Página 1
Europ. J. Agronomy 76 (2016) 41–53
Listas de contenido disponibles en ScienceDirect
Revista europea de agronomía
página de inicio de la revista: www.elsevier.com/locate/eja
Rendimiento y sensibilidad del modelo de crecimiento de cultivos DSSAT en
simular el rendimiento del maíz en la agricultura de conservación
Marc Corbeels a , b , ∗ , Guillaume Chirat a , Samir Messad c , Christian Thierfelder d
a CIRAD, AIDA (Agroecología e intensificación sostenible de cultivos anuales), Av. Agropolis, 34060 Montpellier, Francia
b CIMMYT, SIP (Programa de intensificación sostenible), PO Box 1041-00621, Gigiri, Nairobi, Kenia
c CIRAD, SELMET (sistemas ganaderos mediterráneos y tropicales), Av. Agropolis, 34060 Montpellier, Francia
d CIMMYT, SIP (Programa de intensificación sostenible), PO Box MP 163, Mount Pleasant, Harare, Zimbabwe
información del artículo
Historia del artículo:
Recibido el 19 de mayo de 2015
Recibido en forma revisada el 3 de febrero de 2016
Aceptado el 7 de febrero de 2016
On-line el 17 de febrero de 2016
Palabras clave:
DSSAT
Análisis de co-inercia
Agricultura de conservación
Modelo de crecimiento de cultivos
Maíz
Análisis de sensibilidad
resumen
Con la práctica de la agricultura de conservación (AC) el agua del suelo y la dinámica de los nutrientes se modifican
presencia de un mantillo de residuos de cultivos y por labranza reducida o nula. Estas alteraciones pueden tener impactos
sobre el rendimiento de los cultivos. El modelo de crecimiento de cultivos DSSAT (sistemas de apoyo a la toma de decisiones para la transferencia de agrotecnología)
se ha modificado y utilizado recientemente para simular estos impactos en el crecimiento y el rendimiento de los cultivos. En este estudio,
aplicamos DSSAT a un experimento a largo plazo con maíz (Zea mays L.) cultivado bajo labranza contrastante
y prácticas de gestión de residuos en Monze, provincia meridional de Zambia. El objetivo era (1) evaluar la
capacidad de DSSAT para simular las respuestas de los cultivos al acolchado y la labranza cero, y (2) comprender la
sensibilidad de la salida del modelo DSSAT a los parámetros de entrada, con especial atención a los determinantes de la
modelo de respuesta a la práctica de CA. El modelo fue primero parametrizado y calibrado para la labranza
tratamiento (CP) del experimento, y luego ejecutar para el tratamiento CA eliminando la labranza y aplicando
un mantillo de residuos de cultivos en el modelo. Con el fin de reproducir los rendimientos de maíz observados en el CP versus
Tratamiento con CA, el desarrollo óptimo de la raíz en el modelo se restringió a la capa superior de suelo de 22 cm en
el tratamiento CP, mientras que las raíces podrían desarrollarse óptimamente hasta 100 cm de profundidad bajo CA. El RMSE normalizado
valores entre la fenología del maíz observada y simulada y la biomasa aérea total y el grano
rendimiento indicó que el tratamiento CA fue igualmente bien simulado como el tratamiento CP, para lo cual el
modelo fue calibrado. Se realizó un análisis de sensibilidad global utilizando análisis de co-inercia para describir
la respuesta del modelo DSSAT a 32 parámetros de entrada del modelo y factores de manejo de cultivos. Fenológico
Los parámetros del cultivar fueron los parámetros del modelo más influyentes. Este análisis también demostró que
en DSSAT, el acolchado afecta principalmente el contenido de carbono orgánico del suelo superficial y, en segundo lugar, el
contenido de humedad, ya que se correlaciona negativamente con la evaporación y escorrentía simuladas del agua del suelo. los
Las correlaciones entre los parámetros de entrada o factores de manejo de cultivos y las variables de salida fueron
estable en una amplia gama de condiciones de lluvia estacionales. Un análisis de sensibilidad local de maíz simulado
ceder a tres parámetros clave para la simulación de la práctica de CA reveló que DSSAT responde a
mulching, especialmente cuando la profundidad de las raíces está restringida, es decir, cuando el agua es un factor crítico que limita el crecimiento del cultivo
factor. Los resultados de este estudio demuestran que DSSAT se puede utilizar para simular las respuestas de los cultivos a CA,
en particular a través de efectos de mulching simulados en el equilibrio hídrico del suelo, pero otros, a menudo específicos del sitio,
Factores que no están modelados por DSSAT, como la formación de la bandeja de arado bajo CP o la estructura mejorada del suelo
bajo CA, puede ser necesario considerarlo en la parametrización del modelo para reproducir el rendimiento del cultivo observado
efectos de CA versus PC.
© 2016 Elsevier BV Todos los derechos reservados.
∗ Autor para correspondencia en: CIMMYT, SIP (Programa de Intensificación Sostenible),
PO Box 1041-00621, Gigiri, Nairobi, Kenia.
Dirección de correo electrónico: marc.corbeels@cirad.fr (M. Corbeels).
1. Introducción
La agricultura de conservación (CA) se percibe hoy en día como un conjunto
de mejores prácticas de manejo basadas en labranza cero, residuos de cultivos
mulching y el uso de rotaciones y / o asociaciones de cultivos, a través de
qué agricultura africana puede combatir la degradación del suelo, cultivo seguro
produce y mitigar en cierta medida los efectos negativos del clima
cambio (Gowing y Palmer, 2008; Thierfelder et al., 2014 ) , incluso
http://dx.doi.org/10.1016/j.eja.2016.02.001
1161-0301 / © 2016 Elsevier BV Todos los derechos reservados.
Página 2
42
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
si su potencial es específico del sitio y depende de la situación socioeconómica
medio ambiente de las comunidades agrícolas ( Uri, 2000; Giller et al.,
2009; Corbeels et al., 2014 ) . Bajo la gestión de CA, el agua del suelo
y la dinámica de los nutrientes se modifican por la labranza reducida o cero y
la presencia de un mantillo de residuos de cultivos en la superficie del suelo.
El acolchado con residuos de cultivos reduce la evaporación del agua del suelo y
escorrentía ( Scopel et al., 2004 ) , aumenta la materia orgánica de la capa superior del suelo y
mejora las propiedades de los agregados del suelo cerca de la superficie ( Blanco-Canqui
y Lal, 2007 ) , con efectos potencialmente positivos en la productividad de los cultivos.
(Rusinamhodzi et al., 2011 ).
Modelos de sistemas de cultivo, como DSSAT (Decision Support Sys-
tems para Agrotechnology Transfer, Jones et al., 2003 ) o APSIM
(Simulador de sistemas de producción agrícola, Keating et al., 2003 ),
se basan en principios ecológicos para simular el desarrollo de cultivos
y el crecimiento en función de las condiciones climáticas, las propiedades del suelo y
prácticas de gestión (mediante simulación de limitación de agua y nutrientes)
taciones para el crecimiento de las plantas). Este tipo de modelos se ha utilizado en los últimos
años para evaluar y analizar el desempeño agronómico del sistema de CA
tems. En particular, los usuarios han comparado los rendimientos simulados de un determinado
cultivo cultivado bajo prácticas convencionales de labranza con los
bajo la gestión de CA en sitios específicos en diversos cli-
condiciones matemáticas (por ejemplo, Sommer et al., 2007; MacCarthy et al., 2010;
Gerardeaux et al., 2011; Ngwira et al., 2014 ).
DSSAT ( Jones et al., 2003 ) es un sistema de cultivo basado en procesos
modelo de simulación que se ha revisado periódicamente para mejorar la
representación biofísica del agua del suelo, materia orgánica y nutrientes
dinámica ent (nitrógeno y fósforo) y sus efectos en el cultivo
crecimiento y rendimiento. Por ejemplo, la materia orgánica del suelo CENTURY
ter modelo ( Parton et al., 1987 ) fue incorporado en DSSAT por
Gijsman y col. (2002) para mejorar las simulaciones de car-
dinámica de bon y nitrógeno. Más recientemente, más modificaciones
de DSSAT se hicieron con el fin de simular los efectos de la labranza y
Residuos de cultivos superficiales en el agua del suelo y la dinámica de la materia orgánica.
(Porter et al., 2010 ) . DSSAT se ha utilizado cada vez más como herramienta
comparar el rendimiento de diferentes sistemas de cultivo y
tecnologías de producción de cultivos (p. ej., Jagtap y Abamu, 2003; Fofana
et al., 2005; Saseendran et al., 2007; Caviglia et al., 2013 ). Se acabó-
todo objetivo es comprender mejor cómo los sistemas de cultivo
y sus componentes funcionan y guían las decisiones sobre trans-
trasladar tecnologías de producción de un lugar a otro donde
los suelos y el clima son diferentes. Sin embargo, la capacidad de DSSAT para
simular las respuestas de los cultivos a las prácticas de AC aún no se ha evaluado
minuciosamente.
En este estudio, aplicamos DSSAT a un experimento a largo plazo que
el rendimiento de los cultivos de maíz (Zea mays L.) en condiciones convencionales
prácticas basadas en labranza y AC en Monze, Provincia Sur, Zam-
bia. Los objetivos del estudio fueron (1) evaluar la capacidad de
DSSAT en la simulación del efecto de la práctica de AC (es decir, labranza cero
y mulching) sobre el rendimiento de los cultivos, y (2) para comprender la sensibilidad
de la salida del modelo DSSAT a los parámetros de entrada, con especial atención
a los determinantes de la respuesta del modelo a la práctica de AC.
2. Materiales y métodos
2.1. Descripción general de DSSAT
En este estudio utilizamos DSSAT versión 4.5, con CERES-Maize
como modelo de cultivo ( Jones y Kiniry, 1986 ) , CENTURY para simular
dinámica de carbono y nitrógeno del suelo (Gijsman et al., 2002 ) , y el
Modelo de balance hídrico del suelo de Ritchie que utiliza el modelo unidimensional
Enfoque de 'cubeta basculante' ( Ritchie et al., 2009 ) . DSSAT es un
plex modelo dinámico no lineal que simula salidas como cultivos
desarrollo y rendimiento en función de un gran número de insumos
parámetros, incluidos los parámetros de la planta y el suelo, cuyos valores
se estiman comúnmente sobre la base de experimentos de campo o de la disponibilidad
literatura competente, o determinado a través de la calibración del modelo. El grande
número de parámetros de entrada del modelo y su incertidumbre conducen a
preguntas sobre cuán grande es la incertidumbre de predicción resultante para
diferentes resultados del modelo y para diferentes situaciones de crecimiento de plantas.
Para comenzar una simulación DSSAT, se informa al modelo sobre el
características específicas del clima, los cultivos y el suelo. El correspondiente
Los archivos de entrada están vinculados a la estructura principal del modelo (Figura 1 ),
que comprende los módulos para la caracterización de campo, la inicial
condiciones del suelo y las operaciones de manejo. La estructura principal
tura de DSSAT está diseñado como una matriz de tratamientos de simulación que
Implementa los modelos de cultivo y suelo seleccionados para describirlos diariamente.
basar los cambios en las variables de la planta y el suelo que ocurren en un
unidad de tierra (campo) en respuesta al clima y la gestión. Un detallado
La descripción del modelo DSSAT con sus módulos se da en Jones
et al. (2003) .
Para simular los efectos de la labranza, se asume en DSSAT que lo siguiente
el cambio de cuatro propiedades del suelo (Andales et al., 2000 ): (1) suelo
Densidad a Granel; (2) conductividad hidráulica del suelo saturado; (3) el suelo
número de curva de escorrentía y (4) contenido de agua del suelo en saturación. Estos
Las propiedades del suelo se introducen después de un evento de labranza y vuelven a cambiar.
a un valor establecido (especificado por el usuario), siguiendo una curva exponencial
que es una función de la energía cinética acumulada de la lluvia, ya que
última operación de labranza. Los eventos de labranza también resultan en una mezcla de suelo
componentes que incluyen agua del suelo, nutrientes inorgánicos del suelo y suelo
acumulaciones de materia orgánica dentro de la profundidad de labranza especificada. La mezcla
La eficiencia, o porcentaje de suelo que se mezcla, también es un parámetro especificado por el usuario.
insumo para cada tipo de operación de labranza. Finalmente, la labranza aumenta la
tasa de descomposición de las reservas de materia orgánica del suelo durante un período
de 30 días después del evento de labranza (Porter et al., 2010 ) . Sin que
labranza, todos los residuos del cultivo permanecen en la superficie del suelo. La superficie
Los residuos se descomponen con el tiempo con la aparición de
lización / mineralización de nitrógeno simulado por CENTURY, y
parte de la materia orgánica se transforma en materia orgánica más estable
ter charcos en el sueloGijsman et al., 2002 ) . Nitrógeno mineralizado
Se supone que la materia orgánica de la superficie en descomposición se filtra en
el suelo (superior) y está disponible para la absorción de la planta. Efectos de mulching
sobre el balance hídrico del suelo son simulados por DSSAT a través de tres
procesos relacionados con el agua del suelo: (1) la interceptación de la lluvia por el mantillo;
(2) reducción de las tasas de evaporación del suelo, y (3) reducción de la superficie
hacer frente a la escorrentía de aguaPorter et al., 2010 ) . La versión 4.5 de DSSAT no
simular específicamente los efectos de los residuos superficiales en la temperatura del suelo
dinámica.
El crecimiento de raíces en DSSAT se simula en función de la superficie
La producción de biomasa, es decir, la biomasa aérea tiene prioridad para
carbohidratos asimilados y al final de cada día carbohidratos
que no se utilizan para la biomasa aérea se asignan para el crecimiento de las raíces.
El factor de ponderación de la distribución de la raíz se utiliza para simular la relación
Crecimiento de raíces en todas las capas del suelo en las que realmente se encuentran las raíces (Ritchie,
1998 ) . Se multiplica por un factor de agua del suelo para obtener el valor real
distribución de raíces. El factor de ponderación de la distribución de la raíz es una entrada
para cada capa de suelo y refleja las limitaciones físicas o químicas en
crecimiento de las raíces en ciertas capas del suelo. Su valor oscila entre 1 (indica-
que la capa del suelo es más propicia para el crecimiento de las raíces hasta cerca de 0
indicando que el suelo es inhóspito para el crecimiento de las raíces).
2.2. Experimento de campo y sitio
DSSAT se ejecutó utilizando datos de un experimento de campo con maíz
bajo prácticas contrastantes de labranza y manejo de residuos en
para probar sus respuestas a las prácticas de AC (labranza y mulching)
y obtener un marco realista para el análisis de sensibilidad del modelo
hermana El experimento de campo fue realizado por el CIMMYT (International
Centro de Mejoramiento de Maíz y Trigo) en el Farmer Training
Centro en Monze (16 ◦ 14 24 s, 27 ◦ 26 24 E, 1103 msnm), durante seis
temporadas agrícolas de 2005 a 2011 ( Thierfelder y Wall, 2009;
Thierfelder et al., 2013 ) . El clima en el sitio es tropical húmedo y
Página 3
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
43
Fig. 1. Resumen de los componentes y estructura modular del modelo DSSAT.
tabla 1
Valores de los parámetros de suelo del módulo de suelo de DSSAT para el experimento de maíz en Monze, Zambia.
Capa de suelo (cm)
Albedo
Tierra
evapora-
límite de acción
(mm)
Drenaje
Velocidad
(día -1 )
Escapada
curva
número
superficie
0,14
3
0,75
84
Arcilla (%)
Limo (%)
C orgánico
(%)
pH en agua
CEC
(cmol kg -1 )
A granel
densidad
(g cm −3 )
Cultivo-
determinado
límite inferior
(cm 3 cm −3 )
Empeine drenado
límite
(cm 3 cm −3 )
Saturado
limite superior
(cm 3 cm −3 )
Hidráulico
conductividad
(cm h −1 )
0-22
dieciséis
5
0,6
4.4
3.1
1,67
0,122
0,187
0,38
2.6
23–56
37
8
0,3
5.1
4.0
1,48
0,228
0.314
0,40
0.4
57–80
38
8
0,05
5.3
5.3
1,48
0,264
0.309
0,39
0,1
81-107
44
7
0,05
5,6
5.4
1,33
0,296
0.331
0,39
0,1
> –107
43
7
0,05
5.7
6,7
1,48
0.304
0.324
0,39
0,1
seco (Aw, Clasificación climática de Köppen) con una precipitación unimodal
patrón (Figura 2 ) . Las lluvias comienzan en noviembre y terminan en abril. los
La precipitación media anual en el sitio es de 750 mm. Durante la dura-
ción del experimento, cuatro estaciones tuvieron precipitaciones normales, mientras que
la temporada 2006/2007 fue más seca (510 mm) y la de 2007/2008
estaba más húmedo (1000 mm) de lo normal. El suelo en el experimental
El sitio es un Lixisol férrico ( Thierfelder y Wall, 2009 ). Cinco perfiles de suelo
se caracterizaron en el sitio experimental como una variación de la
mismo tipo de suelo. Para las simulaciones del modelo, consideramos las más
perfil de suelo típico para el sitio, como se describe en la Tabla 1 .
De diez tratamientos experimentales que se establecieron en 2005, dos
Se seleccionaron tratamientos contrastantes para las simulaciones del modelo:
el tratamiento de labranza convencional (con arado de vertedera) (CP)
con la eliminación de los residuos de la cosecha y el tratamiento CA
(CA) con el uso de una sembradora y cultivo directo de tracción animal
acolchado de residuos. El maíz se sembró entre finales de noviembre y
principios de diciembre con una población objetivo de 44 000 plantas ha -1 . los
La variedad de maíz híbrido comercial SC513 se utilizó en 2005/2006.
y 2006/2007, posteriormente fue reemplazada por la variedad MRI624.
Ambas son variedades de maduración temprana a media. Fertilización basal
se realizó con 165 kg ha -1 de Compuesto D (10:20:10,
N: P 2 O 5 : K 2 O) al momento de la siembra y se aplicó 200 kg ha -1 de urea (46% N)
como aderezo en una aplicación dividida, cinco a siete semanas después
plantar. El control de malezas se realizó mediante una aplicación de preemergencia de
Página 4
44
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
Fig. 2. Condiciones meteorológicas medias de Monze, Zambia.
glifosato (N- (fosfonometil) glicina, 41% de ingrediente activo)
a una tasa de 3 L ha -1 seguido de deshierbe manual regular según sea necesario
para mantener las parcelas libres de malas hierbas. En cada temporada de cultivo, las fechas de
emergencia, borlas (cuando el 50% de las plantas tenían borlas maduras)
y seda (cuando las sedas eran visibles fuera de las cáscaras en el 50% de
las plantas) se registraron. Las fechas de madurez fisiológica fueron
disponibles solo para dos temporadas y se estimaron para las otras
temporadas a partir de datos proporcionados por los productores de semillas. El último har-
El chaleco se llevó a cabo manualmente mediante la recolección de ocho subparcelas de cada
9 m 2 de cada parcela principal. Las plantas se separaron en mazorcas y verduras.
biomasa etative y luego se seca para la estimación de grano y paja
rendimiento de materia seca. Hubo cuatro repeticiones por tratamiento por
año. Se pueden encontrar más detalles sobre el experimento y las observaciones.
en Thierfelder y Wall (2009) , Thierfelder y Wall (2010)y
Thierfelder y col. (2013) .
2.3. Configuración del modelo
2.3.1. Parametrización y calibración de modelos bajo CP
El modelo fue primero parametrizado y calibrado para el CP
tratamiento del experimento. Se corrió por seis consecutivos
temporadas del experimento a partir de la fecha de siembra del
Temporada 2005/2006. La lluvia diaria se registró en el experimento
sitio, mientras que los valores diarios de temperatura mínima y máxima
y la radiación se obtuvieron de la cercana estación meteorológica del
Centro de formación agrícola de Monze (Figura 2 ) . Parámetros de entrada para el suelo
se derivaron de mediciones en un perfil de suelo típico (Mesa
1 ) del sitio experimental. La fracción de carbono estable se inició
tializado basado en contenido de limo y arcilla (ver Porter et al., 2010 ). Eso
representa el carbono del suelo físicamente protegido, pero puede subestimar
estimar el carbono estable del suelo para algunos tipos de suelo que también contienen
porciones significativas de carbono protegido bioquímicamente (Six et al.,
2002 ) . Se determinó el límite superior drenado de la disponibilidad de agua de la planta.
extraído a través de mediciones de laboratorio; depende únicamente del suelo
propiedades. Por el contrario, utilizamos un límite inferior determinado por el cultivo
de la disponibilidad de agua de la planta definida como la más baja medida en campo
contenido de agua del suelo después de que las plantas hayan dejado de extraer agua
(Ogindo y Walker, 2005 ) . Los parámetros del cultivo de maíz se dividen
en tres subconjuntos en el modelo: especie-, ecotipo- y cultivar-
parámetros específicos (o coeficientes genéticos) (Figura 1 ). Valores utilizados para
Los parámetros específicos de la especie fueron los valores predeterminados para el maíz en el
Modelo CERES-Maíz. Los valores de ecotipo y cultivo específico
Los parámetros fenológicos ( Tabla 2 ) requeridos en CERES-Maíz fueron
obtenido ajustando el modelo a las fechas de aparición observadas,
floración y madurez del tratamiento experimental con maíz
bajo labranza convencional en rotación con cáñamo solar (Crotalaria
juncea L.) y algodón (Gossypium hirsutum L.), ya que este tratamiento
fue el tratamiento de mejor rendimiento con el maíz promedio más alto
rendimiento de grano durante las seis temporadas (6380 kg ha -1 ). El uso de la radiación
La eficiencia (RUE) se estimó calibrando el modelo para que se ajustara
la producción de biomasa aérea a las observaciones del CP
tratamiento. El valor final obtenido para RUE fue de 3,0 g de materia seca.
MJ −1 PAR. Se obtuvieron los parámetros del modelo relacionados con el llenado de granos.
ajustando el modelo a los rendimientos de grano observados en el tratamiento CP.
Para la calibración usamos la incertidumbre de verosimilitud generalizada.
herramienta de análisis de tainty (GLUE) que está disponible en DSSAT. PEGAMENTO es un
Método bayesiano, que permite información de diferentes tipos de
observaciones que se combinarán para estimar distribuciones de probabilidad
de valores de parámetros y predicciones de modelos ( He et al., 2010 ) . PEGAMENTO
el software se ejecutó 3 veces, ejecutando 18000 pruebas por ejecución. los
Página 5
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
45
Tabla 2
Valores de los parámetros del cultivar de maíz calibrados en el modelo de cultivo CERES-Maize de DSSAT para el experimento de maíz en Monze, Zambia.
Cultivar
P1 ( ◦ C día)
P2 (días)
P5 ( ◦ C días)
G2 (número)
G3 (mg día -1 )
PHINT ( ◦ C día)
SC513
240
0.0
770
550
9
55
MRI624
260
0.0
500
950
9
sesenta y cinco
P1: Tiempo térmico desde la emergencia de las plántulas hasta el final de la fase juvenil (expresado en ◦ C día, por encima de una temperatura base de 8 ◦ C) durante el cual la planta no responde
a los cambios en el fotoperiodo. P2: Grado en el que se retrasa el desarrollo (expresado en días) por cada hora de aumento del fotoperiodo por encima del fotoperiodo más largo en el que
el desarrollo avanza a una velocidad máxima (que se considera 12,5 h). P5: Tiempo térmico desde la formación de seda hasta la madurez fisiológica (expresado en ◦ C día por encima de una base
temperatura de 8 ◦ C). G2: Número máximo posible de granos por planta. G3: Tasa de llenado de grano durante la etapa de llenado de grano lineal y en condiciones óptimas (mg día -1 ).
PHINT: Intervalo filocrónico, es decir, el intervalo de tiempo térmico ( ◦ C día) entre sucesivas apariciones de la punta de las hojas.
Se ajustaron las siguientes variables: fechas de emergencia, floración y
madurez, rendimiento de grano y biomasa aérea total en la madurez.
El rendimiento del modelo se evaluó calculando el valor normalizado
el error cuadrático medio (RMSE), expresado en porcentaje, y el
desviación de la predicción porcentual. La calibración se consideró como
logrado cuando el RMSE para toda la fenología y el rendimiento del maíz ajustados
las variables de salida fueron mínimas.
Una característica importante bajo el tratamiento CP fue la existencia
tencia de una bandeja de arado, como lo sugiere la mayor densidad aparente
valores en la capa de suelo de 22-25 cm (datos no publicados) comparados
a la capa de suelo de 0-22 cm. Este plan de arado restringe la penetración
tración de las raíces de las plantas de maíz en capas más profundas, que fue
observado visualmente en el experimento. Por el contrario, en el tratamiento CA-
El plan de arado había desaparecido rápidamente con el tiempo y el
suelo desarrolló una mejor estructura del suelo con grietas y huecos, que es
atribuido a una mayor actividad biológica del suelo (por ejemplo, más lombrices de tierra)
(Thierfelder et al., 2013 ) . La importancia de este fenómeno para
El crecimiento de cultivos en suelos similares en la región ya ha sido alto
iluminado en otros estudios (p. ej., Materechera y Mloza-Banda, 1997 ).
Para reproducir este efecto de la labranza del suelo en el modelo de simulación
ciones, la tasa de desarrollo óptimo de la raíz se restringió en el modelo para
la capa superior de suelo de 22 cm en el tratamiento CP, es decir, redujimos la
factor de ponderación de la distribución de raíces en un 80% (de 1 a 0,2) para el suelo
capas más profundas de 22 cm resultando en un crecimiento de raíces restringido sobre
profundidad.
2.3.2. Prueba de modelo para CA
Luego ejecutamos el modelo para el tratamiento CA apagando el
módulo de labranza en DSSAT, restaurando el desarrollo normal de las raíces
sobre la profundidad del suelo, es decir, restableciendo la distribución de la raíz
tor igual a 1 en toda la profundidad del suelo, e inicializando DSSAT
con un mantillo de residuos de cultivos con efectos modelados resultantes en
propiedades y procesos del suelo. Rendimiento simulado de biomasa y grano
Luego, los valores se compararon con los valores observados y el modelo
La formación se calculó como se describe para el tratamiento CP. los
cantidades de residuos superficiales de maíz establecidos en las simulaciones de CA fueron
3000, 2300, 1300, 4000, 2700, 850 kg de materia seca ha -1 al momento de la siembra
de 2005 a 2010. Los valores se estimaron a partir del porcentaje
de la cobertura de suelo observada en el experimento. La relación C: N del maíz
residuos es un valor de entrada especificado por el usuario en DSSAT y se estableció en 60.
Dependiendo de las cantidades iniciales de residuos, representa entre
6 y 30 kg N ha -1 . Parte de este nitrógeno orgánico se mineraliza durante
durante la temporada de crecimiento (simulado por el módulo CENTURY) y
se vuelve disponible como nitrógeno inorgánico para el cultivo. Valores para todos
otros parámetros del modelo se mantuvieron iguales para CP y CA.
2.4. Análisis de sensibilidad
Primero, se realizó un análisis de sensibilidad global para describir
la respuesta del modelo DSSAT a 32 parámetros de entrada del modelo y cultivo
factores de manejo (ver Tabla 3 ). En este análisis se realizaron simulaciones
realizado bajo condiciones de lluvia 'normales' de Monze (es decir, el
Temporada 2009/2010) con las características de campo experimental de
esa temporada: la fecha de siembra fue el 19 de noviembre; la densidad de plantas fue
fijado en 44 000 plantas ha -1 . En segundo lugar, analizamos los efectos de la lluvia
sobre la estabilidad de las correlaciones entre los parámetros de entrada o
factores de manejo de cultivos y las variables de salida a través del modelo
simulaciones para una temporada más seca (2006/2007) y más húmeda (2007/2008).
En tercer lugar, determinamos la sensibilidad local del rendimiento de maíz simulado
a tres parámetros / variables clave (es decir, fracción de carbono del suelo estable,
profundidad de crecimiento óptimo de las raíces y cantidad de residuos de cultivos superficiales)
para la simulación de la práctica de AC (es decir, labranza cero y mulching).
En las secciones siguientes describimos los detalles de la realización
análisis de sensibilidad.
2.4.1. Análisis de sensibilidad global
Para el análisis de sensibilidad global, utilizamos el Latin Hyper-
Método de muestreo del cubo descrito por McKay et al. (1979) . Esta
método asegura que toda la gama de posibles valores de parámetro
ues se muestrea aleatoriamente y que los efectos de las interacciones entre
parámetros de entrada, entre los parámetros de entrada y la gestión de cultivos
factores de desarrollo, y entre los factores de manejo de cultivos en el modelo
se tienen en cuenta las variables de salida ( Pathak et al., 2007 ).
Los siguientes parámetros de entrada del modelo y factores de gestión
fueron elegidos para el análisis de sensibilidad (Tabla 3 ): (1) un conjunto de entrada
parámetros asociados con los cultivares de cultivo, ya que estos parámetros
Los éteres generalmente se determinan bajo un crecimiento vegetal subóptimo
condiciones, mientras que en el modelo sus valores se refieren a no limitantes
condiciones de crecimiento; (2) un segundo conjunto de parámetros de entrada del modelo que
se relacionan con las propiedades de humedad del suelo, que a menudo no se miden en
campo, pero se infieren de las mediciones de laboratorio, que
puede causar un sesgo sistemático relacionado a escala de laboratorio; (3) tercero, fac-
tors relacionados con el manejo del nitrógeno y los parámetros del suelo
módulo de materia orgánica (CENTURY), porque nitro-
gen se considera como el principal nutriente limitante para el sitio (y
otros nutrientes no se consideran en el modelo) y, además
Se supone que la ausencia de labranza bajo CA afecta la tasa de
mineralización de nitrógeno; y (4) finalmente, seleccionamos la cantidad
y la calidad (contenido de lignina) de los residuos agrícolas como factores clave de entrada
para simular el efecto potencial de CA en el rendimiento de los cultivos como resultado
de mulching. Valores límite del ecotipo y cultivo específico
Los parámetros de entrada se fijaron para representar los cultivares de maíz africanos.
( Tabla 3 ) . Los valores límite para los valores de los parámetros del suelo se establecieron en
caracterizar los Lixisoles férricos como los describe el CIMMYT (5 perfiles, ver
Sección 2.2 ) . La sensibilidad del modelo a la capacidad de agua disponible en el suelo
y el contenido de carbono orgánico del suelo se evaluó para valores de dos
capas de suelo: la primera capa de los 22 cm superiores y la segunda capa
de 22 a 56 cm (ver tabla 1 ) . Finalmente, los valores de frontera para el
Los factores de manejo de nitrógeno y residuos se establecieron de acuerdo con
prácticas adoptadas por los agricultores locales (registradas en el hogar
encuestas) y las aplicadas en el experimento del CIMMYT en Monze. En
En total, ejecutamos 1388 combinaciones de parámetros de entrada y gestión
factores de desarrollo con el software R ( R Development Core Team, 2009 ).
La sensibilidad del modelo a los parámetros de entrada seleccionados y
Los factores de manejo de cultivos se evaluaron observando un conjunto de modelos
variables de salida que se enumeran en la Tabla 4 . Rendimiento de grano de la cosecha y total
La biomasa aérea son los resultados integradores de la simulación del modelo.
ulaciones, las otras salidas del modelo se pueden considerar como variables clave
que ayudan a explicar el crecimiento y el rendimiento de cultivos simulados.
Página 6
46
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
Tabla 3
Parámetros de insumos seleccionados y factores de manejo de cultivos para el análisis de sensibilidad global de DSSA para el experimento de maíz en Monze, Zambia.
Módulo / Clase
Variable
Acrónimo
Unidad
Min
Max
Fuente
Genotipo / ecotipos
Eficiencia en el uso de radiación (conversión de materia seca)
RUDA
g MJ −1 PAR
2
5
Lindquist y col. (2005)
Coeficiente de extinción de luz
KCAN
-
0,45
0,90
APSIM + DSSAT
Tiempo térmico desde la formación de seda hasta el período efectivo de llenado del grano
DSGFT
◦ C día
85
255
DSSAT (valor predeterminado ± 50%)
Tiempo térmico por cm de profundidad de semilla requerido para la emergencia.
GDDE
◦ C día cm −1
4
9
DSSAT + CIMMYT
Genotipo / cultivares
Tiempo térmico desde la emergencia hasta el final de la fase juvenil
P1
◦ C día
130
380
DSSAT (rango de valores
para cultivares africanos) +
Jagtap y Abamu
(2003)
Tiempo térmico desde la sedación hasta la madurez fisiológica.
P5
◦ C día
600
1100
Número / planta potencial de grano
G2
planta −1
400
1100
Tasa potencial de llenado de grano
G3
mg día −1
4.0
11,5
Intervalo de filocrón
PHINT
◦ C día
30
90
Descripción / superficie del suelo
capa
Límite de evaporación del suelo
SLU1
mm
3
12
DSSAT + CIMMYT +
Gijsman y col. (2002)
Tasa de drenaje
SLDR
día −1
0,01
0,95
Número de curva de escorrentía
SLRO
-
61
94
Descripción del suelo / primero
capa de suelo (0-22 cm)
Límite inferior
SLLL.22
cm 3 cm −3
0,02
0,25
Límite superior drenado
SDUL.22
cm 3 cm −3
0,08
0,45
Límite superior saturado
SSAT.22
cm 3 cm −3
0,3
0,6
Densidad a Granel
SADM.22
g cm −3
0,8
1.8
C orgánico total
SAOC.22
%
0,2
3,0
C orgánico estable
SASC.22
%
60
90
Descripción del suelo / segundo
capa de suelo (22–56 cm)
Límite inferior
SLLL.56
cm 3 cm −3
0,02
0,25
Límite superior drenado
SDUL.56
cm 3 cm −3
0,08
0,45
Límite superior saturado
SSAT.56
cm 3 cm −3
0,3
0,6
Densidad a Granel
SADM.56
g cm −3
0,8
1.8
C orgánico total
SAOC.56
%
0,1
1.0
C orgánico estable
SASC.56
%
60
90
Estructura principal / inicial
condiciones
Contenido inicial de agua volumétrica del suelo
SH2O
cm 3 cm −3
0.0
0,3
CIMMYT
Contenido inicial de nitrato del suelo
SNO3
g N Mg −1 suelo
0
10
Principal
estructura / inorgánico
fertilizantes
N en la siembra (0 DAP* )
FAMN.0
kg N ha −1
0
20
CIMMYT
N a 30 DAP
FAMN.30
kg N ha −1
0
50
N a 50 DAP
FAMN.50
kg N ha −1
0
50
Estructura principal / orgánica
fertilizantes
Cantidad de residuos de cultivos (materia seca) al momento de la siembra
RAMT
kg ha -1
0
6000
CIMMYT + Waddington
y Karigwindi (2004)
Residuos de cultivos con contenido de lignina
PSLIG
(fracción)
0,05
0,20
Residuos de cultivos con contenido de N
SCN
%
0,5
2.0
* DAP: días después de la siembra.
Cuadro 4
Parámetros de salida seleccionados para el análisis de sensibilidad global de DSSAT para el experimento de maíz en Monze, Zambia.
Categoría
Variable
Unidad
Acrónimo
Crecimiento de cultivos y
desarrollo
Producción de grano
kg ha -1
Producir
Biomasa vegetal por encima del suelo (rendimiento de paja)
kg ha -1
Biom
LAI máx.
-
LaiM
Absorción acumulada de N de la planta
kg N ha −1
Nup
Aparición
Días después de la siembra
Emer
Sedoso
Días después de la siembra
Seda
Madurez
Días después de la siembra
Estera
Transpiración acumulada de la planta
mm
Transpi
Agua del suelo
Evaporación acumulativa del suelo
mm
sEvap
Escorrentía acumulada
mm
Correr
Humedad total del suelo en la madurez
mm
húmedo
Fertilidad del suelo
Mineralización acumulada de N neto
kg N ha −1
netNminer
N total del suelo
kg N ha −1
sN
Superficie orgánica C
kg C ha -1
surfC
En resumen, el diseño del análisis de sensibilidad comprende dos
tablas: (1) una tabla de entrada con 1388 líneas que corresponden a la
número de simulaciones (una simulación para una combinación de valores
ues para parámetros de entrada o factores de gestión) y 32 columnas
correspondiente a los parámetros y factores de gestión seleccionados
(ver Tabla 3 ) y (2) una tabla de salida, con las 1388 líneas (número de
simulaciones) y 14 columnas que son las 14 variables del modelo
respuesta (ver Tabla 4 ).
El método utilizado para acoplar las dos tablas fue la co-inercia
análisis, que puede considerarse como una alternativa a la clase
mtodos sicos multivariados basados ​​en la descomposicin de la varianza. Eso
proporciona una descripción general de las relaciones lineales entre la entrada
y las tablas de salida y produce puntuaciones que son el resultado de la
maximización tanto de la covarianza de parámetros como de variables
pertenecientes a la misma tabla y la covarianza de parámetros o
variables de una tabla a otra. En otras palabras, la co-inercia anal-
ysis ayuda a sintetizar al mismo tiempo la redundancia entre
variables de salida y relaciones entre parámetros de entrada o
factores y variables de salida. Puede hacer frente a una gran cantidad de
parámetros o factores de entrada y con colinealidad entre salida
variables, y puede tener en cuenta un desequilibrio entre el número
número de simulaciones y el número de entradas, en contraste con otras
métodos de acoplamiento de datos conocidos como análisis de componentes principales y
análisis de correlación canónica (Thioulouse y Lobry, 1995 ) . Teoría
y los detalles de los algoritmos de análisis de co-inercia se describen en
Chessel y Mercier (1993) un nd Dolédec y Chessel (1994) .
2.4.2. Efectos del clima en las relaciones de entrada / salida del modelo
El efecto de las condiciones climáticas (en particular las lluvias) en el
estabilidad de las relaciones entre parámetros o factores de entrada
y las variables de salida se analizaron repitiendo la simulación 1388
ulaciones realizadas en las condiciones climáticas de 2009/2010
para un cultivo más seco (2006/2007) y más húmedo (2007/2008)
hijo. La estabilidad de la respuesta del modelo se evaluó mediante la
Página 7
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
47
Coeficiente de correlación VD, una generalización multivariante de la
coeficiente de correlación de Pearson al cuadrado (Robert y Escoufier,
1976 ) . Por lo tanto, el coeficiente RV (0 = no correlacionado, 1 = correlacionado)
mide la reproducibilidad de la correlación entre el modelo
las tablas de entrada y salida de una temporada a otra.
2.4.3. Sensibilidad del modelo a los parámetros relacionados con CA
Se realizó un análisis de sensibilidad local para mejorar
comprender los efectos potenciales de la práctica de AC (labranza cero y
mulching) sobre el rendimiento de los cultivos. La sensibilidad del modelo a lo siguiente
Se analizaron tres parámetros y variables del modelo: el modelo estable
(o pasivo, ver CENTURY, Parton et al., 1987 ) fracción de carbono del suelo
(fijado al 60%, 70%, 80% y 90% del carbono orgánico total en el
suelo), la profundidad de crecimiento óptimo de las raíces (limitado a 22, 30, 56 y
100 cm) y la cantidad de residuos de cultivos que quedan en la superficie del suelo a
siembra (0, 1270, 2700 y 3940 kg de materia seca ha -1 ). La combinación
nación de valores de parámetro que representa mejor el convencional
el tratamiento de arado es el carbono estable del suelo establecido en el valor más bajo,
es decir, 60% (debido a los efectos de la labranza en la agregación y
carbono del suelo protegido), una profundidad de desarrollo óptimo de las raíces restringido
a 22 cm (debido a la bandeja del arado entre 20 y 25 cm) y no
mantillo de residuos de maíz. La combinación de valores que representan
el tratamiento CA es el carbono estable del suelo establecido en 90%, una raíz óptima
crecimiento a más de 100 cm de profundidad del suelo y una cantidad de mantillo establecida en 1270 kg
materia seca ha -1 o más.
3. Resultados
3.1. Estudio de caso de Zambia: calibración y prueba de modelos
Tabla 1 un nd 2 muestran la combinación de valores para el modelo seleccionado
parámetros que aseguraron el mejor ajuste a los datos observados de la
Tratamiento CP, mientras que la Tabla 5 g Ives una visión general de la capacidad de
DSSAT para reproducir los datos de rendimiento y desarrollo del maíz observados
de 2005 a 2011 bajo el tratamiento CP y CA, respectivamente.
3.1.1. Calibración del modelo: tratamiento CP
Resultados de la calibración del modelo para el tratamiento CP durante el
En la Fig.3 se muestran seis temporadas del experimento . Elegimos no
considerar las temporadas 2005/2006 y 2008/2009 para la calibración de
las variedades SC513 y MRI624, respectivamente, ya que no
capaz de ajustar el modelo lo suficientemente bien a los datos de rendimiento observados de
estas estacionesFigura 3 ,Tabla 5 ) , probablemente porque otros factores además de
los simulados por DSSAT pueden haber tenido un efecto sustancial en el cultivo
crecimiento durante estas temporadas. En 2005/2006, el modelo superó en gran medida
biomasa aérea total prevista (+ 51% de desviación de la predicción),
resultando también en una sobreestimación (+ 40% de desviación de predicción) de
producción de grano. En 2008/2009, se sobrestimó el rendimiento de grano (+ 42% antes
desviación de dicción), mientras que la producción de biomasa aérea fue
razonablemente bien predicho (+ 10% de desviación de la predicción). Por la-
desviación de la predicción del centaje para el índice de cosecha durante ese
temporada fue de + 28%, lo que sugiere que la partición de la
ter a granos no se reprodujo correctamente. Para las otras temporadas
el modelo predijo la biomasa aérea total con predicción
desviaciones entre 0% y 4% ( Fig. 3 B ). Valores RMSE normalizados
para las simulaciones de rendimiento de grano con calibración del modelo fueron del 10% para
SC513 y 26% para MRI624 (Cuadro 5 ).
3.1.2. Prueba de modelo: tratamiento CA
Las simulaciones de CP anteriores se realizaron con una raíz óptima
desarrollo limitado a los primeros 22 cm, reproduciendo los efectos de un
sartén de arado. Para las simulaciones del modelo del tratamiento CA, óptimo
El desarrollo de las raíces ya no se limitaba a los 22 cm superiores del suelo.
profundidad pero se extendió a 100 cm, se eliminó la labranza y se colocó un mantillo
de residuos de maíz se agregó al momento de la siembra. El resultado simulado
resultados del modelo de fenología del maíz, biomasa aérea total y
El rendimiento de grano en comparación con los valores observados se muestra en la Fig.4 .
Para la variedad SC513, los RMSE normalizados para rendimiento de grano
y las predicciones fenológicas fueron del 12% y menos del 6%, respectivamente
( Tabla 5 ) . Para la variedad MRI624, los RMSE normalizados indican
que el tratamiento CA se simuló igualmente bien como el tratamiento CP
ment: un RMSE normalizado de alrededor del 10% para la fenología y de
alrededor del 25% para el rendimiento de grano ( Cuadro 5 ) . Desviación de predicción porcentual
ciones para la biomasa aérea total osciló entre -14% y
+ 8% ( Figura 4 B ). Los diagramas de caja (Figs. 3 B y 4 B ) ilustran también la
gran variabilidad en la biomasa aérea de maíz observada y la biomasa de grano
rendimiento para una temporada determinada, una característica que no fue capturada por el
modelo DSSAT determinista.
3.2. Análisis de sensibilidad global de la salida del modelo
Relaciones
Entre
la
modelo
aporte
parámetro
los factores de gestión y las variables de salida del modelo se
explorado por primera vez para una temporada con precipitaciones normales (2009/2010). Figura 5
muestra los resultados del análisis de co-inercia, vinculando las tablas de
modelo de variables de entrada y salida. Cuatro componentes principales
eran pertinentes a priori (ver los valores propios, Fig.5 ) para describir
las relaciones. Sin embargo, dado que el cuarto eje no aumentó
la covarianza global, limitamos nuestra discusión a los tres primeros
ejes principales. Cada eje principal está asociado con un valor propio
y representa una parte de la covarianza explicada. Parámetros
que tienen las puntuaciones más altas están representadas por las flechas más largas.
Las flechas grandes que apuntan en la misma dirección tienen un fuerte positivo
correlación, mientras que las flechas grandes que apuntan en direcciones opuestas
tienen una fuerte correlación negativa, y las flechas perpendiculares son
no correlacionado. Parámetros de entrada que contribuyen menos al modelo
La respuesta (las zonas grises) se amplía para una mejor visualización.
Los acrónimos utilizados para los parámetros / factores de entrada son los de DSSAT,
explicado en la Tabla 3 . Las variables de salida y sus abreviaturas son
descrito en la Tabla 4 .
En los dos primeros componentes principales ( Fig.5 , arriba, derecha),
cuatro parámetros / factores de entrada del modelo estaban particularmente bien representados
resentido: tiempo térmico desde la emergencia hasta el final de la fase juvenil
(P1), tiempo térmico desde la formación de seda hasta la madurez fisiológica (P5) y
el filocrón o intervalo de tiempo entre apariciones de sucesivas
hojas (PHINT), y la cantidad de mantillo (RAMT), lo que significa que
contribuyeron en gran medida a la respuesta del modelo. El gran tamaño de la flecha
de la cantidad de mantillo (RAMT) en el factorial — eje 1, eje 2 — plano
se relacionó en parte con la gran variación en los valores de RAMT (desde
0 a 6 Mg ha -1 ). El primer eje fue definido principalmente por P1 que fue
positiva y altamente correlacionada con dos grupos de variables de salida,
incluyendo respectivamente la biomasa aérea (Biom) y la madurez
fecha (Mat). Esto significa que P1 contribuyó en gran medida a la variabilidad
de estas variables de producción de cultivos. P5 fue positiva y altamente
correlacionado con P1. Por el tamaño de la flecha, podemos ver que el modelo
La respuesta fue menos sensible a P5 que a P1. El eje factorial
1, eje 3 — plano (Fig.5 , abajo, izquierda) muestra que P5 afectó a la
principalmente la fecha de vencimiento (Mat), mientras que la fecha de seda (Silk) fue
más específicamente afectados por P1. El análisis de co-inercia también muestra
que PHINT se correlacionó negativamente con el total sobre el suelo
biomasa (Biom), índice de área foliar (LAIm) y trans-
espiración (Transpi), mientras que existía una correlación positiva entre
PHINTyvaporación acumulativa del suelo (sEvap) en el eje factorial
1, eje 2 — plano, y entre PHINT y el contenido total de humedad del suelo
(sMoist) en el plano factorial (eje 1, eje 3). De hecho, el DSSAT
Los mecanismos del modelo hacen que se produzca un retraso en el desarrollo de las hojas.
en menos transpiración por el cultivo, más humedad del suelo y eventualmente
más evaporación del suelo. De los tamaños de flecha y ubicaciones de la
cantidad de mantillo (RAMT), la tasa de drenaje del suelo (SLDR) y de la
variables sEvap y surfC, podemos inferir que el segundo eje fue
definido principalmente por las propiedades de la superficie del suelo, mientras que el tercer eje
Página 8
48
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
Cuadro 5
Errores cuadráticos medios (RMSE) normalizados entre los valores observados y simulados para las corridas DSSAT para el experimento de maíz en Monze, Zambia. La temporada 1 corresponde
a la temporada de crecimiento 2005–2006, temporada 6 a 2010–2011. Las temporadas 1 (2005/2006) y 4 (2008/2009) no fueron consideradas para la calibración de las variedades SC513 y
MRI624, respectivamente, en el tratamiento CP.
Tratamiento
Variable
Variedad SC513
Variedad MRI624
Temporadas 1 y 2
Temporada 2 (calibración)
Temporadas 3 a 6
Temporadas 3, 5 y 6 (calibración)
CP
Fecha de seda
3,0%
4,0%
7,2%
7,1%
Fecha de vencimiento
2,4%
3,4%
9,3%
8,6%
Producción de grano
25%
10%
31%
26%
Biomasa vegetal por encima del suelo
38%
10%
23%
24%
California
Fecha de seda
5,3%
10%
Fecha de vencimiento
2,4%
11%
Producción de grano
12%
23%
Biomasa vegetal por encima del suelo
13%
26%
CP: tratamiento de labranza convencional. CA: tratamiento de agricultura de conservación.
(A)
(B)
Fig. 3. (A) Comparación de la fenología y el rendimiento de grano del maíz observado y simulado (modelo DSSAT), y (B) observado (diagramas de caja y bigotes) y simulado (puntos, DSSAT
modelo) biomasa aérea para el tratamiento con PC del experimento en Monze, Zambia (temporada de crecimiento 2005 / 2006–2010 / 11). Las predicciones del modelo se compararon con
valores medios de las observaciones y expresados ​​como porcentaje de desviación de la predicción.
se definió principalmente por las propiedades de la capa superficial del suelo (SAOC.22,
SASC.22 y SDUL.22, consulte la Tabla 3 ) . En ambos planos factoriales ( Fig.5 ),
RAMT afectó primaria y positivamente el carbono orgánico superficial.
contenido (surfC) y en menor medida el contenido total de humedad del suelo
(sMoist), ya que este último se correlacionó negativamente con el acumulado
evaporación del suelo (sEvap) y escorrentía acumulativa de agua (Run).
Tres grupos principales de variables de producción de producción agrícola (Tabla 4 )
podría distinguirse en los dos primeros componentes principales (Figura 5 ,
arriba, izquierda) .Un primer grupo se asoció con el primer grupo e incluye
biomasa aérea total (Biom), IAF máximo (LaiM), acumulación
transpiración del cultivo lativa (Transpi) y nitrógeno acumulado del cultivo
captación (Nup). Un segundo grupo que se proyectó sobre los ejes 1
y 2, incluyó las fechas de sedación (Silk) y vencimiento (Mat). A
El tercer grupo estaba compuesto por rendimiento de grano (Rendimiento) y fue positivamente
correlacionado con el primer eje y, por tanto, el primer grupo de variables de salida
ables, pero el tamaño de la flecha indicó que su varianza era más
difusamente representados que los de los otros grupos. Esto significa
que el rendimiento de grano no estaba fuertemente determinado por un solo modelo
parámetro o factor de entrada. Los tamaños de las flechas de la entrada
los parámetros / factores eran en conjunto relativamente pequeños (Fig.5 , derecha).
Los coeficientes genéticos, la fertilización con nitrógeno mineral y la
el carbono orgánico de la primera capa del suelo fueron los más determinantes
factores para las variables de producción de cultivos simuladas. La cantidad de
mantillo estaba explicando la variabilidad en el rendimiento de grano a un relativamente pequeño
grado. Esto es consistente con el hecho de que en DSSAT residuos de cultivos
el acolchado no tiene un efecto directo sobre el rendimiento del cultivo simulado. La aplicación
cación de mantillo tuvo principalmente un efecto sobre el carbono orgánico simulado
contenido, (en primer lugar en la capa superficial del suelo, pero también en el
capa de suelo debajo), y en la evaporación del suelo simulada.
3.3. Efecto de las condiciones estacionales sobre la estabilidad del modelo
respuesta
Para comparar el posible impacto de un secador (2006/2007,
510 mm de lluvia) o temporada de cultivo más húmeda (2007/2008, 1000 mm
lluvia) en las relaciones entre los parámetros de entrada del modelo
eters / factores de gestión y las variables de salida, valores de RV
fueron calculados. Estos valores de RV indicaron que las relaciones
fueron muy estables: RV = 0,98 entre 2009/2010 y 2006/2007,
RV = 0,98 entre 2009/2010 y 2007/2008 y RV = 0,97
Página 9
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
49
(A)
(B)
Fig. 4. (A) Comparación de la fenología y rendimiento de grano del maíz observado y simulado (modelo DSSAT), y (B) observado (diagramas de caja y bigotes) y simulado (puntos, DSSAT
modelo) biomasa aérea para el tratamiento con AC del experimento en Monze, Zambia (temporada de crecimiento 2005 / 2006–2010 / 11). Las predicciones del modelo se compararon con
valores medios de las observaciones y expresados ​​como porcentaje de desviación de la predicción.
entre 2006/2007 y 2007/2008. Por lo tanto, los hallazgos sobre
comportamiento del modelo descrito en la sección anterior eran válidos para
una gama relativamente amplia de condiciones de crecimiento de cultivos.
3.4. Sensibilidad del modelo local a tres parámetros clave del modelo para CA
simulaciones de modelos
Analizamos la sensibilidad de la respuesta del modelo a tres
parámetros / factores del modelo que son clave para simular la práctica de CA
tice, es decir, la profundidad del suelo para un desarrollo óptimo de las raíces, la cantidad
de mantillo y la fracción estable de carbono del suelo. Como se esperaba, el más alto
rendimiento de grano de maíz simulado se produjo con la profundidad máxima para
desarrollo óptimo de la raíz (100 cm de profundidad), la mayor cantidad de
mantillo (3940 kg ha -1 ), y la fracción de carbono estable más baja (60% de
el carbono total del suelo), lo que da como resultado el mínimo
eralización de la materia orgánica del suelo. Del mismo modo, el rendimiento de grano más bajo fue
simulado con la profundidad mínima para un desarrollo óptimo de la raíz
(22 cm de profundidad), la fracción más alta de carbono estable del suelo (90% del
carbono total del suelo) y sin mulching. Sin embargo, dentro de estos
límites, los efectos simulados de la fracción de carbono estable del suelo
(Fig.6 A ), la profundidad para un crecimiento óptimo de las raíces ( Fig.6 B ) y el mantillo
Monto (Fig. 6 C) no eran lineales. Por ejemplo, en el caso de un 22 cm
profundidad de enraizamiento sin mulching (Fig.6 A ), una reducción del 10% de la
El carbono estable del suelo condujo a un aumento del rendimiento de grano del 0,1, 1,4 y 0,4%.
para contenidos de carbono estable inicial de, respectivamente, 90%, 80% y 70%
del carbono total del suelo. En el caso de una profundidad de enraizamiento de 100 cm y
de 3940 kg de mantillo ha -1 , el aumento de rendimiento se convirtió en 0,5, 0,2 y 0,1%.
Estos resultados muestran que el rendimiento de grano simulado se vio débilmente afectado
por cambios en la fracción estable de carbono del suelo en el contexto de este
estudio (Lixisol, condiciones climáticas de 2009/2010,> 100 kg N ha −1
de aplicación de fertilizantes químicos). Por otro lado, un aumento
de la profundidad para un crecimiento óptimo de la raíz de 22 a 30 cm condujo a una
ganancia de rendimiento de entre 3,3 y 8,7%. Un desarrollo de la raíz óptimo más profundo
El mejoramiento permite un mejor aprovechamiento del agua del suelo. Curiosamente, el rendimiento
El aumento permaneció débil cuando la profundidad de enraizamiento aumentó de 30 a
56 cm. A continuación, debemos tener en cuenta que en DSSAT, el crecimiento de la raíz
La tasa se simula a través de una función empírica no lineal que
determina que cuanto más profunda es una capa de suelo, menor es la raíz absoluta
el crecimiento en esa capa es. Además, las simulaciones mostraron que
la presencia de un mantillo de residuos de cultivos tuvo un fuerte efecto sobre el grano
rendimiento, cuando se restringió el crecimiento de las raíces, pero el efecto fue pequeño
con enraizamiento óptimo profundo y, por lo tanto, absorción de agua del suelo más profundo
capas.
Este análisis ilustró los efectos interactivos de estos modelos
parámetros / factores sobre el rendimiento de grano previsto. DSSAT respondió a
acolchado de residuos de cultivos, especialmente si la profundidad de enraizamiento está restringida,
por una cacerola de arado duro.
4. Discusión
4.1. Necesidad de un análisis de sensibilidad global
El desarrollo inicial de DSSAT comenzó a finales de los ochenta con
el objetivo de integrar conocimientos sobre cultivos, suelos, clima y
gestión para tomar mejores decisiones sobre la transferencia de cultivos
tecnologías de producción de un lugar a otro donde los suelos
y el clima difiereJones et al., 2003 ) . Antes, investigadores en cultivo
la genética, la fisiología vegetal y la ciencia del suelo trabajaron desde sus propias
disciplinas para avanzar en el desarrollo de componentes específicos
de modelos de cultivos y suelos. Estos esfuerzos dieron como resultado el desarrollo de
por ejemplo, el modelo CERES-Maize (Jones y Kiniry, 1986 ) y el CEN-
Modelo de suelo TURY ( Parton et al., 1987 ) . Con el desarrollo de la
modelo de sistema de cultivo DSSAT, estos modelos anteriores fueron revisados
para hacerlos compatibles y se desarrollaron modelos adicionales de cultivos y suelos
construido (Jones et al., 2003 ) . DSSAT siguió evolucionando durante los últimos
años, con, por ejemplo, la incorporación del modelo de residuos de cultivos superficiales
ulePorter et al., 2010 ) . La creciente complejidad del modelo condujo a una
dificultad creciente sobre cómo manejar una herramienta que sufre de
parametrización 'en el sentido de que los resultados dados del modelo podrían
obtenido a partir de diferentes combinaciones de valores de parámetros (colineales)
ues. En otras palabras, el efecto de un parámetro en la salida del modelo
Página 10
50
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
GDDE
P1
P5
PHINT
SLDR
SLRO
SAOC.22
FAMN.30
RAMT
SASC.22
SLLL.22
SLLL.56
SDUL.56
Eje 1
Eje 2
FAMN.50
d = 0,2
Emer
Seda
Estera
Producir
Biom
Transpi
sEvap
Nup
Correr
LaiM
surfC
húmedo
sN
netNminer
RUDA
KCAN
DSGFT
G2
G3
SLU1
SADM.22
SH2O
SNO3
FAMN.0
PSLIG
SCN
SADM.56
SAOC.56
SASC.56
SDUL.22
SSAT.22
SSAT.56
0,00,5
1.0
1,5
2.02.5
3.03.5
Autovalores
(ejes)
Salida var. puntuaciones
Parámetro de entrada puntuaciones
En el eje 1 y el eje 2:
Eje 1
Eje 2
En el eje 1 y el eje 3:
d = 0,2
Emer
Seda
Estera
Producir
Biom
Transpi
sEvap
Nup
Correr
LaiM
surfC
húmedo
sN
netNminer
KCAN
DSGFT
GDDE
P1
P5
PHINT
SLDR
SLRO
SAOC.22
FAMN.30
FAMN.50
RAMT
SAOC.56
SASC.22
SASC.56
SLLL.22
SLLL.56
SDUL.22
SSAT.22
SDUL.56
RUDA
G2
G3
SLU1
SADM.22
SH2O
SNO3
FAMN.0
PSLIG
SCN
SADM.56
SSAT.56
Eje 1
Eje 3
Eje 1
Eje 3
Fig. 5. Gráficos de análisis de co-inercia de los resultados del análisis de sensibilidad global del modelo DSSAT: arriba, factorial — eje 1, eje 2 — plano para las variables de salida del modelo (izquierda) y
parámetros de entrada (derecha) y, en la parte inferior, factorial — eje 1, eje 3 — plano para las variables de salida del modelo (izquierda) y los parámetros de entrada (derecha). DSSAT se ejecutó para un experimento de maíz en
Monze, Zambia. Los valores propios (covarianza total explicada por cada eje de co-inercia) se muestran en el recuadro (arriba a la derecha). Parámetros de entrada que contribuyen menos a la respuesta del modelo
(las zonas grises) se amplían para una mejor visualización. Los acrónimos utilizados para los parámetros de entrada son los de DSSAT, que se explican en la Tabla 3 . Los acrónimos de las variables de salida son
dado en la Tabla 4 . Vea el texto para mayor información.
no sólo se correlaciona con la estructura del modelo, sino también con la
valores de otros parámetros y datos de entrada ( Reichert y Omlin,
1997; Wallach y col., 2002 ) . Esto hace que la parametrización del modelo
y uso difícil. El análisis de sensibilidad es un medio útil para identificar
determinar los parámetros importantes que gobiernan la salida del modelo y, en
consecuencia, cuyos valores deben cuantificarse cuidadosamente.
Con la parametrización de DSSAT para un experimento de maíz en
Zambia bajo prácticas contrastantes de labranza y manejo de residuos
tices, enfrentamos dificultades para cuantificar con precisión los valores de
varios parámetros de cultivo, como los coeficientes de cultivo genético
o la eficiencia del uso de la radiación, y de parámetros del suelo como el suelo
límite de evaporación de agua, tasa de drenaje o carbono orgánico estable.
Incluso con datos de campo disponibles sobre propiedades del suelo, fenología de cultivos,
biomasa y rendimiento de grano, fueron necesarios supuestos importantes para establecer
los valores de varios parámetros del modelo. Por otro lado, algunos
de estos parámetros pueden representar solo una pequeña parte de la salida
varianza y, por lo tanto, no requieren una determinación precisa. los
El análisis de sensibilidad evaluó la contribución de diferentes modelos.
parámetros a la salida del modelo.
4.2. El método de la co-inercia
No existe un enfoque único para el análisis de sensibilidad de simulaciones
modelos de ulación. En general, se distinguen dos categorías principales
(Cariboni et al., 2007 ) : análisis de sensibilidad local y global. El local
El análisis de sensibilidad examina la respuesta local de los resultados del modelo.
variando los valores de los parámetros de entrada uno a la vez mientras se mantiene
fijando los valores de otros parámetros. Análisis de sensibilidad local
son relativamente fáciles de implementar y tienen un bajo cálculo
costo, pero los resultados dependen en gran medida del valor inicial de
los parámetros de entrada. En cambio, el análisis de sensibilidad global explora
todo el espacio de parámetros multidimensionales simultáneamente, es decir,
Página 11
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
51
Fig. 6. Resultados del análisis de sensibilidad local de DSSAT que muestra las respuestas del rendimiento del grano de maíz en función de la fracción de carbono del suelo estable (A), la profundidad de la raíz óptima
desarrollo (B) y la cantidad de mantillo de residuos de cultivos en el momento de la siembra (C) para el experimento de maíz en Monze, Zambia.
para una variable de salida específica la influencia de parámetros individuales
y se cuantifican las interacciones entre parámetros. Varios
Existen métodos para el análisis de sensibilidad global, basados ​​en la varianza.
descomposición (por ejemplo, el método de Sobol '), en regresiones o en
cribado (por ejemplo, el método de Morris). Confalonieri et al. (2010) c om-
comparó diferentes enfoques de análisis de sensibilidad global para un arroz
modelo de crecimiento (WARM, modelo de arroz de contabilidad del agua) y
cluyó que todos dieron como resultado resultados relativamente similares. Lo más simple
entre los métodos utilizados (es decir, el método de Morris) produjo resultados
comparables a los obtenidos por métodos más computacionalmente
caro. Argumentamos que además del tiempo de manipulación, la visualización
de los resultados es un criterio importante para la elección de un
mtodo de anlisis de actividad, ya que facilita la interpretacin de
datos dimensionales.
La co-inercia es un método multivariado que permite el análisis de
un par de tablas de datos numéricos de una manera robusta, es decir, independientemente de
el número de columnas o líneas, y con posible colinealidad
entre las variables. Usamos este método para nuestro sentido global
análisis de sitividad. El análisis de co-inercia busca pares de ejes
con máxima covarianza ( Dolédec y Chessel, 1994 ) . Se adapta
una nube multidimensional de puntos de datos de tal manera que cuando
se proyecta en un espacio bidimensional cualquier patrón intrínseco
los datos que puedan poseer se hacen evidentes tras una inspección visual.
Los diagramas de ordenación o planos factoriales son, por tanto, un importante
ayudar en la interpretación de los datos y nos ayudó a comprender
el funcionamiento general del modelo DSSAT mostrando patrones de
covariabilidad entre los parámetros del modelo y entre el modelo
parámetros y variables de salida ( Fig. 5 ) . El coeficiente de cultivo genético
ficientes P1 (tiempo térmico desde la emergencia hasta el final de la fase juvenil),
P5 (tiempo térmico desde la seda hasta la madurez fisiológica) y PHINT
(intervalo de filocrón) determinaron en gran medida el cultivo
variables de producción, incluido el rendimiento de grano. Nuestros resultados estaban en
acuerdo con los de Jones et al. (2012) w ho exploró la DSSAT
respuesta del modelo en términos de rendimiento de grano a 17 parámetros de cultivo y suelo
eters que utilizan el método de Sobol. Estos autores concluyeron que en
Entornos de crecimiento de plantas no limitantes Rendimientos de grano simulados
están determinados principalmente por los coeficientes de cultivo genético,
mientras que en climas semiáridos y en suelos pobres la contribución
de los parámetros de entrada de cultivares genéticos se redujo en gran medida en el
gasto de los parámetros del modelo que describen el agua y los nutrientes del suelo
dinámica.
4.3. Parametrización de DSSAT
Nuestra parametrización de los coeficientes de cultivo genético
( Tabla 2 ) y los parámetros del suelo ( Tabla 1 ) en DSSAT llevaron a una
buena reproducción del desarrollo observado del maíz, biomasa
y los valores de rendimiento de grano durante las seis temporadas de cultivo, tanto para el
Tratamientos CP y CA, como lo indican los valores de RMSE entre
datos observados y simulados. La fenología fue bien predicha para
todas las estaciones (Figs. 3A y 4A). Biomasa aérea y grano
Sin embargo, los rendimientos no se reprodujeron bien en los seis cultivos marinos.
hijos (Figs. 3 y 4 ) . En particular, los rendimientos de biomasa y grano de la
El tratamiento con PC durante la primera temporada se sobrestimó fuertemente.
Las razones de esto no estaban claras. Sorprendentemente, biomasa y cereales
Los rendimientos del tratamiento CA durante esta temporada fueron bien ajustados por
el modelo. Análogamente, el rendimiento de grano del tratamiento CP para el mar.
hijo 2008/2009 no fue bien reproducido y sobreestimado por el
modelo. Aquí, debe tenerse en cuenta que el índice de cosecha observado fue
inusualmente bajo (0.38), mientras que el índice de cosecha simulado fue bastante
alto (0,52).
Los parámetros del cultivar, 'P1, tiempo térmico de las plántulas emergen
gencia hasta el final de la fase juvenil, 'P5, el tiempo térmico desde
sedosidad hasta la madurez y el final de la fase juvenil y 'PHINT',
intervalo filocrónico, es decir, el intervalo de tiempo térmico entre
apariciones sucesivas de la punta de la hoja son la entrada del modelo más influyente
parámetros para los que deben determinarse valores precisos. Final de
La fase juvenil se define como el momento en el que se puede iniciar el inicio de la borla.
observado en el 50% de las plantas observadas, y debe determinarse
mediante muestreo destructivo diseccionando plantas y observando
el meristemo apical utilizando un microscopio para cualquier desarrollo de
yemas florales en el intervalo de 2-3 días a partir del décimo día después
emergencia ( Gungula et al., 2003 ) . PHINT se estima por el inverso
de la pendiente de la regresión lineal del número de acumulados
Pagina 12
52
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
u hojas emergidas en el tallo principal contra la acumulación térmica
hora. Determinación del número de hojas y puntas de hojas completamente expandidas
necesita un seguimiento preciso (y semanal) de un número suficiente de
plantas en condiciones de campo. Para P5, el tiempo de formación de estigmas se registra en
campo cuando se notan estigmas en el 50% de las plantas observadas. en un
De manera similar, el tiempo de madurez fisiológica se registra en el campo.
como el día en que se han formado el 50% de los granos en cada mazorca observada
una capa negra, lo que indica que no hay más acumulación de asimilados
es posible.
4.4. Respuesta de DSSAT a la práctica de CA
Los puntajes del análisis de co-inercia ( Fig.5 ) ilustraron que el
cantidad de mantillo (RAMT) afecta fuerte y positivamente
contenido de carbono de la superficie del suelo (surfC) y humedad del suelo (sMoist), y
negativamente la evaporación del suelo (sEvap) y la escorrentía (Run). Como consecuencia,
bajo estrés por sequía, la práctica de mulching afecta simuladamente
rendimiento de grano positivamente. Los resultados del análisis de sensibilidad local
robó esto. La aplicación de un mantillo de residuos de cultivos afectados
rendimiento de grano simulado más positivamente cuando la absorción de agua era limitada
como resultado de un crecimiento radicular óptimo limitado, en comparación con un
situación con un profundo desarrollo óptimo de las raíces y un mayor acceso
a más agua del suelo.
Para poder reproducir con DSSAT el aumento de rendimiento bajo CA
en comparación con CP, era necesario incluir un efecto de profundidad de enraizamiento,
además del mantillo y los efectos de la labranza cero. Bajo CP opti-
El desarrollo de la raíz del mal se limitó a la capa de arado (22 cm),
mientras que bajo CA las raíces se pueden desarrollar de manera óptima a 100 cm de profundidad. los
aparición de una cacerola dura causada por arar repetidamente al mismo
La profundidad es una característica común en suelos francos y arcillosos ( Materechera y
Mloza-Banda, 1997 ) . Una sartén dura restringe el crecimiento de las raíces y el agua
percolación, que puede tener efectos graves sobre el crecimiento de las plantas, especialmente
cialmente si la capa superior del suelo se seca (Adeoye y Mohamed-Saleem, 1990 ).
Finalmente, en nuestro estudio, los efectos simulados del acolchado de residuos de cultivos
sobre el contenido de carbono del suelo y la inmovilización / mineralización de nitrógeno
fueron relativamente pequeños y no tuvieron ningún efecto en el rendimiento de grano dado el
Aplicación de fertilizante mineral de 108 kg N ha −1 año −1 . (Simulado)
Los efectos del tratamiento AC versus CP sobre el carbono del suelo se vuelven pro-
sustantivo a largo plazoCorbeels et al., 2014 ).
5. Conclusiones
Los resultados de nuestro estudio ilustran que para simular el rendimiento
efectos de la AC, se requiere un diagnóstico agronómico sobre lo que el sitio-
Los factores específicos son los que explican las diferencias de rendimiento entre CA
y CP. Algunos de estos factores no se simulan mecánicamente
por DSSAT, pero se puede incorporar en el modelo a través de una adecuada
parametrización de los parámetros relevantes. Este es el caso de, por ejemplo,
diferencias en la estructura del suelo como resultado de la práctica de AC versus
CP, que puede tener un efecto sobre el rendimiento de los cultivos. DSSAT no simula
tardía estos efectos estructurales del suelo. En nuestro estudio tuvimos que introducir
un efecto de profundidad de enraizamiento para reproducir el maíz observado
diferencias de rendimiento entre el CP (labranza y sin residuos) y el CA
(labranza cero y acolchado de residuos de cultivos). Bajo CP la raíz óptima
El crecimiento se restringió a la capa superior de suelo de 22 cm como resultado de
la formación de una bandeja dura justo debajo de la profundidad de arado, mientras
bajo CA, el crecimiento óptimo de la raíz en el modelo no estaba restringido. Sim-
Los efectos del mulching sobre los rendimientos fueron más pronunciados cuando
la profundidad para un desarrollo óptimo de las raíces y, por lo tanto, el agua del cultivo (y
la absorción de nutrientes) fue restringida.
Se utilizó el análisis de co-inercia para analizar y visualizar
cómo responden 16 variables de salida del modelo DSSAT a 32 parámetros de entrada
eters, considerando correlaciones de parámetros y relaciones no lineales.
El análisis de co-inercia se puede utilizar para inspeccionar e identificar visualmente la influencia.
parámetros del modelo inicial que deben estimarse a partir de experimentos
y observaciones. Por otro lado, aquellos parámetros con un pequeño
La contribución a la salida del modelo se puede excluir de la calibración.
ejercicio y se puede establecer igual a cualquier valor dentro de su rango. Esta
contribuye a simplificar el uso del modelo y es útil para calibrar
ción de este tipo de modelos complejos de crecimiento de cultivos para múltiples sitios
oa escala regional. En las condiciones de nuestro estudio, la genética
Los coeficientes de cultivo fueron los parámetros del modelo más influyentes.
Expresiones de gratitud
Este estudio se ha realizado como parte del CA2Africa
Proyecto CSA-SA (n. ° 245347), Séptimo Programa Marco de la UE: 'Con-
Agricultura de servicio en ÁFRICA: Analizando y evaluando su
Impacto: comprender su adopción ”. Los autores agradecen
los colegas de la unidad de investigación AIDA (CIRAD) para las discusiones
sobre el uso de modelos de sistemas de cultivo.
Referencias
Adeoye, KB, Mohamed-Saleem, MA, 1990. Comparación de los efectos de alguna labranza
métodos sobre las propiedades físicas del suelo y el rendimiento de maíz y estilo en un entorno degradado
suelo tropical ferruginoso . Labranza del suelo Res. 18, 63–72.
Andales, AA, Batchelor, WD, Anderson, CE, Farnham, DE, Whigham, DK, 2000.
Incorporación de los efectos de la labranza en un modelo de soja. Agric. Syst. 66, 69–98.
Blanco-Canqui, H., Lal, R., 2007. Estructura del suelo y relaciones de carbono orgánico
tras 10 años de manejo de la paja de trigo en labranza cero. Labranza del suelo Res. 95,
240 –254.
Cariboni, J., Gatelli, D., Liska, R., Saltelli, A., 2007. El papel del análisis de sensibilidad en
modelado ecológico . Ecol. Mode 203, 167–182.
Caviglia, OP, Sadras, VO, Andrade, FH, 2013. Modelado de los efectos a largo plazo de
La intensificación de los cultivos revela una mayor productividad del agua y la radiación en
las Pampas Surorientales. Cultivos de campo Res. 149, 300–311.
Chessel, D., Mercier, P., 1993. Couplage de triplets statistiques et liaisons
espèces-environment. En : Lebreton, JD, Asselain, B. (Eds.), Biométrie et
Environment. Masson, París (Francia), págs. 15–44 (francés).
Confalonieri, R., Bellocchi, G., Bregaglio, S., Donatelli, M., Acutis, M., 2010.
Comparación de técnicas de análisis de sensibilidad: un estudio de caso con el arroz
modelo WARM. Ecol. Modelo. 221, 1897-1906.
Corbeels, M., De Graaff, J., Ndah, HT, Penot, E., Baudron, F., Naudin, K., Andrieu, N.,
Chirat, G., Schuler, J., Nyagumbo, I., Rusinamhodzi, L., Traore, K., Mzoba, HD,
Adolwa, IS, 2014. Comprender el impacto y la adopción de la conservación
agricultura en África: un análisis de múltiples escalas. Agric. Ecosyst. Reinar. 187,
155 –170.
Dolédec, S., Chessel, D., 1994. Análisis de co-inercia : un método alternativo para
estudiar las relaciones especies-medio ambiente. Freshw. Biol. 31, 277-294.
Fofana, B., Tamélokpo, A., Wopereis, MCS, Breman, H., Dzotsi, K., Carsky, RJ,
2005. Eficiencia en el uso de nitrógeno por el maíz afectado por un barbecho corto de mucuna
y aplicación de P en la sabana costera de África occidental. Nutr. Cycl. Agroecosista.
71, 227-237.
Gerardeaux, E., Giner, M., Ramanantsoanirina, A., Dusserre, J., 2011. Efectos positivos
del cambio climático en el arroz en Madagascar. Agron. Sostener. Dev., 1–9.
Gijsman, AJ, Hoogenboom, G., Parton, WJ, Kerridge, PC, 2002. Modificación de DSSAT
modelos de cultivos para sistemas agrícolas de bajos insumos que utilizan un suelo orgánico
módulo materia-residuos de CENTURY. Agron. J. 94, 462–474.
Giller, KE, Witter, E., Corbeels, M., Tittonell, P., 2009. Agricultura de conservación y
la pequeña agricultura en África: la visión de los herejes. Cultivos de campo Res. 114, 23–34.
Gowing, JW, Palmer, M., 2008. Desarrollo agrícola sostenible en
África subsahariana : el caso de un cambio de paradigma en la agricultura de la tierra. Uso del suelo
Administrar. 24, 92–99.
Gungula, DT, Kling, JG, Togun, AO, 2003. Predicciones de maíz CERES- maíz
fenología en condiciones de estrés por nitrógeno en Nigeria. Agron. J. 95,
892 –899.
Él, J., Jones, JW, Graham, WD, Dukes, MD, 2010. Influencia de la función de verosimilitud
elección para estimar los parámetros del modelo de cultivo utilizando la probabilidad generalizada
método de estimación de la incertidumbre . Agric. Syst. 103, 256-264.
Jagtap, SS, Abamu, FJ, 2003. Emparejamiento de tecnologías mejoradas de producción de maíz
a la base de recursos de los agricultores en una sabana húmeda. Agric. Syst. 76, 1067–1084.
Jones, JW, Hoogenboom, G., Porter, CH, Boote, KJ, Batchelor, WD, Hunt, LA,
Wilkens, PW, Singh, U., Gijsman, AJ, Ritchie, JT, 2003. El cultivo DSSAT
modelo del sistema . EUR. J. Agron. 18, 235-265.
Jones, JW, Kiniry, JR (Eds.), 1986. CERES-maíz, un modelo de simulación de maíz
crecimiento y desarrollo. Prensa de la Universidad de T&M, College Station.
Jones, JW, Naab, J., Fatondji, D., Dzotsi, KA, Adiku, S., He, J., 2012. Incertidumbres en
Simular el rendimiento de los cultivos en suelos degradados y producción de insumos bajos.
sistemas. En: Kihara, J., Fatondji, D., Jones, JW, Hoogenboom, G., Tabo, R.,
Bationo, A. (Eds.), Mejorando las recomendaciones de fertilidad del suelo en África utilizando
Soporte de Decisiones para Transferencias Agro-Tecnológicas (DSSAT). Springer, págs. 43–59.
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,
Página 13
M. Corbeels y col. / Europ. J. Agronomy 76 (2016) 41–53
53
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. EUR.
J . Agron. 18, 267–288.
Lindquist, JL, Arkebauer, TJ, Walters, DT, Cassman, KG, Dobermann, A., 2005.
Eficiencia del uso de la radiación del maíz en condiciones óptimas de crecimiento. Agron. J. 97,
72 –78.
MacCarthy, DS, Vlek, PLG, Bationo, A., Tabo, R., Fosu, M., 2010. Nutriente modelador
y la productividad del agua del sorgo en los sistemas agrícolas de pequeña escala en un
región semiárida de Ghana. Cultivos de campo Res. 118, 251-258.
Materechera, SA, Mloza-Banda, HR, 1997. Resistencia a la penetración del suelo , raíz
crecimiento y rendimiento del maíz influenciados por el sistema de labranza en las crestas de Malawi.
Labranza del suelo Res. 41, 13-24.
McKay, MD, Conover, WJ, Beckman, RJ, 1979. Una comparación de tres métodos
para seleccionar valores de variables de entrada en el análisis de salida de un
código de computadora . Technometrics 21, 239–245.
Ngwira, AR, Aune, JB, Thierfelder, C., 2014. Modelado de conservación DSSAT
respuesta agrícola del maíz al cambio climático en Malawi. Labranza del suelo Res. 143,
85 –94.
Ogindo, HO, Walker, S., 2005. Comparación de cambios medidos en suelos estacionales
contenido de agua por cultivos intercalados maíz-frijol de secano y cultivos componentes
sistemas en una región semiárida del sur de África. Phys. Chem. Tierra 30,
799 –808.
Parton, WJ, Schimel, DS, Cole, CV, Ojima, DS, 1987. Análisis de factores
controlar los niveles de materia orgánica del suelo en los pastizales de las Grandes Llanuras. Ciencia del suelo. Soc.
Soy. J. 51, 1173-1179.
Pathak, TB, Fraisse, CW, Jones, JW, Messina, CD, Hoogenboom, G., 2007. Uso de
análisis de sensibilidad global para el desarrollo del modelo de algodón CropGro. Soy. Soc.
Agric. Biol. Ing. 50, 2295-2302.
Porter, C., Jones, J., Adiku, S., Gijsman, A., Gargiulo, O., Naab, J., 2010. Modelado
procesos de suelo mediados por carbono orgánico y carbono en DSSAT v4.5. Oper. Res.
10, 247–278.
Equipo central de desarrollo de R, 2009. R: Un lenguaje y entorno para estadísticas
Informática. Fundación R de Computación Estadística, Viena, Austria.
Reichert, P., Omlin, M., 1997. Sobre la utilidad de los métodos ecológicos
modelos. Ecol. Modelo. 95, 289-299.
Ritchie, JT, 1998. Balance hídrico del suelo y estrés hídrico de las plantas. En: Tsuji, GY, et al.
(Eds.), Comprensión de las opciones de producción agrícola, Kluwer Academic
Publ. e Int. Consorcio para Aplicaciones de Sistemas Agrícolas, Dordrecht, The
Países Bajos, págs. 41–53.
Ritchie, JT, Porter, CH, Juez, J., Jones, JW, Suleiman, AA, 2009. Extensión de un
modelo existente para la evaporación y redistribución del agua del suelo en condiciones de agua alta
condiciones de contenido . Ciencia del suelo. Soc. Soy. J. 73, 792–801.
Robert, P., Escoufier, Y., 1976. Una herramienta unificadora para estadísticos multivariados lineales
métodos: el coeficiente RV. Apl. Stat. 25, 257-265.
Rusinamhodzi, L., Corbeels, M., van Wijk, MT, Rufino, MC, Nyamangara, J., Giller,
KE, 2011. Un metaanálisis de los efectos a largo plazo de la agricultura de conservación en
rendimiento del maíz en condiciones de secano: lecciones para África meridional. Agron.
Sostener. Dev. 31, 657–673.
Saseendran, SA, Ma, L., Malone, R., Heilman, P., Ahuja, LR, Kanwar, RS, Karlen,
DL, Hoogenboom, G., 2007. Simulación de los efectos del manejo en los cultivos
producción, drenaje de baldosas y calidad del agua utilizando RZWQM-DSSAT. Geoderma
140, 297-309.
Scopel, E., da Silva, FAM, Corbeels, M., Affholder, F., Maraux, F., 2004. Modelado
efectos del acolchado de residuos de cultivos en el uso del agua y la producción de maíz en
condiciones tropicales semiáridas y húmedas. Agronomie 24, 1–13.
Six, J., Conant, RT, Paul, EA, Paustian, K., 2002. Mecanismos de estabilización del suelo
materia orgánica : implicaciones para la saturación de C de los suelos. Plant Soil 241, 155-176.
Sommer, R., Wall, PC, Govaerts, B., 2007. Evaluación del maíz basada en modelos
cultivos bajo agricultura convencional y de conservación en las tierras altas de México.
Labranza del suelo Res. 94, 83-100.
Thierfelder, C., Mwila, M., Rusinamhodzi, L., 2013. Agricultura de conservación en
provincias del este y sur de Zambia: efectos a largo plazo sobre la calidad del suelo
y productividad del maíz. Labranza del suelo Res. 126, 246-258.
Thierfelder, C., Wall, PC, 2009. Efectos de las técnicas de agricultura de conservación en
infiltración y contenido de agua del suelo en Zambia y Zimbabwe. Labranza del suelo Res.
105, 217-227.
Thierfelder, C., Wall, PC, 2010. Investigando los sistemas de agricultura de conservación (ca)
en Zambia y Zimbabwe para mitigar los efectos futuros del cambio climático. J. Cultivo
Improv. 24, 113-121.
Thierfelder, C., Rusinamhodzi, L., Ngwira, AR, Mupangwa, W., Nyagumbo, I.,
Kassie, GT, Cairns, JE, 2014. Agricultura de conservación en África meridional:
avances en el conocimiento. Renovar. Agric. Food Syst. 30, 328–348.
Thioulouse, J., Lobry, JR, 1995. Análisis de co-inercia de aminoácidos físico-químicos
propiedades y composición de proteínas con el paquete ADE. Comp. Apl. Biosci .:
CABIOS 11, 321–329.
Uri, ND, 2000. Una evaluación de los costos y beneficios económicos de la conservación
labranza . Reinar. Geol. 39, 238–248.
Waddington, SR, Karigwindi, J., 2004. Contribución a largo plazo del maní
rotación y estiércol de ganado para la sostenibilidad de los pequeños agricultores de leguminosas de maíz
sistemas en las zonas subhúmedas de Zimbabwe. En: Friesen, DK, Palmer, AFE (Eds.),
Enfoques integrados para una mayor productividad del maíz en el nuevo milenio.
CIMMYT, Instituto de Investigaciones Agrícolas de Kenia, Nairobi (Kenia), págs. 338–342.
Wallach, D., Goffinet, B., Tremblay, M., 2002. Estimación de parámetros en modelos de cultivos:
explorar la posibilidad de estimar combinaciones lineales de parámetros.
Agronomie 22, 171-178.

Texto original

Sugiere una traducción mejor