La herramienta de la FAO para predecir cosechas amplía su rango de cultivos incluyendo la alfalfa
El Departamento de Agronomía de la Universidad de Córdoba mejora, junto al IAS – CSIC, el modelo AquaCrop introduciendo la opción para simular el rendimiento de la alfalfa con precisión. Este modelo que, tras casi 20 años de vida es el segundo más utilizado del mundo en investigación, permite simular la respuesta de rendimiento de los cultivos según clima, suelo y manejo del riego utilizado, algo muy importante en zonas en las que el agua es un factor limitante en la producción
Fuente: UCC+i
AquaCrop es el modelo de simulación de crecimiento de cultivos creado por la Organización de Naciones Unidas para la Agricultura y la Alimentación (FAO) en cuyo desarrollo ha tenido un papel esencial el catedrático emérito de la Unidad de Excelencia María de Maeztu – Departamento de Agronomía de la Universidad de Córdoba (DAUCO), Elías Fereres. Este modelo que, tras casi 20 años de vida es el segundo más utilizado del mundo en investigación, permite simular la respuesta de rendimiento de los cultivos según clima, suelo y manejo del riego utilizado, algo muy importante en zonas en las que el agua es un factor limitante en la producción.
Hasta ahora este modelo permitía sólo simular el rendimiento de cultivos anuales (herbáceos que tienen un ciclo anual), dejando fuera los cultivos perennes. Eso cambia con el nuevo trabajo de DAUCO e IAS – CSIC, que incluye la simulación de la alfalfa en AquaCrop y comprueba que hace una predicción del rendimiento de la cosecha válido para diferentes climas y zonas.

AquaCrop es un modelo de simulación de crecimiento de los cultivos desarrollado por la FAO. Imagen: FAO
La alfalfa es un cultivo forrajero perenne que dura entre 3 y 5 años en climas mediterráneos y que se corta varias veces dentro de cada año, volviendo a rebrotar (entre 4y 8 cortes al año). Para hacer el modelado del ciclo de vida de este cultivo y poder predecir cosechas “había dos desafíos principales en la simulación que eran esos cortes y rebrotes periódicos durante la misma estación y que la alfalfa, como cultivo perenne, almacena reservas en otoño y las usa en primavera para crecer, con lo cual el crecimiento en primavera no viene determinado sólo por la fotosíntesis, sino también por esas reservas que la planta almacena” explica el catedrático Elías Fereres.
Por tanto, había que incluir en el modelo una rutina que describiese tanto la transferencia de fotoasimilados entre la parte aérea y los órganos de almacenamiento subterráneos como el uso para el crecimiento que la planta hace de esos asimilados.
Para calibrar el modelo, se usaron datos de rendimiento recopilados en Bélgica, Turquía y Canadá para diferentes cultivares de alfalfa, varios años y diferentes estrategias de manejo de campo y riego. Se usaron 81 puntos de datos de producción en los distintos climas, variedades, zonas y programas de riego para verificar este modelo que se erige como una herramienta sólida para predecir la producción de alfalfa en diferentes ambientes.
“El resultado ha sido muy bueno tras esa verificación, se ha conseguido simular el rendimiento con muy buenas correlaciones entre lo simulado y los datos reales obtenidos” asegura Fereres, ya que no se detectó sobreestimación o subestimación sistemática por parte del modelo.
Los retos de futuro de AquaCrop
Introduciendo las variables de cultivo, clima, suelo y manejo del riego (si hay agua o no y, en caso de haberla, cómo se distribuye el riego) se consigue simular la máxima producción que se puede obtener en cada caso. Así, se puede adaptar el riego para obtener el manejo más eficiente para una mayor producción.
“Tras 20 años de uso es una aplicación muy bien optimizada, que ha sido probada en muchos cultivos y en muchos ambientes y la evidencia respalda que funciona bien y se va mejorando” cuenta Fereres sobre la aplicación que acaba de estrenar su versión número 7, donde ya se incluye la opción de modelar el rendimiento de la alfalfa.
Como reto a futuro, la aplicación se completaría con su adaptación a cultivos leñosos, todo un desafío según Fereres, “ya que simularla producción de los árboles es muy difícil por el fenómeno de la vecería (que hace que los árboles tengan más producción un año y menos el siguiente) y porque la producción en árboles viene determinada por el crecimiento y desarrollo de años anteriores”.
Referencia:
Raes, D., Fereres, E., García Vila, M., Curnel, Y., Knoded, D., Çelik, S. K., Ucar, Y., Türk, M., &Wellens, J. (April 2023). Simulation of alfalfa yield with AquaCrop.Agricultural Water Management, 284, 108341. doi:10.1016/j.agwat.2023.108341
Últimas publicaciones
Los resultados de esta investigación, impulsada por el doctor de la Universidad de Granada José Luis Cuadros López, fallecido en 2022, ponen en cuestión las conclusiones del estudio ‘Women’s Health Initiative’, que alertaba del riesgo de cáncer de mama en mujeres que siguen este tratamiento, provocando la suspensión de la terapia en muchos casos.
Sigue leyendoLa metodología utilizada para el estudio compara las diferentes velocidades de las ondas sísmicas al atravesar los sistemas rocosos. Utilizando los datos registrados de estos terremotos locales, el equipo formado por científicos de la Universidad Pablo de Olavide y la Universidad de Granada ha conseguido establecer la estructura detallada de la corteza en 3D bajo la isla canaria de La Palma.
Sigue leyendoBajo el nombre de ‘Im-Pack’ y coordinado por el catedrático Casimiro Mantell, este proyecto propone mediante técnicas supercríticas la utilización de extractos naturales agrícolas como sustancias activas. Se pretende que estos envases sean plásticos biodegradables con el fin de aumentar la calidad del envase elaborado y disminuir el impacto ambiental del uso de plásticos convencionales.
Sigue leyendoPolítica de cookies
Las cookies necesarias son absolutamente esenciales para que el sitio web funcione correctamente. Esta categoría solo incluye cookies que garantizan funcionalidades básicas y características de seguridad del sitio web. Estas cookies no almacenan ninguna información personal.
Las cookies de rendimiento se utilizan para comprender y analizar los índices de rendimiento clave del sitio web, lo que ayuda a brindar una mejor experiencia de usuario a los visitantes.
Las cookies analíticas se utilizan para comprender cómo los visitantes interactúan con el sitio web. Estas cookies ayudan a proporcionar información sobre métricas, el número de visitantes, la tasa de rebote, la fuente de tráfico, etc.
Las cookies publicitarias se utilizan para proporcionar a los visitantes anuncios y campañas de marketing relevantes. Estas cookies rastrean a los visitantes en los sitios web y recopilan información para proporcionar anuncios personalizados.