC utilizando
un largo plazo de datos experimentales del semiárido meseta de Loess de China. Matemáticas.
Computación. Modelo. 54, 976–986.
Widdicombe, WD, Thelen, KD, 2002a. El ancho de la hilera y el efecto de la densidad de la planta en el maíz
híbridos forrajeros . Agron. J. 94, 326–330.
Widdicombe, WD, Thelen, KD, 2002b. Efecto del ancho de la hilera y la densidad de la planta en el maíz
producción de cereales en el cinturón norte del maíz. Agron. J. 94, 1020–1023.
Williams, JR, 1995. El modelo EPIC. En: Singh, VP (Ed.), Modelos informáticos de
Hidrología de cuencas hidrográficas . Publicaciones sobre recursos hídricos, Highlands Ranch, CO, págs.
909 –1000.
Williams, JR, Wang, E., Meinardus, A., Harman, WL, Siemers, M., Atrood,
JD, 2006. Guía del usuario de EPIC v. 0509, ep http://epicapex.tamu.edu/files/2013/02/
epic0509usermanualupdated.pdf〉 (consultado el 5 de diciembre de 2015 ).
Xiong, W., Balkovic, J., van der Velde, M., Zhang, X., Izaurralde, RC, Skalsk ý, R., Lin,
E., Mueller, N., Obersteiner, M., 2014. Un procedimiento de calibración para mejorar global
simulaciones de rendimiento de arroz con EPIC. Ecol. Modelo. 273, 128-139.
Yang, HS, Dobermann, A., Lindquist, JL, Walters, DT, Arkebauer, TJ, 2004. Hybrid-
maíz : un modelo de simulación de maíz que combina dos enfoques de modelado de cultivos.
Cultivo de campo . Res. 87, 131-154.
Yapo, PO, Gupta, HV, Sorooshian, S., 1998. multi-objetivo de optimización global para
modelos hidrológicos . J. Hydrol. 204, 83–97.
Zhao, X., Hu, K., Stahr, K., 2013. Simulación de contenido y almacenamiento de SOC bajo diferentes
Entran las condiciones de riego, fertilización y labranza utilizando el modelo EPIC en el Norte.
China Llanura. Labranza del suelo Res. 130, 128-135.

Texto original

Sugiere una traducción mejor