UNEFM, Ingeniería Agronómica, Modelización Producción Agrícola, Uso de la Simulación Computarizada en Investigación

1. USO DE LA SIMULACION COMPUTARIZADA
PARA AVANZAR LA INVESTIGACION
AGRICOLA EN LOS PAISES EN VIA DE
DESARROLLO
Ricardo J. Salvador Fleming
Departamento de Agronomía
Universidad Estatal de Iowa de Ciencia y Tecnología
Estados Unidos de Norteamérica
ABSTRACT
Computer simulation offers the potential to minimize investment of time, labor and
resources in the research necessary for agricultural decision-making and design of
management strategies. However, a significant infrastructure of experiment stations,
agricultural researchers and financial resources is necessary to support controlled-
environment research, data collection, model design and validation of simulations. Given
that a major modeling thrust over the past 30 years has created this infrastructure in many
agricultural research centers of the industrialized countries, it is now feasible for field
personnel in most parts of the world to take advantage of simulation techniques with a
minimum of resource investment. Reliable simulators for all major world crops now exist,
and the adaptation of any of these to a particular locale requires only a microcomputer and
a few growing seasons to obtain data for calibrating the model to local conditions.
Developing countries, where there is great urgency to increase agricultural production
capacity in a sustainable manner, stand to gain the most from the application of these
technologies.
RESUMEN
La simulación computarizada ofrece la posibilidad de comprimir el tiempo, esfuerzo y
cantidad de recursos necesarios para tomar decisiones y recomendar estrategias de manejo
en el ámbito agrícola. Sin embargo, para esto es necesaria una gran infraestructura para
apoyar la recolección de datos, el diseño de paquetes de computadora, y para efectuar los
ensayos de validación necesarios para la elaboración y utilización de agrosimuladores
confiables. Dado que durante los últimos 30 años se ha realizado un gran esfuerzo por crear
tal infraestructura en los principales centros de investigación agrícola de los países
industrializados, es factible ahora aprovechar las metodologías de simulación aún cuando
los recursos disponibles en un local determinado sean modestos. Existen simuladores para
cada uno de los cultivos principales del mundo, y la adaptación de cualquiera de ellos a una
localidad específica requiere tan sólo de un microcomputador y unas cuantas temporadas de
crecimiento para recolectar datos y calibrar los modelos al ambiente correspondiente. Los
países en vía de desarrollo, en donde existe gran urgencia por aumentar la capacidad de

2. producción agrícola en forma sustentable, pueden ser los beneficiarios mayores de esta
tecnología.
INTRODUCCION
La simulación computarizada ha sido una de las técnicas disponibles para estudiar varios
procesos dentro de la física e ingeniería desde la década de los 40, habiendo constituido uno
de los primeros usos de la computadora digital electrónica (Burks and Burks, 1981). En
comparación, la simulación de los procesos biológicos por los mismos medios data tan sólo
desde los años 60, y sufre aún de varias deficiencias, muestras de la disparidad en el estado
de conocimiento comparativo entre las ciencias biológicas y las físicas. Sin embargo,
durante los 30 años intervinientes desde que se haya iniciado tal actividad, han habido
logros suficientes, tanto en el campo de la investigación biológica como en técnicas de
cómputo, como para permitir el desarrollo de simulacros útiles y confiables de varios
sistemas complejos de producción agrícola. Tales simulacros pueden ser útiles para avanzar
el conocimiento agrícola, para el desarrollo de políticas socioeconómicas a nivel regional,
para asesorar a los productores en la toma de decisiones, y para que los productores mismos
puedan experimentar y probar con riesgo mínimo los efectos de varias estrategias
alternativas de manejo.
En este trabajo se resumirá la evolución de los simulacros agrícolas para explicar la forma
en que estos pueden ser de utilidad para los propósitos arriba descritos, y posteriormente se
darán algunos ejemplos de los simuladores agrícolas mas importantes en vigencia, y de los
trabajos que en base a ellos se han logrado. Finalmente, se explicarán los motivos por los
cuales el aprovechamiento de esta metodología puede ser de importancia especial para los
países en vía de desarrollo.
EVOLUCION DE LOS SIMULACROS AGRICOLAS
En un trabajo publicado en 1971, el ingeniero R. Curry observó:
Un ingeniero químico no diseñaría una planta química, ni sus procesos de control, sin tener
primero como base para su diseño a un modelo del proceso químico por realizarse en tal
planta. Sin embargo el ingeniero agrícola cuyo quehacer es el diseño de los sistemas
ambientales para la fábrica química mas grande del mundo (la transformación de la energía
de la luz y otros químicos en alimento), no cuenta con un modelo adecuado del sistema con
el cual trabaja (Curry, 1971).
Posteriormente el fisiólogo de cultivos J. Passioura (1973) agregó que la gran mayoría de
las conclusiones publicadas hasta esa fecha por los modeladores de sistemas agrícolas eran
obvias, y que para obtener las mismas no se necesitaban complejos simulacros
computarizados. Tales críticas procedían del hecho que se intentaban producir modelos del
desarrollo de los cultivos cuando no se contaba aún con un conocimiento adecuado de
varios procesos claves regulantes de las funciones y el desarrollo vegetal (Monteith, 1981).
Ya que la elaboración de un modelo sin tales conocimientos claves obligaba a los
modeladores a que supusieran ciertas cosas en forma muy general, entonces sus simulacros
parecían ser frívolos y faltos de rigor científico, ya que las recomendaciones en base a sus

3. simulaciones resultaban ser poco distintas de lo que bien pudiera resultar de alguna sencilla
opinión bien fundamentada.
Un sistema de producción agrícola se constituye de una serie de componentes o procesos,
llamados subsistemas, los cuales destacan su propia conducta, y los cuales reaccionan en
sus formas particulares a los varios estímulos de su medio ambiente. Tales subsistemas
pueden interactuar el uno con el otro de tal forma que no sea sencillo poder predecir el
comportamiento del sistema entero dadas ciertas condiciones iniciales. Es decir que estos
son sistemas complejos por definición. El número de factores que influyen sobre el
funcionamiento de tales sistemas (ya sean: el clima, el medio ambiente en el campo o en la
ganadería, las características y adaptaciones particulares del organismo unitario en
producción, sea planta o animal), aunados a la conjunción de sus varias combinaciones
posibles, resulta en un verdadero desafío a la captación y comprensión humana. Por otra
parte, el modelado de un sistema implica que se le comprende a fondo, y no es lo mismo
reclamar lo tal cuando se trata de un sistema creado por el ser humano mismo (en el caso de
una fábrica, por ejemplo), que cuando se trata de un sistema cuyas características deberán
descubrirse lentamente por el humano a través de una larga serie de estudios y
experimentos minuciosos.
Por este motivo se ha considerado generalmente que la producción agrícola es una
actividad manejada en forma subjetiva, o sea no fríamente racional o científica, por
gerentes quienes integran amplios conocimientos intangibles en forma intuitiva, o sea
particular al individuo, y por demás de manera irreproducible. Es decir, dadas las mismas
condiciones no siempre decidiría obrar de la misma forma un productor determinado.
Sin embargo, han habido ciertos avances de tipo tanto conceptual, como en técnicas
experimentales y de cómputo, como para permitir que este campo se haya desarrollado en
forma productiva y que haya aportado varias contribuciones importantes a la ciencia
agrícola.
Bases Conceptuales
Un buen modelo debe auxiliar al investigador proveyéndole pistas inesperadas y
perspectivas novedosas, por medio de la unificación del conocimiento y la explicación de
los fenómenos, y no debido sencillamente al mero recapitulamiento o descripción de los
comportamientos biológicos ya bien conocidos. Con frecuencia, un buen proyecto de
investigación se frustra cuando es difícil distinguir algún patrón en el cuerpo de datos
derivado por medio de la experimentación. El historial de los grandes simuladores de
cultivos que para estas fechas ya se han utilizado durante periodos extendidos nos
demuestra que estos modelos son valiosos no tan sólo como integradores de los datos
experimentales disponibles, sino también como herramientas que enfocan la atención del
investigador sobre aquellos aspectos críticos de la investigación que se conocen
imperfectamente, y que por lo tanto requieren seguimiento mas profundo (Hesketh and
Jones, 1976; Whisler et al., 1986). De tal forma, los esfuerzos experimentales y de
simulación del equipo de investigación son interactivos, por cuanto el modelo sirve como
bosquejo para estructurar las observaciones y apoyar al investigador en el esclarecimiento
de las preguntas mas relevantes por perseguir (Horton and Bicak, 1987). Esto conduce a su

4. vez al siguiente paso de investigación, y así sucesivamente, hasta refinar los resultados y
conclusiones del proyecto. El apoyo de la computadora para distinguir en forma fríamente
imparcial y lógica las consecuencias y ramificaciones del comportamiento postulado de los
componentes de un sistema puede ser de mucho valor en la síntesis de las teorías
comprensivas.
Es precisamente debido a que la computadora por sí misma no cuenta con la capacidad para
intuir ni para sintetizar conocimiento alguno aparte del que se le provee, que el diseño de
un modelo constituye la elaboración de una teoría respecto al sistema que se representa. A
tal modelo se le pueden proveer datos externos (historiales meteorológicos, factores de
manejo, características de alguna variedad de cultivo) y validársele al compararse las
predicciones del modelo con el comportamiento observado del organismo simulado (su tasa
de crecimiento, rendimiento, la calidad de algún producto). Como resultado, el investigador
podría distinguir la imprescindibilidad de algún nuevo tipo de datos, y esto es lo que genera
la experimentación adicional.
Al cabo de varias iteraciones del procedimiento aquí descrito, se puede refinar al modelo a
la vez que la comprensión del proceso simulado aumenta (Curry and Chen, 1971). Por lo
tanto, este tipo de modelo computarizado es una síntesis, elaborada y utilizada de acuerdo
con la fórmula idealizada para la conducta de la investigación científica: el teórico resume
su comprensión de los datos disponibles, postula un concepto unificante, desarrolla una
teoría, y en seguida pone a prueba su teoría por medio de la comparación de las
predicciones de su teoría con el comportamiento observado del sujeto bajo estudio.
Técnicas de Investigación y Modelado
Para superar las deficiencias de los primeros intentos en modelado agronómico fue
necesario primero un gran esfuerzo para generar los varios tipos de datos necesarios para el
diseño y alimentación de los modelos. Esto impulsó vigorosamente el desarrollo y uso
intensivo de las llamadas cámaras de crecimiento, o "fitotrones," los cuales permiten el
control independiente de varios factores impactantes sobre el crecimiento vegetal, tales
como el flujo de radiación fotosintéticamente activa, los niveles de nutrientes minerales y
de agua, y la temperatura y humedad relativa del medio ambiente (Loomis et al., 1979;
Meyer et al., 1984).
En el campo de la biología se ha reconocido durante tiempo que la mayoría de los procesos
biológicos se pueden describir en forma dinámica, es decir que suceden en asociación o en
función de otros procesos. Por ejemplo, la tasa de proliferación de una colonia de bacterias
sucede en función del nutrimiento disponible. Conforme va menguando la fuente de sus
energéticos, disminuye en proporción el crecimiento de la colonia, o, dados nutrientes
suficientes, el crecimiento de la colonia ocurre en función del tiempo transcurrido
(Edelstein-Keshet, 1988). Tales relaciones dinámicas pueden expresarse convenientemente
en forma matemática por medio de las ecuaciones diferenciales (Jäger, 1986). Sin embargo,
cuando se depende sobre la comprensión de los procesos biológicos en términos
estrictamente matemáticos esto conlleva que los simulacros padezcan la debilidad de que la
metodología bien pueda describir, mas no explicar, las funciones de los organismos.

5. Si el objetivo es sencillamente predecir, bien pudieran bastar un conjunto de datos lo
suficientemente amplio y alguna técnica estadística como lo sería la regresión o la
correlación. Sin embargo, son bien conocidas las siguientes deficiencias de estas
metodologías estadísticas:
1. los análisis de regresión pueden reflejar relaciones equívocas de causa y efecto entre
las variables estudiadas
2. los modelos de regresión pueden ser muy subjetivos, producto de lasvariables que el
modelador escoja para incluir en su modelo
3. las predicciones basadas sobre los análisis de regresión son válidas tan sólo dentro
de la gama de condiciones temporales, físicas y de manejo bajo las cuales se hayan
reunido los datos originales
El modelador pionero Cornelius de Wit ha observado (1982) que la cantidad de variables
relevantes para simular "al organismo viviente o... al ecosistema es deprimentemente
grande." Esto se debe a que las técnicas de regresión múltiple son de valor limitado cuando
se tienen cantidades grandes de variables interactuando en formas complejas (Baker And
Horrocks, 1976).
Si bien es cierto, los modelos estadísticos, o empíricos, son útiles cuando lo que se busca es
la predicción de alguna condición sencilla como resultado de ciertas condiciones iniciales,
sin tomar en cuenta los mecanismos o causas intervinientes. Monteith (1981) ha sugerido
que a tales procedimientos se les conozca como "análisis" y no como "modelos." Aunque
los análisis estadísticos pueden reforzarse basándolos sobre conjuntos voluminosos de
datos, todo lo que son capaces de esclarecer es la respuesta a la pregunta: "En base a ciertos
eventos pasados, ¿qué es lo que puede suceder dadas las mismas circunstancias?" Para
tratar con la pregunta "¿Porqué sucede esto?" es necesaria alguna metodología alternativa
de modelado.
Debido a esto, Baker y Horrocks (1973) observaron:
Parece ser que los modelos de cultivos que involucran a la estadística han evolucionado
casi hasta su límite de capacidad. Debierase considerar algún modelo de simulación que
comenzase al sembrarse la semilla de maíz, y que sumase todos los procesos vegetales
durante la temporada de crecimiento. El producto final de tal modelo sería el rendimiento
biológico o económico total. Tal procedimiento reduciría nuestra dependencia actual sobre
las técnicas estadísticas. Un modelo de simulación de este tipo aproximaría fielmente la
respuesta de alguna planta sin obstar el ambiente al cual se le sometiera, de tal manera
permitiendo predicciones correctas en cualquier situación determinada.
La filosofía que expresa que la simulación óptima de algún proceso general depende de la
comprensión completa, y simulación correcta, de los mecanismos que componen al
fenómeno general se conoce como mecanicismo, y ha sido sin duda la técnica de
simulación mas practicada y mas productiva en el modelado agrícola. En el ámbito
agronómico se les conoce también a los modelos mecanicistas con el nombre de modelos
fisiológicos o explicativos (Loomis et al., 1979), debido a que estos intentan predecir el
comportamiento de la planta por medio de la simulación y suma de los procesos que
componen la fisiología de las plantas verdaderas, o sea la interacción entre los varios

6. órganos vegetales a través del tiempo y en respuesta a su medio ambiente. Por ejemplo, se
consideraría como modelo fisiológico del maíz mismo que simulara en función del
transcurso del tiempo a ciertos procesos básicos, intrínsecos al crecimiento y desarrollo de
una planta de maíz verdadera. Ejemplo de un conjunto mínimo de tales procesos incluiría a
la fotosíntesis, la respiración y la transpiración (Curry, 1971). Es decir que en tal modelo la
simulación procede conforme la planta de maíz "fotosintetiza," "respira," "transpira," y por
lo tanto "crece" diariamente. Por lo tanto el resultado de tal simulacro no se puede conocer
hasta que estos procesos interactivos se desenvuelvan dentro del marco de algún plazo de
tiempo, en forma "mecanicista." Los varios modelos fisiológicos difieren en cuanto al
número de subprocesos que incluyen explícitamente, y en cuanto a su grado de sensibilidad
a los factores externos que afectan el crecimiento vegetal, como lo podrían ser el clima y
las plagas (Penning de Vries, 1982).
Es importante recalcar que existe un límite práctico en cuanto al grado de mecanicismo con
el cual se puede cargar a un modelo. Un límite obvio lo constituye el grado de
conocimiento con que se cuente tocante a los varios subprocesos necesarios. Por ejemplo,
la mayoría de los modelos de cultivos cuentan con rutinas buenas para la simulación de la
fotosíntesis y la respiración, dos procesos que se han investigado extensamente, pero hay
una gran deficiencia de información respecto a otros procesos, por ejemplo acerca de los
mecanismos de transporte de fotosintatos de una parte de la planta hacia otra.
Consecuentemente, existen pocos modelos equipados para tratar estos aspectos del
desarrollo de un cultivo. Tales faltas de conocimiento se tratan implícitamente
(suponiéndose que el mecanismo dado no limita al proceso general por simularse, y por lo
tanto es justificable su omisión), o con una descripción sencilla, por ejemplo por medio de
alguna técnica de regresión, aunque en tal caso el modelo no explicaría la función dada,
sino que sencillamente la "mimetizaría."
Otra limitante sobre el grado de mecanicismo factible en las simulaciones fisiológicas
puede considerarse a la misma vez como una de las características mas potentes de los
modelos fisiológicos o explicativos, y tiene que ver con su estructuramiento. Para
comprender el comportamiento de los cultivos, Charles- Edwards (1982) resumió la
organización de los sistemas biológicos dentro de cinco niveles jerárquicos:
• comunidad (o población) vegetal
• planta individual
• órgano
• tejido
• célula
Un modelo de cultivo pudiera ser estrictamente ecológico, explicando la competencia que
existe entre plantas individuales por la luz y el bióxido de carbono, en base a la arquitectura
foliar y la mecánica del flujo de aire turbulento y el intercambio energético con el medio
ambiente; o bien pudiera incluir simulaciones explícitas de los procesos a nivel de los
órganos, tales como el desarrollo de las hojas y los frutos; o bien pudiera contar con la
capacidad de simular eventos al nivel celular o bioquímico, como lo serían la actividad de
alguna enzima o la síntesis de alguna proteína.

7. Cada nivel adicional de profundidad en un modelo fisiológico aumenta el poder explicativo
del modelo visto desde sus niveles mas elevados. Esto se debe a que los factores
ambientales en tales modelos afectan a los subprocesos, como sucede en las plantas
verdaderas, y a los fenómenos de alto nivel no se les simula directamente. Por ejemplo, una
de las mejores simulaciones de la fotosíntesis pudiera ser producto de una buena
comprensión y modelado de ciertos eventos celulares (la mecánica de las células guardas de
las estomas, mismas que regulan el flujo gaseoso de las hojas), de ciertos eventos
bioquímicos (las reacciones del carbono y el nitrógeno dentro de la célula), y de ciertos
eventos físicos (el excitamiento de los electrones de la clorofila). Tal modelo se conocería
como uno con estructura jerárquica.
El poder explicativo del modelo estructurado jerárquicamente es muy grande, pero la razón
por la cual este estructuramiento pudierase considerar a la vez como una gran limitante es
que cada nivel sucesivo de la jerarquía desde el nivel de la población hasta el molecular
requiere una cantidad mayor de información, y un paso-tiempo menor (este es el intervalo
de tiempo necesario para que todas las variables principales del modelo se actualicen;
Whisler et al., 1986). Conforme disminuye el paso-tiempo de un modelo, el tiempo de
ejecución que se requiere para el mismo aumenta. Pocos de los modelos mas conocidos en
la actualidad funcionan con una profundidad mayor al nivel de los órganos, y la mayoría
funcionan con un paso-tiempo de un día. Las razones son dos y están relacionadas: 1) se
sabe menos acerca de los procesos celulares y bioquímicos de lo que se sabe acerca de los
órganos y las poblaciones, y 2) hay pocos conjuntos de datos meteorológicos que incluyan
observaciones con frecuencia mayor a las dos veces diarias. Sería incongruente el
modelado de un proceso fotosintético que ocurre en cuestión de picosegundos al nivel
biofísico, cuando el único dato disponible en cuanto al flujo de radiación consistiera de la
radiación total diaria. Sin embargo, debido a que la capacidad de los modelos mecanicistas
para simular a los eventos celulares está mejorando, hay ahora un énfasis mayor sobre la
recolección de conjuntos de datos meteorológicos con observaciones tomadas cada hora a
lo largo de la temporada de crecimiento. Esta función también es apoyada por la
disponibilidad en la actualidad de microcomputadores y amplios sistemas de almacenaje de
bajo costo, lo cual es un ejemplo de la forma en la cual los avances en la tecnología del
cómputo han posibilitado ciertos de los avances en el campo de la simulación biológica.
Por último, es propicio recalcar que la técnica y los beneficios del modelado agronómico
están al alcance de todo investigador agrícola, ya que no es necesario ser un programador
de computadora para ser buen modelador. Dado que un buen modelo es conceptual, y
consiste de un resumen e integración de los procesos importantes que explican el
crecimiento y comportamiento de algún cultivo u organismo, hay que recordar que
"...existe una separación clara entre lo que constituye a un modelo y lo que es el paquete de
computadora que lo encarna" (Garzía and Garzía, 1987). Es muchas veces mas importante
para establecer la calidad y confiabilidad de cualquier modelo que sus bases teóricas y
fisiológicas sean correctas y aceptadas por la comunidad de biólogos y demás especialistas
incumbentes al tema.

8. Ejemplos De Algunos Simuladores de Cultivos de Mas Importancia Y Sus Usos
Para comprender la forma en que funcionan los agrosimuladores de cultivos es necesario
comprender un mínimo acerca de la fisiología de los cultivos mismos. Desde este punto de
vista, el propósito final de toda operación de producción es la acumulación máxima de
masa de algún producto vegetal, ya sea almidón, aceite, azúcar o fibra (medida para mayor
precisión en términos de "materia seca") y la canalización del máximo de este producto
hacia ciertos órganos clave según la especie de planta y su modo de aprovechamiento, por
ejemplo el almidón en el tubérculo de la papa, el aceite en la semilla del girasol, y el azúcar
(sucrosa soluble) en la fruta de uva o en el tallo de la caña de azúcar.
La fuente de esta materia seca es la transformación de la energía radiante mediante el
proceso fotosintético característico de las plantas, cuya propiedad clave es la captación en
forma de energía bioquímica de la energía física despedida cuando los electrones de la
clorofila son elevados de sus órbitas normales por la radiación solar, y vuelven a decaer a
sus órbitas normales por medio del proceso de la resonancia. Dado que esto ocurre
principalmente en las hojas, entonces la capacidad mayor para fotosintetizar y producir
materia seca está ligada con el establecimiento oportuno de un dosel foliar para la
intercepción de la energía solar que incide sobre una superficie dada. La capacidad de todo
cultivo para producir materia seca está directamente relacionada al producto de su índice
foliar y la duración de su exposición a lo largo de una temporada de crecimiento. El
rendimiento es el integral de la acumulación de materia seca durante este periodo, y es
altamente sensible a dos derivadas: la tasa de expansión foliar durante la etapa vegetativa
(juvenil) y la tasa de acumulación de materia seca durante la etapa reproductiva. Como en
todos los organismos biológicos, las tasas de crecimiento se regulan mediante el ambiente
térmico, medido en unidades-calor. Los máximos rendimientos se pueden asegurar de
acuerdo a la siguiente fórmula sencilla:
• Establecimiento oportuno de área foliar
• Duración máxima de intercepción solar
• Distribución óptima de materia seca
• Reducción máxima de presiones (plagas, sequías, carencia de nutrientes)
Varios modelos del desarrollo de cultivos han logrado un grado alto de precisión,
confiabilidad y sofisticación, y se están utilizando en la actualidad como guías de manejo
por: planificadores gubernamentales, agentes de extensión, asesores profesionales y por los
mismos productores. Tres ejemplos son los modelos CERES-MAIZE, SOYGRO y
GOSSYM.
El modelo CERES-MAIZE (Jones and Kiniry, 1986) es una simulación fisiológica del
desarrollo del maíz, la cual incorpora las mejores características de varios modelos
antecedentes. Los puntos fuertes del modelo constan de rutinas bien comprobables para la
simulación de los equilibrios de agua y nitrógeno en el suelo, y sus bases fisiológicas para
las tasas de desarrollo y el repartimiento de fotosintatos. La innovación principal de este
simulacro consta del concepto del coeficiente genético, una característica común de toda
variedad de maíz que sin embargo varía y explica las distintas adaptaciones entre los varios

9. tipos de maíz. CERES-MAIZE se basa sobre la suposición de que el conjunto mínimo de
coeficientes genéticos suficiente para diferenciar toda variedad de maíz es el siguiente:
• P1 duración de la etapa juvenil
• P2 sensibilidad al fotoperiodo
• P3 duración de la etapa reproductiva
• P4 número máximo de granos por planta
• P5 tasa de crecimiento del grano
La deficiencia principal del modelo es su sobreestimación del rendimiento, debido a que no
se calcula con precisión el número final de granos ni la duración del periodo de relleno de
granos. A su vez esto se debe a que el modelo no simula directamente el desarrollo y
crecimiento de la mazorca de maíz, sino que depende de ciertas proporciones estáticas para
asignar los pesos finales. Por lo tanto han habido esfuerzos parasuplir simulaciones mejores
del desarrollo del grano de maíz. El modelo CENTLI (Salvador, 1990) simula el desarrollo
del grano y mazorca de maíz a nivel celular.
SOYGRO (Jones et al., 1988a) es un modelo fisiológico comprensivo que predice el
desarrollo y rendimiento del cultivo de soya en base a factores climáticos y edáficos. El
modelo es sensible a las características genotípicas, fechas de siembra, distribución de las
plantas y el tipo de riego (Jones et al., 1988b). SOYGRO permite la realización de estudios
de optimización y análisis de sensibilidad, permitiendo que el investigador seleccione
variables ambientales y opciones de manejo en forma interactiva en varias ejecuciones
sucesivas de la simulación. El modelo puede mostrar sus resultados en forma tabular o
gráfica, y permite la observación de una simulación animada de los cambios en la
arquitectura del dosel foliar a lo largo de una temporada de crecimiento. Este modelo se ha
utilizado para efectuar análisis de riesgo en la toma de decisiones de riego (Swaney et al.,
1983), y se le ha incluido en el Modelo de Manejo Integrado del Cultivo de Soya (Soybean
Integrated Crop Management Model) de Jones et al. (1986); siendo este último un modelo
que permite la simulación simultánea de sistemas de cultivos y de plagas. Además, el
modelo SOYGRO se adoptó como modelo global del cultivo de soya por el proyecto
IBSNAT (IBSNAT, 1989), mismo que se describirá antes de concluir.
GOSSYM (Baker et al., 1983) es un modelo fisiológico del desarrollo del cultivo del
algodón. El modelo simula, órgano por órgano, el crecimiento de la planta de algodón. Al
modelo GOSSYM lo impulsan variables ambientales y varias características edáficas. Esto
permite que GOSSYM simule con precisión varios procesos tales como el desarrollo del
área foliar y las estructuras reproductivas, como también la disponibilidad de agua y
nutrientes.
Como producto de larga colaboración por parte de científicos del departamento
norteamericano de agricultura (United States Department of Agriculture, USDA) con
investigadores de varios estados productores de algodón, GOSSYM ha estado bajo
desarrollo continuo desde 1973. Consecuentemente, este es uno de los modelos agrícolas
mas comprensivos y confiables en vigencia. Los investigadores de la USDA han empleado
al modelo GOSSYM para el diseño del primer sistema "experto" computarizado
(COMAX), utilizado como herramienta de manejo por productores bajo condiciones de

10. producción comercial. COMAX se ejecuta en una microcomputadora ubicada de
preferencia en la misma granja, utilizando datos provenientes del muestreo de los suelos de
la misma, y con datos climatológicos reunidos con una estación climatológica portátil
localizada en la granja. El resultado es una serie de recomendaciones diarias respecto a las
estrategias por seguir en cuanto al riego, la fertilización con nitrógeno, y la fecha óptima de
cosecha. Varios agricultores en los estados del sur de Estados Unidos han empleado a
COMAX desde 1984, y en base a sus recomendaciones han logrado rendimientos óptimos
y un costo de producción reducido (Lemmon, 1986).
Las Ventajas De Los Simulacros Agronómicos Y Su Importancia Para Los Países En
Vía De Desarrollo.
Las ventajas claras de la simulación biológica se aprecian cuando el uso de algún modelo
permite el ahorro del tiempo, dinero, esfuerzo o peligro humano, puesto que bajo
circunstancias normales ciertos experimentos o estrategias de manejo pudieran requerir
décadas y grandes recursos para su completamiento y evaluación, como por ejemplo en el
caso de las ciencias forestales. Si se cuenta con un grado de conocimiento suficiente sobre
el sistema acerca del cual hay que tomar cierta decisión, entonces algunos proyectos son
posibles de abreviar o atajar por medio de los simulacros.
Como ejemplo, un equipo de agrónomos de Kenya y Australia ha podido comparar la
adaptabilidad a largo plazo de los cultivos del maíz y sorgo en el oriente africano por medio
de la simulación. Después de haber calibrado y validado un buen modelo fisiológico para
cada cultivo, estos investigadores utilizaron datos meteorológicos históricos de la región
para comparar los riesgos asociados con la producción de cada cultivo en esta zona árida
(Keating et al., 1992), sin tener que invertir los años, recursos y esfuerzo humano
necesarios para contestar las mismas preguntas por medios convencionales.
En un taller sobre el modelado de cultivos celebrado en 1989 en Dhaka, Bangladesh, se
probaron varias estrategias para el aumento y sustentabilidad de la agricultura de la región,
utilizando agrosimuladores del maíz y arroz, y conjuntos de datos meteorológicos y
edáficos existentes para esta región, y se comprobó que una cantidad de trabajo y
experimentación que bajo circunstancias normales hubieran ocupada la vida entera de un
investigador se pudo realizar en el espacio de una sola hora (IBSNAT, 1990).
El colega mexicano Dr. Preciado Ortíz, ahora investigador del INIFAP en el Bajío, utilizó
una serie de simulaciones basadas sobre datos meteorológicos para probar las interacciones
de varios genotipos de maíz con un régimen ambiental árido. Pudo distinguir que los
genotipos de mayor adaptabilidad a las condiciones de temporal en el estado
norteamericano de Nebraska serían aquellos con un periodo de crecimiento vegetativo
abreviado, y con un periodo aumentado de rellenamiento de grano (Preciado Ortíz et al.,
1992). De esta forma la simulación fomenta el ahorro de mucha experimentación de campo,
y conduce a que se enfoque aquella que sí se efectúa sobre una estrategia específica con
mayor probabilidad de rendir resultados efectivos.
En la vecina institución Saltillense, Univ. Autónoma Agraria Antonio Narro, el
investigador Dr. Narváez Melo está interesado en la posibilidad de utilizar un

11. agrosimulador del maíz para mejorar la sincronización de floración de las lineas
progenitoras de uno de los híbridos de maíz mas productivos de la región (AN-447) bajo las
distintas condiciones climáticas de su región de producción (comunicación personal, 1992).
Lo tal permitirá la producción mas eficaz de este híbrido y deberá resultar en un surtido
mas confiable, y tal vez mas barato, de este valioso recurso para los productores
Coahuilenses de maíz.
El ejemplo mayor a nivel mundial de las ventajas derivadas de la combinación óptima de la
simulación con la investigación práctica bien enfocada y efectiva es el proyecto IBSNAT
(International Benchmark Sites Network for Agrotechnology Transfer, o Red de Sitios
Indicadores Internacionales para la Transferencia de la Agrotecnología), patrocinado for la
agencia gubernamental nortemericana pro desarrollo internacional, (United States Agency
for International Development, USAID) (Hunt, 1988; Jones, 1986). Este proyecto funcionó
en diversas partes del mundo durante 10 años (1982-1992), buscando aprovechar los
simulacros para comprimir el tiempo y la investigación necesarios para la transferencia de
las técnicas agrícolas. El objetivo del proyecto IBSNAT fue el de reducir el costo, a la vez
aumentando la probabilidad del éxito, de la transferencia de agrotecnologías a los países en
vía de desarrollo en el trópico. El resultado fue una serie de beneficios tanto tecnológicos
como sociales. Como ejemplos de lo último caben mencionar proyectos dedicados a la
predicción del efecto del aumento de la temperatura global sobre los sistemas biológicos de
varios países importantes en el mercado mundial de granos, y a la reducción de la
contaminación ambiental por concepto del abuso de agroquímicos, por medio del
adiestramiento de los agentes de extensión agrícola con tecnologías que permiten que estos
últimos puedan recomendar prácticas benignas para el medio ambiente y a la vez adecuadas
a las realidades económicas de los productores (IBSNAT, 1990).
Como resultado de los esfuerzos del proyecto IBSNAT, se desarrollaron o adaptaron
agrosimuladores globales de los cultivos principales: maíz, trigo, frijol de soya, frijol
común, cacahuate, sorgo, mijo, yuca y arroz. Estos modelos se estandarizaron de tal forma
que todos están estructurados en forma similar, constituidos por módulos renovables e
intercambiables de aquellas rutinas biológicas que todos los cultivos tienen en común, lo
cual elimina la duplicación de esfuerzos, ya que el mejoramiento de algún conocimiento o
rutina biológica puede propagarse rápidamente a todos los modelos que dependan de los
mismos. A la misma vez se estandarizaron el formato y contenido de los archivos con que
se alimentan, y que producen, todos los simuladores, disminuyendo de tal forma la
necesidad de preparar el uso de cada simulador individualmente, y posibilitando la creación
de un sistema de apoyo para lo toma de decisiones que facilita el uso de estos simuladores,
individualmente o en conjunto, aprovechando archivos comunes de información
climatológica, edáfica y de manejo, y produciendo resultados gráficos consistentes sin
obstar la simulación particular efectuada (IBSNAT, 1989).
CONCLUSIONES
En los países en vía de desarrollo, en donde existe gran urgencia por aumentar la capacidad
de producción agrícola en forma sustentable, y en donde a la vez suelen haber recursos
limitantes para la persecución de la investigación agrícola, existe un gran potencial para el
uso beneficioso de las tecnologías de simulación agrícola. Dado que existen simuladores

12. para cada uno de los principales cultivos mundiales, y que la adaptación de cualquiera de
ellos a cualquier local específico del mundo requiere tan sólo un microcomputador y unas
cuantas temporadas de crecimiento para recolectar datos y calibrar los modelos al ambiente
correspondiente, aún los campos experimentales con recursos de los mas modestos cuentan
con la capacidad de integrar las metodologías de la simulación en sus planes de trabajo. En
el mundo industrializado tanto se han cometido errores graves en el manejo de los recursos
naturales, como también se han establecido ciertas bases científicas y tecnológicas comunes
a toda investigación agrícola. Aprovechando selectiva e inteligentemente la experiencia y el
conocimiento de tal forma generados, los países en vía de desarrollo tienen a su disposición
una alternativa para abreviar el camino hacia el desarrollo sustentable del agro.
AGRADECIMIENTOS
El autor agradece la amable invitación y apoyo para participar en este simposio extendidos
por el Prof. Dr. Francisco Valdés Perezgasga, del Instituto Tecnológico de la Laguna.
También se agradecen la revisión y las sugerencias del Ing. Agr. Ricardo Romero en la
preparación de este trabajo.
REFERENCIAS
Baker, C. H. and R. D. Horrocks. 1973. A computer simulation of corn grain
production. Trans. of the Am. Soc. Agric. Eng. 16: 1027-1031.
Baker, C. H. and R. D. Horrocks. 1976 CORNMOD, a dynamic simulator of corn
production. Agric. Syst. 1: 57-77.
Baker, D. N., J. R. Lambert and J. M. McKinion. 1983. GOSSYM: A simulator
of cotton crop growth and yield. Tech. Bull. 1089. S. Carolina Agric. Expt. Station.
Burks, A. W. and A. R. Burks. 1981. The ENIAC: First general-purpose electronic
computer. Ann. of the History of Computing 3:310-399.
Charles-Edwards, D. A. 1982. Physiological Determinants of Crop Growth.
Academic Press, New York.
Curry, R. B. 1971. Dynamic simulation of plant growth. Part I. Development
of a model. Trans. of the Am. Soc. Agric. Eng. 14:946-959.
Curry, R. B. and L. H. Chen. 1971. Dynamic simulation of plant growth. Part
II. Incorporation of actual daily weather and partitioning of net photosynthesis.
Trans. of the Am. Soc. Agric. Eng. 14:1170- 1174.
de Wit, C. T. 1982. Simulation of Living Systems. IN: Simulation of Plant
Growth and Crop Production. Centre for Agricultural Publishing and
Documentation, PUDOC, Wageningen.
Edelstein-Keshet, L. 1988. Mathematical Models in Biology. Random House,
New York.
Garzía, R. F. and M. R. Garzía. 1987. Discrete-event
simulation. IEEE Spectrum 23:32-36.
Hesketh, J. D. and J. W. Jones. 1976. Some comments on computer
simulators for plant growth - 1975. Ecol. Modelling 2:235-247.
Horton, J. C. and C. J. Bicak. 1987. Modeling for biologists. BioScience
37:808-809.

13. Hunt, L. A. 1988. IBSNAT's genetic coefficients: coping with germplasm
diversity. Agrotechnology Transfer 7:1-5.
IBSNAT. 1990. Applications and Acceptance of DSSAT. In IBSNAT Network
Report (1987-1990). Dept. of Agronomy and Soil Science, College of
Tropical Agriculture and Human Resources, Univ. of Hawaii, Manoa, pp. 31-36.
IBSNAT. 1989. DSSAT V.2.1: Redefining problem solving. Agrotechnology
Transfer 9:1,4.
Jäger, W. 1986. Mathematical modelling in chemistry and biology.
Interdisciplinary Science Reviews 11:181-188.
Jones, J. W. 1986. Decision support system for agrotechnology transfer.
Agrotechnology Transfer 2:1-5.
Jones, C. A. and J. R. Kiniry. 1986. CERES-Maize. A Simulation Model of
Maize Growth and Development. Texas A&M University Press, College Station.
Jones, J. W., J. W. Mishoe, G. G. Wilkerson, J. L. Stimac and W. G.
Boggess. 1986. Integration of soybean crop and pest models. In Frisbie, R. E. and P.
L. Adkisson (Eds.). Integrated Pest Management of Major Agricultural Systems.
Texas A&M Univ., College Station.
Jones, J. W. , K. J. Boote, S. S. Jagtap, G. Hoogenboom and G. G. Wilkerson.
1988a. SOYGRO V5.41. Soybean Crop Growth Simulation Model. User's Guide.
Agricultural Engineering Dept. and Agronomy Dept., Univ. of Florida, Gainesville,
and IBSNAT Project, Dept. of Agronomy and Soil Science, Univ. of Hawaii,
Honolulu.
Jones, J. W. , K. J. Boote, S. S. Jagtap, G. Hoogenboom and G. G. Wilkerson.
1988b. SOYGRO V5.41: Soybean crop growth and yield model. Technical
Documentation. Univ. of Florida, Gainesville.
Keating, B. A., D. R. Karanja and P. S. Carberry. 1992. Assessing the risks to
crop production - maize and sorghum in semi- arid Kenya. Proceedings of the 1st
International Crop Science Congress, 14-22 July, 1992, Ames, Iowa, American
Society of Agronomy and Iowa State Univ. P. 95.
Lemmon, H. 1986. COMAX: an expert system for cotton crop management.
Science 233:29-33.
Loomis, R.S., R. Rabbinge and E. Ng. 1979. Explanatory models in crop
physiology. Ann. Rev. Plant Physiol. 30:339-367.
Meyer, G. E., J. A. Lamb and W. E. Splinter. 1984. Crop moisture stress
analysis using computer-controlled environmental chambers and simulated weather
sequences. Trans. of the Am. Soc. Agric. Eng. 27:1862-1870.
Monteith, J. L. 1981. Epilogue: Themes and variations. Plant and Soil
58:305-309.
Passioura, J. B. 1973. Sense and nonsense in crop simulation. J. Aust. Inst.
Agric. Sci. 39:181-183.
Penning de Vries, F. W. T. 1982. Systems Analysis and Models of Crop
Growth. In Penning de Vries, F. W. T. and H. H. van Laar (Eds.). Simulation of
Plant Growth and Crop Production. Centre for Agricultural Publishing and
Documentation, Wageningen.
Preciado Ortíz, A. Weiss and B. Johnson. 1992. Crop modeling and

14. its potential use in maize breeding. Proceedings of the 1st International Crop
Science Congress, 14-22 July, 1992, Ames, Iowa, American Society of Agronomy
and Iowa State Univ. P. 112.
Salvador, R. J. 1990. CENTLI: A Mechanistic Simulator of Maize Kernel
Development. Proceedings of the Eleventh Annual Workshop on Crop Simulation.
Biological Systems Simulation Group, 27- 29 March. University of Nebraska-
Lincoln.
Swaney, D. P., J. W. Jones, W. G. Boggess, G. G. Wilkerson and J. W. Mishoe.
1983. A crop simulation method for evaluation of within season irrigation decisions.
Trans. of the Am. Soc. Agric. Eng. 26:
Whisler, F. D., B. Acock, D. N. Baker, R. E. Fye, H. F. Hodges, J. R. Lambert, H.
E. Lemmon, J. M. McKinion and V. R. Reddy. 1986. Crop simulation models in
agronomic systems. Adv. Agron. 40:141- 208.
APENDICE: GLOSARIO DE TERMINOLOGIA AGRONOMICA TECNICA
UTILIZADA
Clorofila
Pigmento vegetal clave en el proceso de la fotosíntesis (q.v.).
Absorbe luz roja y azul y refleja la verde, propiciando de tal forma
el color característico de las plantas (q. v. Radiación
fotosintéticamente activa).
Estomas
Poros minúsculos ocurridos en la superficie de las hojas de toda
planta. Por medio de estos las plantas regulan su temperatura
interior mediante la evaporación de agua, y a la vez adquieren
bióxido de carbono de la atmósfera, un reactante esencial para la
fotosíntesis> (q.v.).
Fotosintato
Sustancia mediante la cual se transportan los productos de la
fotosíntesis (q.v.) a los sitios de su consumo o almacenamiento.
Contiene de 20 a 25% carbohidratos, proteínas y otros nutrientes.
Fotosíntesis
Proceso único a las plantas y ciertas especies de bacterias,
responsable de la captación de luz solar (q. v. Radiación
fotosintéticamente activa), y su conversión a la energía bioquímica.
Requiere de bióxido de carbono, agua y radiación solar para
producir carbohidratos y oxígeno.
Indice foliar
Cantidad de área foliar producida por unidad de terreno sembrada
con un cultivo determinado. Ejemplo, un cultivo de maíz con índice
foliar de 4 produce 4 hectáreas de superficie foliar por cada
hectárea de tierra sembrada.
Nutrientes
Elementos químicos básicos necesarios para completar un ciclo de
vida normal. Las plantas los obtienen del suelo o de la atmósfera y
son: carbono, hidrógeno, oxígeno, nitrógeno, fósforo, potasio,
calcio azufre, magnesio, hierro, zinc, cobre, boro, manganeso, cloro
y molibdeno.

15. Radiación
fotosintéticamente
activa
Porción del espectro electromagnético efectiva en el
potenciamiento de la fotosíntesis (q.v.), y consiste de radiación con
longitud de onda de 400 - 475 y de 600 a 700 nm.
Rendimiento
biológico
Cantidad de materia seca producida en su totalidad por un cultivo,
incluyendo las porciones subterráneas y aéreas de las plantas.
Rendimiento
económico
Consta de la proporción del rendimiento biológico (q.v.) con valor
económico. Ejemplo, un cultivo de maíz para grano que produjera
5,000 kg. de grano y 5,000 kg. de hojarasca, tallos y raíces
produciría un rendimiento económico de 50%.
Respiración
Proceso que descompone energéticos y libera la energía para
sustentar el crecimiento y mantenimiento de todo organismo
biológico. Debido a que es un proceso oxidativo, requiere oxígeno
y una fuente de energéticos y produce energía bioquímica, bióxido
de carbono y vapor de agua.
Unidades-calor
Indice del ambiente térmico al cual se expone un organismo. Se
calcula tomando el promedio de las temperaturas diurnas alta y
baja, y descontando aquellos grados de temperatura que excedan el
rango dentro del cual crece el organismo. Muy relacionado con la
tasa de desarrollo del organismo.
Ricardo J. Salvador Fleming
1126 Agronomy Hall
Iowa State University of Science & Technology
Ames, IA 50011-1010
e-mail: rjsalvad@iastate.edu