Rev. Fac. Agron. (Maracay), 15: 41-68. 1989.

Contribución a los estudios de zonificación agroecológica de soya (Glycine max (L) Merr.) mediante la aplicación de un modelo de simulación dinámico (SUCROS)

Rosemary Warnock de Parra

SUMMARY

RESUMEN

Se presentan los resultados obtenidos de la aplicación del modelo SUCROS (Simple and Universal Crop Growth Model) para evaluar el potencial agroecológico de diferentes regiones en Venezuela, en relación al cultivo de soya (Glycine max (L.) Merr.) Los rendimientos simulados se ubicaron dentro del rango probable de la respuesta real del cultivo en el país, y permiten diferenciar, en la región estudiada, zonas con un gradiente de potencial productivo; se realizó un análisis comparativo que sirvió de base para desarrollar una primera aproximación de zonificación agroecológica. Además se destaca la importancia de algunas variables climáticas como radiación en cuanto a su determinación del potencial agroecológico del ecosistema, a la vez que se indican áreas de investigación básica deficitarias que sugieren futuros caminos de investigación.

Palabras Clave: Zonificación agroecológica, Soya, Glycine max, Modelo de simulación, SUCROS, Venezuela.

INTRODUCCION

La importancia actual y futura de la soya en nuestra economía, aunado al hecho de que la demanda mundial de esta leguminosa es satisfecha fundamentalmente a través de la producción de países con climas templados como Estados Unidos, China y parte de Brasil, plantea la necesidad de realizar trabajos de investigación de naturaleza básica para determinar las posibilidades de producir soya en forma rentable en climas tropicales, específicamente en Venezuela.

Entre los estudios básicos reviste singular importancia la determinación de zonas y épocas aptas para la producción del rubro. La revisión de la literatura a nivel nacional indica que hasta el presente existe un solo antecedente de zonificación para el cultivo, Guerere et al. 1984, basado fundamentalmente en la selección de tierras; aunque en otros campos de la investigación como introducción y prueba de variedades, mejoramiento genético, prácticas agronómicas, aspectos fisiológicos, etc., el cultivo ha recibido una mayor atención. A nivel mundial, la información existente relacionada con los diversos aspectos del crecimiento del cultivo es extensa. Por tanto se considera que el momento es oportuno para comenzar a englobar esta información disponible y un tanto dispersa a nivel nacional y tratar de responder en forma preliminar a las siguientes interrogantes:

1) ¿Cuáles son los rendimientos potenciales de la soya en diferentes áreas de Venezuela?

2) ¿ Cuál es la época más propicia para sembrar?

En este sentido, una de las técnicas qe puede brindar gran ayuda al investigador, a la vez que permite el ahorro de dinero y tiempo, es el análisis de sistemas y la simulación.

La investigación documentada en el presente estudio tuvo como objeto determinar si el modelo de simulación SUCROS (Simple and Universal Crop Growth Model) puede ser implementado con la información fisiológica y edafoclimática existente en la actualidad para predecir los rendimientos potenciales de soya en diferentes localidades y épocas; y a través de los rendimientos simulados realizar un análisis comparativo que permita desarrollar una primera aproximación de zonificación para Venezuela en lo que respecta a este renglón.

REVISION DE LITERATURA

ANTECEDENTES DE ZONIFICACION

Aún cuando la literatura indica que son escasos los estudios de zonificación para soya en nuestro país, se hace evidente al revisar los trabajos publicados, que los métodos de zonificación utilizados para otros cultivos son múltiples y la obtención de una precisión aceptable dependerá en muchos casos del uso de la técnica adecuada.

Muchos de los trabajos iniciales de zonificación realizados en Venezuela fueron de tipo cualitativo, basados en una comparación de las exigencias del cultivo con las condiciones climáticas de un conjunto de localidades (Burgos, 1965; García B. y Sánchez, 1967; García B., 1968; García B.,1969; García B., 1971; García B. y Montaldo, 1971; García B. et al., 1971; Gómez A., 1973; Ortega, 1967).

En 1980, García Benavides propuso una metodología de zonificación basada en una función de producción, dando lugar entonces a los estudios de zonificación de tipo cuantitativo. El autor afirma (García B., 1980) que los métodos tradicionales de zonificación que hemos llamado cualitativos, impiden en muchos casos una predicción precisa ya que no se puede llegar a una cuantificación del producto (rendimiento).

Dentro de los estudios de zonificación de tipo cuantitativo se pueden distinguir dos grandes categorías de modelos de predicción de rendimientos: modelos descriptivos y modelos explicativos (Loomis et al.. 1979).

Existe un amplio rango de modelos descriptivos, entre ellos, los modelos de regresión, por ejemplo los modelos de regresión multivariados según afirman Loomis et al. (1979) son ampliamente utilizados para predecir rendimientos en climas variables.

Sin embargo varios investigadores, Curry et al. (1975) plantean que debido al gran número de variables involucradas y sus complejas interacciones, los análisis de regresión se hacen difíciles y a veces inadecuados.

Otros problemas citados por diversos investigadores son: A) los supuestos en el modelo de regresión frecuentemente no se cumplen (Huda et al. 1978); y B) en muchos casos es difícil obtener un alto poder extrapolativo de las funciones de producción y muy a menudo se carece de información básica para generarlas (García B. 1980).

Por otra parte, de Wit (1982) afirma que hace algo más de treinta años, a nivel mundial, otras técnicas como el análisis de sistemas y la simulación han sido utilizadas por los investigadores para estudiar los sistemas de producción. Este enfoque (explicativo) ya no sólo describe un fenómeno sino que a la vez aporta explicaciones acerca de su funcionamiento.

Ambas aproximaciones (explicativo-descriptivas) no son excluyentes, sino complementarias y en ello están de acuerdo varios investigadores (Delgado, 1985; Huda et al. 1978; Norero, 1977).

La implicación más notoria en el enfoque de sistemas es que el estudio de las complejas interrelaciones entre componentes, prevalece sobre el estudio de los componentes del sistema en forma aislada. Quienes propician este enfoque sostienen que ese es el tema unificante en la teoría de sistemas, y así lo señalan Dent y Blackie (1979).

La investigación de sistemas por lo general requiere el empleo de un modelo de simulación.

Frere y Popov (1980) definen el modelo de simulación del crecimiento de cultivos como "una representación simplificada de los mecanismos físicos, químicos y fisiológicos implícitos en el proceso de crecimiento de las plantas".

De igual manera, ellos afirman, y ésta sería una de las principales ventajas con respecto a los modelos empíricos, que si los procesos básicos de los cultivos han sido correctamente comprendidos y planteados, se puede simular la respuesta global de la planta a las condiciones del medio ambiente. Por tanto, no es necesario distinguir entre las diversas regiones climáticas, ya que el modelo mostrará por sí mismo los factores limitativos del crecimiento.

Existen actualmente muchos modelos de simulación de cultivos, entre ellos algunos diseñados específicamente para soya (Curry et al., 1975; Jones et al., 1983); y otros tan versátiles que pueden simular la respuesta de un gran número de cultivos siempre que se cuente con la información de entrada adecuada. El modelo SUCROS es del segundo tipo.

Algunas limitaciones existentes cuando se aplica el enfoque de sistemas y la simulación a la biología, según Passioura (1973), están relacionados con una insuficiente información edafo-climática y fisiológica, la validación de los modelos, y nuestra comprensión incompleta de muchos de los procesos que ocurren en los organismos vegetales.

MATERIALES Y METODOS

El presente trabajo constó de dos etapas sucesivas. La primera está relacionada con la evaluación del modelo SUCROS y la segunda con la aplicación de éste en un conjunto de localidades a fin de conformar un cuadro comparativo que permitiera evaluar el potencial agroecológico de cada zona.

Dicho modelo ha sido extensamente explicado y documentado en su edición original (Goudrian y van Laar 1982; Keulen et al. 1981; Penning de Vries y van Laar, 1982; Penning de Vries, 1982) y posteriormente Abreu (1984) realizó estudios que aportaron conocimientos complementarios al trabajo antes citado. Además Warnock de Parra (1985) describe los datos utilizados como información de entrada para el uso de este modelo en el presente estudio.

Por tanto la explicación que se hará en este artículo, se limita a un breve resumen de los aspectos más resaltantes acerca del funcionamiento del modelo, recomendando que el lector se remita a los trabajos mencionados anteriormente para una mayor comprensión.

El modelo está estructurado para simular el curso máximo de producción de materia seca del cultivo en el tiempo, desde la emergencia hasta la madurez, de acuerdo a la radiación total diaria y la temperatura, con un nivel de resolución temporal diaria. La materia seca producida se divide en raíces (WRT), hojas (WLV), tallos (WST) y órganos de almacenamiento (WSO). Los factores de distribución de biomasa se introducen como una función del estadio fenológico del cultivo.

Para el cálculo de la materia seca producida, el modelo se basa en la cuantificación de la asimilación de CO₂ por las plantas, expresado por ecuaciones matemáticas que explican el proceso de fotosíntesis y derivadas de ensayos controlados en condiciones variadas.

El modelo SUCROS estima el potencial de producción al nivel de producción 1, en el cual según definiciones de de Wit, citado a su vez por Penning de Vries (1982), el agua o nutrientes no son factores limitantes del crecimiento.

Ahora bien, si tenemos en cuenta que el rendimiento potencial de cualquier cultivo de secano en Venezuela está altamente influenciado por el suministro de agua, el cual, cabe mencionar, en nuestras condiciones tropicales está caracterizado por una alta erraticidad y distribución desuniforme en sentido espacial y temporal, se hace evidente la necesidad de introducir un modelo para el cálculo de balance hídrico que permita ajustar el rendimiento potencial sin limitaciones de agua a las condiciones reales de suplencia hídrica de cada una de las localidades seleccionadas para el estudio.

En efecto, Abreu (1985) señala que una de las más importantes conclusiones derivadas de los estudios de la producción en función de las relaciones hídricas en el sistema suelo-planta-atmósfera, ha sido que el rendimiento de un cultivo dado, depende no solamente de las cantidades totales de agua suministrada, sino básicamente también, de su distribución temporal durante el ciclo de desarrollo. Así mismo advierte, que aun cuando las estimaciones de los niveles de humedad en el suelo basados en definiciones de balance hídrico sobre condiciones promedios para períodos anuales, mensuales y otra escala de tiempo, representan los métodos convencionales para recomendaciones agronómicas en la planificación agrícola, estos balances como tales, ofrecen sólo una respuesta parcial sobre la humedad del suelo, por no considerar las variabilidades naturales del proceso. Por tanto, a niveles de planeamiento más detallado, se deben tomar en cuenta estas variabilidades para garantizar una conveniente toma de decisiones.

De acuerdo a lo expuesto, se utilizó un modelo para el cálculo diario de balance hídrico, que va acoplado al modelo de simulación de crecimiento SUCROS y que modifica el rendimiento potencial según las características específicas del clima y suelo de cada región. El modelo de balance hídrico empleado está basado en el modelo integral ARID CROP, que es ampliamente reseñado por van Keulen et al., (1981) y van Keulen, (1982)

Wright, citado por Delgado (1985) proporciona una importante apreciación relacionada con la afirmación de que gran cantidad de problemas estudiados mediante simulación fundamentalmente en su fase de experimentación, tienen que ver con la comparación de distintas alternativas, señalando que aun cuando el modelo no sea suficientemente realista como para estimar el nivel absoluto de funcionamiento de un sistema, puede todavía ser muy útil para estimar los méritos relativos de diferentes alternativas.

En este sentido, Delgado (1985) igualmente menciona la advertencia de Spedding, quien señala que aun cuando las predicciones de un modelo puedan no siempre ser hechas con certeza, al menos las consecuencias probables de las condiciones asumidas y de las acciones pueden ser evaluadas.

Es precisamente en esta acepción que se ha empleado el modelo, utilizando exclusivamente la variable rendimiento como índice de comparación del potencial productivo de cada localidad.

ETAPA I. EVALUACION DEL MODELO SUCROS

Se realizó una comparación en base a rendimientos potenciales simulados y los rendimientos de campo observados en la Estación Experimental de FUSAGRI (Fundación para el Servicio del Agricultor), durante 10 fechas diferentes de siembra, con riego (NIÑO, R. y W. CHACON. Información relacionada con rendimientos experimentales de campo y fenología de la variedad Júpiter, sembrada durante diferentes épocas del año. Estación Experimental FUSAGRI, Cagua, Estado Aragua. 1983-1984, (Comunicación personal).). El modelo se hizo correr para condiciones similares de temperatura, radiación, precipitación, evaporación, suelos, fertilidad y plagas que prevalecieron en los ensayos realizados por FUSAGRI. Los resultados de campo reportados por FUSAGRI para cada fecha de siembra se presentan en el Cuadro 1. Cabe destacar que en esta etapa se aplicó el modelo SUCROS sin balance hídrico, lo cual presupone que se realicen las estimaciones al nivel óptimo de producción sin limitaciones de agua.

ETAPA II. SIMULACION PARA LA REGION LLANERA Y PERIFERIA UBICACION DEL AREA BAJO ESTUDIO.

El área de estudio se encuentra enmarcada básicamente dentro de la región de los llanos venezolanos, y dentro de esta zona se seleccionaron 19 localidades, correspondientes a estaciones climatológicas de primer orden que presentaron datos suficientes de temperatura, radiación, precipitación y evaporación, recopilándose luego información de suelos representativos para cada una de ellas. La descripción y ubicación de las estaciones seleccionadas se encuentra en el Cuadro 2 y Figura 1.

Fig .1 Situación de las Estaciones Climatológicas

Esta segunda parte del trabajo consistió en determinar los rendimientos simulados en cada una de las estaciones, tomando en cuenta las limitaciones de humedad de la región para diferentes fechas de siembra. En cada estación climatológica, se estudió el registro de información existente desde su establecimiento y se escogieron dos años extremos de precipitación anual, uno de máxima y otro de mínima precipitación, con el fin de obtener resultados dentro del rango máximo de variación de los contenidos de agua en el suelo.

En esta etapa de trabajo se aplicó el modelo SUCROS acoplado al modelo de cálculo diario de balance hídrico, comenzando la simulación en la fecha más temprana del año en que los rendimientos en grano arrojaron valores cercanos a 1 500 Kg Ha^-1. Esta fecha más temprana de siembra simulada varió con la localidad de acuerdo a las condiciones climatológicas. A partir de la primera fecha de siembra se corrió el modelo consecutivamente cada 20 días hasta aproximadamente el día 250 del año que correspondió en todas las estaciones a la última fecha corrida. Dicho procedimiento se realizó en todas las estaciones climatológicas, para los dos años seleccionados respectivamente. Luego se compararon y analizaron los resultados obtenidos.

CUADRO 1. Rendimientos de campo reportados para 10 fechas de siembra en FUSAGRI (CAGUA)

CUADRO 2. Ubicación de las estaciones climatológicas

RESULTADOS Y DISCUSION

ETAPA I. EVALUACION DEL MODELO SUCROS

Los resultados del modelo SUCROS, así como los rendimientos de campo observados en la estación de FUSAGRI (Cagua), se muestran en el Cuadro 3. Se nota que los rendimientos estimados por el modelo de simulación están comprendidos dentro de un rango lógico de rendimientos para el cultivo de soya en Venezuela, por lo que se determinaron los intervalos de confianza para la respuesta real y la respuesta simulada. Ellos son 1 176.8 Kg Ha^-1 - 3 358.6 Kg Ha^-1 ; 2 605.1 Kg Ha^-1 - 3 270.9 Kg Ha^-1 respectivamente. Esto indica que los rendimientos predichos caen dentro del rango probable de la respuesta real.

Por otra parte, se sometieron los resultados a la prueba del coeficiente de determinación (R2) entre los rendimientos de campo y rendimientos simulados, la cual arrojó un valor muy bajo de 0.08.

Ello indica que existe poca correspondencia entre las variaciones de los rendimientos simulados y los de campo, durante el lapso de tiempo y localidad considerados.

Al evaluar los resultados de esta primera parte del estudio se deberá en todo caso analizarlos a la luz de las limitaciones que prevalecen en el país en la actualidad para la realización de un trabajo de esta naturaleza y con un cultivo no tradicional.

En efecto, es poca la información reportada acerca de ensayos relacionados con épocas de siembra en soya, siendo uno de los más completos los suministrados por FUSAGRI, dado que comprende experimentos realizados durante varios años consecutivos, en diferentes épocas. Debido a ello, estos fueron utilizados como punto de comparación para evaluar el modelo. No obstante, no existe garantía de que en estos ensayos hayan prevalecido las condiciones necesarias para cumplirse los supuestos fundamentales requeridos en una comparación de este tipo, es decir que no existieran otras restricciones al crecimiento además de la radiación.

Para alcanzar las producciones predichas por el modelo con el propósito de validación, las condiciones de crecimiento en el sistema real han debido ser óptimas en términos de suplencia de agua y nutrientes, la interferencia por malezas mínima y el cultivo libre de plagas y enfermedades. Aun bajo condiciones experimentales, puede ser muy difícil crear tal situación ideal, pero entonces el modelo puede indicar cuanto es posible aún mejorar los rendimientos (Dent y Blackie 1979).

El Gráfico 1 ilustra claramente que en la mayoría de las fechas de siembra los rendimientos simulados superan los rendimientos de campo. El promedio de los rendimientos simulados es 2 938 Kg Ha^-1 y el correspondiente a los rendimientos de campo es de 2 267 Kg Ha^-1, lo cual indica que los rendimientos predichos en promedio superan los de campo en más de 600 Kg Ha^-1, siendo el rendimiento predicho más bajo el de 2 743 Kg Ha^-1 en comparación con 1579 Kg Ha^-1 el más bajo de los rendimientos de campo. Sólo en un caso (3-8-81), los rendimientos de campo son superiores a los rendimientos simulados. Para esta fecha de siembra, FUSAGRI reportó rendimientos de 3 183 Kg Ha^-1, y el rendimiento potencial máximo simulado fue de 2 968 Kg Ha^-1. El rendimiento de campo reportado por FUSAGRI es totalmente atípico, y una posible explicación radica en que ese año (1981) fue muy bueno en cuanto a suplencia total de agua (1 344 mm) y particularmente el mes de septiembre mostró un total de precipitación, bastante elevado (216.4 mm) que superó la media de precipitación, para 14 años de registro, en el mismo mes.

Gráfico. 1. Rendimiento de campo y rendimientos potenciales para la localidad Sta. Cruz-Cagua en función de la fecha de siembra

CUADRO 3. Rendimientos de campo y rendimientos potenciales para 10 fechas de siembra en la localidad Santa Cruz-Cagua.

Por otra parte, la discordancia entre los resultados del modelo de simulación y los resultados de campo plantea la necesidad de afinar los datos de entrada en lo referente a información climática, edáfica y fisiológica, a fin de aumentar su precisión.

En el aspecto climático, conviene recalcar la importancia de contar con registros confiables y continuos de temperatura, radiación, precipitación (diarios) y evaporación (diarios), de amplia cobertura en el territorio nacional, y rápida asequibilidad al usuario.

En forma semejante, los estudios de suelo en el país resultan incompletos para los efectos del presente trabajo en tres aspectos: cobertura regional y caracterización de las relaciones suelo-agua. En nuestra latitud resulta importante, por razones obvias, conocer las características de retención de agua de los tipos de suelos predominantes en las regiones con potencial agrícola.

Por último, es en el aspecto fisiológico donde se destaca con mayor gravedad la carencia de información adecuada y apropiada de nuestra ubicación latitudinal. Es de primordial importancia conocer los resultados de experimentos realizados en el país bajo condiciones climáticas contrastes, que involucren el análisis de crecimiento, morfología y fenología de las variedades promisoras.

Tomando en cuenta las anteriores limitaciones, es justo considerar que el modelo mostró un comportamiento aceptable, por lo que se aplicó al resto de las estaciones seleccionadas, a fin de conformar un cuadro comparativo entre las diferentes zonas en cuanto a su potencial productivo.

ETAPA II. SIMULACION PARA LA REGION LLANERA Y PERIFERIA

Se observó que en cada localidad hay un rendimiento potencial máximo que corresponde a una fecha de siembra óptima, respecto al año húmedo y al año seco. En base a lo anterior, es posible discernir ciertos resultados generales, cuya explicación luce evidente de acuerdo a consideraciones de tipo climático y edáfico.

Un primer resultado de significativa importancia lo constituye el hecho de diferenciar en la región estudiada, zonas con diferente potencial productivo, las cuales evidencian un gradiente en sentido latitudinal y longitudinal. Ello permite su agrupación en clases, dando lugar posteriormente a una zonificación preliminar. Pero antes de analizar este aspecto, se discutirán los resultados individuales de 5 estaciones (Gráficos 2 al 6). El Cuadro 4 muestra los valores obtenidos para cada estación.

Gráfico. 2. Rendimiento simulado. Radiación y precipitación en la
estación Acarigua para los años 1973 y 1979.

Gráfico. 3. Rendimiento simulado. Radiación y precipitación en la
estación Turén para los años 1974 y 1979.

Gráfico. 4. Rendimiento simulado. Radiación y precipitación en la
estación Yaritagua para los años 1971 y 1972.

Gráfico. 5. Rendimiento simulado. Radiación y precipitación en la estación Maturín para los años 1976 y 1972.

Gráfico. 6. Rendimiento simulado. Radiación y precipitación en la
estación Tucupita para los años 1973 y 1972.

En general, en los Gráficos 2 y 3 se observa una clara tendencia hacia el incremento acelerado de los rendimientos durante las fechas más tempranas de simulación, para luego comenzar a nivelarse en una meseta y posteriormente los rendimientos se tornan decrecientes hacia el final del lapso considerado.

Aún cuando estos resultados son el producto de la interacción de múltiples factores, quizás muy complejos de interpretar en conjunto, luce evidente la confluencia determinante de dos de ellos, radiación y precipitación, los cuales a simple vista facilitan la interpretación de los resultados. En el período del año en que simultáneamente ocurren las condiciones óptimas de radiación y precipitación, se obtienen los mayores rendimientos.

En la Estación Acarigua, ello ocurrió el 20 de Mayo, tanto para el año húmedo como para el año seco (ver Gráfico 2) notándose rendimientos superiores durante la mayoría de las fechas de siembra del año húmedo en comparación con el año seco. A título de ejemplo cabe mencionar que para la fecha de siembra del 21 de Marzo los rendimientos simulados del año seco no alcanzaron los 1 200 Kg Ha^-1, mientras el correspondiente valor para el año húmedo superó los 3 000 Kg Ha^-1. Resulta interesante señalar, aún más, que el rendimiento potencial máximo más alto de toda la región bajo estudio, durante el año húmedo, ocurrió en esta Estación, como se ilustra en el Cuadro 4.

En Turén se alcanzaron los rendimientos potenciales máximos el 29 de junio para el año seco, y el 30 de Mayo para el año húmedo (ver Gráfico 3). El rendimiento potencial máximo evidenciado por esta estación durante el año seco ( 3 437 Kg Ha^-1) es uno de los más altos de toda el área bajo estudio (Cuadro 4), y de igual manera los rendimientos de todas las fechas de siembra a partir del 20 de Abril muestran una ventaja considerable con respecto al año húmedo, lo cual es fácilmente entendible si se relaciona con los valores excepcionalmente elevados de radiación, durante los posteriores meses del año húmedo. Además es conveniente señalar que el rendimiento potencial máximo se logró más temprano durante el año húmedo que en el año seco, mostrando una diferencia de aproximadamente un mes entre una fecha y otra.

Por otra parte, en la Estación Yaritagua (Gráfico 4) se observa una disminución en la tasa de crecimiento de los rendimientos potenciales durante los meses de mayo y junio del año húmedo, debido fundamentalmente a que durante el período Mayo a Agosto se suceden los mínimos valores de radiación del año húmedo.

Los resultados de las Estaciones Maturín (Gráfico 5), Tucupita (Gráfico 6) y Tumeremo (no incluído), ubicados en la parte oriental impresionan por la similitud existente entre las curvas de rendimiento de los años húmedos correspondientes. Parece evidente, que es el régimen pluviométrico, el cual muestra muy poca estacionalidad, quien le imprime a su vez esta característica al sistema de producción.

CUADRO 4. Rendimientos potenciales máximos y fechas optimas en año seco y año húmedo por estación.

* RAS: Rendimiento potencial máximo en el año seco
** RAH: Rendimiento potencial máximo en el año húmedo
(*) FAS: Fecha óptima en el año seco
(**) FAH: Fecha óptima en el año húmedo

COMPARACION DEL POTENCIAL AGROECOLOGICO DE LAS DIFERENTES LOCALIDADES. ZONIFICACION PRELIMINAR.

Como se señaló antes, los resultados simulados muestran una gradación de los potenciales productivos, lo cual permite su agrupación en clases. En la Figura 2 se ilustra la clase correspondiente a cada estación; pudiéndose distinguir 4 zonas diferentes, que son las siguientes:

Fig. 2. Zonificación Preliminar

Los resultados experimentales de siembras realizadas en nueve localidades del país utilizando la variedad Júpiter se ilustran en el Cuadro 5, observándose que existe bastante similitud con los gradientes regionales obtenidos al analizar y comparar los resultados simulados del presente estudio.

En general, el análisis precedente parece indicar, por una parte, que existen diferencias marcadas de radiación entre las diferentes épocas del año y localidades del país, y de la misma manera ocurre con la precipitación, aunque aún cuando las variaciones en la precipitación han sido ampliamente aceptadas y manejadas, las variaciones en la radiación pueden haber pasado inadvertidas para nuestros agricultores o confundidas con otras variables por nuestros investigadores. Ello por otra parte pone de manifiesto las variaciones en los rendimientos inter e intra localidades en el mismo año y entre años más secos o más húmedos, no sólo debido al aspecto suplencia de agua para el crecimiento, sino además posiblemente, en función del efecto de la nubosidad sobre los rendimientos a través de la reducción de energía para la fotosíntesis durante los años más húmedos.

Entre las localidades estudiadas se destaca en este sentido: Turén, Barinas, Mesa de Cavacas, Mantecal, La Corcovada, Guarabao, Yaritagua, Santa Cruz y Cachipo, en donde se observa una clara tendencia hacia valores promedios diarios de radiación menores, durante los años húmedos estudiados y particularmente durante la época lluviosa de dichos años.

De tal manera, si el rendimiento óptimo de la estación para el año considerado coincide con los meses de baja radiación, entonces su valor será comparativamente menor al de las otras localidades y épocas del año en que no es tan marcada la limitante energética para el crecimiento.

CUADRO 5. Rendimiento promedio de la variedad jupiter sembrada en nueve localidades.

FUENTE: Ensayos Regionales, Ciclo 84 - Convenio MAC, FONAIAP, FUND. POLAR. Estabilidad Fenotipica para Rendimiento de 9 cultivares de soya. F. Miranda. 1985 (Comunicación personal).

Por lo tanto es posible percibir ciertas diferencias en cuanto a las limitantes prioritarias en las zonas de bajos rendimientos que pudiesen conllevar a futuros proyectos de investigación localizada para generar alternativas de manejo mejor adaptadas a las particularidades de cada ambiente. Así en la Zona IV, que en términos generales presenta los rendimientos simulados más bajos de toda el área estudiada, se podrían explorar los beneficios del riego como una tecnología tendente a elevar el potencial productivo del agroecosistema, toda vez que permitiría sembrar durante los primeros y últimos meses del año que es cuando se presentan los mayores valores de energía radiante.

Así mismo, la Zona III se perfila como una región de baja radiación, y poca estacionalidad de las lluvias durante los años húmedos, lo cual apunta en la dirección de investigaciones relacionadas, por una parte, con mayores densidades de siembra para aprovechar al máximo el potencial energético de los agroecosistemas, y por la otra con probabilidades de ocurrencia de años húmedos y secos que permitieran disminuir la incertidumbre de ocurrencia de unos y otros en esa región.

CONCLUSIONES

1. Tomando en cuenta las condiciones que prevalecieron durante la ejecución del presente trabajo, se estableció que el modelo SUCROS mostró un comportamiento aceptable para predecir los rendimientos del cultivo dentro del intervalo de confianza de la respuesta real.
2. Los ensayos de campo realizados en Venezuela con el cultivo soya no son a- decuados a los fines de la validación formal del modelo SUCROS.
3. La información científica generada por los ensayos de investigación realizados con el cultivo de soya en Venezuela, se muestra deficitaria en el aspecto de caracterización fisiológica, fenólogica y morfológica del cultivo.
4. La información climática existente en el país se mostró:
   A) Discontínua en el tiempo.
   B) Incompleta en cuanto a variables climática como radiación y registros diarios de precipitación y evaporación.
   C) Limitada en cuanto a cobertura regional.
   D) Difícilmente asequible al usuario.
5. En el aspecto de caracterización de suelos, también se encontraron limitaciones para la realización del presente trabajo, fundamentalmente en cuanto a las características de retención de humedad de los suelos predominantes en las regiones con potencial agrícola.
6. En general se confirmó que la metodología empleada, es decir el análisis de sistemas el cual involucra la aplicación de modelos de simulación, está más adelantando que los bancos de información básica disponibles en el país.
7. Lo anterior pone de manifiesto una de las funciones más útiles de los modelos de simulación, que es detectar las deficiencias o lagunas en la información base y definir las necesidades para experimentos adicionales.
8. La aplicación del modelo SUCROS con balance hídrico a la región estudiada permitió detectar 4 zonas con diferente potencial productivo, las cuales evidencian un gradiente en sentido latitudinal y longitudinal.
9. El análisis de los resultados de simulación en cada localidad hizo posible destacar la importancia de la radiación como variable climática determinante del potencial agroecológico del sistema.
10. Así mismo, se confirmó la necesidad de considerar a la precipitación en forma diaria cuando se realizan estudios de esta naturaleza.

LITERATURA CITADA

1. ABREU, E. 1984. Modelo de simulación de crecimiento y producción de cultivos. Univ. Simón Bolívar. Programa de Post-Grado de Planificación e Ing. en Rec. Hid. 18p. Mecanografiado.
2. ------------------------1985. Modelo de simulación estocástica de balance hídrico y producción de cultivos. Caracas. Programa de Post-Grado de Planificación e Ingeniería de Recursos Hidráulicos. Universidad Simón Bolívar. 117 p. Mecanografiado.
3. BURGOS, J.J. 1965. Aptitud agroclimática y planificación de siembra de papa simiente (Solanum tuberosum) en la región andina venezolana. Agronomía Tropical (Venezuela) 15:193-212.
4. CURRY, R.B.; C.H. BAKER e I.G. STREETER. 1975. SOYMOD I: A dynamic simulator of soybean growth and development. En Transactions of the ASAE. 963-974.
5. DELGADO, E.F. 1985. Aplicación de un modelo de simulación para evaluar alternativas agroecológicas de producción de cultivos anuales en la Apuroquia. Tesis de Ascenso, Guanare, Programa de Rec. Nat. Renov. UNELLEZ. 140 P.
6. DENT, J.B. y M.J. BLACKIE 1979. Systems simulation in agriculture. Applied Science Publishers, L.T.D. 180 p.
7. FRERE, M. y G.F. POPOV 1980. Pronóstico de cosechas basado en datos agrometeorológicos. FAO, Roma. 65 p.
8. GARCIA BENAVIDES, J. y C.J. SANCHEZ. 1967. Zonas climáticas para la palma datilera (Phoenix dactylifera) en Venezuela. Agronomía Tropical. (Venezuela). 17:195-206.
9. ______________1968. Clima agrícola del cafeto (Coffea arabica) y zonas potenciales en los Andes de Venezuela. Agronomía Tropical. (Venezuela) 18:57-84.
10. _______________.1969. Zonificación de Phaseolus vulgaris en función de su regimen hídrico. Agronomía Tropical. (Venezuela) 19:197-203.
11. _______________. 1971. Clima agrícola de Citrus sinensis. Agronomía Tropical. (Venezuela) 21:71-89.
12. _______________ y A. MONTALDO. 1971. Exigencias hídricas de la yuca o mandioca (Manihot esculenta). Agronomía Tropical. (Venezuela) 21:25-31.
13. _______________. B. MAZZANI y J.M. SAINZ. 1971. Relación entre el balance de agua en el suelo y el rendimiento del ajonjolí (Sesamum indicum). Agronomía Tropical. 21:49-57.
14. ________________.1980. Estructura metodológica para la caracterización agroecológica de áreas por procedimientos cuantitativos de análisis y su posterior zonificación. Universidad Nacional Experimental Francisco de Miranda. Coro. 451 p.
15. GOMEZ, A.F. 1973. Una metodología para determinar zonas aptas para algunos cultivos en Venezuela. El caso de la caña de azúcar. Consejo de Bienestar Rural. Caracas. 183 p.
16. GOUDRIAN, J. y H.H. VAN LAAR 1982. Potential production processes. En 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. Pudoc, Wageningen, the Netherlands. p. 98-113.
17. GUERERE, A. et al. 1984. Selección preliminar de tierras para el cultivo de la soya en Venezuela. MARNR. p. 24.
18. HUDA. A.K.S.; M.V.K. SIVAKUMAR y S.M. VIRMANI. 1978. Interdisciplinary research needs of agroclimatological studies: Modeling approaches and minimun data set. En Proceedings of the International Workshop on the Agroclimatogical Research Needs of the Semi-Arid Tropics. ICRISAT. Patancheru. P.O. Andhra Pradesh, India. 502-324.
19. JONES, J.W.; J.W. MISHOE y K.J. BOOTE 1983. SOYGRO: A model of soybean crop growth and yield. Proceedings of Symposium on Minimun Data Set for Agrotechnology Transfer. ICRISAT. Patancheru, India. 31p.
20. KEULEN, H. VAN; N.G. SELIGMAN y R.W. BENJAMIN. 1981. Simulation of water use and herbage growth in arid regions - A re-evaluation and further development of the model "ARID CROP". Agricultural Systems 6:159-193.
21. ._____________.1982. Crop production under semi arid conditions, as determined by moisture avaibility. En Penning de vries, F.M.T. and H.H. van Laar, eds. Simulation of plant growth and crop production. Centre for Agricultural Publishing and Documentation. Pudoc. Wageningen, the Netherlands.
    p. 159-174.
22. .______________.F.W.T. PENNING DE VRIES y E.M. DREES. 1982. A summary model for crop growth. En 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. Pudoc. Wageningen, the Netherlands. p. 87-97.
23. LOOMIS, R.S.; R. RABBINGE y E. NG. 1979. Explanatory models in crop physiology. Ann. Rev. Plant. Physiol. 30: 339-67.
24. NORERO, A. 1977. El clima y la producción de cultivos. Relaciones físicas básicas. CIDIAT. Mérida. p. 31.
25. ______________.1983. Crecimiento y desarrollo de cultivos anuales. Bases agrofísicas para modelos de simulación. CIDIAT. Mérida.
26. ORTEGA, Y.S. 1967. Zonificación del cultivo de la caraota (Phaseolus vulgaris) en Venezuela. Agronomía Tropical 17:153-161.
27. PASSIOURA, J.B. 1973. Sense and nonsense in crop simulation. J. Aust. Inst. Agric. Sci. 39:181-83.
28. PENNING DE VRIES, F.W.T. y H.H. VAN LAAR. 1982. Simulation of growth processes and the model BACROS. En 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. Pudoc, Wageningen, the Netherlands. p. 114-131.
29. PENNING DE VRIES, F.W.T. 1982. Systems analysis and development. En 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. Pudoc. Wageningen, the Netherlands. p. 9-19.
30. WARNOCK de PARRA, R. 1985. Contribución a los estudios de zonificación agroecologica de soya (Glycine Max L.) mediante la aplicación de un modelo de simulación dinamico (Sucros) Trabajo de Ascenso Asistente. U.C.V. Fac. Agronomia, Maracay. 154 p.
31. WIT, C.T. de, 1982. Simulation of living systems. En 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, Pudoc, Wageningen, the Netherlands p. 3-8.