En el marco del LXIV Foro del Clima de América Central y el XLII Foro de Aplicaciones de los Pronósticos Climáticos a la Seguridad Alimentaria y Nutricional

1. Carlos Navarro-Racines, Jeferson Rodríguez
c.e.navarro@cgiar.org _cenavarro Abr 2021
Modelación de Cultivos para
generar Servicios Agroclimáticos
(Aquacrop V6.0)
En el marco del LXIV Foro del Clima de América Central y
el XLII Foro de Aplicaciones de los Pronósticos Climáticos
a la Seguridad Alimentaria y Nutricional
J. Ramírez , D. Martínez, A. Martínez, D. Giraldo, S. Prager, et al
- Capacitación –

2. Objetivo
• Construir capacidades en los actores del sector agropecuario de
América Central, para realizar simulaciones de rendimientos agrícolas
a través de modelos de cultivo e información climática histórica y de
pronóstico.

3. Agenda
Duración Modelación de Cultivos
10 min Antecedentes de modelación de cultivos en Latinoamérica y el Caribe (LAC).
20 min Explicación breve sobre interpretación del pronóstico climático
20 min Fundamentos de Modelación de Cultivos. Introducción al Modelo AquaCrop.
1 hora
Practica de Simulación con AquaCrop con datos históricos de clima (3 cultivos/múltiples
fechas de siembra) y de pronóstico
30 min
Practica de Simulación con AquaCrop con datos de pronóstico climático estacional (1 cultivo
y múltiples fechas de siembra) por país
30 min Socialización de resultados
5 min Cierre

4. Antecedentes

5. • Los agricultores necesitan información climática, pero tienen acceso limitado.
• Cuando tienen acceso a dicha información, apenas pueden comprenderla.
• Cuando lo entienden, no saben cómo usarla, porque no es procesable ni contextualizada.
Foto: @AgrosInternational
Variabilidad
Climática
Years
Extremos
Brecha entre la información y el usuario

6. Políticas para ampliar e
implementar el sistema
regional de Manejo de
Riesgo Climático
Integración a escala regional
Políticas para integrar los
servicios climáticos en la
toma de decisiones. (e.g.
escalamiento de las MTA)
Integración a escala nacional
POLÍTICA
PRÁCTICA
Integración a nivel local
Cambios institucionales y
políticas locales para
permitir el establecimiento
de servicios climáticos.
Datos, información y conocimiento para la gestión del riesgo climático
CS

7. CS
Servicios climáticos – Flujos de conocimiento
Entender las
necesidades de
los usuarios
Necesidades
1
Mejores predicciones
de clima y cultivos
Predicciones
2 Empoderamiento
3
Fortalecimiento
institucional

8. Datos de clima
• QA/QC
• Mejor pronóstico
climático
• Modelación y big
data
Predicción
rendimiento
• Variables
clave
• Gráficos y
formatos
Servicio
climático
Servicios agro-climáticos CS

9. Combinan información agrícola y climática, para luego proporcionar
recomendaciones adaptadas para la agricultura.
"Este clima esta tan extraño,
No sé qué variedad
Sembrar "
Respuesta de algunas
variedades a un pronostico
Mejores predicciones de cultivos CS

10. Métodos de predicción y consenso
Predicciones
de CPT
Foro hidrológico
Modelo
HBV-lite
Discusión y
consenso
Predicciones, discusión,
recomendaciones y boletín
perspectiva regional hidrológico
Foro del clima
Foro de aplicaciones
Mesa de agricultura
Discusión y recomendaciones
generals por país
Actualmente

11. Métodos de predicción y consenso
Foro del clima
Foro de aplicaciones
Mesa de agricultura
Predicciones
de CPT y
NextGen
Modelos de
cultivo (CropWat,
DSSAT, ORYZAv3,
CAF2014)
Predicciones de:
• Requerimientos hídricos
• Estrés de sequía
• Fechas de siembra más
aptas
• Variedades mas
adecuadas (e.g. ciclo
corto, ciclo largo)
• Efectos en rendimiento
ASIS para areas a
mitad de ciclo
Discusión de resultados y
opciones, y recomendaciones
Recomendaciones y boletín
perspectiva agroclimática regional
Actores locales y regionales
sector agropecuario
(e.g. MTAs / MAPs)
Propuesta

12. Modelos de cultivo

13. Cuantificación de impactos
Datos
biofísicos y
de clima
Opciones de
adaptación
efectivas
Necesitamos modelos de clima, cultivos e hidrológicos para cuantificar
impactos y para diseñar opciones de adaptación efectivas.

14. Tipos de Modelos de Cultivos (Algunos…)
Modelos
Empíricos Son descriptivos, se
derivan de datos
observados sin involucrar
procesos fisiológicos.
Dependen de la
información de
rendimiento de grandes
áreas.
Representan la relaciones
entre rendimiento y
parámetros de clima.
Se expresan
generalmente como
ecuaciones de regresión
Modelos
dinámicos
Describen el modo en el
cual el sistema cambia en
el tiempo
Permiten seguir la
evolución temporal de
cada una de las variables
del sistema (ejemplo:
balance de nitrógeno e
hídrico en el suelo)
Modelos
Mecanísticos
Poseen capacidad
explicativa de la fisiología
del cultivo.
Consideran aspectos
como la temperatura, la
radiación
fotosínteticamente
activa, el índice de área
foliar, la fotosíntesis, la
respiración.
Intentan utilizar
mecanismos
fundamentales de los
procesos de la planta y el
suelo para simular
resultados específicos.

15. Función de los modelos de cultivo
• Elemento importante para tomar decisiones en agricultura.
• Permiten definir estrategias de producción en la etapa de la
planificación o durante el ciclo del cultivo.
• Semillas
• Prácticas culturales
• Fertilización
• Riego
• Uso de plaguicidas.
• Cuantificar, interpretar y predecir las necesidades hídricas de los
cultivos y el desarrollo de estos y sus rendimientos.

16. Función de los modelos de cultivo
• Modificando la escala de espacio y tiempo,
los modelos nos permiten evaluar el riesgo
climático a través del pronóstico del
tiempo.
• Preparar estrategias de adaptación ante
efecto negativos del cambio y la
variabilidad climática.
• Entender como fenómenos de variabilidad
inciden sobre la productividad de los
cultivos.
• Se puede utilizar para realizar
experimentos de “qué pasaría si”, para
optimizar la gestión.

17. Usando modelos de cultivo para observar los rendimientos de los cultivos bajo clima futuro
Cambio porcentual en los rendimientos para 2030 y RCP4.5
Ejemplos

18. Puntos de
entrada de la
adaptación en
los sistemas
maíz-frijol
TORTILLAS ON THE ROASTER:
CENTRAL AMERICA’S MAIZE–
BEAN SYSTEMS AND THE
CHANGING CLIMATE

19. Una taza amarga: perfil de cambio climático de la producción mundial de café Arábica y Robusta
Current
2050
Change
Bunn, C., et al. (2014). A bitter cup: climate change profile of global production of Arabica
and Robusta coffee. Climatic Change. http://doi.org/10.1007/s10584-014-1306-x
50% del área
disponible
100% más área
de café
25% menos de
producción
total
Precios un 50%
más altos
Más Robusta

20. Interpretación del pronóstico

21. Concurso ¿Dónde está el balón?
• Dónde está el balón ahora?
• Dónde estará el balón en 20 segundos?
• Quién ganará el partido?
Cortesía
Simon Manson

22. Días Meses y Años
Varias décadas
Composición atmosférica
Tiempo actual
TSM
“Variabilidad climática” “Cambio climático”
IPCC 2013
Predictores…
• Podemos hacer pronósticos y proyecciones a diferentes escalas de tiempo
porque hay diferentes predictores para hacerlo:
• días: clima actual
• meses: temperaturas de la superficie del oceáno
• años: temperatura de los océanos subsuperficiales
• décadas: composición atmosférica

24. Terciles de una distribución
0
100
200
300
400
500
600
700
800
900
1981 1983 1985 1987 1989 1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 2017 2019
Terciles Prec (MJ)

25. Trabajando con terciles
300
400
500
600
700
800
900
1000
1100
1200
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
2013
2014
2015
2016
2017
2018
Precipitación Acumulada MJJ Histórica
1980-2018 - Estación INSIVUMEH
1980 383.5 1 341.7
1981 341.7 2 377
1982 601.7 3 383.5
1983 471.4 4 385.9
1984 590.9 5 406.8
1985 587.2 6 417
1986 406.8 7 417.5
1987 585.2 8 445.3
1988 732.6 9 448.5
1989 523.1 10 467.4
1990 552.8 11 471.4
1991 615.1 12 472.4
1992 472.4 13 476.1
1993 476.1 14 508 492.05
1994 417.5 15 511.1
1995 659.6 16 521.6
1996 521.6 17 523.1
1997 377 18 525.7
1998 531.2 19 531.2
1999 669.6 20 552.8
2000 594.6 21 562.7
2001 467.4 22 585.2
2002 448.5 23 587.2
2003 657.5 24 588.7
2004 620 25 590.9
2005 768.8 26 594.6 592.75
2006 803.9 27 596.1
2007 511.1 28 601.7
2008 1040.5 29 615.1
2009 445.3 30 620
2010 1123.7 31 647.1
2011 562.7 32 657.5
2012 417 33 659.6
2013 596.1 34 669.6
2014 588.7 35 732.6
2015 525.7 36 768.8
2016 385.9 37 803.9
2017 647.1 38 1040.5
2018 508 39 1123.7

26. Trabajando con terciles
300
400
500
600
700
800
900
1000
1100
1200
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
2013
2014
2015
2016
2017
2018
Precipitación Acumulada MJJ Histórica
1980-2018 - Estación INSIVUMEH
1980 383.5 1 341.7
1981 341.7 2 377
1982 601.7 3 383.5
1983 471.4 4 385.9
1984 590.9 5 406.8
1985 587.2 6 417
1986 406.8 7 417.5
1987 585.2 8 445.3
1988 732.6 9 448.5
1989 523.1 10 467.4
1990 552.8 11 471.4
1991 615.1 12 472.4
1992 472.4 13 476.1
1993 476.1 14 508 492.05
1994 417.5 15 511.1
1995 659.6 16 521.6
1996 521.6 17 523.1
1997 377 18 525.7
1998 531.2 19 531.2
1999 669.6 20 552.8
2000 594.6 21 562.7
2001 467.4 22 585.2
2002 448.5 23 587.2
2003 657.5 24 588.7
2004 620 25 590.9
2005 768.8 26 594.6 592.75
2006 803.9 27 596.1
2007 511.1 28 601.7
2008 1040.5 29 615.1
2009 445.3 30 620
2010 1123.7 31 647.1
2011 562.7 32 657.5
2012 417 33 659.6
2013 596.1 34 669.6
2014 588.7 35 732.6
2015 525.7 36 768.8
2016 385.9 37 803.9
2017 647.1 38 1040.5
2018 508 39 1123.7

27. Utilidad del pronóstico
• Conocer las probabilidades de
diferentes características
meteorológicas y climáticas puede
ayudar a los agricultores a tomar
decisiones importantes sobre:
• Cultivos
• Variedades
• Tiempos de siembra
• Manejo del ganado y opciones de
medios de vida.

28. Carlos Navarro-Racines
c.e.navarro@cgiar.org
¡Gracias!
Contacto
Jeferson Rodríguez
j.r.espinosa@cgiar.org

29. Carlos Navarro-Racines, Jeferson Rodríguez
J. Ramírez , D. Martínez, A. Martínez, J. Martínez, D. Giraldo, et al
c.e.navarro@cgiar.org _cenavarro Apr 2021
Capacitación
Modelación De Cultivos Para
Generar Servicios Agroclimáticos
(Aquacrop V6.0)
En el marco del LXIV Foro del Clima de
América Central y el XLII Foro de
Aplicaciones de los Pronósticos
Climáticos a la Seguridad Alimentaria y
Nutricional

30. AgroclimR: Pronósticos
agroclimaticos con AquaCrop

31. Introducción a la Modelación de Cultivos
K
F
C
S
N K
F
C
S
N

32. Requerimientos de información
CLIMA:
-Temperatura
máxima y mínima
-Precipitación
-Humedad Relativa
-Radiación Solar
MANEJO:
-Fechas Siembra-
cosecha
-Fertilización
-Preparación Terreno
-Riego
-Control de malezas
SUELO:
-Características
Físicas (Drenaje,
textura, densidad
aparente,
Porosidad…)
-Características
Químicas (pH, MO,
CIC, Nutrientes (N))
PLANTA
-Variedad
-Desarrollo de
Órganos (Hojas,
Tallos, Panículas)
-Fenología
-Rendimiento y
Calidad de Grano

33. Procesos de la Modelación
Parametrización y Creación de Archivos
Análisis y Calidad de Datos

34. El modelo AquaCrop
http://www.fao.org/3/a-br245e.pdf

35. Requerimientos de datos en AquaCrop
CLIMA (diario) SUELO MANEJO CULTIVO
Temperatura máxima Textura (% Limos, Arenas y Arcillas) Fertilidad del suelo(cualitativa) Fecha de siembra
Temperatura mínima Contenido de agua en el suelo (CAS)
a saturación
Coberturas vivas o muertas
(mulches)
Densidad de siembra
Precipitación CAS a capacidad de campo Altura de taipa Máxima cobertura del dosel
Evapotranspiración de referencia CAS a punto de marchitez
permanente
Método de irrigación, frecuencia y
cantidad
Fecha de emergencia
Concentración de CO2 Conductividad hidráulica saturada Salinidad del agua de riego ( Fecha de floración
Profundidad de la capa de suelo Contenido inicial de agua en el
suelo
Inicio de senescencia
Penetrabilidad** Fecha de madurez
Contenido de grava (%) ** Duración del cultivo
Índice de cosecha
Máxima profundidad de raíz
Cobertura del dosel en diferentes
etapas*
Biomasa aérea en diferentes
etapas*
Rendimiento de grano a madurez*

36. Conozcamos AquaCrop – UI

37. Serie Histórica de Clima
Pronóstico climático
Probabilístico (CPT)
Resampling Data
Generación de escenarios
de clima
Modelo de Cultivo Calibrado.
Pronóstico Agroclimático
Participativo.
Generación de Pronósticos Agroclimáticos.

38. Metodología de remuestreo.
Paso 2: Calcular los terciles de los datos observados y categorizar la serie histórica.
Paso 1: Filtrar la serie histórica por trimestres.
Tercil 1 (T1) 103.5
Tercil 2 (T2) 162.7
Tercil 3 (T3) 330.5
NDJ-1982
NDJ-1997
NDJ-1984
NDJ-1980
NDJ-2000
NDJ-2012
NDJ-1993
NDJ-1986
NDJ-1996
NDJ-2007
NDJ-1991
NDJ-2009
NDJ-1983
NDJ-1989
NDJ-2002
NDJ-2006
NDJ-2001
NDJ-1990
NDJ-2011
NDJ-1985
NDJ-1992
NDJ-1995
NDJ-2004
NDJ-1999
NDJ-1987
NDJ-1981
NDJ-1994
NDJ-2003
NDJ-1988
NDJ-2010
NDJ-1998
NDJ-2005
NDJ-2008
8.1 51.5 55.2 66.8 69.9 70 77.8 87.5 88.7 91.8 103 104 108 111 117 122 133 141 142 154 161 161 173 178 191 191 204 215 229 256 285 296 331
Debajo de lo normal Normal Sobre lo normal

39. Metodología de remuestreo.
Categoría Probabilidad
Below 35.9
Normal 24
Above 40.1
NDJ-1993
Paso 3: Dadas las probabilidades de pronóstico,
procedemos a realizar un remuestreo ponderado.
Paso 4: Se repite el proceso 100 veces.
1.ASO
2.
NDJ
NDJ-1982
NDJ-1997
NDJ-1984
NDJ-1980
NDJ-2000
NDJ-2012
NDJ-1993
NDJ-1986
NDJ-1996
NDJ-2007
NDJ-1991
8.1 51.5 55.2 66.8 69.9 70 77.8 87.5 88.7 91.8 103
Debajo de lo normal

40. Simulación con AquaCrop-PlugIn y R
http://www.fao.org/aquacrop/software/aquacropplug-inprogramme/es/
https://github.com/jrodriguez88/aquacrop-R

41. https://github.com/jrodriguez88/agroclimR

42. Clonación de agroclimR
1. Ingrese a Rstudio, debe tener instalado GIT.
2. Vaya al icono de Project, en la parte superior derecho,
clic y seleccione New Project.
3. En el menú de New Project seleccione Version Control
-> Git.
4. Ingrese la url del repositorio github:
5. Elija su directorio de trabajo(Browse) y clic en Create
Project
https://github.com/jrodriguez88/agroclimR

43. Como construir el archivo climático diario.
day month year prec tmax tmin srad
Los nombres de las variables (no deben ser cambiados).
Para cada estación climatológica, es necesario generar un archivo de
datos. Para esto requerimos información histórica, con años
completos (1 de enero a 31 de diciembre).
Para las variables fecha (día, mes, año), precipitación, temperatura
máxima, temperatura mínima y radiación solar.

44. Archivo de probabilidades.
Este archivo consta de 3 columnas y contiene un total de 7
filas. Hay que resaltar que los nombres de las variables no
deben modificarse.
• Type (categoría):
Below Normal Above
Debajo de lo normal Cercano a lo normal Por encima de lo normal
• Season (trimestre de referencia – construidos en ingles, ver
la siguiente diapositiva).
• Prob (probabilidad de que llueva
por [Type] en la temporada
[Season] ).

45. Archivo de probabilidades.
Season Nombres 1 2 3 4 5 6 7 8 9 10 11 12
JFM Ene-Feb-Mar
FMA Feb-Mar-Abr
MAM Mar-Abr-May
AMJ Abr-May-Jun
MJJ May-Jun-Jul
JJA Jun-Jul-Ago
JAS Jul-Ago-Sep
ASO Ago-Sep-Oct
SON Sep-Oct-Nov
OND Oct-Nov-Dic
NDJ Nov-Dic-Ene
DJF Dic-Ene-Feb
Meses
• Season (trimestre de referencia – construidos en ingles).
1.ASO
2.
NDJ

46. Ejercicio de generacion de Pronostico agroclimatico estacional.
Objetivo: Generar pronosticos de rendimiento a partir de una prediccion climatica probabilistica.
Requerimientos:
1. Datos meteorologicos diarios, (registros >25 años) – Para calcular las normales climatologicas.
2. Pronostico estacional probabilístico de 6 meses - Dos trimestres (ej: AMJ –JAS) -*Perspectiva climatica
3. Clonar AgroClimR - https://github.com/jrodriguez88/agroclimR
4. Modelo de cultivo (ej. AquaCrop + PlugIn)
5. Script en R - Automatiza Simulación.
Resultados:
1. 100 escenarios de clima para los 6 meses pronosticados. En format csv y del modelo de cultivo.
2. Pronostico agroclimatico estacional. Pronostico de rendimiento en una ventana de siembra de un mes.
3. Simulacion de los requerimientos hidricos en ventana de siembra.

47. Predicción
probabilística de CPT
Tomaremos como ejemplo la
perspectiva climática de los
meses:
MJJ (Mayo – Junio - Julio)
ASO (Agosto – Septiembre -
Octubre)

48. En R podemos visualizar la
climatología de la localidad.
Para el caso del ejemplo, es
una localidad de
precipitación con
distribución monomodal,
temporada lluviosa entre
los meses de Mayo a
Octubre.
Temperaturas máximas
medias entre 27 y 33 grados
Celsius y Mínimas medias
entre 18 y 21 grados Celsius

49. De igual manera
podemos visualizar el
resumen de los
escenarios generados
mediante boxplots, y
compararlos con la
normal climatológica
de la localidad.

52. Carlos Navarro-Racines
c.e.navarro@cgiar.org
¡Gracias!
Contacto
Jeferson Rodríguez
j.r.espinosa@cgiar.org