Introducción

La producción agrícola está determinada por factores del medio físico, como relieve, suelo y clima; en este último se incluyen factores como temperatura y precipitación, que pueden ser determinantes en los rendimientos, principalmente en eventos extremos y atípicos (^{Ojeda-Bustamante et al., 2011}). El impacto simultáneo de la variabilidad natural del clima y el cambio climático en la actividad agrícola es un riesgo en la seguridad alimentaria (^{Velasco et al., 2015}). Ahora se reconoce la amenaza de los cambios en el clima, por los impactos que pueden generar en la producción agrícola y su condicionamiento por la duración, frecuencia e intensidad de eventos de lluvia y temperatura extrema. Lo anterior muestra la necesidad de reevaluar la capacidad de adaptación de los sistemas productivos y su efecto en secuencia en los sectores económico y social (^{Wreford et al., 2010}). Los efectos del cambio climático serán diversos entre las regiones del planeta (^{Conde et al., 2004}), pero afectarán negativamente y la gravedad de los efectos dependerá de las medidas de mitigación y adaptación.

En la agricultura de secano, la precipitación, entre otras variables en el ciclo primavera-verano define el régimen de humedad del suelo y la evapotranspiración de los cultivos (^{Allen et al., 2006}) y la productividad de los cultivos (^{Dirmeyer et al., 2009}). Además, la temperatura influye en el desarrollo de cualquier cultivo y especie vegetal; la mayoría puede subsistir entre 0 y 32 °C, aunque cada una de ellas tienen requerimientos específicos para su crecimiento y desarrollo; los cuales definen los umbrales termopluviométricos de las plantas. Estos umbrales térmicos incluyen las temperaturas mínimas, máximas y óptimas para el desarrollo. Cada etapa fenológica tiene requerimientos propios de temperatura y humedad; es el caso de la temperatura óptima para la germinación de las semillas, que con frecuencia es menor que la temperatura óptima para el desarrollo vegetativo (^{Ortiz, 1984}). Lo anterior conduce a evaluar las condiciones hídricas óptimas de los cultivos, que puede ser mediante el balance hídrico y considerando distribución, variabilidad y cambios de la precipitación y efecto de la temperatura, que se refleja en la evapotranspiración y las características físicas del suelo (^{Pántano et al., 2014}). El manejo de agua, basado en pronósticos o escenarios de clima, permite mantener la seguridad económica, social y alimentaria del país.

En la agricultura mexicana las superficies cultivadas sufren los efectos de eventos meteorológicos adversos como las sequías. En 2012 se presentó la peor sequía en siete décadas, generó pérdidas por nueve mil millones de pesos en cultivos de maíz (^{Reuters, 2012}). En 2011, en el norte del país se afectaron al menos un millón de hectáreas, principalmente con cultivos como maíz, frijol, trigo, sorgo, papa, hortalizas y cítricos; esto generó pérdidas por más de 45 mil millones de pesos (^{El Financiero, 2011}). Los eventos climatológicos extremos también afectan la capacidad productiva y la pérdida de empleos en áreas rurales. La Ley de Desarrollo Rural Sustentable mexicana publicada en el ^{Diario Oficial de la Federación (2001)}, establece que el maíz es un producto básico y estratégico para la seguridad alimentaria. De acuerdo con el Servicio de Información Agroalimentaria y Pesquera (^{SIAP, 2015}), en 2014 en México el maíz en grano se sembró en 5.7 millones de ha de secano en el ciclo primavera-verano (PV). Los estados de Chiapas y Jalisco concentran 10.3 y 8.8 % de la superficie sembrada. Los estados con pérdidas mayores de este cultivo fueron Tamaulipas, Quintana Roo y San Luis Potosí, con 41, 33 y 22 % de superficie siniestrada reportada. Las causas de la siniestralidad de los cultivos en esos estados se desconocen, pero se adjudican a las sequías en el norte y lluvias excesivas en el sureste del país. Por lo anterior la hipótesis del estudio fue que los cambios de patrones climáticos representados por los escenarios A1B, A2 y B1 del Panel Intergubernamental de Cambio Climpatico (IPCC) afectarán el rendimiento del cultivo maíz en la región de estudio. El objetivo de este estudio fue identificar y cuantificar los cambios en los rendimientos de maíz en las zonas potenciales de secano, en el ciclo PV, en los escenarios de cambio climático A1B, A2 y B1, de 2011 a 2030 en el Distrito de Desarrollo Rural (DDR) de la Antigua, Veracruz, México, y verificar si existe la posibilidad de cambios en esos escenarios.

Materiales y Métodos

El DDR de La Antigua, Veracruz (19 ° 09’ y 19 ° 57 ’ N y 93 ° 13 ’ y 96 ° 47’ O) (^{Gobierno del estado de Veracruz, 2009}; ^{INEGI, 2014}) está conformado por los municipios de Actopan, Alto Lucero de Gutiérrez Barrios, La Antigua, Paso de Ovejas, Úrsulo Galván y Puente Nacional. El área de influencia generada fue 20 km, en relación con el límite político del DDR, para contar con estaciones de apoyo. Las estaciones meteorológicas seleccionadas son administradas por el Servicio Meteorológico Nacional (SMN) y la información se obtuvo con la aplicación desarrollada para Google Earth (CONAGUA-SMN, 2014), con la aplicación se despliegan más de 5000 estaciones climatológicas de las cuales 3,200 se encuentran en operación (^{CNA-SMN, 2010}). La información se extrajo en formato “kmz” y se exportó a formato “shape” para facilitar su manejo en Sistemas de Información Geográfica (SIG). Mediante revisión y las pruebas de homogeneidad normal estándar (SNHT), Pettitt y Buishand (^{Hainie y Mohd, 2013}) se constató que la información de las estaciones fuera suficiente, integra, coherente y homogénea. Las variables empleadas fueron registros diarios de temperatura máxima (Tmax), temperatura mínima (Tmin), y precipitación (Pp) de 40 estaciones climatológicas de CONAGUA. Las características fueron: 1) contar con al menos 25 años de información, 2) no tener más de 20 % de información faltante en su registro histórico, y 3) tener información anterior al 2000. Además, la congruencia espacial de la información se verificó mediante la implementación de rutinas desarrolladas en Visual Basic y almacenadas en macros de Excel, para detectar registros atípicos o fuera de tipo como: Pp negativas, Tmax menores a Tmin, Tmin mayores a Tmax, y registros en fechas inválidas (años bisiestos). Un proceso de validación espacial se basó en la norma UNE 500540: 2004 (^{UNE, 2004}) y descripción de ^{Estévez y Gavilán (2008)}. El método consistió en calcular intervalos de confianza para cada variable climática, de cada estación. Cinco estaciones vecinas, ubicadas en el mismo estrato climático, se identificaron a menos de 20 km de distancia; cada registro de Tmax, Tmin y Pp de estas estaciones se cotejó con los intervalos de confianza y el registro que no incidió en el intervalo y no cumplió con los criterios ya descritos se consideraron datos faltantes.

La versión de prueba del programa XLSTAT (^{Addinsoft, 2014}) se empleó para verificar el supuesto de homogeneidad de Tmax, Tmin y Pp, mediante Homogeneidad Normal Estándar (SNHT), Pettitt y Buishand. Esto permitió clasificar tres grupos en un concentrado de estaciones (^{Schonwiese y Rapp, 1997}; ^{Wijngaard et al., 2003}): estaciones con información confiable, semi-confiable y no confiable. Las dos primeras se utilizaron en el estudio. Los datos faltantes se estimaron con el software ClimGen (^{Stöckle y Nelson, 2014}) e incluyeron precipitación pluvial, temperatura, radiación solar, entre otras. El programa es de acceso libre y requiere de información climática diaria para calcular los parámetros requeridos para la generación de datos. Este programa se ha empleado para conformar las normales climatológicas en algunos estados de país (^{Díaz et al., 2006}) y para estudiar la variación espacio temporal de la precipitación pluvial (^{Díaz et al., 2011}). Los datos de precipitación generados se basan en dos supuestos (^{Carbajal et al., 2010}), la condición de precipitación pluvial de un día (i) está relacionada con la condición de precipitación del día anterior (i - 1), este supuesto se conoce como modelo de cadena de Markov, en el que P(W/W) es la probabilidad condicional de que llueva en un día i dado que el día anterior (i - 1) llovió y P(W/D) es la probabilidad de que un día i llovió dado que el día anterior (i - 1) no llovió, entonces se define que P(D/W) = 1 - P(W/W) es la probabilidad de un día i si llueva dado que el día anterior (i - 1) llovió y P(D/D) = 1 - P(W/D) es la probabilidad de que un día no llueva dado que el día anterior (i - 1) no llovió (Stöckle y Nelson 2014). ClimGen requiere al menos 25 años de información de precipitación y 10 años de temperatura mínima y máxima para estimar información faltante.

Los escenarios de emisión de CO₂ considerados en este proceso (Cuadro 1) fueron los propuestos por el IPCC en su cuarto comunicado (^{IPCC, 2000}):

En la estimación de datos climáticos actuales y de futuro inmediato (2011 a 2030), para los escenarios A1B, A2 y B1 (^{Suescun, 2012}), se empleó el programa LarsWG (^{Semenov y Barrow, 2002}). Este incluye escenarios basados en 15 modelos climáticos globales empleados en el Cuarto Informe de Evaluación del IPCC (^{IPCC, 2008}). A partir de las 40 bases de datos originales de Tmax, Tmin y Pp, se estimaron los datos faltantes y para el escenario actual se generaron series climáticas para cada escenario climático, con base en la información de las mismas 40 estaciones. Así, el total fue de 160 bases de datos con información completa de Tmax, Tmin y Pp. A estas variables se les aplicó estadísticas descriptivas y matrices de transición solo de la variable Pp.

Para cuantificar el impacto se utilizó el programa computacional SICTOD, desarrollado por ^{Sánchez et al. (2015)}. Este programa cuantifica las variables de balance de humedad en el suelo a partir de la información diaria de los registros históricos, el cultivo de interés, las características del suelo de la zona agrícola, la fecha de siembra y la longitud del periodo de crecimiento del cultivo (^{Sánchez, 2013}). El balance diario se realizó con la humedad antecedente o inicial en el suelo (ΔS_i) en un punto de control, e inclusión al sistema de: precipitación (Pp_i), escurrimiento (Q_i), ascenso capilar (δ_i) y descuento de las pérdidas por evapotranspiración (Et), percolación profunda (Z) y escurrimiento fuera del área de cultivo (Q₀) (^{Sánchez, 1994} y ^{De Santa O. et al., 2005}). Este balance se resume en la ecuación siguiente.

Con esta información se realizó la estimación de rendimientos con base en el déficit evapotranspirativo. Este se estimó con la información de precipitación de cada una de las 40 estaciones en los escenarios de cambio climático, refiriendo el rendimiento máximo esperado, según el historial, en condiciones de secano ideales para el cultivo. La información se incluyó en hojas de cálculo para incorporar a SIG.

La georreferenciación de las tablas de rendimientos, en el sistema de coordenadas geográficas y el datum WGS84, se hizo con el software ArcMap (^{ESRI, 2011}). La interpolación espacial de los rendimientos actuales y los asociados a cada escenario de cambio climático se realizó con el método Inverso de la Distancia (IDW). Este método es importante por la aplicación en un SIG y porque pondera por distancia. Dicha ponderación, al tener un factor cuadrático, recibe una influencia bastante fuerte del valor pluvial de las estaciones más cercanas y al considerar una serie o variedad de puntos de estimación puede formar agrupaciones concéntricas de los montos estimados en torno a las estaciones (^{Pizarro et al., 2003}). La fórmula general para realizar el proceso de interpolación es:

donde p_e: estimación del valor en el punto i; p_i valor observado en la estación i; w_i es el peso asignado a la estación i; y N: es el número total de estaciones cercanas al punto e. El peso (w_i) se calcula como:

donde β: coeficiente de potencia, y d_e,i: distancia entre el sitio a estimar e y la estación i.

El cálculo de la diferencia entre la capa de rendimientos actuales y las capas de los rendimientos bajo condiciones de cambio climático se realizó con proceso de algebra de mapas. Como resultado se obtuvieron tres capas que expresaron la tendencia de rendimientos en escenarios de cambio climático; los valores positivos indicaron disminución de rendimientos y los negativos aumento de rendimientos. Estos valores se reclasificaron para identificar en los mapas los patrones de cambio; a los valores negativos se les asignó la etiqueta “incremento”, a los valores positivos se les asignó la etiqueta “decremento” y a los valores 0 se les asignó la etiqueta “sin cambio”. Mediante ANDEVA se determinó si existían diferencias significativas entre los rendimientos en el escenario actual y los escenarios de cambio climático, con un diseño completo al azar.

Los patrones espaciales en el cambio de rendimientos se delimitaron con base en las áreas potenciales para la producción de maíz delimitadas por ^{Díaz et al. (2012)}, mediante la delimitación de condiciones favorables de precipitación, temperatura, suelos y topografía. El grado de afectación de dichas áreas se determinó en condiciones de cambio climático.

Resultados y Discusión

De las 40 estaciones climatológicas, 32 cumplieron las condiciones de información mínima necesaria y 28 de éstas, de acuerdo con los resultados de pruebas de homogeneidad, mostraron información válida para el estudio. Con α = 0.10 hubo diferencias significativas entre los rendimientos actuales y los estimados en los escenarios de cambio climático (p = 0.066). Las pruebas de comparación múltiple mostraron que los rendimientos del escenario A1B (p = 0.019) y A2 (p = 0.082) serán significativamente inferiores al resto de los escenarios. La prueba de Tukey (α = 0.10) indicó que los rendimientos del escenario A1B podrían ser significativamente menores que el resto (p = 0.065) (Figura 1).

Figura 1 Intervalos de confianza simultáneos de mínima diferencia significativa (A) y de Tukey (B) para los rendimientos actuales y en escenarios de cambio climático. 

En condiciones favorables de secano, en el escenario actual, para el desarrollo de maíz en el DDR de La Antigua y manejo adecuado de los rendimientos podrían ser de 3.5 a 4.0 t ha^-1. En condiciones de cambio climático A1B los rendimientos pueden variar entre 3.0 y 3.7 t ha^-1, y representarían disminución entre 10 y 14 %. El efecto en los escenarios B1 y A2 podría conducir a producción de 3.4 a 3.9 t ha^-1 y 3.1 a 3.8 t ha^-1, con disminución de 5 y 5.7 %, menor que en el escenario B1 (7.5 y 11 % menos para el escenario A2) (Figura 2). Estos valores son menores a los estimados por ^{Conde et al. (2000)} para Coatepec, con los modelo GFDL-R30, ellos indicaron -30.68 % con efecto de CO₂ y -26.86 % sin él. La información en los diferentes escenarios de cambio climático mostró que la variación de rendimientos se debe al efecto combinado de la estacionalidad de la precipitación y la temperatura, y a que el cambio climático puede mostrar comportamientos diferentes en zonas de trópico húmedo, respecto a otras zonas.

Figura 2 Variación promedio de rendimientos de maíz a través de los diferentes escenarios de cambio climático en el DDR La Antigua, Veracruz, México. 

El escenario B1 en el DDR La Antigua mostró que 93 % de la superficie cultivada tiene potencial productivo alto; pero, podría reducirse un poco el rendimiento. El mismo comportamiento esperaría en el escenario A1B, pues de las 16,918 ha con potencial productivo alto, 94 % presentará reducción. En el mismo escenario, de las 78,343 ha con potencial productivo medio, 88 % de las superficies podría presentar disminución de rendimientos (Cuadro 2).

En Alto Lucero de Gutiérrez Barrios 95 % de la superficie con potencial productivo alto y 64 % de las superficies con potencial productivo medio podrá presentar impacto menor en el rendimiento por efecto de cambio climático en el escenario B1. El mismo patrón puede esperarse en los municipios de Puente Nacional y Actopan, donde la disminución podría ser hasta 3.29 kg ha^-1 en el 96 y 91 % de las superficies con potencial productivo alto. Estas variaciones pueden presentarse en las áreas agrícolas de las zonas de montaña (Figura 3).

Figura 3 Variación espacial de rendimientos de maíz en áreas con potencial productivo en el DDR La Antigua, Veracruz, México, en diferentes escenarios de Cambio Climático. 

En contraste, el municipio de La Antigua podría afectarse por cualquiera de los tres escenarios, y 100 % de la superficie con potencial productivo medio presentaría reducción de 168, 571 y 416 kg ha^-1 en el escenario B1, A1B y A2. Otros municipios con potencial productivo medio que se podrían afectar son Paso de Ovejas, con disminución de rendimientos de 277 a 384 kg ha^-1, en las 21,391 ha en los escenarios A1B y A2; en Úrsulo Galván disminuiría de 306 a 431 kg ha^-1 (94 %) (7702 ha) en superficies con potencial productivo medio; en Puente Nacional la disminución sería entre 226 y 298 kg ha^-1 en 96 % de la superficie con potencial productivo medio (18,299 ha) en los escenarios A1B y A2; en Actopan serían 19,126 ha (90 %) con potencial productivo medio, con disminución entre 199 y 287 kg ha^-1 en los escenarios A1B y A2 (Cuadro 3).

La respuesta de los cultivos a cambios en patrones del clima obedece a un efecto combinado de precipitación y temperatura que modifica la respuesta fisiológica del cultivo. El incremento en temperatura, vinculado al estrés hídrico, provoca cierre estomatal; esto disminuye la tasa de intercambio gaseoso y afecta el rendimiento. El exceso de precipitación puede disminuir la oxigenación en el suelo y la tasa de absorción de agua y nutrientes por el cultivo.

El escenario A1B incluyó crecimiento poblacional mayor al de los otros escenarios y uso creciente de energía; por lo que se asume emisión mayor de gases con efecto invernadero respecto a los otros dos escenarios. En estos se asumen demanda menor de bienes de consumo y emisión menor de gases a la atmósfera. Sin embargo, la respuesta de los cultivos en otras regiones puede ser diferir en función de la cercanía a los océanos y altitud.

El impacto en el rendimiento calculado en los escenarios de clima ensayados parece poco relevante; pero el método que se utilizó en la investigación puede ser trascendental. El modelo de simulación, usado para cuantificar el balance hídrico en el suelo (SICTOD), considera el contenido inicial de humedad en el suelo, los requerimientos de agua por los cultivos y lo estocástico del clima e incluye funciones de producción de los cultivos. Todo esto permite cuantificar el rendimiento probable bajo las restricciones climáticas impuestas.

Los escenarios de vulnerabilidad del cultivo de maíz, de presentarse condiciones de cambio climático en B1, en el DDR La Antigua, no se esperan cambios significativos en las áreas de potencial productivo identificadas por ^{Díaz et al. (2012)}, principalmente en áreas de montaña, pues variación en características climatológicas para desarrollo del cultivo podrían ser mínimas ya que se beneficiarían por el incremento de temperatura en cualquiera de los escenarios evaluados. En contraste, en los escenarios A1B y A2 las variaciones climáticas sí afectarían el potencial productivo, y casi la totalidad del DDR podría presentar condiciones adversas que afectarían el rendimiento, principalmente en zonas con altitud baja. Debe señalarse que de aplicar el grupo nuevo de escenarios, denominados “trayectorias de concentración representativas” (RCP, por sus siglas en inglés), los resultados serían otros, ya que esos escenarios se centran en las emisiones antrópica y no incluyen cambios en impulsores naturales, como el forzamiento solar o volcánico o las emisiones naturales de metano (CH₄) u óxido de nitrógeno (N₂O); además, estos cuentan con representaciones que van desde un escenario de mitigación considerando un forzamiento radioactivo total de 2.6 W m^-2 (RCP2,6), pasando por escenarios de estabilización RCP4,5 y RCP6,0, hasta llegar a RCP8,5 que representa un escenario con un nivel muy alto de emisiones de gases con efecto invernadero.

La presente propuesta metodológica pretende sentar las bases necesarias para que tomadores de decisiones y la sociedad en general cuenten con elementos científicos para desarrollar acciones que disminuyan la vulnerabilidad ante fenómenos climatológicos adversos en áreas con potencial productivo de maíz, bajo condiciones de secano en el ciclo PV, en la zona que delimita el Distrito de Desarrollo Rural de La Antigua.

Los modelos de simulación se utilizan en diversas ramas de la actividad humana y en la planificación de áreas agrícolas han permitido avances, como en la agilidad de los cálculos, en el procesamiento de la información y en la simulación de diferentes procesos. Esto permite conocimiento mayor y resultados confiables (^{Lhomme et al., 1984}; ^{Jones y Tardieu, 1998}); y ofrecen la posibilidad de modelar el desarrollo del cultivo de maíz en distintas fechas de siembra y ciclos. Con esto pueden redefinir fechas de siembra para aprovechar las condiciones hídricas mejores para el desarrollo de cultivos o la reconversión productiva. En la literatura existe una gran variedad de modelos para cuantificar o estimar el rendimiento de los cultivos mediante el balance de agua en el suelo, pero omiten el manejo de escenarios de cambio climático y no consideran la agricultura de secano.

La información cartográfica generada puede apoyar la planeación de esquemas de trabajo que conduzcan acciones de adaptación en condiciones de cambio climático, para el cultivo de maíz, y otros cultivos involucrados con la seguridad alimentaria..

Conclusiones

Las condiciones de cambio climático B1, en el DDR La Antigua, no modificarían significativos el potencial productivo, al contrario la variación climatológica mínima puede beneficiar los escenarios que aquí se consideraron. Los escenarios A1B y A2 con sus variaciones climáticas sí afectarían el potencial productivo de casi la totalidad del DDR, especialmente en zonas con baja altitud.

La metodología de análisis para determinar las afectaciones que tendrá el cultivo de maíz debido a los efectos del cambio climático en este estudio es un avance significativo, pues es flexible y puede adaptarse a los esquemas definidos en el Quinto informe de Evaluación, el que incorpora escenarios nuevos, denominados “trayectorias de concentración representativas” (RCP, por sus siglas en inglés).