anÁlisis de los impactos de los eventos enos …€¦ · · 2016-10-19de siembra con la ayuda de...
TRANSCRIPT
1
ANÁLISIS DE LOS IMPACTOS DE LOS EVENTOS ENOS SOBRE LAS FECHAS DE SIEMBRA DE
MAÍZ TECNIFICADO EN LOS MUNICIPIOS DE CERETÉ Y EL ESPINAL.
Tesis para optar al título de Magister en Meteorología.
Aspirante: Natalia Román Agudo
Director: Dr. Emel Enrique Vega Rodríguez
Universidad Nacional de Colombia, sede Bogotá
Maestría en Ciencias- Meteorología
20 de Mayo de 2016
2
Agradecimientos:
A mi familia por su apoyo.
A Fenalce por la información y el soporte técnico.
Al profesor Emel Vega por la valiosa dirección del trabajo, sin la cual no hubiese sido posible el
desarrollo del mismo.
Al profesor Francisco Boshell por su importante aporte para el planteamiento del trabajo.
3
Análisis de los impactos de los eventos ENOS sobre las fechas de siembra de maíz tecnificado en
los municipios de Cereté y El Espinal.
1. PROBLEMA DE INVESTIGACIÓN
Los fenómenos de variabilidad climática, especialmente El Niño Oscilación del Sur (ENSO por sus
siglas en ingles), intervienen en la producción de alimentos y ponen en riesgo la seguridad
alimentaria del país: el incremento y el descenso abrupto de precipitación y temperatura afecta
el potencial de explotación de los suelos, por lo que los efectos de la variabilidad climática se
constituyen como limitantes prácticos de la agricultura (Programa de Las Naciones Unidas para el
Desarrollo PNUD, Abril 2012). El 90% de los eventos climáticos extremos reportados para el país
entre el año 1998 y 2011 (alrededor de 13.624) se encuentra asociado a fenómenos
hidroclimatológicos (Pearl, 2014), en el último evento de La Niña en Colombia (2010-2011) las
pérdidas en vivienda, producción e infraestructura alcanzaron 11.2 billones de pesos y más de
3.2 millones de personas fueron afectadas; para los años 2010 y 2011 el área agrícola inundada
fue de 739.459 hectáreas (Instituto de Hidrología, Meteorologí y Estudios Ambientales IDEAM,
2011) ocasionando pérdidas de cultivos en más de 292 mil hogares y pérdidas ganaderas en más
de 187 mil hogares; entre 1950 y 2007 los desastres asociados a sequía presentaron un
incremento cercano a 2,2 veces durante los periodos de El Niño (Departamento Nacional de
Planeación, 2012).
Colombia debe adaptarse a las amenazas relacionadas con la variabilidad climática, hay una
estrecha relación entre el comportamiento del clima, la capacidad de los ecosistemas de producir
bienes y servicios y la transformación de estos bienes y servicios en bienestar y crecimiento
económico (Departamento Nacional de Planeación, 2012). El país, por medio de las instituciones,
ha implementado diversas medidas de adaptación tales como: generación y divulgación de
pronósticos agroclimáticos para diferentes sectores socioeconómicos incluyendo el agropecuario
(León & Giraldo, 2013), manejo racional del agua por medio de la implementación de balances
hídricos, sistemas de riego y drenaje, manejo adecuado de los suelos, uso de coberturas vegetales
que permitan la retención de humedad y eviten la erosión, uso de cultivos asociados e
implementación de materiales tolerantes a sequía (Boshell, 2010) y uso de modelación de cultivos
(CENTRO INTERNACIONAL DEL FENÓMENO DEL NIÑO CIIFEN, 2007). Existen numerosas acciones
4
que se pueden llevar a cabo con el fin de aprovechar, evitar o reducir el impacto, una de las más
importantes es conocer los efectos de los eventos de manera local; de manera que se cuente con
información para la toma de decisiones (Boshell, 2010).
Se han realizado numerosos estudios en los que se pretende establecer cómo la variabilidad
climática afecta de diversas maneras a las regiones: un estudio realizado en la Universidad Nacional
de Colombia identificó un incremento hasta de 1.5°C en la temperatura y disminuciones hasta del
60% en los valores de precipitación de la Sabana de Bogotá durante un evento El Niño (Pabón &
Torres, 2006); se encontró que en el centro, norte y occidente del país la presencia del fenómeno
ocasiona aumento en la temperatura y reducción en las precipitaciones (Puertas Orozco & Carvajal
, 2008); para el departamento del Atlántico se identificó que la presencia de El Niño o La Niña genera
disminuciones y aumentos de las lluvias respectivamente, afectando cultivos como el plátano ,el
ajonjolí y el maíz (Pabón Caicedo & Ruiz Cabarcas, 2013). Sin embargo, no se reportan estudios que
establezcan una relación entre las fechas de siembra del maíz y la presencia del fenómeno en alguna
de sus fases. Este trabajo se propone entonces estudiar esta relación y su impacto económico y
agrícola en los dos municipios de Colombia donde se concentra la mayor producción de maíz. Tal
proposito se llevara acabo por medio de balances hídricos, modelación de cultivos y uso de
información histórica sobre las fechas de siembra adoptadas tradicionalmente por los agricultores.
OBJETIVOS:
General
Identificar el impacto de los eventos ENOS en el corrimiento de las fechas de siembra de maíz
tecnificado en El Espinal y Cereté.
Específicos
1. Determinar la vocación agrícola en las regiones de El Espinal Tolima y Cereté Córdoba según
balances hídricos y caracterización climática.
2. Estudiar la afectación de los eventos ENOS sobre los ciclos de producción de maíz tecnificado
en las regiones de Cereté y El Espinal.
5
3. Explorar y examinar la variación de la producción de maíz tecnificado desplazando las fechas
de siembra con la ayuda de los modelos de cultivo AquaCrop y Cropwat ajustados para las
regiones de estudio.
4. Diseñar una metodología de soporte para la toma de decisiones sobre fechas de siembra
durante los eventos IOS, soportada en los principios de la lógica difusa.
5. Analizar el impacto agrícola, rendimientos del cultivo y evaluación del impacto económico
del desplazamiento de las fechas de siembra.
2. JUSTIFICACIÓN
La Federación Nacional de Cultivadores de Cereales y Leguminosas (FENALCE), afirma que el maíz
ocupa el segundo puesto en la lista de los cultivos con mayor área sembrada en el territorio
nacional, con 527.000 Ha (Federación Nacional de Cultivadores de Cereales y Leguminosas
FENALCE, 2012) en las que se producen alrededor de 1.6 millones de toneladas (Federación
Nacional de Cultivadores de Cereales y Leguminosas FENALCE, 2012). Se espera que para el año
2025 la producción nacional del país ascienda a dos millones de toneladas, esto sumado con un
incremento del consumo per cápita desde 34.3kg hasta 108.6 kg indica que, según las proyecciones,
para el mismo año Colombia necesitará 8 millones de toneladas de maíz, por lo que será necesario
triplicar el área sembrada y al menos duplicar los rendimientos actuales (Federación Nacional de
Cultivadores de Cereales y Leguminosas FENALCE, 2012).
La industria alimenticia colombiana hace uso del mismo como materia prima en cereales, alimento
para ganado, insumo para la cadena productiva del huevo y del pollo, harinas pre cocidas, trilladoras,
plazas de mercado y autoconsumo (Grande Tovar & Orozco, 2013). Existe también una tendencia
hacia la producción de grano especializada: aceite, almidón, biocombustibles y otros
(Superintendencia de Industria y Comercio, 2012), tal es la importancia del cultivo que la demanda
interna del mismo asciende a 5.3 millones de toneladas (Federación Nacional de Cultivadores de
Cereales y Leguminosas FENALCE, 2012), lo que conlleva a que el mercado nacional dependa casi en
un 70% de la importación de producto proveniente, en su mayoría, de los Estados Unidos
(Superintendencia de Industria y Comercio, 2012). Lo anterior muestra la importancia de realizar un
6
proyecto en el que se presenten herramientas confiables que permitan asegurar la producción y
ayuden a prevenir eventos que pongan en riesgo a la misma o a los agricultores.
En los departamentos de Córdoba y Tolima se produjeron cerca de 165 mil toneladas y 370 mil
toneladas en el año 2014 respectivamente (Departamento técnico de FENALCE, 2014), estas cifras
corresponden al 33% de la producción nacional, el impacto que los eventos de variabilidad climática
puedan tener sobre los dos departamentos es importante para la cadena productiva. Por tanto, es
necesario realizar investigaciones que generen información para que los técnicos, agricultores y
generadores de políticas tomen mejores decisiones.
Hasta el momento no se han encontrado estudios que determinen la relación entre las fechas de
siembra óptimas para el desarrollo del cultivo de maíz y la presencia de un evento de variabilidad
climática interanual como podría ser el ENSO, sin embargo, se encontraron estudios que identifican
los efectos con respecto a la cantidad de precipitación y los cambios en la temperatura.
Consiguientemente, en este trabajo se pretende estudiar la posible relación entre las dos variables
y cuál sería su impacto agrícola y económico en dos municipios del país altamente productores de
maíz: Espinal en el departamento de Tolima y Cereté en el departamento de Córdoba.
Esta investigación aportará y beneficiará de manera práctica al sector agrícola, especialmente al
sector maicero, por medio de la generación de información que hará posible comprender la
variabilidad climática interanual durante los eventos ENOS. De manera adicional, conocer el
desplazamiento o no de las fechas de siembra oportunas permite la toma de mejores decisiones, lo
cual disminuyen la vulnerabilidad de los productores frente a los mismos eventos. Se beneficiará de
forma directa a los campesinos productores de maíz quienes podrán reducir los riesgos al final de
sus cosechas.
3. MARCO DE REFERENCIA
3.1. ANTECEDENTES
A pesar de que no se reportan estudios sobre el efecto de los eventos de variabilidad climática
interanual ENOS en las fechas de siembra oportunas para maíz en los municipios de Cereté y Espinal,
algunas investigaciones muestran los efectos de los eventos de variabilidad climática sobre los
rendimientos de los cultivos bajo diferentes fechas de siembra, los efectos de esas alteraciones
7
sobre los volúmenes de precipitación y las temperaturas y subsecuentemente los efectos de la
variabilidad climática en el cultivo de maíz en diferentes países:
3.1.1. Evaluación del efecto de los eventos ENSO sobre el cultivo de maíz.
Asociación entre las anomalías de precipitación y de rendimiento de maíz durante los
fenómenos Niño y Niña en la provincia de Córdoba, Argentina.
Como consecuencia de las alteraciones en la pluviometría de la provincia, causadas durante los
eventos ya mencionados, se han investigado los efectos de las mismas en la productividad agrícola
con el fin de determinar las anomalías de rendimiento asociadas a las anomalías de precipitación
(De la Casa & Ovando, 2006).
Para el desarrollo del mismo se tomaron los valores de precipitación diaria, mensual y trimestral de
las estaciones del Servicio Nacional de Meteorología con el fin de identificar las anomalías, de
manera adicional, para el cálculo de rendimientos de maíz se realizaron tendencias anuales con base
en las estadísticas de producción de la provincia de Córdoba; el valor de anomalía se obtuvo de
restar al valor anual el valor promedio de rendimiento.
La comparación de anomalías de precipitación con la condición ENSO de los años estudiados
permitió identificar que durante la fase cálida del ENSO se presentan aumentos en la precipitación
de la región y durante la fase fría se presentan disminuciones. Con respecto al rendimiento se
encontró que anomalías positivas ocurrieron en la fase cálida, lo contrario sucedió para la fase fría.
Los resultados principales de la investigación son:
1) Se determinó que para la provincia de Córdoba, Argentina, la correlación entre
los eventos ENSO y los valores de precipitación es negativa.
2) Las anomalías de rendimiento positivas se asocian al evento Niño y presentan
menor frecuencia que las anomalías negativas de rendimiento, asociadas al
evento Niña.
Simulación de rendimiento del maíz bajo efectos del fenómeno del Niño en Zimbawe.
Se ha identificado durante la última década una relación entre la precipitación y los eventos ENSO
en Zimbawe, algunos señalan que una predicción del comportamiento de los mismos puede ser
8
aplicable en la agricultura (Philips, Cane, & Rosenzweig, 1998), con el fin de identificar
comportamientos potenciales se realizó modelación del cultivo de maíz por medio del modelo
CERES Maize. Se utilizaron datos diarios de precipitación facilitados por el ministerio de Agricultura
para los años 1951 a 1991, se dividieron en grupos Niño, Niña y Neutro. Se alimentó entonces el
modelo con variables de clima para cada evento e información de suelos de la región con el fin de
identificar efectos en el rendimiento simulado del cultivo.
Principales resultados:
1) Se identificó que durante la fase positiva del ENSO las precipitaciones se reducen y
que durante la fase negativa las precipitaciones aumentan. Esto para el periodo
comprendido entre octubre y abril, que es determinante para el desarrollo del
cultivo en la región.
2) Se identificó que la modelación de cultivos se constituía entonces como una
herramienta útil en la realización de pronósticos, sin embargo, el artículo expone
una metodología de fácil repetición.
3.1.2. Evaluación del efecto del ENSO sobre las fechas de siembra en otros cultivos.
Influencia del ENSO sobre el rendimiento de maní en diferentes fechas de siembra
Para la misma región (Suroeste de los Estados Unidos) se realizó un estudio con el fin de identificar
las fechas de siembra de mejor rendimiento para maní durante un evento ENSO, en este caso el
análisis se hizo a nivel de región y de sub-región. Se utilizó información diaria de clima de
precipitación y temperaturas máximas y mínimas de los años 1951 -2000 obtenidos del Weather
National Service (WNS), estas variables se introdujeron al modelo de cultivo CROPGRO-peanut
model; con previa validación del modelo de cultivo (Prem Woli, Joel, Hoogenboom, Axel García y
García, & Clyde, 2012).
Como resultado para el análisis por sub-regiones del suroeste de los Estados Unidos se obtuvo que
para la sub-región central, occidental y sur de la región los efectos del fenómeno del niño presentan
numerosas diferencias en rendimiento relacionadas con la fecha de siembra y que, especialmente
para la sub-región central, los cultivos de maní sembrados entre el 16 de abril y el 18 de mayo
tuvieron rendimientos simulados mucho mayores para eventos Niña. Para cultivos sembrados luego
del 18 de mayo no se encontró ninguna diferencia en rendimiento.
9
Además, en el análisis regional se identificó que los rendimientos durante los periodos de La Niña
fueron mucho mayores que los otros dos eventos para cultivos establecidos en las mismas fechas.
3.2. MARCO TEÓRICO
3.2.1. Cultivo de maíz
El maíz es uno de los granos alimenticios más antiguos que se conoce, dependiendo de la región en
la que se cultive se clasifica de diferentes maneras, por ejemplo, el maíz sembrado entre los 30°
Norte y los 30°Sur se denomina tropical y el que se desarrolla en latitudes superiores a estas se
denomina maíz templado, los maíces sub tropicales crecen entre los 30 y los 34° de cada hemisferio
(Morales, 2010). Hace parte del grupo de cultivos que velan por la seguridad alimentaria, se produce
en la mayoría de países del mundo y algunos aseguran que es el cultivo del futuro.
Es un cultivo que se reproduce por medio de semillas, de tendencia anual, aunque en países como
Colombia se produce en ciclos de 4 a 5 meses (Fenalce, 2005), cada tipo de maíz posee unas
condiciones ambientales en las que podría generar rendimientos máximos, estas condiciones
generalmente no se presentan en su totalidad, por lo que el rendimiento máximo para un hibrido
determinado en una región determinada se denomina “rendimiento máximo probable” y debe
estimarse para diferentes grupos de condiciones ambientales (Fenalce, 2005).
3.2.2. El fenómeno El Niño.
El ciclo conocido como ENSO, uno de los principales moduladores de variabilidad climática
interanual del mundo, que determina el comportamiento del clima en la franja tropical del océano
pacífico (López Alvarez & Perez Bernal, 2015) tiene un periodo de recurrencia entre 2 y 7 años y
corresponde a un patrón de interacción océano-atmósfera a escala global: a la componente
atmosférica del mismo se le denomina “oscilación del sur” que es una fluctuación de la presión
atmosférica en tendencia opuesta entre el centro de alta presión del pacífico sudeste y de baja
presión en indonesia (Servicio Nacional de hidrología y meteorología del Perú, 2011) y a la
componente oceánica se le denomina “fenómeno El Niño” e incluye el calentamiento anómalo del
pacífico ecuatorial, la profundización de la termoclina y la aparición de contracorrientes en la costa
peruana (Montoya, 2008).
10
Para mayor entendimiento de la componente oceánica, los organismos que le estudian han
sectorizado la franja ecuatorial del océano Pacífico de la siguiente manera:
Figura 1 Regiones de estudio del fenómeno ENOS. Fuente: Servicio Nacional de Hidrología y Meteorología del Perú 2015.
El estudio del fenómeno se ha centrado hasta los últimos años en la región 3.4 (Servicio Nacional de
Hidrología y Meteorología del Perú, 2014): esta componente se conoce como El Niño o La Niña y se
define como una anomalía en la temperatura superficial del mar superior en valor absoluto a los
0.5°C por más de cinco meses consecutivos, se puede presentar una fase positiva (Niño) y una fase
negativa (Niña) del ciclo.
3.2.2.1. Índices ONI, MEI e IOS.
Los índices empleados en el desarrollo de este trabajo describen el estado oceánico y atmosférico
del pacífico ecuatorial con respecto a los eventos ENOS, para la componente oceánica se describe
el “Índice Oceánico Niño” (ONI por sus siglas en inglés) y el “Índice Multivariado El Niño” (MEI por
sus siglas en inglés), mientras que para la componente atmosférica se estudió el “Índice de la
Oscilación del Sur” (IOS), a continuación se describe de manera general el significado de cada uno:
Índice Oceánico El Niño (ONI): Se calcula mediante la media móvil de tres meses de las
anomalías de temperatura de la superficie de la región 3.4 del Océano Pacífico, se compone
por tres fases: El Niño que se caracteriza por valores positivos mayores a 0.5°C por más de
cinco meses consecutivos, La Niña, caracterizada por valores negativos superiores a-0.5°C
por más de cinco meses consecutivos y por último la fase neutra cuyos valores se
comprenden entre 0.5 y -0.5 °C (Ramíres Vuiles & Jaramillo Robledo, 2009).
Índice Multivariado El Niño: como su nombre lo indica, es un índice multivariado en el que
se emplean las variables: temperatura de la superficie del mar, temperatura del aire,
11
presión atmosférica al nivel del mar, nubosidad, componente zonal del viento y
componente meridional del viento. Su interacción se describe por medio de un análisis de
componentes principales expresándose en medias móviles de dos meses, índices positivos
representan la fase cálida del fenómeno e índices negativos representan la fase fría
(Guevara Díaz, 2008).
Índice de la Oscilación del Sur: La componente atmosférica del fenómeno de El Niño se
estudia teniendo en cuenta los centros de presión atmosférica del Pacifico tropical
ecuatorial oriental y occidental que a gran escala refleja un intercambio de masa
atmosférica entre la baja presión de Indonesia y el anticiclón tropical del Pacífico del sur-
este. El IOS se obtiene de calcular la diferencia de presión estandarizada entre la estación
de Papelee en Tahití y la estación de Darwin en Australia. El mismo describe la intensidad
de los vientos alisios, de manera que índices altos positivos indican alisios fuertes e índices
bajos negativos indican alisios muy débiles, índices positivos representan la fase fría del
ENOS e índices negativos la fase cálida. (Guevara Díaz, 2008).
3.2.3. Balance hídrico y clasificación climática de Tornthwaite.
El estudio del balance hídrico se basa en la aplicación del principio de conservación de masas basado
en la ecuación de continuidad, esta establece que, para cualquier volumen de suelo y durante
cualquier período de tiempo, la diferencia entre las entradas y salidas estará condicionada por la
variación del volumen de agua almacenado (United Nations Educational Sientific and Cultural
Organization UNESCO, 1981).
Además, en la agricultura sirve como base para la zonificación de cultivos, caracterizar épocas de
déficit y épocas de exceso, programar el riego e identificar necesidades de drenaje (Ruia-Álvarez,
Arteaga Ramirez, Vazquez Peña, Ontiveros Capurata, & López- López, 2012).
Evapotranspiración de referencia o ETo.
El cálculo de la evapotranspiración de referencia se realiza mediante el método de FAO- Penman-
Montheit (2006, 2006) :
ETo =0.408 ∆ (Rn−G)+γ(
900
T+273)u2 (es−ea)
∆+γ1+0.34 u2 (1)
12
donde ETo corresponde a la evapotranspiración de referencia (mm día-1), Rn la radiación neta en
la superficie del cultivo (MJ m-2 dia-1), G el flujo de calor del suelo (MJ m-2 dia-1), T temperatura
media del aire a 2m de altura (ºC), u2velocidad del viento a 2 metros de altura (m s-1), es presión
de vapor de saturación (kPa), ea presión real de vapor (kPa), ∆ pendiente de la curva de presión de
vapor (kPa ºC-1) y γ la constante psicrométrica (kPa ºC-1).
Balance hídrico por medio del método de Tornthwaite:
La forma fundamental del balance hídrico se obtiene del balance general de masas o ecuación de
continuidad, la cual indica que el volumen de entrada y de salida es igual al del agua almacenada
(United Nations Educational Sientific and Cultural Organization UNESCO, 1981). El método más
utilizado para realizar un balance hídrico es el de Thorntwhaite que se fundamenta en la
evapotranspiración potencial ETP (Ruia-Álvarez, Arteaga Ramirez, Vazquez Peña, Ontiveros
Capurata, & López- López, 2012).
El procedimiento para realizar el balance hídrico por medio de este método se explica a
continuación:
Con los resultados del Balance Hídrico Climático se toman los excesos y los déficits, al tener en
cuenta las necesidades hídricas del cultivo (evapotranspiración, en este caso ETo), se determinan
algunos índices que permiten agrupar el clima con base en su misma clasificación:
El proceso se representa por la ecuación:
𝐻𝐴𝑖 = 𝐻𝐴𝑖−1 + 𝑃𝑖 − 𝐸𝑇𝑃𝑖 (2)
Dónde:
𝐻𝐴𝑖 Representa la humedad almacenada en el mes actual en mm.
𝐻𝐴𝑖−1 Representa la humedad almacenada en el mes anterior en mm.
𝑃𝑖 Representa la precipitación del mes actual en mm.
𝐸𝑇𝑃𝑖 Representa la evapotranspiración potencial del mes actual en mm.
Cuando 𝐻𝐴𝑖 < 0 se habla de un déficit (DEF) y si 𝐻𝐴𝑖 > 𝐶𝐴 se habla de un exceso (EXC), en este
caso CA es la capacidad de almacenamiento del suelo. En el caso de que 0 < 𝐻𝐴𝑖 < 𝐶𝐴 se dice que
𝐻𝐴𝑖 es el agua almacenada del mes actual.
13
Una vez realizado el balance se calcula el índice de humedad que relaciona los excesos y los déficit
con la tasa de evapotranspiración (Universidad Politécnica de Madrid UPM):
𝐼ℎ =100(𝐸𝑋𝐶)
𝐸𝑇𝑃 (3)
Y, el índice de aridez:
𝐼𝑎 =100(𝐷𝐹)
𝐸𝑇𝑃 (4)
Con base en los mismos se determina el índice de humedad global:
𝐼𝑚 = 𝐼ℎ − (0.6𝐼𝑎) (5)
Partiendo de los índices anteriormente mencionados se define el tipo de humedad según las
siguientes condiciones:
Tabla 1. Clasificación por índice de humedad global Tornthwaite.
Basados en la clasificación anterior y teniendo en cuenta el índice de aridez se define lo siguiente:
14
Tabla 2. Clasificación índice de humedad y de aridez Tornthwaite.
Además, con base en la evapotranspiración potencial se precisan los siguientes tipos:
Tabla 3. Clasificación climática por evapotranspiración Tornthwaite.
De esta manera se determina la clasificación climática que permite establecer las potencialidades
de la región.
El método que es recomendado por algunas instituciones como la FAO se alimenta de variables cuyo
proceso de obtención es sencillo y la clasificación es muy completa, sin embargo, al tenerse en
cuenta la evapotranspiración potencial EPT y no la de cultivo y al asumir una profundidad efectiva
del suelo de 100 cm existe cierta incertidumbre en el cálculo del balance hídrico.
15
Algunos programas de la FAO, como el “ETo Calculator” (Raes D. , 2012), facilitan el cálculo de la
evapotranspiración desde un cultivo de referencia y existen modelos de cultivo como AquaCrop
(Raes & Stedudo, 2012) y Cropwat (Food and Agriculture Organization FAO, 2006) que realizan el
balance hídrico y usan como insumo la evapotranspiración del cultivo.
3.2.4. Análisis de componentes principales (ACP)
El análisis de componentes principales es una técnica estadística de síntesis de la información
(reducción del número de variables) en la que se pretende perder la menor cantidad de información
posible.
Los factores que se obtienen son una combinación lineal de las variables originales y son
independientes entre sí.
Un análisis de componentes principales siempre debe realizarse con base en las siguientes fases:
1) Análisis de la matriz de correlaciones:
Debe existir alta correlación entre las variables para que el análisis tenga sentido, pues esto
indica que hay información redundante y pocos factores podrían explicar la variabilidad
total.
Para el análisis de correlaciones se puede realizar una matriz de correlación o de covarianzas
con el fin de identificar el grado de relación existente entre las variables de la siguiente
forma (Gregory B, 2013):
𝜎𝑥𝑦2 =
∑ (𝑥𝑖−𝑚𝑥)(𝑦𝑖−𝑚𝑦)𝑖
𝑛−1 (6)
Dónde mx y my son las medias de las variables en estudio.
En la matriz de correlación se realizan todas las combinaciones posibles entre las variables,
los valores altos tanto positivos como negativos (cercanos a 1) indican niveles de correlación
elevados entre las mismas.
2) Se realiza el cálculo de los componentes principales: dadas las variables 𝑋, 𝑌 y 𝑍 se realiza
una transformación para obtener 𝑋′, 𝑌′ y 𝑍′ por medio de una combinación lineal que
responde a la siguiente fórmula:
𝑋′ = 𝐴1𝑥 + 𝐴2𝑦 + 𝐴3𝑍 + ⋯ (7)
𝑌′ = 𝐵1𝑥 + 𝐵2𝑦 + 𝐵3𝑍 + ⋯
De manera que la matriz de correlaciones se transforme en una matriz diagonal, lo que
significa que el nuevo set de variables (𝑋′, 𝑌′ y 𝑍′) no está correlacionado, estas nuevas
variables conforman el set de componentes principales.
3) Cálculo de los autovalores o valores propios de los componentes principales:
16
El autovalor representa el porcentaje de variabilidad del set de datos que es resumido por
cada componente principal, cuando se suman todos los autovalores se obtiene la varianza
total de los componentes (Gregory B, 2013):
%𝑉𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 =∑ 𝜆𝑖
𝑚𝑖=1
∑ 𝑉𝑎𝑟(𝑥𝑖)𝑝𝑖=1
(8)
Dónde p es el número de variables y el objetivo del análisis es conseguir que m sea menor
que p (reducir la dimensión del set de datos).
Por lo general se seleccionan como máximo tres componentes principales, se encuentra con
frecuencia que la mayor cantidad de variabilidad se comprende en los dos primeros
componentes, lo que facilita el análisis gráfico. Sin embargo, el número de componentes
seleccionado depende del juicio del investigador (Carmona, 2014).
4) Selección de los factores:
El primero de los factores debe resumir la mayor proporción posible de la variabilidad
original y el segundo debe resumir la máxima variabilidad que el primero no abarque, esto
debe continuar con los siguientes factores de manera sucesiva. Una vez seleccionado el
número de factores que resuman la variabilidad suficiente, se les da el nombre de
componentes principales.
Posterior a la selección de los componentes principales estos se representan en forma de
matriz. Cada elemento de ésta representa los coeficientes factoriales de las variables
(correlaciones), la matriz tiene tantas columnas como componentes principales y filas como
variables.
Para que un factor se pueda interpretar con facilidad los coeficientes factoriales deben ser
cercanos a 1, una variable debe tener coeficientes elevados sólo con un factor y no deben
existir factores con coeficientes similares.
5) Análisis de los componentes principales: El análisis de los componentes principales depende
de cada caso de estudio y se presentará en detalle con el desarrollo de este trabajo.
3.2.5. Modelos de Cultivo
Un modelo es una representación de la realidad que tiene un grado de precisión que pretende ser
lo más completo posible, resulta ser una herramienta muy útil para explicar y comprender mejor la
realidad cuando no es imposible trabajar en ella (HERNANDEZ, SOTO, & CABALLERO, 2009).
17
El modelo se construye con una serie de ecuaciones matemáticas mediante las cuales es posible
representar el comportamiento del sistema que se examina. De acuerdo con la cantidad de
información y el conocimiento de un campo particular se desarrollan modelos con diferentes grados
de complejidad, estos se dividen en dos grandes grupos: empíricos o mecanicistas.
Un modelo de cultivo es entonces una representación matemática de una serie de mecanismos y
procesos que al final de un ciclo determinan el rendimiento, la biomasa, las necesidades de riego,
entre otros.
AquaCrop:
Es un modelo determinístico de cultivo que se basa en la productividad de agua bajo diferentes
condiciones climáticas, desarrollado por la división de agua y suelos de la FAO; y resulta muy efectivo
en las áreas que tienen el agua como factor limitante. Requiere pocos parámetros y tiene pocas
probabilidades de error (Dimitrios, et al., 2015).
AquaCrop simula el rendimiento de cultivos herbáceos y utiliza un número limitado de parámetros
que son principalmente intuitivos junto con variables de fácil determinación, algunas de las
aplicaciones del mismo pueden ser:
Cálculo de rendimiento de cultivos en determinada localización geográfica con base en
limitaciones de agua.
Desarrollo de programación de riegos para obtener máximas producciones, y para
diferentes escenarios climáticos.
Programación de riego deficitario.
Evaluación del impacto de baja y alta fertilización.
Es útil como punto de referencia para comparar rendimientos potenciales contra
rendimientos actuales en un campo, finca o región, con el fin de identificar la brecha de
rendimiento y las restricciones de la producción.
Cropwat
Este modelo calcula las necesidades de agua de los cultivos con base en información climática,
edáfica y fenológica; se basa en metodologías de los boletines 24, 33 y 56 de FAO para riego y
drenaje (Alvarez Ruiz, Arteaga-Ramirez, Vazquez Peña, Lopez Lopez, & Onivetos Capurata, 2011).
El modelo estima las reducciones potenciales en el rendimiento del cultivo cuando se explota en
condiciones diferentes a las óptimas y las expresa en porcentaje de reducción, su concepto clave es
la evapotranspiración de referencia calculada por medio el método de Penman- Monteith, y para
éste solo es necesario ingresar información de temperaturas máximas y mínimas.
18
3.2.6. Lógica difusa
Un sistema de lógica difusa puede definirse como un algoritmo que toma información e entrada, la
procesa con base en determinadas reglas heurísticas y da resultados numéricos concretos como
producto para el análisis en el proceso de la toma de decisiones.
Se define como un conjunto difuso aquel que tiene grados continuos de membresía dentro de una
categoría. Actualmente la lógica difusa se utiliza en expresiones que no son completamente ciertas
ni completamente falsas, o sea que, la variable fluctúa entre dos extremos que son la verdad
absoluta y la falsedad total y que, lo que se considera como difuso es la variable, mas no la lógica
misma del método (Portilla, 2001).
Los sistemas de lógica difusa (SLD) pretenden asimilar el proceso de pensamiento de los seres
humanos, el modelo general de los mismos se describe a continuación:
Figura 2. Modelo general de un sistema de lógica difusa. Fuente: Gamboa 2001.
La figura 2 presenta los componentes de un SLD: como primer requerimiento debe definirse un
universo de entrada, compuesto por: las variables de entrada, los rangos que las componen, y los
conjuntos difusos o subconjuntos que las definen, un ejemplo típico de las variables de entrada es
la estatura de una persona, si es alta o es baja, podría decirse que el rango de la variable varía entre
1 y 2 metros, y los conjuntos difusos pueden separarse entre Alto, Normal y Bajo, cada categoría se
define por un sub rango comprendido en el rango de la variable:
19
Figura 3. Ejemplo de un conjunto difuso. Fuente: Portilla 2001.
Una vez establecido el universo de entrada debe construirse el motor de interferencia, en el mismo
se definen las reglas del SLD que son las que permiten la interacción entre las variables de entrada,
las reglas difusas por lo general tienen la forma “IF, AND, AND, THEN”, con base en la teoría de
conjuntos se definen las operaciones matemáticas del motor de interferencia que deben responder
a las reglas establecidas, de manera que, por ejemplo si la regla plantea la condición AND, el valor a
utilizarse es el mínimo obtenido de las funciones de pertenencia de los casos particulares evaluados,
una función de pertenencia es la proyección vertical del valor puntual de un individuo sobre los
conjuntos difusos.
Por último se tienen los conjuntos de salida que se obtienen de las proyecciones de las variables
sobre los conjuntos difusos y por medio de un módulo concresor que se constituye como una
fórmula matemática, entre las más utilizadas se encuentra el centro de gravedad, las salidas de cada
regla aplicada se proyectan sobre el conjunto de salida, al área formada por las mismas se le calcula
en centro de gravedad, y esta es la salida puntual del SLD.
Los ejemplos de cálculo y empleo del sistema de lógica difusa se presentan en el desarrollo del
presente trabajo, en el capítulo 5.6
4. METODOLOGÍA.
Determinación de la climatología de las dos regiones en estudio y la alteración de la misma durante
los años Niños y Niñas, soportados en información climática de 30 años. Posteriormente se
realizarán balances hídricos por el método de Tornthwaite para los casos Niño, Niña, y normal con
el ánimo de establecer el potencial agrícola de las regiones en estudio.
Se realizará el tratamiento estadístico de la información climática mediante el análisis de valores
extremos con ayuda de la herramienta RStats mediante el análisis de Boxplot. Se establecerán los
grados día acumulados para determinar el desarrollo del cultivo durante todas sus fases. Luego se
efectuará análisis de correlación entre índices IOS, ONI y MEI contra rendimientos del cultivo de
maíz tecnificado con el ánimo de identificar relaciones entre los índices climáticos y el rendimiento
20
del cultivo. Con la ayuda del análisis de componentes principales se intentará explicar la
contribución de diferentes conjuntos de variables meteorológicas sobre el rendimiento.
Se realizarán simulaciones del cultivo de maíz mediante el empleo de los modelos AquaCrop (Raes
& Stedudo, 2012)y Cropwat (Food and Agriculture Organization FAO, 2006) bajo diferentes
escenarios climáticos y fechas de siembra para las regiones en estudio para elaborar un análisis
comparativo de resultados entre ambos modelos para determinar las mejores fechas de siembras
con base en los resultados de los balances hídricos.
Elaboración de conjuntos de variables difusas relacionadas con las situaciones que podrían
enfrentar los agricultores frente a escenarios de excesos o déficit hídricos, luego se construyen las
funciones de pertenencia y reglas difusas para las situaciones seleccionadas con el ánimo de
establecer funciones de respuesta.
Con base en información histórica y la obtenida por medio de la modelación del cultivo se
cuantificarán las anomalías de rendimiento en las dos regiones y con base en el precio del maíz
durante los años estudiados se cuantificarán las ganancias o pérdidas que producen estas
anomalías.
Se realizará un análisis del impacto agrícola y económico de los cambios en fechas de siembra con
base en los costes del producto para los años estudiados y la producción simulada en cada región
para cada año tipo.
4.1. Climatología y Alteraciones en los balances hídricos:
4.1.1. Climatología y Balance hídrico.
Se construyó la climatología de las dos regiones en estudio con información histórica de dos
estaciones meteorológicas representativas: Turipaná ubicada en el municipio de Cereté (Córdoba)
y Nataima, ubicada en el municipio El Espinal (Tolima), en la primera se comprende el periodo desde
el año 1985 hasta 2011 y en la segunda desde 1980 hasta 2012, la base de datos contó con
temperaturas máximas, mínimas, medias, precipitación y radiación. La información de las dos
estaciones fue suministrada por IDEAM, el tratamiento de la información fue realizado en el marco
del convenio “Análisis integral de sistemas productivos en Colombia para la adaptación al cambio
climático” celebrado entre el Ministerio de Agricultura y desarrollo Rural, el CIAT y Fenalce. Los
valores climatológicos se obtuvieron mediante los promedios mensuales multianuales de los años
en mención.
Una vez definidos los valores climatológicos de las variables se procedió a realizar los balances
hídricos y clasificación climática mediante el método de Tornthwaite modificado (usando la
evapotranspiración de Penman-Monteith) con las fórmulas 1 hasta la 5, descritas en el marco
teórico. La evapotranspiración se calculó por medio del uso del software ETo Calculator de FAO, el
balance hídrico se realizó en una hoja de cálculo de Excel.
21
El tratamiento estadístico de la información se realizó por medio de un script escrito en RStats
versión 4.1 (Team, 2013).
4.1.2. Alteraciones de la climatología y del balance hídrico.
Se seleccionaron los años Niño- Niña y Neutro con base en los valores del índice ONI reportados por
la NOAA que se presentan en la taba 4:
Year DJF JFM FMA MAM AMJ MJJ JJA JAS ASO SON OND NDJ
1980 0.6 0.5 0.3 0.4 0.5 0.5 0.3 0.2 0 0.1 0.1 0
1981 -0.2 -0.4 -0.4 -0.3 -0.2 -0.3 -0.3 -0.3 -0.2 -0.1 -0.1 0
1982 0 0.1 0.2 0.5 0.6 0.7 0.8 1 1.5 1.9 2.1 2.1
1983 2.1 1.8 1.5 1.2 1 0.7 0.3 0 -0.3 -0.6 -0.8 -0.8
1984 -0.5 -0.3 -0.3 -0.4 -0.4 -0.4 -0.3 -0.2 -0.3 -0.6 -0.9 -1.1
1985 -0.9 -0.7 -0.7 -0.7 -0.7 -0.6 -0.4 -0.4 -0.4 -0.3 -0.2 -0.3
1986 -0.4 -0.4 -0.3 -0.2 -0.1 0 0.2 0.4 0.7 0.9 1 1.1
1987 1.1 1.2 1.1 1 0.9 1.1 1.4 1.6 1.6 1.4 1.2 1.1
1988 0.8 0.5 0.1 -0.3 -0.8 -1.2 -1.2 -1.1 -1.2 -1.4 -1.7 -1.8
1989 -1.6 -1.4 -1.1 -0.9 -0.6 -0.4 -0.3 -0.3 -0.3 -0.3 -0.2 -0.1
1990 0.1 0.2 0.2 0.2 0.2 0.3 0.3 0.3 0.4 0.3 0.4 0.4
1991 0.4 0.3 0.2 0.2 0.4 0.6 0.7 0.7 0.7 0.8 1.2 1.4
1992 1.6 1.5 1.4 1.2 1 0.8 0.5 0.2 0 -0.1 -0.1 0
1993 0.2 0.3 0.5 0.7 0.8 0.6 0.3 0.2 0.2 0.2 0.1 0.1
1994 0.1 0.1 0.2 0.3 0.4 0.4 0.4 0.4 0.4 0.6 0.9 1
1995 0.9 0.7 0.5 0.3 0.2 0 -0.2 -0.5 -0.7 -0.9 -1 -0.9
1996 -0.9 -0.7 -0.6 -0.4 -0.2 -0.2 -0.2 -0.3 -0.3 -0.4 -0.4 -0.5
1997 -0.5 -0.4 -0.2 0.1 0.6 1 1.4 1.7 2 2.2 2.3 2.3
1998 2.1 1.8 1.4 1 0.5 -0.1 -0.7 -1 -1.2 -1.2 -1.3 -1.4
1999 -1.4 -1.2 -1 -0.9 -0.9 -1 -1 -1 -1.1 -1.2 -1.4 -1.6
2000 -1.6 -1.4 -1.1 -0.9 -0.7 -0.7 -0.6 -0.5 -0.6 -0.7 -0.8 -0.8
2001 -0.7 -0.6 -0.5 -0.3 -0.2 -0.1 0 -0.1 -0.1 -0.2 -0.3 -0.3
2002 -0.2 -0.1 0.1 0.2 0.4 0.7 0.8 0.9 1 1.2 1.3 1.1
2003 0.9 0.6 0.4 0 -0.2 -0.1 0.1 0.2 0.3 0.4 0.4 0.4
2004 0.3 0.2 0.1 0.1 0.2 0.3 0.5 0.7 0.7 0.7 0.7 0.7
2005 0.6 0.6 0.5 0.5 0.4 0.2 0.1 0 0 -0.1 -0.4 -0.7
2006 -0.7 -0.6 -0.4 -0.2 0 0.1 0.2 0.3 0.5 0.8 0.9 1
2007 0.7 0.3 0 -0.1 -0.2 -0.2 -0.3 -0.6 -0.8 -1.1 -1.2 -1.3
2008 -1.4 -1.3 -1.1 -0.9 -0.7 -0.5 -0.3 -0.2 -0.2 -0.3 -0.5 -0.7
2009 -0.8 -0.7 -0.4 -0.1 0.2 0.4 0.5 0.6 0.7 1 1.2 1.3
2010 1.3 1.1 0.8 0.5 0 -0.4 -0.8 -1.1 -1.3 -1.4 -1.3 -1.4
2011 -1.3 -1.1 -0.8 -0.6 -0.3 -0.2 -0.3 -0.5 -0.7 -0.9 -0.9 -0.8
2012 -0.7 -0.6 -0.5 -0.4 -0.3 -0.1 0.1 0.3 0.4 0.4 0.2 -0.2
2013 -0.4 -0.5 -0.3 -0.2 -0.2 -0.2 -0.2 -0.2 -0.2 -0.2 -0.2 -0.3
22
2014 -0.5 -0.6 -0.4 -0.2 0 0 0 0 0.2 0.4 0.6 0.6
2015 0.5 0.4 0.5 0.7 0.9 1 1.2 1.5 1.8 2
Tabla 4. Índice oceánico El Niño. Fuente NOAA 2016.
En la tabla 4 se presenta el valor del índice ONI de las medias móviles mensuales de tres meses
desde el año 1980 hasta el año 2015 se indica con color rojo eventos que han sido catalogados como
Niño y en azul eventos que han sido catalogados como Niña.
Se relacionó cada mes de la serie de datos con el ONI correspondiente y se separaron conforme a la
definición los meses y años Niño y Niña teniendo en cuenta que se considera que hay un evento
cuando la anomalía (índice) se mantiene por más de cinco meses consecutivos. Se realizó el cálculo
de los promedios históricos de cada caso por separado, para de esta manera, comparar el
comportamiento general de las variables durante los eventos ENOS y el comportamiento
climatológico de las mismas. Luego se realizó el cálculo de anomalías que consiste en restar del valor
del mes en estudio el valor climatológico, se graficaron para cada mes y cada variable en rojo las
anomalías positivas y en azul las negativas. A los promedios mensuales multianuales de los años
Niño y Niña se les realizó el balance hídrico mediante la misma metodología, con el fin de identificar
las variaciones en la clasificación climática.
4.2. Potencial agrícola de las regiones en estudio.
Para la definición del potencial agrícola de las regiones en estudio se identificaron los
requerimientos climáticos de los principales cultivos de la región: arroz, maíz, sorgo y algodón. Los
valores de los requerimientos se compararon con la oferta de las dos regiones.
De manera adicional se identificaron los grados día acumulados necesarios por etapa fenológica
para el cultivo de maíz, y se calcularon para las dos regiones de la siguiente manera (Hoyos García,
y otros, 2012):
°𝐷𝐴 =𝑇𝑚á𝑥+𝑇𝑚í𝑛
2− 𝑇𝑏 (9)
Dónde Tb es la temperatura base para el cultivo, con base en los valores requeridos por el cultivo
para cada etapa fenológica y los valores climatológicos, se define el tiempo promedio de duración
del ciclo para la región.
4.3. Análisis de correlación y valores extremos.
Se realizó un análisis de Boxplot de la serie de datos de cada estación con el fin de identificar los
valores extremos y su relación con la presencia de eventos ENOS; se caracterizó cada variable y se
identificaron luego los valores que se encuentran muy por encima o muy por debajo del promedio.
Este análisis se hizo mediante un Script desarrollado en R para este mismo estudio.
23
Se calculó la correlación de los índices IOS, MEI y ONI con las anomalías estandarizadas mensuales
de temperatura, precipitación y radiación (para toda la serie de datos) mediante el uso del programa
Rstats. Una vez calculados los valores de correlación se realizó una selección de los años en los que
el efecto de los eventos ENOS se evidenció en el comportamiento del clima, tanto en su fase positiva
como en su fase negativa mediante un estudio gráfico de las anomalías, se seleccionaron los años
en los que las anomalías de las variables mostraron algún tipo de tendencia con los índices.
Se realizó además un análisis de Boxplot para todos los años en estudio, graficando los valores de
manera anual, identificándose así los años que estuvieron por encima o por debajo del promedio.
Finalmente se comparó la información obtenida por medio del análisis gráfico de anomalías y el
análisis de Boxplot, los años que coincidieron mediante los dos análisis fueron seleccionados para
un análisis de correlación más detallado, y con base en los mismos se seleccionaron los años tipo
para realizar el análisis de desplazamiento de las fechas de siembra.
Se calcularon las correlaciones de nuevo entre los índices y los valores de las variables climáticas
para los años seleccionados, y finalmente se realizó el mismo cálculo para los años tipo. Lográndose
así identificar qué tipo de asociación existe entre los índices y el clima.
Con el fin de identificar los meses en los que el efecto de los eventos ENOS es más marcado y por
cuánto tiempo pueden evidenciarse se realizó un análisis de correlación con rezago, evaluándose
hasta seis meses de rezago, en este análisis se calcula la correlación de los índices del mes “i” con
las anomalías de las variables del mes “i”, luego se calcula la correlación de los índices del mes “i-
1” con las anomalías de las variables del mes “i”, de manera sucesiva se calculan las correlaciones
de los índices de los meses “i-n” con los valores de las anomalías de las variables en el mes “i” dónde
n es el número de meses de rezago.
4.4. Análisis de componentes principales. Se realizó un análisis inicial de correlaciones entre índices ONI, IOS y MEI con la producción de maíz
tecnificado registrada por el departamento económico de FENALCE para los dos departamentos
desde el año más antiguo del que se tienen registros. Además, se realizó un análisis de correlación
de las variables de clima y derivadas, de las cuales se tiene registro para las dos regiones y que
pueden afectar el desarrollo adecuado del cultivo.
Se definieron por región las variables climáticas a correlacionar con el fin de explicar el rendimiento
registrado de la siguiente manera:
RTO: Rendimiento en toneladas por hectárea, para cada semestre agrícola, el semestre A
comprende los meses desde mayo hasta agosto para Córdoba y el semestre B comprende
los meses desde septiembre hasta diciembre. El semestre A del Espinal se evaluó desde
marzo hasta junio, semestre B del Espinal se evaluó en los mismos meses de Cereté.
Semestre: a partir del año 1999, enumerados del 1 al 24, los números impares hacen
referencia al semestre B, los números pares al semestre A.
IOS: Índice de la Oscilación del Sur, acumulado para cada el ciclo de cultivo que tiene
duración promedio de 120 días o 4 meses.
24
MEI: Índice Multivariado El Niño, acumulado para cada ciclo de cultivo.
T351: Número de días cuya temperatura máxima haya sido superior a 35°C en el primer mes
del ciclo de cultivo, es decir, mayo para el semestre A y septiembre para el semestre B en el
caso de Córdoba y Marzo para el semestre A, septiembre para el semestre B en el caso de
Tolima (Para el Tolima se evaluó T37, días con temperatura mayor a 37 grados Celsius).
T352: Número de días cuya temperatura máxima haya sido superior a 35°C en el segundo
mes del ciclo de cultivo.
T353: Número de días con temperatura máxima mayor a 35°C en el tercer mes del ciclo de
cultivo.
T354: Número de días cuya temperatura máxima superó los 35°C en el cuarto mes del ciclo
de cultivo.
Pmm1: Precipitación acumulada en milímetros para el primer mes del ciclo de cultivo.
Pmm2, Pmm3 y Pmm4: precipitación acumulada en milímetros para los meses 2, 3 y 4 del
ciclo de cultivo.
GDÍA: los grados día acumulados durante el ciclo de cultivo.
PMM: Precipitación acumulada durante todo el ciclo de cultivo.
DPmm: días con precipitación durante todo el ciclo de cultivo.
SRAD: Radiación solar neta diaria acumulada para todo el ciclo de cultivo.
TMAX: Temperatura máxima acumulada para el ciclo de cultivo.
Tmin: Temperatura mínima acumulada para el ciclo de cultivo.
DP1, DP2, DP3 y DP4: Días con precipitación en cada mes del ciclo de cultivo.
Se realizó una categorización del rendimiento para las dos regiones por medio de un análisis de
desviación estándar, de manera que, con respecto al promedio se definieron como altos o bajos
aquellos que se encontraran entre una y dos desviaciones estándar por encima o por debajo del
promedio, y como muy altos o muy bajos aquellos que se encontraron por encima o por debajo de
dos desviaciones estándar.
Se calcularon las correlaciones entre las variables descritas para confirmar la viabilidad del análisis
de componentes principales, en caso de que ninguna de las variables presentase correlación con
alguna de las otras variables, el análisis de componentes principales no sería representativo; pues
sería imposible reducir la dimensión del set de datos al no existir redundancia en la información. En
la gráfica de correlaciones se identificaron grupos de variables correlacionadas entre sí.
Una vez realizado el análisis de correlación, se realiza el cálculo de auto valores mediante el cual se
seleccionan los componentes principales más importantes, en total se tienen tantos componentes
principales como variables, sin embargo, auto valores más altos indican componentes que
comprenden mayor cantidad de información del set de datos, auto valores superiores a 1 indican
que el componente resume información importante, luego se calcula la correlación entre cada
variable y los componentes principales más importantes, se grafican en un mapa de factores de
manera que, la correlación de cada una con las componentes es el coseno del ángulo formado entre
la variable y el componente, de esta manera se identifican aquellas que se encuentran más
25
correlacionadas (Hervé , 2010), la contribución de cada variable a cada componente se explica en
el mapa de factores por la intensidad del color y por su cercanía al círculo de radio 1 que se observa.
Cada componente principal (CP) explica en mayor o menor proporción cada variable, para evaluar
la calidad de la representación de los datos en los componentes se grafica el cos2 del ángulo formado
entre la variable y el CP, cuando una variable se encuentra explicada en su totalidad por dos
componentes la suma de los cos2 de la misma con cada CP es igual a 1, cuando esto sucede la
posición de la variable se observa sobre el círculo de radio 1; cuando la variable se explica por más
de dos componentes, la posición de la misma se observa dentro del círculo.
Por último se realiza la gráfica de individuos y un Biplot, en el que es posible identificar en algunos
casos una relación entre los individuos por cuadrante y por cercanía a los ejes, de manera que los
individuos localizados en el cuadrante 1 habrán sido afectados o correlacionados de manera positiva
con las variables asociadas a los dos componentes, y los individuos ubicados en el cuadrante 4 serán
los que se afectaron negativamente o con correlación inversa por las variables asociadas a los dos
componentes principales mostrados.
4.5. Simulación del rendimiento – evaluación de fechas de siembra.
Se realizó la simulación del rendimiento con AquaCrop para los años Niño: 1986-1988, 1991-1992,
1997-1998, 2009-2010 y para los años Niña: 1988-1989 y 2010-2011 que fueron seleccionados
mediante el análisis de Boxplot y valores extremos desarrollado en el numeral 5.3.
Para realizar las simulaciones se crearon los archivos de clima, suelo y cultivo correspondientes para
las dos regiones, para la serie de datos diaria completa.
Los coeficientes de cultivo utilizados fueron obtenidos de la publicación “Uso del modelo AquaCrop
para estimar rendimientos para el cultivo de maíz en los departamentos de Córdoba, Meta, Tolima
y Valle del Cauca”, publicado por la FAO y el Ministerio de Agricultura y Desarrollo Rural en el año
2013.
Las variables de suelo requeridas por el modelo se obtuvieron por medio de muestreos en campo
realizados en las dos regiones en el marco del convenio Fenalce-CIAT, denominado “Análisis Integral
de Sistemas Productivos en Colombia para la adaptación al Cambio Climático”.
En el trabajo realizado por FAO, se realizó la calibración del modelo mediante mediciones en campo
de los parámetros del cultivo y luego, se validó el mismo con valores de las demás regiones
mencionadas:
26
En a. Biomasa seca. En b. Rendimiento del grano seco. En c. Índice de cosecha. En d. Cánopy cover. Tomado de Cortes 2013.
Figura 4. Seguimiento del comportamiento de variables medidas en campo y simuladas con el modelo AquaCrop del
cultivo de maíz PAC105.
Para uno de los materiales calibrados, el PAC 105 se observa que los valores simulados y los
determinados en campo presentan similitudes altas tanto en comportamiento de la variable como
en valores determinados; el comportamiento para DOW 2B-710 en cuanto al ajuste del modelo es
similar, y con respecto a la cobertura de dosel, es mejor:
27
En a. Biomasa seca. En b. Rendimiento del grano seco. En c. Índice de cosecha. En d. Cánopy cover. Tomado de Cortes 2013.
Figura 5. Seguimiento del comportamiento de variables medidas en campo y simuladas con el modelo AquaCrop del
cultivo de maíz DOW 2B-710 bajo condiciones de Villavicencio en el primer semestre agrícola de 2008
A los resultados obtenidos se les realizó análisis estadístico para evaluar el coeficiente de Spearman
y para los dos materiales, en todas las variables, el mismo fue superior a 0. 88, con correlación
máxima de 0.0013 y mínima de 0.0001, que en todos los casos se clasifican como significativas.
28
Se validó entonces el modelo para los mismos genotipos en Valle del Cauca, Córdoba y Espinal; se
consiguió un rango de aceptación del 10% de diferencia entre los valores simulados y los medidos:
Zona de Estudio Fecha de Siembra Rendimiento (t/ha) Nivel de Fertilidad Simulado Real Potencial
Cereté-Córdoba 8 de mayo de 2009 6.214 6.2
7.2- 12.2
68
28 de mayo de 2009 6.047 5.98 66
23 de mayo de 2007 8.407 9.14 100
Palmira- Valle del Cauca
17 de marzo de 2007 10.72 11.321-11.078 100
9.86 10.792-9.818 90
El Espinal- Tolima 17 de marzo de 2008 8.257 -- 100
7.872 -- 90 Tabla 5.Rendimiento agronómico del maíz PAC 105 medido en campo y simulado con el modelo AquaCrop para algunas
zonas productivas de Colombia. Fuente: Cortés 2013
Para el mismo material se simuló y midió el índice de cosecha, biomasa, rendimiento del grano seco
y cobertura de dosel los días 55 y 75 en Cereté:
Biomasa seca (ton/ha)
Índice de cosecha (%)
Rendimiento del grano seco
(ton/ha)
Cánopy cover (%)
55 Días 75 Días
Simulado 10.421 40 4.166 63.3 60.7
Medido 10.1 40.3 4.1 66.2 59.6 Tabla 6. Valores finales del seguimiento vegetativo de la producción de maíz PAC 105 medido en campo y simulado con
AquaCrop para el valle del Sinú- Córdoba, en el primer semestre agrícola de 2012. Fuente: Cortés 2013.
Se observa en las gráficas y tablas anteriores que el modelo se ajusta bien para las regiones en
estudio y que ya se encuentra calibrado para dos materiales en Colombia, de los cuales, se
seleccionó para simular el PAC 105, pues el otro es exclusivo de la región de Córdoba.
Los parámetros conservativos y no conservativos del módulo de cultivo se resumen en la siguiente
tabla:
Módulo Sub módulo Input Valor Parámetro
C NC
CULTIVO
DESARROLLO
Tipo de siembra Directa X
Densidad de Siembra 62500 plantas/ha X
Tamaño de follaje a la siembra 6.5 cm2/planta X
Cobertura de dosel inicial 0.41 X
Días a emergencia 5 X
Dosel máximo 90%
X
Días a dosel máximo 49 X
Coeficiente de crecimiento del dosel 18,1 X
Días a senescencia 90 X
Días a madurez fisiológica 100 X
Días a floración 49
Días a formación del grano 51 X
Duración de la floración 10 X
Profundidad mínima de las raíces 0.15 m X
Profundidad máxima de las raíces 0.35 m X
Días a máxima profundidad de raíces 49 X
Tbase min °C 8 X
Tbase max °C 30 X
29
Grados día acumulados (GDD) 1740
PRODUCCIÓN Índice de cosecha (HI %) 40 X
Productividad hídrica (g/m2) 33,7 X
ESTRÉS HÍDRICO
Expansión del follaje Moderadamente sensible X
Cierre estomático Moderadamente sensible X
Inicio rápido de senescencia Moderadamente tolerante X
Estrés por aireación Moderadamente tolerante X
ESTRÉS TEMPERATURA
Rango de GD para afectación por bajas temperaturas (°C) desde 0°C hasta
15°C X
ESTRÉS SALINIDAD Tipo de salinidad Moderadamente sensible X
Tabla 7. Parámetros conservativos y no conservativos PAC105, fuente: Cortés 2013.
En el caso de Cereté se simularon contenidos de humedad diferentes para el suelo por medio del
nivel freático, estableciéndose tres niveles de profundidad: 1m, 1.2m y 1.5m. Para Nataima se
estableció cultivo en condiciones de secano y con riegos a agotamiento crítico en un 50% y un 30%
de agotamiento.
Se ejecutó el modelo desde los días 1 de abril hasta los 30 de junio para el semestre A y 1 de agosto
hasta 30 de octubre para semestre B en Córdoba, y desde el 1 de Febrero hasta el 30 mayo en el
semestre A y del 1 de Agosto al 30 de octubre en el semestre B para El Espinal.
Se definieron como fechas de siembra tradicionales para el semestre Al 15 de mayo y 15 de marzo
en Cereté y El Espinal respectivamente, para el semestre B, en los dos casos se definió como fecha
tradicional el 15 de septiembre. Esta definición se obtuvo del estudio de fechas de siembra realizado
por FENALCE en los últimos años, y cuyo resultado para las dos regiones se muestra a continuación:
Región/ Semestre
A B
Cereté
El Espinal
Figura 6. Porcentaje de siembras por fecha, años 2012-2015. Fuente FENALCE 2016.
30
4.5.1. Validación en campo del modelo AquaCrop.
Como trabajo previo al desarrollo de esta tesis de maestría se realizó la evaluación del desempeño
del modelo AquaCrop durante tres años de trabajo en Cereté y El Espinal, además de otras regiones
del país, en el marco del convenio “ Análisis integral de sistemas productivos en Colombia para la
adaptación al Cambio Climático” en su primera y segunda fase.
Para el diseño experimental se establecieron bloques completos al azar con tres repeticiones, cada
uno formado por dos unidades de experimentales que corresponden a un genotipo evaluado para
un total de 6 parcelas, distribuidas espacialmente al azar. Cada unidad experimental fue de 15m de
largo con 18 surcos separados a una distancia de 0.80 m entre surcos y 0.2 m entre plantas.
Se realizó seguimiento en cada una de las parcelas a las siguientes variables para la determinación
de biomasa:
Variable Sigla Variable Sigla
Etapa fenológica EF Peso fresco de restante PFR
Numero Hojas en senescencia HS Peso fresco Muestra de hojas PFMH
Numero de hojas verdes totales HV Peso fresco Muestra de granos PFMG
Área foliar de la hoja verde AFHV Peso fresco Muestra de restante PFMR
Área foliar de la hoja seca AFHS Peso seco Muestra de hojas PSMH
Área foliar de la hoja más grande AFHM Peso seco Muestra de granos PSMG
Peso fresco de hojas PFH Peso seco Muestra de restante PSMR
Peso fresco de granos PFG
Tabla 8. Variables a tomar para determinar biomasa. Fenalce 2016
Luego de la fecha de siembra, se registró la fecha de emergencia y posteriormente, cada 8 días, se
la etapa fenológica del cultivo. A partir del estado V10, se inició la medición de biomasa y una vez
alcanzado el estado R3 muestreos destructivos cada 8 días hasta el estado R6.
Los muestreos destructivos se realizaron por metro lineal y se seleccionaron plantas con
competencia completa. Se obtuvo un conjunto de hojas, granos y un restante (Espiga, Tusa,
Capacho, Tallo y vainas). Se tomaron 3 pesos por cada conjunto de muestra, como se observa en la
figura 7, el primero de los cuales corresponde al peso fresco en campo de cada conjunto por
separado (PCH, PCG y PCR). Luego de tomar los pesos en fresco, se cortaron las muestras en trozos
pequeños y se seleccionó una submuestra de 200g de cada conjunto y se registró el peso.
Las submuestras se secaron durante 48 horas aproximadamente a 80ºC hasta alcanzar un peso
constante y se tomó el peso final de la submuestra, la cual se marcó indicando la localidad, etapa,
muestro, parcela y componente de la planta.
31
Figura 7. Diagrama de toma de los pesos para la determinación de biomasa, Fenalce 2016.
En la cosecha se realizó la evaluación de rendimiento en los 6 surcos centrales por 10 metros
lineales, dejando en cada lado 2.5 m de borde; se realizó previamente la delimitación de la parcela
y el conteo de plantas a cosechar. Se midieron las siguientes variables:
Característica Variable
Periodo vegetativo de Siembra
Emergencia Días
Flor masculina Días
Flor femenina Días
Madurez Fisiológica(Punto negro en tercio medio de la mz) Días
Volcam. Tallo (%)
Volcam. Raíz (%)
Cosecha Días
Componentes de Rendimiento
No. Plantas cosecha/parcela
No. Mz/parcela
Peso total de mz en parcela (Kg)
Peso 10 mz (g)
Peso grano 10 mz
Humedad de grano (%)
Peso 100 granos
Daño por pájaro ( solo observaciones)
# mazorcas robadas/parcela
# granos por hilera
# Hileras por mazorca
Tabla 9. Variables medidas en rendimiento, Fenalce 2016.
Con los valores de cultivo publicados anteriormente (Calibración de FAO para PAC105) se realizó la
modelación de los ciclos productivos con el clima real, muestreos de suelo y mediciones de riego
(Espinal), para más información puede contactarse a Fenalce, los principales resultados fueron los
siguientes:
32
Figura 8. Modelación Biomasa P30F35 Cereté fase 1. Fenalce 2016
El ajuste del modelo es aceptable para los valores de biomasa, sin embargo, en el semestre A, los
valores fueron sobre estimados y en el semestre B sub, estimados, quiere decir que en este caso, el
modelo es muy sensible a las condiciones de disponibilidad hídrica y su afectación sobre la variable
simulada.
Figura 9. Modelación rendimiento P30F35, Fenalce 2016.
Con respecto al rendimiento, se observa que, para los dos casos el modelo tiende a sobre estimar
los valores, comportamiento que puede explicarse pues, no se tuvieron en cuenta tipos de estrés
diferentes al hídrico en las simulaciones. Se observan una diferencias en rendimiento a madurez
fisiológica de hasta 1.5 ton/ha.
33
Figura 10. Modelación biomasa DK234, Fenalce 2016.
El ajuste del modelo con respecto a la biomasa para Cereté, el material DK234 tiene diferencias
hasta de 1000kg/ha, el modelo tiende a subestimar los valores de biomasa en madurez fisiológica.
Figura 11. Modelación rendimiento DK234 Fenalce 2016.
El modelo ajusta bien para los valores de rendimiento en Cereté en rendimiento, a madurez
fisiológica, se observa una descripción muy buena de las curvas de desarrollo y una subestimación
del rendimiento de 1 tonelada en promedio.
34
Figura 12. Modelación biomasa DK788, Espinal Fenalce 2016.
Con respecto a los valores de biomasa se observa que el modelo se ajusta muy bien al
comportamiento de esta variable en todos los casos, el ajuste del modelo presentó mejoras al
momento de determinar los valores de riego con mejor precisión.
Figura 13. Modelación rendimiento DK7088, Espinal Fenalce 2016.
Con respecto a los valores de rendimiento, el modelo estima de manera muy acertada los
resultados, con diferencias de 100 kg por hectárea.
35
Figura 14. Modelación biomasa FNC 3056 Fenalce 2016.
El modelo presenta buen ajuste para la simulación de biomasa en los ciclos 1,2 y 4, se observa que,
para el material FNC 3056, la tendencia de las observaciones y de los valores calculados es la misma,
por otro lado, se observa que el mejor ajuste es el del ciclo 2.
Figura 15. Modelación rendimiento FNC3056 Fenalce 2016.
El comportamiento del modelo se mantiene, los valores simulados son muy similares a los
observados, el ajuste del modelo es muy bueno, las diferencias son menores a 0.7 ton/ha.
4.6. Algoritmo de lógica difusa para la toma de decisiones.
36
Un sistema de lógica difusa permite evaluar las relaciones y respuestas de un individuo frente a un
conjunto de situaciones que son catalogables de manera lingüística y que se relacionan con
razonamientos similares a los del ser humano (Portilla, 2001). El nivel de vulnerabilidad que un
agricultor, o un grupo de agricultores tiene frente a diferentes eventos que pueden afectar el
rendimiento de un cultivo de maíz puede determinarse mediante un SLD (sistema de lógica difusa).
En el presente trabajo se seleccionaron algunas variables que pueden afectar el rendimiento de un
cultivo de maíz con base en los resultados obtenidos del ACP.
Se definieron tres variables de entrada y una variable de salida tal y como se describe en el numeral
5.6 al mismo tiempo se definieron los conjuntos difusos y funciones de pertenencia de cada uno.
Finalmente se elaboró el conjunto de reglas del sistema, se crearon los conjuntos, variables y reglas
en el software UNFUZZY.
Para determinar el valor concreto de salida del SLD se aplicó como concresor al más utilizado en la
literatura (Portilla, 2001), que es el centro de gravedad (ÿ) definido por:
ÿ =[∫ 𝑦𝜇𝐵(𝑦)𝑑𝑦
.
𝑢 ]
[∫ 𝜇𝐵(𝑦)𝑑𝑦.
𝑢]
(9)
Se halla el centro de gravedad y se proyecta sobre el eje del universo de salida, el corte indica el
valor de y*.
Por último se calculó la tabla de resultados con todas las interacciones posibles, el proceso detallado
hace parte de los resultados y se explica en el capítulo 5.6.
4.7. Análisis de impacto económico.
Para realizar el análisis del impacto económico que el desplazamiento en las fechas de siembra
podría tener se realizó un estudio del beneficio desde el enfoque microeconómico en el que el
beneficio es la diferencia existente entre el ingreso total y el coste total de la producción (PINDYCK
& RUBINFELD, 2009):
𝜋(𝑞) = 𝑅(𝑞) − 𝐶(𝑞) (10)
Dónde q es la producción, 𝜋 es el beneficio, R es el ingreso y C es el coste, las tres variables dependen
de la producción, y:
𝑅(𝑞) = 𝑃 𝑥 𝑄 (11)
P es el precio, en este caso de una tonelada de maíz, y Q es la cantidad de unidades (toneladas)
producidas.
C se define con base en el proceso productivo:
4.7.1. Costes de producción
37
El departamento de Investigaciones Económicas de Fenalce ha realizado la consolidación de los
costes de producción de maíz para las dos regiones en estudio, la información acá contenida puede
consultarse con la entidad. Se dividen los costes totales en los rubros: Preparación, aplicaciones,
recolección, insumos y otros:
Tabla 10. Costes de producción maíz tecnificado Córdoba y Tolima. Fuente: Fenalce.
El coste de producción de una tonelada depende del rendimiento, a medida que el rendimiento
aumenta, el coste disminuye, en total, en una hectárea de maíz sembrada en Córdoba se deben
CÓRDOBA TOLIMA CÓRDOBA TOLIMA
Rastreada - 130,000 100,000 130,000
Rastrillada - 110,000 150,000 110,000
Desbrosada 70,000 - - -
Embalconada - 50,000 - 50,000
Siembra - Abonadora 90,000 80,000 90,000 80,000
Labores Manuales 50,000 330,000 120,000 330,000
Total Preparacion 210,000 700,000 460,000 700,000
Fertilizantes 60,000 128,000 50,000 128,000
Herbicida terrestre 48,000 15,000 20,000 15,000
Herbicida aéreo - - - -
Fungicida terrestre 12,000 15,000 24,000 15,000
Insecticida terrestre - 30,000 60,000 30,000
Insecticida aerea 105,000 35,000 114,000 35,000
Total Aplicaciones 225,000 223,000 268,000 223,000
RECOLECCION
Cosechadora Mecanic 450,000 - 450,000 -
Cosechadora manual - 180,000 - 180,000
Requiza - - - -
Desgrane - - - -
Zorreo - 48,000 - 48,000
Secamiento 249,600 - 264,000 -
Transporte Interno 96,000 100,000 96,000 100,000
Cargue y descargue 72,000 - 72,000 -
Total Recolección 867,600 328,000 882,000 328,000
Subtotal Labores 1,302,600 1,251,000 1,610,000 1,251,000
Semilla 850,400 585,000 440,800 585,000
Fertilizantes 447,600 976,000 462,300 976,000
Insecticidas 21,000 58,750 97,590 58,750
Fungicidas 9,350 42,320 81,900 42,320
Herbicidas 91,063 190,400 160,800 190,400
Tratamiento Semilla 11,000 45,000 12,000 45,000
Transporte Insumos 15,000 - 15,000 -
Subtotal Insumos 1,445,413 1,897,470 1,270,390 1,897,470
TOTAL COSTOS DIRECTOS 2,748,013 3,148,470 2,880,390 3,148,470
Vigilancia Jornal 60,000 100,000 60,000 100,000
Asistencia Tècnica 50,000 45,000 50,000 45,000
Arrendamiento 400,000 600,000 400,000 600,000
Intereses Financieros 216,812 100,009 190,559 100,009
Cuotas e Impuestos - 54,450 - 54,450
Administración 55,360 8,059 58,008 8,059
Total Otros Costos 782,172 907,518 758,567 907,518
COSTOS TOTALES POR HA 3,530,185 4,055,988 3,638,957 4,055,988
OTROS
COSTOS DE PRODUCCIÓN SEMESTRE A SEMESTRE B
INSUMOS
PREPARACION
APLICACIONES
38
invertir $3.530.185 para el semestre A, y $3.638.957 para el semestre B, mientras que, en el Tolima
el coste es de $4.055.988 para los dos semestres indistintamente.
Para evaluar el coste promedio de producción de los semestres A y B de las dos regiones se
determinó el rendimiento promedio del cultivo en cada una, para esto, se emplea el rendimiento
reportado por Fenalce en ambos casos:
Tabla 11. Rendimiento reportado Córdoba y Tolima. Fuente: Fenalce 2016.
El coste promedio por tonelada se obtiene de dividir el coste de la producción de una hectárea por
el rendimiento:
Tabla 12. Coste de producción por tonelada. Fuente: Fenalce 2016.
Se realizaron simulaciones de los años estudiados en Cropwat para identificar las reducciones en el
rendimiento potencial del cultivo con respecto a las fechas de siembra. Estas simulaciones se
hicieron bajo un escenario hipotético de maíz en secano, pues es bajo esta condición que la
producción es más sensible a la fecha de siembra, por este motivo, el coste del agua y del riego no
fueron incluidos en los costes de producción para el análisis inicial, se obtuvieron los porcentajes de
afectación del rendimiento potencial, que depende de cada región y que es conocido por los
agricultores.
Una vez calculada la reducción del rendimiento en toneladas se encuentra el incremento por cada
tonelada producida para cada semestre, para cada tipo de evento:
EVENTO SEMESTRE A SEMESTRE B
NIÑO 1998 1997
NIÑA 1989 2010
NEUTRO 1993 1993 Tabla 13. Años tipo seleccionados para análisis económico.
CÓRDOBA TOLIMA CÓRDOBA TOLIMA
Rendimiento
reportado6 6 5.8 6
SEMESTRE A SEMESTRE B RTO (ton/ha)
CÓRDOBA TOLIMA CÓRDOBA TOLIMA
COSTOS
TOTALES POR
HA
3,530,184.63$ 4,055,987.75$ 3,638,957.00$ 4,055,987.75$
REND ton/Ha. 6 6 5.8 6
COSTO
PRODUCCION
POR TON.
588,364.10$ 675,997.96$ 627,406.38$ 675,997.96$
RTO (ton/ha) SEMESTRE A SEMESTRE B
39
Realizado el análisis de costes y beneficios para las dos regiones bajo condiciones de secano, se
procede a adelantar el análisis para condiciones de nivel freático en el caso de Cereté, con
profundidad de 1.2 m y en el caso de Tolima, se simuló el rendimiento bajo condiciones de riego a
una lámina del 30% de agotamiento crítico. Se evaluó la relación coste- beneficio para los mismos
años selectos y enumerados en la tabla 13.
Para el análisis de coste- beneficio se siguió el procedimiento descrito a continuación:
Se determinó el precio de venta de cada tonelada de maíz con respecto a su fecha de siembra, debe
tenerse en cuenta que cultivos sembrados en abril son cosechados en agosto, cultivos sembrados
en mayo son cosechados en septiembre y sembrados en junio son cosechados en octubre
(Alrededor de 120 días después), por lo que el precio de venta cambiará. De manera adicional, los
precios varían entre el semestre A y el semestre B.
Los precios reportados por cada kilogramo de maíz para el año 2015 se registran en la siguiente
tabla:
El precio que se presenta es un promedio para maíz blanco tecnificado y amarillo tecnificado.
Tabla 14. Precios de venta reportados para maíz por mes. Fuente: Fenalce 2016.
Se emplea el principio descrito al iniciar esta sección en el que se indica que el beneficio se obtiene
de restar el ingreso, que en este caso es el precio de cada tonelada multiplicado por el número de
toneladas producidas, con el coste de producción de cada tonelada que se ha detallado
previamente.
Año Mes precio
2016 1 850$
2016 2 800$
2016 3 958$
2015 4 519$
2015 5 567$
2015 6 578$
2015 7 616$
2015 8 710$
2015 9 721$
2015 10 713$
2015 11 657$
2015 12 771$
705$
Córdoba
Total 2015
Año Mes Precio
2015 1 800$
2015 2 820$
2015 3 808$
2015 4 817$
2015 5 821$
2015 6 809$
2015 7 949$
2015 8 891$
2015 9 1,036$
2015 10 983$
2015 11 888$
2015 12 1,135$
897$ Total 2015
Tolima
40
5. RESULTADOS Y DISCUSIÓN
5.1. CLIMATOLOGÍA Y ALTERACIONES EN AÑOS NIÑO- NIÑA
Los resultados obtenidos para los balances hídricos y definición de la climatología se presentan a
continuación:
5.1. Turipaná
5.1.1. Climatología y clasificación climática.
En la figura 16 se muestra la distribución de las variables temperatura máxima, temperatura mínima
y precipitación.
Figura 16. Serie climatológica Turipaná Córdoba
El análisis de distribución y frecuencias presentado en la figura 16 refleja el comportamiento de las
variables, se observa que: la variable Tmax (temperatura máxima) se distribuye simétricamente
y su valor más frecuente es 34°C, Tmin (temperatura mínima) se distribuye simétricamente siendo
23°C la temperatura mínima más frecuente presentada, la precipitación se distribuye de manera
asimétrica con sesgo a la izquierda, lo que indica que los días sin presencia de eventos de
precipitación, o menores a 10mm, son los más frecuentes, mientras que eventos que superen los
41
40 mm son poco frecuentes en la región. Con respecto a la radiación solar neta, se observa un sesgo
a la derecha y el valor más frecuente es 19 MJ/m2.
Con base en los promedios mensuales multianuales se define la climatología de la región
representada por la estación de Turipaná:
CLIMATOLOGÍA TURIPANÁ 1985-2011
MES TMAX (°C) TMIN (°C) TMEAN (°C) PMM (mm) RAD (MJ/m2)
1 33.4 22.5 28.0 17.1 18.7
2 33.9 22.7 28.3 13.7 20.2
3 34.3 23.3 28.8 47.4 21.4
4 33.6 24.1 28.8 95.4 19.7
5 32.5 24.1 28.3 187.6 17.5
6 32.2 23.8 28.0 141.2 17.2
7 32.7 23.7 28.2 169.4 18.3
8 32.8 23.7 28.2 183.5 19.0
9 32.1 23.5 27.8 191.3 17.8
10 31.7 23.6 27.6 135.8 16.2
11 32.0 23.4 27.7 125.2 15.9
12 32.5 23.0 27.8 48.0 16.6
Tabla 15. Promedios mensuales multianuales Turipaná.
La precipitación en Cereté se distribuye de manera unimodal, la temporada seca inicia en el mes de
diciembre y finaliza en el mes de marzo, la temporada lluviosa se presenta durante abril hasta
noviembre, con una leve disminución de los valores durante junio y julio, tal y como se presenta
en la figura 17, esta disminución es denominada “Veranillo de San Juan”, surge como respuesta a la
inversión de centros de presión atmosférica, los cuales atenúan los efectos de precipitación
generados por el paso de la zona de convergencia intertropical o ZCIT durante los meses lluviosos,
inhibiendo así el desarrollo de precipitaciones. El aporte de precipitación de la región se debe al
paso de esta zona de convergencia y durante los meses de mitad de año en los que la ZCIT no se
encuentra la región, se deben a la actividad tropical (ciclones tropicales, ondas) junto con la Baja
Anclada de Panamá (Montealegre Bocanegra J. E., 2009).
Las temperaturas presentan mayores valores durante los primeros meses del año y muestran
disminución hacia los meses de octubre, noviembre y diciembre, lo mismo sucede con las
temperaturas medias. Las temperaturas mínimas presentan los valores mínimos en los meses de
diciembre, enero y febrero y los valores máximos a partir de abril hasta noviembre. La distribución
de las variables indica que con respecto a la oferta hídrica la temporada de siembra óptima
comprende el mes de mayo.
42
Figura 17. Climatología Turipaná.
La radiación es mayor en la primera parte del año y disminuye sus valores de manera evidente para
el segundo semestre, el valor máximo de la misma es de 21 MJ/m2 para el mes de marzo y su valor
mínimo es de 16 MJ/m2 en el mes de noviembre. Lo anterior resulta desfavorable para el desarrollo
del cultivo de maíz durante el segundo semestre, pues la disminución de valores de radiación se
asocia directamente con la reducción de acumulación de materia seca que la planta realiza por
medio de la fotosíntesis.
Por estos motivos la siembra de maíz tiene mayor tendencia a la favorabilidad durante el primer
semestre agrícola del año. Sin embargo y como se discute a continuación, la oferta hídrica permite
el establecimiento de dos ciclos productivos cada año.
Por medio del método de balance hídrico de Tornthwaite y con base en la climatología descrita se
realizó la clasificación climática de Cereté:
43
Tabla 16. Balance hídrico de Tornthwaite Turipaná.
Figura 18. Balance hídrico Tornthwaite Turipaná.
Conforme a lo expresado en la tabla 16 y figura 18, la evapotranspiración real alcanza 1342 mm en
el año, con valores más elevados en el periodo comprendido entre mayo y septiembre, 0mm
anuales acumulados de exceso y 932 mm acumulados de déficit. La precipitación no es suficiente
para suplir los requerimientos hídricos de la zona, la condición predominante es deficitaria y para el
buen desarrollo de algunos cultivos la presencia de sistemas de riego o fuentes adicionales hídricas
resulta fundamental.
El déficit máximo se presenta durante el mes de Marzo, en el que la evapotranspiración acumulada
de los meses de diciembre, enero y febrero no alcanza a ser cubierta por el aporte de la
precipitación durante el mismo. Con base en el método de Tornthwaite se clasifica el clima como
Semiseco, en el que no se presenta ningún exceso, el déficit es grande en verano, Megatermal, con
baja concentración de calor en el periodo seco.
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC TOTALES
Temperatura (t) 28.0 28.3 28.8 28.8 28.3 28.0 28.2 28.2 27.8 27.6 27.7 27.8 28.1
Indice calorico (i) 13.56 13.78 14.16 14.19 13.81 13.58 13.69 13.76 13.41 13.30 13.34 13.40 164.0
Evapotranspiración (ETP) 201.5 196.0 226.3 201.0 182.9 174.0 192.2 198.4 177.0 167.4 162.0 176.7 2,255.4
número de dias mes (d) 31 28 31 30 31 30 31 31 30 31 30 31 365.0
dia medio del mes 16 45 75 105 136 166 197 228 258 289 319 350
declinación en radianes -0.36973 -0.23771 -0.04570 0.16432 0.33008 0.40691 0.37413 0.23771 0.03869 -0.17075 -0.33419 -0.40761
Duración máxima de insolación (Z) 11.54 11.71 11.95 12.20 12.41 12.51 12.47 12.29 12.05 11.80 11.59 11.49
factor de corrección (Z/12*d/30) 0.99 0.91 1.03 1.02 1.07 1.04 1.07 1.06 1.00 1.02 0.97 0.99
ETP corregida 200.2 178.5 232.8 204.3 195.4 181.4 206.3 209.9 177.7 170.0 156.4 174.8 2,287.9
Precipitación 17.06 13.66 47.36 95.35 187.63 141.20 169.43 183.53 191.28 135.83 125.24 47.99 1,355.6
Variación de la reserva -183.2 -164.9 -185.4 -108.9 -7.8 -40.2 -36.9 -26.4 13.6 -34.2 -31.2 -126.8 -932.3
ALMACENA ACUMULADO 86.8 105.1 84.6 161.1 262.2 229.8 233.1 243.6 283.6 270.0 238.8 143.2
Almacenamiento CERO -183.2 -164.9 -185.4 -108.9 -7.8 -40.2 -36.9 -26.4 13.6 -20.6 -31.2 -126.8
ALMACENAMIENTO OK 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 13.6 0.0 0.0 0.0
Exceso(Ex) 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
Deficit (D) 183.2 164.9 185.4 108.9 7.8 40.2 36.9 26.4 0.0 20.6 31.2 126.8 932.3
Evapotranspiración real 17.1 13.7 47.4 95.4 187.6 141.2 169.4 183.5 177.7 135.8 125.2 48.0 1,342.0
Relación de humedad -0.914793793 -0.92347 -0.796547684 -0.533279 -0.039801 -0.221714 -0.178848459 -0.12575796 0.076546875 -0.20112277 -0.199426 -0.72541642
0.00
50.00
100.00
150.00
200.00
250.00
1 2 3 4 5 6 7 8 9 10 11 12
mm
MES
Balance hídrico Thornthwaite CERETÉ
Precipitación
Evapotranspiraciónreal
Exceso(Ex)
Deficit (D)
44
5.1.2. Alteración de los promedios climatológicos durante eventos El Niño- La Niña.
Los promedios mensuales multianuales para los años Niño y Niña se presentan en la tabla 17:
Tabla 17. Promedios mensuales multianuales para años Niño y Niña en Turipaná.
Comparando con la climatología se encontró que las temperaturas máximas y medias son mayores
durante los años Niño y menores durante los años Niña, la variable que mayor afectación
experimenta es la temperatura máxima.
En la figura 19 se muestra la distribución de las siguientes variables: precipitación (PMM),
temperaturas máximas y mínimas (TMAX, TMIN) y radiación (SRAD) tanto climatológica como
durante eventos ENOS. Los regímenes de precipitación no presentan cambios significativos con
respecto a la climatología, sin embargo, se observa que en promedio para los años Niño los valores
acumulados durante los meses secos son menores; para los años Niña la precipitación acumulada
promedio es ligeramente mayor que la climatológica, el valor total de la precipitación acumulada
para todo el año con base en la climatología es de 1355.6 mm , mientras que en los eventos Niño y
Niña es de 1147 mm y 1326 mm respectivamente:
Figura 19. Climatología y alteraciones durante eventos ENOS Turipaná.
MES TMAX TMIN TMEAN PMM RAD
1 34.2 22.9 28.6 9.2 19.2
2 34.4 23.1 28.8 14.2 20.5
3 35.4 24.1 29.8 76.7 22.1
4 34.7 25.0 29.9 126.3 20.4
5 33.3 24.7 29.0 127.8 18.1
6 32.5 23.8 28.2 59.6 17.6
7 33.4 23.8 28.6 199.5 19.4
8 33.4 23.9 28.6 165.8 19.8
9 32.4 23.6 28.0 141.0 18.2
10 31.3 23.7 27.5 114.5 15.1
11 31.9 23.4 27.7 69.6 15.6
12 33.2 23.0 28.1 43.2 17.5
PROMEDIOS NIÑO TURIPANÁ
MES TMAX TMIN TMEAN PMM RAD
1 32.7 22.1 27.4 18.4 18.4
2 33.8 22.3 28.0 17.8 20.5
3 33.2 22.8 28.0 49.2 20.5
4 33.4 23.8 28.6 45.8 20.2
5 32.6 23.7 28.1 193.5 18.6
6 32.1 23.4 27.7 88.9 17.6
7 32.3 23.7 28.0 207.8 17.8
8 32.5 23.6 28.0 168.6 18.6
9 31.8 23.4 27.6 191.6 17.6
10 31.9 23.6 27.8 145.5 16.7
11 32.2 23.2 27.7 122.5 16.7
12 32.1 23.0 27.6 76.5 16.2
PROMEDIOS NIÑA TURIPANÁ
45
Los valores de radiación aumentan ligeramente durante un fenómeno El Niño en especial durante
los meses de marzo y agosto, mientras que durante un fenómeno La Niña los valores de radiación
neta en el mes de marzo se reducen, este comportamiento puede asociarse a la formación y
permanencia de nubes en la región.
Se graficaron las anomalías de temperatura y precipitación para los dos casos, como se observa en
la figura 20 en el caso de la temperatura dichas anomalías resultan ser positivas en la mayoría de
los casos durante los eventos Niño y negativas en los eventos Niña.
Figura 20. Anomalías mensuales de temperatura durante eventos ENOS Turipaná.
Se evidencia en los gráficos que el efecto es más marcado en los primeros cinco meses del año. Se
observan aumentos hasta de 1.2°C en máximas y medias, y de 0.9 °C en mínimas para años Niño.
De la misma manera, en la mayoría de los meses se presentan anomalías negativas hasta de 1.2°C
en temperaturas máximas, 0.5°C en temperaturas mínimas y 0.7°C en temperaturas medias para
años Niña.
Figura 21. Anomalías mensuales de precipitación y radiación durante eventos ENOS Turipaná.
En la figura 21 se presenta la grafica de anomalías de precipitación y de radiación, aunque no
muestran una tendencia se observa de manera general que las anomalías tanto positivas como
negativas de precipitación son mucho más marcadas durante un evento El Niño y que la mayoría de
las anomalías de radiación son positivas durante el mismo evento.
Es necesario examinar los eventos más fuertes en los que se haya evidenciado efecto de los eventos
ENSO sobre el clima de la región con el fin de identificar alteraciones en los ciclos productivos y en
el rendimiento por causa de los mismos, este análisis se realiza más adelante.
-1,5
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11 12
ANOMALÍASTMAX
NIÑO NIÑA
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1 2 3 4 5 6 7 8 9 10 11 12
ANOMALÍASTMIN
NIÑO NIÑA
-1
-0,5
0
0,5
1
1,5
1 2 3 4 5 6 7 8 9 10 11 12
ANOMALÍASTMEAN
NIÑO NIÑA
46
Se realizó el balance hídrico para los casos de estudio y se encontró que si bien el régimen climático
se mantiene, los excesos y déficits presentan cambios en cada uno:
Figura 22. Balance hídrico y alteraciones por el método de Tornthwaite para Turipaná.
En la figura 22 se presenta el balance hídrico climatológico y promedio durante eventos ENOS. El
déficit para los años Niño es de 1209mm y durante los años Niña es de 954 mm. Bajo la influencia
de cualquier evento se presenta mayor déficit de humedad comparado con la climatología, esto
debido al cambio en la precipitación en el mes de junio (disminución en los dos casos), sin embargo,
se observa que la temperatura durante los eventos positivos es mayor y que en general, el déficit
47
para los meses secos se acentúa durante un evento Niño, este déficit se debe en su mayoría a que
durante la temporada seca no solo se inhiben los aportes por precipitación, sino que los valores de
evapotranspiración aumentan por causa del incremento de temperatura. Aunque la clasificación
climática no se altera, el ciclo productivo puede verse fuertemente afectado por los cambios en la
distribución y en la intensidad de las temporadas de déficit, causando incluso la pérdida de las
cosechas.
5.2. Nataima
5.2.1. Climatología y clasificación climática.
La distribución y frecuencias para Nataima se presentan en la figura 23.
Figura 23. Serie climatológica utilizada para Nataima. Tolima.
Las temperaturas máximas y mínimas diarias presentan una distribución simétrica en la que los
valores más frecuentes son 33°C y 22°C respectivamente, la precipitación es asimétrica con sesgo
a la izquierda, los valores de precipitación diaria iguales a cero o inferiores a los 10 mm son muy
48
frecuentes, mientras que valores superiores a los 40mm son poco frecuentes, sin embargo, se han
registrado eventos de hasta 140 mm en un día. La radiación solar neta se distribuye simétricamente
y la media es 18 MJ/m2día.
Basados en los promedios mensuales multianuales se define la climatología de la región
representada por la estación de Nataima y se presenta en la tabla 18 y figura 24:
CLIMATOLOGÍA NATAIMA 1980-2012
MES TMAX TMIN TMEAN PMM RAD
1 32.95 22.84 27.89 75.51 17.55
2 33.23 23.04 28.13 92.16 18.45
3 32.80 23.09 27.94 149.51 18.63
4 31.84 22.78 27.31 187.85 17.88
5 31.82 22.63 27.22 187.17 17.39
6 32.26 22.15 27.20 83.55 17.74
7 33.42 21.97 27.70 50.60 19.08
8 34.77 22.51 28.64 48.10 20.41
9 33.86 22.70 28.28 151.42 19.80
10 32.03 22.59 27.31 173.52 17.84
11 31.31 22.65 26.98 151.19 16.34
12 31.76 22.60 27.18 106.18 16.35
Tabla 18. Promedios mensuales multianuales Nataima.
La distribución de la precipitación es bimodal (Figura 24), se dan dos temporadas lluviosas en el año:
marzo-mayo y septiembre-diciembre y dos temporadas secas: enero-febrero y junio-agosto. Esta
distribución se debe al doble paso de la Zona de Convergencia Intertropical (Montealegre Bocanegra
J. E., 2009), cuyo paso se genera conforme al movimiento relativo del sol y determina el régimen de
precipitación de la mayoría de regiones del país. El mes más seco del año es agosto con 50 mm y
los meses más lluviosos abril y mayo, cada uno con precipitaciones que alcanzan 187 mm. La
radiación llega a su valor máximo en agosto, que coincide con el más cálido y de menor nubosidad,
y alcanza a su valor mínimo en noviembre.
Las temperaturas máximas presentan sus mayores valores en el mes de agosto (34.7°C) y las
mínimas sus menores valores en el mes de julio (21.9°C).
49
Figura 24. Climatología Nataima.
El balance hídrico de la región permite realizar su clasificación climática con base en la
evapotranspiración ETo, para el caso de Nataima, el balance es deficitario:
Tabla 19. Balance hídrico de Tornthwaite para Nataima.
Como se observa en la tabla 19 el déficit total acumulado es de 247 mm, la evapotranspiración
alcanza los 1302mm, ningún mes presenta exceso y los déficits se dan en enero-marzo y julio-agosto.
Las temporadas que coinciden con los meses en los que se presenta menor precipitación y mayor
temperatura. Este comportamiento indica que la presencia de riego se hace fundamental para el
desarrollo favorable del cultivo de maíz y otros cultivos típicos de la región.
50
Figura 25. Balance hídrico Tornthwaite Nataima.
La precipitación suple las necesidades de evapotranspiración durante las temporadas lluviosas, sin
embargo, no se genera ningún exceso.
Con base en el balance se clasifica el clima de El Espinal como Semiseco, con déficit moderado en el
verano y ningún exceso, Megatermal con baja concentración de calor en el periodo seco.
5.2.2. Alteración de los promedios climatológicos durante eventos El Niño- La Niña.
No se presenta una alteración en el régimen bimodal de las precipitaciones, se observa una leve
disminución de los valores de precipitación durante periodos Niño y un ligero aumento durante
periodos Niña y su efecto se manifiesta principalmente en los últimos meses del año.
PROMEDIOS NIÑO NATAIMA
MES TMAX TMIN TMEAN PMM RAD
1 33.78 23.4 28.59 59.97 17.78
2 34.22 23.93 29.08 120.98 18.55
3 33.65 23.75 28.7 201.8 18.81
4 32.38 23.24 27.81 178.75 17.96
5 31.89 23.02 27.45 158.63 17.08
6 32.63 22.46 27.54 80.65 17.76
7 33.58 22.17 27.88 36.7 19.05
8 35.18 23 29.09 17.98 20.36
9 34.55 23.12 28.83 151.55 20.05
10 32.37 22.46 27.41 189.11 18.26
11 31.69 22.82 27.25 121.91 16.53
12 32.18 22.85 27.52 95.06 16.49
PROMEDIOS NIÑA NATAIMA
MES TMAX TMIN TMEAN PMM RAD
1 32.3 22.64 27.47 62.41 17.17
2 32.51 22.43 27.47 74.26 18.35
3 32.15 22.64 27.39 138.48 18.44
4 31.48 22.42 26.95 185.25 17.88
5 32.16 22.28 26.77 168.98 17.19
6 31.67 21.79 26.73 118.16 17.56
7 32.9 21.89 27.39 46.64 18.69
8 34.19 22.48 28.33 58.78 19.93
9 33.38 22.53 27.95 201.03 19.49
10 31.99 22.43 27.21 142.1 17.96
11 30.97 22.56 26.77 208.55 16.1
12 31.35 22.49 26.92 141.58 16.05
Tabla 20. Promedios mensuales multianuales para años Niño y Niña en Nataima.
Como se registra en la tabla 20 las temperaturas máximas experimentan un aumento promedio
durante los años Niño y disminución durante los años Niña, efecto que se evidencia en su mayoría
en los meses de julio- agosto y enero-marzo. El comportamiento es el mismo para temperaturas
medias y temperaturas mínimas. La radiación es ligeramente mayor durante un evento Niño y
51
ligeramente menor que el promedio durante un evento Niña, las anomalías promedio presentan
valores cercanos a los 0,2 MJ/m2.
Figura 26. Climatología y alteraciones durante eventos ENOS. Nataima.
La figura 26 muestra las distribuciones de los promedios y de la climatología, aquí se observa que el
régimen bimodal se mantiene, la precipitación anual acumulada con base en la climatología es de
1456.76 mm, mientas que para los años Niño y Niña en promedio es de 1413mm y 1546.22 mm
respectivamente.
Figura 27. Anomalías de temperatura durante eventos ENOS. Nataima.
Según se observa en la figura 27, las anomalías de temperatura positivas corresponden al efecto
del fenómeno del Niño y las negativas a su fase inversa en la mayoría de los casos. De manera
similar a lo encontrado en el análisis para Turipaná, se evidencia mayor efecto durante el primer
semestre del año.
Las anomalías de precipitación y de radiación (figura 28), en cambio, no presentan un
comportamiento o tendencia definida. Si bien estos resultados presentan una idea general sobre el
efecto de los eventos ENOS sobre el comportamiento de las variables climáticas promedio de las
dos regiones, es importante identificar los años en los que el impacto del fenómeno se evidenció en
el clima de manera más drástica, el análisis de los mismos se realiza en el capítulo 5.3.
52
Figura 28. Anomalías de radiación y precipitación eventos ENOS Nataima.
Se realizó el balance hídrico para los casos de estudio y se encontró que si bien el régimen climático
se mantiene, los excesos y déficits presentan cambios en cada uno:
Figura 29. Balance hídrico y alteraciones Nataima.
53
La figura 29 presenta las alteraciones en el balance hídrico, en ella puede leerse que los meses
deficitarios se mantienen, no obstante, bajo los efectos de un fenómeno de El Niño se hacen más
marcados y bajo los efectos de un fenómeno La Niña se atenúan. Esta situación se repite en las dos
regiones en estudio, sin embargo, la intensidad del efecto varía entre las mismas.
5.2. POTENCIAL AGRÍCOLA DE LAS REGIONES EN ESTUDIO Inicialmente se define el potencial agrícola de las dos regiones con base en los requerimientos
hídricos descritos por FAO para los cultivos presentes en la tabla 21, entre ellos se incluyen los más
comunes de las dos regiones:
Cultivo Requerimiento hídrico (mm/ciclo de cultivo)
Fríjol 300-500
Cítricos 900-1200
Algodón 700-1300
Maní 500-700
Maíz 500-800
Sorgo 450-650
Soya 600-1000 Tabla 21. Requerimiento hídrico de los cultivos. Fuente: FAO 2012.
Con base en la climatología se identifica que la oferta hídrica de las dos regiones en estudio cubre
los requerimientos de todos los cultivos enumerados y que, si se tiene en cuenta únicamente la
precipitación, puede llevarse a cabo más de un ciclo productivo cada año. Sin embargo, la posibilidad
de uso de la oferta hídrica se ve altamente condicionada por su distribución temporal de la
precipitación.
Otras variables además de la precipitación influyen en el desarrollo de los cultivos, es así como para
los principales cultivos transitorios sembrados en las dos regiones se presentan los siguientes
requerimientos (Tabla 22):
Parámetro
Cultivo
Maíz Arroz Algodón Sorgo
T min (ºC) 10 8 15 8
T óptima Min (ºC) 18 25 22 22
T óptima Max (ºC) 33 35 36 35
T max (ºC) 47 42 42 40
R min (mm) 400 700 450 300
R óptima min (mm) 600 1000 750 400
R óptima Max (mm) 1200 2000 1200 600
54
R Max (mm) 1800 3000 1500 700
Tabla 22. Requerimientos climáticos de principales cultivos de la región. Fuente: FAO 2012.
Al compararse la climatología de las dos regiones con estos requerimientos se observa que:
Para Cereté las temperaturas mínimas oscilan entre los 22.5 y 24.5 °C, las temperaturas
máximas entre 31.7 y 34°C y la precipitación acumulada durante un año con base en la
climatología alcanza 1350 mm. Los rangos de temperatura son los adecuados para los
cultivos mencionados en la tabla y los valores mínimos de precipitación son cubiertos, los
valores óptimos alcanzan los requerimientos de los cultivos, sin embargo, al establecerse
dos ciclos productivos la aplicación de agua suplementaria se hace necesaria.
Para el Espinal las temperaturas mínimas oscilan entre los 22 y 23 °C, las temperaturas
máximas entre 31 y 35°C y la precipitación acumulada durante un año con base en la
climatología alcanza 1456 mm. Los rangos de temperatura son los adecuados para todos los
cultivos mencionados en la tabla, los valores mínimos de precipitación son cubiertos, sin
embargo, la distribución de la precipitación hace necesario que cultivos con mayor
requerimiento precisen riego para alcanzar rendimientos adecuados.
El total de grados días acumulados (tiempo térmico) que requiere el maíz para completar su
desarrollo se registra en la tabla 23. El requerimiento térmico varía en cada etapa fenológica
(Valdez- Torres, Soto Landeros, Osuna Enciso, & Báez Sañudo, 2012):
Etapa °Día Acumulados
Siembra 0
Emergencia 118.7
V4 328
V8 518.8
V12 580.4
Floración Masculina 666.4
Floración Femenina 810
Grano Acuoso 985
Grano Lechoso 1115.5
Grano Masoso 1250.3
Madurez Fisiológica 1458
Cosecha 1640
Tabla 23. Tiempo térmico por etapa fenológica para maíz. Fuente: Valdez- Torres et. Al 2012.
Los grados día se calcularon conforme a la fórmula 9 y basándose en los valores promedio de
temperatura se tiene que:
Variable Turipaná Nataima
Grados día diario (promedio)
18 17
55
Madurez fisiológica días 81 85
Cosecha días 91 96
Tabla 24. Tiempo térmico promedio diario por región.
La duración del ciclo sería de 91 y 96 días para Turipaná y Nataima respectivamente, asumiendo que
todos los días cuenten con la misma temperatura, por lo que la duración del ciclo generalmente
resulta más larga y en las dos regiones se encuentra alrededor de 120 días (Steven, Hanway, &
Benson, 2003).
A partir de lo anterior puede decirse que las dos regiones son aptas para la producción de maíz y
que durante eventos Niño el desarrollo puede acelerarse por el incremento de temperatura, pero
verse seriamente afectado por las reducciones de precipitación. Bajo un escenario Niña se espera
que la afectación sea asociada a la radiación y a la proliferación de plagas y enfermedades.
Con respecto a la radiación la formación del rendimiento depende de la fijación de carbono realizada
a través de la fotosíntesis, que luego se transforma en materia seca, esta cantidad de materia seca
fijada bajo condiciones ideales depende netamente de la cantidad de radiación interceptada por el
Cánopy (índice de área foliar) del cultivo, cuyo valor ideal es 4, valores superiores tienen poca
incidencia (Lindquist, Arkebauer, Walters, Cassman, & Dobermann, 2005). El maíz sin estrés
sembrado a altas densidades de siembra (62500 plantas por hectárea) es capaz de interceptar el
55% de la radiación durante todo el periodo de cultivo, llega incluso hasta 1.2 o 1.6 gramos de
biomasa por cada Mega Joule, lo que podría producir hasta 500 ton/ha/día, sin embargo, teniendo
en cuenta los valores de radiación de las regiones en estudio se observa que, con temperaturas más
altas y días cortos puede tenerse una tasa de crecimiento hasta de 300 ton/ha/día (Universidad
Agraria de La Molina, 2010). Las dos regiones son aptas para el desarrollo del maíz, sin embargo, sus
niveles de producción no serán competitivos con respecto a cultivos sembrados en latitudes medias,
el principal motivo es la duración del día, que disminuye considerablemente los valores de radiación
solar neta.
5.3. ANÁLISIS DE CORRELACIÓN Y VALORES EXTREMOS
5.3.1. Turipaná
El diagrama de Boxplot de la figura 21 representa los valores diarios de temperatura máxima y
mínima de Turipaná, estos oscilan entre los 25 y 40°C y los 15 y 28°C, se presenta mayor variabilidad
en temperaturas máximas y se observa que el rango es más amplio, la media para las dos variables
es 32.7°C y 23.4°C respectivamente. El rango de temperaturas máximas es muy amplio, lo que puede
reflejarse en afectaciones del cultivo por estrés térmico, en especial cuando las temperaturas
superan los 35°C.
56
Figura 30. Boxplot Temperatura y Precipitación diarias. Turipaná.
Los valores diarios de precipitación (figura 30) son altamente variables, su rango se presenta entre
0 y 130 mm, la precipitación media es de 3mm y el 50% de los registros corresponde a 0mm,
entonces, los días sin precipitación son muy comunes en la región y los eventos que pueden ser
aprovechados por los cultivos son poco frecuentes.
Figura 31. Boxplot radiación solar neta diaria Turipaná.
Con respecto a la radiación es posible observar una distribución con sesgo a la derecha y valores
diarios atípicos que alcanzan los 0,1 MJ/m2 y que se asocian con errores de lectura, el valor promedio
de la radiación es de 18,25 MJ/m2
Análisis descriptivo para la variable tmax Variable tmax TURIPANA n 9861.000 Mín 25.600 Máx 39.600 Media 32.785
Análisis descriptivo para la variable tmin Variable tmin TURIPANA n 9861.000 Mín 14.200 Máx 28.800 Media 23.437
Análisis descriptivo para la variable precip Variable precip TURIPANA n 9861.000 Mín 0.000 Máx 129.000 Media 3.726
Análisis descriptivo para la variable Rad Variable SRAD TURIPANA n 9861.000 Mín 0.100 Máx 24.80 Media 18.25
57
Varianza 3.172 Desv.Est 1.781 Mediana 33.000 CV % 5.432 NA 0.000 NA % 0.000
Varianza 1.597 Desv.Est 1.264 Mediana 23.500 CV % 5.392 NA 0.000 NA % 0.000
Varianza 107.76 Desv.Est 10.38 Mediana 0.000 CV % 278.611 NA 0.000 NA % 0.000
Varianza 12.407 Desv.Est 3.52 Mediana 18.90 CV % 19.29 NA 0.000 NA % 0.000
Tabla 25. Descriptivas serie de datos Turipaná.
El análisis descriptivo indica que la mayor variabilidad, reflejada en la varianza y en la desviación
estándar, se presenta en la precipitación y radiación, la temperatura mínima es más estable que la
temperatura máxima y la precipitación es altamente variable debido a su discontinuidad espacial y
temporal por lo que las tendencias en la misma podrían ser más difíciles de identificar.
En la figura 32 y en tabla 26 se presentan los valores de correlación entre los índices ONI, MEI e IOS
con las variables de clima.
Las anomalías de temperatura presentan mayor correlación con los índices ONI, IOS y MEI que las
de precipitación, los valores alcanzan el 44% de correlación en el caso de las temperaturas medias.
La precipitación, por el contrario, no muestra correlaciones altas o significativas, el valor más alto
obtenido es del 7%.
En el caso de las anomalías de temperatura las correlaciones positivas corresponden a los índices
ONI y MEI que son indicadores de la componente oceánica del ENOS y las correlaciones negativas al
índice IOS que describe la componente atmosférica del fenómeno. De lo anterior se desprende que
durante eventos El Niño puede esperarse un aumento de las temperaturas, no es posible asegurar
lo mismo para la precipitación pues el valor de correlación alcanzado es muy bajo. La baja
correlación encontrada entre la precipitación y los índices podría explicarse al tener en cuenta el
carácter local de la variable y la influencia de la actividad del Océano Atlántico. Sin embargo, más
adelante se seleccionan los años en los que el efecto de El Niño se haya evidenciado, con el fin de
poder adelantar en análisis de su impacto en el ciclo productivo del maíz.
Este comportamiento de las temperaturas y la precipitación se ha encontrado también para otras
regiones del país, por ejemplo, un análisis de correlación, desarrollado por Montealegre para Bogotá
en el año 2012, identificó que durante eventos El Niño la temperatura tiene una probabilidad del
60% de sufrir aumentos hasta catalogarse como calentamientos severos, mientras que afectaciones
en las precipitaciones se relacionan con probabilidades inferiores al 30% durante cualquier fase del
ENOS (Montealegre Bocanegra J. , 2012)
58
Figura 32. Diagramas de dispersión anomalías estandarizadas Turipaná.
Tabla 26. Correlación entre anomalías estandarizadas de variables climáticas e Índices MEI, IOS e ONI.
Turipaná.
Se estudió el comportamiento de los índices vs las anomalías de las variables con el fin de seleccionar
años en los que el efecto del fenómeno haya sido evidenciado, es decir, que se perciba concordancia
entre la anomalía de la variable y el comportamiento del Índice.
En la figura 33 se presenta la gráfica de las anomalías estandarizadas de temperatura máxima,
temperatura mínima, precipitación, radiación y el comportamiento de los índices de manera
mensual:
ANOMALÍA
.TMAX
ANOMALÍA
.TMIN
ANOMALÍA
.TMEAN
ANOMALÍA.
Pmm
ANOMALÍA.
SRAD MEI IOS ONI
ANOMALÍA.T
MAX 1 -0.0241944 0.82000233 -0.4036192 0.4949887 0.264954 -0.25178 0.275511
ANOMALÍA.T
MIN -0.0241944 1 0.5523532 0.41446648 -0.1672724 0.385624 -0.22493 0.304766
ANOMALÍA.T
MEAN 0.8200023 0.5523532 1 -0.099266 0.31698035 0.441714 -0.33873 0.404223
ANOMALÍA.P
mm -0.4036192 0.4144665 -0.099266 1 -0.064096 -0.00675 0.073179 -0.0476
ANOMALÍA.S
RAD 0.4949887 -0.1672724 0.31698035 -0.064096 1 0.101568 -0.12381 0.107922
MEI 0.2649544 0.3856239 0.44171374 -0.0067548 0.10156799 1 -0.77774 0.931355
IOS -0.2517817 -0.2249274 -0.3387264 0.07317905 -0.1238129 -0.77774 1 -0.74871
ONI 0.2755107 0.3047663 0.40422292 -0.0475973 0.10792198 0.931355 -0.74871 1
59
a)
b)
c)
d)
Figura 33. Anomalías estandarizadas de radiación vs índices Turipaná a) Tmáx b) Tmín c) Pmm d) SRAD
Las anomalías de temperatura máxima tienden a ser positivas durante la fase cálida del Niño y
negativas en la fase contraria como se había identificado en el capítulo anterior, este
comportamiento puede evidenciarse en la figura 33 durante los años 1987, 1991, 1992, 1997,
60
1998, 2002, 2003, 2009 y en la primera mitad del año 2010 para El Niño, en los años 1989, 1996,
1999, 2000, 2005, 2006, segunda mitad del 2010 y 2011 para La Niña.
El efecto en las anomalías de temperatura mínima se evidencia en los años 1987, 1992, 1997, 1998,
en la mitad del año 2005 y 2010 para fenómeno del Niño y los años 1988, 1989, 1999, 2000 y 2008
para fenómeno de La Niña.
El efecto en la precipitación no se observa fácilmente, sin embargo, se perciben anomalías negativas
de precipitación en los años 1987, 1989,1990, 1991, 1992, 1994, 1997, 1998, 2002, 2003, 2004,
2006, 2007, 2010 y 2011, que corresponden a eventos Niño y positivas en los años 1988, 1996,
1999, 2000, 2008, 2009, 2010 y 2011.
Con respecto a la radiación, los años en los que se observa un comportamiento de las anomalías
asociado a los índices en estudio son 1987, 1988, 1991, 1992, 1997, 1998, 1999, 2000, 2002, 2003,
2004, 2008, 2010 y 2011.
De los años identificados, se registró que la agricultura sufrió seria afectaciones en los años como
1997 o 2010, en los que se enfrentaron respectivamente efectos del fenómeno ENSO en su fase
positiva y negativa, siendo el primer año recordado como una de las sequías más fuertes
experimentadas en el país (Ruíz Cabarcas, 2012), sufriéndose pérdidas por déficit hídrico o
incendios, mientras que el segundo año se recuerda por fuertes inundaciones, lo que generó para
los cultivos no solo estrés por aireación, sino también pérdidas por la incidencia de plagas y
enfermedades que afectaron sectores importantes, incluso la salud.
Se realizó un análisis Boxplot para la serie completa con el fin de identificar años encima o debajo
del promedio. El análisis de temperatura máxima que se muestra en la figura 34 indica que los años
con valores por encima de lo normal son 1987, 1991, 1992, 1997, 2001, 2002 y 2009, los años 1992,
1998 y 2010 presentaron alta variabilidad de las temperaturas, de manera adicional los años 1993,
1996, 1999,2000, 2003, 2010 y 2011 presentaron valores por debajo de lo normal. Estos años
corresponden a los periodos Niño y Niña que se describen en la figura 34.
61
Figura 34. Boxplot promedios anuales Turipaná.
Se realizó el mismo análisis para temperaturas mínimas, radiación y precipitación, los años 1987,
1992, 1997, 1998, 2003, 2009 y 2010 tuvieron en promedio temperaturas mínimas superiores a lo
normal, los años 1985, 1988, 2007 y 2011 tuvieron temperaturas mínimas inferiores a lo normal y
los años que presentaron mayor dispersión que el resto fueron 1991, 1997 y 2005.
Con respecto a la precipitación se identificó que los años 1987, 1991, 1994, 1997 y 2004 presentaron
valores por debajo de lo normal en concordancia con los eventos Niños, mientras que los años 1990,
1996, 2003, 2005 y 2010 estuvieron por encima de lo normal. La radiación presenta
comportamientos por encima y por debajo de lo normal en los años 1987, 1990, 1991, 1996, 1997,
2002, 2006, 2007 y 2010.
Este resultado permite ver años en los que las anomalías de precipitación y temperatura, junto con
los promedios de las variables respondieron de manera concordante con los índices.
Se realizó una selección de años (Figura 35) con los cuales se ejecuta un nuevo análisis, se señalan
en naranja los años con anomalías positivas, en azul los años con anomalías negativas y en colores
más oscuros los años seleccionados para realizar un nuevo análisis de correlación entre variables
climáticas e Índices.
62
Figura 35. Resumen de clasificación para definición de años tipo en Turipaná. Naranja anomalías positivas,
azul anomalías negativas, naranja oscuro y rojo: años seleccionados para nuevo análisis de correlación.
Por medio de este análisis se identificaron los años en los que el efecto del ENOS se evidenció en el
comportamiento de las variables climáticas, con el fin de adelantar el estudio de su impacto en el
ciclo productivo del maíz, ya que se han presentado casos en los que las variables climáticas no
sufren afectación durante el evento climático y por tanto tampoco se pueden asociar al desarrollo
y rendimiento del cultivo, pues el efecto de estos fenómenos no es lineal y la magnitud del evento
puede variar en el país (Henriquez Daza, 2015).
Se seleccionaron los años 1987, 1988, 1991, 1992, 1996, 1997, 1998, 1999, 2000, 2002, 2003, 2005,
2009, 2010 y 2011, en los cuales, para al menos una variable, el análisis por anomalías y por Boxplot
coincide. Se seleccionan como años tipo aquellos en los que para las tres variables los análisis
coinciden.
Se graficaron los valores de las anomalías (solamente para los años Niño y Niña) vs. los índices ONI,
MEI e IOS, teniendo en cuenta el periodo de inicio y finalización del fenómeno correspondiente
para identificar tendencias en los datos, las variables Tmax, Tmin y Tmean muestran tendencias
leves (figura 36), la radiación presenta alta concentración de los datos lo que no permite ver
claramente una tendencia, sin embargo se percibe un aumento ligero y la precipitación tampoco
presenta tendencia alguna.
Anom Bplot Final
Ano
m Bplot Final Anom Bplot Final Anom Bplot Final
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
TMAX TMIN PMM Año
tipoAño
SRAD
63
Figura 36. Diagrama de dispersión anomalías durante años Niño y Niña Turipaná.
ANOMALÍA.TMAX ANOMALÍA.TMIN ANOMALÍA.TMEAN ANOMALÍA.Pmm ANOMALÍA.SRAD ANOMALÍA.TMAX 1.0000000 0.17141075 0.86475832 -0.31817127 0.48193172 ANOMALÍA.TMIN 0.1714108 1.00000000 0.64298457 0.33369649 -0.03363071 ANOMALÍA.TMEAN 0.8647583 0.64298457 1.00000000 -0.07724554 0.35750368 ANOMALÍA.Pmm -0.3181713 0.33369649 -0.07724554 1.00000000 0.03208274 ANOMALÍA.SRAD 0.4819317 -0.03363071 0.35750368 0.03208274 1.00000000 MEI 0.3908492 0.44027657 0.52826342 -0.05275924 0.23029098 IOS - 0.3758182 -0.25793894 -0.42363517 0.15014982 -0.22511635 ONI 0.3698781 0.32599860 0.45370962 -0.10910524 0.22532259
Tabla 27. Correlación anomalías estandarizadas vs índices durante eventos Niño y Niña Turipaná.
Las correlaciones en la tabla 27 indican que con los índices ONI y MEI se presenta tendencia
directamente proporcional al aumento de las anomalías de temperatura y radiación, es decir,
cuánto mayor es el índice podría esperarse que mayor sea la anomalía, mientras que la tendencia
es inversa con el índice IOS que corresponde a la componente atmosférica, que en su fase negativa
corresponde a un fenómeno El Niño.
Las temperaturas muestran mayores correlaciones con los índices (cercanas al 40%) si se compara
con la precipitación (cercana al 10%) ; y el comportamiento con respecto a los mismos se mantiene;
la correlación entre la precipitación y los índices aumenta y se ve más marcada con el índice de la
Oscilación del Sur (IOS), hasta este punto el análisis indica que para Turipaná, el índice ONI es el que
menor desempeño presenta, sin embargo, las correlaciones observadas en todos los casos son
bajas.
Se seleccionaron entonces los años tipo correspondientes a los fenómenos Niño: 1986-1988, 1991-
1992, 1997-1998, 2009-2010 y fenómenos Niña: 1988-1989, 2010-2011; se calculó la correlación de
las anomalías de temperatura y precipitación vs. ONI, MEI e IOS:
64
ANOMALÍA.TMAX ANOMALÍA.TMIN ANOMALÍA.TMEAN ANOMALÍA.Pmm ANOMALÍA.SRAD ANOMALÍA.TMAX 1.0000000 0.26995853 0.89401885 -0.259780306 0.589993928 ANOMALÍA.TMIN 0.2699585 1.00000000 0.67274291 0.238428368 -0.037285228 ANOMALÍA.TMEAN 0.8940188 0.67274291 1.00000000 -0.088674710 0.436005705 ANOMALÍA.Pmm -0.2597803 0.23842837 -0.08867471 1.000000000 -0.007000483 ANOMALÍA.SRAD 0.5899939 -0.03728523 0.43600570 -0.007000483 1.000000000 MEI 0.4082627 0.47172669 0.53320831 -0.147622108 0.195364637 IOS -0.4278757 -0.26002622 -0.44977369 0.258758654 -0.240389137 ONI 0.3596247 0.36631901 0.44678782 -0.196904765 0.137868254
Tabla 28. Correlación anomalías estandarizadas vs índices durante años tipo Turipaná.
Aunque la correlación (tabla 28) de las variables en general aumenta, en el caso de la precipitación
y la radiación sigue siendo muy baja debido a que la variable precipitación es discontinua tanto en
espacio como en el tiempo y compleja porque para la formación de las lluvias intervienen muchos
factores asociados a la dinámica del clima local y otros factores externos, que si bien son capaces
de producir alta nubosidad la cual afecta la cantidad de radiación medida en superficie, esto no
garantiza que estas nubes generen precipitación en los tiempos esperados.
Respecto la correlación de las temperaturas, se encontró que esta es mayor en la medida que los
índices ONI y MEI incrementan y que el índice de mejor desempeño sigue siendo el MEI. Gracias al
análisis realizado con el MEI fue posible seleccionar los años tipo en los que el efecto del ENOS se
evidenció en las temperaturas y en la precipitación. Con base en los mismos se desarrolló el estudio
del impacto que podría tener el ciclo productivo del maíz y la alteración de las fechas de siembra.
Se realizó un análisis de correlación mensual con rezagos con el fin de identificar en cuales meses
se presenta mayor correlación entre el comportamiento del pacífico ecuatorial y las variables de
clima estudiadas, pues algunos meses presentan mayores afectaciones por causa del evento
climático ENSO, es decir, que el efecto varía de mes a mes, y algunas veces puede observase un
retraso de uno o dos meses en el efecto.
En la figura 37 se presentan las correlaciones calculadas para las anomalías estandarizadas de
TMAX- Turipaná vs los índices MEI, ONI, e IOS; de manera general los índices MEI e ONI presentaron
mejor desempeño que el índice IOS:
Figura 37. Correlación con rezago Tmax vs índices ONI, IOS, MEI. Turipaná.
65
Como se observa en la figura 37 los meses cuya correlación con los índices en estudio es mayor son
diciembre- enero y marzo con valores que superan el 80% y que disminuyen conforme aumenta el
rezago, esto indica que, durante la temporada lluviosa el efecto del fenómeno del Niño sobre la
temperatura máxima es más débil que durante la temporada seca, y que los efectos del
comportamiento del pacífico ecuatorial podrían alterar el comportamiento de esta variable con un
rezago hasta de 4 meses, resultado señalado también por Poveda y Guarín (2013) en su estudio
“Variabilidad espacial y temporal del almacenamiento del agua en el suelo de Colombia”. Se
presenta un efecto similar, pero de manera más reducida en los meses de julio, agosto y septiembre.
Esto repercute directamente en el ciclo productivo durante la etapa de formación y llenado de grano
para los cultivos establecidos en el segundo semestre.
La temperatura mínima presentó un comportamiento diferente, para la misma, los meses con
mayor correlación son marzo, abril y mayo, con valores cercanos al 75%, y cuya disminución es más
fuerte, lo que indica un rezago hasta de 3 meses.
Figura 38. Correlación con rezago Tmín vs índices ONI, IOS, MEI. Turipaná.
La temperatura mínima tiene menor correlación que la temperatura máxima con los tres índices
empleados (Figura 38) y el índice con mejor desempeño es el MEI. El índice IOS presenta
correlaciones inferiores a 0.7 a excepción del mes de abril, en cuyo caso la mayor correlación se da
con un mes de rezago. Los meses con mayor correlación son marzo, abril y mayo, y pueden
mantenerse los efectos hasta por tres meses.
La precipitación presentó correlaciones muy bajas con los tres índices en todos los meses, como se
observa en la figura 39, los mejores valores se obtuvieron para el Índice de Oscilación del Sur (IOS)
para el mes de abril, con rezago de 4 meses el valor alcanza el 60%.
66
Figura 39. Correlación con rezago anomalías de precipitación vs índices ONI, IOS, MEI. Turipaná.
Con los resultados de precipitación es difícil asegurar que el fenómeno del Niño tenga un efecto
directo en las anomalías de precipitación en la región de Córdoba.
Figura 40. Correlación con rezago anomalías de radiación vs índices ONI, MEI, IOS. Turipaná.
La radiación (figura 40) presentó correlaciones similares con todos los índices, para el mes de enero
y el mes de marzo se observan valores superiores al 70% de correlación con rezagos hasta de 5
meses, la influencia de estos índices sobre los meses restantes es reducida. Para el inicio del año la
correlación del índice MEI con la radiación es bastante alta, esto se debe al exceso de calentamiento
en el océano, que ocasiona un desplazamiento de las celdas productoras de lluvias hacia otras
regiones del planeta generando ausencia de nubosidad sobre el territorio de Córdoba.
5.3.2. Nataima
El análisis de Boxplot para Nataima se presenta en las figuras 41 y 42; los valores de temperatura
máxima oscilan entre los 23 y 42°C, mientras que los de temperatura mínima se mantienen en el
rango de los 16 y los 28°C, en los dos casos la variable es estable:
67
Figura 41. Boxplot serie climática Nataima.
La precipitación se concentra en los valores cercanos a los 0mm, por lo que se entiende que los días
sin lluvia son muy frecuentes, adicionalmente se observan que se han alcanzado 150mm de
precipitación diarios que pueden considerarse como valores extremos. De la misma manera como
sucede en Turipaná, se entiende que el alto grado de variabilidad de los valores de precipitación
diaria hacen de esta una variable difícil de manejar.
Figura 42. Boxplot radiación solar neta Nataima.
La radiación de Nataima (figura 42) se comporta de manera simétrica, el rango de la variable se
encuentra entre 12 y 24 MJ/m2 día y el valor promedio es de 18.12 MJ/m2 día.
Se realizó el análisis descriptivo (Tabla 29) de la serie de datos diarios teniendo un total de 12419
observaciones de cada variable. Para las temperaturas máximas se encontró que el promedio o
media corresponde a 32°C, la desviación estándar de los datos es de 2.35°C y el coeficiente de
variación del 7%, la varianza es de 5.5, por lo que se reafirma que los datos presentan poca
variabilidad.
Análisis descriptivo para la variable tmax Variable tmax NATAIMA n 12419.000
Análisis descriptivo para la variable tmin Variable tmin NATAIMA n 12419.000
Análisis descriptivo para la variable precip Variable precip NATAIMA n 12419.000
Análisis descriptivo para la variable SRAD Variable precip NATAIMA n 12054.000*
68
Mín 23.000 Máx 41.800 Media 32.715 Varianza 5.556 Desv.Est 2.357 Mediana 32.800 CV % 7.205 NA 0.000 NA % 0.000
Mín 16.000 Máx 28.200 Media 22.623 Varianza 2.142 Desv.Est 1.464 Mediana 22.600 CV % 6.469 NA 0.000 NA % 0.000
Mín 0.000 Máx 137.700 Media 3.962 Varianza 124.963 Desv.Est 11.179 Mediana 0.000 CV % 282.148 NA 0.000 NA % 0.000
Mín 9.20 Máx 26.90 Media 18.10 Varianza 5.75 Desv.Est 2.398 Mediana 18.12 CV % 13.239 NA 0.000 NA % 0.000
*Sin datos de 2013. Tabla 29. Descriptivas serie de datos climática Nataima.
La temperatura mínima promedio es de 22.62°C, la desviación estándar es de 1.46°C, el coeficiente
de variación del 6.5% y la varianza de 2.14 los datos tienen poca variabilidad. Tanto las temperaturas
máximas como mínimas presentan un comportamiento estable.
El valor promedio de precipitación diaria es de 3.9 mm y la desviación estándar de 11.17mm, se
encontró que los datos presentan alta variación, la varianza es de 124.96 % y el coeficiente de
variación es del 282.18%, valores que son aceptables al tratarse de una serie de valores de
precipitación, variable que presenta cambios radicales al no ser continua espacial o
temporalmente. La radiación diaria neta tiene poca variabilidad pues su coeficiente de variación es
menor al 50%.
En la figura 43 se presentan las gráficas de dispersión para las variables climáticas y los índices, para
Nataima:
Figura 43. Diagramas de dispersión anomalías serie climática Nataima.
69
ANOMALÍA.TMAX ANOMALÍA.TMIN ANOMALÍA.TMEAN ANOMALÍA.Pmm ANOMALÍA.SRAD ANOMALÍA.TMAX 1.0000000 0.5012238 0.9026140 -0.333683029 0.40197656 ANOMALÍA.TMIN 0.5012238 1.0000000 0.8248671 -0.160717106 -0.16542599 ANOMALÍA.TMEAN 0.9026140 0.8248671 1.0000000 -0.297433262 0.18046492 ANOMALÍA.Pmm -0.3336830 -0.1607171 -0.2974333 1.000000000 -0.08871779 ANOMALÍA.SRAD 0.4019766 -0.1654260 0.1804649 -0.088717788 1.00000000 MEI 0.3893554 0.3936351 0.4503055 -0.059601570 0.06896503 IOS -0.3421289 -0.3046295 -0.3752711 0.005659248 -0.09563757 ONI 0.3857608 0.3510555 0.4267789 -0.056868290 0.08627474
Tabla 30. Correlación anomalías estandarizadas vs índices ONI, MEI, IOS. Nataima.
Las variables Tmax, Tmin y Tmean presentaron correlaciones cercanas al 30%, mientras que la
precipitación y la radiación presentaron valores en el orden del 5 al 9%, en ambos casos se considera
que la correlación es baja. Estudios realizados con el fin de identificar la correlación de los índices
asociados a la componente oceánica del fenómeno de El Niño (ONI, MEI) en Colombia y las
precipitaciones indican que incluso a nivel trimestral las correlaciones son inferiores a 0,4 en los
casos más altos y cercanas a 0 en la mayoría de los casos (Grupo de modelamiento de tiempo y
clima , 2014), resultados que concuerdan con lo obtenido en esta investigación.
Se observa que en todos los casos la correlación con la componente oceánica es positiva y con la
componente atmosférica del evento es negativa (para temperatura), en consecuencia podría
esperarse que durante fases de calentamiento del océano pacífico las temperaturas en la región
sean mayores.
Con el fin de seleccionar los años en los que el efecto del ENSO haya sido más marcado se realiza el
siguiente análisis de anomalías (figura 44):
a)
b)
-8.00-7.50-7.00-6.50-6.00-5.50-5.00-4.50-4.00-3.50-3.00-2.50-2.00-1.50-1.00-0.500.000.501.001.502.002.503.003.504.004.505.005.506.00
19
80
19
81
19
82
19
83
19
84
19
85
19
86
19
87
19
88
19
89
19
90
19
91
19
92
19
93
19
94
19
95
19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
-8.00-7.50-7.00-6.50-6.00-5.50-5.00-4.50-4.00-3.50-3.00-2.50-2.00-1.50-1.00-0.500.000.501.001.502.002.503.003.504.004.505.005.506.00
19
80
19
81
19
82
19
83
19
84
19
85
19
86
19
87
19
88
19
89
19
90
19
91
19
92
19
93
19
94
19
95
19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
ONI
IOS
ANOMALÍATMIN
70
c)
d)
Figura 44. Anomalías estandarizadas de radiación vs índices Nataima a) Tmáx b) Tmín c) Pmm d) SRAD
El comportamiento de las anomalías de temperatura máxima vs. los índices ONI, MEI e IOS indica
que en los años 1980, 1982-1983, 1987-1988, 1989, 1992, 1995, 1997-1998, 1999-2000, 2003, 2005,
2007, 2008, 2010 y 2011 se evidenció un efecto del ENSO tanto en su fase positiva como negativa,
ocasionando aumentos de temperatura máxima en los años asociados a Niño y disminución de los
valores de la misma variable en eventos Niña.
Se observa que las anomalías de temperatura mínima muestran relación más fuerte con los eventos
de los años 1980, 1982-1983, 1987-1988, 1989, 1992, 1995, 1997-1998, 1999-2000, 2002-2003,
2008-2009 y 2010, se presentan anomalías positivas para la fase positiva del ENSO y negativas en la
fase contraria, es decir que, durante los eventos Niño estudiados, las temperaturas mínimas
tendieron a ser mayores que las promedio y durante eventos Niña tendieron a ser menores. El
comportamiento es el mismo para la radiación solar neta durante los años 1980, 1983, 1987, 1988,
1989, 1992, 1994, 1996, 1997, 1999, 2000, 2002, 2003, 2008, 2009, 2010 y 2011.
Las anomalías de precipitación no muestran un comportamiento definido frente a los índices
trabajados, sin embargo, se presentan alteraciones leves en los años 1980, 1987-1988, 1989, 1992,
1995, 1997-1998, 2000, 2010, 2011 y 2012, de manera que, para los años Niño comprendidos dentro
de los mencionados, las precipitaciones mostraron reducciones leves a muy fuertes y durante
eventos Niña presentaron aumento, siendo más recordados los efectos en los años 1997 y 2010.
Se realizó el análisis Boxplot para identificar años por encima o por debajo del promedio:
-800-750-700-650-600-550-500-450-400-350-300-250-200-150-100-50050100150200250300350400450500550600650
19
80
19
81
19
82
19
83
19
84
19
85
19
86
19
87
19
88
19
89
19
90
19
91
19
92
19
93
19
94
19
95
19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
ONI*100 IOS*100
ANOMALÍA Pmm MEI*100
71
Figura 45. Diagramas de Boxplot anuales serie histórica Nataima.
Como se observa en la figura 45, los años que presentan comportamiento anómalo en las
temperaturas máximas son 1980, 1983, 1984, 1987, 1992, 1997, 1998, 2001, 2002, 2004, 2005,
2008, 2009 y 2010. Para las temperaturas mínimas los años con comportamiento por encima o por
debajo de lo normal son 1980, 1983, 1986, 1987, 1988, 1995, 1997, 1998, 1999, 2000, 2005, 2006,
2007, 2008, 2010, 2011 y 2012.
Con respecto a las precipitaciones los años con comportamientos anómalos no se identifican
fácilmente, sin embargo 1983, 1984, 1987, 1988, 1993, 1995, 1997, 1998, 2003, 2005, 2007 y 2009
muestran concentración de valores diferentes a los normales.
Por último, el análisis de Boxplot para los valores de radiación indicó que los años que se
comportaron por encima o por debajo del promedio fueron 1980, 1984, 1987, 1988, 1992, 1995,
1997, 1998, 1999, 2000, 2004, 2005, 2006, 2009, 2010 y 2011.
En las variables analizadas se percibe el efecto de los eventos ENOS de manera leve, siendo así que,
las temperaturas y radiación sufren incremento en su valor durante la fase positiva y reducciones
durante la fase negativa del fenómeno El Niño. El comportamiento es ligeramente inverso para la
variable precipitación (correlaciones negativas muy bajas).
Con base en los resultados de los dos análisis se seleccionaron los años con los que se realizó de
nuevo el análisis de correlación:
72
Figura 46. Resumen selección de años tipo Nataima. Naranja anomalías positivas, azul anomalías negativas,
naranja oscuro y rojo: años seleccionados para nuevo análisis de correlación
En la figura 46 se registran los años 1980, 1983, 1987, 1988, 1992, 1997, 1998, 2005, 2008, 2009 y
2010 en los cuales, para al menos una variable, el análisis por anomalías (análisis gráfico) y por
Boxplot coincide. Con base en los mismos análisis se definieron como años tipo aquellos en los que
para las tres variables (temperatura máxima, temperatura mínima y precipitación) los dos análisis
coincidieron.
Se graficaron los valores de las anomalías vs los índices teniendo en cuenta el periodo de inicio y
finalización del evento correspondiente para identificar tendencias en los datos (Figura 47) y se
realizó el cálculo de correlaciones únicamente para años catalogados como Niño o Niña (tabla 32).
Anom Bplot Final Anom Bplot Final Anom Bplot Final Anom Bplot Final
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
Año
TMAX TMIN PMM Año
tipo
SRAD
73
Figura 47. Diagramas de dispersión anomalías años Niño y Niña Nataima.
ANOMALÍA...TMAX ANOMALÍA.TMIN ANOMALÍA.TMEAN ANOMALÍA.Pmm ANOMALÍA.SRAD ANOMALÍA...TMAX 1.0000000 0.38958469 0.9112439 -0.38297040 0.79097379 ANOMALÍA.TMIN 0.3895847 1.00000000 0.7343325 -0.03693803 -0.14001486 ANOMALÍA.TMEAN 0.9112439 0.73433245 1.0000000 -0.29877615 0.52035009 ANOMALÍA.Pmm -0.3829704 -0.03693803 -0.2987761 1.00000000 -0.23606122 ANOMALÍA.SRAD 0.7909738 -0.14001486 0.5203501 -0.23606122 1.00000000 MEI 0.3488918 0.45450092 0.4603936 -0.07267938 0.06170437 IOS -0.4069398 -0.40342157 -0.4803336 0.09619877 -0.15605435 ONI 0.3675530 0.44170644 0.4684257 -0.08913895 0.07963779
Tabla 31. Correlación anomalías estandarizadas años Niño y Niña vs índices. Nataima.
Se encontró que hay una correlación positiva entre los índices MEI y ONI con las anomalías
estandarizadas de temperatura y negativa con el índice IOS, esto significa que durante eventos Niño
que corresponden a índices positivos, las temperaturas aumentan, y durante eventos Niña
disminuyen, esta relación es expresada a través de correlaciones del 40 hasta el 45%. Sin embargo,
no se observa correlación ni tendencia para los valores de anomalía de precipitación y las anomalías
de radiación presentan gran dispersión, en los dos casos no es posible afirmar que los eventos ENOS
repercutan en el comportamiento de las variables (correlaciones muy bajas, cercanas al 1.0%),
resultados similares a los descritos en el análisis para Turipaná y encontrados por otros autores tales
como Montealegre (2009) y Ruiz et. Al (2014).
74
Se realizó el análisis de correlación para los años identificados como tipo 1987, 1988, 1997, 1998 y
2009-2010, los valores obtenidos se presentan en la tabla 32.
ANOMALÍA.TMAX ANOMALÍA.TMIN ANOMALÍA.TMEAN ANOMALÍA.Pmm ANOMALÍA.SRAD ANOMALÍA...TMAX 1.0000000 0.42624782 0.9064721 -0.36467402 0.7471255 ANOMALÍA.TMIN 0.4262478 1.00000000 0.7683598 -0.02967039 -0.1758670 ANOMALÍA.TMEAN 0.9064721 0.76835978 1.0000000 -0.27195072 0.4465160 ANOMALÍA.Pmm -0.3646740 -0.02967039 -0.2719507 1.00000000 -0.2466162 ANOMALÍA.SRAD 0.7471255 -0.17586703 0.4465160 -0.24661623 1.0000000 MEI 0.4718939 0.48013259 0.5581209 -0.05718927 0.1489000 IOS -0.5060483 -0.40933977 -0.5491132 0.09835391 -0.2280525 ONI 0.4832240 0.47587048 0.5642076 -0.10482510 0.158442
Tabla 32. Correlación anomalías estandarizadas vs índices en años tipo. Nataima.
En los años seleccionados se encontró mayor correlación entre las anomalías de temperatura y los
índices ONI, IOS y MEI ( superiores al 40%) , la mayor correlación encontrada se presenta entre la
temperatura media y los tres índices, su valor se mantuvo cercano al 55%, permaneciendo positivas
con respecto a la componente oceánica del fenómeno y negativas con respecto a la componente
atmosférica, por lo que al presentarse un calentamiento de la superficie del océano podría esperarse
aumento en la temperatura de la región. No se puede asegurar ningún comportamiento sobre la
relación de las anomalías de precipitación con los índices utilizados. El resultado es similar al
obtenido para la región de Cereté, sin embargo, el efecto del fenómeno puede percibirse de manera
más marcada en El Espinal, Nataima.
La correlación puede variar mes a mes y los efectos pueden evidenciarse con ciertos meses de
retraso, por este motivo se realiza un análisis de correlación con rezago. En las figuras 48 hasta la
52 se presentan las correlaciones calculadas para las anomalías estandarizadas de TMAX, TMIN,
Pmm y SRAD para Nataima vs los índices MEI, ONI, e IOS. De manera general los índices MEI e ONI
presentaron mejor desempeño que el índice IOS (mayores correlaciones).
En la figura 48 se presentan las correlaciones con rezago del MEI con la temperatura máxima de
Nataima, estas alcanzan el 65% en enero, febrero, marzo y julio, y pueden mantenerse los efectos
hasta por 5 meses. Se presentan correlaciones aún mayores para la misma variable, en enero,
febrero y marzo con el índice ONI y se observa que el mayor valor se presenta con un rezago de tres
meses y luego disminuye. Sin embargo, con un rezago de 6 meses se alcanzan a encontrar
correlaciones superiores al 50%. El IOS, aunque inverso, presenta también altas correlaciones para
la misma temporada y estas se mantienen hasta con un rezago de seis meses. El análisis podría
indicar que para la región el efecto sobre los ciclos productivos puede resultar más contundente en
los cultivos transitorios que se establezcan en el segundo semestre y cuya cosecha se realice en los
primeros meses del año siguiente.
75
Figura 48. Correlación con rezago Tmax vs índices ONI, MEI, IOS, Nataima.
Figura 49. Correlación con rezago Tmín vs índices ONI, IOS, MEI. Nataima.
Se encontró que la correlación del índice ONI es mayor que la de los otros indicadores con las
anomalías de temperaturas mínimas, esta consigue valores del 70% (Figura 49). Se advierte que los
primeros cuatro meses del año se encuentran correlacionados con los tres índices y que conforme
avanza el año esta correlación disminuye, el rezago puede ser hasta de 5 meses, este
comportamiento es consecuente con el análisis para temperaturas máximas.
Figura 50. Correlación con rezago anomalías de precipitación vs índices ONI, MEI, IOS, Nataima.
La precipitación no presenta correlaciones significativas con ninguno de los índices en la mayoría de
los meses (Figura 50), sin embargo, el mes que mayor correlación presenta es agosto, esto indica
que los meses mejor correlacionados son los meses secos (tanto para Nataima como para Turipaná).
76
Figura 51. Correlación con rezago anomalías de radiación vs índices ONI, IOS, MEI. Nataima.
Con respecto a la radiación se observa en la figura 51 que los valores de correlación no superan el
40%, indicación de que dicha radiación está influenciada ligeramente por el océano pacífico
ecuatorial en la región de Nataima, pero que su comportamiento se rige por otro sistema o por
sistemas locales.
Del análisis general para las dos regiones se concluye que de manera global la correlación entre el
ENOS es más marcada en la región de El Espinal que en la región de Cereté, obteniéndose
correlaciones promedio del 55% en la primera y del 40% en la segunda para las temperaturas. No
se encontraron correlaciones significativas entre las precipitaciones y los índices, por lo que las
alteraciones en los balances hídricos podrían asociarse al aumento de la evapotranspiración por
causa de altas temperaturas y no por alteración en la precipitación. Se percibió de manera más
detallada que los efectos se hacen más marcados en los primeros tres o cuatro meses del año y que,
tal como lo describe Montealegre, los Índices característicos del evento ENOS presentan fuerte
asociación con las variables climáticas cuando se tienen rezagos de 2 y 3 meses (Montealegre
Bocanegra J. E., 2009), el mismo autor afirma que la actividad ciclónica afecta de manera directa el
Caribe Colombiano por lo que el efecto del ENOS en la misma se atenúa. Un análisis desarrollado
por Guarín y Poveda (2013) encontró de manera concordante que las correlaciones entre los índices
asociados al ENOS de manera regional y no local mejora a medida que la localización del estudio se
aleja de la costa, argumento que concuerda con los resultados obtenidos en el presente trabajo.
5.4. ANÁLISIS DE COMPONENTES PRINCIPALES.
5.4.1. Análisis de componentes principales para Turipaná:
Se clasificó el rendimiento como se observa en la tabla 33:
77
Tabla 33. Clasificación del rendimiento promedio Turipaná.
La mayoría de los rendimientos se catalogaron como normales, esto denota que la producción ha
sido estable a través de los años, sin embargo, los semestres 1999B, 2009B Y 2010B se ubican dos
desviaciones estándar por debajo del promedio, lo que los clasifica como bajos y los semestres
2007A, 2009A, 2010A y 2011A se clasificaron como buenos al ubicarse por encima de dos
deviaciones estándar. En todos los casos el rendimiento del semestre A es mayor que el rendimiento
del semestre B, lo que corresponde a un cambio en la oferta climática ya que los valores medios de
radiación disminuyen para el segundo semestre.
En la figura 52 se muestran las correlaciones entre variables e índices expresadas en forma de
circunferencia, su tamaño e intensidad refleja el valor de la correlación, de manera que
circunferencias de colores más oscuros y mayor diámetro indican mayor valor, el color azul expresa
correlación positiva, el color rojo correlación negativa.
SEMESTRE
PROMEDIO
AMA Y
BLAN VARIACION DIFF CAT CATEG
1999-B 2.93 0.94- 1.10- BAJO
2000-A 4.15 0.28 0.32 NORMAL
2000-B 3.15 0.72- 0.84- NORMAL
2001-A 3.55 0.32- 0.37- NORMAL
2001-B 3.20 0.67- 0.78- NORMAL
2002-A 4.19 0.32 0.37 NORMAL
2002-B 3.20 0.67- 0.78- NORMAL
2003-A 4.20 0.33 0.38 NORMAL
2003-B 3.20 0.67- 0.78- NORMAL
2004-A 4.55 0.68 0.79 NORMAL
2004-B 3.93 0.05 0.06 NORMAL
2005-A 4.55 0.68 0.79 NORMAL
2005-B 4.60 0.73 0.85 NORMAL
2006-A 4.10 0.23 0.26 NORMAL
2006-B 3.80 0.07- 0.08- NORMAL
2007-A 4.80 0.93 1.08 BUENO
2007-B 3.80 0.07- 0.08- NORMAL
2008-A 4.70 0.83 0.96 NORMAL
2008-B 3.06 0.81- 0.94- NORMAL
2009-A 5.10 1.23 1.43 BUENO
2009-B 2.26 1.62- 1.88- BAJO
2010-A 5.10 1.23 1.43 BUENO
2010-B 2.20 1.67- 1.95- BAJO
2011-A 5.30 1.43 1.66 BUENO
2011-B 3.20 0.67- 0.78- NORMAL
78
Figura 52. Correlación entre variables establecidas para el Análisis de componentes principales. Turipaná.
En la gráfica se identifican varios grupos de variables correlacionadas que indican la viabilidad del
análisis de componentes principales. El rendimiento presenta correlación positiva con las variables
asociadas a precipitación y con los grados día acumulados durante el ciclo, mientras que su
correlación es negativa y de menor intensidad con el índice IOS.
Se identificaron dos grupos de variables, las primeras son aquellas que dependen o tienen relación
con la precipitación, tales como días de precipitación y precipitación acumulada, el segundo grupo
comprende aquellas variables relacionadas con la radiación y con las temperaturas. La relación
existente entre variables se observa de manera más clara al realizar el ACP.
El diagrama de decantación o de Scree en el que se reflejan los autovalores del análisis el resultado
para Turipaná se encuentra en la figura 53:
79
Figura 53. Gráfico de decantación o autovalores Turipaná.
En este caso los seis primeros componentes principales resumen el 80% de la variabilidad de los
datos, el salto pronunciado entre el componente 2 y 3 indica que los componentes 1 y 2 resumen la
mayor parte de la variación.
Si el autovalor del componente principal es mayor que 1, este explica alto porcentaje de la variación
de los datos, en este caso, los primeros seis componentes principales presentan autovalores
superiores a 1.
eigenvalue percentage of variance comp 1 6.968933 33.185396 comp 2 4.381768 20.865564 comp 3 2.335741 11.122575 comp 4 1.255105 5.976688 comp 5 1.241173 5.910349 comp 6 1.114337 5.306366
El 53% de la información se encuentra contenida en los componentes 1 y 2, mientras que los
componentes 1, 2 y 3, resumen el 64% de la variabilidad de los datos.
La correlación que tiene cada variable con los componentes principales se muestra a continuación:
Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 RTO 0.66763350 0.17425496 -0.0723656524 0.004961349 0.14394918 IOS -0.46645381 0.66883613 -0.1912534447 -0.177508765 0.23351624 MEI 0.39086936 -0.67220901 0.3775386479 0.212789530 -0.15044040 T351 0.42142165 -0.37768941 -0.3294767106 0.206544263 0.50463354 T352 0.32810100 -0.67121950 -0.2144173250 -0.005029155 0.26024027 T353 0.70080098 -0.16429346 0.3048071482 -0.290928758 0.25711437 T354 0.71314245 -0.13494659 0.4068815191 0.147386780 -0.13782049
Pmm1 0.03973556 0.36669440 0.5368381947 0.305026697 0.12201109
80
Pmm2 0.08401594 0.48632599 0.4920993688 -0.520349682 -0.03719867 Pmm3 0.39719513 0.41089340 0.4117555291 0.271521100 0.47201584 Pmm4 0.72721892 0.31247790 -0.0007482901 -0.324264275 -0.25983618 GDIA 0.90705844 -0.23726623 -0.0121869336 0.035011546 -0.15208730 PMM 0.50200417 0.61538634 0.5560620811 -0.099126043 0.13143986 DPmm 0.59980256 0.65576322 -0.4023174686 0.143471891 -0.08748756 SRAD 0.72578984 -0.26966268 -0.3189266944 -0.303486403 0.26064866 TMAX 0.84023137 -0.38538669 -0.1601035560 -0.054647465 0.01160580 TMIN 0.78516825 -0.01024453 0.0877977082 0.238680491 -0.39743602 DP1 -0.08756445 0.49548371 -0.1826755994 0.460733038 -0.17526479 DP2 0.17688449 0.63082068 -0.4647721912 -0.041390683 0.09172899 DP3 0.56408787 0.57038119 -0.1356484435 0.270908526 0.18653396 DP4 0.72919488 0.34815953 -0.4055217923 -0.124469177 -0.28496936
En las correlaciones de los componentes 1 y 2 puede identificarse que en la componente 1 las
variables asociadas con radiación y temperatura se agrupan, mientras que aquellas asociadas con
precipitación se agrupan en el CP2. Con respecto a las dos primeras dimensiones (componentes) se
realiza un mapa de factores (Figura 54) en el que se indica gráficamente la correlación entre
variables, en el gráfico la correlación es el coseno del ángulo formado entre las mismas, de esta
manera resulta más sencillo observar la agrupación de las variables:
Figura 54. Gráfico de componentes principales. Turipaná.
En la distribución de la gráfica se observa que el rendimiento es explicado en su mayoría por el
componente 1 con un porcentaje de 66% (correlación), el mismo se correlaciona de manera fuerte
con las variables de precipitación en el cuarto mes del ciclo y de manera menos fuerte con las
81
temperaturas, radiación, tiempo térmico, precipitación de todo el ciclo y precipitación en el tercer
mes.
Se contempla una agrupación de variables dividida en los dos grupos mencionados anteriormente,
el primero asociado a la precipitación, el segundo asociado a la radiación y a las temperaturas. La
correlación de las variables con el rendimiento se discute más adelante en este mismo capítulo.
La calidad de la representación de las variables se muestra en la figura 55.
Figura 55. Explicación de variables por PCA. Turipaná.
En la figura 55 las variables IOS, DPmm, GDÍA y TMAX se encuentran explicadas casi en su totalidad
por los componentes 1 y 2, luego las variables asociadas a las mismas: SRAD, MEI, DP3 y DP4, se
explican en un 60%. La variabilidad del rendimiento se explica cerca de un 50% por medio de los dos
componentes presentados, resultado lógico pues como lo indica Cirilo(2005) además del clima,
condiciones como la densidad de siembra, el genotipo, fertilización y manejo, o tipo de suelo pueden
ser altamente decisivas para el desarrollo del cultivo y la formación del rendimiento (Cirilo, 2005).
A continuación (Figuras 56 y 57) se muestran las variables que están más correlacionadas con los
componentes 1 y 2, y que se consideran las más importantes para explicar la variación de los datos,
si todas las variables explicaran en igual porcentaje la variabilidad, cada una tendría un valor de
contribución correspondiente a 4.54, representado por la línea roja:
82
Figura 56. Contibución de variables a la componente principal 1. Turipaná.
Como se observa en el gráfico las variables que se encuentran por encima de la línea (que tienen
importancia para el componente 1) son: GDÍA, MAX, TMIN, DP4, DPmm4, SRAD, T354, T353,RTO y
DPmm, esto supone que el rendimiento se correlaciona de manera inicial con las temperaturas
máximas y mínimas, el tiempo térmico y las temperaturas y precipitación durante los meses 3 y 4
del ciclo productivo, ya que estas variables afectan la fisiología de la planta, alterando su desarrollo
y formación del rendimiento.
Un estudio de análisis de componentes principales realizado por Meyer, Hubbard y White (1991) en
el que se evaluó la relación de las variables climáticas y de los índices de Severidad de Inundación
de Palmer (PDSI) y de humedad del cultivo (CMI) (calculados por medio del método de
evapotranspiración de Tornthwaite para cada mes del ciclo productivo)contra el rendimiento del
cultivo en el cinturón maicero de los Estados Unidos, encontró que dos agrupaciones de variables
son altamente influyentes en el rendimiento, las precipitaciones y las temperaturas, se encontró
también que las variables climáticas podían explicar el 64% del rendimiento en tres componentes
principales (Meyer, Hubbard, & Whihite, 1991), los resultados son similares a los encontrados en
este estudio, sin embargo, en el presente se evalúan los índices asociados al ENOS y se encontró
como ya se ha mencionado que la mayor parte de la variación se explica en los dos primeros
componentes principales.
Las variables MEI, T352, IOS, DPmm, DP2, Pmm, DP3, DP1 y Pmm2 contribuyen de mayor manera
en el componente 2, tal como se observa en la figura 57.
83
Figura 57. Contribución de variables a la componente principal 2. Turipaná.
La radiación es una variable limitante (SRAD) y fundamental para el desarrollo del cultivo, pues con
base en esta se realiza la producción de biomasa, la captación de la radiación depende del índice de
área foliar (Ripusudan, Granados, & Honor, 2001) que es proporcional a la expansión de las hojas,
tal expansión se puede ver reducida por el estrés hídrico, es por esto que las variables asociadas
con la precipitación aparecen en los dos componentes, de manera adicional, las temperaturas
óptimas para el desarrollo del maíz en el trópico se encuentran entre los 20 y 40°C (Fassio,
Carriquiry, Tojo, & Romero, 2006), en Turipaná no se presentaron temperaturas mayores a los 40°C
en los años estudiados, por lo que los días con temperaturas superiores a 35°C no afectan
negativamente al rendimiento.
Para identificar las variables más significativas de cada componente se calcula la correlación de cada
una con el componente principal en cuestión, para el CP1 las más significativas son:
correlation p.value GDIA 0.9070584 4.108192e-10 TMAX 0.8402314 1.483085e-07 TMIN 0.7851682 3.346468e-06 DP4 0.7291949 3.548541e-05
Pmm4 0.7272189 3.816574e-05 SRAD 0.7257898 4.021414e-05 T354 0.7131424 6.301770e-05 T353 0.7008010 9.556058e-05 RTO 0.6676335 2.660842e-04
DPmm 0.5998026 1.528563e-03 DP3 0.5640879 3.314014e-03
PMM 0.5020042 1.055768e-02
84
Para el CP2 las variables más significativas son:
correlation p.value IOS 0.6688361 0.0002569504
DPmm 0.6557632 0.0003725842 DP2 0.6308207 0.0007227708
PMM 0.6153863 0.0010594172 DP3 0.5703812 0.0029097157 DP1 0.4954837 0.0117829791
Pmm2 0.4863260 0.0137003082 Pmm3 0.4108934 0.0413097889 T352 -0.6712195 0.0002396544 MEI -0.6722090 0.0002327780
De la contribución de las variables a cada componente se infiere que la dimensión 1 contiene y
explica mejor las temperaturas y radiación, mientras que la dimensión 2 explica mejor las
condiciones de precipitación y ENSO, este resultado es una manera de confirmar lo que se expresa
en la figura 58 y en el mismo puede cuantificarse la pertenencia de cada variable en la agrupación.
Finalmente, se grafican las observaciones con respecto a CP1 Y CP2 en la figura 47.
Figura 58. Mapa de distribución de variables. Turipaná.
El gráfico presenta una división inicial de los individuos de manera que los semestres impares, que
corresponden a la segunda temporada de siembra o semestre B, se encuentran al lado izquierdo del
gráfico, mientras que los valores pares se encuentran al lado derecho de este y hacen referencia a
los semestres A, esto indica que la dimensión 1 explica de mejor manera el rendimiento asociado
al semestre. Sin embargo, es posible notar gran dispersión de las observaciones con respecto a los
dos componentes principales.
85
Para comprender de mejor manera la relación entre los observados, las variables y los componentes
se emplea una gráfica BIPLOT (Figura 59).
Como se ha indicado antes, se identifica una asociación entre las observaciones pares que
corresponden a los semestres A y las observaciones impares que corresponden a los semestres B,
de manera que sobre la componente negativa de la dimensión 1 pueden proyectarse todos los
semestres B y sobre la componente positiva todos los semestres A. Lo anterior denota que, aunque
de manera muy general, todos los A y todos los B tuvieron condiciones similares de clima y de
rendimiento, siendo además los rendimientos del segundo semestre siempre más bajos que los del
primero.
Figura 59. Biplot ACC Turipaná.
Adicionalmente se tienen que las observaciones ubicadas en los cuadrantes 3 y 4 del Biplot son
aquellas para las que el comportamiento de las variables fue poco favorable. La correlación de las
variables más importantes para el rendimiento, como pueden ser la radiación, los días con
precipitación en los meses 3 y 4 y los valores de precipitación de los mismos, es positiva con respecto
a las observaciones ubicadas del lado derecho del gráfico, por lo que las condiciones de clima
favorecen de mayor manera a las siembras del primer semestre y no del segundo.
El análisis permitió agrupar variables de clima observadas durante los años en estudio, de manera
que se presentan dos grupos asociados a las temperaturas y a las precipitaciones, sin embargo, no
se observó ningún agrupamiento de los valores de rendimiento semestrales reportados.
86
5.4.2. Análisis de componentes principales para Nataima:
Se realizó la categorización del rendimiento de la misma manera que se realizó para Turipaná (Tabla
34):
Tabla 34. Categorización del rendimiento promedio. Nataima.
La mayoría de los rendimientos se clasificaron como normales, no se encontró ningún rendimiento
muy bajo y se encontró un buen rendimiento para el semestre B del año 2011, el aumento de
rendimientos conforme al paso del tiempo podría asociarse a la implementación de mejores
tecnologías y mejores genotipos, sin en embargo y al igual que en Cereté, el rendimiento reportado
es muy estable. No se observan diferencias entre los rendimientos de semestres A y B.
Se calcularon las correlaciones entre las variables descritas con el fin de identificar cuales afectan
en mayor medida el rendimiento del cultivo y verificar la viabilidad del realizar el ACP:
SEMESTRE
PROMEDIO
AMA Y
BLAN VARIACION DIFF CAT CATEG
1999-B 3.80 0.54- 0.62- NORMAL
2000-A 3.70 0.64- 0.74- NORMAL
2000-B 3.12 1.22- 1.42- BAJO
2001-A 3.35 0.99- 1.14- BAJO
2001-B 3.30 1.04- 1.20- BAJO
2002-A 3.40 0.94- 1.09- BAJO
2002-B 3.40 0.94- 1.09- BAJO
2003-A 3.87 0.47- 0.54- NORMAL
2003-B 3.60 0.74- 0.85- NORMAL
2004-A 4.30 0.04- 0.04- NORMAL
2004-B 4.26 0.08- 0.09- NORMAL
2005-A 4.50 0.16 0.19 NORMAL
2005-B 4.81 0.47 0.55 NORMAL
2006-A 4.50 0.16 0.19 NORMAL
2006-B 4.00 0.34- 0.39- NORMAL
2007-A 4.50 0.16 0.19 BUENO
2007-B 4.00 0.34- 0.39- NORMAL
2008-A 4.50 0.16 0.19 NORMAL
2008-B 4.97 0.63 0.73 NORMAL
2009-A 4.81 0.47 0.55 NORMAL
2009-B 4.40 0.07 0.08 NORMAL
2010-A 5.37 1.03 1.19 BUENO
2010-B 5.35 1.01 1.17 BUENO
2011-A 6.12 1.78 2.06 BUENO
2011-B 6.50 2.16 2.51 MUY BUENO
87
Figura 60. Correlación variables análisis de componentes principales. Nataima.
Como se observa en la figura 60, el rendimiento se correlaciona con los días, del primer y cuarto
mes, cuya temperatura es mayor a 37 grados, también con las precipitaciones, los días con
precipitación del primer mes y la radiación solar. Algunas variables se encuentran correlacionadas
entre ellas y pueden agruparse en dos grupos, a saber, asociadas a la temperatura y asociadas a la
precipitación. Los índices ONI e IOS presentan correlación con las temperaturas, los grados día y las
precipitaciones, además se presenta correlación entre el índice IOS y el rendimiento.
El rendimiento se correlaciona con el índice IOS, con T371, con Pmm1, Pmm3, y con DP3, la
correlación positiva con el índice IOS indica que eventos positivos del fenómeno El Niño pueden ser
perjudiciales para el rendimiento, además se entiende que las precipitaciones excesivas en el primer
mes son contraproducentes para el rendimiento, efecto que podría relacionarse con la presencia de
plagas, enfermedades, o estrés por aireación, pues se reporta que excesos de humedad durante la
etapa vegetativa no repercuten directamente a los componentes de rendimiento del cultivo (peso
del grano, contenido de humedad final y prolificidad, entre otras) (Antúnez, Carvallo, Otálora, &
Subiarbe, 2011).
Se presentan dos grupos pequeños de variables relacionadas entre sí. Un grupo comprende
variables asociadas a las precipitaciones y otro a las temperaturas (igual resultado se encontró para
Turipaná), este agrupamiento se refleja en el análisis de componentes principales:
La gráfica de decantación (figura 61) indica que los componentes 1 y 2 explican el 43% de la
variabilidad de los datos, mientras que los componentes 1, 2 y 3 explican el 56% de la misma:
88
Figura 61. Diagrama de decantación de análisis de componentes principales. Nataima.
En este caso se encuentra también que el 80% de la variación de los datos puede explicarse en 6
dimensiones o componentes principales y que el 50% de la información se comprende en tres
componentes, a continuación se muestran los autovalores de los seis primeros CP:
Eigenvalue percentage of variance comp 1 4.890977 23.290367 comp 2 4.309301 20.520480 comp 3 2.674000 12.733335 comp 4 2.129446 10.140217 comp 5 1.759300 8.377621 comp 6 1.168505 5.564311
La correlación de cada variable con los componentes principales esta expresada en la siguiente
tabla:
Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 RTO 0.61826601 0.07938665 0.46370441 -0.19504834 -0.022082362 ONI -0.53993998 0.54064443 -0.14185644 0.04708886 0.439509888 IOS 0.59359590 -0.40000858 0.15061682 -0.16780301 -0.550833760 T371 0.32592114 0.55916421 0.37080655 0.01142971 -0.324833867 T372 0.08519174 0.70803558 -0.04410885 -0.08701822 -0.246252519 T373 -0.22939190 0.31600190 0.37218643 0.70160071 0.165909982 T374 -0.29712202 -0.27818058 -0.21048346 0.44803924 -0.516547919
Pmm1 -0.51499038 -0.50272177 -0.24914408 0.40858130 0.139323729 Pmm2 -0.22832813 0.01476782 0.77856240 0.36461846 -0.174242989 Pmm3 0.80192547 0.01082917 -0.06582669 -0.02195237 0.150301010 Pmm4 0.56655896 0.20152106 -0.42781892 0.44104229 0.154650062 PMM 0.76824262 -0.05436376 -0.15533998 0.03381999 0.140751046 DPmm 0.58975163 -0.37789119 0.21544696 0.51577484 0.247656876 SRAD -0.17961498 -0.29410597 0.40984870 -0.27179847 0.700818369 TMAX -0.28952002 0.84584654 -0.11656595 -0.08638211 0.065318730 TMIN 0.04782791 0.53993713 0.14948200 0.26495834 -0.061369771 DP1 -0.32161164 -0.66205732 -0.29376955 0.26361263 -0.006745209
89
DP2 -0.16119687 -0.20850492 0.90203988 0.15112540 0.038935517 DP3 0.86765994 0.03403421 0.01937496 -0.04025411 0.350647042 DP4 0.61032589 0.20287718 -0.24630487 0.57602636 0.015041956 GDIA -0.13379688 0.89579229 -0.05321803 0.14488489 0.019417681
Las variables presentan mayor dispersión, sin embargo, el porcentaje de explicación de los dos
primeros componentes alcanza se acerca al 50%. Se realiza un mapa de factores de los dos primeros
componentes, en el que gráficamente (figura 62) se indica la correlación entre una variable y la otra,
de manera que la correlación es el coseno del ángulo formado entre las mismas, lo cual facilita la
observación la agrupación de las variables.
En la distribución de las mismas con respecto a los componentes principales se observa la
agrupación sugerida anteriormente. Con respecto al componente 1 (horizontal) se agrupa el
rendimiento y las precipitaciones, y con respecto al componente 2 se agrupan las temperaturas y la
radiación. Quiere decir que para Nataima la temperatura y la radiación no son variables tan
limitantes como el aporte de agua al cultivo por medio de precipitación.
Figura 62. Análisis de componentes principales. Nataima.
La calidad de representación de la información de cada variable por los dos componentes se resume
en la gráfica del cos2,:
90
Figura 63. Explicación de factores por ACP. Nataima.
Los componentes 1 y 2 mostrados en la figura 63 explican muy bien las temperaturas máximas, los
grados día, los días de precipitación en el tercer mes y en menor medida las variables asociadas a
los mismos, sin embargo, días con temperaturas superiores a 37 grados en los meses 3, 4 y radiación
solar, se representan en menos de un 40%. Sin embargo, el grado de desempeño del ACP para
Nataima no es bueno pues los datos no son representativos, en el caso específico del rendimiento
se entiende que otros factores diferentes al clima pueden afectar, por lo que no puede esperarse
que se correlacione en un 100% con ninguna de las dimensiones.
Aquellas variables cuya correlación con el primer componente principal es representativa se
muestran en la figura 64 por encima de la línea roja, esta línea indica el valor de correlación que se
tendría si las 21 variables explicaran exactamente la misma cantidad de información de cada
componente:
Figura 64. Contribución de variables a componente principal 1. Nataima.
91
Las variables más correlacionadas con el componente 1 son DP3, Pmm3, PMM, RTO, DP4, IOS,
DPmm, Pmm4, ONI y Pmm1, el resultado contiene variables similares a las de Cereté, durante los
meses 3 y 4 del ciclo productivo, fechas en las que, como se mencionó, la planta sufre procesos
fisiológicos importantes en la determinación del rendimiento.
Figura 65. Contribución de variables a componente principal 2. Nataima.
Para la segunda componente principal, en la figura 65 los GDÍA, TMAX, T372, DP1, T371, ONI, TMIN
y Pmm1 son las variables con mayor contribución, podría decirse que en esta componente se
resume la condición Niño, sin embargo, no afecta de manera directa el rendimiento, lo hace a través
de su efecto en las variables climáticas que se asocian en el CP1.
Las variables más importantes en cada componente se muestran a continuación; componente 1:
correlación p.value DP3 0.8676599 1.958127e-08
Pmm3 0.8019255 1.437248e-06 PMM 0.7682426 7.313078e-06 RTO 0.6182660 9.879508e-04 DP4 0.6103259 1.195829e-03 IOS 0.5935959 1.759827e-03
DPmm 0.5897516 1.917596e-03 Pmm4 0.5665590 3.149921e-03 Pmm1 -0.5149904 8.430557e-03
ONI -0.5399400 5.336916e-0
Componente 2:
correlación p.value GDIA 0.8957923 1.446796e-09 TMAX 0.8458465 1.011821e-07 T372 0.7080356 7.505543e-05 T371 0.5591642 3.662677e-03 ONI 0.5406444 5.265822e-03
TMIN 0.5399371 5.337204e-03 IOS -0.4000086 4.756279e-02
92
Pmm1 -0.5027218 1.042954e-02 DP1 -0.6620573 3.122392e-04
Esto indica que la componente 1 resume la condición de El Niño al presentarse correlación alta entre
la misma y los índices ONI e IOS, lo mismo sucede con la precipitación, mientras que la
componente 2 explica mejor algunas variables asociadas a las temperaturas.
Se grafican entonces las observaciones con respecto a los dos componentes principales:
Figura 66. Mapa de distribución de variables. Nataima.
La figura 66 refleja que en su mayoría las observaciones son explicadas en un 50% o menos por los
componentes, sin embargo, algunas como pueden ser la 21, 7 y 23 se explican en mayor medida,
pues el cos2 es superior a 0.6. Las observaciones 22 y 25 se explican casi en su totalidad por los
mismos, además se observa poca concentración de los datos en el centro del gráfico, por tanto las
observaciones son muy dispersas y la distribución de las mismas no permite identificar agrupaciones
o tendencias con respecto al rendimiento.
93
Figura 67. Biplot ACP. Nataima.
El Biplot de la figura 67 no presenta una distribución de las variables que sea concordante con el
análisis de anomalías en el rendimiento, quiere decir que en algunos casos el rendimiento no
respondió a la favorabilidad de las condiciones climáticas y que la información contenida en los
componentes, aunque funciona, no es del todo suficiente. En el cuadrante 1 se toma la sección
positiva de cada componente, se ubican aquellos eventos para los que las condiciones fueron
completamente favorables, en este caso con respecto a las temperaturas (componente 2) y a las
precipitaciones ( componente 1) se observa que eventos como el 5, correspondiente al semestre B
del año 2001, obtuvieron un rendimiento bajo a pesar de las condiciones favorables, es decir que,
factores como el nivel de tecnificación, lámina de riego aplicada, material sembrado o labranza
pudieron afectar seriamente estos rendimientos.
Tal y como lo indican Steven, Meyer y Hubbard (1991) el método estadístico multivariado ACP
presenta un gran potencial para identificar variables con mayor significancia para el rendimiento de
un mismo cultivo en ambientes diferentes, en este caso Córdoba y Tolima, específicamente Turipaná
y Nataima, lo que permite regionalizar la importancia relativa de estas variables y las zonas
productoras.
Se identificó por medio del APC que para el departamento de Córdoba la radiación durante el ciclo
completo afecta el rendimiento, mientras que la condición ENSO se asocia de manera más marcada
al mismo en Nataima. Las precipitaciones y temperaturas durante los meses 3 y 4 o días 60 a 120
son altamente influyentes en el rendimiento de manera común en las dos regiones:
La radiación es uno de los principales precursores del desarrollo y rendimiento de las plantas y en
especial del maíz, esto debido la naturaleza C4 que le permite a las mismas transformar la energía
94
solar en biomasa de manera muy eficiente, pues en el proceso se generan cuatro carbonos que se
almacenan y distribuyen en las células y finalmente en los granos (Fassio, Carriquiry, Tojo, &
Romero, 2006), el proceso de fijación del carbono en las plantas C4 es más eficiente que en las
plantas C3. La radiación solar es una variable limitante para el cultivo de maíz en las latitudes
ecuatoriales por causa de la corta duración de la luz diaria, por lo que los rendimientos obtenidos
en las mismas siempre serán menores que los rendimientos en latitudes tropicales (Pita, 2009). Esta
limitante además se expresa de manera local en el país, cuando se analiza la distribución de la
variable durante el año en las dos regiones en estudio:
Figura 68. Radiación diaria promedio mensual multianual.
Aunque las dos regiones presentan distribución bimodal como se ilustra en la figura 68, dónde los
picos de radiación son durante marzo y agosto, los valores en el primer semestre en Turipaná son
mucho mayores que en el segundo semestre:
Radiación diaria promedio MJ/m2
Nataima Turipaná
Primer semestre 17.94 19.1
Segundo semestre 18.3 17.3
Diferencia -0.36 1.8 Tabla 35. Comparación radiación diaria promedio entre regiones.
Al multiplicar la diferencia de radiación diaria promedio entre un semestre y otro por el número de
días de un ciclo productivo normal, es decir 120, se tiene que entre el primer semestre y el segundo,
para Turipaná, la diferencia alcanza 216 MJ/m2, mientras que para Nataima el valor es de 43 MJ/m2.
Se ha informado de eficiencias de conversión para cultivos de maíz sin estrés que van de 1,2 a 1,6
gramos de biomasa por encima de la superficie de la tierra por cada MJ de radiación solar
interceptada (Ripusudan, Granados, & Honor, 2001). Es decir que, del semestre A al semestre B
podrían dejar de producirse alrededor de 300 gramos por metro cuadrado, lo que con una densidad
de siembra de 62500 platas por hectárea podría implicar reducciones en biomasa hasta de 3024
kg/ha. Es por esto que la radiación en el segundo semestre para Córdoba es un factor limitante y en
el ACP se presenta como factor importante para el rendimiento.
95
El efecto de los eventos ENSO sobre el rendimiento se evidencia en Espinal dado que las condiciones
locales de la región así lo determinan, en Córdoba el clima se regula no solo por el efecto de los
eventos sucedidos en el pacífico, sino que, eventos sucedidos en el atlántico, tales como ciclones
tropicales, tienden a afectar su comportamiento (Montealegre Bocanegra J. E., 2009), es por eso
que en el ACP se refleja el efecto en Espinal, pero no en Cereté.
Por último y de manera común para las dos regiones, se encontró que las precipitaciones y
temperaturas de los meses 3 y 4 se correlacionan altamente con el rendimiento, este resultado se
asocia a las etapas de desarrollo que el cultivo experimenta a partir de los 60 días de sembrado:
Las etapas de desarrollo que experimenta el cultivo de maíz se resumen en la tabla 36:
Vegetativo Reproductivo
VE Emergencia V1 Primera hoja
Vn Hoja número “n” VT panojamiento
R1 Barbas R2 Ampolla R3 Lechoso R4 Pastoso R5 Dentado
R6 Madurez fisiológica Tabla 36. Etapas fenológicas del maíz. Fuente: INIA 2010.
Un estudio desarrollado por Wescott y Jewison (2013) en el que se identificaron variables climáticas
altamente influyentes en el rendimiento del maíz de los Estados Unidos, encontró que para cultivos
sembrados en Mayo, las temperaturas y precipitaciones del mes de Julio tienen repercusiones muy
superiores sobre los rendimientos en comparación con los otros meses, esto, debido a las etapas de
desarrollo que el cultivo experimenta durante este mes, que correspondería al tercero del ciclo
productivo (Westcott & Jewinson, 2013). Un déficit hídrico durante casi cualquier etapa del cultivo
afecta de manera negativa el rendimiento, sin embargo, las fases vegetativas son poco sensibles al
estrés cuando se compara su efecto con el obtenido si se somete el cultivo a estrés en etapas
reproductivas.
En el día 60 de un ciclo productivo promedio se encuentra la planta en estado V17, es decir, la planta
ha formado 17 hojas, en este momento, el número de granos por hilera que se encontrarán en la
mazorca se define, a partir de este momento el estrés hídrico, o el ocasionado por altas
temperaturas genera un retraso en el desarrollo de la espiga y de los óvulos en comparación con el
de la panoja, esta desincronización genera problemas de fertilidad al no coincidir el momento de la
caída del polen con el crecimiento de las barbas. Luego, en VT o panojamiento, el polen comienza a
liberarse (Fassio, Carriquiry, Tojo, & Romero, 2006).
El estadio R1 o emergencia de las barbas sucede cerca de los 60 días después de la emergencia, lo
que corresponde al tercer mes del ciclo de cultivo; es necesario que los granos de polen se depositen
sobre las barbas para una buena polinización (Fassio, Carriquiry, Tojo, & Romero, 2006), las barbas
que se hayan secado no permitirán la fertilización del óvulo por lo que el estrés hídrico en esta etapa
genera graves afectaciones en el rendimiento, ya que los óvulos que no son fertilizados no producen
granos. Este es tal vez el momento más importante del ciclo, pues la base de la formación del
96
rendimiento se presenta aquí, es por esto que las precipitaciones y temperaturas durante el tercer
mes se relacionan con el rendimiento en el ACP.
Después del tercer mes las condiciones de estrés hídrico no repercuten de manera tan drástica en
el rendimiento, sin embargo, en los días 101 a 111 que corresponden al mes 4 (dónde ocurre el
estadio R5 o Dentado), los granos comienzan a formar una capa de almidón en la punta, que asemeja
la forma de un diente; cuando se presentan deficiencias de agua o temperaturas demasiado altas
se impacta negativamente al rendimiento: Hongyon et. Al (2016) encontraron mediante el modelo
APSIM que factores climáticos (radiación, temperaturas máximas y mínimas, y temperatura media)
durante la etapa de llenado de grano del maíz en la región norte de China afectan drásticamente el
rendimiento, por causa de la disminución o aumento del peso de los granos (Hongyon, y otros,
2016) . En este punto también la presencia de heladas puede generar la senescencia temprana,
afectando negativamente al rendimiento (Fassio, Carriquiry, Tojo, & Romero, 2006).
Como conclusión el ACP indica correlación con precipitación y temperatura de los meses 3 y 4 con
el rendimiento del cultivo para las dos regiones, comportamiento que se explica por las etapas
fenológicas que atraviesa el cultivo en los días comprendidos en esos meses, que corresponden a la
floración, polinización, formación potencial de los granos y finalmente formación del rendimiento.
El método mostró también que la radiación es un factor importante para el rendimiento en el
municipio de Cereté, debido a su distribución temporal, y que los efectos de eventos ENOS se
evidencian de manera más fuerte en el rendimiento del Espinal, debido en parte a la influencia del
pacífico sobre la región.
Con el fin de verificar el comportamiento descrito, se realizaron simulaciones en AquaCrop, en las
que se ejecutó el modelo primero con el clima real de un año tradicional seleccionado, en este caso
1993 en el que no se presentó fenómeno ENOS positivo ni negativo, acto seguido se procedió a
modificar los meses 3 y 4 cambiando los valores de precipitación reales por cero, los resultados
mostraron reducciones en el rendimiento tales como la presentada en la figura 69:
Figura 69. Simulación del cultivo de maíz con dos escenarios de precipitación.
En la simulación anterior se presenta un cultivo hipotético sembrado el 30 de abril del año 1993
para la región de Turipaná, en este caso no se aplicó riego ni se asignó nivel freático al cultivo, y , se
modeló el material PAC105 calibrado por FAO y descrito en el próximo capítulo.
97
En el cuadro de la izquierda se observa el rendimiento, distribución del agua en el suelo,
transpiración y desarrollo de la cobertura del cultivo bajo las condiciones de clima reales del cultivo
sembrado el 30 de abril, el rendimiento simulado es del 2.57 ton/ha.
En el cuadro a la derecha se muestra el mismo cultivo, las mismas variables, sin embargo, las
condiciones de clima se modificaron, reemplazando las precipitaciones de los meses 3 y 4 por
valores de 0mm, se observa que el rendimiento simulado es de 0.011 ton/ha y en el contenido de
humedad del suelo se muestra el déficit hídrico, que se refleja en la detención del desarrollo de la
cobertura a partir del día 50.
Se realizaron modelaciones para la región de Nataima, cambiándose la precipitación de los meses
3 y 4 por valores de 0mm, el resultado fue el siguiente:
Figura 70. Simulación de cultivo de maíz bajo diferentes escenarios de precipitación.
La simulación presentada en la figura 70 se realizó con fecha de siembra el 15 de septiembre del
año 1993, se suprimieron las precipitaciones en el tercer mes, se observa una reducción en el
rendimiento de 2 ton/ha. En el caso de la izquierda (con el clima real) el rendimiento fue de 5 ton/ha
mientras que en el caso de la derecha el rendimiento fue de 2.202 ton/ha.
Lo anterior permite concluir que, en efecto, el impacto del déficit de precipitación en los meses 3 y
4 sobre el rendimiento del cultivo de maíz es negativo y drástico.
5.5. SIMULACIÓN DEL RENDIMIENTO EN AQUACROP PARA LOS AÑOS NIÑO-NIÑA
TIPO, EVALUACIÓN DE LAS FECHAS DE SIEMBRA.
5.1.1. Córdoba
Se realizaron las simulaciones para los años descritos en el numeral 4.5 definiendo diferentes
profundidades de nivel freático, en este caso no se simularon riegos pues no es una práctica que se
frecuente en la región.
98
A continuación se muestran los resultados para los semestres A, en los que se indica la variación del
rendimiento con respecto al retraso o adelanto de la fecha de siembra tradicional (15 de mayo):
La figura 71 muestra en colores azules los rendimientos más bajos, en rojo los medios bajos, en
verde los medio altos y en violeta los altos, la manera de leer la misma es con respecto al adelanto
o retraso en días con respecto a la fecha de siembra marcada como “0”, que sería la fecha de
siembra tradicional.
a)
b)
c)
a) Simulación con nivel freático de 1 metro, b) simulación con nivel freático de 1.2m, c) simulación con
nivel freático de 1.5m. Córdoba, Semestre A.
Figura 71. Rendimientos simulados AquaCrop Córdoba semestre A
El color azul representa rendimientos comprendidos entre 0 y 2 ton/ha, rojo entre 2 y 4 ton/ha, el
color verde los rendimientos entre 4 y 6 ton/ha y el violeta los rendimientos comprendidos entre 6
y 8 ton/ha.
La primera observación realizada es el cambio en los promedios de rendimiento con la presencia del
nivel freático, el modelo la interpreta como un factor positivo para el rendimiento (es importante
resaltar que AquaCrop identifica reducciones en el rendimiento por causa de estrés de aireación en
99
condiciones de anegamiento, por lo que la condición de exceso también es evaluada en la
simulación).
Se realizó un total de 456 simulaciones y se encontró de manera recurrente que, los rendimientos
para las fechas de siembra adelantadas ente 45 y 25 días son potencialmente menores bajo las
condiciones de simulación descritas. Se observa también que para los años 1987, 1988, 1989, 1992
y 1998 los rendimientos comprendidos entre el 1 de abril y el 20 de abril se mantienen entre las 0
y las 2 toneladas, por lo que se deduce que el adelanto de las fechas de siembra del primer semestre
no es un efecto del fenómeno ENOS en la región.
Se encontró además que, la fecha de siembra tradicional presenta rendimientos medios entre 4 y 6
toneladas por hectárea siempre y cuando el nivel freático se mantenga al menos en 1.2 metros de
profundidad, los rendimientos se mantienen en ese nivel y pueden en casos especiales aumentar
hasta 45 días después de la fecha de siembra tradicional, es decir hasta el 30 de Junio: bajo el efecto
de fenómenos ENOS las condiciones favorables para la siembra tienden a mantenerse por más
tiempo, sin olvidar, por supuesto, que las simulaciones se han realizado con nivel freático. Se
encontró que con niveles más profundos de nivel freático, las fechas de siembra tradicionales se
mantienen, y pueden retrasarse hasta por más de 15 días:
Figura 71. Rendimientos simulados en diferentes fechas de siembra y niveles freáticos, AquaCrop Córdoba semestre A.
En la figura 71 se reflejan los cambios en el rendimiento con las variaciones del nivel freático y las
fechas de siembra durante los semestres A en Cereté, la profundidad del nivel freático afecta de
manera importante el rendimiento, el adelanto de las fechas de siembra se observa desfavorable,
mientras que el periodo de siembra podría retrasarse hasta un mes durante eventos similares a los
de los años simulados.
Con respecto a las simulaciones realizadas para el semestre B (figura 72), se presenta un cambio
marcado en el comportamiento de los rendimientos con presencia del nivel freático y sus
profundidades. Se encontró que las fechas de siembra no se alteran de manera significativa cuando
100
el nivel freático tiene profundidad de 1m, condición poco frecuente. Para niveles freáticos de 1.2
metros se observa que la fecha de siembra puede atrasarse o adelantarse de manera indistinta, sin
embargo, para el año 1997 que se conoce como uno de los fenómenos del Niño más fuertes
experimentado hasta ahora, fechas de siembra posteriores al 15 de septiembre no superan 2
toneladas de rendimiento, en este caso, el retraso de las fechas de siembra no es un efecto claro de
los eventos ENOS.
a)
b)
c) a) Simulación con nivel freático de 1 metro, b) simulación con nivel freático de 1.2m, c) simulación con
nivel freático de 1.5m. Córdoba, Semestre B.
Figura 72. Rendimientos simulados AquaCrop. Córdoba semestre B.
Para niveles freáticos de 1.5 metros de profundidad, los rendimientos son inferiores a las 2 ton/ha
en la mayoría de los casos y los rendimientos pueden ser mayores a este valor en fechas de siembra
adelantadas hasta 25 días antes de 15 septiembre. Por lo que, podría decirse que las fechas de
siembra pueden adelantarse bajo condiciones de El Niño y La Niña (este resultado aplica para las
condiciones puntuales de las simulaciones desarrolladas).
101
Con el fin de identificar de mejor manera una tendencia ligera se realiza el gráfico de los
rendimientos simulados promedio con respecto a las fechas de siembra:
Figura 73. Rendimiento simulado Fechas de siembra y nivel freático, AquaCrop, Córdoba semestre B.
En el mismo (figura 73), se identifica que en promedio las siembras adelantadas hasta 25 días
presentan rendimientos mayores e incluso superiores a los de la fecha tradicional, y que a medida
que la fecha se retrasa, los rendimientos simulados disminuyen, el efecto se reduce con el aumento
del nivel freático.
5.1.2. Tolima
Se realizaron las simulaciones para los mismos años empleados en Cereté. Los resultados del
semestre A (figura 74) para los años evaluados indican que la aplicación de riego es fundamental
para el desarrollo del cultivo, y que no hay diferencia alguna entre los rendimientos simulados bajo
los dos escenarios de riego, por lo que aplicación de láminas de riego deficitarias podría ser una
buena medida de adaptación para el sistema productivo, ya que según el programa los rendimientos
son iguales a 30% y a 50% de agotamiento crítico:
a)
102
b)
c) a) Simulación sin riego, b) simulación con riego a 70% de agotamiento crítico, c) simulación con riego a
50% de agotamiento crítico, Semestre A, Espinal.
Figura 74. Rendimiento simulado AquaCrop Tolima Semestre A.
Con respecto a las fechas de siembra, tradicionalmente realizadas a mediados del mes de marzo, se
observó que potencialmente, los eventos ENOS se traducen en un retraso de la mismas, pues el
adelanto de las mismas generó con más frecuencia rendimientos entre 0 y 2 toneladas, mientas que,
en promedio, las fechas de siembra retrasadas generaron rendimientos superiores a 4 toneladas,
sin embargo, no es posible identificar un comportamiento específico sobre el desplazamiento de las
fechas de siembra, cuando el cultivo tiene riego :
103
Figura 75. Rendimiento simulado diferentes fechas de siembra y láminas de riego. AquaCrop Tolima semestre A
Sin embargo, el resultado de las simulaciones no permite asegurar que se genere corrimiento en las
fechas de siembra por causa del ENOS en el Espinal para el semestre A, lo que se puede identificar
en la figura 75 es que retrasos hasta de 30 días podrían significar mejores rendimientos siempre y
cuando el cultivo cuente con riego, y que, cuando el cultivo no tiene agua suplementaria, sembrar
entre 20 días antes hasta 20 días después de lo tradicional es adecuado, superar ese límite afecta
de manera negativa al rendimiento.
a)
104
b)
c) a) Simulación sin riego, b) simulación con riego a 70% de agotamiento crítico, c) simulación con riego a
50% de agotamiento crítico, Semestre B, Espinal.
Figura 76. Rendimiento simulado AquaCrop Tolima semestre B.
Las simulaciones realizadas para el semestre B presentadas en la figura 76, indican que el riego es
un factor fundamental para el desarrollo del cultivo pues los rendimientos varían drásticamente
entre las simulaciones bajo secano y las simulaciones con aporte de agua suplementaria.
Comparándose los resultados con los del semestre A, puede observarse mayor concentración de
rendimientos altos hacia la derecha de los gráficos, lo que indica que un retraso en las fechas de
siembra podría ser un efecto o una medida de adaptación a los eventos ENOS.
105
Figura 77. Rendimiento simulado diferentes fechas de siembra y láminas. AquaCrop Tolima Semestre B.
Como se muestra en la figura 77, eventos productivos de rendimientos bajos se concentran
mayormente en fechas de siembra adelantadas. Si se tiene en cuenta que, la fecha de siembra
tradicional es el 15 de septiembre, se entiende que, desplazar la misma para días anteriores o
incluso para agosto no es recomendable, mientras que, bajo condiciones de riego, el
desplazamiento de las mismas hasta 25 días después puede resultar favorable.
Como conclusión se encontró de manera generalizada que el retraso o adelanto de las fechas de
siembra ocasionado por los eventos ENOS varía dependiendo del semestre agrícola y de la región,
los efectos se atenúan con la presencia de nivel freático o de riego, sin embargo se tiene que, para
el semestre A en Cereté las fechas de siembra óptimas son las tradicionales y pueden sufrir retraso,
mientras que en el espinal no se evidencia efecto de desplazamiento. Para el semestre B se encontró
que en Cereté el adelanto puede ser un efecto del ENOS mientras que en el Espinal el efecto de los
ENOS en el segundo semestre puede ser un retraso hasta de 25 días.
5.2. LÓGICA DIFUSA PARA LA TOMA DE DESICIONES.
Con base en resultados obtenidos mediante este trabajo, fue posible identificar algunos factores
climáticos que afectan el rendimiento, los principales y comunes para las dos regiones son las
temperaturas y precipitaciones, en especial durante los meses 3 y 4 del ciclo productivo, la fecha de
siembra y de manera menos marcada la temperatura superficial del océano Pacífico expresada por
medio de los índices ONI, MEI e IOS.
Se encontró entonces que déficits hídricos durante los meses señalados (3 y 4) repercuten de
manera negativa el rendimiento, las fechas de siembra adelantadas o tardías pueden afectar
negativa o positivamente el rendimiento dependiendo de las condiciones climáticas, en este caso
particular asociadas a un fenómeno ENOS y que valores positivos de índices ONI (o en general
106
índices que signifiquen que el fenómeno se encuentra en fase positiva) se correlacionan
directamente con aumentos de temperatura y temperaturas elevadas reducen los rendimientos.
Definición de variables de entrada del SLD:
1. Nivel de tecnificación: El grado de tecnificación se define como una variable que puede
tomar únicamente dos valores, se considera como “Tecnificado” aquel agricultor que
cuente con una o varias de las siguientes características: calidad de la semilla, el empleo de
maquinaria, el uso de sistemas de riego y/o drenaje, paquetes de fertilización, tecnología
de pos cosecha y otras herramientas que permitan reaccionar de manera adecuada frente
a las diversas problemáticas que enfrenta la producción (Campuzano Duque, 2005). Se
considera como “No Tecnificado” al agricultor que depende exclusivamente de la oferta
climática para la obtención del rendimiento de su cultivo.
Con base en lo anterior se estableció que la variable “Nivel de tecnificación” puede asumirse
entre dos valores:
Valor Nivel de tecnificación
0-0.75 No tecnificado (NT)
0.25-1 Tecnificado (T)
Tabla 37. Nivel de tecnificación.
El universo de discurso se define entonces como L= [0,1], TNT= [NT, T] y el significador lingüístico se
presenta en la siguiente figura:
Figura 78. Conjunto difuso nivel de tecnificación NT.
2. Condición ENOS: Esta variable resume los posibles estados del Fenómeno El Niño
expresados mediante el índice ONI, como se ha explicado en capítulos anteriores, se
considera un fenómeno en fase positiva cuando el índice supera por más de cinco meses
consecutivos el valor de 0,5°C y en el caso de la fase negativa se habla de -0.5°C, se
establecieron los siguientes rangos y calificativos lingüísticos para la variable “Condición
ENOS” (Comité técnico nacional Del Fenómeno del Niño ENFEN, 2012):
107
Rango Condición ENOS
-3 y -1.5 Negativo Fuerte (NF)
-2.5 y -0.5 Negativo Moderado(NM)
-1.5 y 1.5 Neutro(NE)
0.5 y 2.5 Positivo moderado(PM)
1.5 y 3 Positivo fuerte(PF)
Tabla . 38 Condición ENOS.
El universo de discurso se define entonces como L= [-3,3], TCE= [NF, NM, NE, PM, PF] y el significador
lingüístico se presenta en la figura 79:
Figura 79. Conjunto difuso condición ENSO. CE.
3. Oferta hídrica: para este caso particular se define la variable de oferta hídrica como el valor
de precipitación que será la fuente de agua disponible para cubrir los requerimientos
hídricos del cultivo, se tuvo en cuenta la oferta hídrica para el cultivo durante los meses 3 y
4, aquellos en los que la condición de déficit genera mayor impacto sobre el rendimiento.
El cultivo de maíz requiere alrededor de 600 mm de agua para una producción satisfactoria
(M.Sc Felicita Gonzáles Robaina ), aproximadamente, el 60% de este valor es el que se
requiere durante la etapa reproductiva (Fassio, Carriquiry, Tojo, & Romero, 2006), lo que
corresponde a 360mm.
Se definen entones los siguientes rangos y calificativos lingüísticos para la variable “Oferta
Hídrica”:
Rango Oferta hídrica
400-700 Excedente (EX)
260-460 Adecuada (AD)
0-300 Deficitaria (DE)
Tabla 39. Oferta hídrica.
El universo de discurso se define entonces como L= [0,700], TOH= [DE, AD, EX] y el significador
lingüístico se presenta en la figura 80:
108
Figura 40. Conjunto difuso Oferta hídrica. OH.
Definición del universo de salida:
Se define la variable de salida como el nivel riesgo que posee un agricultor con respecto a la pérdida
de la cosecha basándose las variables de entrada, el rango de la variable de salida se comprende
entre 0 y 1 cuando 0 es vulnerabilidad muy baja y 1 es vulnerabilidad muy alta (Portilla, 2001):
Rango Riesgo
0-0.3 Muy bajo (MB)
0.1-0.5 Bajo (B)
0.3-0.7 Moderado (M)
0.5-0.9 Alto (A)
0.7-1 Muy Alto (MA)
Tabla 40. Universo de salida: Riesgo.
El universo de discurso se define entonces como L= [0,1], TR= [MB, B, M, A, MA] y el significador
lingüístico se presenta en la siguiente figura:
Figura 81. Universo de Salida: Riesgo.
Reglas del sistema:
109
Con base en la información que se tiene sobre la situación se constituye el siguiente sistema de
reglas holísticas, en él se evalúan todas las combinaciones posibles de los factores de riesgo:
# Regla Proposición
R1 Si no hay tecnificación (NT) y hay un fenómeno ENSO negativo fuerte (NF) y la precipitación en los meses 3 y 4 es deficitaria (DE), entonces la vulnerabilidad a la pérdida de la cosecha es Alta (A).
R2 Si no hay tecnificación (NT) y hay un fenómeno ENSO negativo fuerte (NF) y la precipitación en los meses 3 y 4 es adecuada (AD), entonces la vulnerabilidad a la pérdida de la cosecha es Alta (A).
R3 Si no hay tecnificación (NT) y hay un fenómeno ENSO negativo fuerte (NF) y la precipitación en los meses 3 y 4 es excedente (EX), entonces la vulnerabilidad a la pérdida de la cosecha es Muy Alta (MA).
R4 Si no hay tecnificación (NT) y hay un fenómeno ENSO negativo moderado (NM) y la precipitación en los meses 3 y 4 es deficitaria (DE), entonces la vulnerabilidad a la pérdida de la cosecha es Moderada (M).
R5 Si no hay tecnificación (NT) y hay un fenómeno ENSO negativo moderado (NM) y la precipitación en los meses 3 y 4 es adecuada (AD), entonces la vulnerabilidad a la pérdida de la cosecha es Alta (A).
R6 Si no hay tecnificación (NT) y hay un fenómeno ENSO negativo moderado (NM) y la precipitación en los meses 3 y 4 es excedente (EX), entonces la vulnerabilidad a la pérdida de la cosecha es Muy Alta (MA).
R7 Si no hay tecnificación (NT) y hay un fenómeno ENSO neutro (NE) y la precipitación en los meses 3 y 4 es excedente (EX), entonces la vulnerabilidad a la pérdida de la cosecha es Moderada (M).
R8 Si no hay tecnificación (NT) y hay un fenómeno ENSO neutro (NE) y la precipitación en los meses 3 y 4 es adecuada (AD), entonces la vulnerabilidad a la pérdida de la cosecha es Baja (B).
R9 Si no hay tecnificación (NT) y hay un fenómeno ENSO neutro (NE) y la precipitación en los meses 3 y 4 es deficitaria (DE), entonces la vulnerabilidad a la pérdida de la cosecha es Alta (A).
R10 Si no hay tecnificación (NT) y hay un fenómeno ENSO positivo moderado (PM) y la precipitación en los meses 3 y 4 es excedente (EX), entonces la vulnerabilidad a la pérdida de la cosecha es Media (M).
R11 Si no hay tecnificación (NT) y hay un fenómeno ENSO positivo moderado (PM) y la precipitación en los meses 3 y 4 es adecuada (AD), entonces la vulnerabilidad a la pérdida de la cosecha es Alta (A).
R12 Si no hay tecnificación (NT) y hay un fenómeno ENSO positivo moderado (PM) y precipitación en los meses 3 y 4 es deficitaria (DE), entonces la vulnerabilidad a la pérdida de la cosecha es Muy Alta (MA).
R13 Si no hay tecnificación (NT) y hay un fenómeno ENSO positivo fuerte (PF) y la precipitación en los meses 3 y 4 es excedente (EX), entonces la vulnerabilidad a la pérdida de la cosecha es Alta (A).
R14 Si no hay tecnificación (NT) y hay un fenómeno ENSO positivo fuerte (PF) y la precipitación en los meses 3 y 4 es adecuada (AD), entonces la vulnerabilidad a la pérdida de la cosecha es Alta (A).
R15 Si no hay tecnificación (NT) y hay un fenómeno ENSO positivo fuerte (PF) y la precipitación en los meses 3 y 4 es deficitaria (DE), entonces la vulnerabilidad a la pérdida de la cosecha es Muy Alta (MA).
R16 Si es tecnificado (T) y hay fenómeno ENSO negativo fuerte (NF) y la precipitación en los meses 3 y 4 es excedente (EX) entonces la vulnerabilidad a la pérdida de la cosecha es Alta (A)
R17 Si es tecnificado (T) y hay fenómeno ENSO negativo fuerte (NF) y la precipitación en los meses 3 y 4 es adecuada (AD) entonces la vulnerabilidad a la pérdida de la cosecha es Moderada (M)
R18 Si es tecnificado (T) y hay fenómeno ENSO negativo fuerte (NF) y la precipitación en los meses 3 y 4 es deficitaria (DE) entonces la vulnerabilidad a la pérdida de la cosecha es Moderada (M)
R19 Si es tecnificado (T) y hay fenómeno ENSO negativo moderado (NM) y la precipitación en los meses 3 y 4 es excedente (EX) entonces la vulnerabilidad a la pérdida de la cosecha es Alta (A)
R20 Si es tecnificado (T) y hay fenómeno ENSO negativo moderado (NM) y la precipitación en los meses 3 y 4 es adecuada (AD) entonces la vulnerabilidad a la pérdida de la cosecha es Media (M)
R21 Si es tecnificado (T) y hay fenómeno ENSO negativo moderado (NM) y la precipitación en los meses 3 y 4 es deficitaria (DE) entonces la vulnerabilidad a la pérdida de la cosecha es Baja (B)
R22 Si es tecnificado (T) y hay fenómeno ENSO neutro (NE) y la precipitación en los meses 3 y 4 es excedente (EX) entonces la vulnerabilidad a la pérdida de la cosecha es Baja (B)
R23 Si es tecnificado (T) y hay fenómeno ENSO neutro (NE) y la precipitación en los meses 3 y 4 es adecuada (AD) entonces la vulnerabilidad a la pérdida de la cosecha es Muy Baja (MB)
R24 Si es tecnificado (T) y hay fenómeno ENSO neutro (NE) y la precipitación en los meses 3 y 4 es deficitaria (DE) entonces la vulnerabilidad a la pérdida de la cosecha es Baja (B)
R25 Si es tecnificado (T) y hay fenómeno ENSO positivo moderado (PM) y la precipitación en los meses 3 y 4 es excedente (EX) entonces la vulnerabilidad a la pérdida de la cosecha es Baja (B)
110
R26 Si es tecnificado (T) y hay fenómeno ENSO positivo moderado (PM) y la precipitación en los meses 3 y 4 es adecuada (AD) entonces la vulnerabilidad a la pérdida de la cosecha es Baja (B)
R27 Si es tecnificado (T) y hay fenómeno ENSO positivo moderado (PM) y la precipitación en los meses 3 y 4 es deficitaria (DE) entonces la vulnerabilidad a la pérdida de la cosecha es Media (M)
R28 Si es tecnificado (T) y hay fenómeno ENSO positivo fuerte (PF) y la precipitación en los meses 3 y 4 es excedente (EX) entonces la vulnerabilidad a la pérdida de la cosecha es Media (M)
R29 Si es tecnificado (T) y hay fenómeno ENSO positivo fuerte (PF) y la precipitación en los meses 3 y 4 es adecuada (AD) entonces la vulnerabilidad a la pérdida de la cosecha es Baja (B)
R30 Si es tecnificado (T) y hay fenómeno ENSO positivo fuerte (PF) y la precipitación en los meses 3 y 4 es deficitaria (DE) entonces la vulnerabilidad a la pérdida de la cosecha es Media (M)
Tabla 41. Conjunto de reglas del sistema de lógica difusa.
Operación del SLD:
Se opera el SLD con base en las reglas definidas como en el siguiente ejemplo de cálculo en el que
se asume un agricultor no tecnificado, que se enfrenta a un fenómeno La Niña en el que la oferta
hídrica en los meses 3 y 4 será excedente (tabla 42):
Nivel de tecnificación
0
Condición ENSO -2.5
Oferta hídrica 600 mm
Tabla 42. Valores de ejemplo de operación del SLD.
Las condiciones descritas permiten identificar las funciones de pertenencia de los grupos en los que
puede proyectarse cada variable de entrada por lo que se activan las reglas R3 y R6 de manera que:
R3: Mínimo [µNT (0), µNF (-2.5), µEX (600)]= 1
R6: Mínimo [µNT (0), µNM (-2.5), µEX (600)]= 0
Las reglas generan los siguientes cortes en el conjunto de salida:
Figura 82. Cortes generados en el ejemplo de operación.
El módulo concresor las une lo que produce el siguiente corte:
111
Figura 83. Unión de reglas ejemplo de operación.
El punto marcado en amarillo corresponde al centro de gravedad del área acotada y se calcula de la
siguiente manera:
1 A B 0 0.7 0.9 1
Figura 84. Área de cálculo del centro de gravedad ejemplo de operación.
El centro de gravedad se calcula con el área de cada sección (A y B) conforme a la fórmula de la
siguiente manera:
Figura Área ÿ Área * ÿ
A 0.1 0.83 0.083
B 0.1 0.95 0.095
Sumatoria 0.2 - 0.17 Tabla 43. Áreas y valores ejemplo de cálculo centro de gravedad.
ÿ =[∫ 𝑦𝜇𝐵(𝑦)𝑑𝑦
.
𝑢]
[∫ 𝜇𝐵(𝑦)𝑑𝑦.
𝑢]
=0.17
0.2= 0.89 → 𝑦 = 0.89
El resultado de 0.89 indica que un agricultor cuyo nivel de tecnificación es 0, bajo una condición
ENOS con ONI igual a -2.5, que correspondería a una Niña fuerte y con condiciones de oferta hídrica
de 600 mm en los meses 3 y 4, que corresponde a condición Excedente, tiene un riesgo “Muy Alto”
de perder la cosecha.
Se opera el sistema completo y el resultado para las combinaciones generales es el siguiente:
Número de Entradas : 3 Número de Salidas : 1
ENTRADAS : Nombre de la Variable : Nivel de tecnificación
Valor Mínimo : 0.000000 Valor Máximo : 1.000000
Numero de Intervalos de Evaluación : 1
112
Nombre de la Variable : Condición ENSO Valor Mínimo : -3.000000 Valor Máximo : 3.000000
Numero de Intervalos de Evaluación : 5
Nombre de la Variable : Oferta hídrica Valor Mínimo : 0.000000
Valor Máximo : 700.000000 Numero de Intervalos de Evaluación : 3
SALIDAS :
Nombre de la Variable : Riesgo Valor Mínimo : 0.000000 Valor Máximo : 1.000000
Numero de Intervalos de Evaluación : 137
0.000000 -3.000000 0.000000 0.699995 0.000000 -3.000000 233.333328 0.700005 0.000000 -3.000000 466.666656 0.867796 0.000000 -3.000000 700.000000 0.893639
0.000000 -1.800000 0.000000 0.566980 0.000000 -1.800000 233.333328 0.594724 0.000000 -1.800000 466.666656 0.867796 0.000000 -1.800000 700.000000 0.883328
0.000000 -0.600000 0.000000 0.669167 0.000000 -0.600000 233.333328 0.655800 0.000000 -0.600000 466.666656 0.574571 0.000000 -0.600000 700.000000 0.553076
0.000000 0.600000 0.000000 0.715619 0.000000 0.600000 233.333328 0.722896 0.000000 0.600000 466.666656 0.544242 0.000000 0.600000 700.000000 0.530855
0.000000 1.800000 0.000000 0.883328 0.000000 1.800000 233.333328 0.867796 0.000000 1.800000 466.666656 0.700005 0.000000 1.800000 700.000000 0.699999
0.000000 3.000000 0.000000 0.893639 0.000000 3.000000 233.333328 0.867796 0.000000 3.000000 466.666656 0.700005 0.000000 3.000000 700.000000 0.699995 1.000000 -3.000000 0.000000 0.500000
1.000000 -3.000000 233.333328 0.500000 1.000000 -3.000000 466.666656 0.700005 1.000000 -3.000000 700.000000 0.699995
1.000000 -1.800000 0.000000 0.366911 1.000000 -1.800000 233.333328 0.394632 1.000000 -1.800000 466.666656 0.700005 1.000000 -1.800000 700.000000 0.699999
1.000000 -0.600000 0.000000 0.300010 1.000000 -0.600000 233.333328 0.299994 1.000000 -0.600000 466.666656 0.401915 1.000000 -0.600000 700.000000 0.373774
1.000000 0.600000 0.000000 0.330833
113
1.000000 0.600000 233.333328 0.344200 1.000000 0.600000 466.666656 0.299994 1.000000 0.600000 700.000000 0.300010
1.000000 1.800000 0.000000 0.500000 1.000000 1.800000 233.333328 0.500000 1.000000 1.800000 466.666656 0.394632 1.000000 1.800000 700.000000 0.366911
1.000000 3.000000 0.000000 0.500000 1.000000 3.000000 233.333328 0.500000 1.000000 3.000000 466.666656 0.500000 1.000000 3.000000 700.000000 0.500000
Tabla 44. Resultado de operación del sistema de lógica difusa.
Se obtuvieron en total 137 intervalos de evaluación para los cuales la primera columna hace
referencia al nivel de tecnificación, la segunda a la condición ENOS, la tercera a la oferta hídrica y la
cuarta al riesgo. Los anteriores son los intervalos entre los cuales el software UNFUZZY evalúa de
manera automática, sin embargo, puede asignarse cualquier valor comprendido entre los rangos
descritos para cada variable, los resultados que entrega el SLD son coherentes, por tanto, con los
mismos es posible tomar decisiones con respecto a fechas de siembra, cultivo o el hecho mismo de
sembrar o no.
Aunque no fue posible identificar adelantos en el área para la agricultura colombiana, algunos
estudios realizados para la implementación de la lógica difusa en decisiones relacionadas con la
agricultura en otros países, han presentado resultados prometedores para el análisis y la toma de
decisiones: un estudio realizado en Vietnam identificó que variables tan diversas como el nivel de
integración de la familia, el rango educativo, el número de hijos, la duración y cantidad de las
precipitaciones, el precio de venta de los productos, entre otros, eran factores determinantes en la
decisión de qué producir (Arroz, Pollo, frutales ) y qué tipo de tecnologías implementar, la validación
del modelo elaborado identificó mejor comportamiento al analizar grupos de agricultores y no de
manera individual. Por lo que el estudio concluye también que la lógica difusa es recomendable para
el desarrollo de políticas y no para la toma de decisión de un agricultor en particular (Bosma, Uzay,
Van der Verg, Udo, & Verret, 2010) .
El riesgo máximo es de 0.89 y el mínimo de 0.30, quiere decir que para la evaluación del sistema, a
pesar de que todas las condiciones sean desfavorables, existe una oportunidad mínima de obtener
una cosecha o que por el contrario, a pesar de tener todas las condiciones favorables, aún se tiene
una leve probabilidad de pérdida.
Al realizarse ejemplos que permitan comparar la situación o el nivel de exposición entre Córdoba y
Tolima, se encuentra que para iguales condiciones climáticas el nivel de riesgo de pérdida de las
cosechas para los primeros resulta siempre mayor, esto se debe al nivel de tecnificación,
especialmente por la presencia de riego suplementario, por ende, el agricultor en Córdoba resulta
mucho más vulnerable que el de Tolima.
114
5.3. ANÁLISIS DEL IMPACTO ECONÓMICO DEL CORRIMIENTO DE LAS FECHAS DE
SIEMBRA.
5.3.1. Reducciones en rendimiento potencial en los años tipo en condiciones de secano
El resultado de las simulaciones en Cropwat para maíz bajo condiciones de secano en Cereté se
presenta en la figura siguiente:
a)
b) a) Reducción en el rendimiento potencial semestre A. b) Reducción en el rendimiento potencial en el semestre B.
Sin riego ni nivel freático. Córdoba.
Figura 85. Reducciones en rendimiento potencial en secano Cropwat. Córdoba.
Como se presenta en la figura 85, en Córdoba los rendimientos se ven afectados en mayor
porcentaje cuando la siembra es adelantada durante los fenómenos ENOS del semestre A y cuando
la fecha de siembra se retrasa en el semestre B, además, las reducciones en rendimiento potencial
son menores al adelantarse la fecha de siembra, dando promedio del 40 al 50% de afectación sin
riego.
En el Espinal (Figura 86), durante los eventos ENOS se encontró que el retraso de las fechas de
siembra durante el primer semestre del año tiene consecuencias contraproducentes y que la
afectación del rendimiento en porcentaje tiene un promedio del 80%, su valor puede alcanzar hasta
115
un 100% lo que se entiende como una pérdida completa de la cosecha. Por el contrario, la gráfica
indica que las condiciones son óptimas para realizar el adelanto de las siembras.
Durante el segundo semestre productivo la tendencia no es del todo marcada, sin embargo,
mayores reducciones en el rendimiento potencial se observan también en el semestre B cuando la
siembra es tardía.
a)
b) a) Reducción en el rendimiento potencial (%) semestre A. b) Reducción en el rendimiento potencial en el semestre
B. Sin riego ni nivel freático. Tolima.
Figura 86. Reducciones en rendimiento potencial en secano. Cropwat Tolima.
Con base en la reducción de rendimientos potenciales se calcula el incremento o reducción en el
coste de la producción, para lo cual se seleccionó un periodo Niño, un periodo Niña y un periodo
Neutro de los comprendidos en las simulaciones.
Las reducciones en rendimiento potencial simuladas para los años tipo seleccionados se presentan
a continuación:
SEMESTRE CERETÉ ESPINAL
116
A
B
Figura 87. Reducción en rendimiento potencial para las dos regiones en los años tipo.
En la figura 87 se observa que en el departamento de Cereté las reducciones en el rendimiento
potencial del cultivo de maíz cambian entre un semestre agrícola y el otro, de manera que para el
segundo semestre el efecto del fenómeno La Niña es más elevado y para el primer semestre es
menos elevado, además, el impacto de un fenómeno del niño puede resultar incluso positivo para
el cultivo en la región (Semestre A).
En el Espinal se encontró que el efecto sobre el semestre B es mucho más marcado que sobre el
semestre A, se observa que la línea roja se sitúa por encima de las líneas azul y verde, además,
durante un evento Niña similar al año en estudio, el momento óptimo para sembrar se desplaza
alrededor de 20 días (comparación de la línea azul con la línea verde) en el semestre B. En el caso
del semestre A, a partir de la fecha tradicional de siembra se esperan costes de producción altos
bajo los tres escenarios, pues las reducciones en el rendimiento aumentan considerablemente, sin
embargo, puede verse que el impacto de un fenómeno Niña similar al de 1989 resultaría positivo
para la producción en fechas de siembra adelantadas.
5.3.1.1. Cálculo del beneficio durante los años tipo en condiciones de secano
Con base en los resultados anteriores y en los precios de venta reportados por el departamento de
Investigaciones Económicas de Fenalce, se encuentra el beneficio durante los años tipo.
Las variaciones en el coste-beneficio para las dos regiones en los semestres A y B se presentan a
continuación, en la gráfica se leen los costes a la izquierda y los beneficios en el eje de la derecha:
En la figura 88 se muestra el coste y beneficio comparados con las fechas de siembra para Córdoba
durante los semestres A tipo, cuando no se tiene nivel freático ni riego suplementario.
Bajo los escenarios Niña y Neutro el agricultor experimenta pérdidas sin importar la fecha de
siembra, sin embargo, se observa que en un escenario Niña el adelanto de la fecha de siembra tiene
117
graves afectaciones sobre los rendimientos potenciales y se traduce en pérdidas hasta de $400.000
por tonelada. En condiciones Neutrales el retraso o adelanto de las fechas de siembra por más de
un mes genera pérdidas económicas de hasta $150.000 por tonelada y bajo condiciones Niño
similares a las del año tipo estudiado (1997) se observa que, las fechas de siembra realizadas entre
un mes antes de la fecha tradicional hasta 10 días después, generan ganancias de hasta $50.000 por
tonelada, luego de 15 días de retraso se generan pérdidas similares a las de un evento Neutro. Como
respuesta a la poca rentabilidad del maíz para grano en la región, se ha adoptado la costumbre de
sembrar el cultivo para ensilaje, algunos de los testimonios dados por agricultores de la región
respaldan que la tendencia del cultivo para grano es generar pérdidas económicas (Caro Sierra,
2014).
Figura 88. Coste y beneficio vs fecha de siembra Semestre A, Sin riego o Nivel Freático.
118
Figura 89. Coste y beneficio vs Fecha de siembra Córdoba semestre B sin nivel freático o riego.
En la figura 89 se presentan los costes y los beneficios con respecto a las fechas de siembra de maíz
tecnificado en el departamento de Córdoba en el semestre B bajo la condición de maíz en secano y
sin suministro de agua subterránea por efecto del nivel freático, condición extrema en la que el
rendimiento depende únicamente del clima.
En un escenario Niño similar al del año 1997, en el que se sabe que el país sufrió graves
consecuencias, se observa que el cultivo no solo generaría pérdidas en cualquier fecha sino que
también pueden alcanzar valores elevados, en especial con el retraso de las fechas de siembra.
El retraso de la fecha de siembra se encontró perjudicial en todos los casos, se alcanzan pérdidas
hasta de $4´000.000 por tonelada cuando la siembra se retrasa más de un mes. El efecto de La Niña
sin embargo es más reducido con respecto a las fechas de siembra, aunque el cultivo generaría
pérdidas, el valor de estas se reduce considerablemente. Es importante anotar que Cropwat es más
sensible al estrés por déficit hídrico que al estés por anegamiento, por esta razón el efecto de las
pérdidas durante un evento Niña podría presentar incrementos significativos en comparación con
los valores acá presentados.
Para el Espinal, en la figura 90 se presentan los costes y beneficios comparados con respecto a las
fechas de siembra en el semestre A para cultivos sin riego suplementario ni presencia de nivel
freático. Se encontró que, con el rendimiento potencial de 6 toneladas por hectárea, las condiciones
descritas no generan ganancias en casi ninguno de los casos. Con respecto al impacto económico,
el retraso en las fechas de siembra es perjudicial, en especial cuando esta se realiza bajo escenario
119
Neutro y con desplazamiento de más de 10 días, mientras que el adelanto de las fechas de siembra
trae menos disminuciones en el rendimiento potencial.
Bajo escenarios Niño las pérdidas económicas para el agricultor se reducen de manera significativa
con respecto al desplazamiento de las fechas de siembra, encontrándose que fechas de siembra
adelantadas pueden significar un equilibrio entre el coste y el beneficio, mientras que fechas con
retraso pueden generar pérdidas hasta de $2´000.000 por tonelada.
Para el Espinal, en la figura 91 se presentan los costes y beneficios de cada fecha de siembra en el
semestre B para cultivos sin riego ni nivel freático, el comportamiento es similar, el retraso de la
fecha de siembra genera sobrecoste para la mayoría de los casos. En el caso de los escenarios
Neutros se encuentra que el retraso de las fechas de siembra es contraproducente, en los escenarios
Niño las pérdidas son mayores para fechas de siembra adelantadas más de un mes o retrasadas más
de 10 días con respecto a la tradicional. En el caso del fenómeno La Niña se observó que las pérdidas
son muy marcadas tanto en el atraso como en el adelanto de las fechas de siembra y el periodo en
el que los costes entran en equilibrio con los beneficios se encuentra entre 15 días antes y 15 días
después de la fecha de siembra tradicional.
Los resultados expuestos obedecen a reducciones en el rendimiento calculado con base únicamente
en el balance hídrico y son evaluados bajo escenarios tipo del evento ENOS, sin embargo, estos
escenarios pueden variar y presentarse un diferenciación en las pérdidas o ganancias, con respecto
a lo aquí presentado, dado el aumento o disminución de rendimientos potenciales.
Figura 90 .Coste y beneficio vs fecha de siembra Espinal semestre A, Sin nivel freático ni riego.
120
Figura 91. Coste y beneficio vs fecha de siembra Espinal semestre B, Sin nivel freático ni riego.
5.3.2. Reducciones en rendimiento potencial en los años tipo con suministro de agua.
Se realizaron simulaciones en Cropwat de los años estudiados para identificar las reducciones en el
rendimiento potencial del cultivo con respecto a las fechas de siembra agregando un suministro de
agua suplementaria simula riegos deficitarios y nivel freático para cada caso.
El resultado de las simulaciones es el siguiente:
121
a)
b)
b) Reducción en el rendimiento potencial semestre A. b) Reducción en el rendimiento potencial en el semestre B.
Con nivel freático. Córdoba.
Figura 92. Reducción en el rendimiento potencial Córdoba con nivel freático.
En Cereté se mantiene la tendencia de mayor afectación del rendimiento durante los semestres A
cuando se adelanta y durante los semestres B cuando se atrasa la fecha de siembra, sin embargo,
las deficiencias se atenúan levemente y el porcentaje de afectación disminuye de manera drástica.
En el Espinal, durante los eventos ENOS se encontró que el retraso de las fechas de siembra durante
el primer semestre del año tiene consecuencias contraproducentes, sin embargo, con la presencia
de riego se atenúan y las reducciones en rendimiento disminuyen de manera considerable el
porcentaje.
Durante el segundo semestre productivo la tendencia se pierde y se observa que la presencia de
riego contribuye a que, de manera general, no se perciba tanto el efecto de las fechas de siembra.
122
a)
b) b) Reducción en el rendimiento potencial (%) semestre A. b) Reducción en el rendimiento potencial en el semestre
B. Con riego. Tolima.
Figura 93. Reducción en rendimiento potencial Tolima con riego.
Se seleccionaron los años tipo utilizados en las simulaciones para el cultivo bajo condiciones de
secano y para los mismos se realizó la simulación de rendimientos y el cálculo de coste- beneficio:
Las reducciones en el rendimiento potencial simuladas para los años registrados en la tabla se
presentan a continuación:
SEMESTRE CERETÉ ESPINAL
A
123
B
Figura 94. Reducciones en rendimiento potencial con riego y nivel freático para las dos regiones en años tipo.
En la figura 94 se observa que en el departamento de Cereté las reducciones en el rendimiento
potencial del cultivo de maíz cambian entre un semestre agrícola y el otro, de manera que para el
primer semestre el efecto del fenómeno La Niña es más elevado y para el segundo semestre es
menos elevado, además, el impacto de un fenómeno El Niño puede resultar incluso positivo para el
cultivo en la región (Semestre A).
En el Espinal se encontró que el efecto sobre el semestre B es más marcado que sobre el semestre
A, la línea roja se sitúa por encima de las líneas azul y verde. Para el semestre A, a partir de la fecha
tradicional de siembra se esperan altos costes de producción bajo los tres escenarios, pues las
reducciones en el rendimiento aumentan. Sin embargo, el efecto de la fecha de siembra se atenúa
bajo la presencia de un fenómeno La Niña como el de 1989.
5.3.2.1. Cálculo del beneficio durante los años tipo en condiciones de suministro de agua
Con base en los resultados anteriores y basándose en los precios de venta reportados por el
departamento de Investigaciones Económicas de Fenalce, se encuentra el beneficio durante los
años tipo.
Se determina el precio de venta de cada tonelada de maíz con respecto a su fecha de siembra, de la
misma manera en la que se realizó el análisis para el cultivo en secano, sin embargo, la federación
reporta que el coste del agua es de $20.000 por cada hectárea, este valor se sumó a los costes de
producción del Espinal.
Las variaciones en el coste-beneficio para las dos regiones en los semestres A y B se presentan a
continuación, en la gráfica se leen los costes a la izquierda y los beneficios en el eje de la derecha:
En la figura 95 se muestra el coste y beneficio comparados con las fechas de siembra para Córdoba
durante los semestres A tipo, cuando se tiene nivel freático.
Si bien los costes se reducen y el beneficio aumenta, se observó que con el efecto de un fenómeno
La Niña se podrían percibir pérdidas en cualquier fecha de siembra, tanto el adelanto como el
retraso de las mismas es perjudicial y la mayor pérdida se produce al adelantar la siembra,
alcanzándose valores de pérdida de $150.000 por cada tonelada producida.
En condiciones neutrales el coste del cultivo con nivel freático se estabiliza, sin embargo, la fecha
tradicional de siembra es la que más ganancias significa. Durante un fenómeno El Niño como el
124
presentado en el año estudiado (1998), las mejores fechas de siembra se presentan con un adelanto
de 20 días hasta un retraso de 15 días, fuera de este rango el cultivo comienza a generar mayores
costes que beneficios, siendo el punto de corte un adelanto de 30 días o un retraso de 25 días, a
partir de estas fechas el cultivo deja de generar ingreso.
Figura 95. Coste y beneficio vs fecha de siembra córdoba semestre A, Con nivel freático.
Para el semestre B el gráfico de coste vs. Beneficio se presenta a continuación:
125
Figura 96. Coste y beneficio vs fecha de siembra córdoba semestre B, Sin nivel freático ni riego.
En la figura 96 se presentan los costes y los beneficios con respecto a las fechas de siembra de maíz
tecnificado en el departamento de Córdoba en el semestre B bajo la condición de maíz con
suministro de agua por nivel freático.
En un escenario Niño similar al del año 1997, en el que se sabe que el país sufrió graves
consecuencias, se observa que el cultivo generaría pérdidas en cualquier fecha y estas pueden
alcanzar hasta $400.000 por tonelada, sin embargo, el valor de estas pérdidas es muy reducido al
compararse con un escenario sin suministro de agua.
El retraso de la fecha de siembra se encontró perjudicial en todos los casos, se alcanzan pérdidas
hasta de $400.000 por tonelada cuando la siembra se retrasa más de un mes. El efecto de La Niña,
sin embargo, es más reducido con respecto a las fechas de siembra, aunque el cultivo generaría
pérdidas el valor de estas se reduce considerablemente. Es importante anotar que Cropwat es más
sensible al estrés por déficit hídrico que al estés por anegamiento, por lo que el efecto de las
pérdidas durante un evento Niña podría presentar incrementos significativos en comparación con
los valores acá presentados.
Bajo un escenario Neutro se observa que las fechas tradicionales de siembra adelantadas 10 días y
retrasadas hasta 15 días no generan pérdidas, sin embargo, los valores de beneficio alcanzados son
muy bajos ($50.000 por tonelada).
Para el Espinal se presentan los costes y beneficios comparados con respecto a las fechas de siembra
en el semestre A, para cultivos con riego suplementario, en la figura 97:
126
Se encontró que el riego es un factor de altamente importante para la producción de maíz
tecnificado en el Tolima, dada su presencia la reducción de los rendimientos es moderada y el cultivo
pasa de generar pérdidas a generar ganancias bajo todos los escenarios, es importante tener en
cuenta que el precio de venta de maíz en el Espinal es más alto.
Como se muestra en el gráfico, para el semestre A durante un evento El Niño el retraso de la fecha
de siembra, cuando se tiene riego, resulta benéfico si se considera que los niveles de radiación
tienden a ser más altos, pero las necesidades hídricas del cultivo se suplen y al realizar una cosecha
tardía se tiene acceso a mejores precios para la venta del producto. Se observa que fechas de
siembra diferentes a las tradicionales resultan benéficas en todos los casos si se tiene riego.
Figura 97. Coste y beneficio vs fecha de siembra Espinal semestre A, Con riego.
En el caso del semestre B con suministro de agua por medio de riego se observa que, en la mayoría
de las situaciones el cultivo produce mayor beneficio que coste, sin embargo, con la presencia de
eventos El Niño o La Niña, fechas de siembra adelantadas más de un mes no son recomendables.
De manera adicional se observa un desplazamiento en el comportamiento de las ganancias de 20
días entre el fenómeno Niña y la condición Neutra, por lo que podría asumirse que bajo condiciones
similares a las simuladas, el retraso de las fechas de siembra en la fase negativa del ENOS resulta
positivo. Un adelanto en la fecha de siembra durante un evento Niño similar al simulado podría
traducirse en un aumento ligero de las ganancias, pese a ello se encontró que de los tres escenarios
simulados, el que económicamente podría generar mayores pérdidas en el Espinal en el segundo
semestre, es el fenómeno del Niño.
127
Figura 98. Coste y beneficio vs fecha de siembra Espinal semestre B, Con riego.
7. CONCLUSIONES
El análisis de correlación permitió identificar que el efecto de los eventos ENOS sobre las
dos regiones se asocia de manera significativa con las temperaturas máximas y mínimas. A
pesar de la relación esperada con la precipitación, los valores de correlación con la variable
fueron muy bajos. Se concluye que las alteraciones en el balance hídrico durante eventos
El Niño/ La Niña en las zonas estudiadas podría deberse en mayor medida a los cambios en
la evapotranspiración ocasionados por incremento o descenso en la temperatura y no por
variaciones en la oferta hídrica.
Por medio del análisis de componentes principales se identificó que los factores climáticos
que afectan el rendimiento del cultivo de maíz de manera común en las dos regiones son:
las precipitaciones acumuladas, días con precipitación y temperaturas máximas durante los
días 60 a 120 del ciclo productivo. La teoría de la fisiología del cultivo de maíz indica que
durante los días mencionados se experimentan etapas fundamentales para la formación del
rendimiento tales como floración, polinización, formación y llenado de los granos, por lo
que temporadas secas durante este periodo deben ser evitadas o mitigadas mediante
medidas adaptativas, especialmente riego.
128
El análisis de desplazamiento de las fechas de siembra mediante la simulación de cultivo
(AquaCrop) permitió identificar algunas tendencias durante los años más representativos
de los eventos ENOS, para el Espinal el retraso de las fechas de siembra en el segundo
semestre agrícola podría recomendarse como medida de adaptación, mientras que los
efectos del evento El Niño- La Niña en Cereté podrían mitigarse retrasando las fechas de
siembra en el semestre A y adelantándolas en el semestre B.
Existen metodologías que permiten evaluar el riesgo de los agricultores frente a diferentes
escenarios y que pueden ser desarrolladas con base en el conocimiento local, la lógica difusa
es una de ellas, con su ayuda los individuos, poblaciones y diferentes actores de la sociedad
pueden orientar las decisiones evaluando la interacción de todas las posibilidades, se
recomienda impulsar el estudio y la aplicación de dichas metodologías para evaluar el riesgo
agroclimático asociado a fenómenos de variabilidad climática.
El análisis de impacto económico del corrimiento de las fechas de siembra mostró un
panorama negativo (pérdidas) para los agricultores de Córdoba sin importar el evento
climático que se presente o la fecha de siembra, tal panorama podría cambiarse al aumentar
el nivel de tecnificación de la región, aumentando los rendimientos o realizando un
incremento en el precio de compra del maíz.
El análisis de impacto económico en el Espinal indica que, para cultivos en condiciones de
secano, el agricultor es muy propenso a incurrir en pérdidas económicas sin importar la
condición climática o la fecha de siembra, por este motivo el riego es una actividad
fundamental para hacer del cultivo una operación rentable.
8. RECOMENDACIONES.
El estudio del comportamiento de la precipitación durante los eventos ENOS a escalas locales es de
extrema importancia para la generación de medidas adaptativas y para la toma de decisiones, es
por esto que se recomienda el desarrollo de una estrategia metodológica para el estudio de la
variable precipitación. A pesar de que en el presente trabajo no se encontraron correlaciones
significativas entre los índices que describen la condición de El Niño y el comportamiento de la
variable, el fenómeno en la misma es intuitivo y se ha evidenciado.
129
BIBLIOGRAFÍA
Moeletsi, E. M., Walker, S., & Landman, W. A. (2011). ENSO and implications on rainfall
characteristics with reference to maize. Physics and Chemistry of the Earth(36), 715-223.
2006, F. a. (2006). Evapotranspiración del cultivo. Guías para la determinación de los
requerimientos de agua de los cultivos (Vol 56). Roma: Estudio FAO Riego y Drenaje.
Alcaldía del Espinal, Tolima. (2009). Acuerdo Municipal de Áreas. Espinal- Tolima.
Alcaldía municipal de Cereté. (2012). Plan de desarrollo 2012-2015 para el municipio de Cereté.
Cereté.
Alcaldía Municipal del Espinal Tolima. (2011). Plan de desarrollo 2012 - 2015. Espinal- Tolima .
Alvarez Ruiz, Arteaga-Ramirez, Vazquez Peña, A., Lopez Lopez, R., & Onivetos Capurata, R. (2011).
Requerimiento de riego y predicción del rendimiento en gramíneas forrajeras mediante un
modelo de simulación en Tabasco, México. Agrociencia, 45(7). México.
Antúnez, A., Carvallo, E., Otálora, J., & Subiarbe, H. (2011). Respuesta del maíz al exceso y déficit
de riego en el valle de Azapa. Informativo INIA URURI 48, 1-8.
Boshell, J. F. (2010). Cambio climático: mitigación y adaptación en la agricultura colombiana.
México.
Bosma, R., Uzay, K., Van der Verg, J., Udo, H., & Verret, J. (2010). Using fuzzy logic to simulate
farmer's decision making on diversification and integration in the Mekong Delta, Vietnam.
Soft Comput, 295-310.
Campuzano Duque, L. F. (2005). Plan Nacional de Investigación , Desarrollo y Fomento del Culltivo
de Maíz Tecnificado en Colombia (2006-2020). Villavicencio: Corpoica.
Carmona, F. (2014). Un ejemplo de ACP paso a paso. Barcelona : Ariel Economía.
Caro Sierra, E. (2014, Abril 13). "Maíz se siembra para silo". El Meridiano de Córdoba.
CENTRO INTERNACIONAL DEL FENÓMENO DEL NIÑO CIIFEN. (2007). Informe de síntesis de IPCC.
Retrieved 04 28, 2015, from
http://www.ciifen.org/index.php?option=com_content&view=category&id=102&layout=b
log&Itemid=135&lang=es
Cirilo, A. (2005). Manejo de la densidad y distancia entre surcos del Maíz. INTA Pergamino, 128-
133.
Comité técnico nacional Del Fenómeno del Niño ENFEN. (2012). Definición Operacional de los
eventos El Niño y La Niña y sus magnitudes en la costa del Perú. Lima: ENFEN.
130
De la Casa, A. C., & Ovando, G. G. (2006). Influencia de Episodios El Niño-Oscilación Sur (ENOS)
Sobre la Precipitación y el Rendimiento de Maíz en la Provincia de Córdoba, Argentina.
Agricultura técnica, 66(1), 80-89.
Departamento Nacional de Planeación. (2012). Plan nacional de adaptación al cambio climático.
Bogotá: DNP.
Departamento técnico de FENALCE. (2014). Índice nacional cerealista . Cota- Cundinamarca :
Online.
Dimitrios, V., Karamanos, A., Economou, G., Kalivas, D., Vahadamis, P., Kotoulas, V., . . . Zerefos, C.
(2015, Enero 1). Prediction of climate change impacts on cotton yields in Greece under
eight climatic models using the AquaCrop crop simulation model and discriminant function
analysis. Agricultual Water Management, 147, 116-128.
DOORENBOS, J., & KASSAM, A. H. (1986). Yield response to water. Irrigation and Drainage. In
Paper No. 33 (p. 133). Roma: FAO.
Facultad de Ciencias Astronómicas y Geofísicas universidad de La Plata. (2013). Circulación
Atmosférica. Buenos Aires.
Fassio, A., Carriquiry, A. I., Tojo, C., & Romero, R. (2006). MAÍZ: Aspectos sobre fenología.
Montevideo: Unidad de Difusión e Información Tecnológica del INIA.
Federación Nacional de Cultivadores de Cereales y Leguminosas FENALCE. (2012). Expectativas de
siembra para maíz y soya en el 2022. Bogotá.
Fenalce. (2005). Fenología del cultivo de maíz. In F. Federación Nacional de Cultivadores de
Cereales , Aspectos técnicos de la producción de maíz en Colombia. Bogotá: Fondo
Nacional Cerealista.
Fernandez Long, M. E., SpesCha, L., Hurtado, G., & Murphy, M. (2011). Impacto del ENOS sobre los
rendimientos de maíz en la región pampeana argentina. Agriscientia, 28(1), 31-38.
Food and Agriculture Organization FAO. (2006). CropWat 8.0. Manual de Usuario. Roma.
Grande Tovar, C. D., & Orozco, S. (2013). Producción y procesamiento de maíz en Colombia.
Guillermo de Ockham, 11(1), 97-110.
Gregory B, A. (2013). STHDA Rsoftware and data mining documentation. Retrieved 02 09, 2016,
from https://ww.ime.usp.br/~pavan/pdf/MAE0330-PCA-R-2013
Grupo de modelamiento de tiempo y clima . (2014). Variabilidad climática de la precipitación en
Colombia asociada al ciclo El Niño- La Niña - Oscilación del sur (ENSO). Bogotá:
Subdirección de Meteorología IDEAM.
131
Guevara Díaz, J. (2008). El ABC de los índices usados en la identificación y definición cuantitativa
de El Niño- Oscilación del Sur (ENOS). Terra Vol. XXIV No. 35, 85-140.
Henriquez Daza, M. (2015, Agosto 28). ¿El Niño más fuerte de la historia afectará a Colombia? El
Tiempo.
HERNANDEZ, N., SOTO, F., & CABALLERO, A. (2009, Marzo). Modelos de simulación de cultivos:
características y usos. Retrieved Agosto 30, 2015, from Scielo:
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0258-59362009000100014
Hervé , A. (2010). Principal component Analysis. In J. W. sons, WIRES Comp Stat (pp. 433-459).
Hongyon, S., Xiying, Z., Enli, W., Suying, C., Liwei, C., & Wenli, Q. (2016). Assesing the contribution
of weather and management to the annual yield variation on summer maize using APSIM
in the North China Plain. Field Crops Research, 94-102.
Hoyos García, D., Morales Osorio, J. G., Chavarría Ardila, H., Montoya Ríos, A. P., Correa Londoño,
G., & Jaramillo Villegas, S. D. (2012). Acumulación de grados días en el cultivo de pepino
(Cucumis stativus L.) en un modelo de producción aeropónico. Revista Facultad Nacional
de Agronomía, 6390-6398.
Instituto de Hidrología, Meteorologí y Estudios Ambientales IDEAM. (2011). Reporte final de áreas
afectadas por inundaciones 2010-2011. Bogotá.
International Maize and Wheat Improvement Center CIMMYT. (2004, 10 22). Etapas fenológicas
de la planta de maíz. México.
Joel, O. P., Prem Woli, Axel García y García, & Hoogenboom, G. (2012). Cotton yields as influenced
by ENSO at different planting dates and spatial aggregtion levels. Agricultural Systems,
111, 45-52.
León, G., & Giraldo, D. C. (2013, 10 01). aclimatecolombia. Retrieved 04 25, 2015, from DAPA:
www.aclimatecolombia.org
Lindquist, J., Arkebauer, T., Walters, D., Cassman, K., & Dobermann, A. (2005). Maize Radiation
Use Efficiency under Optimal Grow Conditions. Agronomy and Horticulture, 72-78.
López Alvarez, L. A., & Perez Bernal, J. (2015). ¿Qué ha pasado con el fenómeno del Niño?
Fedepapa, 35, 10-18.
M.Sc Felicita Gonzáles Robaina . (n.d.).
Meyer, S., Hubbard, K., & Whihite, D. (1991). The relationship of climatic indices and variables to
corn (maize) yields: a principal components analysis. Agricultural and forest Meteorology
55, 59-82.
Microsoft. (2011). Excel. Redmond, washington.
132
Modesto. (n.d.).
Montealegre Bocanegra, J. (2012). Análisis de la variabilidad climática inter-anual, El Niño- La
Niña, en la región capital (Bogotá, Cundinamarca). Bogotá: IDEAM.
Montealegre Bocanegra, J. E. (2009). Estudio de la variabilidad climática de la precipitación en
Colombia asociada a procesos oceánicos y atmosféricos de meso y gran escala. Bogotá:
Instituto de Hidrología, Meteorología y Estudios Ambientales IDEAM.
Montoya, G. d. (2008). Lecciones de meteorología dinámica y modelamiento atmosférico. Bogotá:
Unibiblos.
Morales. (2010). Generalidades del cultivo de maíz. Costa Rica.
Pabón Caicedo, J. D., & Ruiz Cabarcas, A. d. (2013). Efectos de los fenómenos de El Niño y La Niña
en la precipitación, y su impacto en la producción agrícola del departamento del Atlántico
(Colombia). Revista colombiana de geografía, 22(2), 35-54.
Pabón, J. D., & Torres, G. A. (2006). Efecto climático de los fenómenos El Niño y La Niña en la
sabana de Bogotá. Meteorolgía Colombiana(10), 86-99.
Palomino , R., & Urritia, J. A. (2010). Componentes principales en la determinación de estaciones
con patrones homogeneos de temperatura en el Chocó. Scientia Et Technica, XV1(45),
257-262. Retrieved 08 22, 2015, from www.unalmed.edu.co
Pearl, F. (2014). Ayuda de Memoria Adaptación Al Cambio Climático. Resumen, Ministerio de
Ambiente y Desarrollo Sostenible, Bogotá.
Philips, J. G., Cane, M. A., & Rosenzweig, G. (1998). ENSO, seasonal rainfal patterns and simulated
maize yield variability in Zimbawe . Agricultural and forest meteorology, 90, 39-50.
PINDYCK, R., & RUBINFELD, D. (2009). La maximización de los beneficios y la oferta comparativa. In
Microeconomía (pp. 311-320). Madrid: Pearson.
Pita, M. F. (2009). El balance de calor en el planeta: calor y temperatura. In J. Cuadrat,
Climatología (pp. 41-56). Madrid: Grupo Anaya S.A.
Portilla, M. E. (2001). Aplicación de los Sistemas de Lógica Difusa en Evaluación de la
Sudceptibilidad a Fenómenos de Remoción en Masa. Geología Colombiana(26), 189-205.
Prem Woli, Joel, O. P., Hoogenboom, G., Axel García y García, & Clyde, W. F. (2012). The ENSO
effect on peanut yield as influenced by planting date and soil type. Agricultural Systems,
121, 1-8.
Programa de Las Naciones Unidas para el Desarrollo PNUD. (Abril 2012). Estudio sobre los efectos
de la variabilidad climática sobre la dimensión de la disponibilidad de alimentos de
133
seguridad alimentaria en Colombia e iniciativas de política. Panamá: Ciudad del saber,
Casa de las Naciones Unidas.
Puertas Orozco, O. L., & Carvajal , E. Y. (2008). Incidencia de El Niño- Oscilación del sur en la
precipitación y temperatura del aire en Colombia, usando Climate Explorer. Ingeniería y
Desarrollo(23), 104-118.
Raes, & Stedudo. (2012). User manua AquaCrop 4.0. Roma: FAO Land and Water Division.
Raes, D. (2012). FAO ETo calculator V3.2. Roma: FAO.
Ramíres Vuiles, V. H., & Jaramillo Robledo, Á. (2009). Relación entre el índice oceánico El Niño y la
lluvia en la región central de Colombia. Cenicafé 60 (2), 161-172.
Ripusudan, L. P., Granados, G., & Honor, R. L. (2001). Maíz en el trópico. Roma: Grupo de Cultivos
Alimentarios Extensivos, Dirección de Producción y Protección vegetal de la FAO.
Ruia-Álvarez, O., Arteaga Ramirez, R., Vazquez Peña, M. A., Ontiveros Capurata, R. E., & López-
López, R. (2012). Balance hídrico y clasificación climática del estado de Tabasco, México.
Universidad y Ciencia, 28(1), 1-14.
Ruíz Cabarcas, A. (2012). Análisis del impacto de los fenómenos El Niño y La Niña en la producción
agrícola del departamento del Atlántico. Bogotá: Universidad Nacional de Colombia.
Servicio Nacional de hidrología y meteorología del Perú. (2011). Las diversas facetas del niño y sus
efectos en la costa de Perú. Lima .
Servicio Nacional de Hidrología y Meteorología del Perú. (2014). El fenómeno del Niño en el Perú.
Lima: Universidad de Piura.
Steven, W. R., Hanway, J. J., & Benson, O. G. (2003). Cómo se desarrolla una planta de maíz. Iowa:
Servicio Cooperativo de la Universidad de Ciencia y Tecnología de IOWA.
Superintendencia de Industria y Comercio. (2012). Cadena productiva del maíz. Bogotá.
Team, R. C. (2013). R: A language and environment for statistical computing. Viena, Austria.
Terradez Gurrea, M. (2010). Análisis de componentes principales. Barcelona, Catalunya, España:
UOC.
Torres, P. A. (2013). kramirez.net. Retrieved 08 22, 2015, from
http://www.kramirez.net/ProbaEstad/Material/Presentaciones/Capitulo8.pdf
United Nations Educational Sientific and Cultural Organization UNESCO. (1981). Métodos de
cálculo del balance hídrico. Madríd: UNESCO.
134
Universidad Agraria de La Molina. (2010). Evaluación del efecto del clima en la producción y
productividad del maíz amarillo duro en la costa central del Perú. Lima: SENHAMI.
Universidad de Córdoba. (2012). Zootecnia y gestión. Retrieved 08 23, 2015, from
www.uco.es/zootecniaygestion/
Universidad Politécnica de Madrid UPM. (n.d.). Clasificaciones climáticas. Madrid.
Valdez- Torres, B., Soto Landeros, F., Osuna Enciso, T., & Báez Sañudo, A. (2012). Modelos de
predicción fenológica para maíz blanco (zea mays L.) y gusano cogollero (spodoptera
fugidiptera J.E.Smith). Agrociencia, 399-410.
Westcott, P., & Jewinson, M. (2013). Weather Effects on Expected corn and soybean yields.
Economic Research Service -USDA, 3-31.
Zadeh, I. (1995). Fuzzy Sets. In INFORMATION AND CONTROL 8 (pp. 338-353).