Estimación del rendimiento de soja con datos de radiación solar de CERES Gustavo Ovando1, Silvina Sayago1, Fernando Salvagiotti2 y Mónica Bocco1 1Facultad de Ciencias Agropecuarias, - UNC. Córdoba. 2Estación Experimental Agropecuaria Oliveros - INTA. Santa Fe

INTRODUCCIÓN La estimación de la producción agrícola es necesaria para: La planificación que deben realizar los actores públicos y privados. Un alerta temprana de seguridad alimentaria y sustentabilidad ambiental. Los modelos de cultivos permiten simular el desarrollo y rendimiento de los cultivos, representar y evaluar las influencia que ejercen los múltiples factores que los afectan. Estos factores incluyen fecha de siembra, selección de cultivares, tipo de suelo, estrategias de fertilización y riego y los patrones meteorológicos estacionales.

INTRODUCCIÓN En Argentina, por superficie sembrada y réditos económicos, el cultivo de soja (Glycine max (L.) Merr) es el más importante. Soja en Argentina: 66 % de la superficie agrícola sembrada. 20.479.094 ha sembradas de soja en la campaña 2015/2016. Las variaciones en el rendimiento de la soja son consecuencia de: Efectos del genotipo, de la fecha de siembra y de su interacción. Propiedades del suelo (físicas y químicas) en interacción con las variables meteorológicas (radiación, agua y regímenes térmicos).

Decision Support System for Agrotechnology Transfer (DSSAT) INTRODUCCIÓN Decision Support System for Agrotechnology Transfer (DSSAT) Incluye módulos para simular el desarrollo y rendimiento de un cultivo, ante diferentes prácticas de manejo, o disponibilidades de agua en el suelo considerando diferentes tipos de suelos y clima. El CROPGRO, dentro del paquete DSSAT, modela leguminosas de grano, entre ellas soja (Glycine max L. Merr.). Requieren información de: Radiación solar diaria Temperaturas máximas y mínimas Precipitación

INTRODUCCIÓN Las imágenes provenientes de sensores remotos proporcionan información de radiación global en continuidad temporal y homogeneidad espacial. En particular el producto CERES (Clouds and Earth’s Radiant Energy System) permitió, en los últimos años, hacer un gran avance para estimar la radiación solar.

OBJETIVO Evaluar cambios en la estimación del rendimiento de soja utilizando el modelo DSSAT (CROPGRO soybean), cuando se consideran datos de radiación solar obtenidos de imágenes satelitales (CERES) para reemplazar distintos porcentajes de datos meteorológicos faltantes en una base de datos.

MATERIALES Y MÉTODOS Área de estudio Región agrícola situada en la zona rural de la EEA Oliveros – INTA provincia de Santa Fe (32º 33’S; 60º 51’W). La siembra se concentra en el mes de noviembre y más del 90%, se realiza siembra directa, con distancia entre surcos de 52 cm. La cosecha se realiza durante los meses de marzo/abril y los controles de malezas y fertilización son los normales para dicho cultivo. En el presente trabajo se consideraron: Seis campañas agrícolas: años 2010 a 2016. Período de simulación desde el 1/10 al 30/4 Fechas de siembra: 15/10 y 15/11. Cultivares de soja pertenecientes a los grupos de madurez GM III, GM IV y GM V.

Datos de Satélite MATERIALES Y MÉTODOS Radiación solar provista por el instrumento CERES. Datos procesados siguiendo el proyecto Fast Longwave And SHortwave Radiative Fluxes (FLASHFlux- http://flashflux.larc.nasa.gov/). Imagenes con: Resolución espacial de 0,25º de latitud/longitud y resolución temporal diaria, para el período Julio 2010 a Julio 2016. http://neo.sci.gsfc.nasa.gov/view.php?datasetId=CERES_INSOL_D

CROPGROP Soybean - DSSAT MATERIALES Y MÉTODOS CROPGROP Soybean - DSSAT El modelo CROPGRO Soybean está compuesto por cuatro módulos que interactúan: desarrollo, balance de carbono, balance de agua y balance de nitrógeno. Datos de entrada: Clima: temperatura máxima y mínima, radiación solar global, precipitación Suelo: propiedades físicas y químicas de cada horizonte del perfil Manejo del cultivo: residuos, fechas de siembra, fertilización, riego Coeficientes genéticos de los cultivares.

Aplicación de datos CERES al CROPGROP Soybean MATERIALES Y MÉTODOS Aplicación de datos CERES al CROPGROP Soybean Para evaluar el efecto de la sustitución de datos de radiación solar observados por estimaciones de CERES en cada campaña: se reemplazaron al azar entre el 10% y el 100% de los datos (en pasos de 10% de incremento). para cada tipo de reemplazo se realizaron 10 repeticiones, comprendiendo todo el ciclo de cultivo. Se realizó la comparación entre el rendimiento (en kg/ha) obtenido por: CROPGRO Soybean con datos de radiación solar de la estación meteorológica EEA Oliveros – INTA CROPGRO Soybean con datos datos de CERES con distintos porcentajes de reemplazo.

(en MJ/m2d para el período 2010 a 2016) RESULTADOS Dispersión entre valores de radiación solar diaria registrados EEA Oliveros -INTA y de CERES (en MJ/m2d para el período 2010 a 2016)

Raíz del Error cuadrático medio del ajuste entre RESULTADOS Raíz del Error cuadrático medio del ajuste entre RS diaria registrada y de CERES (En MJ/m2d, para los distintos porcentajes de reemplazo de datos registrados y en promedio para las FS 15/10 y 15/1, campañas en el período 2010 a 2016)

Rendimiento de soja estimada por CROPGRO a partir de RS observada RESULTADOS Rendimiento de soja estimada por CROPGRO a partir de RS observada (En kg/ha, según fechas de siembra (FS) y grupo de madurez (GM), campañas en el período 2010 a 2016).

Rendimiento de soja estimada por CROPGRO RESULTADOS Rendimiento de soja estimada por CROPGRO con datos de CERES (En kg/ha, para FS: 15/10 y distintos porcentajes de reemplazo de datos registrados, según GM y campañas en el período 2010 a 2016)

Rendimiento de soja estimada por CROPGRO RESULTADOS Rendimiento de soja estimada por CROPGRO con datos de CERES (En kg/ha, para FS: 15/11 y distintos porcentajes de reemplazo de datos registrados, según GM y campañas en el período 2010 a 2016)

CONCLUSIONES La RS proveniente de CERES es posible emplearla, en caso de no poseer registros, para estimar rendimiento de soja a partir del modelo CROPGRO Soybean. El rendimiento de soja es mejor estimado siempre que el porcentaje de reemplazo de datos registrados por los del satélite no supere el 30% (para todas las FS, GM y campañas en el período 2010 a 2016). En años con situaciones ambientales adecuadas, el modelo presenta muy buenas estimaciones del rendimiento aún reemplazando casi la totalidad de los registros por la RS de CERES (para GM que mejor se adaptan a las FS). En el 40% de los casos, al reemplazar el 100% de los datos se obtienen muy bajos errores (%RECM < 5%).

A todos los presentes por su atención AGRADECIMIENTOS Comité Organizador de la 46 JAIIO Comité Científico del 9 CAI A todos los presentes por su atención ¡ Muchas gracias !