<?xml version="1.0" encoding="ISO-8859-1"?><article xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<front>
<journal-meta>
<journal-id>0258-5936</journal-id>
<journal-title><![CDATA[Cultivos Tropicales]]></journal-title>
<abbrev-journal-title><![CDATA[cultrop]]></abbrev-journal-title>
<issn>0258-5936</issn>
<publisher>
<publisher-name><![CDATA[Ediciones INCA]]></publisher-name>
</publisher>
</journal-meta>
<article-meta>
<article-id>S0258-59362009000100014</article-id>
<title-group>
<article-title xml:lang="es"><![CDATA[Modelos de simulación de cultivos: Características y usos]]></article-title>
</title-group>
<contrib-group>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Hernández]]></surname>
<given-names><![CDATA[Naivy]]></given-names>
</name>
</contrib>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Soto]]></surname>
<given-names><![CDATA[F]]></given-names>
</name>
<xref ref-type="aff" rid="A01"/>
</contrib>
<contrib contrib-type="author">
<name>
<surname><![CDATA[Caballero]]></surname>
<given-names><![CDATA[A]]></given-names>
</name>
<xref ref-type="aff" rid="A02"/>
</contrib>
</contrib-group>
<aff id="A01">
<institution><![CDATA[,departamento de Fitotecnia  ]]></institution>
<addr-line><![CDATA[ ]]></addr-line>
</aff>
<aff id="A02">
<institution><![CDATA[,Instituto nacional de Ciencias Agrícolas departamento de Matemática Aplicada ]]></institution>
<addr-line><![CDATA[La Habana ]]></addr-line>
<country>Cuba</country>
</aff>
<pub-date pub-type="pub">
<day>00</day>
<month>03</month>
<year>2009</year>
</pub-date>
<pub-date pub-type="epub">
<day>00</day>
<month>03</month>
<year>2009</year>
</pub-date>
<volume>30</volume>
<numero>1</numero>
<fpage>00</fpage>
<lpage>00</lpage>
<copyright-statement/>
<copyright-year/>
<self-uri xlink:href="http://scielo.sld.cu/scielo.php?script=sci_arttext&amp;pid=S0258-59362009000100014&amp;lng=en&amp;nrm=iso"></self-uri><self-uri xlink:href="http://scielo.sld.cu/scielo.php?script=sci_abstract&amp;pid=S0258-59362009000100014&amp;lng=en&amp;nrm=iso"></self-uri><self-uri xlink:href="http://scielo.sld.cu/scielo.php?script=sci_pdf&amp;pid=S0258-59362009000100014&amp;lng=en&amp;nrm=iso"></self-uri><abstract abstract-type="short" xml:lang="en"><p><![CDATA[Simulation models constitute a fundamental tool to understand the complexity characterizing ecological and environmental systems, since they are the only one available to translate a hypothesis collection about ecological processes when representing how the ecosystem fully works. They enable to analyze technological, economic and environmental impacts, evaluate productive strategies and predict crop yield. They are generally approached to a better understanding of problems and to know the reality investigated in advance. A good model is able to reveal interactions among different components which were not evident when each process was studied separately, also it will allow performing trials that could not be carried out in the real system. This research work deals with the characteristics and use of simulation models, some of the main classifications and examples of studies conducted with these models in Cuba, as well as the peculiar traits of DSSAT (Decision Support System for Agrotechnology Transfer) model. Therefore, this review is intended to present the characteristics and significance of crop simulation models, as an essential tool in the decision-taking processes, to be further applied as a first approach of the productive capacity under different edaphoclimatic conditions of Cuba, as well as to search on certain plant processes, that will need a better interpretation of its interaction against other productive, input and environmental factors.]]></p></abstract>
<abstract abstract-type="short" xml:lang="es"><p><![CDATA[Los modelos de simulación constituyen una herramienta fundamental para entender la complejidad que caracteriza los sistemas ecológicos y ambientales. Esto se debe a que son la única herramienta disponible para traducir una colección de hipótesis acerca de procesos ecológicos en una representación de cómo el ecosistema funciona en su totalidad. Estos permiten realizar análisis de impactos tecnológicos, económicos y ambientales, la evaluación de estrategias productivas y los pronósticos del rendimiento de los cultivos. Su empleo se enfoca generalmente a comprender mejor los problemas y anticipar la realidad que se investiga. Un buen modelo es capaz de revelar interacciones entre los diferentes componentes que no eran evidentes al estudiar cada uno de los procesos separadamente y permitirá ensayar experimentos que no se podrían realizar en el sistema real. En este trabajo se abordan las características y utilización de los modelos de simulación, algunas de las principales clasificaciones y ejemplos de trabajos realizados en Cuba con estos modelos, así como las peculiaridades del modelo DSSAT (sistema de apoyo para las decisiones de transferencia agrotecnológica). Por tanto, esta revisión pretende dar a conocer las características e importancia de los modelos de simulación de cultivos, como herramienta principal en los procesos de toma de decisiones, para poder lograr posteriores aplicaciones como primera aproximación de la capacidad productiva en distintas condiciones edafoclimáticas de Cuba, así como también lograr la investigación de ciertos procesos en plantas, que necesitarán una mejor interpretación en su interacción frente a otros factores productivos, de insumos y ambientales.]]></p></abstract>
<kwd-group>
<kwd lng="en"><![CDATA[simulation models]]></kwd>
<kwd lng="en"><![CDATA[crops]]></kwd>
<kwd lng="es"><![CDATA[modelos de simulación]]></kwd>
<kwd lng="es"><![CDATA[cultivos]]></kwd>
</kwd-group>
</article-meta>
</front><body><![CDATA[ <p align="right" class="Estilo1"><strong>Revisi&oacute;n bibliogr&aacute;fica</strong></p>     <p class="Estilo3"><br />   Modelos de simulaci&oacute;n de cultivos. Caracter&iacute;sticas y usos </p>     <p class="Estilo1">&nbsp;</p>     <p class="Estilo1"><strong>Naivy Hern&aacute;ndez<sup>I</sup>, Dr.C. F. Soto<sup>II</sup>, Dr.C. A. Caballero<sup>III</sup><br />   <br />   I Reserva Cient&iacute;fica. Email:<a href="mailto:naivy@inca.edu.cu">naivy@inca.edu.cu</a></strong><br />   <br />   <strong>II  Investigador Titular del departamento de Fitotecnia;<br />   <br />   III Investigador Titular del departamento de Matem&aacute;tica Aplicada, Instituto nacional de Ciencias Agr&iacute;colas, gaveta postal 1, San Jos&eacute; de las Lajas, La Habana, Cuba, CP 32 700.</strong><br /> </p>     <p class="Estilo1">&nbsp;</p>     <p class="Estilo1">&nbsp;</p> <hr />     <p class="Estilo1"><strong>ABSTRACT</strong></p>     <p class="Estilo1"> Simulation models constitute a fundamental tool to understand the complexity characterizing ecological and environmental systems, since they are the only one available to translate a hypothesis collection about ecological processes when representing how the ecosystem fully works. They enable to analyze technological, economic and environmental impacts, evaluate productive strategies and predict crop yield. They are generally approached to a better understanding of problems and to know the reality investigated in advance. A good model is able to reveal interactions among different components which were not evident when each process was studied separately, also it will allow performing trials that could not be carried out in the real system. This research work deals with the characteristics and use of simulation models, some of the main classifications and examples of studies conducted with these models in Cuba, as well as the peculiar traits of DSSAT (Decision Support System for Agrotechnology Transfer) model. Therefore, this review is intended to present the characteristics and significance of crop simulation models, as an essential tool in the decision-taking processes, to be further applied as a first approach of the productive capacity under different edaphoclimatic conditions of Cuba, as well as to search on certain plant processes, that will need a better interpretation of its interaction against other productive, input and environmental factors.</p>     <p class="Estilo1">&nbsp;</p>     <p class="Estilo1"><strong>Key words: simulation models, crops</strong></p>     ]]></body>
<body><![CDATA[<p class="Estilo1">&nbsp;</p> <hr />     <p class="Estilo1"><strong>RESUMEN</strong></p>     <p class="Estilo1"> Los modelos de simulaci&oacute;n constituyen una herramienta fundamental para entender la complejidad que caracteriza los sistemas ecol&oacute;gicos y ambientales. Esto se debe a que son la &uacute;nica herramienta disponible para traducir una colecci&oacute;n de hip&oacute;tesis acerca de procesos ecol&oacute;gicos en una representaci&oacute;n de c&oacute;mo el ecosistema funciona en su totalidad. Estos permiten realizar an&aacute;lisis de impactos tecnol&oacute;gicos, econ&oacute;micos y ambientales, la evaluaci&oacute;n de estrategias productivas y los pron&oacute;sticos del rendimiento de los cultivos. Su empleo se enfoca generalmente a comprender mejor los problemas y anticipar la realidad que se investiga. Un buen modelo es capaz de revelar interacciones entre los diferentes componentes que no eran evidentes al estudiar cada uno de los procesos separadamente y permitir&aacute; ensayar experimentos que no se podr&iacute;an realizar en el sistema real. En este trabajo se abordan las caracter&iacute;sticas y utilizaci&oacute;n de los modelos de simulaci&oacute;n, algunas de las principales clasificaciones y ejemplos de trabajos realizados en Cuba con estos modelos, as&iacute; como las peculiaridades del modelo DSSAT (sistema de apoyo para las decisiones de transferencia agrotecnol&oacute;gica). Por tanto, esta revisi&oacute;n pretende dar a conocer las caracter&iacute;sticas e importancia de los modelos de simulaci&oacute;n de cultivos, como herramienta principal en los procesos de toma de decisiones, para poder lograr posteriores aplicaciones como primera aproximaci&oacute;n de la capacidad productiva en distintas condiciones edafoclim&aacute;ticas de Cuba, as&iacute; como tambi&eacute;n lograr la investigaci&oacute;n de ciertos procesos en plantas, que necesitar&aacute;n una mejor interpretaci&oacute;n en su interacci&oacute;n frente a otros factores productivos, de insumos y ambientales.</p>     <p class="Estilo1">&nbsp;</p>     <p class="Estilo1"><strong>Palabras clave: modelos de simulaci&oacute;n, cultivos</strong></p>     <p class="Estilo1">&nbsp;</p>     <p class="Estilo1">&nbsp;</p> <hr />     <p class="Estilo1">&nbsp;</p>     <p class="Estilo1">&nbsp;</p>     <p class="Estilo2">INTRODUCCI&Oacute;N</p>     ]]></body>
<body><![CDATA[<p class="Estilo1"><br />   Los esfuerzos cient&iacute;ficos para cubrir la creciente demanda de alimentos de la poblaci&oacute;n, evitando el continuo deterioro del ambiente, precisan de un m&eacute;todo que reconozca lo complejo del mundo real. Esta complejidad surge tanto de consideraciones de naturaleza f&iacute;sico-qu&iacute;micobiol&oacute;gicas, como tambi&eacute;n de factores socioecon&oacute;micos, culturales y pol&iacute;ticos (1).<br />   Un m&eacute;todo que incrementa la comprensi&oacute;n de los conceptos b&aacute;sicos y que al mismo tiempo organiza este conocimiento dentro de un marco din&aacute;mico y cuantitativo, es com&uacute;nmente conocido como An&aacute;lisis de Sistemas o Investigaci&oacute;n de Sistemas (System Analysis o System Research).<br />   Una parte de esta metodolog&iacute;a, la cual es consecuencia de los avances tecnol&oacute;gicos de la computaci&oacute;n y la ciencia de la inform&aacute;tica, son las herramientas de apoyo para la integraci&oacute;n del conocimiento adquirido en el &aacute;mbito disciplinario. Estas herramientas incluyen los modelos de simulaci&oacute;n del crecimiento de las plantas y los procesos del suelo, los modelos de sistemas sociales y econ&oacute;micos, los Sistemas de Informaci&oacute;n Geogr&aacute;fica (SIG), y los sistemas de manejo de base de datos (1).<br />   Con la creciente capacidad de las computadoras y la inmensa investigaci&oacute;n en el campo de la ciencia de la computaci&oacute;n, se otorgan nuevas herramientas para apoyar el proceso de la toma de decisiones en diversas disciplinas y &aacute;reas de dise&ntilde;o y manejo de la industria. La simulaci&oacute;n es una de las herramientas m&aacute;s importantes y m&aacute;s interdisciplinarias (2); los modelos de simulaci&oacute;n de cultivos tienen varias aplicaciones actuales y potenciales en respuesta a temas relacionados con la investigaci&oacute;n, el manejo de cultivos y la planificaci&oacute;n. Estos constituyen un elemento importante para tomar decisiones en la agricultura al cuantificar, interpretar y predecir las necesidades h&iacute;dricas de los cultivos, el desarrollo de estos y sus rendimientos (3); durante tres d&eacute;cadas esos modelos se han aplicado, en lo fundamental, en pa&iacute;ses de clima templado por los beneficios que aportan.<br />   En los pa&iacute;ses altamente desarrollados la simulaci&oacute;n es una herramienta principal en los procesos de toma de decisiones, el manejo de empresas y la planeaci&oacute;n de la producci&oacute;n. Adem&aacute;s, la simulaci&oacute;n es cada vez m&aacute;s &ldquo;amigable&rdquo; para el usuario, que no tiene que ser un especialista en computaci&oacute;n. Sin embargo, a pesar de que los cient&iacute;ficos en diversas &aacute;reas como la biolog&iacute;a, la agricultura y la econom&iacute;a, entre otros, han estado construyendo modelos de simulaci&oacute;n por ya m&aacute;s de 30 a&ntilde;os, la aceptaci&oacute;n de estos dentro del flujo de la investigaci&oacute;n cient&iacute;fica fue muy lento hasta hace poco m&aacute;s de una d&eacute;cada (4). Consultando varias referencias en Internet que analizan bibliograf&iacute;a sobre el tema en art&iacute;culos de revistas, se encontr&oacute; que los &iacute;ndices de las publicaciones relacionadas con modelos evolucionaron de 82 anuales en la d&eacute;cada del 70 hasta cerca de 270 anuales en la d&eacute;cada del 90. El nombre de programas (software) se mencion&oacute; en el t&iacute;tulo o resumen de solo 11 art&iacute;culos entre 1973 y 1988, mientras que para el per&iacute;odo de 1989 a 1998, el n&uacute;mero correspondiente fue de 77. En Cuba no existen muchos trabajos donde se utilice la modelaci&oacute;n (5).<br />   Es por ello que el objetivo de este trabajo es dar a conocer las caracter&iacute;sticas e importancia de los modelos de simulaci&oacute;n de cultivos, como herramienta principal en los procesos de toma de decisiones, para poder lograr posteriores aplicaciones de estos modelos como primera aproximaci&oacute;n de la capacidad productiva en distintas condiciones edafoclim&aacute;ticas de Cuba, as&iacute; como tambi&eacute;n lograr la investigaci&oacute;n de ciertos procesos en plantas que necesitar&aacute;n una mejor interpretaci&oacute;n en su interacci&oacute;n, frente a otros factores productivos, de insumos y ambientales. <br /> </p>     <p class="Estilo1"><strong>DEFINICI&Oacute;N DE MODELO</strong></p>     <p class="Estilo1"><br />   Un modelo es un bosquejo que representa un conjunto real con cierto grado de precisi&oacute;n y en la forma m&aacute;s completa posible, pero sin pretender aportar una r&eacute;plica de lo que existe en la realidad. Los modelos son muy &uacute;tiles para describir, explicar o comprender mejor la realidad, cuando es imposible trabajar directamente en la realidad en s&iacute; (6).<br />   Un modelo es una representaci&oacute;n simplificada de un sistema y un sistema es una parte bien delimitada del mundo real. Por ejemplo, un cultivo con todos sus &oacute;rganos (ra&iacute;z, tallo, hojas), procesos y mecanismos (crecimiento, desarrollo, fotos&iacute;ntesis, transpiraci&oacute;n, etc.) constituyen un sistema (7).<br />   La construcci&oacute;n de un modelo consiste en la individualizaci&oacute;n de una serie de ecuaciones matem&aacute;ticas, mediante las cuales es posible reproducir del modelo m&aacute;s fiel posible, el comportamiento del sistema examinado (7).<br />   El uso de modelos, a veces llamado &ldquo;modelaci&oacute;n&rdquo;, es un instrumento muy com&uacute;n en el estudio de sistemas de toda &iacute;ndole. Los modelos son especialmente importantes, porque ayudan a comprender el funcionamiento de los sistemas. El empleo de modelos facilita el estudio de los sistemas, aun cuando estos puedan contener muchos componentes y mostrar numerosas interacciones, como puede ocurrir si se trata de conjuntos bastante complejos y de gran tama&ntilde;o. El trabajo de modelaci&oacute;n constituye una actividad t&eacute;cnica como cualquiera otra, y dicha labor puede ser sencilla o compleja, seg&uacute;n el tipo de problema espec&iacute;fico que deba analizarse (6).<br />   La modelaci&oacute;n comenz&oacute; a tener importancia en agronom&iacute;a y en otras &aacute;reas biol&oacute;gicas, dada su capacidad de suministrar informaci&oacute;n en un enfoque sistem&aacute;tico de todo el sistema biol&oacute;gico o de una parte, como es el sistema de producci&oacute;n agr&iacute;cola (8).<br />   Hoy m&aacute;s que nunca, el aumento de la producci&oacute;n de alimentos depende de la utilizaci&oacute;n prudente de los recursos. Adem&aacute;s, cuestiones como el cambio clim&aacute;tico, la variabilidad del clima, el suelo y el secuestro de carbono a largo plazo, efectos en la seguridad alimentaria y la sostenibilidad del medio ambiente, se han convertido en aspectos importantes (9).<br />   Por otra parte, la agricultura de los pa&iacute;ses tropicales enfrenta cada vez m&aacute;s nuevos retos, debido a cambios en las pol&iacute;ticas macroecon&oacute;micas, al crecimiento de la poblaci&oacute;n, el bajo rendimiento y a los l&iacute;mites de sostenibilidad de los recursos naturales utilizados en la producci&oacute;n. Conocer adecuadamente la din&aacute;mica y los efectos de los principales factores involucrados en el desarrollo agr&iacute;cola, para poder elaborar alternativas viables de progreso en nuestros tr&oacute;picos americanos, conservando los recursos naturales mediante su utilizaci&oacute;n racional, son aspectos de especial importancia y deben ser objeto prioritario de actualizaci&oacute;n profesional. Cada d&iacute;a resulta m&aacute;s crucial la necesidad de la informaci&oacute;n en la toma de decisiones y existe un vac&iacute;o importante entre la informaci&oacute;n que se necesita y la que se genera tradicionalmente mediante la investigaci&oacute;n disciplinaria. Para este prop&oacute;sito una herramienta como los modelos de simulaci&oacute;n de los cultivos es de gran utilidad (10).<br />   Los modelos de simulaci&oacute;n son una herramienta que facilitan la toma de decisiones, para seleccionar la mejor alternativa que se puede lograr con una combinaci&oacute;n de recursos y precios, y muestra cu&aacute;nto se podr&iacute;a pagar por una unidad m&aacute;s de cada recurso que se agota (11).<br />   La aparici&oacute;n de los modelos de simulaci&oacute;n ocurre a partir de la d&eacute;cada del 50 con modelos descriptivos y matem&aacute;ticos de los procesos involucrados; luego a mediados de los 60 aparece el concepto de sistemas din&aacute;micos, que incluyen la variable tiempo y que representaban el flujo de esos procesos y sus interacciones. En esta etapa dos importantes precursores fueron W. G. Duncan en la University of Kentucky y C. T. de Wit en la Agricultural University de Wageningen, que desarrollaron modelos como herramienta para explicaciones cient&iacute;ficas, como por ejemplo, sintetizar y mejorar la comprensi&oacute;n de procesos tales como la intercepci&oacute;n de radiaci&oacute;n y fotos&iacute;ntesis, desarrollando modelos simples que consideraban &uacute;nicamente la producci&oacute;n potencial relacionada con la radiaci&oacute;n y la temperatura. En la d&eacute;cada del 70 se formaliza aquel concepto de din&aacute;mica de sistemas y en los 80 se refina mediante t&eacute;cnicas de computaci&oacute;n la verificaci&oacute;n, validaci&oacute;n y evaluaci&oacute;n de esos modelos. En esta &uacute;ltima d&eacute;cada aparecen los primeros modelos de simulaci&oacute;n para los cultivos de ma&iacute;z, soja, trigo y arroz, incluidos en el paquete DSSAT (Decision Support System for Agrotechnology Transfer) &ldquo;Sistema de apoyo para las decisiones de transferencia agrotecnol&oacute;gica&rdquo;. La simulaci&oacute;n de sistemas agr&iacute;colas empez&oacute; entonces a ser una herramienta para la integraci&oacute;n de los diferentes componentes productivos dentro de los sistemas agr&iacute;colas. Los avances en el conocimiento de las interacciones dentro del ecosistema, influenciado por el ambiente y por las pr&aacute;cticas de manejo, expandi&oacute; la potencialidad de uso de esta herramienta como ayuda para la toma de decisiones (12). La aparici&oacute;n a mediados de los 90 de la tecnolog&iacute;a inform&aacute;tica permiti&oacute; una mayor utilizaci&oacute;n de estos modelos para el estudio y resoluci&oacute;n de problemas espec&iacute;ficos como: desarrollo y crecimiento de los cultivos, evaluaci&oacute;n de respuesta a la fertilizaci&oacute;n, estrategias de riego, situaciones de estr&eacute;s, predicci&oacute;n de p&eacute;rdidas por erosi&oacute;n, lixiviaci&oacute;n de pesticidas, contaminaci&oacute;n del ambiente, calentamiento global de la atm&oacute;sfera, entre otros (8).<br />   En general, son aceptables los puntos de vista de los que aseveran que el uso de los modelos de simulaci&oacute;n para las ciencias agr&iacute;colas y biol&oacute;gicas y sus usos pr&aacute;cticos est&aacute; en un momento de gran importancia (13).<br /> </p>     <p class="Estilo1"><strong>MODELOS Y SU UTILIZACI&Oacute;N</strong></p>     <p class="Estilo1"><br />       De acuerdo con la cantidad de datos y el conocimiento que est&aacute; disponible dentro de un campo particular, se desarrollan modelos con diferentes niveles de complejidad. La clasificaci&oacute;n de los modelos ha sido intentada anteriormente, pero no se pueden hacer delimitaciones definidas, ya que los modelos generalmente poseen caracter&iacute;sticas de m&aacute;s de un grupo (13).<br />       Los modelos de simulaci&oacute;n se clasifican en dos grandes grupos: emp&iacute;ricos y mecanicistas. Los primeros son descriptivos, se derivan de datos observados sin involucrar procesos fisiol&oacute;gicos y tienen escasa capacidad explicativa. Por el contrario, los modelos mecanicistas poseen capacidad explicativa de la fisiolog&iacute;a del cultivo, porque consideran aspectos como la temperatura, la radiaci&oacute;n fotos&iacute;nteticamente activa, el &iacute;ndice de &aacute;rea foliar, la fotos&iacute;ntesis, la respiraci&oacute;n y la eficiencia en el uso de la radiaci&oacute;n (14). No obstante, dentro de estas clasificaciones existen otras categor&iacute;as, que de acuerdo a sus caracter&iacute;sticas han sido nombradas de diferente forma.<br />       Los modelos que estudian las relaciones biol&oacute;gicas para describir el comportamiento de un sistema se les denominan modelos mecan&iacute;sticos, a diferencia de los modelos emp&iacute;ricos que describen las relaciones matem&aacute;ticas entre los datos (15).<br />       Modelos emp&iacute;ricos o descriptivos: Estos modelos describen, de un modo simplificado, el comportamiento de un cultivo.<br />       El desarrollo de un modelo emp&iacute;rico se basa en la individualizaci&oacute;n, a partir de datos experimentales, de una o m&aacute;s ecuaciones matem&aacute;ticas, para la representaci&oacute;n del proceso examinado.<br />     ]]></body>
<body><![CDATA[  Las principales carencias de este tipo de aproximaci&oacute;n son las de investigar:<br />       en la limitada validez en ambientes diversos a los originales<br />       en el empleo de las ecuaciones que a menudo no tienen un significado biol&oacute;gico (7).<br />       Los modelos emp&iacute;ricos son descripciones directas de los datos observados y se expresan generalmente como ecuaciones de regresi&oacute;n (con uno o varios factores) y se utilizan para estimar la producci&oacute;n final. Ejemplos de tales modelos incluyen la respuesta de la producci&oacute;n a la aplicaci&oacute;n de fertilizantes, la relaci&oacute;n entre el &aacute;rea de la hoja y la cantidad de hojas de una planta dada, la relaci&oacute;n entre la altura del tallo y el n&uacute;mero de tallos, su di&aacute;metro y la producci&oacute;n final de ca&ntilde;a de az&uacute;car (13).<br />       Modelos mecan&iacute;sticos. Estos modelos son aquellos que describen el comportamiento del sistema en t&eacute;rminos de propiedades de bajo nivel. Por tanto, existe comprensi&oacute;n o explicaci&oacute;n en los niveles inferiores. Estos modelos tienen la habilidad de imitar importantes procesos f&iacute;sicos, qu&iacute;micos o biol&oacute;gicos, y describir c&oacute;mo y porqu&eacute; resulta una respuesta particular. El analista comienza usualmente con alg&uacute;n empirismo y en la medida que se gana en conocimiento se introducen variables y par&aacute;metros adicionales para explicar la producci&oacute;n de la cosecha. As&iacute;, el analista adopta un enfoque reduccionista. La mayor&iacute;a de los modelos de crecimiento de cultivos caen dentro de esta categor&iacute;a (13).<br />       Modelos est&aacute;ticos y din&aacute;micos. Los modelos est&aacute;ticos representan relaciones entre las variables que no se modifican en el tiempo y, por tanto, se conoce su valor final y no su evoluci&oacute;n en el tiempo (ejemplo simulaci&oacute;n de la intercepci&oacute;n solar, fotos&iacute;ntesis) (7). Los modelos din&aacute;micos describen el modo en el cual el sistema cambia en el tiempo y, por lo tanto, es posible seguir la evoluci&oacute;n temporal de cada una de las variables del sistema (ejemplo: balance de nitr&oacute;geno e h&iacute;drico en el suelo) (7).<br />       Modelos determin&iacute;sticos y estoc&aacute;sticos. Los modelos determin&iacute;sticos atribuyen un solo valor a cada variable del sistema (7). Hacen predicciones para cantidades (por ejemplo, producci&oacute;n de la cosecha) sin ninguna distribuci&oacute;n probabil&iacute;stica asociada, varianza o elemento aleatorio. En los sistemas biol&oacute;gicos y agr&iacute;colas son normales las variaciones, debido a imprecisiones en los datos recogidos y a heterogeneidad del material con que se ha trabajado. En algunos casos, los modelos determin&iacute;sticos pueden ser adecuados a pesar de estas variaciones inherentes, pero en otros pueden resultar insatisfactorios, por ejemplo, en la predicci&oacute;n de lluvia. Cuanto mayor sea la incertidumbre del sistema, m&aacute;s inadecuados se vuelven los modelos determin&iacute;sticos (13). Los modelos estoc&aacute;sticos se&ntilde;alan, en cambio, para una variable una distribuci&oacute;n de valores (7).<br />       Cuando la variaci&oacute;n y la incertidumbre alcanzan un nivel alto, se hace recomendable desarrollar un modelo estoc&aacute;stico que d&eacute; un valor medio esperado con una varianza asociada. Sin embargo, los modelos estoc&aacute;sticos tienden a ser dif&iacute;ciles de manipular y r&aacute;pidamente se vuelven muy complejos. Por consiguiente, es recomendable intentar resolver el problema inicialmente con un enfoque determin&iacute;stico y utilizar el enfoque estoc&aacute;stico solo si los resultados no son adecuados o satisfactorios (13).<br />       Trabajos realizados en Cuba con la aplicaci&oacute;n de modelos emp&iacute;ricos<br />       Desde la d&eacute;cada de los 80 los modelos emp&iacute;ricos han sido ampliamente usados por muchos investigadores cubanos, con el fin de describir el crecimiento de dis&iacute;miles cultivares, entre estos trabajos podemos mencionar algunos de los desarrollados en el INCA (Instituto Nacional de Ciencias Agr&iacute;colas), donde se realiz&oacute; una comparaci&oacute;n entre diferentes funciones matem&aacute;ticas para describir el crecimiento de algunos &oacute;rganos en posturas de caf&eacute; crecidas en vivero; adem&aacute;s, se plantea que desde este tiempo se ha venido trabajando en Cuba en la aplicaci&oacute;n de diferentes funciones matem&aacute;ticas para describir el crecimiento de diferentes cultivos, como papa, c&iacute;tricos, tomate y caf&eacute;; esto permite estimar el valor de la variable en cuesti&oacute;n en cualquier momento, dentro del rango en que se realiz&oacute; el estudio (16).<br />     ]]></body>
<body><![CDATA[  Se determin&oacute;, tambi&eacute;n, el crecimiento de pl&aacute;ntulas de cafeto en diferentes condiciones de aviveramiento, con el objetivo de conocer la influencia del uso o no de la sombra durante el per&iacute;odo de aviveramiento, la altura sobre el nivel del mar y dos fechas de siembra, en la din&aacute;mica de crecimiento de pl&aacute;ntulas, as&iacute; como en la extensi&oacute;n del per&iacute;odo de aviveramiento (Figura 1); los datos fueron ajustados a una funci&oacute;n exponencial polin&oacute;mica de segundo grado (y =eb0 +b1x+b2x2), obteni&eacute;ndose valores de R2 entre 0.96 y 0.98, y se establecieron din&aacute;micas para cada una de las variables evaluadas (17).<br />       Trabajos realizados en Cuba con la aplicaci&oacute;n de modelos determin&iacute;sticos<br />       Durante tres d&eacute;cadas se han aplicado estos modelos, en lo fundamental, en pa&iacute;ses de clima templado. Por los beneficios que aportan, especialistas de la Universidad Agraria de La Habana, del Instituto Nacional de Riego y Drenaje, y el de Investigaciones de la Ca&ntilde;a de Az&uacute;car, elaboraron los primeros trabajos para utilizar en nuestras condiciones geogr&aacute;ficas cinco de los modelos agrohidrol&oacute;gicos de alcance internacional (3).<br />       Por primera vez en el pa&iacute;s, se ofrecen los par&aacute;metros que describen las propiedades hidr&aacute;ulicas para los principales grupos de suelos cubanos. Esta investigaci&oacute;n le confiere validez al modelo Swcrop para ser utilizado en el cultivo de la papa en condiciones tropicales; antes solo se empleaba en clima templado (3).<br />       Tambi&eacute;n se obtiene una versi&oacute;n del modelo Swap para la ca&ntilde;a de az&uacute;car. Este predice los da&ntilde;os que puedan originarse por cambios clim&aacute;ticos, caracter&iacute;sticas del suelo y fecha apropiada para la siembra. Una Unidad B&aacute;sica de Producci&oacute;n Cooperativa del central H&eacute;ctor Molina en La Habana, lo puso en pr&aacute;ctica e informaciones preliminares anticipan un saldo productivo y econ&oacute;mico alentador.<br />       La importancia de este trabajo es facilitar herramientas que sean &uacute;tiles para lograr una correcta estrategia agr&iacute;cola y aprovechar al m&aacute;ximo el agua disponible, en tiempos de prolongada sequ&iacute;a como los actuales (3).<br />       En el Instituto de Investigaciones de Riego y Drenaje se ha trabajado durante varios a&ntilde;os en la evaluaci&oacute;n y validaci&oacute;n de diferentes modelos de simulaci&oacute;n de transferencias h&iacute;dricas, fundamentalmente para las condiciones edafoclim&aacute;ticas de la regi&oacute;n del sur de La Habana (18, 19).<br />       Investigadores del Instituto Nacional de Riego y Drenaje de Cuba realizaron el trabajo titulado &ldquo;Posibilidades de los modelos de simulaci&oacute;n como herramienta eficaz en los estudios del manejo &oacute;ptimo del agua y la fertilizaci&oacute;n en diferentes sistemas de cultivos agr&iacute;colas&rdquo;, con el objetivo de resumir y discutir las principales caracter&iacute;sticas de los modelos de simulaci&oacute;n (STIC y MACRO) disponibles para la investigaci&oacute;n en el Instituto de Riego y Drenaje de Cuba, y sus posibilidades para la predicci&oacute;n del comportamiento de los cultivos agr&iacute;colas ante diferentes manejos de agua, fertilizaci&oacute;n y ambientes clim&aacute;ticos (20).<br />       De igual forma, se desarroll&oacute; el trabajo titulado Coeficientes de cultivo de la cebolla y su determinaci&oacute;n con el modelo ISAREG, con el objetivo de explorar a partir de datos hist&oacute;ricos los resultados de dos d&eacute;cadas de experimentos de campo de cebolla cultivada en la Estaci&oacute;n Experimental de Riego y Drenaje, para la calibraci&oacute;n y validaci&oacute;n del modelo ISAREG, con el fin de obtener los coeficientes de cultivo (Kc) y la fracci&oacute;n de agotamiento (p) adecuada para este cultivo (21).<br />       Los modelos de simulaci&oacute;n respecto a cultivos agr&iacute;colas son una categor&iacute;a de modelos ambientales que, t&iacute;picamente, predicen el rendimiento de los cultivos, el crecimiento y desarrollo de las plantas, y la din&aacute;mica de la humedad y otros nutrientes (5). <br />     ]]></body>
<body><![CDATA[  Un modelo de cultivo es la simulaci&oacute;n din&aacute;mica del crecimiento por el uso de la integraci&oacute;n num&eacute;rica de los procesos constituyentes con la ayuda de las computadoras. M&aacute;s espec&iacute;ficamente, esto implica un programa de computaci&oacute;n que describe la din&aacute;mica del crecimiento del cultivo en relaci&oacute;n con el ambiente, operando en pasos de tiempo y un orden de magnitud por debajo de la estaci&oacute;n del crecimiento, y con la capacidad de obtener variables que describen el estado del cultivo en diferentes puntos del tiempo; por ejemplo, la biomasa por unidad de &aacute;rea, el estadio de desarrollo, el rendimiento, el contenido de nitr&oacute;geno de las hojas, etc (13).<br />       Si definimos a los modelos de cultivos como la representaci&oacute;n matem&aacute;tica de una s&iacute;ntesis de mecanismos y procesos (22), es err&oacute;neo pensar que podamos representar perfectamente los sistemas biol&oacute;gicos y, por lo tanto, la modelizaci&oacute;n est&aacute; orientada generalmente a ver la respuesta a aspectos precisos como: predicci&oacute;n de la producci&oacute;n, potencialidad de cultivares, manejo de la irrigaci&oacute;n, entre otros.<br />       Los modelos de simulaci&oacute;n agron&oacute;mica son herramientas que integran informaci&oacute;n, y permiten analizar y cuantificar las relaciones existentes entre los factores mencionados y sus efectos como componentes del sistema, para evaluar diferentes planteos productivos o analizar un factor manteniendo los otros constantes; por ejemplo, la variaci&oacute;n del rendimiento por efecto del clima sin modificar el manejo, el genotipo y el suelo. Numerosos modelos han sido desarrollados por diferentes grupos de trabajo y cada uno de ellos tiene fortalezas y debilidades para predecir las variables de respuesta. Es por ello necesario validar los modelos en los ambientes en donde se utilizar&aacute;n (23).<br />       No obstante la capacidad relativa de los modelos existentes y la credibilidad de sus resultados es todav&iacute;a un aspecto importante a valorar. Esto est&aacute; asociado primeramente a la no disponibilidad de datos apropiados para la validaci&oacute;n del modelo y, por otra, a la inadecuaci&oacute;n en las representaciones de los procesos e interacciones del sistema agua-suelo-planta-atm&oacute;sfera. Es por tanto muy importante antes de adoptar uno u otro modelo para aplicaciones agr&iacute;colas y medioambientales que se realice un trabajo de evaluaci&oacute;n y validaci&oacute;n exhaustivo de estos (20).<br />       Modelo DSSAT (Sistema de Apoyo de Decisiones para la Transferencia de la Agrotecnolog&iacute;a). Desde 1983, un grupo internacional de cient&iacute;ficos cooperantes han desarrollado modelos de simulaci&oacute;n de cultivos, enfocados a proporcionar estimaciones realistas del comportamiento de los cultivos bajo diferentes estrategias de manejo y condiciones ambientales. Estos modelos se han combinado en un paquete, como parte de un programa de enlaces (software shell) conocido como Sistema de Apoyo para Decisiones de Transferencia de Agrotecnolog&iacute;a (DSSAT, por sus siglas en ingl&eacute;s) (24). <br />       Los modelos de simulaci&oacute;n de cultivos del DSSAT utilizan archivos de datos para clima, suelo y manejo del cultivo. Estos archivos se utilizan para proveer en la simulaci&oacute;n un ambiente parecido a donde crece el cultivo. El DSSAT, adem&aacute;s, incluye varios programas de aplicaci&oacute;n para an&aacute;lisis estacionales (25), rotaci&oacute;n de cultivo y an&aacute;lisis secuencial (26), y an&aacute;lisis espacial a escala de campo o regional (27, 28). Los modelos proveen una de las mejores aproximaciones del comportamiento de los cultivos, integrando nuestro entendimiento de los procesos complejos de las plantas influenciados por el clima, el suelo y las condiciones de manejo (29).<br />       El modelo DSSAT ha sido usado por investigadores de todo el mundo en los &uacute;ltimos 15 a&ntilde;os; este paquete tiene incorporado 16 modelos de cultivos diferentes, con un software que facilita la evaluaci&oacute;n y aplicaci&oacute;n de estos modelos de cultivos para diferentes prop&oacute;sitos (30). Estos permiten simular el crecimiento de cultivos de importancia econ&oacute;mica y han demostrado alta confiabilidad en distintas condiciones de clima, suelo y manejo (31). Con este modelo es posible organizar y archivar bases de datos sobre clima, suelos, cultivos, experimentos y precios; simular producciones de cultivo en una o varias &eacute;pocas y en secuencias; analizar resultados y representar gr&aacute;ficamente simulaciones; analizar variabilidad espacial y evaluar diferentes pr&aacute;cticas de manejo espec&iacute;ficas a una explotaci&oacute;n o parte de ella (32).<br />     El DSSAT ha tenido los siguientes impactos (33):<br />     ha sido adoptado por m&aacute;s de 1500 investigadores en 91 pa&iacute;ses<br />     utilizado en m&aacute;s de ocho proyectos nacionales e internacionales sobre el cambio clim&aacute;tico<br />     ]]></body>
<body><![CDATA[  cientos de aplicaciones desarrolladas independientemente de los creadores originales<br />       valid&oacute; el enfoque de sistemas para la transferencia tecnol&oacute;gica<br />       dio lugar a la formaci&oacute;n de ICASA.<br />       El DSSAT de la Red de Sitios Indicadores Internacionales para la Transferencia de la Agrotecnolog&iacute;a (IBSNAT) incluye un sistema de manejo de base de datos, modelos de simulaci&oacute;n de cultivos y programas de aplicaci&oacute;n. Hoy en d&iacute;a, los modelos de simulaci&oacute;n forman parte del Consorcio para la Aplicaci&oacute;n de Sistemas Agr&iacute;colas ICASA (International Consortium for Agricultural System Application) (34).<br />       Ejemplos de la salidas del modelo DSSAT<br />       Los modelos utilizan un juego est&aacute;ndar de datos de acceso (inputs) y producen un juego est&aacute;ndar de datos de salida (outputs), aun cuando ellos describen los procesos de crecimiento de diferentes maneras; todos utilizan los mismos procedimientos para simular los procesos de suelo, agua y nitr&oacute;geno (24).<br />       Las siguientes gr&aacute;ficas son ejemplos de salidas obtenidas de modelos incluidos en el paquete DSSAT.<br />       La Figura 2 ha sido construida a partir de datos que son obtenidos de los sistemas de informaci&oacute;n geogr&aacute;ficos que incluyen los modelos del paquete DSSAT. De ellos se puede observar una comparaci&oacute;n establecida entre los rendimientos del cultivo de la soya alcanzados en una zona espec&iacute;fica.<br />       La Figura 3 muestra los rendimientos del ma&iacute;z observados contra los rendimientos simulados. En ella se puede observar que los puntos se encuentran ajustados debido a su proximidad hacia el centro.<br />       Ejemplos de modelos de cultivo m&aacute;s conocidos (Tabla I)<br />     ]]></body>
<body><![CDATA[  Entre los modelos m&aacute;s citados en la literatura se encuentran: UNSAT; DRAINMOD; SWATRE/SWACROP; CERES; WOFOST; LEACHW; PREFLO; MACRO; STICS; APSIM; entre otros (20).<br />     </p>     <p class="Estilo1"><strong>SIMULACI&Oacute;N DE CULTIVOS</strong></p>     <p class="Estilo1"><br />   La simulaci&oacute;n constituye t&eacute;cnicas para imitar el funcionamiento de sistemas o procesos reales mediante programas de ordenador. Para estudiar el sistema suele ser necesario hacer algunas suposiciones sobre su forma de operar. Estas hip&oacute;tesis constituyen un modelo que no es m&aacute;s que una representaci&oacute;n simplificada de un sistema que se construye para estudiar su comportamiento (35).<br />   El concepto de simulaci&oacute;n debe ser din&aacute;mico principalmente por dos razones: que es la mejor comprensi&oacute;n de los procesos involucrados en la producci&oacute;n de cultivos y, por otro lado, para la resoluci&oacute;n de problemas. Los modelos que sirven como herramienta para resolver modelos suelen ser modelos multidisciplinarios (8).<br />   La predicci&oacute;n del rendimiento de los cultivos anticipada a la cosecha ha sido un objetivo prioritario de la agrometeorolog&iacute;a, con el fin tanto de aumentar el conocimiento de las relaciones clima/cultivo como para generar informaci&oacute;n que se pueda aprovechar oportunamente en la planificaci&oacute;n y el manejo de la producci&oacute;n agropecuaria (36). El comportamiento de variables frente a distintas condiciones de suelo, clima, manejo o variedad est&aacute; tambi&eacute;n sujeto a interacciones complejas, por lo que ha sido recientemente abordada a trav&eacute;s de herramientas de simulaci&oacute;n (23).<br />   La simulaci&oacute;n computarizada permite reducir tiempos, esfuerzos y recursos necesarios en la gesti&oacute;n agr&iacute;cola. Los modelos de simulaci&oacute;n de rendimiento de cultivos reproducen su comportamiento, y permiten seleccionar distintos ambientes de simulaci&oacute;n y analizar la respuesta ante estas variaciones (37).<br />   La simulaci&oacute;n involucra el desarrollo de un modelo y su uso para caracterizar el sistema y sus interacciones con un mayor grado de detalle (8).<br />   Por otro lado, la utilizaci&oacute;n de modelos de simulaci&oacute;n es una herramienta que utiliza informaci&oacute;n obtenida a trav&eacute;s de experiencias anteriores y permite proyectar los resultados f&iacute;sicos y econ&oacute;micos, teniendo en cuenta todos los factores que interact&uacute;an en un determinado ambiente. Ante la variabilidad y complejidad de los sistemas de producci&oacute;n actuales, los modelos de simulaci&oacute;n se presentan como una alternativa para ser empleados en los escenarios futuros (38). Aunque la t&eacute;cnica de simulaci&oacute;n generalmente se ve como un m&eacute;todo de &uacute;ltimo recurso, recientemente los avances en las metodolog&iacute;as de simulaci&oacute;n y la gran disponibilidad de software que actualmente existe en el mercado han hecho posible que la t&eacute;cnica de simulaci&oacute;n sea una de las herramientas m&aacute;s ampliamente usadas en el an&aacute;lisis de sistemas, lo que ha sugerido que es muy recomendable un estudio de simulaci&oacute;n, porque presenta ventajas tales como (35).<br />   Permite estudiar sistemas reales que no se pueden evaluar anal&iacute;ticamente. En la pr&aacute;ctica, la mayor&iacute;a de los sistemas reales se estudian mediante simulaci&oacute;n. De hecho, la simulaci&oacute;n es la t&eacute;cnica de investigaci&oacute;n operativa m&aacute;s utilizada.<br />   Hace posible estimar el comportamiento de un sistema existente, si se modifican algunas de las condiciones de funcionamiento actuales. Adem&aacute;s, para probar si esos cambios producen mejoras, no es necesario interrumpir el funcionamiento del sistema real.<br />   Se pueden comparar distintas alternativas de dise&ntilde;o (o de formas de operar de un sistema), antes de construirlo, para ver cu&aacute;l se comporta mejor.<br />   Permite estudiar en poco tiempo la evoluci&oacute;n de un sistema en un per&iacute;odo largo de tiempo: se pueden evaluar a&ntilde;os de experiencia en el sistema real en unos pocos minutos de simulaci&oacute;n. Alternativamente tambi&eacute;n permite lo contrario: estudiar los trabajos detallados de un sistema en un per&iacute;odo de tiempo extendido.<br />   A diferencia de las ventajas mencionadas, la t&eacute;cnica de simulaci&oacute;n presenta el problema de requerir equipos de c&oacute;mputo y recursos humanos, en ocasiones costosas. Adem&aacute;s, generalmente se requiere bastante tiempo para que un modelo de simulaci&oacute;n sea desarrollado y perfeccionado, lo que ha sugerido que un estudio de simulaci&oacute;n presenta desventajas tales como (35):<br />   No produce resultados exactos, sino estimaciones. Esto har&aacute; necesario utilizar las t&eacute;cnicas estad&iacute;sticas para saber, por ejemplo, cu&aacute;ntas veces hay que ejecutar la simulaci&oacute;n (n&uacute;mero de muestras) para cada conjunto de datos de entrada y realizar estimaciones fiables de los par&aacute;metros de inter&eacute;s.<br />   Desarrollar un modelo de simulaci&oacute;n suele ser caro y lleva tiempo.<br />   Es dif&iacute;cil demostrar la validez del modelo. Si el modelo no es v&aacute;lido, los resultados son poco &uacute;tiles, ya que la informaci&oacute;n que estamos obteniendo del modelo de simulaci&oacute;n no es representativa del sistema real que nos interesaba estudiar.<br /> </p>     <p class="Estilo1"><strong>FUNCI&Oacute;N DE LOS MODELOS</strong></p>     <p class="Estilo1"><br />   Los modelos matem&aacute;ticos y, en particular, los modelos aplicados a la biolog&iacute;a pueden ser una herramienta importante para entender la din&aacute;mica de un fen&oacute;meno. De hecho, las biomatem&aacute;ticas cada vez juegan un papel m&aacute;s importante en el estudio de la biolog&iacute;a, que se ve reflejado en el creciente n&uacute;mero de publicaciones sobre el tema (39).<br />   Los llamados modelos de simulaci&oacute;n, mediante el uso de computadoras, constituyen un elemento importante para tomar decisiones en la agricultura al cuantificar, interpretar y predecir las necesidades h&iacute;dricas de los cultivos y el desarrollo de estos y sus rendimientos (3).<br />   Los modelos pueden ayudar a la comprensi&oacute;n de interacciones gen&eacute;ticas-fisiol&oacute;gicas-ambientales, con una integraci&oacute;n interdisciplinaria. Los modelos tienen varias aplicaciones actuales y potenciales en respuesta a temas relacionados con la investigaci&oacute;n, el manejo del cultivo y planificaci&oacute;n. Los modelos permiten definir estrategias de producci&oacute;n en la etapa de la planificaci&oacute;n de un cultivo futuro o ayudar a tomar decisiones t&aacute;cticas durante el ciclo del cultivo tales como: pr&aacute;cticas culturales, fertilizaci&oacute;n, riego y uso de plaguicidas (2). <br />   Modificando la escala de espacio y tiempo, los modelos nos permiten adem&aacute;s abordar fen&oacute;menos clim&aacute;ticos como el ENOS (El Ni&ntilde;o Oscilaci&oacute;n del Sur), analizando en forma interactiva el impacto de la variabilidad clim&aacute;tica y las decisiones de manejo sobre la productividad de los cultivos, resultado dif&iacute;cil de obtener a partir de an&aacute;lisis estad&iacute;sticos cl&aacute;sicos o experimentos agron&oacute;micos tradicionales (40).<br />   Los modelos de simulaci&oacute;n son un medio importante para aumentar la eficiencia de la investigaci&oacute;n, ya que estos pueden auxiliar a los investigadores en la asimilaci&oacute;n del conocimiento adquirido mediante la experimentaci&oacute;n y proporcionan un marco de referencia para aportaciones de car&aacute;cter multidisciplinario; asimismo, promueven el m&eacute;todo de sistemas para la soluci&oacute;n de problemas y facilitan una organizaci&oacute;n sistem&aacute;tica del conocimiento existente sobre cultivos y recursos naturales (1).<br />   Los modelos de simulaci&oacute;n tambi&eacute;n se utilizan para aumentar nuestro entendimiento de un proceso ecol&oacute;gico en particular. Muchas veces un modelo se construye con el objetivo de mejorar la comprensi&oacute;n que se tiene de un determinado proceso ecol&oacute;gico, como por ejemplo la fotos&iacute;ntesis. La idea es describir el proceso en gran nivel de detalle, de manera que la representaci&oacute;n sea v&aacute;lida para un conjunto amplio de condiciones ambientales. Un buen modelo ser&aacute; capaz de revelar interacciones entre los diferentes componentes que no eran evidentes al estudiar cada uno de los procesos separadamente y nos permitir&aacute; ensayar experimentos que no se podr&iacute;an realizar en el sistema real (41).<br />   Los modelos de cultivo han sido usados como herramientas de investigaci&oacute;n, que permiten la integraci&oacute;n del conocimiento del funcionamiento de los cultivos, en el an&aacute;lisis de experimentos a campo y en la evaluaci&oacute;n del impacto en la selecci&oacute;n de caracter&iacute;sticas particulares de las plantas. Tambi&eacute;n ha sido probada su utilidad como herramienta de ense&ntilde;anza en agronom&iacute;a y fisiolog&iacute;a de plantas, para mostrar c&oacute;mo estas reaccionan a los factores ambientales y las pr&aacute;cticas culturales (42). Finalmente, el uso de los modelos hace posible la experimentaci&oacute;n controlada en situaciones en que los experimentos directos ser&iacute;an impr&aacute;cticos o prohibitivos por su costo.<br /> </p>     <p class="Estilo1"><strong>AGRICULTURA DE PRECISI&Oacute;N (AP)</strong></p>     <p class="Estilo1"><br />   En la actualidad la agricultura de precisi&oacute;n juega un papel fundamental en el ahorro de recursos, puesto que mediante esta se trata de minimizar los costos y obtener los mayores rendimientos posibles. La modelaci&oacute;n matem&aacute;tica del rendimiento y sus componentes fisiol&oacute;gicos, gen&eacute;ticos y de manejo, como el desarrollo, el crecimiento, la relaci&oacute;n con el suelo, el agua, el ambiente, los genotipos utilizados y diferentes procesos del manejo de los cultivos forma parte integral de la AP (43). <br />   La creaci&oacute;n y el desarrollo de bases de datos amplias en la agricultura, unidas a las tecnolog&iacute;as de sistemas de informaci&oacute;n como los Sistemas de Informaci&oacute;n Geogr&aacute;fico (SIG), Sistemas de Posici&oacute;n Global (GPS) y otras relacionadas, ligadas al desarrollo de censores remotos han posibilitado el surgimiento de una ciencia o conjunto de ciencias que se ha dado en llamar Agricultura de Precisi&oacute;n (AP). La AP puede definirse como el conjunto de tecnolog&iacute;as y t&eacute;cnicas utilizadas por el hombre para realizar mejor el manejo de los cultivos agr&iacute;colas, utilizar las cantidades espec&iacute;ficas y necesarias de nutrientes, agua y otros suministros para obtener el m&aacute;ximo de rendimiento al menor costo posible (43). <br />   La AP constituye un valioso instrumento para diagnosticar con exactitud problemas de la producci&oacute;n agr&iacute;cola, adoptar decisiones y obtener respuestas satisfactorias en los &iacute;ndices de rendimiento agr&iacute;cola. Pr&aacute;cticamente consiste en actuar hasta con el m&aacute;s m&iacute;nimo detalle en el sitio adecuado y momento oportuno, a partir de las novedades cient&iacute;ficas que ofrecen la inform&aacute;tica y la tecnolog&iacute;a. En Cuba, se avanza en la AP y existen proyectos financiados por el Ministerio de Ciencia, Tecnolog&iacute;a y Medio Ambiente en la agricultura ca&ntilde;era, entre ellos la confecci&oacute;n de un mapa de rendimiento de la ca&ntilde;a que tuvo impacto mundial. Miguel Esquivel, especialista del Centro Nacional de Producci&oacute;n de Animales de Laboratorios (CENPALAB), explic&oacute; que internacionalmente concluy&oacute; un estudio de las tecnolog&iacute;as que iban a tener mayor impacto en la econom&iacute;a a nivel mundial. De las 10 seleccionadas, la agricultura de precisi&oacute;n fue una de ellas y comprende una correcta combinaci&oacute;n de tecnolog&iacute;as, recursos, insumos, variedades y otros (44).<br />   Impactos de la agricultura de precisi&oacute;n (33).<br />   cooperaci&oacute;n entre industrias y universidades<br />   experimentaci&oacute;n en las granjas<br />   mayor eficiencia en la producci&oacute;n<br />   mejor cumplimiento con los reglamentos de seguridad laboral y ambiental<br />   aumenta la demanda para productos adicionales<br />   promueve la transferencia tecnol&oacute;gica a los productores y sus asesores por medio de la inform&aacute;tica.<br /> </p>     <p class="Estilo1"><strong>CONSIDERACIONES GENERALES</strong></p>     <p class="Estilo1"><br />   A partir de los elementos brindados en este trabajo, se puede concluir que los modelos constituyen una herramienta muy &uacute;til para poder desarrollar una agricultura eficiente, desde el punto de vista econ&oacute;mico, pero tan o m&aacute;s importante es poder hacer un uso racional de los recursos naturales, teniendo en cuenta la conservaci&oacute;n del medio ambiente y sobre todo el recurso suelo, los que en Cuba en una gran parte est&aacute;n bastante degradados. En los pr&oacute;ximos cuatro a&ntilde;os se debe concluir un estudio donde se utilice un modelo matem&aacute;tico para determinar el mejor manejo de un grupo de cultivos y recomendar aquellos lugares donde resulte m&aacute;s aconsejable su desarrollo, teniendo en cuenta los cambios clim&aacute;ticos que est&aacute;n ocurriendo en el mundo.<br /> </p>     ]]></body>
<body><![CDATA[<p class="Estilo2">REFERENCIAS</p>     <p class="Estilo1"><br />       1.	Bowen, W. y Jaramillo, R. Modelos de din&aacute;mica de nutrientes en el suelo y en la planta. En: Congreso Sociedad Ecuatoriana de la Ciencia del Suelo [CD-ROM archivo]. Sociedad Ecuatoriana de la ciencia del Suelo (7:2000 oct. 19-20 octubre:Quito), 2001. <br />       2.	Meira, S. y Guevara, E. Uso de modelos de simulaci&oacute;n como herramienta para la toma de decisiones en el cultivo de soja. [Consultado: 17/09/07]. Disponible en:. 2003.<br />       3.	Ruiz, M. E. Aliados de la agricultura. Peri&oacute;dico Granma Internacional. A&ntilde;o 11, no. 279, 14 de abril de 2005.<br />       4.	Soto, O. Estudio y modelaci&oacute;n de algunas variables que influyen en el rendimiento agr&iacute;cola de la ca&ntilde;a de az&uacute;car. [Tesis de Diploma], Facultad de Biolog&iacute;a, Universidad de La Habana, 2003, 65 p.<br />       5.	Soto, O.; Galv&eacute;z, G. y Sigarroa, A. Estudio y modelaci&oacute;n de algunas variables que influyen en el rendimiento agr&iacute;cola de la ca&ntilde;a de az&uacute;car. Evento ATAC. 2004.<br />       6.	Wadsworth, J. An&aacute;lisis de sistemas de producci&oacute;n animal. Tomo 2: Las herramientas b&aacute;sicas, 2008. (Estudio FAO Producci&oacute;n y Sanidad Animal 140/2).<br />       7. Bandi, M. Instrumentos para el monitoreo del impacto ambiental sobre la producci&oacute;n        agr&iacute;cola. Modelos para cultivos. [Consultado: 26/03/08]. Disponible en:      ]]></body>
<body><![CDATA[  <a href="http://www.ciomta.com.ar/downloads/modelocultivo.pdf">&lt;http://www.ciomta.com.ar/downloads/modelocultivo.pdf&gt;</a>.        2003.<br />       8. Guevara, E. La simulaci&oacute;n del desarrollo, crecimiento y rendimiento        en ma&iacute;z. [Consultado: 08/10/07]. Disponible en: <a href="http://www.%20fertilizando.com/articulos/simulaciondesarrollocrecimiento%20yrendimientoenmaiz.asp">&lt;http://www.        fertilizando.com/articulos/simulaciondesarrollocrecimiento yrendimientoenmaiz.asp&gt;</a>.        2007.<br />       9.	Universidad de Georgia. Assessing crop production, nutrient management, climatic risk and environment sustainability. Training program on DSSAT version 4, 2008<br />       10. Corporaci&oacute;n colombiana de investigaci&oacute;n agropecuaria. Subdirec-ci&oacute;n        de investigaci&oacute;n e innovaci&oacute;n. Oficina asesora de educaci&oacute;n        y extensi&oacute;n programa nacional de biometr&iacute;a. En: Taller de Aplicaci&oacute;n      ]]></body>
<body><![CDATA[  de modelos de simulaci&oacute;n para la evaluaci&oacute;n de la producci&oacute;n        y las pr&aacute;cticas de manejo en sistemas agr&iacute;colas bajo DSSAT versi&oacute;n        4, julio 7-julio 11. [Consultado: 24/03/08]. Disponible en: <a href="http://www.fedepalma.org/documen/2003/taller%20dssat.doc">&lt;http://www.fedepalma.org/documen/2003/taller        dssat.doc&gt;</a>. 2003.<br />       11.	Holmann, F. El uso de modelos de simulaci&oacute;n como herramienta para la toma de decisiones en la promoci&oacute;n de nuevas alternativas forrajeras: El caso de Costa Rica y Per&uacute;. En: Reuni&oacute;n Latinoamericana de Producci&oacute;n Animal (ALPA), (16:2002 mar. 28-31:Montevideo), 2002.<br />       12.	Barrett, J. R. y Nearing, M. A. Humanization of decision support using informations from simulations. p. 1-17. En: Peart R. and R.B. Curry (eds) Agricultural System Modelling and Simulation. New York:Marcel Dekker, 1998.<br />       13.	G&aacute;lvez, G. Modelaci&oacute;n del crecimiento de las plantas. Modelaci&oacute;n de cultivos agr&iacute;colas. En: Seminario de modelaci&oacute;n de cultivos. (1:2008 mar. 13-14), 2008.<br />       14.	Refugio, J. /et al./. Modelos emp&iacute;ricos del crecimiento y desarrollo de tomate podado a tres racimos. Revista Fitotecnia Mexicana, 2004, vol. 17, no. Especial 1, p. 63-67.<br />       15.	Vargas, L. /et al./. Modelo para la estimaci&oacute;n de tres par&aacute;metros ruminales biol&oacute;gicos. INCI, 2004, vol. 29, no. 6.<br />       16.	Soto, F. Crecimiento de posturas de cafetos en viveros m&oacute;viles bajo sombra controlada. Ajuste a diferentes funciones matem&aacute;ticas. Cultivos Tropicales, 1986, vol. 8, no. 4, p. 83-90.<br />     ]]></body>
<body><![CDATA[  17.	Soto, F. /et al./. Din&aacute;mica del crecimiento de pl&aacute;ntulas de cafeto bajo diferentes condiciones de aviveramiento. Cultivos Tropicales, 1991, vol. 12, no. 1, p. 77-85.<br />       18.	Rodr&iacute;guez, J. A. y L&oacute;pez, T. Validaci&oacute;n y an&aacute;lisis de sensibilidad del modelo MACRO en un suelo Orthic Ferrasol del Sur de La Habana. Investigaci&oacute;n Agraria. Producci&oacute;n y Protecci&oacute;n Vegetales, 2000, vol. 15, no. (1-2), p. 47-55.<br />       19.	L&oacute;pez, T.; Due&ntilde;as, G.; Sierra, J.; Ozier-Lafontaine, H.; Gonz&aacute;lez, F.; Giralt, E.; Chaterl&aacute;n, Y. y Cid, G. Simulaci&oacute;n del manejo del riego y la fertilizaci&oacute;n nitrogenada del ma&iacute;z sobre suelo Ferral&iacute;tico del sur de La Habana. Ciencias T&eacute;cnicas Agropecuarias, 2001, vol. 10, no. 3, p. 59-66.<br />       20.	L&oacute;pez, T. /et al./. Posibilidades de los modelos de simulaci&oacute;n como herramienta eficaz en los estudios del manejo &oacute;ptimo del agua y la fertilizaci&oacute;n en diferentes sistemas de cultivos agr&iacute;colas. En: Congreso de Riego, 2006.<br />       21.	Chaterlan, Y. /et al./. Coeficientes de cultivo de la cebolla y su determinaci&oacute;n con el modelo isareg. En: Taller Internacional: &laquo;Modernizaci&oacute;n de Riegos y Uso de Tecnolog&iacute;as de Informaci&oacute;n&raquo;, con participaci&oacute;n de las redes de riego del PROCISUR Y CYTED. (2007 sep. 17-18:La Paz), 2007.<br />       22.	Bonhomme, R. y Ruget, F. Mod&eacute;lisation du foncionement d&rsquo;une culture de mais: cas de CORNGRO et CERES-Maize. En: D. Picard (ed) Physiologie et production du mais. Paris:INRA, 1991. p. 385-392.<br />       23.	Salvagiotti, F.; Castellarin, J. y Pedrol, H. An&aacute;lisis de la respuesta a la fertilizaci&oacute;n nitrogenada utilizando el modelo CERES Wheat en diferentes condiciones ambientales de la regi&oacute;n pampeana norte. Para mejorar la producci&oacute;n. 2003, no. 26.<br />     24.	Jones, J. W.; Tsuji, G. Y.; Hoogenboom, G.; Hunt, L. A.; Thornton, P. K.; Wilkens, P. W.; Imamura, D. T.; Bowen, W. T. y Singh, U. Decision support system for agrotechnology transfer:DSSAT, 1998, vol. 3, p. 157-177.<br />     25.	Thornton, P. K. y Hoogenboom, G.  A computer program to analyze single season crop model outputs. Agronomy Journal, 1994, no. 86, p. 860-868.<br />     26.	Thornton, P. K.; Hoogenboom, G.; Wilkens, P. W. y Bowen, W. T. A computer program to analyze multiple season crop model outputs. Agronomy Journal, 1995, no. 87, p. 131-136.<br />     ]]></body>
<body><![CDATA[27.	Engel, T.; Hoogenboom, G.; Jones, J. W. y Wilkens, P. W. AEGIS/WIN, a computer program for the application of crop simulation models across geographic areas. Agronomy Journal, 1997, no. 89, p. 919-928.<br />     28.	Thornton, P. K.; Booltink, H. W. G. y Stoorvogel, J. J. A computer program for geostatical and spatial analysis of crop model output. Agronomy Journal, 1997, no. 89, p. 620-627.<br />     29.	White, J. W. y Hoogenboom, G. Gene-based approaches to crop simulation: Past experience and future opportunities. Agronomy Journal, 2003, no. 95, p. 52-64.<br />     30.	Jones, J. W. /et al./. Modelling cropping systems: science, software and applications. European Journal of Agronomy, 2003, v. 18, no. 3-4, p. 235-265.<br />     31.	Jones, J. W. Decision support systems for agricultural development. En: Penning de Vries, F. W. T (ed.). System approaches for agricultural development. Pa&iacute;ses Bajos: Kluwer Academic Publihers,  1993, p. 459-471.<br />     32.	Giraldo, L. M.; Lizcano, L. J.; Gijsman, A. J.; Rivera, B. y Franco, L. H. Adaptaci&oacute;n del modelo DSSAT para simular la producci&oacute;n de Brachiaria decumbens. Posturas Tropicales, 2007, vol. 20, no. 2, p. 2-12.<br />     33.	Jones, J. W. y Royce, F. La investigaci&oacute;n agr&iacute;cola en la era inform&aacute;tica. En: Seminario de modelaci&oacute;n de cultivos (1:2008 mar. 13-14), 2008.<br />     34.	Saliceti, M. Evaluaci&oacute;n de dos poblaciones de habichuela (Phaseolus vulgaris L.) para ser utilizadas en el modelo de simulaci&oacute;n CROPGRO. [Tesis de Maestr&iacute;a]; Universidad de Puerto Rico. 2005, 88 p.<br />       35. Dorado, C. Simulaci&oacute;n de sistemas. [Consultado: 19/12/07]. Disponible        en: <a href="http://www.monografias.com/trabajos20/simulacion-sistemas/simulacion-sistemas.shtml">&lt;http://www.monografias.com/trabajos20/simulacion-sistemas/simulacion-sistemas.shtml&gt;</a>.      ]]></body>
<body><![CDATA[  2007.<br />     36.	Casa, A. y Ovando, G. Normalized difference vegetation index (NDVI) and phenological data integration to estimate county yield of corn in C&oacute;rdoba, Argentina. Agricultura T&eacute;cnica, 2007, vol. 67, no. 4, p. 362-371.<br />       37. CIOMTA. Aplicaci&oacute;n del Sistema Integrado en la simulaci&oacute;n        del rendimiento del cultivo de ma&iacute;z. [Consultado: 17/09/07]. Disponible        en: <a href="http://www.ciomta.%20com.ar/resultmaiz.html">&lt;http://www.ciomta.        com.ar/resultmaiz.html&gt;</a>. 2007.<br />     38.	Forjan, O. Modelos de simulaci&oacute;n de crecimiento y desarrollo de los cultivos. AgroBarrow Digital. 2002, no. 27.<br />     39.	Delgadillo, S. E.; K&uacute;, R. A. y Vela. L. V. Modelaci&oacute;n matem&aacute;tica del control de plagas en un cultivo de br&oacute;coli. Ep&iacute;grafe, Revista del Dpto. de Matem&aacute;ticas y F&iacute;sica de la Universidad Aut&oacute;noma de Aguascalientes. [Consultado: 24/03/08]. Disponible en: <a href="http://www.cns.gatech.edu/~luzvela/ epigrafe/segnum/plagas.pdf">&lt;http://www.cns.gatech.edu/~luzvela/ epigrafe/segnum/plagas.pdf&gt;</a>. 2006.<br />     40.	Royce, F.; Meira, S. y Guevara, E. Optimizaci&oacute;n de manejo de fr&iacute;jol soja y ma&iacute;z, utilizando modelos de simulaci&oacute;n e informaci&oacute;n de las fases ENSO en Pergamino, Argentina. En: Seminario Cient&iacute;fico del Instituto Nacional de Ciencias Agr&iacute;colas. (11:1998 nov.:La Habana), 1998.<br />     41.	GAIA. Universidad de Los Andes, M&eacute;rida, Venezuela. Modelos de simulaci&oacute;n en el &aacute;rea ambiental. [Consultado: 17/09/07]. Disponible en: <a href="http://cesimo.ing.ula.ve/GAIA/CASES/VEN/ESPANOL/modelos.html">http://cesimo.ing.ula.ve/GAIA/CASES/VEN/ESPANOL/modelos. htm</a>l&gt;, 1998. <br />     ]]></body>
<body><![CDATA[42.	Wery, J. y Lecoeur, J. Learning crop physiology from the development of a crop simulation model. J. Nat. Resour. Life Sci. Educ., 2000, vol. 29, p. 1-7.<br />     43.	G&aacute;lvez, G. /et al./. Modelaci&oacute;n del rendimiento de la ca&ntilde;a de az&uacute;car en Cuba. Casos de estudio. Seminario de modelaci&oacute;n de cultivos. (1:2007 mar. 13-14), 2007.<br />     44.	V&aacute;zquez, A. La agricultura de precisi&oacute;n se extiende en Cuba. El Habanero digital. [Consultado: 15/04/08]. Disponible en: &lt;<a href="http://www.elhabanero.cubaweb.cu">http://www.elhabanero.cubaweb.cu</a>&gt;. 2004.<br />     </p>     <p class="Estilo1">  <strong>Recibido: 30 de junio de 2008<br />   Aceptado: 28 de noviembre de 2008</strong></p>      ]]></body>

</article>
