Modelación de productividad de cultivo de papa (Solanum Tuberosum) en la sabana de occidente, a partir de datos de Torres Eddy Covariance

Abstract

La comprensión de la evapotranspiración (ET) y la productividad primaria bruta (PPB) en sistemas de cultivo de papa (Solanum tuberosum) es fundamental para optimizar la eficiencia en el uso del agua y la captura de carbono. Este estudio tuvo como objetivo desarrollar un modelo de simulación para estimar la ET y la PPB bajo diferentes escenarios de disponibilidad hídrica. La investigación se estructuró en tres componentes principales: (i) el post-procesamiento de datos de Eddy Covariance (EC) para determinar el intercambio neto de carbono del ecosistema (INCE) y la ET, (ii) la parametrización de un modelo de PPB basado en la ecuación de respuesta a la luz de Mitscherlich, y (iii) la validación de los modelos de simulación de ET y PPB. Los resultados mostraron que, en condiciones óptimas de humedad, el sistema actuó como un sumidero neto de carbono, con un INCE acumulado de -13.16 t CO₂ ha⁻¹. Sin embargo, bajo estrés hídrico, el sistema se convirtió en una fuente neta de carbono, emitiendo 5.41 t CO₂ ha⁻¹. La ET fue mayor en condiciones hídricas intermedias (1.95 mm/día), lo que sugiere que mecanismos fisiológicos regulan la transpiración incluso cuando el agua no es limitante. El modelo de PPB basado en Mitscherlich mostró una alta precisión predictiva (índice de Willmott > 0.98), mientras que los modelos de ET presentaron mayores desafíos en la predicción, especialmente bajo estrés hídrico (𝑅2 ajustado entre 0.32 y 0.55). La aplicación de transformaciones de Box-Cox y logarítmica mejoró la normalidad de los residuos, pero no corrigió completamente la heterocedasticidad, lo que indica que variables fisiológicas adicionales pueden influir en la variabilidad de la ET. Estos hallazgos resaltan la importancia de estrategias precisas de manejo del agua para optimizar la productividad del cultivo y mejorar su potencial de captura de carbono. Estudios futuros deben explorar modelos no lineales y enfoques de aprendizaje automático para mejorar la predicción de la ET en escenarios de variabilidad climática.