Modelado Matemático y Bio-Matemático en la Agricultura: Implicancias del Cambio Climático

Impacto del Cambio Climático en la Producción Agrícola

El cambio climático genera diversas problemáticas en la agricultura, tales como:

• Sequías y heladas (mencionado en SEN y COS).
• Disminución o aumento de la incidencia de plagas y enfermedades.
• Alteraciones en el desarrollo de frutales debido a la falta de horas frío necesarias.
• Retraso en la cosecha y en el desarrollo fenológico por falta de acumulación térmica adecuada.

Datos versus Conocimiento: El Rol del Modelado

Definiciones Clave

• Modelador: Persona o proceso dedicado a "entender los ciclos y ritmos de la naturaleza a través de las ecuaciones matemáticas".
• Modelo: Representación de la realidad construida a través de ecuaciones matemáticas.

Modelamiento Bio-Matemático

El modelamiento bio-matemático se sitúa en la intersección donde los datos (observaciones) y los conocimientos (principios biológicos/físicos) se unen. Para transformar el dato en conocimiento útil, se requiere el uso de modelos predictivos y ecuaciones matemáticas.

Ejemplos de Aplicación de Modelos Predictivos

1. Sistema Meteorológico Automatizado para el Pronóstico de Venturia en Manzanos: Aplicación directa de modelos para predecir la aparición de enfermedades fúngicas.
2. Modelo para Predecir Diámetro de Frutos de Manzanas usando Grados Día:
   • Demostración a través de la ecuación logística, que presenta una curva sigmoidea.
   • Conocer esta curva permite un manejo eficiente del riego, optimizando el uso del agua y aplicando la cantidad necesaria según el requerimiento del cultivo y su estado fenológico.
   • Ejes del modelo: Eje X (crecimiento en grados día); Eje Y (diámetro del fruto), mostrando 3 etapas de crecimiento.
3. Modelo de Predicción de Fenología y Evolución de Madurez en Función de Grados Día:
   • Modelo exponencial que relaciona los grados día con una escala fenológica (0 a 45).
   • Asociación de los grados día con números que indican el estado fenológico de la planta:
     • 4: Punta verde
     • 12: Brote de 10 cm
     • 23: Floración
     • 27: Cuaja
     • 31: Baya tamaño arveja
     • 35: Pinta
     • 38: Madurez
4. Agricultura de Precisión:
   • Utiliza modelos empíricos basados en algoritmos matemáticos.
   • Datos adquiridos por estaciones meteorológicas: Temperatura (T°), Humedad Relativa (HR), velocidad y dirección del viento, radiación solar y precipitación (pp).
   • Información climática procesada generada: Evaporación de referencia (Evapo. ref), Evaporación actual (Evapo. actual), coeficiente de cultivo calibrado, grados día, y horas frío.
   • Ecuación Penman-Monteith: Se utiliza para calcular el consumo de agua de los cultivos a través de la evapotranspiración. Cuando las condiciones no son ideales, se emplea un modelo de doble capa que mide la transpiración y la evaporación de forma separada.

Investigación y Estructura de Sistemas

Definición de Sistema

Un Sistema es un arreglo de componentes físicos o un conjunto o colección de cosas, unidas o relacionadas de tal manera que forman y actúan como una unidad, como un todo.

Elementos del Sistema

Los elementos fundamentales de un sistema son:

• Límites
• Componentes
• Interacciones
• Entradas y Salidas

Pasos para la Investigación de un Sistema

Fases Metodológicas

1. Especificación del Sistema: Definir los objetivos de la investigación.
2. Jerarquización del Sistema: Establecer el nivel determinado que ocupa el sistema dentro de una organización jerárquica.
3. Determinación de las Fronteras del Sistema: Definir lo que se dejará fuera del sistema.
4. Medición del Sistema: Aislar las partes del sistema e identificar las variables endógenas y exógenas.
5. Establecimiento del Modelo del Sistema: Establecer un modelo apropiado en función de los datos obtenidos con el fin de explicar la realidad a través de ecuaciones matemáticas.
6. Desarrollo del Programa de Computación: Ordenar la información construyendo un diagrama de flujo para luego desarrollar un programa computacional.
7. Validación del Modelo: Evaluar la variación de las predicciones del modelo y del error con respecto a los valores observados o reales.
8. Análisis de Modelo: Revisar o corroborar si el modelo funciona a través de distintos tests estadísticos.
9. Experimentación con el Modelo: Utilizar datos concretos y reales con el modelo creado.
10. Toma de Decisiones: Establecer conocimientos en base a los datos ingresados al modelo.