Modelización
del rendimiento con Aquacrop-FAO en el cultivo de maní (Arachis hypogaea
L.), Ecuador
Yield
modeling with Aquacrop-FAO in peanut
(Arachis
hypogaea L.), Ecuador
Luis Matailo-Ramirez1, 2 *;
Ángel Eduardo Luna Romero1; Julio Enrique Chabla Carrillo1;
Paola Alicia Gálvez Palomeque1
1 Universidad Técnica de Machala, 5.5 km Av.
Panamericana, Machala, El Oro. Ecuador.
2 Semillero de Investigación en Fitotecnia (SINFIT).
Ecuador.
* Autor corresponsal: lmatailo2@utmachala.edu.ec (L. Matailo-Ramirez).
ID
ORCID de los autores
L.
Matailo-Ramirez: 
https://orcid.org/0000-0002-8306-9470 Á. Luna-Romero: 
https://orcid.org/0000-0002-4311-9445
J.
Chabla-Carrillo: 
https://orcid.org/0000-0002-9761-5890 P.
Gálvez-Palomeque: https://orcid.org/0000-0003-4080-2019
RESUMEN
El cultivo de maní (Arachis hypogaea
L.) es una leguminosa de grano de gran importancia en regiones áridas y
semiáridas, durante el transcurso de los años la creciente variabilidad
climática ha causado variaciones climáticas que han afectado el desempeño
agrícola, el modelo Aquacrop surge como una de las primeras opciones ante la
evaluación potencial del rendimiento de los cultivos, ofreciendo una
alternativa relativamente económica frente a los ensayos de campo los cuales
consumen tiempo y a menudo son costosos. Ante lo expuesto, se llevó a cabo una
prueba de campo con el objetivo de evaluar y calibrar del rendimiento del
cultivo de maní haciendo uso del software Aquacrop como herramienta principal
en los procesos de toma de decisiones. Los resultados mostraron que el
rendimiento del modelo fue bueno al simular la cobertura dosel (%) y biomasa (t
ha-1) (n RMSE= 1,10% y 4,41 t ha-1, respectivamente). Por
otro lado, el modelo no sobreestimo los valores de evapotranspiración; en
general el modelo funcionó bien ante las simulaciones de CC y biomasa
acumulada, mostrando de esta manera un gran potencial para simular estas
variables, sin embargo, es necesario seguir probando la respuesta del modelo
ante diferentes climas y suelos de la región.
Palabras clave: Aquacrop; Maní; Modelado;
Productividad; Evapotranspiración.
ABSTRACT
The peanut (Arachis hypogaea L.) crop is a
grain legume
of great importance in arid and semi-arid regions, during the course of the
years the increasing climatic variability has caused climatic variations that
have affected agricultural performance, and the Aquacrop model emerges as one
of the first options for the potential evaluation of crop yield, offering a
relatively economical alternative to field trials which are time-consuming and
often costly. Given the above, a field trial was carried out to evaluate and
calibrate peanut crop yield using the Aquacrop software as the main tool in the
decision-making process. The results showed that the performance of the model
was good when simulating canopy cover (%) and biomass (t ha-1) (n
RMSE= 1.10% and 4.41 t ha-1, respectively). On the other hand, the
model did not overestimate the evapotranspiration values; in general, the model
performed well for the CC and accumulated biomass simulations, thus showing a
great potential to simulate these variables, however, it is necessary to
continue testing the model's response to different climates and soils of the
region.
Keywords: Aquacrop;
Peanut; Modeling; Productivity; Evapotranspiration.
Recibido: 30-01-2023.
Aceptado: 24-03-2023.
La
creciente variabilidad climática en la actualidad ha causado variaciones en los
parámetros climatológicos que afectan directa e indirectamente a la mayoría de
cultivos agrícolas entre ellos el maní (Arachis hipogaea L.),
cambiando la forma de producción y causando de esta manera el retraso
productivo en el sector, generando de esta manera bajos ingresos económicos en
las familias que lo comercializan, además del desabastecimiento hacia las
industrias y consumo interno, este cultivo es muy popular por sus múltiples
usos entre los que se destacan la obtención de aceite o crema de maní (Chibarabada
et al., 2020).
El maní es
una leguminosa de grano importante en las regiones áridas y semiáridas (Chibarabada
et al., 2017). Según el Instituto Nacional Autónomo de
Investigaciones Agropecuarias (INIAP) (2004)
en el país se cultivan alrededor de 15.000 a 20.000 ha anuales, donde las
provincias mayormente productoras son: Loja, Manabí, El Oro y Guayas, convirtiéndose
en un cultivo estratégico para la intensificación sostenible debido a que se ha
asociado con una alta fijación de nitrógeno.
Para una
producción exitosa de maní, se necesita información sobre su adaptabilidad a
estas regiones, esto requiere inversiones en tiempo y recursos en
investigación, que a menudo son limitados. Los modelos de crecimiento de
cultivos se han desarrollado en parte para responder preguntas de
investigación, limitando así el tiempo y los recursos gastados en la
realización de experimentos de campo en diversos entornos y manejos (Rauff
& Bello, 2015). Estos modelos simulan el crecimiento y
desarrollo de cultivos bajo diferentes condiciones utilizando relaciones
empíricas y matemáticas, siendo herramientas muy valiosas en el apoyo muy
útiles en la toma de decisiones (González
et al., 2018).
A lo largo
de los años se ha logrado modelar con éxito el rendimiento de los cultivos
mediante el uso del sistema simulador de producción agrícola (APSIM) (Robertson
et al., 2002) y el sistema de apoyo a la decisión para la
transferencia de tecnología agrícola (DSSAT, por sus siglas en inglés) (Jones
et al., 2003) en diferentes condiciones de manejo, pero el uso
se limitó debido a su complejidad ya que estos modelos requieren una cantidad
relativamente grande de parámetros de entrada los cuales son difíciles de
obtener en campo, especialmente cuando los recursos son muy limitados (Jones
et al., 2017).
Teniendo
en cuenta la complejidad de los primeros modelos mencionados, la Organización
de Naciones Unidas para la Alimentación y Agricultura (FAO) desarrolló un
modelo simple pero capaz de mantener la precisión y solidez denominado
Aquacrop (Steduto
et al., 2009), el modelo Aquacrop constituye una alternativa de
utilidad para modelar los efectos del cambio climático, además permite plantear
soluciones anticipadas, factibles (riego deficitario, fertilización, manejo de
variedades precoces, entre otros) sin olvidar que, como todo modelo, simplifica
la realidad y por tanto presenta algunas limitaciones. El modelo no solo está
dirigido a investigadores sino también a estudiantes y agricultores mostrando
que pueden estar preparados ante los factores adversos o en algunos casos sacar
ventaja de las condiciones futuras (Steduto
et al., 2009).
Aquacrop tiene
el potencial de ser una herramienta útil de apoyo a la toma de decisiones para
la producción de leguminosas de grano en regiones áridas y semiáridas,
actualmente, esto es limitado ya que solo unas pocas leguminosas de grano
(soya, maní bambara y guisantes) han sido calibradas y validadas para Aquacrop,
para ello es necesario calibrar y probar el modelo para más cultivos de
leguminosas de grano (Chibarabada
et al., 2017).
Actualmente,
existe muy poca disponibilidad de investigaciones que han apuntado a calibrar
el modelo para maní lo que hace que sea un paso inicial para una mayor
aplicación de Aquacrop en el cultivo, esto llevaría a responder preguntas de
investigación sobre la adaptabilidad del maní a la disponibilidad variable de
agua y condiciones ambientales. Por lo anteriormente expuesto el objetivo del
presente estudio fue calibrar y modelizar el rendimiento del cultivo de maní
haciendo uso del software Aquacrop como herramienta principal en los procesos
de toma de decisiones, para la aplicabilidad en la estimación de la capacidad
productiva en distintas condiciones climáticas y de manejo en Ecuador.
Ubicación
del sitio de estudio, diseño de campo y manejo
La
investigación se clasificó como no experimental, ya que se basó en el uso de un
modelo de simulación de crecimiento de cultivos de tipo transeccional
descriptiva-correlacional, se llevó a cabo durante los meses de julio -
noviembre del año 2022 en la Granja “Santa Inés” perteneciente a la Facultad
de Ciencias Agropecuarias de la Universidad Técnica de Machala (UTMACH),
ubicada a 5,5 km de la vía Machala - Pasaje, parroquia El Cambio, cantón
Machala, provincia de El Oro (Figura 1).
Para el desarrollo de la investigación se contó con un área de 58,8 m2
y cada parcela fue de 5,5 m x 1 m (5,5 m2) con 2 camas por parcela.
La siembra se realizó el día 23 de Julio del 2022, la variedad sembrada fue
maní criollo negro, la cual fue recolectada por productores de las zonas
cercanas al cantón, la siembra se realizó de manera manual donde se colocaron 2
semillas por cada hueco a una profundidad de 2 cm, el control de arvenses se
realizó de manera manual donde se llevó aproximadamente cada dos semanas para
reducir la competencia por agua y nutrientes.
Requisitos
de entrada del modelo Aquacrop y recopilación de datos
Datos
climáticos
Los datos
meteorológicos de entrada que exige el modelo son: temperatura diaria,
velocidad del viento, radiación solar, humedad relativa y precipitación. Los
datos de temperatura diaria y humedad relativa se tomaron mediante el uso de un
termohigrómetro digital, el dato de precipitación se obtuvo con la ayuda de un
pluviómetro manual, las demás variables fueron tomadas del geo portal climático
del proyecto NASA POWER (https://power.larc.nasa.gov), las estimaciones de evapotranspiración de referencia diaria
(ETo) se calcularon mediante el método de Penman-Montieh (Allen et al., 2006, Lavado et al., 2015), para los datos de
concentración de dióxido de carbono atmosférico medio (CO2) se
utilizó el archivo predeterminado de Moana Loa, Hawái (https://gml.noaa.gov/ccgg/trends/data.html).
Datos
del suelo
Para la
obtención de los datos de suelo se realizó una calicata en la parte céntrica de
la parcela experimental donde se identificaron los horizontes presentes y se
recolectaron muestras para su posterior análisis en laboratorio.
Para el
cálculo de capacidad de campo, punto de saturación y conductividad hidráulica
saturada se utilizó el software SPAW, en el módulo Soil Water Caharacteristics
desarrollado por el Departamento de Agricultura (USDA, por su sigla
en inglés) (Saxton,
2002). El punto de marchitez permanente se determinó mediante el
uso de la fórmula empírica la cual se deriva de conocer el valor de la
capacidad de campo (Cisneros,
2003):
|
|
|
(1)
|
Donde: PMP
es el punto de marchitez permanente, %; CC el contenido de humedad a la
capacidad de campo, %.
Figura 1. Mapa de
ubicación de la zona de estudio, A) Vista satelital del área
experimental, B) Mini mapa de la provincia de El Oro, el recuadro de
color rojo muestra la ubicación del cantón Machala, C) Cantón Machala,
el punto rojo muestra la ubicación de la granja Santa Inés.
Tabla 1
Descripción
de las propiedades físicas del suelo
|
Propiedades
|
Unidad
|
Método
|
|
Textura
|
-
|
(TLSFCA*) , (Villaseñor
Ortiz, 2016)
|
|
Densidad aparente
|
g
cm-3
|
(TLSFCA**), (Villaseñor
Ortiz, 2016)
|
|
Capacidad de campo (CC)
|
(%)
|
(USDA-SPAW), (Saxton,
2002)
|
|
Punto de marchitez (PMP)
|
(%)
|
PMP= CC/1.84 (Cisneros,
2003)
|
|
Punto de saturación
|
(%)
|
(USDA-SPAW), (Saxton,
2002)
|
|
Conductividad hidráulica
saturada
|
mm/sg
|
(USDA-SPAW),(Saxton,
2002)
|
|
Agua disponible (ADT)
|
mm/m
|
ADT=10*(CC-PMP)
|
|
Fracción de agotamiento
permisible
|
-
|
Criterio de
Allen et al. (1998)
|
*TLSFCA: Tomado del laboratorio de suelos
de la Facultad de Ciencias Agropecuarias.
**USDA- SPAW: Software del
departamento de Agricultura de los Estados Unidos.
Desarrollo fenológico, biomasa aérea, cober-tura de dosel y
rendimiento
El
desarrollo fenológico del cultivo fue monitorea-do a lo largo de todo su ciclo
vegetativo con registros de manera semanal, el muestreo de biomasa fue mensual,
tomando 5 plantas al azar dentro del área de investigación, estimando el peso
en húmedo. Luego se dejó secar durante 48 horas en estufa a 80 °C siguiendo la
metodología aplicada por Chibarabada (2020),
pesando la materia seca. La cobertura de dosel se monitoreó usando la
aplicación móvil conopeo de la Universidad Estatal de Oklahoma (www.canopeoapp.com),
usando imágenes tomadas en 3 ubicaciones al azar dentro de la parcela (valor de
dosel promedio), semanalmente. El rendimiento se calculó con la metodología de
Khov (2017),
registrando los pesos en fresco de las vainas, y dejando secar durante 48 h, se
registraron datos de peso secos.
Estadística
para la simulación del modelo
Para evaluar
la calidad de simulación del modelo se tomaron en cuenta los siguientes
indicadores estadísticos: Coeficiente de determinación (R2), raíz
del cuadrado medio del error (RMSE), el coeficiente de eficiencia del modelo de
Nash-Sutcliffe (FE) y el índice de concordancia de Willmott (índice d) (Lorite et al., 2015), en donde el rendimiento general del
modelo se consideró bueno cuando al menos 3 de los 4 indicadores de evaluación
del modelo fueron de buenos a muy buenos (Tabla 2).
Donde: Scr
es la suma de cuadrados respecto a la regresión; Sct es suma total de
cuadrados; M son valores medios; S son valores simulados; y, N es número de
observaciones.
Figura 2. Procesamiento de la información
para la obtención de simulaciones en modelo Aquacrop.
Tabla 2
Descripción de los indicadores estadístico para simulación
del modelo.
|
Indicador
|
Valor
|
|
|
R2
|
< 0,90
|
Muy bueno
|
|
0,50 – 0,70
|
Moderadamente buenos
|
|
< 0,50
|
Malos
|
|
RMSE
|
0
|
Buen modelo
|
|
FE
|
1
|
Coincidencia perfecta
entre simulación y observaciones
|
|
0
|
Las predicciones de la
simulación son tan precisas como el promedio de los datos observados
|
|
< 0
|
La media de las
observaciones da una mejor predicción que la simulación
|
|
Índice d
|
0
|
No hay concordancia
|
|
> 0,65
|
Aceptable
|
|
1
|
Concordancia entre datos
simulados y observados
|
Condiciones
Ambientales
La
temperatura media diaria durante la temporada de crecimiento del cultivo fue de
27,8 °C; la media diaria mínima y máxima fueron de 22,6 °C y 29,9 °C
respectivamente, estas variables se recopilaron desde el 09/09/2022 al
16/11/2022 (Figura 3). Con respecto a los datos de lluvia la cantidad total
registrada fue de 185.5 mm en todo el periodo de evaluación, donde los mayores
registros hídricos se registró el 26/09/2022 y 07/10/2022 respectivamente. El
comportamiento de las variables meteorológicas durante el ciclo de del cultivo
provocaron una tasa de evaporación de 4062 mm día-1, valor ubicado
dentro del promedio obtenido por Chérrez (2015),
en un estudio comparativo de diferentes métodos en la obtención de
evapotranspiración realizado a la granja Santa Inés UTMACH.
Propiedades
físicas del suelo
La
calicata se realizó a profundidad de 106 cm, donde se pudieron diferenciar 3
horizontes a las siguientes profundidades: 0 - 21 cm, 21 - 42 cm, 42 - 106 cm.
El suelo es de origen aluvial y correspondientes al orden de los Inceptisoles (Villaseñor
et al., 2015). Con la relación a la clase textural se clasificó
como franco arcilloso en los 2 primeros horizontes (Romero
& Garcia, 2021) y franco limoso en el restante.
Figura 3.
Temperaturas medias diarias del aire (° C) en línea de color rojo,
precipitación total diaria (mm) en línea de color azul y evapotranspiración de
referencia (mm) barras de color gris, para el periodo de la investigación
23/07/2022 – 19/11/2022.
Para obtención de las propiedades físicas
del suelo, se mezclaron los 2 primeros horizontes del suelo ya que dentro de
este rango de profundidad se encontraron la mayor cantidad de raíces en el
cultivo (Zhang et al.,
2021),
para el dato de fracción de agotamiento permisible se utilizó el criterio de Allen et al.
(1998)
en el libro de FAO 56 el cual describe la fracción referencial para el cultivo
de maní.
Tabla 3
Propiedades físicas del suelo para la
profundidad de mayor actividad radical (0 - 42 cm)
|
Propiedades
|
Valor
|
Unidad
|
|
Profundidad
|
0-42
|
cm
|
|
Textura
|
Franco -Arcilloso
|
|
|
Densidad
Aparente
|
1,62
|
g cm-3
|
|
Capacidad
de campo (CC)
|
34,6
|
(%)
|
|
Punto
de marchitez (PMP)
|
18,8
|
(%)
|
|
Punto
de saturación
|
47,3
|
(%)
|
|
Conductividad hidráulica saturada
|
0,0015
|
mm sg-1
|
|
Agua
disponible (ADT)
|
158,3
|
mm m-1
|
|
Fracción de agotamiento
permisible
|
0,5
|
|
Evaluación estadística
Los indicadores de evaluación del modelo (R2,
RMSE, cv (RMSE), EF, d) mostraron que había una buena coincidencia entre los
valores observados y simulados de CC (0,98; 8,50; 13,90; 0,93; 0,98) y Biomasa
(0,99; 1,10; 19,90; 0,92; 0,98). Sin embargo, el modelo subestimo la CC entre
los 60 y 120 días después de la siembra, esta tendencia del modelo a subestimar
la cobertura dosel se presenta también para cultivos como: Algodón (Farahani
et al., 2009), Maní bambara (Karunaratne
et al., 2011), Papa (Montoya
et al., 2015) y Soya (Adeboye
et al., 2017) debido a que el modelo no toma en cuenta
la aparición de nuevas hojas (filocrono) condición que está muy presente en
este tipo de cultivos, esto explica la subestimación de los valores simulados.
En el cultivo de maní la producción de
hojas puede continuar hasta la etapa de maduración, la aparición de las hojas
se debe al favorecimiento de las condiciones ambientales a la que se expone, a
pesar del enfoque de Aquacrop de crecimiento exponencial y decaimiento de la
cobertura dosel, el software pudo simular de manera satisfactoria esta
variable, confirmando de esta manera la precisión del modelo.
Figura 4. Cobertura dosel
(A) y biomasa acumulada (B) simuladas (negro) y observadas (rojo) para maní,
proporcionados por Aquacrop (23/07 - 22/11/2022).
Tabla 4
Parámetros
de calibración del modelo
|
Parámetro de entrada
|
Unidad
|
|
Valor de calibración
|
|
Método de siembra
|
-
|
|
Directa
|
|
Cobertura foliar máxima
|
%
|
|
85
|
|
Cobertura del dosel promedio de las
plántulas (Cco)
|
% dia-1
|
|
3,30
|
|
Coeficiente de crecimiento dosel (CGC)
|
%
|
|
10,2
|
|
Coeficiente de disminución del dosel (CDC)
|
%
|
|
0,53
|
|
Índice de cosecha de referencia (HIo)
|
%
|
|
|
|
Productividad del agua normalizada por Eto
y CO2
|
g m-2
|
|
17
|
|
Inicio de Floración
|
días
|
|
45
|
|
Fecha de siembra
|
-
|
|
23/07/2022
|
|
Densidad de plantación
|
m2
|
|
12
|
|
Días a la germinación
|
día
|
|
8
|
|
Duración de la Floración
|
día
|
|
35
|
|
Días a la maduración
|
día
|
|
124
|
|
Profundidad efectiva máxima de las raíces
|
cm
|
|
32
|
|
Biomasa
|
(t ha-1)
|
|
10,732
|
|
Rendimiento
|
(t ha-1)
|
|
3,022
|
Para biomasa, la calibración del modelo
mostró una buena coincidencia entre los valores simulados y observados, 3 de
los 4 indicadores estadísticos mostraron un buen ajuste, donde el modelo en
este caso tendió a sobrestimar levemente la biomasa simulada, viéndose afectado
también el rendimiento del grano simulado sobreestimándolo en un 13% más que el
dato obtenido en campo, ubicando esta variación dentro del criterio de
Farahani (2009) y Steduto (2009) los cuales
mencionan que diferencias de ± 10% son precisas, mientras que las diferencias
de ± 20% aceptables , pudiendo decir que el modelo simulo el rendimiento con
buena precisión de esta variable, hay que tener en cuenta que las simulaciones
del contenido de humedad del suelo no se consideraron ni para la calibración ni
para la validación dado que la humedad real del suelo dentro de la zona de
raíces no se pudieron medir con precisión.
Dado que Aquacrop simuló con una buena
precisión las variables de cobertura dosel, biomasa y rendimiento, se puede
inferir que es un modelo fiable para simular este tipo de variables.
Con respecto a la evapotranspiración el
modelo no sobreestimo los valores de ET finales, el valor acumulado observado
fue de 515.868 mm, mientras que el simulado fue de 487 mm, una de las
características relevantes de Aquacrop es la separación de la
evapotranspiración en evaporación (Es) y transpiración (Tr) basado en un modelo
de cobertura dosel simple (Vanuytrecht et
al., 2014),
dado que el modelo subestimo la cobertura dosel la cual es proporcional a la
transpiración (Tr) el valor de evaporación (Es) sería el parámetro subestimado
el cual explica la variación.
Tabla 5
Biomasa,
rendimiento de grano y evapotranspiración simulados y observados para el maní
durante la calibración y prueba del modelo
|
|
Biomasa
(t ha-1)
|
Rendi-
miento
(t ha-1)
|
Evapotrans-piración
(mm)
|
|
Simulado
|
11,160
|
4,414
|
487,000
|
|
Observado
|
10,732
|
3022
|
515,868
|
|
Diferencia (%)
|
4,28
|
13,92
|
-28
|
Las comparaciones entre los rendimientos
simulados por el modelo y los rendimientos obtenidos indican que es posible
lograr diferentes niveles de producción reales al estimado, también que los
valores de producción pueden considerarse como valores de referencia ya que son
muy variables, esto debido a los diferentes ambientes que se presentan en las
diferentes regiones productivas.
En el caso de la producción real obtenida a
nivel de investigación, el dato obtenido difiere del simulado debido a la alta
variabilidad empírica de la misma, sumándose también a que el modelo no
considera el nivel de fertilidad de los suelos, presencia de plagas y
enfermedades, en todo caso este nivel de producción simulado puede resultar
útil como guía orientativa en las prácticas de manejo de los cultivos.
Tabla 6
Rendimientos
potenciales, en años secos y húmedos simulados con Aquacrop, rendimientos
experimentales máximos obtenidos a partir de investigaciones similares
|
Cultivo
|
PSm
(t ha-1)
|
PO
(t ha-1)
|
Fuente
|
Año
|
PSm
(t ha-1)
|
PRI
(t ha-1)
|
|
Maní
|
4,414
|
3,022
|
(Chibarabada et
al., 2020)
|
Seco
|
2,874
|
2,900
|
|
(Khov et al.,
2017)
|
Húmedo
|
1,29
|
1,23
|
Donde: PSm es producción simulada; PO
es producción observada; PRI es producción a nivel de investigaciones.
Durante la calibración y modelización del
máximo rendimiento del cultivo de maní, el modelo simuló de manera aceptable
las observaciones realizadas en campo de cobertura dosel (CC) y biomasa
acumulada, aunque tendió a subestimar la cobertura dosel al momento de alcanzar
la máxima cobertura observable, este fenómeno se atribuyó a que no toma en
cuenta la aparición de hojas nuevas, el modelo no sobreestimó la
evapotranspiración en la simulación. En general, el modelo mostró un buen
potencial para simular las variables de cobertura dosel, biomasa y rendimiento,
sin embargo, antes de poder aplicar el modelo es necesario seguir probando su
respuesta ante diferentes climas y suelos de la región.
REFERENCIAS
BIBLIOGRÁFICAS
Adeboye,
O. B., Schultz, B., Adekalu, K. O., & Prasad, K. (2017). Modelling of
Response of the Growth and Yield of Soybean to Full and Deficit Irrigation by
Using Aquacrop. Irrigation and Drainage, 66(2), 192–205.
Allen,
R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop
Evapotranspiration. Irrigation and Drainage, 300(56), 300.
Allen, R., Pruitt, W. O., Wright, J. L., Howell,
T. A., Ventura, F., Snyder, R., Itenfisu, D., Steduto, P., Berengena, J.,
Yrisarry, J. B., Smith, M., Pereira, L. S., Raes, D., Perrier, A., Alves, I.,
Walter, I., & Elliott, R. (2006). A recommendation on standardized surface
resistance for hourly calculation of reference ETo by the FAO56 Penman-Monteith
method. Agricultural
Water Management, 81(1–2), 1–22.
Chérrez, T. (2015). Análisis comparativo en la aplicación de
diversos métodos para el cálculo de la evapotranspiración en un mismo
escenario. Escuela Politécnica del litoral.
Chibarabada, T., Modi, A. T., & Mabhaudhi, T. (2017). Expounding the
value of grain legumes in the semi- and arid tropics. Sustainability
(Switzerland), 9(1).
Chibarabada, T., Modi, A. T., & Mabhaudhi, T.
(2020). Calibration and evaluation of aquacrop for groundnut (Arachis hypogaea)
under water deficit conditions. Agricultural and Forest Meteorology, 281(November
2019), 107850.
Cisneros, R. (2003). Apuntes de la materia Riego y Drenaje. Universidad
Autonoma de San Luis de Potosi, 164.
Farahani, H. J., Izzi, G., & Oweis, T. Y. (2009). Parameterization
and evaluation of the aquacrop model for full and deficit irrigated cotton. Agronomy Journal, 101(3),
469–476.
González, O., Florido, R. N., & Varela, M. (2018).
Aplicaciones de la modelación matemática y la simulación de cultivos agrícolas
en Cuba. Cultivos Tropicales, 39(1), 121–126.
INIAP. (2004). Guia del cultivo de mani para las zonas de Loja
y El Oro. In Progrma De Modernizacion De Los Servicios Agropecuarios: Vol.
Boletín314.
Jones, J., Antle, J. M., Basso, B., Boote, K. J.,
Conant, R. T., Foster, I., Godfray, H. C. J., Herrero, M., Howitt, R. E.,
Janssen, S., Keating, B. A., Munoz-Carpena, R., Porter, C. H., Rosenzweig, C.,
& Wheeler, T. R. (2017). Brief history of agricultural systems modeling. Agricultural
Systems, 155, 240–254.
Jones, J., Hoogenboom, G., Porter, C. H., Boote,
K. J., Batchelor, W. D., Hunt, L. A., Wilkens, P. W., Singh, U., Gijsman, A.
J., & Ritchie, J. T. (2003). The DSSAT cropping system model. In European
Journal of Agronomy (Vol. 18, Issues 3–4).
Karunaratne, A. S., Azam-Ali, S. N., Izzi, G.,
& Steduto, P. (2011). Calibration and validation of fao-aquacrop model
for irrigated and water deficient bambara groundnut. Experimental
Agriculture, 47(3), 509–527.
Khov, S., Vote, C., Hornbuckle, J., Inthavong, I.,
Oeurng, C., Sengxua, P., Sihathep, V., Song, L., & Eberbach, P. (2017).
Calibration and validation of AquaCrop for irrigated peanut (Arachis hypogaea)
in lowland rice systems of southern Laos. Proceedings - 22nd International
Congress on Modelling and Simulation, MODSIM 2017, December,
223–229.
Lavado, W., Lhomme, J. P., Labat, D., Guyot, J. L., &
Boulet, G. (2015). Estimación de la evapotranspiración de referencia (FAO-56
Penman-Monteith) con limitados datos climáticos en la cuenca andina amazónica
Peruana. Revista
Peruana Geoatmosférica, 43(4), 31–43.
Lorite, I. J., Garcia-vila, M., & Fereres, E.
(2015). AquaCrop-GIS (Issue July).
Montoya, F., Camargo, D., Ortega, J. F., Córcoles,
J. I., & Domínguez, A. (2015). Evaluation of Aquacrop model for a potato
crop under different irrigation conditions. Agricultural Water Management,
164, 267–280.
Rauff, K., & Bello, R. (2015). A Review of
Crop Growth Simulation Models as Tools for Agricultural Meteorology. Agricultural
Sciences, 06(09), 1098–1105.
Robertson, M. J., Carberry, P. S., Huth, N. I.,
Turpin, J. E., Probert, M. E., Poulton, P. L., Bell, M., Weight, G. C., Yeates,
S. J., & Brinsmead, R. B. (2002). Simulation of growth and development of
diverse legume species in APSIM. Australian Journal of Agricultural Research, 207(1).
Romero, I., & Garcia, R. (2021). Diagnostico de los
predios agropecuarios que conforman la granja santa ines de la utmach. Revista
Científica Agroecosistemas, 9(3), 191–200.
Saxton, K. (2002). SPAW (pp. 1–22).
Steduto, P., Hsiao, T. C., Raes, D., & Fereres,
E. (2009). Aquacrop-the FAO crop model to simulate yield response to water: I.
concepts and underlying principles. Agronomy Journal, 101(3),
426–437.
Vanuytrecht, E., Raes, D., Steduto, P., Hsiao, T.
C., Fereres, E., Heng, L. K., Garcia Vila, M., & Mejias Moreno, P. (2014). AquaCrop: FAO’s
crop water productivity and yield response model.
Villaseñor, D., Chabla, J., & Luna, E. (2015).
Caracterización
física y clasificación taxonómica de algunos suelos dedicados a la actividad
agrícola de la Provincia de El Oro. Cumbres, 1(2), 28–34.
Villaseñor Ortiz, D. (2016). Fundamentos y procedimientos para
análisis físicos y morfológicos del suelo. In Universidad Técnica de Machala.
Zhang, K., Liu, Y., Luo, L., Zhang, X., Li, G., Wan, Y., &
Liu, F. (2021). Root traits of peanut cultivars with different drought
resistant under drought stress at flowering and pegging phase. Acta Agriculturae
Scandinavica Section B: Soil and Plant Science, 71(5), 363–376.
