Las características y los tipos de modelos aplicados en la

Agromática I
Las características y los tipos de modelos aplicados en la producción agropecuaria
Los agrosistemas se caracterizan por poseer, como ya se dijo, subsistemas naturales, los
cuales son en esencia biológicos. Las leyes científicas de estos subsistemas biológicos pueden
catalogarse desde “definidas” (conocidas con un alto grado de exactitud) hasta “indefinidas” (no
conocidas con un alto grado de exactitud, antes que leyes son hipótesis o propuestas formales
acerca del funcionamiento de algún aspecto del subsistema), con toda la gama de posibilidades
intermedias. Esto es así debido a que las disciplinas biológicas, tanto como las sociales, no han
contado históricamente con una superestructura adecuada para su desarrollo, tal como la proporcionada por las matemáticas y la lógica a la física, química, electrónica, etc. (Klir, 1980).
A nivel de las jerarquías menores de los agrosistemas (fitósfera y agroecosistema) predomina el aspecto biológico. Mientras que para los niveles superiores (empresa y región agropecuarias) el subsistema biológico pierde preponderancia para pasar a tenerla el aspecto personal y
social. Pero el problema sigue siendo el mismo a estos niveles: es muy difícil transformar en operables los argumentos teleológicos o normativos que regulan el comportamiento de los productores
y de las comunidades.
A todo lo antedicho hay que sumarle el comportamiento estocástico de variables como las
meteorológicas y las de mercado. Además se deben tener en cuenta las exigencias de las funciones de los productores y de los profesionales agropecuarios (principalmente): el tener que identificar y jerarquizar los factores limitantes para realizar el diagnóstico de los agrosistemas, y la necesidad de prever las consecuencias de las posibles soluciones propuestas, exigen de los modelos
agropecuarios dos características esenciales: explicación y predicción. Sin embargo, existen varias
clases o tipos de modelos de sistemas agropecuarios. No todos ellos permiten efectuar predicciones ni tienen la misma capacidad para considerar situaciones nuevas, ya sean técnicas o ambientales.
En la figura se presenta una propuesta de clasificación de los modelos que se utilizan en el
análisis y diseño de agrosistemas.
La primera distinción aparece entre modelos físicos y simbólicos. Tal como su nombre lo
indica, los modelos físicos son representaciones físicas de la realidad. A su vez, estos pueden
dividirse entre modelos icónicos y analógicos.
Un modelo icónico aparece como la realidad repre-sentada (una maqueta, una imagen).
En el estudio de los agrosistemas los principales modelos icónicos son los mapas (de suelos, de
utilización del territorio, topográficos, etc.) y las imágenes satelitales. La utilización de estos modelos icónicos es muy importante en el desarrollo de los sistemas de información geográfica (tanto a
nivel predial como regional). En docencia, son muy utilizados los esquemas, fotografías y videos.
Un modelo análogo, no sólo aparece como el sistema real, sino que también actúa como
él. Los ensayos en lotes (de cultivos o de animales) son el ejemplo más concreto de este tipo de
modelos en el estudio de los sistemas agrícolas. Estas parcelas permiten probar alternativas de
manejo, obtener datos básicos acerca del comportamiento y de las interrelaciones de diversos
componentes de los agrosistemas en condiciones más controladas, reducen el costo y la complejidad y variabilidad del sistema real derivadas de su extensión.
A diferencia de los físicos, los modelos simbólicos representan la realidad mediante símbolos que no poseen una correspondencia directa con el objeto modelado. Una palabra o una cifra
dependen del conocimiento del código utilizado (por parte del usuario) para poder identificar el
objeto o proceso al que hacen referencia (un ejemplo concreto es lo que está usted leyendo: si no
conociese el castellano no podría interpretar el presente mensaje).
Los modelos verbales usan las palabras para representar la realidad. El correcto empleo
de estos modelos, de sus códigos y de su asociación con modelos icónicos es fundamental en las
tareas de extensión y de asesoramiento a los productores agropecuarios, quienes, por su falta de
Modelos Agronómicos - 1
Agromática I
conocimiento profundo de las metodologías matemáticas, dependen más del empleo del lenguaje
corriente para recibir y transmitir información tecnológica y económica.
Tipos de modelos. Representación esquemática de una alternativa de clasificación.
Por último, los modelos matemáticos consisten en la transformación de la realidad en símbolos matemáticos:
⊗ los atributos de un objeto, en cifras (variables de estado, variables de borde del sistema, entradas, salidas);
⊗ las interrelaciones entre componentes o las tasas de cambio de estados según la influencia de
distintos factores, en ecuaciones matemáticas de diversos tipos.
Esta codificación de los objetos permite luego aplicar a los datos reglas y procedimientos
matemáticos para su procesamiento, pudiendo así operar con las cifras y obtener resultados de
cómo resultaría el sistema real si sus componentes adquiriesen los atributos asignados en el modelo.
Incluso los modelos icónicos y verbales, para su procesamiento por ordenadores electrónicos, terminan siendo convertidos en modelos matemáticos: las imágenes y mapas, digitalizados
(“rasterizados”) o vectorizados; las palabras, al ejecutar los procesadores de textos, son codificadas en números (código ASCII, por ejemplo: A=65 , B=66 , Ñ=165 , etc.).
El propósito de los modelos matemáticos puede clasificarse, en principio, como: descripción, explicación, optimización y decisión (selección de alternativas).
Un modelo descriptivo describe el comportamiento de un sistema como respuesta a la
influencia de diversos factores. En esencia todo modelo es decriptivo si es una representación
válida de la realidad. Pero un modelo caracterizado como descriptivo, en la presente clasificación,
únicamente tiene como objetivo la descripción del sistema o de su comportamiento.
Modelos Agronómicos - 2
Agromática I
Tal es el caso de los modelos de regresión (simple o multivariados), los cuales, debido a
sus características de “caja negra”, sólo representan la variación de la respuesta del sistema (variable dependiente) a modificaciones en los datos de entrada (variable/s independiente/s de la
ecuación). Éste es el objetivo inicial de los modelos empíricos.
En cambio, un modelo explicativo debe transformar en “traslúcida” a la “caja negra”, debe
explicitar los diversos componentes que integran el sistema y sus interrelaciones, cuantificarlos,
describir las causas de la variación de un estado, de una tasa de cambio o de una salida. Esto es
propio de los modelos mecanísticos, los cuales se desarrollan a partir de teorías acerca del funcionamiento del sistema a modelar.
Un modelo de optimización persigue la identificación de las combinaciones de variables
que maximizan o minimizan una función objetivo. Suelen basarse en métodos numéricos que son
independientes del sistema representado; tal el caso de la programación lineal, la cual es muy empleada para la formulación de raciones de mínimo costo y para la combinación de actividades en
una empresa que maximice el beneficio, por ejemplo.
Los modelos de decisión son aquellos que permiten seleccionar una alternativa de entre
varias, dependiendo de una multitud de factores. Se los separa de los de optimización (en la presente clasificación) debido a que no necesariamente el resultado coincide con el óptimo, y a que se
basan en procedimientos específicos para el problema bajo análisis. Es el caso de los sistemas
expertos, los cuales se desarrollan a partir de teorías y métodos derivados de la inteligencia artificial, redes neuronales, heurística, etc.
Por muchos años el estudio de las relaciones entre los cultivos y los factores ambientales
ha estado dominado por el empirismo; y los intentos de cuantificarla se han basado, por lo general,
en la estadística, especialmente a través del análisis entre producción y mediciones climáticas,
edáficas y/o fitotécnicas. Estos modelos, llamados empíricos (o de correlación), describen relaciones entre variables sin referirse a fundamentos biológicos o físicos preexistentes. La aplicación de
la estadística a la descripción de esas relaciones no provee hipótesis o explicaciones acerca de su
naturaleza, y por lo tanto no cambia el carácter empírico de esas investigaciones. También es
menor el nivel de resolución o detalle que está incorporado al modelo, ya que este tipo de modelos
abunda cuando el conocimiento de las causas es pobre (de allí que sean muy utilizados en las
primeras etapas de investigación, las exploratorias, de algún problema no encarado previamente).
Este tipo de modelos es muy útil cuando se trata de pronosticar la respuesta de sistemas
ya evaluados y cuyo rango de variación es limitado y conocido. Cuando se trata de interpolar dentro
del espectro de situaciones en las cuales han sido desarrollados y validados, los modelos empíricos suelen ser precisos. Sin duda, los procedimientos empíricos de estudio han aportado valiosas
observaciones, y seguirán contribuyendo con ellas para la resolución de problemas prácticos y el
progreso del conocimiento.
Para lograr el desarrollo en tiempo y calidad que la ciencia y la tecnología agropecuaria
requieren, el tradicional método de "prueba y error" debe ser complementado para superar sus
inconvenientes de falta de generalidad (puntualidad de sus resultados) y lentitud (años de repetición de ensayos para obtener una tendencia). Estas dos características de los modelos empíricos
son compartidas por los modelos analógicos (parcelas, lotes de animales, etc.): sus resultados no
siempre pueden ser extrapolados a otra situación (de suelo, clima, especie o de manejo), es necesario realizar nuevamente los ensayos y obtener otra ecuación para la nueva situación.
Están dadas las condiciones para la aplicación de métodos más rigurosos y a la vez más
generales, tal como el aplicado por la Física durante tantos años: el método hipotético-deductivo,
es decir, la metodología científica tal como la expone Bunge (1981).
En el terreno agronómico antes se observaba, clasificaba y especulaba intentando obtener
generalizaciones empíricas útiles al experto en el manejo de los sistemas agropecuarios; ahora se
agrega la construcción de sistemas teóricos hipotético-deductivos, contrastables empíricamente.
Antes se valía sólo del lenguaje ordinario para expresar ideas, con el resultado habitual de la falta
de precisión. La matemática sólo intervenía al final para comprimir y analizar los resultados de
investigaciones empíricas, con demasiada frecuencia superficiales por falta de teorías explicativas.
Sin embargo, puede admitirse que se ha iniciado un cambio en torno a 1950. No se trata del reemModelos Agronómicos - 3
Agromática I
plazo de una teoría por otra: fue el esfuerzo de teorización en campos hasta entonces no teóricos.
Fue una nueva metodología, una nueva manera de trabajar la que nació en aquellos años en las
ciencias no físicas (Bunge, 1981).
Los modelos mecanísticos (o explicativos, derivados de las teorías hipotético-deductivas)
intentan representar la causalidad e interacción entre las variables a fin de imitar (matemáticamente) la estructura y funcionamiento del agrosistema. En estos modelos las funciones matemáticas expresan nuestro conocimiento e hipótesis de los mecanismos que relacionan a las variables y
explican la conducta observada.
El enfoque de variables de estado es el más aceptado para los modelos explicativos o “de
mecanismo” (Duek, 1979). En estos modelos se asume que el estado de cada sistema, en cualquier momento, puede ser caracterizado cuantitativa-mente y que los cambios de estado pueden
ser descriptos por ecuaciones matemáticas.
Las variables de estado representan cantidades de una propiedad (materia, energía, información). Las variables ambientales caracterizan las interacciones de borde del agrosistema. Cada
variable de estado está asociada con variables (a través de ecuaciones) que caracterizan su tasa
de cambio, en ciertos instantes, como resultado de procesos específicos. Estas variables expresan
los flujos de la propiedad considerada y sus valores dependen de las variables de estado y ambientales, de acuerdo a reglas basadas en el conocimiento físico, químico y biológico de los procesos estudiados y no en un análisis estadístico del comportamiento del agrosistema en estudio. Ésta
es la diferencia más importante entre modelos que sólo describen (empíricos) y modelos que intentan explicar (mecanicísticos), es decir, que constituyen una demostración de que ciertas cosas
siguen necesariamente de otras (Duek, 1979).
Las ecuaciones pueden resolverse para obtener valores de predicción, de este modo los
supuestos o hipótesis empleados en la construcción del modelo pueden contrastarse con mediciones experimentales en el sistema real, y así, ser refutados o confirmados.
El fracaso de un modelo en cuanto a predecir el comportamiento del sistema real es útil en
sí mismo, porque señala las fallas del marco conceptual a partir del cual se elaboró. Por esta razón
es posible mejorarlos a ambos en la medida en que el conocimiento causal se incremente, aumentando también los niveles de resolución.
La cantidad de mecanismos que incluye un modelo es un buen indicador de su utilidad. Si
bien los mecanismos no pueden ser medidos cuantitativamente, en la figura 7 se presenta una
clasificación cualitativa de los modelos de cultivos (según Whisler et al., 1986).
A la izquierda del gráfico se ubican los totalmente empíricos. A medida que son incorporados más mecanismos, pasan sucesivamente hacia la derecha del diagrama. El grado de comprensión que brindan los modelos involucrados aumenta en la medida en que incrementan la cantidad
de mecanismos.
En la siguiente figura también se presenta el espectro de capacidad de los modelos a
medida que incrementan los mecanismos. Para resumir datos de ensayos o experimentos (RD) y
también para predecir la conducta del sistema dentro del intervalo observado (PI), suelen ser suficientes los modelos completamente empíricos (por ejemplo, los obtenidos por regresión múltiple).
Para la predicción del comportamiento del sistema ante situaciones nuevas (por ejemplo, nuevos
sistemas de labranza o de control de plagas) o diferentes a los hechos observados (por ejemplo,
dosis, fertilizantes o variedades no ensayadas) (PE) y para orientar la investigación (OI) los modelos son mecanísticos. Por fin, para interpretar resultados experimentales (IE) deben ser mecanísticos y comprensivos.
Modelos Agronómicos - 4
Agromática I
Tipificación de los modelos según utilidad y cantidad de mecanismos que incluyen: RD, resumen
de datos experimentales; PI, predicción interpolativa (pueden predecir la conducta del sistema
“dentro” de la gama de datos experimentales); OI, orientación o guía para la investigación (ayuda a
identificar errores o lagunas en el conocimiento básico y/o tecnológico); PE, predicción extrapolativa (puede predecir la conducta del sistema también fuera de la gama de datos observados en los
ensayos, es decir, en nuevas condiciones); IE, interpretación de resultados experimentales (según
Whisler et al., 1986, modificado).
Es frecuente que a medida que se incluyan mecanismos sea necesario incorporar el cambio temporal que experimenta el sistema; cuando esto ocurre, se tiene un modelo de simulación.
Aunque la distinción entre modelos empíricos y mecanicistas es útil, en realidad la mayoría
de los modelos contiene una mezcla de empirismo y mecanicismo. Todos los modelos son empíricos a algún nivel de análisis. Por ejemplo, un modelo mecanicístico al nivel de cultivo podría ser
considerado empírico por un investigador que trabaja a nivel celular (Whisler et al., 1986).
El modo de análisis de los modelos matemáticos puede ser tanto analítico como numérico
(por supuesto que también es muy común encontrar combinaciones de ambos modos en muchos
modelos).
El modo analítico utiliza las técnicas matemáticas y/o estadísticas tradicionales (por ejemplo: cálculo diferencial, álgebra matricial, análisis de regresión) a fin de desarrollar ecuaciones que
resulten en información exacta del sistema modelado.
El modo numérico de análisis reemplaza las frecuentemente complejas operaciones matemáticas y estadísticas derivadas de la metodología analítica por una gran cantidad de cálculos
reducidos a operaciones matemáticas simples. El resultado es, generalmente, sólo una aproximación a los valores que caracterizan al sistema; pero, dependiendo del método numérico utilizado y
del tipo de problema a resolver, puede considerarse que el resultado, a los fines prácticos de su
aplicación al diseño de agrosistemas, es exacto.
Si bien el método analítico es más preciso y eficiente en el uso de los recursos de computación que el numérico, muchas veces es más conveniente el empleo de este último. Muchos procesos de los agrosistemas son imposibles de representar mediante una ecuación analítica, o es
muy engorroso analizarlos mediante técnicas analíticas, por lo que se prefiere el empleo de los
métodos numéricos (especialmente en los últimos tiempos en que los ordenadores han ampliado
su memoria y acelarado el procesamiento).
En general, cuanto más complejo y más detallado (en cuanto a la inclusión de mecanismos) es el modelo, mayor es la probabilidad de que se empleen métodos numéricos antes que
analíticos. Además, cuando el objetivo es el diseño de agrosistemas, es posible disponer que los
umbrales de error de los resultados sean menores que la variabilidad propia del sistema real derivada del comportamiento (y variación) de los suelos, clima, plantas, animales, costos, precios, etc.
Modelos Agronómicos - 5
Agromática I
Todos los agrosistemas son aleatorios. Esto es, el comportamiento de los agrosistemas no
puede ser predicho con certeza (impredecibilidad).
Un modelo probabilístico intenta capturar esa naturaleza azarosa de los agrosistemas requiriendo datos de ingreso y generando salidas caracterizados por su distribución de frecuencias o
por su distribución de probabilidades.
A pesar de que los agrosistemas son aleatorios en su comportamiento, muchos de los
modelos empleados en su análsis y diseño son determinísticos. Los modelos determinísticos emplean estimaciones (un único valor que suele ser el promedio o el modo) de las variables del modelo y generan también un único resultado por cada salida o estado del sistema representado.
Los modelos determinísticos son más utilizados que los probabilísticos debido a que su
desarrollo implica menos costos (en obtención de datos y tiempo de desarrollo), menor dificultad y
porque, generalmente, se considera suficiente contar con la tendencia o el promedio de los resultados como para soportar tomas de decisiones satisfactorias.
Por supuesto que esta elección es fuertemente dependiente del tipo de sistema, de los
procesos que se deseen simular y del comportamiento de los factores que determinan el resultado.
En consecuencia, para decidir si el modelo deber ser determinista o probabilístico se deberá analizar:
⊗ el grado de certeza en la predicción de los valores del factor a fin de ingresar dichos valores en
el modelo,
⊗ la posibilidad de controlar la magnitud del factor (por ejemplo, riego y nutrimentos en invernáculos), ajustándola a las propuestas de manejo o necesidades del sistema,
⊗ la amplitud de la variabilidad de los posibles valores (si esta amplitud es pequeña, es suficiente
utilizar el promedio),
⊗ el “peso” de la variable en la determinación en el resultado final: cuando pequeñas variaciones
en el valor de entrada producen grandes modificaciones en la salida (es decir, el resultado es
“sensible” a dicho factor), estas variaciones deben explicitarse.
En lo que respecta a la consideración del dinamismo de los agrosistemas, no todos los
modelos incluyen el factor tiempo en la representación del sistema.
Los modelos estáticos no toman en cuenta a la variable tiempo ni su influencia sobre la
dinámica y/o secuencia de procesos. Por ejemplo, los modelos de regresión multivariados, aún
cuando pueden incluir algún factor temporal (fecha de siembra, por ejemplo) se los considera estáticos debido a que incluyen simultáneamente, en una única ecuación, aspectos que no necesariamente influyen sobre el resultado al mismo tiempo; además, de estos factores sólo consideran su
magnitud global y no la oportunidad en que producen su efecto.
Los modelos dinámicos tratan de las interacciones y estados que varían con el tiempo.
Debido a la dinámica propia de los agrosistemas y a su irreversibilidad (eventos que una vez
acontecidos no pueden retrotraerse a su estado o situación original) se considera conveniente que,
en lo posible, los modelos de los agrosistemas sean dinámicos. De esta forma podrá explicitarse
no sólo la magnitud de la modificación o manejo a instrumentar, sino también su oportunidad y los
posibles efectos (productivos y/o económicos) derivados de su anticipación o retraso.
En términos de generalidad de aplicación, un modelo matemático puede desarrollarse sólo
para ser utilizado en ciertos casos específicos; por lo tanto, se pretende que povean una mejor
descripción del sistema en particular. En este caso son muy útiles los modelos empíricos, por su
precisión en circunstancias acotadas y por su sencillez de desarrollo.
En cambio, en otras oportunidades se necesita de modelos más generales. Aquí la necesidad es extrapolar y proyectar a escenarios muy variables, por lo tanto se necesita de capacidad
explicativa, la cual es aportada por modelos mecanísticos.
Los modelos de simulación y los ordenadores electrónicos se transformarán en herramientas de operación de gran importancia en el análisis y diseño de la actividad agropecuaria
Modelos Agronómicos - 6
Agromática I
siempre y cuando los datos necesarios existan, estén disponibles en forma práctica y sean consistentes con la realidad.
En efecto, no es posible instrumentar modelos
pragmáticos sin una apropiada y relevante información,
como no es adecuada la arbitraria colección y ordenación
de datos sin una clara orientación, especificación y justificación que viene dada por los fundamentos conceptuales
de los modelos.
Los modelos deben, por eso, quedar acoplados a una adecuada
base de datos, y ésta debe estar
inspirada y ordenada por los propósitos y características de los
modelos.
Si bien se cuenta con un cúmulo importante de
datos del sector agropecuario, en algunas áreas temáticas
resultan insuficientes por ser incompletos o desactualizados. En otras, la información disponible no
es confiable debido a fallas conceptuales o metodológicas en su obtención. En tercer lugar, en más
de una oportunidad ha ocurrido que dos o más organismos releven el mismo tipo de datos, incrementando los costos y generando confusión cuando se presentan resultados no coincidentes. Por
último, aún cuando los datos pueden ser confiables, no se encuentran disponibles para su aplicación al no haber sido procesados electrónicamente (se encuentran dispersos, sin clasificar ni ordenar) (SIIAP, 1987).
Los modelos deben pronosticar la conducta del agrosistema.
Las predicciones deben ser cotejadas con experiencias reales.
La información experimental es retroalimentada para corregir y perfeccionar el modelo y para determinar la adquisición de nuevos o mejores datos.
Cuando se consigue un adecuado nivel de predicción pueden sugerirse las medidas y acciones de
manejo más convenientes.
Definidas las sugerencias, se debe informar y capacitar a los profesionales y productores para que
se las aplique en las empresas a fin de que la teoría se transforme en
una mayor producción,
una mejor conservación o recuperación de los recursos naturales,
una mayor rentabilidad, y
en un superior nivel de vida del sector rural.
Modelos Agronómicos - 7