Variabilidad climática y productividad agrícola en zonas con errático régimen pluvial*

Climate variability and agricultural productivity in areas with erratic rainfall patterns

Ignacio Sánchez Cohen^1§, Marco Antonio Inzunza Ibarra¹, Ernesto Alonso Catalán Valencia¹, José Luis González Barrios¹, Guillermo González Cervantes¹ y Miguel Velásquez Valle¹

¹ Centro Nacional de Investigaciones Disciplinarias en Relaciones Agua Suelo Planta Atmósfera, INIFAP. Canal Sacramento km 6.5, Gómez Palacio Durango México. C. P. 35140. Tel. 01 871 7191076. Fax. 01 8717191134. (inzunza.marco@inifap.gob.mx), (catalán.ernesto@inifap.gob.mx), (gonzalez.barrios@inifap.gob.mx),(gonzalez.guillermo@inifap.gob.mx), (velásquez.agustin@inifap.gob.mx). ^§Autor para correspondencia. sanchez.ignacio@inifap.gob.mx.

Recibido: septiembre de 2011
Aceptado: mayo de 2012

Resumen

La alta variabilidad en espacio y tiempo de los regímenes pluviales, hacen que la agricultura en zonas de temporal esté sujeta al riesgo climático. En esta tesitura, la mejor herramienta para sustentar la toma de decisiones lo constituye la modelación hidro-climática en donde se considera lo estocástico de los procesos hidrológicos. En el presente trabajo se hace uso de una serie de algoritmos anidados (AA) para llegar a estimar el rendimiento del cultivo maíz bajo diferentes escenarios climáticos. El algoritmo es calibrado y aplicado a una región de temporal deficiente en el norte de México (Cuencamé, Durango). Se parte de un generador climático (WXPARM) para obtener los parámetros de clima que definen a la región; posteriormente, para cuantificar el impacto del rendimiento del cultivo bajo condiciones de cambio climático, se hace uso de un modelo de reescalado para aplicar los datos de modelos climáticos globales (modelos de circulación general) a nivel parcelario (SDM) y finalmente las matrices que definen las condiciones climáticas mensuales en la región de estudio son utilizadas en un modelo para evaluar el impacto en rendimiento (EPIC) mediante la modelación del balance de humedad en el suelo. Los resultados indican que bajo escenarios de cambio climático, se esperarían incrementos en rendimiento de hasta 0.3 tha^-1 dado el cambio en los patrones climáticos esperados en los que se vislumbra un comportamiento bimodal de la lluvia. Acorde al comportamiento del clima en el futuro, sería recomendable el ajuste de fechas de siembra para que los máximos requerimientos del cultivo coincidan con la presencia de lluvias

Palabras clave: incertidumbre climática, modelación, riesgo.

Abstract

The high variability in space and time of the rainfall patterns, make agriculture in rainfed areas subject to climatic risk. In this situation, the best tool to support decision-making is the hydro-climatic modeling, where the hydrological stochastic processes are considered. In the present study, nested series of algorithms (AA) are used in order to estimate maize crop yield under different climate scenarios. The algorithm is calibrated and applied to a poor rainfed region in northern México (Cuencamé, Durango). It is part of a weather generator (WXPARM) for climate parameters that define the region later to quantify the impact of maize yield under climatic change conditions; using are scaled model to apply global climatic data models (GCMs) at plot level (SDM) and finally the matrices that define the monthly weather conditions in the region of study are used in a model to assess the impact on yield (EPIC) by modeling the balance of moisture in the soil. The results indicate that under climatic change scenarios, it is expected a yield increases of up to 0.3 tha^-1 as the change in expected weather patterns, expecting a bimodal behavior. According to the weather patterns in the future, it might be considered to adjusting planting dates for the maximum crop requirements coinciding with the presence of rain.

Introducción

En el sector agropecuario de México, 50% de las pérdidas se deben a sequías; 23% a flujos extremos, y 27% a otras causas (Tiscareño, 2006). Este sector es el principal usuario del agua y del suelo: la agricultura de riego utiliza 78% del agua extraída en el país y la ganadería 2%; en cuanto al suelo, se cultivan alrededor de 23 millones de hectáreas, además aproximadamente 112 millones se clasifican como de uso ganadero; casi 70% del territorio nacional tiene un uso agropecuario (CNA, 2006). Lo anterior pone de manifiesto la gran dependencia del bienestar social de la agricultura y ganadería y al impacto de la disponibilidad del agua en el sector (Sánchez-Cohen et al., 2008a; Sánchez-Cohen et al.,2008b).

El principal efecto del cambio climático es la incertidumbre climática; es decir, la dificultad en la predicción de variables climáticas debido a la gran aleatoriedad afectada por las condiciones cambiantes del clima (Sellers, 1975; Sánchez-Cohen, 2005). La herramienta más eficaz con que la ciencia moderna cuenta para enfrentar esta situación, es la modelación de procesos en los que se estudia las relaciones causa efecto mediante ecuaciones matemáticas complejas que describen, o tratan de describir, los fenómenos que afectan la climatología en general. Estos algoritmos consideran las perturbaciones atmosféricas en los océanos y en los continentes que derivan en impactos globales causados por el incremento en gases de efecto de invernadero (GEI) que a su vez son los causantes directos del incremento en las temperaturas.

La ocurrencia de precipitación diaria es un ejemplo meteorológico simple de un evento aleatorio binario, por lo que una secuencia de estos eventos constituye una serie de tiempo de esta variable. Un modelo estocástico muy comúnmente usado para el análisis de información de este tipo, son las cadenas de Markov de primer orden para dos estados de la naturaleza. Estas cadenas tienen la propiedad de que la probabilidad de transición que gobierna cada observación en la serie de tiempo, depende sólo del valor del dato anterior (Haan, 1982; Wilks 1995; Banks 1998).

La modelación hidrológica climática permite contabilizar las posibilidades de éxito de un determinado cultivo bajo condiciones de incertidumbre climática (zonas de temporal). El objetivo del presente documento es presentar el impacto de patrones de clima en la productividad del cultivo maíz usando para tal efecto, modelación climática-hidrológica.

La parte medular del algoritmo utilizado para la cuantificación de la variabilidad climática lo constituye el análisis de las series de tiempo de precipitación pluvial en donde se aplican un proceso Markoviano de primer orden y en donde para cada valor en la serie de tiempo de la lluvia, el proceso estocástico se encuentra en el estado 0 (no lluvia, X_t= 0) ó 1 (lluvia X_t= 1). En cada paso, el estado puede permanecer inmóvil o bien cambiar a otro estado; es decir, si hoy llueve puede suceder que mañana también llueva o que no ocurra lluvia. De esta manera, son posibles cuatro transiciones (Sánchez, 1994; Sánchez et al, 1997; Sánchez-Cohen et al., 2010).

Las probabilidades de transición son condicionales para el estado futuro t + 1; es decir, si ocurrirá precipitación mañana, dado el estado al tiempo t, es decir, si ocurrió precipitación hoy. En forma matemática esto es (Sánchez et al, 1995):

En el módulo I de la Figura 1 se seleccionó a la estación climatológica de Cuencamé Durango en aras de aplicar el algoritmo descrito. Esta región es caracterizada como de alto riesgo climático. En el módulo II, con fines de analizar la manera en que las probabilidades condicionales han variado a través del tiempo bajo condiciones del calentamiento global, se utilizó un modelo de reducción de escala (SDM) (Wilby et al., 1988) en el que en las técnicas estadísticas de reducción de escala las variables del clima regional o local (predictandos) se obtienen generando un modelo estadístico que las relaciona con las variables de gran escala de los modelos de circulación general (GCM predictores) (Flato et al, 2000).

Utilizando información de la estación de Cuencamé del uso de este modelo se obtuvo la matriz de ocurrencia de precipitación pluvial para diferentes años: 2020, 2050 y 2080. Con esta información se usó el modelo WXPARM (http://www.hydrology.uni-kiel.de/~schorsch/epic/html/doku/appendixes/wxparm.html, Jones y Thorton (1993) para generar 5 0 años de precipitación y obtener la matriz de transición de lluvia bajo condiciones de cambio climático.

En el módulo III se utilizó el modelo erosión productivity impact calculator (EPIC) (Williams et al, 1983; Izurralde et al, 2003) para obtener el balance de agua en el suelo y el rendimiento del cultivo maíz bajo los dos escenarios ensayados (actual y con cambio climático). Las prácticas de manejo fueron las usuales para la región de estudio.

La Figura 2 presenta la probabilidad condicional del un día con lluvia dado que el día anterior fue seco para la estación de Cuencamé, Durango, bajo los escenarios actual y con cambio climático.

De la Figura 3 se puede observar que existe un déficit de humedad en el suelo prácticamente en todo el desarrollo del cultivo lo que provoca los bajos rendimientos para la localidad. En la Figura 4 se presenta el balance de agua bajo condiciones de cambio climático observándose un incremento en rendimiento promedio de 300 kg por hectárea.

Bajo condiciones de cambio climático al año 2020 las probabilidades condicionales de lluvia dado no lluvia (PW|D), se incrementan indicando con ello el incremento en precipitación como se ha indicado anteriormente. Note se el impacto de esta situación en el balance de agua en el suelo indicado en la Figura 4. El impacto en rendimiento en el escenario ensayado es de importancia (0.3 t ha^-1) dado que es una zona de temporal deficiente; más aún, se esperaría un atraso en las siembras para que las mayores posibilidades de lluvia coincidieran con los requerimientos hídricos del cultivo y evitar pérdidas.

Conclusiones

Se ha calibrado un método para cuantificar el impacto de diversos patrones climáticos en el rendimiento del maíz. Este método constituye en sí una serie de algoritmos anidados en el que convergen diversos modelos. Acorde a los resultados, el método es robusto y pudiera ser utilizado para el mapeo de áreas de impacto climático. Según el algoritmo, las siembras del cultivo maíz en la región de temporal deben ser retrasadas para buscar la coincidencia de la máxima precipitación con los requerimientos de agua del cultivo. También pudiera recomendarse una estrategia mixta al incluir obras de captación de agua de lluvia en donde el agua sea capturada para posterior uso o usar el suelo como almacén.

Literatura citada

Banks, J. 1998. Handbook of simulation. Principles, methodology, advances, applications and practice. Eng. and Manag. Press. 847 pp.         [ Links ]

Comisión Nacional del Agua (CNA). 2006. Estadísticas del agua en México. México, D. F. 198 pp.         [ Links ]

Flato, G. M.; Boer, G. J.; Lee, W. G.; MacFarlane, N. A.; Rmasdem, D.; Reader, M. C. and Weaver, A. J. 2000. The Canadian centre for climate modelling and analysis global coupled model and its climate. Climatic Dynamics 16: 451-467.         [ Links ]

Haan, C. T 1982. Statistical methods in hydrology. The Iowa State University Press. 378 pp.         [ Links ]

Izurralde, C. R.; Rosenberg, N. J.; Brown, R. A. and Thompson, A. 2003. Integrated assessment of Hadley Center (HadCM2) climate-change impacts on agricultural productivity and irrigation water supply in the conterminous United States. Part II Regional agricultural production in 2030 and 2095. Agri. and Forest Meteorol. 117. The Netherlands. 97-122 pp.         [ Links ]

Jones, P. G. and Thorton, P. K. 1993. A rainfall generator for agricultural applications in the tropics. Agric. Forest. Meteorol. 63: 1-19.         [ Links ]

Sánchez, C. I. 1994. Evaluating strip farming systems: a stochastic approach. Department of Arid Lands Resources Sciences. PhD. Dissertation. The University of Arizona. Tucson, A. Z. 120 pp.         [ Links ]

Sánchez-Cohen, I.; Lopes, V. L.; Slack, D. C. and Hernádez, Y. C. 1995. Assesing risk for water harvesting systems in arid environments. J. Soil Water Cons. 50(5): 446-449.         [ Links ]

Sánchez, C. I.; Lopes, V. L.; Slack, D. C. and Fogel, M. 1997. Water balance model for small scale water harvesting systems. J. Irrig. Drain. Eng. 123(2): 123-128.         [ Links ]

Sánchez-Cohen, I. 2005. Fundamentos para el manejo integral del agua. Una aproximación de simulación de procesos. INIFAP CENID RASPA. Gómez Palacio, Durango. Libro científico Núm. 2. 272 pp.         [ Links ]

Sánchez-Cohen, I; Ojeda, B. W.; Chebhouni, E.; Orona, C. I.; Villanueva, D. I.; González, B. J. L y González, C. G. 2008a. Variabilidad climática en México: algunos impactos hidrológicos, sociales y económicos. Ingeniería Hidráulica en México. Vol. XXIII, núm 4. 5-24 pp.         [ Links ]

Sánchez-Cohen, I.; Díaz, P. G.; Estrada, A. J. y Cueto, W. J. 2008b. Incertidumbre climática y toma de decisiones. Consideraciones de riesgo y vulnerabilidad social. INIFAP CENID RASPA. Folleto científico Núm. 25. 55 pp.         [ Links ]

Sánchez-Cohen, I.; González, B. J. L.; Díaz, P. G y Velásquez, V. M. 2010. Cambio climático e incertidumbre: impacto en las variables hidrológicas de las cuencas. In: manejo comparado de cuencas hidrológicas: Incertidumbre climática, vulnerabilidad ecológica y conflicto social: González, B. J. L y Sánchez, C. I. (Eds.) Gómez Palacio, Durango, México. 23-42 pp.         [ Links ]

Sellers, W. 1975. Physical climatology. The University of Chicago Press. Chicago, U.S.A. 272 pp.         [ Links ]

Tiscareño, L. M. 2006. Hurricane activity and droughts in México. Paper presented at the North American Drought Monitor Internacional Meeting. National Weather Service. México, D. F.         [ Links ]

Wang, X.; He, X.; Williams, J. R.; Izurralde, R. C. and Atwood, J. D. 2005. Sensitivity and uncertainty analysis of crop yields and soil organic carbon simulated with EPIC. Transactions of the ASAE. Am. Soc. Agric. Eng. 48(3): 1041-1054.         [ Links ]

Williams, J. R.; Renard, K. G. and Dyke, P. T. 1983. EPIC: a new method for assessing erosion's effect on soil productivity. J. Soil Water Cons. 38(5): 381-383.         [ Links ]

Wilks, D. S. 1995. Statistical methods in the atmospheric sciences. Department of Soil Crop and Atmospheric Sciences. Academic Press. Ithaca New York. 467 pp.         [ Links ]

Wilby, R. L.; Hassan, H. and Hanaki, K. 1998. Statistical downscaling of hydrometeorological variables using general circulation model output. J. Hydrol. 205: 1-19. http://www.siap.sagarpa.gob.mx/ fecha de consulta 5/5/2010.         [ Links ]