SciELO - Scientific Electronic Library Online

 
vol.5 special issue 10Climate change impact on the evaporation trends in the dam La Vega, Teuchitlán, Jalisco, MexicoSensitivity of bioclimatic zones of Mexico facing climate change author indexsubject indexsearch form
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • Have no similar articlesSimilars in SciELO

Share


Revista mexicana de ciencias agrícolas

Print version ISSN 2007-0934

Rev. Mex. Cienc. Agríc vol.5 n.spe10 Texcoco Nov./Dec. 2014

 

Articulos

Aplicación del modelo EPIC para evaluar el efecto del cambio climático y prácticas de manejo sobre el rendimiento de grano en maíz de temporal

Hugo Ernesto Flores López1  § 

José Ariel Ruíz Corral1 

Celia de la Mora Orozco1 

Patricia Zarazúa-Villaseñor2 

Álvaro Agustín Chávez Durán1 

Humberto Ramírez Vega2 

Miguel Agustín Velásquez Valle3 

1Campo Experimental Centro Altos de Jalisco-INIFAP. Carretera Tepatitlán de Morelos-Lagos de Moreno, km 8, Tepatitlán de Morelos, Jalisco. C. P. 47600. Tel. (378) 7820355 ext. 142. (ruiz.ariel@inifap.gob.mx; delamora.celia@inifap.gob.mx; chavez.alvaro@inifap.gob.mx).

2Departamento ProducciónAgrícola. Centro Universitario de Ciencias Biológicas y Agropecuarias. Universidad de Guadalajara. Carretera Guadalajara-Nogales, km 15.5. (paty.zarazua@hotmail.com; hramirez@cualtos.udg.mx).

3CENID-RASPA-INIFAP. Margen derecha Canal Sacramento, km 6.5. C. P. 35140. Gómez Palacio, Durango. México. Tel. (871) 7191076. (velasquez.agustin@inifap. gob.mx).

Resumen:

Se calibró y validó el modelo EPIC, para estudiar el efecto de prácticas de manejo y cambio climático sobre el rendimiento de grano de maíz de temporal para las regiones Altos-Sur y Ciénega de Jalisco. Se utilizó el escenario de cambio climático con el patrón de concentración representativa (PCR) de 2.6 W/m2, propuesto por el IPCC (2013). La calibración y validación de EPIC utilizó la información experimental con sistemas de cultivo de maíz de temporal obtenidos en el Campo Experimental Centro Altos de Jalisco (CECEAJAL) de INIFAP de 1985 a 2013. La información de clima procedió de la estación climática del La Barca de la CNA y la estación agroclimática de CECEAJAL. Los datos de suelo se obtuvieron de los perfiles de INIFAP, aunque para cada año y localidad se utilizó los resultados del análisis de suelos de la capa Ap. Se utilizó el generador climático del EPIC con los valores de las estadísticas básicas requeridas de las estaciones antes mencionadas. Se simulo el rendimiento de grano cada cinco años hasta alcanzar un periodo de 100 años, con el manejo de nueve sistemas de cultivo, tres para la región altos sur y seis para la región Ciénega. De esta última se incluyeron dos sistemas de labranza del suelo convencional y cuatro la incorporación de residuos de cosecha, con un alto contenido de materia orgánica. Los resultados mostraron que el rendimiento de grano con la práctica de manejo en la región Altos Sur de Jalisco de baja densidad de siembra colapsa después de 2075, mientras que el maíz con mayor densidad de siembra el rendimiento comienza a decaer en tiempo posterior. Para la región Ciénega el maíz con incorporación de residuos de cosecha tiene un rendimiento más estable, pero después de 2075 tiende a decaer el rendimiento.

Palabras clave: cambio climático; maíz; prácticas de manejo

Introducción

El maíz de temporal es el cultivo más importante de México con una superficie de siembra mayor de 56% de la superficie agrícola y rendimiento promedio 2.26 t ha-1. Jalisco resulta el estado con mayor superficie sembrada con 565 486 ha y un rendimiento promedio de 5.37 t ha-1 (SIAP, 2012); en este estado se destaca la región Ciénega con una superficie de siembra cercana a 25% y el rendimiento de grano del orden de 7.33 t ha-1. Otra región importante es losAltos de Jalisco, particularmente por la relación tan estrecha que tiene el maíz con la producción ganadera, en particular la lechería familiar (Flores et al, 2007). La productividad que tiene el maíz de temporal en la región Ciénega de Jalisco se caracteriza por ser un sistema de unicultivo, con elevado uso de insumos, particularmente de fertilizantes, semilla mejorada e plaguicidas para el control de plagas y malezas, con dos variantes importantes en el manejo de residuos, uno es la extracción de estos en alrededor de 90% y otra es la incorporación de 100% de residuos (Flores et al, 2011); en cambio los Altos de Jalisco tiene además alta disponibilidad de estiércoles, insumo típico de maíz en esta región (Flores et al, 2009).

El rendimiento de maíz en Jalisco durante los últimos 10 años ha presentado un incremento sostenido del orden de 285 kg/ha/año (Flores et al, 2011), pero la baja eficiencia de las prácticas de manejo al aplicar los insumos en el maíz, hacen que sea un culto de alto costo económico e importante fuente de contaminación difusa que provocan deterioro del suelo y del agua superficial (Flores-López et al, 2012).

En este contexto, la agricultura es una actividad constituida por cuatro componentes a escala de sitio: el clima, el suelo, el cultivo y el manejo tecnológico del agricultor sobre estos tres componentes. Es de particular importancia la dependencia que tiene la agricultura del clima, por su alta sensibilidad al cambio climático global y variabilidad climática, razón que hace esencial entender las interacciones entre el cambio climático y la producción agrícola para el desarrollo estable de la sociedad (Hui et al, 2013). Sin embaigo, esta misma actividadjunto con la industriay urbanización, emiten gases con efecto invernadero contribuyendo de manera significativa al calentamiento global y cambio climático, con incremento de latemperatura mundial de 0.74 °C de 1906 hasta 2005 (IPCC, 2007).

Esta es la razón que un tema de investigación recurrente sea el efecto del cambio climático orientado a entender el efecto de las prácticas de manejo de los cultivos sobre el rendimiento de grano a largo plazo y su efecto en la economía (Chavas et al., 2009), en los procesos relacionados con la dinámica de la materia orgánica del suelo (Aurbacher et al, 2013), en la dinámica del agua del suelo (Huszar et al, 1999), la reducción del ciclo de los cultivos (Gohari et al, 2013), entre otros.

De acuerdo con el IPCC (2013), las emisiones de CO2 por actividades antropogénicas se consideran la principal causa del cambio climático, tal que en el año 2011 la emisiones de CO2 fueron del orden 390 ppm con un incremento promedio anual de los últimos 15 años del orden de 1.35 ppm; de acuerdo con los patrones de concentración representativa (PCR) que actúan sobre las fuerzas radiativas (FR), se presentan cuatro escenarios posibles de cambios futuros: PCR con FR de 2.6, 4.5, 6.0 y 8.5 W/m2. De acuerdo con esto escenarios, los modelos de simulación muestran que temperatura de la superficie en promedio global podrá ser del orden de 0.3 a 1.7 °C para el PCR2.6, de 1.1 a 2.6 °C para el PCR4.5, de 1.4 a 3.5 °C para el PCR6.0 y de 2.6 a 4.8 °C para el PCR8.5. Con respecto al ciclo del agua, el IPCC (2013) reporta un contraste importante de la lluvia entre regiones secas y húmedas, pero también entre las estaciones secas y húmedas, con excepción de algunas regiones, pero con incremento de eventos extremos de lluvia.

El cambio climático tiene una influencia ambivalente en la agricultura, de manera que mientras aumenta las temperaturas medias y contenido de CO2 atmosférico, el resultado supone un aumento de los rendimientos (Farina et al., 2011), pero también menor cantidad de precipitación durante el verano y la creciente variabilidad de la precipitación y patrones de lluvias, así como mayor evapotranspiración y cantidades de vapor de agua en la atmósfera con serias implicaciones en el ciclo hidrológico global (Gohari et al., 2013; Aurbacher et al., 2013).

En México se muestra una tendencia de algunas áreas agrícolas de México de incrementar la temperatura de manera perceptible desde 1990 a la fecha (Ruiz et al., 2011; Zarazúa et al, 2011) y una ligera disminución de la precipitación anual en las zonas de cultivo (Ruiz et al., 2011). La consecuencia de estos cambios se espera se refleje en aumentos de la evapotranspiración potencial, con un balance hídrico menos favorable, una reducción de la estación de crecimiento en zonas tropicales y subtropicales, pero con igual o mayor acumulación de unidades calor, y estación de crecimiento igual o más amplia en la zona de los valles altos (Hatfield et al, 2011), con reducción en la aptitud de las tierras para producir maíz, menor rentabilidad, pero en general, la reducción del potencial productivo de los cultivos estará asociado con mayor dinamismo en la presencia de plagas, enfermedades y maleza (FAO, 2007).

En este contexto, los sistemas agrícolas tienen una respuesta particular cuando se utilizan prácticas de manejo en el sitio, por lo que es necesario identificar su impacto a largo plazo y como orientarlas a la mitigación/adaptación al cambio climático y la contribución que tienen al mantenimiento de la productividad agrícola (Lal et al., 2011). Con esta consideración del manejo del sistema agrícola, es probable que la respuesta de cultivos como maíz en Jalisco, pueda amortiguarse, lo que puede conducir a la mitigación-adaptación de los grandes problemas ecológicos, económicos y sociales que se están previendo para este cultivo.

La complejidad inherente a los sistemas agrícolas dificulta tomar decisiones acertadas en el manejo del cultivo, problema acentuado en los últimos años con el cambio climático. Una opción de solución a este problema es el uso de modelos de simulación basados en procesos para predecir el resultado del cultivo, los cuales proporcionan explicaciones del comportamiento dinámico del sistema ante los cambios en el entorno, el genotipo y el manejo, que justifica su aplicación en la proyección de los impactos del cambio climático y adaptación en la producción agrícolas. Uno de estos modelos de simulación (MS) es el EPIC, que originalmente se construyó para cuantificar los efectos de la erosión en la productividad del suelo (Williams, 1990).

En la actualidad se ha convertido en una herramienta para describir con elevado grado de certidumbre el rendimiento de cultivos con rotaciones complejas y operaciones de labranza en más de 100 cultivos, con rutinas para evaluar el manejo de los efectos de fertilización, el incremento de CO2 y temperatura en la atmósfera, con sus implicaciones en el uso de agua de lluvia o riego, el crecimiento de plantas, el ciclo de nutrimentos N y P en forma química o con fertilizantes, la dinámica de residuos de cosecha, y los cambios de densidad del suelo, labranza, erosión y lixiviación (Kiniry et al, 1995; Hilger et al, 2000; Wang et al, 2006; Gaiser et al, 2010), que lo hace un modelo adecuado para evaluar las consecuencias del incremento de CO2 y temperatura en el clima global de la tierra, como lo predice el IPCC (2013).

La adaptación a localidades específicas, requiere tan sólo de computadora y la adquisición de información de unos cuantos ciclos de crecimiento del cultivo para calibrar el modelo en el ambiente correspondiente (Hodges, 1987), donde el principal obstáculo para su utilización es la disponibilidad de información para su calibración y validación (Angulo et al., 2013).

Los MS funcionan básicamente con parámetros que desarrollan procesos individuales de simulación estudiados experimentalmente en campo o con pruebas de laboratorio. El proceso de estimación y recolección de esos parámetros es conocido como parametrización; estos parámetros intervienen en múltiples procesos los cuales no pueden ser estudiados independientemente en experimentos aislados; a este proceso se le conoce como calibración del modelo (de Witt, 1978). Dentro de los parámetros que necesita el modelo para su funcionamiento existen algunos que tienen mayor efecto en su comportamiento o desempeño; la identificación de estos parámetros se le conoce como análisis de sensibilidad (de Witt, 1978; Ferrer et al, 2000). En el maíz, los parámetros que han resultado más sensibles del modelo EPIC, son el índice de área foliar, el índice de cosecha, el ciclo del cultivo expresados por los grados día de desarrollo acumulados de siembra a madurez (Kiniry et al, 1995).

Una vez que se ha realizado la calibración y el análisis de sensibilidad del MS, es preciso recurrir al proceso de validación, para identificar y corregir distintos aspectos del modelo que puedan distorsionar y apartar de la realidad las predicciones efectuadas, logrando la simulación adecuada del crecimiento, el desarrollo o el rendimiento, definiendo un ajuste a lo que acontece en el campo. El objetivo del presente estudio fue calibrar y validar el modelo EPIC en maíz de temporal, para evaluar el efecto del cambio climático y prácticas de manejo sobre el rendimiento de grano de este cultivo en la región Ciénega y Altos Sur de Jalisco.

Materiales y métodos

Calibración del modelo EPIC. La calibración del modelo en el maíz de temporal utilizó la información experimental del cultivo de maíz descrita en el Cuadro 1.

Cuadro 1 Relación de manejo de productores de maíz, utilizada en la calibración del modelo EPIC. 

Validación del modelo EPIC. La validación del modelo utilizó la información experimental del cultivo de maíz descrita en el Cuadro 2.

Cuadro 2 Relación de manejo de productores de maíz utilizada en la validación del modelo EPIC. 

Parametrizacion del modelo EPIC para la simulación del sistema de producción de maiz

Clima y suelo. Se utilizó la información climática de las estaciones meteorológicas indicadas en el Cuadro 3. La simulación del rendimiento de maíz largo plazo, se utilizó el generador climático del modelo EPIC, con los parámetros obtenidos de las estaciones mostradas en el Cuadro 3. Con respecto al suelo, se utilizó la base de datos con información de análisis de laboratorio de los perfiles de suelo del área de estudio generados por INEGI. Para sitio experimental se utilizó el análisis de usó el del horizonte superficial (Ap).

Cuadro 3 Estaciones climatológicas utilizadas en la calibración y validación de EPIC y las características de clima y suelo. 

La evaluación del efecto de las prácticas de manejo para maíz de temporal se proyectó cada cinco años, con las consideraciones siguientes:

  1. El cambio de la temperatura media se consideró de 0.01 °C/año, de acuerdo con el patrón de concentración representativa PCR2.6, escenario más conservador con el que se podría esperar un cambio en la temperatura de 07 a 1.06 °C (IPCC, 2013).

  2. La tasa de cambio en la concentración de CO2 fue de 1.4 ppm CO2/año, de acuerdo con el patrón de concentración representativa PCR2.6, se podría esperar una concentración de 480 ppm de CO2 al final de 2100, con un rango de 450 a 520 ppm de CO2 (IPCC, 2013).

  3. No se incluyó cambio en la cantidad de precipitación, solo se involucró este elemento en el balance da agua (IPCC, 2013).

Evaluación del desempeño del modelo EPIC.

La evaluación estadística del desempeño del modelo EPIC, utilizó las siguientes pruebas:

  1. Raíz del cuadrado medio del error (RCME):

  2. Eficiencia del modelo de Nash-Sutcliffe (E):

  3. Índice de concordancia (d):

  4. Error promedio (EP):

  5. Coeficiente de determinación (r2): (S=1 Oi) (S=1 Pi)

Donde: n es el número de muestras, Pi y Oi son los valores predichos y observados, y O es la media de los datos observados. Con un valor cercano a cero de la raíz del cuadrado medio del error (RCME), más preciso es el modelo. La eficiencia del modelo (E) oscila entre -00 y 1; una eficiencia de 1 corresponde a una combinación perfecta entre valores estimados con el modelo y datos observados; con una E igual a cero, indica que las predicciones del modelo son tan precisas como la media de los datos observados, mientras que una eficiencia menor de cero (-00 < E < 0) se produce cuando la media observada es un mejor predictor que el modelo. El Índice de concordancia (d) representa la relación entre el cuadrado medio del error y el error potencial, de manera que un valor de d igual a 1, representa una combinación perfecta entre la medición y la predicción del modelo. El valor del coeficiente de determinación (r2) y la pendiente e intercepto compara el valor predicho con el observado. Se utilizó la prueba de "t" para la comparación entre prácticas de manejo.

Resultados y discusión

Calibración y validación del modelo EPIC

El Cuadro 4 muestra los resultados de las pruebas estadísticas para la calibración y validación de la simulación de rendimiento del modelo EPIC. La RCME presenta más de 1.25 t h-1 en la predicción para la calibración y validación del modelo, particularmente con los rendimientos medios y altos, situación que repercute en la eficiencia (E) del modelo con valores de 0.7 y 0.68, respectivamente. Con respecto al índice de concordancia (d), las simulaciones presentan valores alta coherencia entre los rendimientos simulados y los medidos.

Cuadro 4 Resultados de las pruebas estadísticas del modelo EPIC en el proceso de calibración y validación. 

En la Figura 1a y b se muestra los diagramas de dispersión con los rendimientos de maíz estimados contra los observados para la calibración y validación del modelo EPIC, con su recta de regresión lineal. El coeficiente de determinación (r2) presenta valores de 0.82 y 0.78, respectivamente, y una pendiente de la recta superior a la unidad e intercepto menor de cero, lo que indica tendencia a subestimar altos rendimientos y sobrestimar ligeramente bajos rendimientos.

Figura 1 Relación entre el rendimiento de grano de maíz observado con el rendimiento de grano estimado en: a) la calibración; y b) validación del modelo EPIC. 

Los resultados de la calibración y validación del modelo EPIC obtenidos en el presente estudio son similares a los observados por Gaiser et al. (2010) , en la calibración y validación de este modelo para simular la producción de maíz en el trópico subhúmedo del oeste de áfrica y la región semiárida de Brasil. Sin embargo, estos autores hacen énfasis en la importancia que tiene el índice de cosecha para los genotipos de maíz criollos y los mejorados y el desempeño de los materiales son influenciados por las características fisicoquímicas del suelo. Dadas los resultados presentados de la calibración validación del modelo EPIC, este presenta un buen desempeño para utilizarse en la simulación de los rendimientos del maíz para evaluar el impacto del cambio climático propuesto.

Modelación del efecto de las prácticas de rendimiento y cambio climático sobre el rendimiento de maíz

Con el modelo EPIC calibrado y validado, se utilizó el escenario de cambio climático PCR2.6 con las prácticas de manejo el impacto en el cambio climático en el sistema de producción de maíz de temporal de la región altos sur y Ciénega de Jalisco. En la Figura 2 se muestra la tendencia del rendimiento para los siguientes 100 años con el rendimiento estimado cada cinco años para las prácticas de manejo evaluadas de la región Altos-Sur de Jalisco. El promedio de rendimiento entre las prácticas PRC1 y PRC2 y PRC3, fue de 7.7, 9.8 y 9.1 t ha-1, respectivamente, con diferencias altamente significativas entre PRC1 contra PRC2 y PRC3, pero sin diferencias significativas entre PRC2 y PRC3.

Figura 2 Tendencia del rendimiento de grano en maíz de temporal estimada cada cinco años en la región Altos-Sur de Jalisco, para los próximos 100 años. 

Es notable la diferencia en desempeño de las prácticas de manejo PRC1 con PRC2 y PRC3, particularmente después de 2080, donde el maíz con manejo PRC1 cae abruptamente.

En esta punto, la temperatura se esperaría que alcanzará al menos un incremento de 0.8 °C en la temperatura y la 83 pm de CO2 en la atmósfera, bajo el escenario más conservador de cambio climático con 2.6 W/m2 de fuerza radiativas (IPCC, 2013). El escenario PRC1 involucró el uso de un genotipo intermedio-precoz con bajo IAF y el uso de estiércoles y dos fertilizaciones con productos químicos, con el resultado más crítico para el rendimiento de maíz.

Aunque es compleja la interacción de las prácticas de manejo del maíz con los escenarios de cambio climático, la explicación del colapso del manejo PRC1 y de menor impacto en los escenarios PRC2 y 3 después de 2080, pueda darse por el incremento de CO2 en la atmósfera, con el que se reporta aumento en el uso de agua por las plantas, por la reducción de la evapotranspiración (Hatfield et al, 2011), pero también el incremento de temperatura aumenta la duración de la estación de crecimiento, la disponibilidad y mineralización de nitrógeno y cambios en la disponibilidad de humedad (Izaurralde et al, 2011; Ruiz et al, 2011), un aumento de la temperatura del suelo incrementa en la mineralización de la MO (Lin y Zhang, 2012).

En el caso de la práctica PRC1 se tiene bajo IAF (2.7), lo que favorece la evaporación con la consecuente reducción de la disponibilidad de agua para el cultivo y la reducción de la ET por el incremento de CO2. Esta misma situación se observa en las prácticas PRC2 y PRC3, pero con menor intensidad. Después de 2080, la práctica PRC3 parece amortiguar el efecto del cambio climático, por lo que se requiere analizar con mayor detalle el comportamiento de este sistema de manejo del maíz. Aunque se identifica el IAF como factor limitante en el rendimiento bajo condiciones de cambio climático, es necesario analizar otros factores asociados a la respuesta del maíz, como es la fecha de siembra, el ciclo del cultivo, erosión del suelo, dinámica de la materia orgánica en el suelo, que pudieran amortiguar estos efectos.

El rendimiento de grano obtenido para los escenarios de manejo de la región Ciénega se muestra en la Figura 3. Los rendimientos promedio para las prácticas PRC4, 6, 7, 8, 9 y 10, fueron 7.1, 6.4, 6.1, 6.6, 6.5 y 6.1 t ha-1, respectivamente, sin diferencias significativas entre escenarios. Latendencia en el rendimiento de esta figura se observa que después de 2075 el rendimiento comienza a decaer, por las mismas razones que ocurren en el rendimiento de la región Altos-Sur de Jalisco.

Figura 3 Tendencia al rendimiento de grano en maíz de temporal de acuerdo con seis practicas de manejo en periodos de cinco años para la region Ciénega de Jalisco de México. 

No obstante que los rendimientos entre estas prácticas no tuvieron diferencias estadísticamente significativas, se tuvieron dos grupos de prácticas con un contraste importante, que fue el manejo de los residuos de cosecha. En los escenarios PRC4 y PRC6, no se dejan residuos de cosecha, pero en los escenarios PRC7, 8, 9 y 10, los residuos de cosecha se incorporan al suelo con dos pasos de rastra, lo que trae como consecuencia que el contenido de materia orgánica (MO) del suelo se tenga en niveles de hasta 4.6%. En la Figura 4a y b se muestra la tendencia del rendimiento de maíz para la región Ciénega con prácticas de manejo agrupados en labranza con la incorporación de residuos de cosecha y sin incorporación de residuos. En esta figura la tendencia de las prácticas de manejo con incorporación de residuos mantiene el rendimiento más estable que las prácticas sin incorporación de residuos, resultado atribuido al incremento en la materia orgánica del suelo (Causarano et al, 2008).

Figura 4 Tendencia del rendimiento de grano en maíz de temporal: a) con incorporación de residuos de cosecha; y b) sin residuos de cosecha, estimado cada cinco años para la región Ciénega de Jalisco de México. 

El mayor contenido de MO en el suelo tiene características que reducen el impacto del cambio climático (Izaurralde et al., 2006), además de otros beneficios como la conservación del suelo, ahorro en energía, tiempo y mano de obra, reducción en costos de la maquinaria, conservación de humedad, reducción de la compactación del suelo, entre otro (Figueroa et al., 1992). Parte de la solución al problema es una modificación a las prácticas de manejo de los escenarios PRC 7 a 10, como es la adaptación de tecnologías con genotipos de ciclo más corto al utilizado, incorporación de la labranza de conservación y densidad de siembra que genere IAF mayor a 5, pero además, es necesario evaluar otros factores que pudieran reducir el efecto del cambio climático, para identificar las prácticas que mantengan el rendimiento estable posterior a 2070.

Conclusiones

Los índices utilizados para la calibración y validación del modelo EPIC indican que utilizarse en la estimación del desempeño del cultivo de maíz a largo plazo, para las regiones Altos-Sur y Ciénega de Jalisco. La modelación del rendimiento de maíz en la región Altos-Sur de Jalisco, que las prácticas PRC1 muestra diferencias altamente significativas con respectos al rendimiento con prácticas PRC2 y PRC3, pero también la práctica PRC1 mostró que después del año 2080, el rendimientos tiende a decaer, resultado atribuido a la baja densidad de plantas expre sado con IAF menor a 2.7, en cambio lapráctica PRC3 amortigua de manera más eficiente los efectos del cambio climático. Para la región Ciénega, no se mostró diferencia significativa en el rendimiento de maíz a largo plazo, pero si tendencia a reducirse después de 2075 el rendimiento.

Se tuvieron dos grupos de prácticas contrastantes, donde uno se incorporan los residuos de cosecha con el que se incrementa la materia orgánica del suelo, condición que da mayor estabilidad en el rendimiento del maíz hasta 2070, punto en que comienza a decaer el rendimiento. Es necesario realizar investigación adicional para evaluar interacciones con otros factores de manejo como es la fecha de siembra, el ciclo del cultivo, erosión del suelo, dinámica de la materia orgánica en el suelo, que pudieran amortiguar el rendimiento en el largo plazo, posterior a 2070.

Literatura citada

Angulo, C.; Rótter, R.; Lock, R.; Enders, A.; Fronzek, S. and Ewert, F. 2013. Implication of crop model calibration strategies for assessing regional impacts of climate change in Europe. Agric. Forest Meteorol. 170:32-46. [ Links ]

Aurbacher, J.; Parker, S. P.; Calberto, S. G. A.; Steinbach, J.; Reinmuth, E.; Ingwersen, J. and Dabbert, S. 2013. Influence of climate change on short term management of field crops -a modelling approach. Agric. Systems. 119:44-57. [ Links ]

Causarano, H. J.; Shaw, J. N.; Franzluebbers, A. J.; Reeves, D. W.; Raper, R. L.; Balkcom, K. S.; Norfleet, M. L. and Izaurralde, R. C. 2007. Simulating field-scale soil organic carbon dynamics using EPIC. Soil Sci. Soc. Am. J. 71:1174-1185. [ Links ]

Chavas, D. R.; Izaurralde, R. C.; Thomson, A. M. and Gao, X. 2009. Long-term climate change impacts on agricultural productivity in eastern China. Agric. Forest Meteorol. 149:1118-1128. [ Links ]

De Witt, C. T. 1978. Simulation of assimilation, respiration, and transpiration of crops. Simulation Monographs. Centre for Agricultural Publishing and Documentation. Wageningen, Tha Netherlands. 432 p. [ Links ]

Farina, R.; Seddaiu, G.; Orsini, R.; Steglich, E.; Roggero, P. P. and Francaviglia, R. 2011. Soil carbon dynamics and crop productivity as influenced by climate change in a rainfed cereal system under contrasting tillage using EPIC. Soil Tillage Res. 112:36-46. [ Links ]

Ferrer, F.; Villar, J. M. and Stockle, C. O. 2000. Evaluación del modelo de simulación crop syst para maíz en el Valle del Ebro. Invest. Agr. Prod. Prot. Veg. 15(3):237-251. [ Links ]

Figueroa, S. B.; Amante, O. A.; Cortés, T. H. G.; Pimentel, L. J.; Osuna, C. E. S.; Rodríguez, O. J. M. y Morales, F. F. J. 1992. Manual de predicción de pérdidas de suelo por erosión. SARH-Colegio de Posgraduados. Salinas, S. L. P., México. 150 p. [ Links ]

Flores, H. E.; Olmos, J. J.; Ramírez, H.; Fuentes, V. O.; Reynoso, O. y Moreno, H. 2007. ET-59 Caracterización del sistema de producción de leche de la cuenca hidrográfica El Jihuite, Jalisco, México. Memorias del II Congreso Internacional de Producción Animal Tropical. 26 al 29 de noviembre. La Habana, Cuba. 21 p. [ Links ]

Flores, L. H. E.; Ireta, M. J.; Pérez, D. J. F.; Ruíz, C. J. A. y Díaz, M. P. 2009. Identificación de Buenas PrácticasAgrícolas para reducir la degradación del suelo e incrementar la calidad del agua: Metodología aplicada en la cuenca hidrográfica El Jihuite. Campo Experimental Centro Altos de Jalisco. Tepatitlán de Morelos, Jalisco, México. Libro científico Núm.1. 155 p. [ Links ]

Flores, L. H. E.; Paredes, M. R.; Ruvalcaba, G. J. M.; De La Mora, O. C. ; Pérez, D. J. F. e Ireta, M. J. 2011. Metodología para la evaluación del valor agregado del programa de maíz de alto rendimiento (PROEMAR) 2010 en Jalisco y Guanajuato. Campo Experimental Centro Altos de Jalisco. Tepatitlán de Morelos, Jalisco. México. Libro técnico Núm. 2. 162p. [ Links ]

Flores, L. H. E.; de La Mora Orozco, Á. C.; Chávez- Durán, A.; Ruiz Corral, J. A.; Ramírez- Vega H. and Fuentes- Hernández, V. O. 2012. Nonpoint pollution caused by the agriculture and livestock activities on surface water in the highlands of Jalisco, Mexico. In: resource management for sustainable agriculture Abrol, V. and Sharma, P. (Eds). InTech Publisher. Rijeka, Croatia. 85-112 pp. [ Links ]

Flores-López, H. E.; Hernández-Jáuregui, A. L.; Figueroa-Viramontes, U. y Castañeda- Villanueva A.A. 2012. Calidad microbiológica del agua por contaminación difusa de la aplicación de estiércoles en maíz y pasto. Tecnología y Ciencias delAgua. 3:127-141 pp. [ Links ]

Gaiser, T.; de Barros, I.; Sereke, F. and Lange, F. M. 2010. Validation and reliability of the EPIC model to simulate maize production in small-holder farming systems in tropical sub-humid WestAfrica and semi-arid Brazil. Agric. Ecosys. Environ. 135:318-327. [ Links ]

Gohari, A.; Eslamian, S.; Abedi-Koupaei, J.; Massah Bavani, A.; Wang, D. and Madani, K. 2013. Climate change impacts on crop production in Iran's Zayandeh-Rud River Basin. Sci Total Environ. 442:405-419. [ Links ]

Hatfield, J. L.; Boote, K. J.; Kimball, B. A.; Ziska, L. H.; Izaurralde, R. C.; Ort, D.; Thomson, A. M. and Wolfe, D. 2011. Climate impacts on agricultura: Implications for crop production. Agron. J. 103:351-370. [ Links ]

Hilger, T. H.; Herfort, J.; de Barros, I.; Gaiser, T.; Saboya, L. M. F.; Ferreira, L. G. R. andLeihner, D. E. 2000. Potential of EPIC/ALMANAC to Estímate CropYields under Erratic Rainfall in NE Brazil. German-Brazilian workshop on neotropical ecosystems - achievements and prospects ofcooperative research Hamburg- September 3-8, 2000 Session 7: Tools forIntegration of Ecosystem Studies towards the Development of Management Strategies. 49 p. [ Links ]

Hui, J. L. Er-da, T. Wheeler, A. Challinor, and Shuai, J. 2013. climate change modelling and its roles to chinese crops yield. J. Int. Agric. 12(5):892-902. [ Links ]

Hodges, T.; Botner, D.; Sakamoto, C. and Hays, H. J. 1987. Using the CERES-maize model to estimate production for the U.S. Corn Belt. Agric. For. Meteorol., 40:293-303. [ Links ]

Huszár, T.; Mika, J.; Lóczy, D.; Molnár, K and Kertész, Á. 2009. Climate Change and Soil Moisture: A Case Study. PHYS. Chem. Earth (A). 24(10):905-912. [ Links ]

Intergovernmental Panel on Climate Change (IPCC). 2007. Climate change 2007: mitigation of climate change. Contribution of working group III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. In: Metz, B.; Davidson, O.; Bosch, P.; Dave, R. and Meyer, L. (Eds.). Cambridge University Press, UK. and USA. 851 p. [ Links ]

IPCC. 2013. Climate Change 2013: the physical science basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [ Stocker, T. F.; Qin, D.; Plattner, G.-K.; Tignor, M.; Allen, S. K.; Boschung, J.; Nauels, A.; Xia, Y.; Bex, V. and Midgley, P. M. (Eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 1535 p. [ Links ]

Izaurralde, R. C.; Thomson, A. M.; Morgan, J. A.; Fay, P. A.; Polley, H. W. and Hatfield, J. L. 2011.Climate impacts on agriculture: implications for forage and rangeland production. Agron. J. 103:371-381. [ Links ]

Izaurralde, R. C.; Williams, J. R.; McGill, W. B.; Rosenberg, N. J. and Quiroga, J. M. C. 2006. Simulating soil C dynamics with EPIC: Model description and testing against long-term data. Ecol. Modelling. 192:362-384. [ Links ]

Kiniry, J. R.; Major, D. J.; Izaurralde, R. C.; Williams, J. R.; Gassman, P. W.; Morrison, M.; Bergentine, R. and Zentner, R. P. 1995. EPIC model parameters for cereal, oilseed, and forage crops in the northern Great Plains region. Can. J. Plant Sci.75:679-688. [ Links ]

Lal, R.; Delgado, J. A.; Groffman, P. M.; Millar, N.; Dell, C. and Rotz, A. 2011. Management to mitigate and adapt to climate change. J. Soil Water Conser. 66(4):276-285. [ Links ]

Organización para las Naciones Unidas para la Agricultura y la Alimentación (FAO). 2007. Adaptation to climate change in agriculture, forestry and fisheries: perspective framework and priorities. FAO Interdepartmental Working Group on Climate Change. Rome, Italy. 24 p. [ Links ]

Ruiz, C. J. A.; Medina, G. G.; Ramírez, J. L. D.; Flores, L. H. E.; Ramírez, O. G.; Manríquez, O. J. D.; Zarazúa, V. P.; González, E. D. R.; Díaz, P. G. y de la Mora, O. C. 2011. Cambio climático y sus implicaciones en cinco zonas productoras de maíz en México. Rev. Mex. Cienc. Agríc. 2:309-323. [ Links ]

Villar-Sánchez, B.; López-Martínez, J.; Pérez-Nieto, J. y Camas-Gómez, R. 2003. Aplicación del modelo de simulación EPIC en la predicción del efecto de sistemas de labranza del suelo Terra Latinoamericana. 21(3):381-388. [ Links ]

Williams, J. R. 1990. The erosion-productivity impact calculator (EPIC) model: a case history. Philos. Trans. R. Soc. London 329:421-428. [ Links ]

Wang, X.; Harmel, R. D.; Williams, J. R. and Harman, W. L. 2006. Evaluation of EPIC for assessing crop yield, runoff, sediment and nutrient losses from watersheds with poultry litter fertilization. Transactions of the ASABE. 49:47-59. [ Links ]

Zarazúa, V. P. 2011. Evaluación del cambio climático y sus impactos sobre los cultivos de trigo, maíz y agave de la Región Ciénega de Chapala (análisis retrospectivo y análisis prospectivo). Tesis doctoral. Universidad de Guadalajara-CUCBA. Zapopan, Jalisco, México. 188 p. [ Links ]

Recibido: Septiembre de 2014; Aprobado: Enero de 2015

§Autor para correspondencia: flores.hugo@inifap.gob.mx.

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons