Validación del Modelo CERES-Maize en el Trópico Caribeño

Slides:



Advertisements
Presentaciones similares
UNIVERSIDAD DE CASTILLA - LA MANCHA ESCUELA UNIVERSITARIA DE INGENIERÍA TÉCNICA AGRÍCOLA DE CIUDAD REAL DISIPACIÓN DE RESIDUOS FITOSANITARIOS EN EL.
Advertisements

Modelos de Variable Dependiente Binaria -Logit y Probit-
Vanina P. Cravero; Fernando S. López Anido; Enrique L. Cointry
Environmental Modelling & Software 17 (2002),
El crecimiento de los cultivos
METODOLOGÍA Y TALLER DE INVESTIGACIÓN
Covarianza muestral Sean x1, x2, ..., xn e y1, y2, ..., yn dos muestras aleatorias independientes de observaciones de X e Y respectivamente. La covarianza.
Econometria 2. Modelo de Regresión Lineal Simple
Capitulo 10: La metodología Box-Jenkins
Estadística Administrativa II
Presentado por: Reyes Trinidad Veronica.
TEMA 8: ANÁLISIS DE LA REGRESIÓN Y CORRELACIÓN ENTRE DOS VARIABLES
UNIVERSIDAD DE COLIMA FCBA AGROCLIMATOLOGIA ABRIL 2013
Mario Astorga, Freddy Mora
Esto parece una imagen  normal de japoneses, en una la plantación de arroz normal Pero a medida que se desplaza hacia abajo, emerge un cuadro como el arroz.
♫♪♫ Increibles…. Estos Japoneses !! Si tú creías haberlo visto todo... Lo que veremos a continuación parece una imagen normal de japoneses, en una plantación.
Curso de Estadística Básica
9- 1 Recursos Fitogeneticos en Guatemala INTRODUCCION  Los recursos filogenéticos son útiles como fuente de producción y poseedores de genes utilizados.
Análisis de Correlación y de Regresión lineal simple
MÉTODOS DE PROYECCIÓN Existen varias alternativas para determinar el comportamiento futuro de un producto, lo cual exige de los proyectistas, un análisis.
Métodos de separación de mezclas (Continuación)
Proceso investigativo
Módulo Instruccional para el curso de Biología 3101
Un estudio sobre la utilidad de la realización de prácticas de laboratorio en el proceso de aprendizaje y su influencia en los resultados de la evaluación.
VALIDACIÓN DE DIFERENTES MÉTODOS PARA EL MANEJO Y CONTROL DEL CARBÓN DE LA ESPIGA DEL MAÍZ EN EL VALLE DEL MEZQUITAL, HIDALGO.
Como Llenar una Bitácora de Laboratorio
VULNERABILIDAD EN LA ADAPTACIÓN DE LOS CULTIVOS A UN POSIBLE CAMBIO CLIMÁTICO PARTICIPANTES DR. LORENZO A. ACEVES NAVARRO DR. JOSE FRANCISCO JUAREZ LOPEZ.
Mega cilantro Universidad de Cundinamarca Extensión Facatativá Asignatura: Matemáticas II Docente: Carolina Guzmán Integrantes: Juan Camilo Gil Orjuela.
Pronósticos, Series de Tiempo y Regresión
REGRESION LINEAL III Mario Briones L. MV, MSc 2005.
SERIES TEMPORALES.
Pronósticos Los pronósticos y la planeación de la capacidad de mantenimiento son dos funciones importantes para el diseño de un sistema de mantenimiento.
Etapa 1: Ingreso de la solicitud Etapa 2: Procesar solicitud SAG Etapa 3: Ensayos de verificación de descripción varietal realizado por el SAG.
Universidad De Cundinamarca Extensión Facatativá Ingeniería Agronómica matemáticas III “Relación matemática del crecimiento de la planta de tomate con.
Introducción a la Inferencia Estadística
Condiciones previas: El solicitante debe realizar los ensayos del valor agronómico. Etapa 1: El solicitante presenta declaración de ensayo en la oficina.
OBTENCION DEL COEFICIENTE DE CULTIVO (Kc) DE CULTIVOS TROPICALES
Estimación del almacenamiento de carbono en suelo de huertos de de guayaba en el municipio de Calvillo, Aguascalientes. Jesús Meraz, Jorge Martínez, Alejandro.
Análisis de correspondencia canónica (CCA)
Regresión lineal múltiple
Valor nutricional y utilización de alimentos
CECILIA LANDAVERDE Validación adaptativa del Clon CT-115 Pasto de corte (Pennisetum purpureum) como alternativa de alimentación.
Establecimiento de una zona libre de la mosca de la fruta en el sur de Puerto Rico: evaluación de viabilidad Luis Alejandro Díaz Marín Universidad de Puerto.
El efecto de la economía de Estado Unidos en la disponibilidad de habitaciones en hoteles y paradores Nelson Nieves Gonell Universidad del Turabo Escuela.
 Problemas mayores en P.R.  Falta de terrenos agrícolas.  Gran erosión de terrenos.  Hidroponía  Cultivo sin uso de tierra.  Ausencia de contaminantes.
ETAPA DE ESTABLECIMIENTO SEMILLAS, GERMINADORES Y ALMÁCIGOS DE CAFÉ
Desarrollando Tecnología Para Las Competencias De Caballos De Paso Fino Eddie J. Hernández Departamento Ingeniería Civil Universidad de Puerto Rico Recinto.
COSTOS PREDETERMINADOS Profesor: Francisco Javier ortega.
Regresión Lineal Simple
Especialidad en Administración de Proyectos
RESPUESTA DEL CULTIVO DE ALFALFA A DIFERENTES ESTADOS HIDRICOS
MODELOS DE PRONOSTICOS Primer semestre 2010 Modelo de Regresión con dos variables.
ANÁLISIS DE LA INFORMACIÓN La relación entre variables.
HERRAMIENTAS, METODOS. TECNICAS E INSTRUMENTOS.
CONGRESILLO REGIONAL DE EDUCACIÓN UNIVERSITARIA: MIRADAS CRÍTICAS PARA TRANSFORMACIÓN UNIVERSITARIA. SIMULACIÓN DEL PROCESO DE CONFORMADO DE CHAPA CON.
EPE MA 148 ESTADÍSTICA INFERENCIAL TEMA:
IMPORTANCIA DE LOS OLIGOELEMENTOS EN LA PRODUCTIVIDAD
Cómo escribir un informe de investigación
DEPARTAMENTO DE CIENCIAS DE LA VIDA Y DE LA AGRICULTURA
TEAM SOFTWARE PROCESS CICLO 1. El software propuesto por el equipo de Ingenium para cumplir con las necesidades planteadas, modela los un conjunto de.
RELACIÓN ENTRE UNA VARIABLE DEPENDIENTE Y UNA O MAS INDEPENDIENTES.
REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.
EL ARROZ EN HONDURAS Periodo de estabilidad Caída del arroz Convenio y recuperación
Variabilidad climática y su impacto en el manejo del cultivo de maíz Variabilidad climática y su impacto en el manejo del cultivo de maíz 1-Determinación.
SISTEMAS DE CULTIVO Curso Metodologías de Diagnóstico y Capacitación Rural Prof. Leonardo Granados Fuente: adaptacion de Presentación de la Dra.
1 Serie: Herramientas para simulación en la Agricultura 1er Seminario virtual IICA-JRC- INTA Abril 27 de 2016.
INTRODUCCIÓN El sistema de labranza tradicional está basado en una alta intensidad de trabajo del suelo y en el volteo del mismo. El empleo de sistemas.
Bioestadistica II 2014 FACULTAD DE CIENCIAS EXACTAS, FÍSICAS Y NATURALES. UNIVERSIDAD NACIONAL DE CÓRDOBA.
Produccion de manzanas y peras en Rio Negro. Si se compara esta variable en la temporada 2012/13 respecto de la 2011/12 se aprecia que la caída observada.
Erick Daniel Wolf Chacón SANTO DOMINGO-ECUADOR 2014
Transcripción de la presentación:

Validación del Modelo CERES-Maize en el Trópico Caribeño Elvin Román-Paoli, Marilis Esteves-Nieves, James Beaver Departamento de Agronomía y Suelos, Recinto Universitario de Mayagüez, Universidad de Puerto Rico INTRODUCCIÓN El modelo CERES-Maize ha sido validado extensamente, pero ha sido mayormente bajo condiciones templadas. En Puerto Rico (PR), se validó este modelo con el propósito de determinar su efectividad para predecir el rendimiento de maíz en reservas para uso agrícola. MATERIALES Y MÉTODOS Se validaron las variables rendimiento, fecha de florecida, número de granos, fecha de madurez fisiológica, índice de área foliar (IAF), número de hojas total y biomasa con información recopilada en experimentos de campo realizados en el 2004 y 2005. Además se utilizó información publicada de varios estudios con las mismas variedades. Las variedades de maíz de polinización abierta evaluadas fueron: ´Mayorbela´, ‘Diente de Caballo´, ´Churo´ y un híbrido comercial modificado genéticamente con Bt. Los suelos de las tres localidades estudiadas pertenecían a los órdenes de suelos Vertisoles, Oxisoles y Mollisoles para Lajas, Isabela y Guánica, respectivamente. A estos cultivares de maíz se le estimó los coeficientes genéticos (CG) en experimentos de campo realizados en el 2004 y 2005 en Lajas. Los CG estimados están descritos en el Cuadro 1. Los datos se sometieron a un análisis de regresión lineal en donde los datos observados se consideraban como variable independiente y los simulados como dependiente. Las variables fueron evaluadas utilizando los CG estimados en el año contrario al que está en validación. Cuadro 1. Descripción de los coeficientes genéticos más importantes estimados para maíz. Cuadro 2. Validación de CERES-Maize para el número total de hojas determinado durante 2004 utilizando los coeficientes genéticos estimados en Lajas en el año 2005. P1 Tiempo que transcurre entre germinación hasta el final etapa fase juvenil del cultivo. P5 Tiempo de acumulación de materia seca del grano (florecida hasta madurez fisiológica). G2 Número potencial de granos por mazorca. G3 Velocidad lineal de crecimiento del grano en mg/día. RESULTADOS Y DISCUSIÓN La predicción del rendimiento bajo diferentes condiciones de manejo fue pobre (Gráfica 1). Esto se debió probablemente a la sobreestimación de la fecha de florecida (datos no incluidos) y el número de hojas para todas las variedades evaluadas (Cuadro 2). El modelo estima el área foliar basado en el número de hojas completamente desarrolladas, las hojas que emergen diariamente y el estrés de agua en la planta. Si el número de hojas se sobreestima, resulta en una sobreestimación del LAI, la intercepción de luz y la acumulación de biomasa. Una planta de maíz alcanza su potencial genético cuando logra un LAI ≥ 3.0. Cuadro 3. Validación de CERES-Maize para Índice de Área Foliar promedio determinado durante 2004 utilizando los coeficientes genéticos estimados en Lajas en el año 2005. Gráfica 1. Validación de CERES-Maize para el rendimiento determinados en Lajas durante 2004 utilizando los coeficientes genéticos estimados en Lajas en el año 2005. CONCLUSION En PR el modelo se puede utilizar como herramienta para predecir tendencias de las variedades que mejor se comportan en cuanto a rendimiento en una situación particular en las localidades estudiadas. Pero se debe tener en consideración que hay limitaciones en la predicción del rendimiento y fenología. ´Mayorbela´ fue la variedad que el modelo mejor predijo, mientras que ´Chulo´ y ‘Diente de Caballo´ fueron predominantemente inferior tanto para el modelo como en el campo. Ninguna de las variedades sembradas en Lajas alcanzaron un LAI = 3.0, por lo que se deduce que no expresaron su potencial genético (Cuadro 3). El modelo hizo una mejor predicción del número de granos por mazorca (datos no incluidos). La fecha de madurez fisiológica depende de la fecha de florecida de la planta. Por tanto, si el modelo sobreestima la fecha de florecida es de esperar que el mismo sobreestime la fecha de madurez fisiológica (datos no incluidos) como se observó en nuestra validación. En éste estudio, se sobreestimó la biomasa, exceptuando la variedad ´Chulo´ en el 2005 (datos no incluidos) .