Aproximación del modelo matemático para la producción de biomasa de maíz (zea mays l.) con y sin asociación a una leguminosa

Contenido principal del artículo

José Valdemar Andrade Cadena
Luz Marina Rodríguez Cisneros
María Rosa Mosquera Lozada
Jorge Arroba Rimassa

Resumen

La presente investigación tiene como objetivo la realización de una aproximación a la creación de un modelo matemático para conocer la dinámica de crecimiento del maíz de variedades locales, cultivado en asociación o no a una leguminosa en las condiciones agroecológicas de la provincia de Imbabura. El desarrollo del modelo partió de la siembra de maíz en diferentes épocas del año (2015 y 2016) en la Granja Experimental de la Pontificia Universidad Católica del Ecuador localizada en Ibarra, para lo cual se utilizó un diseño de bloques completos al azar en arreglo factorial A x B. Luego del análisis estadístico, se establecieron diferencias entre las épocas de siembra, no así para las variedades y la asociación a la leguminosa, por lo que se establece un modelo preliminar para el cultivo de maíz en zonas agroecológicas similares. Se concluye que, un incremento en la humedad relativa mínima del aire, tiene influencia directa en el rendimiento de biomasa del maíz cultivado en las condiciones de la ciudad de Ibarra.

Descargas

La descarga de datos todavía no está disponible.

Detalles del artículo

Cómo citar
Andrade CadenaJ. V., Rodríguez CisnerosL. M., Mosquera LozadaM. R., & Arroba RimassaJ. (2019). Aproximación del modelo matemático para la producción de biomasa de maíz (zea mays l.) con y sin asociación a una leguminosa. AXIOMA, (20), 65-76. Recuperado a partir de http://axioma.pucesi.edu.ec/index.php/axioma/article/view/561
Sección
INVESTIGACIÓN
Biografía del autor/a

José Valdemar Andrade Cadena, Pontificia Universidad Católica del Ecuador Sede Ibarra

Pontificia Universidad Católica del Ecuador sede Ibarra, Escuela de Ciencias Agrícolas y Ambientales, Ibarra, Ecuador

Luz Marina Rodríguez Cisneros, Pontificia Universidad Católica del Ecuador Sede Ibarra

Pontificia Universidad Católica del Ecuador sede Ibarra, Escuela de Ciencias Agrícolas y Ambientales, Ibarra, Ecuador

Citas

Ahmadi, S. Mosallaeepour, E., Akbar Kamgar-Haghighi, A., Sepaskhah, A. R. (2015). Modeling Maize Yield and Soil Water Content with AquaCrop Under Full and Deficit Irrigation Managements. Water Resour Manage, 29, 2837–2853. https://doi.org/10.1007/s11269-015-0973-3
Bhattarai, M., Secchi, S., Schoof, J. (2017). Projecting corn and soybeans yields under climate change in a Corn Belt watershed. Agricultural Systems, 152, 90–99. https://doi.org/10.1016/j.agsy.2016.12.013
Bracco, M., Cascales, J., Hernández, J., Poggio, L., Gottlieb, A. M., Lia, V. V., (2016). Dissecting maize diversity in lowland South America: genetic structure and geographic distribution models. BMC Plant Biology, 16(1), 186. https://doi.org/10.1186/s12870-016-0874-5
Candelaria, B., Ruíz, O., Gallardo, F., Pérez, P., Martínez, A., Vargas, L. (2011). Aplicación de modelos de simulación en el estudio y planificación de la agricultura, una revisión. Tropical and Subtropical Agroecosystems (Vol. 14). Recuperado de: www.scielo.org.mx/pdf/tsa/v14n3/v14n3a4.pdf
Caselles, A. (2008). Modelización y Simulación de Sistemas Complejos. Publicacions de la Universitat de València.
Cervantes, L. (2015). Modelización matemática Principios y aplicaciones (Primera ed). Mexico: Benemérita Universidad Autónoma de Puebla. https://doi.org/10.6084/M9.FIGSHARE.2061504
FIRA. (2016). Maíz 2016. Mexico . Recuperado de : https://www.gob.mx/cms/uploads/attachment/file/200637/Panorama_Agroalimentario_Ma_z_2016.pdf
Flores, H.; Ojeda, W.;Flores, H.;Sifuentes, E.;Mejía, E. (2013). Simulación del rendimiento de maíz (Zea mays L.) En el norte de sinaloa usando el modelo aquacrop. Agrociencia, 47, 347–359. Recuperado de:http://www.scielo.org.mx/pdf/agro/v47n4/v47n4a4.pdf
Hernández, C., Martínez, J., Calvete, H. (2011). Modelos para la simulación dinámica del Crecimiento y desarrollo de pastos. Pastos, 41 (2)(January), 127–162.
Hernández, N., Soto, F., Caballero, A. (2009). Modelos de simulación de cultivos: Características y usos. Cultivos Tropicales, 30(1), 73–82. https://doi.org/10.13140/RG.2.1.3356.1207
INIAP. (2003). Catálogo de Recursos Genéticos de Maíces de Altura Ecuatorianos. (Carlos Yánez G.;José Luis Zambrano M.;Marlon Caicedo V.; Victor H. Sánchez A.; Jorge Heredia, Ed.). Quito Ecuador: Instit. Recuperado de: http://repositorio.iniap.gob.ec/bitstream/handle/41000/43/iniapsc201.pdf?sequence=1&isAllowed=y
Intriago, R., Gortaire Amézcua, R., Bravo, E., O’connell, C. (2017). Agroecology in Ecuador: historical processes, achievements, and challenges. Agroecology and Sustainable Food Systems, 41(3–4), 311–328. https://doi.org/10.1080/21683565.2017.1284174
Luedeling, E., Smethurst, P. J., Baudron, F., Bayala, J., Huth, N. I., van Noordwijk, M.,Ong, C. Mulia, R., Lusiana, B. Muthuri, C., Sinclair, F. L. (2016). Field-scale modeling of tree-crop interactions: Challenges and development needs. Agricultural Systems, 142, 51–69. https://doi.org/10.1016/j.agsy.2015.11.005
Marín-González, O., Parsons, D., Arnes-Prieto, E., Díaz-Ambrona, C. G. H. (2018). Building and evaluation of a dynamic model for assessing impact of smallholder endowments on food security in agricultural systems in highland areas of central America (SASHACA). Agricultural Systems, 164(May), 152–164. https://Overman A.; Scholtz R. 2018.02.005
Overman, A., Scholtz III, R. (2002). Mathematical models of crop growth and yield. CRC Press. New York. Recuperado de: https://doi.org/10.2135/ cropsci2003.1145
Overman, A., Scholtz III, R. (2004). Model Analysis for Growth Response of Corn Model Analysis for Growth Response of Corn. Journal of Plant Nutrition, 27(5), 885–906. https://doi.org/10.1081/PLN-120030677
Overman, A., Scholtz III, R. (2011). Model of yield response of corn to plant population and absorption of solar energy. PLoS ONE, 6(1). https://doi.org/10.1371/journal.pone.0016117
Pfister, F., Bader, H.-P., Scheidegger, R., y Baccini, P. (2005). Dynamic modelling of resource management for farming systems. Agricultural Systems, 86(1), 1–28. https://doi.org/10.1016/j.agsy.2004.08.001
Pirasteh-Anosheh, H., Emam, Y., y Pessarakli, M. (2013). Changes in Endogenous Hormonal Status in Corn (Zea Mays) Hybrids Under Drought Stress. Journal of Plant Nutrition, 36(11), 1695–1707. https://doi.org/10.1080/01904167.2013.810246
Recalde, E. (2016). Anuario Agroclimático años 2009-2015. In Ponticia Universidad Católica del Ecuador sede Ibarra; Consejo de Publicaciones de la Universidad de los Andes Venezuela (Ed.) (Primera, p. 500). Mérida, Venezuela,2016: Gráficas el Portatítulo Mérida, Venezuela,2016.
Santana, F., Granillo, R., Espinoza, F., Aguilar, J., y Ortega, J. (2018). Caracterización de la cadena de valor del maíz. Ingenio y Conciencia Boletín Científico de La Escuela Superior de Cd. Sahagún, 5(9)
Steduto, P. (2003). Biomass water-productivity comparing the growth-engines of crop models. FAO Expert Meeting on Crop Water Productivity Under Deficient Water Supply, 26–28.
Sumba, L. (2014). Producción Histórica de Maíz Duro Seco. Magap, 15.
Tapia, C. (2015). Identificación de áreas prioritarias para la conservación de razas de maíz en la sierra de ecuador. Memoria. Universidad Politécnica de Madrid. Retrieved from http://oa.upm.es/35522/1/CESAR_GUILLERMO_TAPIA_BASTIDAS.pdf
van der Werf, W., Keesman, K., Burgess, P., Graves, A., Pilbeam, D., Incoll, L., Metselaar, k., Mayus, M., Stappers, R., Kevlen., Palma, T., Dupraz, C. (2007). Yield-SAFE: A parameter-sparse, process-based dynamic model for predicting resource capture, growth, and production in agroforestry systems. Ecological Engineering, 29(4), 419–433. https://doi.org/10.1016/j.ecoleng.2006.09.017
Wang, R., Bowling, L. C., y Cherkauer, K. A. (2016). Estimation of the effects of climate variability on crop yield in the Midwest USA. Agricultural and Forest Meteorology, 216, 141–156. https://doi.org/10.1016/j.agrformet.2015.10.001