Fitociencia

 

Simulación del rendimiento de maíz (Zea mays L.) en el norte de Sinaloa usando el modelo AquaCrop

 

Simulation of corn (Zea mays L.) yield in northern Sinaloa using the AquaCrop model

 

Hilario Flores-Gallardo¹*, Waldo Ojeda-Bustamante², Héctor Flores-Magdaleno³, Ernesto Sifuentes-Ibarra⁴, Enrique Mejía-Saénz³

 

¹ INIFAP-CIRNOC-Campo Experimental Valle del Guadiana. 34170. Carretera Durango-El Mezquital km 4.5, Durango, México. *Autor responsable (flores.hilario@inifap.gob.mx).

² Instituto Mexicano de Tecnología del Agua. Paseo Cuauhnáhuac No. 8535. 62550. Colonia Progreso, Jiutepec, Morelos, México.

³ Colegio de Postgraduados. Programa de Hidrociencias. 56230. Carretera México-Texcoco km 36.5, Montecillo, Texcoco, Estado de México, México.

⁴ INIFAP-CIRNO-Campo Experimental del Valle del Fuerte. 81110. Carretera México-Nogales km 1609. Gral. Juan José Ríos, Guasave, Sinaloa, México.

 

Recibido: agosto, 2012.
Aprobado: abril, 2013.

 

Resumen

La intensificación de la variabilidad climática ha generado incertidumbre en los volúmenes de agua disponible en varias zonas de riego de México, ocasionan inestabilidad en la productividad del cultivo de maíz (Zea mays L.). Los modelos calibrados de simulación biológica son una herramienta computacional viable para estudiar el comportamiento de los cultivos en condiciones climáticas y escenarios de manejo agronómico e hídrico diferentes. En la presente investigación se calibró y validó el modelo AquaCrop para simular el desarrollo del cultivo de maíz en el norte de Sinaloa, México, con tres condiciones de disponibilidad hídrica: riego total (RT) y riego deficitario (80 % y 60 % respecto a RT). Para calibrar y validar el modelo se compararon datos observados y simulados de cobertura del dosel vegetal, producción de biomasa en la cosecha y rendimiento de grano, con datos experimentales de parcelas comerciales de maíz establecidas en los ciclos agrícolas otoño-invierno (O-I) de 2003-2004, 2007-2008 y 2008-2009, y los ciclos primavera-verano (P-V) de 2008 y 2009. Las predicciones del rendimiento de grano del modelo fueron buenas con un valor de 0.79 t ha ^-1 para la raíz cuadrada del cuadrado medio del error (RMSE) y un índice de Willmott (d) de 0.85. El modelo AquaCrop previamente calibrado y validado, es una alternativa para conocer la respuesta del maíz con riego deficitario y condiciones climáticas contrastantes.

Palabras clave: Biomasa, requerimientos hídricos, variabilidad climática.

 

Abstract

The intensification of climate variability has caused uncertainty in available water volumes in several irrigation areas of Mexico; this has led to instability in the productivity of corn crop (Zea mays L.). Biological simulation models, once calibrated, are a feasible computational tool to study the behavior of crops under climatic conditions and different scenarios of agronomic and water management. In this study the AquaCrop model was calibrated and validated to simulate the development of corn crop in northern Sinaloa, Mexico, with three conditions of water availability: full irrigation (RT) and deficit irrigation (80 % and 60 % with respect to RT). To calibrate and validate the model, observed and simulated data of green canopy cover, biomass production at harvest and grain yield were compared, using experimental data from commercial corn plots established in the fall-winter agricultural seasons (O-I) 2003-2004, 2007-2008 and 2008-2009, and the spring-summer seasons (O-I), 2008 and 2009. The grain yield predictions of the model were good with a value of 0.79 t ha ^-1 for the root mean square error (RMSE) and Willmott's index of agreement (d) was of 0.85. The AquaCrop model previously calibrated and validated is an alternative for the answer of corn crop with deficit irrigation and contrasting climatic conditions.

Key words: Biomass, water requirements, climatic variability.

 

INTRODUCCIÓN

Cerca de 80 países, con 40 % de la población mundial, padecen problemas graves por escasez de recursos hídricos (Walker y Skogerboe, 1987). Sólo 20 % de la superficie cultivada mundial es con riego y varias zonas tienen problemas de incertidumbre en los volúmenes disponibles en sus fuentes de abastecimiento. El riego es indispensable para asegurar rendimientos comerciales aún en zonas con precipitación alta (Wanjura y Upchurch, 2000). El agua es un bien escaso y vital que asegura la producción agrícola económicamente viable; en México las zonas grandes de riego se ubican en regiones áridas y semiáridas que requieren regulación y distribución adecuada del agua, (Flores-Gallardo et al., 2012).

El desarrollo y popularización de computadoras proporciona herramientas para almacenar grandes volúmenes de datos y realizar cálculos numerosos. Esto permite el desarrollo de sistemas computacio-nales para analizar el comportamiento y respuesta biológica de los sistemas de producción agrícola en escenarios de manejo diferentes y condiciones climáticas contrastantes. La posible intensificación del ciclo hidrológico, con cambios en los patrones climáticos actuales por efectos del cambio climático, demanda el uso frecuente de herramientas para conocer con mayor certidumbre la respuesta de los cultivos en condiciones climáticas cambiantes. La respuesta de los cultivos al déficit hídrico es compleja y usualmente se usan funciones empíricas para estimar los rendimientos con base en el nivel de déficit hídrico durante una parte o todo el ciclo del cultivo. Uno de los métodos más usados para estimar el rendimiento con parámetros empíricos, calibrados en experimentos de campo y niveles diferentes de estrés hídrico de los cultivos, es el desarrollado por Doorenbos y Kassam (1979). Otra alternativa son los modelos de simulación biofísica de cultivos que manejan relaciones para predecir el crecimiento, desarrollo y rendimiento del cultivo con las características genéticas, agronómicas y condiciones ambientales durante el desarrollo de los cultivos (Monteith, 1996). Ahora se usan modelos diferentes para simular la respuesta de los cultivos en condiciones diversas de producción a nivel parcelario. Los modelos de simulación biológica pueden usarse para estimar la producción potencial e identificar factores limitantes de la producción o para analizar cambios en el manejo hídrico de los cultivos (López-Cruz et al., 2005). El modelo biofísico más usado es el DSSAT, que permite estimar los efectos de las prácticas de manejo y las condiciones ambientales en los cultivos (Jones et al., 2003; Hoogenboom et al., 2012). La versión nueva del DSSAT contiene modelos para 17 cultivos, entre ellos el maíz (Zea mays L.), derivados de los modelos DSSAT-CROPGRO y CERES. Otros modelos para simular el desarrollo del cultivo de maíz son CERES-Maize (Jones et al., 1986), EPICphase (Cavero et al., 2000), CropSyst (Stõckle et al., 2003), APSIM (Keating et al., 2003) y Hybrid-Maize (Yang et al., 2004). Según Heng et al. (2009), estos modelos sofisticados demandan habilidades para su calibración y operación porque requieren un número grande de parámetros, algunos específicos para los cultivares; esto complica su adopción por los agricultores o usuarios finales.

El modelo AquaCrop liberado por la FAO (Raes et al., 2009a) puede usarse como herramienta computacional para analizar escenarios agrícolas en ciclos y localidades diferentes (Heng et al., 2009; Hsiao et al., 2009; Steduto et al., 2009).

Este modelo determinístico está orientado a usuarios con conocimientos computacionales limitados, es simple sin perder exactitud porque usa un número reducido de parámetros en comparación con otros modelos biofísicos comerciales (Raes et al., 2009b), y se ha calibrado con buen ajuste y resultados experimentales en varias regiones agrícolas del mundo. Pero no se ha reportado su aplicación para las condiciones de manejo y clima de la agricultura mexicana, por lo cual se requiere la calibración local con datos experimentales (Hussein et al., 2011).

La seguridad alimentaria es un reto en México para producir suficiente cantidad de alimentos, con calidad alta y precio accesible. La agricultura de riego es importante para responder al aumento de la demanda de alimentos de la población creciente; aunque la superficie de cultivo ha permanecido casi estable en las últimas cuatro décadas (Ojeda-Bustamante et al., 2012). El maíz es cultivado en la mayoría de las zonas con riego y temporal, pero México no es autosuficiente e importa alrededor de 8 millones t anualmente, esto es la tercera parte de sus necesidades (SAGARPA, 2007). Algunos factores externos e internos que complican el abastecimiento de maíz y la reducción de su producción en el 2011 son el aumento de la demanda para producir de etanol en la última década, aumento de los costos de producción, variabilidad climática y recurrencia de sequías, que aumentan la presión en los recursos hídricos para uso agrícola (SIAP, 2012). Por tanto, se requieren herramientas que permitan analizar escenarios de manejo diferentes en condiciones de baja disponibilidad hídrica, para mejorar el uso del agua y reducir los efectos en los rendimientos de los cultivos.

En esta investigación se calibró y validó el modelo AquaCrop con datos experimentales obtenidos de parcelas comerciales de maíz en el distrito de riego 075 "Río Fuerte", Sinaloa, México. El efecto del estrés hídrico se estudió y se cuantificó el impacto de algunas prácticas de manejo con disponibilidad hídrica con riego total (RT) y riego deficitario (80 y 60 % respecto a RT), para estimar rendimientos de maíz con fechas de siembra diferentes y determinar las fechas optimas de siembra según el modelo AquaCrop en ese distrito. El modelo, calibrado y validado, será una herramienta para analizar el comportamiento del cultivo de maíz bajo diferentes escenarios de manejo agronómico, hídrico y condiciones climáticas contrastantes en México.

 

MATERIALES Y MÉTODOS

Descripción de la zona de estudio

La investigación se realizó en el área del distrito de riego 075 "Río Fuerte" (DR-075), en la zona árida del norte de Si-naloa, México (25° 48.89' N, 109° 1.53' O y altitud promedio de 20 m). Los suelos predominantes tienen textura franco arcillosa típicamente con 50, 30 y 20 % de arcilla, limo y arena, <1 % de materia orgánica, densidad aparente 1.2 g cm ^-3 y humedad aprovechable volumétrica 15 % (Iñiguez-Covarrubias et al., 2011; Ojeda-Bustamante et al., 2006). La temperatura media anual es 24.6 °C y la precipitación acumulada 340 mm (concentrada de julio a octubre), la evapotranspiración de referencia (ETo) media anual es 4.2 mm d ^-1 con un intervalo de 2.3 a 6 mm d ^-1 (Ojeda-Bustamante et al., 2011). El DR-075, con 287 383 ha, es uno de los distritos de riego más grandes del país, 45 % de su superficie anual cosechada es ocupada por maíz y su rendimiento promedio en el año agrícola 2009-2010 fue 10.77 t ha ^-1 (CONAGUA, 2012).

Para calibrar y validar el modelo se usaron datos del experimento realizado en una superficie de 40 ha, de suelo con textura franco arcillosa (Ojeda-Bustamante et al., 2006). En ese experimento se midieron las láminas de riego aplicadas al cultivo de maíz variedad Pionner 30G54, en el ciclo O-I 2003-2004, la fecha de siembra fue 24 de noviembre del 2003, 1451.1 °D con temperaturas umbrales de 10 a 30 °C, la madurez se alcanzó 179 d después de la siembra, la densidad de población fue 95 000 plantas ha ^-1 y el rendimiento 10.7 t ha ^-1 (Cuadro 1).

La información para calibrar y validar el modelo se complementó con datos de parcelas comerciales de la región, con textura franco arcillosa, de los ciclos agrícolas O-I y P-V, con variedades de maíz, fechas de siembra y densidades de población diferentes, de los años agrícolas 2007-2008 y 2008-2009 (Cuadro 2). Los riegos fueron estimados con el sistema de pronóstico del riego en tiempo real (SPRITER), validado para esa zona y usado por los módulos de riego del DR-075 (Ojeda-Bustamante et al., 2007).

Descripción del modelo AquaCrop

De acuerdo con Raes et al. (2009a), el modelo AquaCrop consta de varias ecuaciones que con datos de clima, densidad de población, características genéticas, tipo de suelo, nivel de fertilización y nivel de déficit hídrico, simulan el crecimiento y rendimiento del cultivo (Figura 1).

El modelo AquaCrop requiere la siguiente información meteorológica diaria, decenal o mensual: temperatura máxima (T_max), temperatura mínima (T_min), precipitación (Pp) y eva-potranspiración de referencia (ETo); además, considera una concentración media anual de CO₂ en la atmósfera de 369.47 ppm para el año 2000, según las mediciones del observatorio en Mauna Loa, Hawai. Los valores de la concentración de este gas pueden substituirse con las de las emisiones actuales (Raes et al., 2009b). La producción de biomasa y de grano depende de los parámetros del cultivo, como conductancia estomatal, senescencia del dosel vegetal, productividad del agua e índice de cosecha. La ecuación general para estimar el rendimiento del cultivo (Y) es la ecuación (1):

donde B es la biomasa del cultivo y H_i es el índice de cosecha que depende de la variedad o híbrido del cultivo.

En la simulación del desarrollo del cultivo se genera la respuesta posible al estrés térmico que pueda presentarse, según las condiciones climáticas durante su ciclo de desarrollo; se estima de acuerdo con las condiciones del clima a partir de la fecha de siembra y se usa especialmente para el período de polinización. El modelo considera tres tipos de respuesta al estrés hídrico: 1) inhibición de la expansión del dosel vegetal, 2) aceleración de la senescencia del dosel vegetal y 3) cierre estomático. Para cuantificar el impacto del estrés hídrico para cada respuesta, el modelo considera una curva que se activa al alcanzar límites establecidos para la humedad del suelo. Según Heng et al. (2009) y Raes et al. (2009b), el modelo AquaCrop es una herramienta viable para evaluar el efecto del estrés hídrico en el rendimiento de los cultivos durante varias etapas de desarrollo. Por tanto, es útil para planear y evaluar estrategias en diferentes condiciones de disponibilidad de agua, sistema de riego, tipo de suelo y fecha de siembra. El modelo AquaCrop estima el requerimiento hídrico del cultivo mediante un balance de humedad en el suelo con la ecuación 2:

donde θ es la variable dependiente, í es la profundidad a regar (punto inicial del cálculo), j es el contenido de humedad actualizado al momento del siguiente riego, D es el drenaje por percolación profunda, R+P son el riego más la precipitación, ES es la evaporación del suelo, Tr es la transpiración del cultivo.

El modelo AquaCrop simula el crecimiento del dosel vegetal asumiendo dos casos: el crecimiento tipo exponencial que se presenta para la condición ≥ con la ecuación 3; y la senescencia exponencial para la condición con la ecuación 4:

donde CC es la cobertura del dosel vegetal en el tiempo (t) transcurrido (en días o grado día desarrollo), CC_o es la cobertura inicial del dosel (t= 0), CC_x es la cobertura máxima del dosel vegetal, CGC es el coeficiente de crecimiento del dosel vegetal por unidad de tiempo. El modelo AquaCrop ajusta el crecimiento del dosel vegetal con respecto a la densidad de población (plantas ha ^-1). Cuando se carece de la cobertura vegetal requerida por el AquaCrop se estima con los datos de índice de área foliar (IAF). Para maíz el AquaCrop tiene implementada la ecuación 5:

El cálculo de los grados día (°D) se realiza con la ecuación 6.

La temperatura promedio t_a se estimó con el método 3 del AquaCrop, con las siguientes ecuaciones:

donde T_c-min y T_c-max son las temperaturas mínimas y máximas del aire en el que la planta se desarrolla, y t_x y t_n son las temperaturas máxima y mínima del día, registradas en una estación meteorológica. Aunque el maíz puede sobrevivir temperaturas adversas entre 0 °C y 45 °C, las temperaturas de desarrollo del maíz que el AquaCrop considera para estimar ^°D, son 8 ^°C y 30 ^° C para T_c-min y T_c-max, pero, debido a que la zona de estudio es árida, se utilizaron 10 °C y 30 °C.

Para la simulación del crecimiento del cultivo de maíz se utilizaron los parámetros conservativos o constantes del modelo AquaCrop, obtenidos de experimentos de maíz realizados en España y EE.UU. (Heng et al., 2009; Hsiao et al., 2009).

Esos parámetros son aplicables a una amplitud de condiciones climáticas y no dependen de la variedad o híbrido utilizado en los experimentos de Heng et al. (2009) y Hsiao et al. (2009).

Análisis de datos y tratamientos simulados

La calibración es un ajuste fino de ciertos parámetros del modelo para obtener correlación alta entre los valores experimentales y los simulados (Hussein et al., 2011). Después de realizar la calibración del modelo AquaCrop con el experimento de Ojeda-Bustamante et al. (2006), la validación se hizo mediante análisis estadísticos de los datos de rendimiento, biomasa y duración del ciclo del cultivo reales y los simulados con los parámetros ya calibrados, con los parámetros conservativos o constantes y con los parámetros de entrada requeridos por el modelo AquaCrop. Se usó la raíz cuadrada del cuadrado medio del error (RMSE) y el índice de Willmott (d) de acuerdo con Willmott (1982), y se calcularon con las siguientes ecuaciones:

donde S_í y O_í son los valores simulados y observados, n es el número de observaciones y Ō_í es la media de los valores de O_í.

De acuerdo con Heng et al. (2009) es factible utilizar las ecuaciones anteriores, ya que: la RMSE (ecuación 8) representa una medida global entre los valores observados y simulados, es decir, un indicador de la incertidumbre, debido a que toma las mismas unidades de la variable simulada y, por consiguiente, el valor más cercano a cero indica un desempeño bueno en la simulación. El valor d (ecuación 9) varía de 0 a 1.0 y en ambos análisis se aplicaron secuencialmente a los datos observados y simulados.

Los tratamientos simulados de crecimiento del cultivo del maíz se realizaron estimando los requerimientos de riego para fechas diferentes de siembra y el rendimiento de grano y biomasa (en materia seca), en el sistema de riego por gravedad, con las siguientes condiciones de disponibilidad hídrica del suelo: 1) riego total (RT) sin restricción de agua porque una vez terminado el riego, el contenido de humedad del suelo llega a capacidad de campo (42 % de humedad volumétrica); 2) riego deficitario (80 % respecto a RT); 3) riego deficitario (60 % con respecto del RT). La profundidad radicular efectiva de exploración por el cultivo de maíz durante su ciclo fenológico se consideró de 1 m (Ojeda-Bustamante et al., 2006); aunque Heng et al. (2009) y Hsiao et al. (2009) reportan 1.5 m. En los escenarios de disponibilidad hídrica simulados se consideró la misma densidad de población para cada fecha de siembra de cada ciclo agrícola (110 000 para O-I y 95 000 para P-V), mismas características edáficas de las parcelas y clima de la región obtenido de la red de estaciones meteorológicas del DR-075.

 

RESULTADOS Y DISCUSIÓN

Los parámetros calibrados del modelo AquaCrop fueron los de entrada (densidad de población, productividad del agua, índice de cosecha, temperaturas umbrales, método para calcular los grados día y expansión inicial del dosel vegetal) del experimento de Ojeda-Bustamante et al. (2006). Se validó con datos de las parcelas comerciales de maíz de los ciclos agrícolas O-I y P-V posteriores y sus variedades, densidades de población y condiciones de manejo hídrico (Cuadro 2).

Los resultados indican que las predicciones del rendimiento de grano del modelo fueron buenas (RMSE=0.79 t ha ^-1 y d=0.85; Cuadro 3).

Rendimientos simulados y desarrollo del dosel vegetal para maíz

Las simulaciones en condiciones diferentes de disponibilidad hídrica, para obtener los rendimientos de maíz, respecto a la densidad de población, fechas de siembra en los ciclos agrícolas O-I y P-V, se realizaron considerando los datos agronómicos de calibración y validación (Figura 2). De acuerdo con Ojeda-Bustamante et al. (2011), el rendimiento promedio de maíz para la agricultura con riego en el norte de Sinaloa está en el intervalo simulado por el modelo Aqua-Crop. Pero faltan acciones para mejorar la productividad del cultivo y alcanzar un rendimiento superior como el simulado con la condición de disponibilidad hídrica de riego total (RT).

La cantidad de biomasa generada durante su ciclo de crecimiento es una característica que define la producción, porque define el trabajo de la planta para producir su alimento y la producción final. El desarrollo del dosel vegetal simulado con el modelo AquaCrop para una fecha de siembra (05 de noviembre) en condiciones diferentes de disponibilidad hídrica, en el ciclo agrícola O-I y P-V generaron diferencias en dependencia de las condiciones hídricas (Figura 3).

Estimación de los requerimientos hídricos con respecto a la fecha de siembra

También se simularon los requerimientos hídricos del maíz para condiciones de disponibilidad hídrica diferentes en distintas fechas de siembra, durante los ciclos agrícolas (O-I y P-V) típicos para el cultivo de maíz (Cuadro 4).

Duración del ciclo del cultivo simulado

Los resultados de la duración del ciclo del cultivo de maíz (Figura 4) mostraron que el modelo tiene precisión alta para simular el crecimiento del cultivo en condiciones de disponibilidad de agua y fechas de siembra diferentes. Esto genera certidumbre para las condiciones climáticas contrastantes en la zona norte de Sinaloa. Según los resultados de campo, la duración del ciclo es menor que los simulados porque se consideró el clima promedio de la zona pero no las simulaciones de estrés térmico y fertilización, lo que genera condiciones propicias para el ciclo del cultivo, aunque se reduce aquél del período de siembra más caliente.

Para usar el modelo AquaCrop se requiere la calibración de los parámetros de entrada, pues ya se definieron las T_c-min y T_c-max de 10 a 30 °C y sólo se usaron cuatro de las variedades más utilizadas en la zona de estudio para diferentes ciclos agrícolas; por tanto, se requieren los datos de otras variedades. De acuerdo con las simulaciones realizadas por el modelo, el período óptimo para el ciclo del cultivo y los rendimientos es del 5 de noviembre al 15 de enero. Los análisis estadísticos mostraron el alto desempeño del modelo para las condiciones predominantes del norte de Sinaloa, por lo que podría aplicarse a otras regiones maiceras del estado y del país para ofrecer alternativas de manejo a los productores y mejorar la toma de decisiones.

 

CONCLUSIONES

Con el modelo AquaCrop fue posible simular el rendimiento de la zona con una correlación alta del RSME y d, pues las simulaciones están cerca de los valores observados en campo. De acuerdo con los escenarios de disponibilidad hídrica, hay un impacto en el dosel vegetal por estrés hídrico del cultivo. El modelo AquaCrop es una herramienta que se puede utilizar para evaluar escenarios de estrés hídrico, requerimientos de riego, el impacto de diferentes condiciones de manejo agronómico y estimar rendimientos dependientes de las condiciones climáticas de la región.

 

LITERATURA CITADA

Cavero, J., I. Farre, P. Debaeke, and J. M. Faci. 2000. Simulation of maize yield under water stress with the EPICphase and CROPWAT models. Agron. J. 92: 679-690.         [ Links ]

CONAGUA. 2012. Base de datos de las estadísticas agrícolas de los distritos de riego. Gerencia de distritos de riego. México, D.F.         [ Links ]

Doorenbos, J., and A. H. Kassam. 1979. Yield response to water. Irrigation and Drainage. Paper no. 33. FAO, Italy. 193 p.         [ Links ]

Flores-Gallardo, H., W. Ojeda-Bustamante, H. Flores-Magdaleno, E. Mejía-Sáenz, y E. Sifuentes-Ibarra. 2012. Grados día y la programación integral del riego en el cultivo de papa. Terra Latinoam. 30(1): 59-67.         [ Links ]

Heng, L. K., T. Hsiao, S. Evett, T. Howell, and P. Steduto. 2009. Validating the FAO AquaCrop model for irrigated and water deficient field maize. Agron. J. 101(3): 488-498.         [ Links ]

Hoogenboom, G., J. W. Jones, P. W. Wilkens, C. H. Porter, K. J. Boote, L. A. Hunt, U. Singh, J. L. Lizaso, J. W. White, O. Uryasev, F. S. Royce, R. Ogoshi, A. J. Gijsman, G. Y. Tsuji, and J. Koo. 2012. Decision Support System for Agrotechnology Transfer (DSSAT) Version 4.5 [CD-ROM]. University of Hawaii, Honolulu, Hawaii.         [ Links ]

Hsiao, T. C., L. K. Heng, P. Steduto, B. Rojas-Lara, D. Raes, and E. Fereres. 2009. AquaCrop - The FAO crop model to simulate yield response to water: III. Parameterization and testing for maize. Agron. J. 101(3): 448-459.         [ Links ]

Hussein, F., M. Janat, and A. Yakoub. 2011. Simulating cotton yield response to deficit irrigation with the FAO AquaCrop model. Spanish J. Agric. Res. 9(4): 1319-1330.         [ Links ]

Iñiguez-Covarrubias, M., W. Ojeda-Bustamante, y A. Rojano-Aguilar. 2011. Metodología para la determinación de la evapotranspiración integrada y la capacidad de canales en una zona de riego. Rev. FCA UNCuyo. 43(2): 175-191.         [ Links ]

Jones, C. A., J. R. Kiniry, P. T. Dyke, D. B. Farmer, and D. C. Godwin. 1986. CERES-Maize: A Simulation Model of Maize Growth and Development. Texas A & M University Press, College Station. 194 p.         [ Links ]

Jones, J. W., G. Hoogenboom, C. H. Porter, K. J. Boote, W. D. Batchelor, L. A. Hunt, P. W. Wilkens, U. Singh, A. J. Gijsman, and J. T. Ritchie. 2003. The DSSAT cropping system model. Eur. J. Agron. 18: 235-265.         [ Links ]

Keating, B. A., P. S. Carberry, G. L. Hammer, M. E. Probert,M. J. Robertson, D. Holzworth, N. I. Huth, J. N. G. Hargreaves, H. Meinke, Z. Hochman, G. McLean, K. Verburg, V. Snow, J. P. Dimes, M. Silbum, E. Wang, S. Brown, K. L. Bristow, S. Asseng, S. Chapman, R. L. McCown, D. M. Freebairn, and C. J. Smith. 2003. An overview of APSIM, a model designed for farming systems simulation. Eur. J. Agron. 18: 267-288.         [ Links ]

López-Cruz, I. L., A. Ramírez-Arias, y A. Rojano-Aguilar. 2005. Modelos matemáticos de hortalizas en invernadero: trascendiendo la contemplación de la dinámica de cultivos. Rev. Chapingo Serie Hortic. 11(2): 257-267.         [ Links ]

Monteith, J. L. 1996. The quest for balance in crop modeling. Agron. J. 88(5): 695-697.         [ Links ]

Ojeda-Bustamante, W., E. Sifuentes-Ibarra, y H. Unland-Weiss. 2006. Programación integral del riego en maíz en el norte de Sinaloa, México. Agrociencia 40(1): 13-25.         [ Links ]

Ojeda-Bustamante, W., J. M. González-Camacho, E. Sifuentes-Ibarra, E. Isidro, and L. Rendón-Pimentel. 2007. Using spatial information systems to improve water management in Mexico. Agric. Water Manage. 89: 81-88.         [ Links ]

Ojeda-Bustamante, W., E. Sifuentes-Ibarra, M. Iñiguez-Covarrubias, y M. J. Montero-Martínez. 2011. Impacto del cambio climático en el desarrollo y requerimientos hídricos de los cultivos. Agrociencia 45(1): 1-11.         [ Links ]

Ojeda-Bustamante, W., E. Sifuentes-Ibarra, A. Rojano-Aguilar, y M. Iñiguez-Covarrubias. 2012. Adaptación de la agricultura de riego ante el cambio climático. In: Martínez-Austria, P. F., y C. Patiño-Gómez (eds). Efectos del Cambio Climático en los Recursos Hídricos en México. Vol. IV. Instituto Mexicano de Tecnología del Agua pp: 71-119.         [ Links ]

Raes, D., P. Steduto, T. C. Hsiao, and E. Fereres. 2009a. AquaCrop. Reference Manual. FAO, Rome, Italy. 218 p.         [ Links ]

Raes, D., P. Steduto, T. C. Hsiao, and E. Fereres. 2009b. AquaCrop-The FAO crop model to simulate yield response to water: II. Main algorithms and software description. Agron. J. 101(3): 438-447.         [ Links ]

SAGARPA. 2007. Situación actual y perspectivas del maíz en México 1996-2012. Secretaría de Agricultura, Ganadería y Pesca. 208 p.         [ Links ]

SIAP. 2012. Atlas agropecuario y pesquero: información del sector agroalimentario 2012. Sistema de información agroalimentaria y pesquera. SAGARPA. México. 154 p.         [ Links ]

Steduto, P., T. C. Hsiao, D. Raes, and E. Fereres. 2009. AquaCrop - The FAO crop model to simulate yield response to water: I. Concepts and underlying principles. Agron. J. 101(3): 426-437.         [ Links ]

Stöckle, C. O., M. Donatelli, and R. Nelson. 2003. CropSyst, a cropping systems simulation model. Eur. J. Agron. 18: 289-307.         [ Links ]

Walker, W. R., and G. V. Skogerboe. 1987. Surface Irrigation "Theory and Practice". Prentice-Hall. Utah State University. Logan, UT, USA. 368 p.         [ Links ]

Wanjura, D. F., and D. R. Upchurch. 2000. Canopy temperature characterizations of corn and cotton water status. Trans. ASAE 43(4): 867-875.         [ Links ]

Willmott, C. J. 1982. Some comments on the evaluation of model performance. Bull. Amer. Meteorol. Soc. 63(11): 1309-1313.         [ Links ]

Yang, H. S., A. Dobermann, J. L. Lindquist, D. T. Walters, T. J. Arkebauer, and K. G. Cassman. 2004. Hybrid-Maize - a maize simulation model that combines two crop modeling approaches. Field Crops Res. 87: 131-154.         [ Links ]