Variación temporal de los índices de sensibilidad de un modelo de cultivo para jitomate en invernadero
##plugins.themes.bootstrap3.article.main##
Los sistemas soporte de decisiones (SSD) son herramientas que pueden tener de base un modelo de cultivo y se utilizan para el manejo de ciertos aspectos en un agro-sistema como: programación de riego, control climático, fertilización y rendimientos. HORTSYST es un modelo dinámico de crecimiento, desarrollado para implementarse en un sistema experto para manejar el riego y nutrición de cultivos en sistemas intensivos. Cuenta con 16 parámetros, tres variables de estado: Producción de materia seca (DMP), índice fototérmico (PTI) y nitrógeno absorbido (Nup), además de dos variables de salidas; Transpiración del cultivo (ETc) e índice de Área foliar (LAI). Las variables de entrada son: La radiación solar global (Rg), temperatura del aire (Ta) y humedad relativa (Hr). La parte central del modelo es la estimación de un índice fototérmico, que representa al tiempo de desarrollo del cultivo con el que se simula LAI. La ETc se estima con una ecuación de balance de masa y energía. DMP se simula con el enfoque de la eficiencia del uso de la radiación (RUE). Nup se determina con la curva de dilución del nitrógeno y DMP simulado previamente. El objetivo de este trabajo es realizar un análisis de sensibilidad global mediante el método de Sobol, para conocer la importancia de cada parámetro en las variables de salida, a los diez días después de trasplante (DDT), durante la etapa vegetativa (25 DDT), inicio de la fructificación (40 DDT), cosecha (80 DDT) y al final (119 DDT) del ciclo del cultivo de jitomate (Solanum lycopersicum L.), cultivado en hidropónia en invernadero durante primavera-verano (S-S). Se encontró que los índices de efectos principales y totales, como medida de influencia de los parámetros, no siguen un orden establecido con forme avanza el ciclo de cultivo. Esta variación temporal está en función de la etapa de desarrollo y debe considerarse al realizar un análisis de sensibilidad.
Descargas
##plugins.themes.bootstrap3.article.details##
Brisson, Nadine et al. 1998. STICS: A Generic Model for the Simulation of Crops and Their Water and Nitrogen Balances. I. Theory and Parameterization Applied to Wheat and Corn. Agronomie 18(5–6):311–46.
Campolongo, F., & Saltelli, A. 1997. Sensitivity analysis of an environmental model: an application of different analysis methods. Reliability Engineering & System Safety, 57(1), 49-69.
Cooman, A. and E. Schrevens. 2006. A Monte Carlo Approach for Estimating the Uncertainty of Predictions with the Tomato Plant Growth Model, Tomgro. Biosystems Engineering 94(4):517–24.
Gallardo, M., R. B. Thompson, C. Giménez, F. M. Padilla, and C. O. Stöckle. 2014. Prototype Decision Support System Based on the VegSyst Simulation Model to Calculate Crop N and Water Requirements for Tomato under Plastic Cover. Irrigation Science 32(3):237–53.
Gallardo, M., Fernandez, M.D., Giménez, C., Padilla, F.M., and Thompson, R.B. 2016. Revised VegSyst model to calculate dry matter production, critical N uptake and ETc of several vegetable species grown in Mediterranean greenhouses. Agricultural Systems, 146, 30-43.
Heuvelink, E. 1999. Evaluation of a Dynamic Simulation Model for Tomato Crop Growth and Development. Annals of Botany 83:413–22.
Helton, J. C., F. J. Davis, and J. D. Johnson. 2005. A Comparison of Uncertainty and Sensitivity Analysis Results Obtained with Random and Latin Hypercube Sampling. Reliability Engineering & System Safety 89(3):305–30.
Janon, Alexandre, Thierry Klein, Agnès Lagnoux, Maëlle Nodet, and Clémentine Prieur. 2014. Asymptotic Normality and Efficiency of Two Sobol Index Estimators. ESAIM: Probability and Statistics 18(3):342–64.
López-Cruz, Irineo L., Raquel Salazar-Moreno, Abraham Rojano-Aguilar, and Agustín Ruiz-García. 2012. Análisis de Sensibilidad Global de Un Modelo de Lechugas (Lactuca Sativa L.) Cultivadas En Invernadero. Agrociencia 46(4):383–97.
Marcelis, L.F.M., Elings, A., de Visser, P.H.B., and Heuvelink, E. 2009. Simulating growth and development of tomato crop. International Symposium on Tomato in the Tropics, 821, 101-110. https://doi.org/10.17660/ActaHortic.2009.821.10
Martínez-Ruiz, A., López-Cruz, I. L., Ruiz-García, A., & Ramírez-Arias, A. 2012. Calibración y validación de un modelo de transpiración para gestión de riegos de jitomate (Solanum lycopersicum L.) en invernadero. Revista mexicana de ciencias agrícolas, 3(SPE4), 757-766.
Martínez-Ruiz, A., López-Cruz, I. L., Ruiz-García, A., Pineda-Pineda, J., & Prado-Hernández, J. V. HortSyst: A dynamic model to predict growth, nitrogen uptake, and transpiration of greenhouse tomatoes. Chil. J. Agric. Res. 2019, 79(1), 89-102.
Martinez-Ruiz, A., Pineda-Pineda, J., Ruiz-García, A., Prado-Hernández, J.V., López-Cruz, I.L. and Mendoza-Pérez, C. 2020. The HORTSYST model extended to phosphorus uptake prediction for tomatoes in soilless culture. Acta Hortic. 1271, 301-306, DOI: 10.17660/ActaHortic.2020.1271.41
Monod, Hervé, Cédric Naud, and David Makowski. 2006. Uncertainty and Sensitivity Analysis for Crop Models. Working with Dynamic Crop Models: Evaluation, Analysis, Parameterization, and Applications 4:55–100.
Morris, M. D. 1991. “Factorial Sampling Plans for Preliminary Computational Experiments.” Technometrics 33(2):161–74.
Norton, John. 2015. An Introduction to Sensitivity Assessment of Simulation Models. Environmental Modelling and Software 69:166–74.
Pianosi, Francesca, Fanny Sarrazin, and Thorsten Wagener. 2015. A Matlab Toolbox for Global Sensitivity Analysis.
Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M. and Tarantola, S. 2008. Global sensitivity analysis. The primer. John Wiley & Sons, Ltd. Chichester, England. 292 pp.https://doi.org/10.1002/9780470725184
Saltelli, a., T. H. Andres, and T. Homma. 1995. Sensitivity Analysis of Model Output. Performance of the Iterated Fractional Factorial Design Method. Computational Statistics and Data Analysis 20(4):387–407.
Saltelli, a, S. Tarantola, and K. P. S. Chan. 1999. A Quantitative Model-Independent Method for Global Sensitivity Analysis of Model Output. Technometrics 41(1):39–56.
Saltelli, Andrea, Marco Ratto, Stefano Tarantola, and Francesca Campolongo. 2006. Sensitivity Analysis Practice: A Guide to Scientific Models.
Sobol, I. M. 1993. Sensitivity Analysis for Nonlinear Mathematical Models. Mathematical Modeling & Computational Experiment 1(4):407–14.
Stockle, C. O., M. Donatelli, and R. Nelson. 2003. CropSyst, a Cropping Systems Simulation Model. European Journal of Agronomy 18:289–307.
Vazquez-Cruz, M.A., Guzman-Cruz, R., Lopez-Cruz, I.L., Cornejo-Pérez, O., Torres-Pacheco, I., and Guevara-Gonzalez, R.G. 2014. Global sensitivity analysis by means of EFAST ans Sobol’ methods and calibration of reduced state-variable TOMGRO model using genetic algorithms. Computers and Electronics in Agriculture, 100, 1-12. https://doi.org/http://dx.doi.org/10.1016/j.compag.2013.10.006
Wang, Jing, Xin Li, Ling Lu, and Feng Fang. 2013. Parameter Sensitivity Analysis of Crop Growth Models Based on the Extended Fourier Amplitude Sensitivity Test Method. Environmental Modelling & Software 48(October):171–82.
Williams, J., C. Jones, J. Kiniry, and D. Spanel. 1989. The EPIC Crop Growth Model. Transactions of the ASAE USA 32:497–511.
Wu, Qiong-Li, Paul-Henry Cournède, and Amélie Mathieu. 2012. An Efficient Computational Method for Global Sensitivity Analysis and Its Application to Tree Growth Modelling. Reliability Engineering & System Safety 107:35–43.
Wu, Qiongli, Paul-henry Courne, and Paul-Henry Cournède. 2014. A Comprehensive Methodology of Global Sensitivity Analysis for Complex Mechanistic Models with an Application to Plant Growth. Ecological Complexity.
Zhang, X. Y., Trame, M. N., Lesko, L. J., & Schmidt, S. 2015. Sobol sensitivity analysis: a tool to guide the development and evaluation of systems pharmacology models. CPT: pharmacometrics & systems pharmacology, 4(2), 69-79.