Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
Introducción
Se proyecta que el impacto del cambio climático en el sector agropecuario será negativo, debido a sequías prolongadas y alteraciones en los patrones de lluvia (Intergovernmental Panel on Climate Change, 2019). Costa Rica, y en general toda Centroamérica, ha sido identificada dentro de los “puntos calientes” de cambio climático en el área tropical, con reducciones en la precipitación y aumentos de temperaturas mínimas de hasta 4 °C, particularmente en la zona norte del istmo centroamericano (Imbach et al., 2018). Esto conlleva serios impactos en la disponibilidad de agua y la seguridad alimentaria, con potenciales efectos negativos en la producción agropecuaria de Costa Rica (Quesada-Chacón et al., 2021; Secretaría Ejecutiva de Planificación Sectorial Agropecuaria, 2016), en especial durante los años con influencia del fenómeno del Niño.
Con el objetivo de mejorar la gestión del agua en la agricultura, la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) creó el modelo AquaCrop (Steduto et al., 2009), que simula el crecimiento, la productividad y el uso de agua de los cultivos (Salman et al., 2021). Este emplea parámetros de fácil adquisición en campo (datos climáticos, propiedades del cultivo y del suelo) para entender las interacciones clima-suelo y su efecto en la productividad del agua (PA). La PA o eficiencia en el uso del agua (rendimiento/agua utilizada) es una característica integradora que permite evaluar la respuesta de los agroecosistemas al entorno (Steduto et al., 2012; Yadav et al., 2024).
Cultivos como algodón (Gossypium spp.), papa (Solanum tuberosum), maíz (Zea mays), arroz (Oryza sativa), caña de azúcar (Saccharum officinarum), trigo (Triticum spp.), tomate (Solanum lycopersicum) y soya (Glycine max) cuentan con una calibración robusta en AquaCrop, respaldada con datos provenientes de múltiples ensayos bajo distintas condiciones de producción (Raes et al., 2023). Esto permite su uso de forma más confiable para procesos de validación en otras condiciones agroecológicas. En contraste, otros cultivos como el frijol común requieren una etapa previa de calibración y validación para ajustar parámetros específicos del modelo asociados al cultivo (Chinchilla Hidalgo, 2023; Raes et al., 2023).
La soya (Glycine max (L.) Merr.) se encuentra bien parametrizada en AquaCrop (Raes et al., 2023) con múltiples aplicaciones (Dos Santos Farias et al., 2024; Kreutz Rosa et al., 2023; Morales-Santos et al., 2023). Se trata de un cultivo oleaginoso y una leguminosa rica en proteína, del que se siembran aproximadamente 126 millones de ha y se producen 366 millones de toneladas de grano (Food and Agriculture Organization of the United Nations (FAO), s. f.). Además, se espera que su producción ascienda un 0,9 % anual para alcanzar 415 millones de toneladas en el año 2032. En Latinoamérica, su rápido crecimiento, junto con las condiciones agroclimáticas, permite hasta dos ciclos anuales (Organización para la Cooperación y el Desarrollo Económico (OCDE) & FAO, 2023).
En Costa Rica, el cultivo de soya (Glycine max (L.) Merr.) ha vuelto a captar la atención, impulsado por el impacto de diversos factores ambientales, sociales, económicos y geopolíticos, y su producción se ha planteado para disminuir la vulnerabilidad del sector agropecuario (Cordero, 2023). Desde 1990, el Centro de Investigación en Granos y Semillas (CIGRAS) de la Universidad de Costa Rica (UCR) ha trabajado en la adaptación y mejoramiento de variedades de soya para condiciones tropicales (Villalobos & Camacho, 1999). Entre estas, destaca la variedad CIGRAS-06, la cual se desempeña bien bajo condiciones de estrés hídrico; además, su cosecha en etapa R6 representa una estrategia de nutrición animal eficiente (Tobía & Villalobos, 2004).
La utilización de modelos de simulación como AquaCrop podría resultar una herramienta valiosa para la toma de decisiones con miras al establecimiento de nuevas áreas de cultivo o la optimización de las existentes. Sin embargo, es necesario estimar la capacidad del modelo para generar información sobre las variedades locales. Por lo tanto, el objetivo de este estudio fue evaluar el modelo AquaCrop en la estimación del rendimiento y la productividad del agua en el cultivo de la soya variedad CIGRAS-06.
Materiales y métodos
Sitio experimental
La investigación se realizó de junio a octubre de 2018 en la Estación Experimental Agrícola Fabio Baudrit Moreno (EEAFBM) de la UCR (10°00′25″N, −84°15′34″O) a 849 m s. n. m., en la provincia de Alajuela, Costa Rica. La EEAFBM se ubica dentro de la zona de vida del bosque premontano subhúmedo caliente, con una estación seca bien definida de diciembre a abril. La precipitación anual promedio es de 1939,6 mm, la temperatura promedio del aire es cercana a los 22 °C, la humedad relativa promedio es de 78 % y la evaporación promedio es de 1875,9 mm (Gutiérrez et al.,1997).
El suelo de la zona experimental se clasifica dentro del orden de los Inceptisoles y en el suborden Ustepts (Mata et al., 2016). Se caracteriza por ser un suelo joven, de alta fertilidad, con texturas franco-arenosas o franco-arcillosas, con régimen de humedad ústico y buen drenaje (Soil Survey Staff, 2014). Además, no presentó problemas de fertilidad ni acidez según el análisis químico realizado a la siembra.
Componentes del modelo AquaCrop
AquaCrop v. 7.1 es un modelo dinámico que considera el sistema suelo-planta-atmósfera como un continuo para simular el rendimiento potencial de los cultivos herbáceos. Los parámetros mínimos de entrada son los componentes del clima (temperatura, precipitación, demanda de evaporación y concentración de CO2), del cultivo (días después de la siembra para alcanzar la floración, la madurez fisiológica y la senescencia) y del suelo (parámetros físicos que determinan el flujo de agua en el suelo: conductividad hidráulica, contenido de humedad a capacidad de campo, punto de marchitez permanente y saturación). Adicionalmente, se pueden considerar aspectos de manejo como riego, control de malezas y fertilización (Steduto et al., 2012).
En el flujo de trabajo se distinguen dos fases: la calibración, en la cual se generan simulaciones, se comparan con los datos de campo y se modifican los parámetros para mejorar el ajuste entre valores simulados y reales; y la validación/evaluación, en la que se realizan simulaciones y se comparan los datos obtenidos con valores reales sin ajustes adicionales para evaluar su desempeño. El modelo posee parámetros conservativos (permanecen constantes bajo diferentes condiciones de crecimiento y regímenes hídricos), y no conservativos (dependen de la ubicación, la variedad del cultivo y prácticas de manejo, entre otros) (Steduto et al., 2009), los cuales se modificaron como parte de esta investigación.
Características climáticas
Se utilizaron datos climáticos de 1995 a 2018, de la estación meteorológica localizada en la EEAFBM incluyendo datos diarios de temperatura (°C), humedad relativa (%), velocidad del viento (m/s) y precipitación (mm). La evapotranspiración potencial (ETo) se calculó con la ecuación Penman-Monteith y se usaron los valores de dióxido de carbono incluidos en AquaCrop, provenientes del Observatorio Mauna Loa (Hawaii, USA). Los datos faltantes en la serie climática se completaron según Ureña et al. (2016) con estaciones meteorológicas cercanas. El periodo de simulación (6 de junio al 23 de octubre de 2018) se caracterizó por una temperatura promedio de 24,4 ± 1,15 °C, una humedad relativa promedio de 69,68 ± 6,43 % y una precipitación acumulada de 782 mm.
Parámetros de suelo
Para la caracterización edáfica, se realizó una calicata (1 × 0,50 m) y se tomaron muestras a cuatro profundidades (0-0,05; 0,05-0,30; 0,30-0,35 y 0,35-0,50 m). La textura se determinó según el método de Bouyoucos (Day, 1965); el contenido de agua a capacidad de campo (CC) y el punto de marchitez permanente (PMP) por el método de ollas de presión (Forsythe, 1985), y el contenido de materia orgánica (MO) por combustión seca en un analizador elemental basado en el principio de Dumas. El contenido de humedad a 5 cm de profundidad se determinó semanalmente con un sensor de capacitancia con valores promedios de 28,08 ± 8,0 %, inferiores a 20 % en junio-julio y superiores a 40 % en octubre.
Se utilizó la ecuación de pedotransferencia (Van Looy et al., 2017) de Saxton y Rawls (2006) incluida en la calculadora de características de agua del suelo (SWCH, por sus siglas en inglés), para generar los valores de CC, PMP, conductividad hidráulica (CH) y contenido de humedad a saturación (SAT), con el fin de evaluar la sensibilidad del modelo cuando se emplean datos obtenidos por medio de este tipo de ecuaciones y compararlos con los de campo. Debido a que la CH y el valor de SAT no se pudieron evaluar en campo, se usaron los valores de esta ecuación para completar el conjunto de datos de campo, denominado C_SWCH.
Cultivo y determinación del crecimiento del cultivo
Se utilizó la soya variedad CIGRAS-06, la cual se estableció en una parcela de 920 m2 con una densidad de 8,33 plantas/m2 (0,80 × 0,15 m). La semilla se inoculó con Rhizobium sp. Se fertilizó a la siembra con la fórmula comercial 10-30-10 (N, P, K) a una dosis de 200 kg/ha. La cobertura del dosel (CD) se estimó con la ecuación 1, desarrollada para soya y maíz por Steduto et al. (2012). El índice de área foliar (IAF) se midió bisemanalmente con un ceptómetro en cinco puntos al azar en la parcela.
Donde CD es la cobertura del dosel e IAF es el índice de área foliar.
Determinación de la biomasa y rendimiento
Los muestreos de biomasa aérea se realizaron los días 20, 28, 35, 42, 50, 63, 72, 79, 92 y 140 después de la siembra. Se tomaron 7-8 plantas (1 m2) en cinco puntos y se determinó el peso fresco y seco (en estufa a 105 °C por 48 h). El rendimiento se evaluó mediante el muestreo de 1 m2 en cinco puntos. Las vainas se separaron de la planta y se extrajo el grano pesado a 12 % de humedad. La soya experimenta pérdida del follaje cuando llega a la madurez fisiológica, por lo que el valor de la biomasa final se calculó sumando el rendimiento (peso seco del grano) al peso de la biomasa seca del día 90.
Evaluación del modelo
Para la evaluación del modelo AquaCrop V.7.1 se modificó el archivo de soya que proporciona por defecto el modelo en función de las características del cultivar CIGRAS-06, y se ajustaron los parámetros no conservativos (Cuadro 1) del ciclo del cultivo y su fenología. La evaluación de los resultados de la simulación se realizó hasta lograr el mejor ajuste posible entre los valores simulados y los datos medidos en campo. Para la revisión del ajuste se utilizó una combinación de indicadores estadísticos (Cuadro 2), la cual es más robusta (Porras-Jorge et al., 2020) que un solo indicador, debido a las limitaciones de cada parámetro.
Cuadro 1 Parámetros del cultivo de soya utilizados para la evaluación y calibración del modelo AquaCrop. Estación Experimental Agrícola Fabio Baudrit Moreno, Alajuela, Costa Rica. 2018.
| Parámetro | Valor | Tipo de parámetro |
| Tipo de siembra | Directa | No conservativo |
| Densidad de las plantas (plantas/ha) | 83 300 | No conservativo |
| Distancia de siembra (m) | 0,80 × 0,15 | No conservativo |
| Emergencia (dds) | 5 | No conservativo |
| Floración (dds) | 72 | No conservativo |
| Máxima cobertura del dosel (dds) | 92 | No conservativo |
| Duración de la floración (dds) | 63 | No conservativo |
| Coeficiente de cobertura del dosel inicial (%) | 0,42 | Conservativo |
| Coeficiente de máxima cobertura del dosel (%) | 0,98 | Conservativo |
| Índice de cosecha de referencia (%) | 40 | Conservativo |
| Productividad del agua normalizada (g m-2) | 15 | Conservativo |
dds: Días después de la siembra. / dds: Days after sowing.
Cuadro 2 Valores recomendados para la eficiencia de Nash-Sutcliffe (EF), el índice de Willmott o similitud (d), la raíz del cuadrado medio del error normalizado (NRMSE) y el coeficiente de determinación (R²).
| Evaluación del desempeño | EF | d | NRMSE | R2 |
| Muy bueno | 0,75-1,00 | d >0 ,90 | Cercano a 0 | R2 > 0,9 |
| Bueno | 0,65-0,75 | 0,80-0,89 | 0,80-0,89 | |
| Satisfactorio | 0,50-0,65 | 0,50-0,79 | 0,5-0,79 | |
| Insatisfactorio | EF < 0,50 | d < 0,50 | R2 < 0,05 | |
| Aplicación y consideraciones | Para determinar la magnitud relativa de la varianza residual en comparación con la variación de las observaciones (Tornés Olivera et al., 2016). | Valores relativamente altos pueden ser obtenidos aun cuando el modelo funciona mal y todavía es muy sensible a sobre o subestimación (Terán-Chaves, 2022). | Representa la medida global entre los valores observados y simulados, por lo que se considera un indicador de incertidumbre (Terán-Chaves, 2022). | Resultante de correlacionar linealmente los valores simulados y los medidos; se ve afectado por el número de observaciones. |
Adaptado de Porras-Jorge et al. (2020) y Raes et al. (2023). Los parámetros se calculan según las ecuaciones incluidas en esas referencias. / Adapted from Porras-Jorge et al. (2020) and Raes et al. (2023). Parameters are calculated according to the equations included in those references.
Resultados
Características del suelo
El suelo se catalogó como franco arcilloso con una densidad aparente (DA) alta (Cuadro 3) que aumentó con la profundidad, lo que coincide con la disminución de más del 50 % en la CH en los niveles inferiores del perfil de suelo reportada por el SWCH. En general, el SWCH presentó valores mayores (16 %) de contenido de agua a capacidad de campo (CC) en comparación con los datos de campo (C_SWCH), mientras que se mantuvo similar en el punto de marchitez permanente (Cuadro 3), con diferencias importantes en el agua útil entre C_SWCH (6,6 ± 1,5 %) y SWCH (13,6 ± 1,5 %).
Cuadro 3 Contenido de partículas, clase textural y constantes hídricas del suelo obtenidas en campo y calculadas con el programa SWCH. Estación Experimental Agrícola Fabio Baudrit Moreno, Alajuela, Costa Rica. 2018.
| Datos de campo* | Datos generados con SWCH ** | ||||||||||
| Profundidad (cm) | Arena % | Limo % | Arcilla % | MO % | PMP (vol. %) | CC (vol. %) | Densidad aparente (g/cm3) | PMP (vol. %) | CC (vol. %) | CH (mm/ día) | SAT (%) |
| 0-5 | 37 | 31 | 32 | 8,3 | 22 | 30 | 1,16 | 22 | 37 | 388,6 | 56,3 |
| 5-30 | 45 | 25 | 30 | 6,3 | 23 | 29 | 1,27 | 21 | 34 | 297,1 | 52,0 |
| 30-35 | 40 | 23 | 37 | 5,6 | 24 | 30 | 1,32 | 24 | 37 | 128,2 | 50,2 |
* Todos los horizontes fueron catalogados como franco arcillosos según los datos del laboratorio. ** Todos los horizontes fueron catalogados como franco arcillosos excepto el de 5-30 franco arcillo-arenoso según SWCH. MO: Materia orgánica. Vol.: Volumen de agua. PMP: Contenido de humedad al punto de marchitez permanente. CC: Contenido de humedad a capacidad de campo. CH: Conductividad hidráulica. SAT: Contenido de humedad a saturación. / * All horizons were classified as clay loam according to laboratory data. ** All horizons were classified as clay loam except for the 5-30 sandy clay loam according to SWCH. MO: Organic matter. Vol.: Water volume. PMP: Permanent wilting point moisture content. CC: Field capacity moisture content. CH: Hydraulic conductivity. SAT: Saturation moisture content.
Evaluación de la cobertura del dosel y la biomasa
El modelo subestimó la cobertura del dosel en 36 % con datos de suelo de C_SWCH y en 33 % para SWCH. La subestimación fue más evidente en las primeras etapas del desarrollo del cultivo (50 días después de la siembra) (Figura 1a). Hacia el final del ciclo, esta diferencia se redujo a 7 % con datos de C_SWCH y a 2 % con SWCH. Durante el ciclo de cultivo, la cobertura promedio estimada fue de 54 %, superior al 44,3 % simulado con C_SWCH y al 47 % con SWCH. Los parámetros estadísticos mostraron un buen ajuste (R2, d, EF > 0,89) (Cuadro 4). Sin embargo, los valores del RMSE y del NRMSE fueron superiores al 10 %, por lo que resultaron susceptibles de mejora.
Figura 1 Valores medidos y simulados con AquaCrop para a) cobertura del dosel y b) biomasa de soya var. CIGRAS-06 en la Estación Experimental Agrícola Fabio Baudrit Moreno, Alajuela, Costa Rica. Junio a octubre de 2018.
Cuadro 4 Indicadores estadísticos para la simulación de la cobertura del dosel y la biomasa. Estación Experimental Agrícola Fabio Baudrit Moreno, Alajuela, Costa Rica. 2018.
| Método | R2 | RMSE (%) | NRMSE (%) | EF | d | Promedio observado* | Promedio simulado |
| Parámetros para cobertura foliar | Cobertura foliar (%) | ||||||
| C_SWCH | 0,98 | 12,70 | 23,60 | 0,89 | 0,97 | 54 | 44,3 |
| SWCH | 0,98 | 11,40 | 21,10 | 0,91 | 0,98 | 54 | 47,0 |
| Parámetros para biomasa (t ha-1) | Biomasa (t ha-1) | ||||||
| C_SWCH | 0,99 | 0,3 | 14,1 | 0,96 | 0,99 | 2,01 | 2,03 |
| SWCH | 0,99 | 0,4 | 17,9 | 0,96 | 0,99 | 2,01 | 2,04 |
Los datos simulados se obtuvieron con diferentes valores para el suelo, utilizando datos generados con la calculadora de propiedades de agua del suelo (SWCH) o la combinación de datos de campo y SWCH (C_SWCH) (n = 10). * El promedio observado es calculado por el modelo a partir de los datos introducidos para la estimación de desempeño. R 2 : Coeficiente de determinación. RMSE: Raíz del error cuadrático medio. NRMSE: Raíz del error cuadrático medio normalizada. EF: Eficiencia de Nash-Sutcliffe. d: Índice de Willmott o similitud. / Simulated data were obtained with different soil values, using data generated with the Soil Water Properties Calculator (SWCH) or the combination of field and SWCH data (C_SWCH) (n = 10). * The observed average is calculated by the model from the input data for performance estimation. R 2 : Coefficient of determination. RMSE: Root mean square error. NRMSE: Normalized root mean square error. EF: Nash-Sutcliffe efficiency. d: Willmott index or similarity.
El modelo simuló adecuadamente el comportamiento del desarrollo de la biomasa en campo hasta el día 90 (Figura 1b). Después de ese día no se cuenta con datos de biomasa para la comprobación adicional debido a la pérdida de parte de las muestras de la validación. Los valores promedio para el ciclo de biomasa simulados para C_SWCH (2,03 t ha-1) y los de SWCH (2,04 t ha-1) fueron cercanos a los observados (2,14 t ha-1). Los parámetros de desempeño (Cuadro 4) fueron muy buenos para EF, R2 y d, con valores superiores a 0,95 y un RMSE bastante bajo.
Rendimiento y productividad del agua
El cultivo tuvo un rendimiento en peso seco de 3,88 ± 0,69 t ha-1, cercano a los valores simulados de 4,15 t ha-1 para C_SWCH y de 4,19 t ha-1 para SWCH. Los valores de biomasa observados de 9,67 ± 2,05 t ha-1 también fueron próximos a los valores máximos simulados de 10,25 t ha-1 para C_SWCH y 10,63 t ha-1 para SWCH. En ambas simulaciones, la productividad del agua o eficiencia en su uso (kg de rendimiento por m3 de agua transpirada) fue de 0,63, con una leve diferencia en el agua transpirada de 428,0 mm para C_SWCH y 441,7 mm para SWCH.
Discusión
El rendimiento obtenido de 3,88 ± 0,69 t ha-1 es cercano a valores reportados para soya en otras áreas de Costa Rica (3,91-4,8 t ha-1) (Tobía & Villalobos, 2004; Villalobos & Camacho, 1999). El modelo AquaCrop v. 7.1 sobreestimó el rendimiento del cultivo cerca de un 7 %, pero el valor estuvo dentro de la desviación estándar de los datos de campo. Los resultados coinciden con estudios realizados en Brasil, donde el modelo fue utilizado con éxito en 19 cosechas con un rendimiento simulado de 3,97 t ha-1 y R2 >0,97, pero con una subestimación generalizada (Kreutz Rosa et al., 2023).
Aunque las diferencias en el agua útil del suelo (entre CC y PMP, Cuadro 3) entre los escenarios simulados superan el 50 % entre SWCH (13,6 ± 1,5 %) y C_SWCH (6,6 ± 1,5 %), esta variación solo representó un 1 %. Esto puede estar asociado a que el ensayo se llevó a cabo en época lluviosa (agua del suelo no limitante). Las salidas del modelo mostraron una afectación del 6 % en el desarrollo del dosel para C_SWCH durante la floración, pero no se observaron periodos prolongados de estrés hídrico que causaran cierre estomático.
El impacto de los datos de suelo en las simulaciones no constituye un análisis de sensibilidad completo, ya que es un caso puntual y no considera la variación temporal de la precipitación (Lu et al., 2021). Sin embargo, es un aspecto relevante que merece exploración. El uso de ecuaciones de pedotransferencia, pese a sus limitaciones (Van Looy et al., 2017), podría disminuir costos en análisis. En AquaCrop, los parámetros que afectan la disponibilidad hídrica y el rendimiento del cultivo son los más sensibles (González-Robaina et al., 2019), pero se ha señalado que versiones posteriores a la 6.0 son menos sensibles a las incertidumbres en las propiedades del suelo (Lu et al., 2021).
La predicción global del modelo para rendimiento y biomasa total se consideró satisfactoria durante el desarrollo del cultivo, a pesar de que el modelo subestima el porcentaje de cobertura foliar (CF) globalmente en un 10 % y la biomasa en un 1,2 %, (Cuadro 4) independientemente de los parámetros de suelo (Figura 1a). Los índices utilizados para evaluar similitud entre los patrones de progresión fueron ≥0,97, resultados semejantes a los obtenidos por González-Robaina et al. (2019) para la variedad de soya G-7R-315 en Cuba, donde las predicciones de biomasa fueron buenas (RMSE = 0,79 t ha-1, EF = 0,88 y d = 0,98), mientras que la cobertura vegetal fue sobreestimada durante todo el ciclo.
El patrón presentado en la Figura 1a es de los más comunes, en el cual la CF simulada difiere de la medida real desde la emergencia hasta alcanzar el máximo. Al respecto, Steduto et al. (2012) sugirieron que la simulación podría mejorarse alterando el tamaño de la plántula inicial o la densidad de siembra, aunque esto no afectó la simulación actual. Otra posible causa es el uso de datos de cobertura foliar generados con la ecuación 1, que fue ajustada para maíz y soya, pero subestima la CF, especialmente a valores bajos de IAF (Steduto et al., 2012). Por ello, sería recomendable implementar otros métodos, como fotografías o tomar más valores de IAF en el inicio del crecimiento.
Las diferencias en el patrón de la biomasa pudieron deberse a que el modelo no puede explicar ciertos procesos ambientales (variaciones de temperatura, humedad) ni fisiológicos que ocurren en la planta (Tornés Olivera et al., 2016). En una simulación con quinoa (Chenopodium quinoa) también se observó una ligera sobreestimación de la biomasa final, atribuida a la falta de cuantificación de los descensos de la productividad del agua (Fajardo et al., 2016), tal como fue reportado por Dos Santos Farias et al. (2024) en soya. En el caso particular de la variedad CIGRAS-06, su clasificación como semi-indeterminada (Villalobos & Camacho, 1999) podría inferir en el patrón observado, pues el modelo la consideró como indeterminada (Figura 1b). No obstante, para confirmar esto se requieren ensayos adicionales.
Los valores de evapotranspiración (ET) obtenidos para la variedad CIGRAS-06 (656 mm) coinciden con el rango mundial (300-800 mm) según Steduto et al. (2012). Sin embargo, los valores de productividad del agua de 0,63 kg m-3 fueron superiores a los reportados por Boligon Minuzzi et al. (2017) en Brasil (0,58-0,60 kg m-3), lo cual concuerda con su capacidad para tolerar estrés hídrico (Ministerio de Agricultura y Ganadería, 2015). En este ensayo se observó una mayor cantidad de agua transpirada en el modelo con datos de SWCH (441,7 mm) en comparación con C_SWCH (428 mm), lo que se relaciona con las variaciones en el agua útil que generan las características del suelo.
Conclusiones
El modelo AquaCrop simuló de forma satisfactoria el rendimiento y la biomasa del cultivo de soya variedad CIGRAS-06 en la época lluviosa. La subestimación del desarrollo del dosel debe mejorarse. La productividad del agua resultó mayor a la reportada en otros sitios y se observaron diferencias asociadas a la disponibilidad de agua en el suelo.
