Vulnerabilidad y mitigaci n relacionada con el impacto del cambio global sobre la producci n agr cola

Proyecto ARG/95/G/31 - PNUD - SECYT
Editado para CD ROM con el apoyo del Programa Especial sobre Medio Ambiente
de la Secretaría de Ciencia y Técnica de la Universidad de Buenos Aires.
Vulnerabilidad y
mitigación relacionada
con el impacto del
cambio global sobre
la producción agrícola
Proyecto ARG/95/G/31 - PNUD - SECYT
AYUDA
Ayuda para la navegación dentro del Proyecto
Botones de la barra superior:
Este botón sirve para visualizar sólo la página en pantalla.
Este botón despliega el índice sobre el lateral izquierdo de la pantalla.
Este botón despliega una representación pequeña de las páginas.
La herramienta con forma de mano desplaza la pagina en todas direcciones.
La 1ª lupa amplía, la 2ª reduce a voluntad el tamaño de la imagen.
Estos dos botones lo llevan al principio o fin del documento.
Estos dos botones retroceden o avanzan de a una pantalla por vez.
Estos dos botones repiten (en retroceso o avance) los últimos movimientos
realizados.
El 1º botón es para ajustar la vista al tamaño de pantalla, el 2º para ver toda
la página en pantalla y el 3º para ampliar a la medida del ancho de página.
Con este botón se efectúan las búsquedas de texto dentro del documento.
Las menciones de figuras, fotos, gráficos, cuadros o tablas resaltadas en rojo o con un recuadro en
negro, son vínculos a aquello que se menciona en el texto. Para volver al mismo punto, pulsar en los
títulos o epígrafes de lo que se está consultando; en caso de que no lo posean, hacer un click sobre
la imagen o la parte superior de un cuadro o tabla, por ejemplo.
PROYECTO
DE
ESTUDIO
SOBRE EL
CAMBIO CLIMÁTICO
EN
ARGENTINA
DIRECTOR:
Vicente Barros - (UBA) (SECYT)
COORDINADORES: José A. Hoffmann - SECYT
Walter M. Vargas - (UBA) (SECYT)
abcdefasdasdasdasdasdasdasdasdasdasdasdasdasdasd
DIRECTORA:
COORDINADOR:
Graciela O. Magrin - INTA
Raúl A. Díaz - INTA
María I. Travasso - INTA
Gabriel Rodríguez - INTA
Diego Boullón - INTA
Mario Núñez - CIMA (CONICET-UBA)
Silvina Solman - CIMA (CONICET-UBA)
Resumen
Ejecutivo
Resumen Ejecutivo
La intensificación del efecto invernadero derivada de incrementos en la concentración de CO2 y otros
gases en la atmósfera, conduciría a incrementos en la temperatura de superficie del planeta y a cambios
en los ciclos hidrológicos. La mayor parte de los escenarios proyectan para el próximo siglo incrementos
en la concentración de CO2, elevación de las temperaturas y cambios en los registros de precipitación
(incrementos en algunos sitios y reducciones en otros), variables que afectarían al sector agropecuario
mediante cambios en la producción de cultivos anuales y forrajeras, y modificaciones de las características fisico-químicas de los suelos.
En este trabajo se evaluó el impacto de diferentes escenarios climáticos sobre la producción de cultivos anuales (trigo, maíz, girasol y soja) y forrajeras en la región pampeana; se analizó la posibilidad de
expandir estas culturas a regiones actualmente limitadas por las condiciones ambientales, y se cuantificó la vulnerabilidad del recurso suelo.
Los escenarios climáticos se obtuvieron mediante: 1) Análisis de sensibilidad a variaciones incrementales de la temperatura (+1, +2 y +3°C) y variaciones porcentuales de la precipitación (+20% y -20%),
considerando dos concentraciones de CO2 (330 y 55Oppm); 2) Modelos de circulación general de la atmósfera (GISS, GFDL y UKMO); 3) Técnicas de downscaling (DS) a partir de los datos generados por el
modelo MPI. La producción de los cultivos se evaluó con modelos matemáticos que simulan el desarrollo y crecimiento de las especies ante variaciones del ambiente. Se utilizaron datos climáticos de 43 localidades ubicadas en la región pampeana y 11 en la extrapampeana (Chaco, S. del Estero, Corrientes,
San Luis y Río Negro) para el record 1971-1995, con valores diarios de temperatura máxima y mínima,
precipitación y radiación.
Las condiciones futuras del clima difirieron de acuerdo con el modelo utilizado. El incremento de temperatura pronosticado varió entre 1.4 y 5.1°C para el ciclo de crecimiento de los cultivos de invierno, y
entre 2.1 y 5.6°C para los cultivos de verano. En ambos casos DS fue el que pronosticó los menores incrementos y UKMO los mayores. Las precipitaciones mostraron importante variabilidad intraanual y entre modelos. Las predicciones de UKMO serían las más beneficiosas para los cultivos ya que prevén incrementos durante la mayor parte del año. Por el contrario, con GFDL se predicen reducciones de las lluvias a excepción de los meses de septiembre y octubre donde los incrementos beneficiarían a los cultivos de invierno. Las predicciones de GISS presentan un comportamiento intermedio con reducciones e
incrementos importantes durante los meses de septiembre y febrero respectivamente. Por último el DS
prevé pequeñas reducciones de las precipitaciones a lo largo del año, especialmente en los meses de
verano y otoño.
Producción de cultivos anuales
A pesar de las discrepancias en los escenarios climáticos, se han podido identificar los impactos sobre la producción de granos en Argentina. Si la concentración de CO2 se elevara a 55Oppm sin modificarse la temperatura, el potencial de producción incrementaría el 34% en soja, 18% en trigo, 13% en girasol y 6% en maíz debido al incremento de la eficiencia en el uso de recursos (radiación y agua) en ambientes enriquecidos en CO2. Sin embargo, si también se elevara la temperatura el efecto positivo del
CO2 se reduciría, disminuyendo los rendimientos de trigo, maíz y girasol en proporción directa al incremento de temperatura. En cambio el cultivo de soja incrementaría sus rendimientos con aumentos de
hasta 3°C en la temperatura. Si se comparan estas variaciones con los rendimientos potenciales actua-
Impacto del Cambio Global sobre la Producción Agrícola
les surge que la soja incrementaría de un 13% a un 41 % su producción, el maíz la reduciría entre O% y
18%, mientras que el trigo y el girasol podrían ir desde incrementos del 1O% hasta reducciones del 16%
(trigo) y 4% (girasol) según cual sea el incremento de temperatura alcanzado.
Las reducciones de los rendimientos serían la consecuencia del acortamiento del ciclo de crecimiento
y la consecuente disminución de los recursos captados. En soja, en cambio, la duración del ciclo no se
vería afectada y el rendimiento incrementaría por la producción de mayor número de granos asociado a
la mayor producción de vainas en climas con temperaturas nocturnas más elevadas.
En condiciones de producción limitadas por la disponibilidad hídrica o nutricional, el comportamiento
de los cultivos sería diferente. Por un lado, en ambientes subóptimos se incrementa el efecto fisiológico
del CO2, por lo que incrementos leves de temperatura conducirían a aumentos de la producción. Por otro
lado, las variaciones proyectadas en la precipitaciones pasarían a jugar un rol fundamental en la determinación del rendimiento. En líneas generales, se detectaron incrementos (reducciones) de los rendimientos bajo condiciones de secano cuando se proyectaron incrementos (reducciones) de las precipitaciones de septiembre-octubre en el caso de trigo, diciembre-enero en maíz y girasol y enero y febrero en
el caso de soja.
Los impactos sobre la producción agrícola nacional serían variados, la más perjudicada sería la producción de maíz que podría reducirse hasta un 18%; la de trigo sufriría leves modificaciones (entre +3%
y -3%). La de soja incrementaría de acuerdo con las proyecciones de GISS, GFDL y DS (+17% a +46%)
o podría reducirse según los pronósticos de UKMO (-8%), mientras que la producción de girasol podría
incrementarse hasta un 20%.
Sin embargo, en las próximas décadas es probable que continúen en la región pampeana, las tendencias crecientes de los rendimientos asociada al reciente incremento en el uso de insumos (fertilizantes,
plaguicidas) especialmete en los cultivos de trigo y maíz. Situación que podría enmascar cualquier impacto negativo del cambio climático. No obstante incorporando ciertas técnicas de adaptación, se podría
incrementar aún más la producción nacional del próximo siglo.
Estrategias simples como modificar el calendario agrícola, a través de siembras más tempranas, permitiría minimizar las pérdidas de rendimiento en trigo, maíz y girasol. Para el mediano y largo plazo, debería prolongarse el ciclo de crecimiento mediante el desarrollo de cultivares de trigo con mayor sensibilidad fotoperiódica, o de genotipos de maíz con mayor duración de la fase juvenil. Por último, en los cultivos de verano, la aplicación de pequeños montos de riego suplementario alrededor del período crítico,
permitiría mantener los niveles de producción.
La posibilidad de extender la zona productiva fuera de las fronteras de la región pampeana, parece
bastante reducida. En general el incremento de temperatura perjudicaría las producciones a excepción
de la soja que encontraría condiciones más favorables en Río Negro y San Luis, y el trigo que podría difundirse hacia el sur (Río Negro) si se satisfacen los requerimientos nutricionales.
Producción de forrajes
La temperatura mínima media anual explicó entre el 58 y 68% de la variación en la producción anual
de materia seca de cuatro cultivares de alfalfa sin reposo, de la red nacional de ensayos de INTA. Con
datos de 37 localidades pampeanas, se comprobó que la magnitud del impacto variaba con el cultivar, la
localidad y el escenario de cambio elegido. Ante un posible aumento de l°C en la temperatura mínima
media anual, la producción anual crecería entre 4 y 8%, salvo el cv. Monarca INTA SP que no tendría
cambio. Los ambientes del norte de Entre Ríos y Santa Fe disminuirían su producción anual entre 16 y
25%, mientras que al sur del paralelo 36° los aumentos serían considerables (50 a 100%). Si el escenario de cambio coincidiera con el del escalado regional (con aumentos de temperatura mínima media anual
entre 1,4 y 2,2°C), el impacto regional seguiría siendo ligeramente positivo, pero con efectos locales que
duplicarían el impacto del escenario incremental.
En un estudio complementario, se compararon las estimaciones de producción anual en dos escenarios contrastantes: 1) sin cambio climático y 330 ppm de CO2 y 2) con cambio climático según el escalado regional y 550 ppm de CO2. Se simuló con el modelo EPIC una rotación de alfalfa para corte de cuatro años, entre 1996 y 2050. El análisis comprendió dos cultivares con grado de reposo 9 y siete ambientes. El impacto positivo del cambio climático sobre la producción anual variaría, en promedio, entre 2 y
Capítulo 1
24% respecto del escenario sin cambio. La mediana del incremento anual relativo llegaría a 24% en Balcarce, mientras que los aumentos más modestos (2 a 4%) ocurrirían en Córdoba y La Pampa. En el resto de la provincia de Buenos Aires el incremento relativo proyectado sería intermedio.
Características de los suelos
Se estudiaron tres aspectos de la calidad del suelo: espesor, tenor de materia orgánica en la capa arable y contenido de nitrógeno total. Estas propiedades constituyen el grupo más importante entre los indicadores de sostenibilidad del suelo. Con el modelo EPIC se simularon los cambios en las propiedades
de 683 perfiles de tres cuencas de la región pampeana, tomando en cuenta su capacidad de uso y sistema de producción más probable. Al cabo de 55 años de agricultura continua (entre 1996 y 2050), las
mejores tierras agrícolas perderían la mitad de su contenido actual de materia orgánica y nitrógeno, mientras que el espesor del perfil disminuiría menos del 10% de su valor actual. La rotación con pasturas en
los suelos clase IV y V conservaría la fertilidad natural, mientras que los suelos sólo aptos para ganadería tendrían aumentos modestos en sus tenores de carbono y nitrógeno. En general, el impacto dependería más del tipo de manejo que del cambio climático. Así, si el clima fuera más cálido o más o menos
lluvioso, con CO2 constante o en aumento, la dinámica de la degradación de los suelos agrícolas seguiría la misma trayectoria que en el escenario sin cambio.
Una hipotética eliminación de las labranzas en los cultivos de trigo y maíz atenuaría en 50% la pérdida proyectada de carbono orgánico superficial y nitrógeno total en los sistemas de producción con agricultura pura. La interrupción cada cuatro años del ciclo agrícola con tres años de ganadería produciría un
efecto similar al de la siembra directa.
Impacto del Cambio Global sobre la Producción Agrícola
Executive Summary
As a consequence of the enhancement of greenhouse effects (higher CO2 and other gas emissions to
the atmosphere) increments of earth’s surface temperature and changes in hydrological cycles are likely
to occur in the future. Most of the projections for the next century indicate increment of CO2 concentration,
higher temperatures and changes in precipitation (positives in some places and negatives in others).
These changes could affect the agricultural sector because of changes in crop and pasture production and
modifications of soil physical and chemical properties.
In this work was assessed the impact of different climatic scenarios on crops (wheat, maize, sunflower
and soybean) and pastures production in the Pampas Region, the possibility of expanding the cropping
area to zones actually limited by environmental conditions and the vulnerability of the soil.
Climate scenarios were obtained by means of: 1) Sensitivity analysis to increments in temperature
(+1, +2 and +3°C) and variations in precipitation values (plus 20% and minus 20%) considering two
CO2 concentrations (330 and 550ppm), 2) General Circulation Models (GISS, GFDL y UKMO)and 3)
Down-Scaling techniques (DS) after MPI’s predictions. Crop production was assessed with
mathematical models that can simulate the development and growth of vegetal species under variable
environmental conditions. Climatic data (daily values of maximum and minimum temperature, solar
radiation and rainfall) were obtained during 1971-1995 from both: 43 meteorological stations distributed
in the Pampas Region and 11 in the extrapampean zone (Chaco, S.del Estero, Corrientes, San Luis
and Río Negro).
Future climatic conditions were different depending on the model used. Increments projected varied
between 1.4 and 5.1°C for winter crop’s growing season and between 2.1 and 5.6°C for summer crops.
In both situations DS projected the lowest increments and UKMO the highest. Precipitations showed
important variations (intra-annual and between models). UKMO predictions would be more favourable
because rainfall increments during most of the years are likely to occur. On the opposite, GFDL predicted
rainfall reductions all over the year, except in September and October whose increments could benefit
winter crops. GISS behaviour was intermediate but with important reductions in September and
increments in February. Finally with DS little reductions all over the year could be expected, specially
during summer and autumn.
Annual Crops
Besides of discrepancies between climate scenarios, the impact on Argentina’s grain production was
assessed. Increasing CO2 concentration up to 550ppm without increase in temperature, potential
production would increase 34% for soybean, 18% for wheat, 13% for sunflower and 6% for maize due to
the higher efficiency to use resources like radiation and water under CO2 enrichment. However, if
temperature also increases the positive effect of CO2 would be reduced and consequently wheat, maize
and sunflower yields will reduce proportionally to temperature increase. Notwithstanding soybean crops
could increase grain yields even with 3°C increase. Comparing these results with actual potential yields
soybean production could increase between 13 % and 41% instead maize production could reduce up to
18%. Wheat and sunflower could increase up to 10% or reduce grain production in 16% (wheat) and 4%
(sunflower) depending on temperature increase.
Yield reductions could be the consequence of growing season shortening and lower resources
captured. In soybean however, cycle’s length would not be affected and increments in yields would be
Capítulo 1
associated with greater number of pods and hence of grains under climates with higher night
temperatures.
Under water or nutrients shortage, crop’s behaviour will be different. Under suboptimal environmental
conditions the physiological effect of CO2 will be enhanced leading to higher production even with a slight
temperature increase, but rainfall variations projected would play a key role in determining grain yield. Our
results indicate yield increments (reductions) under rainfed conditions when where projected increments
(reductions) of rainfall in September-October for wheat, in December-January for maize and sunflower,
and in January-February for soybean.
Impacts upon national grain production will be varied. Maize would suffer the worst condition reducing
its production 18% but wheat could slightly increase or decrease (between +3% and -3%). Soybean
production could increase after GISS, GFDL and DS projections (17-46%) or could decrease with UKMO
predictions (-8%) while sunflower’s would increase up to 20%.
However, is highly probably that in the next decades the actual positive trend in grain yields continues
to increase because of the high input technology used (fertilizers, pesticides) mainly with maize and wheat
crops and this could alleviate any negative effect of climate change. Nevertheless some adaptation
techniques could be used to increase national production over the next century.
In the short term, modifications of growing season by means of advanced sowing dates would allow to
minimize yield losses in wheat, maize and sunflower. For the medium and long term it would be desirable
to develop cultivars with a longer growth cycle modifying photoperiodical sensitivity in wheat and allowing
a longer juvenile phase in maize genotypes. Production levels could be also maintained using some
additional irrigation during critical periods in summer crops.
Expansion of the production zone outside the Pampas Region would be rather difficult. Temperature
increments would damage crops production except soybean in Rio Negro and San Luis and wheat that
could be produced in the southern part of the region if nutrients are assured.
Pastures
Annual average of mean minimum temperature explained 58% to 68% of annual dry matter variation
for 4 alfalfa cultivars without dormancy from the national trial network of INTA. In 37 sites of the Pampas
Region the magnitude of the impact varied with cultivar, site and climate scenario. With increments of 1°C
in mean minimum annual temperature dry matter production per year would increase between 4 and 8%,
except for cv. Monarca INTA SP. In the northern part of Entre Rios and Santa Fe annual production would
decrease 16-25% but from 36º latitude down to the south important increments could be expected (50100%). If the change scenario is coincident with down-scaling (with mean annual minimum temperature
increments between 1.4 and 2.2°C) regional impact would continue to be positive but with local effects
doubling the impact of the incremental scenario.
In a complementary study, annual production estimates were compared under two contrasting
scenarios: 1) without climate change and 330 ppm CO2 and 2) with climate change after down-scaling and
550 ppm CO2. Using EPIC model we simulated the behaviour of alfalfa in a 4 year rotation between 1996
and 2050. Two cultivars with dormancy 9 and seven sites were used. The impact of climate change upon
annual production would be positive (2-24%). The median value of the relative annual increment could
attain 24% in Balcarce and the lower increments would be expected in Cordoba and La Pampa (2-4%).
For the remainder sites of Buenos Aires province the projected relative increment would be intermediate.
Soils
The impacts of climate change upon soil quality of agricultural lands in three basins of the Pampas of
Argentina were evaluated using simulation models. Seven climate change scenarios were considered:
baseline; incremental with temperature increases of +1, +2 and +3°C ; rainfall changes of +/-20% and
down-scaling. For the last twenty five years, cropping pressure has already affected the sustainability of
the most fertile soils. In the next 55 years, land degradation may persist, with chemical properties more
Impacto del Cambio Global sobre la Producción Agrícola
likely to be affected than soil depth. A decrease of up to 58% is predicted in organic C and total N, which
may be more related to management than to climate change. Wetter, dryer or warmer climates may have
very little effect if any upon soil quality. CO2 increase may also have a negligible effect. Soil sustainability
may be more at risk in the best agricultural lands, while the rotation with grazing pastures may provide a
stable condition through time. In continuous grazing systems even a modest gain may be expected in the
C and N balance of the soil. Land use and tillage shifts are management options that may decrease or
even offset the negative impact and improve sustainability of agriculture in the region.
Capítulo 1
Cultivos Anuales
Introducción general
Varias teorías indican que la intensificación del efecto invernadero derivada de incrementos en la [CO2]
y otros gases en la atmósfera, conduciría a incrementos en la temperatura de superficie del planeta y a
cambios en los ciclos hidrológicos (IPCC, 1990). Desde que se inició la revolución industrial las concentraciones atmosféricas de CO2 y de óxido nitroso se incrementaron en un 26% y 8% respectivamente. El
incremento de CO2 se debió fundamentalmente al uso de combustibles fósiles y a la desforestación,
mientras que el incremento de NO2 se atribuye principalmente a la agricultura (aunque las causas no han
sido exactamente especificadas). Si las emisiones de gases continuaran al nivel de 1990, se estima que
el ritmo de aumento de la temperatura media mundial en el próximo siglo será de 0.3°C (rango de incertidumbre: 0.2°C a 0.5°C) por década, lo cual produciría incrementos de la temperatura media mundial de
2°C (por encima del valor registrado antes de la revolución industrial) en el año 2025 y de 4°C antes del
fin del próximo siglo (IPCC, 1990). De acuerdo a estas hipótesis, la mayor parte de los escenarios proyectados para el próximo siglo preveén incrementos en la [CO2], elevación de las temperaturas y cambios en los registros de precipitación (incrementos en algunos sitios y reducciones en otros). Eventos que
afectarían al sector agropecuario, mediante cambios en la producción de cultivos anuales y forrajeras, y
modificaciones de las características fisico-químicas de los suelos.
Características de la Región Pampeana
La región pampeana (18.7% del territorio continental nacional) es desde fines del siglo XIX el área de
secano más productiva del país por su combinación de suelos fértiles y clima templado, en un paisaje llano. En esta región el clima ha sido definido como “templado-húmedo sin estación seca y con veranos muy
calurosos (Koppen, 1931). Los límites climáticos se ubican entre las isotermas medias anuales de 17°C
en el norte y 14°C en el sur, y las isohietas anuales de 600 mm en el sudoeste y 1200 mm en el noreste. Las temperaturas medias anuales y estacionales decrecen en sentido norte-sur, mientras que la continentalidad del clima aumenta de este a oeste, provocando variaciones en los regimenes de temperatura. La amplitud media anual de la temperatura decrece de 15°C en el oeste a 12°C en el este, mientras
que la frecuencia e intensidad de heladas también aumenta hacia el oeste. El gradiente de las precipitaciones anuales tiene distinto sentido según las zonas, en el norte las precipitaciones decrecen en sentido este-oeste, mientras que en el sur lo hacen en sentido norte-sur. La distribución más común de las lluvias consiste en un máximo para el verano que decrece en primavera, otoño e invierno, registrándose en
toda el área precipitaciones continuadas a lo largo del año
La formación natural de los suelos, con texturas progresivamente más finas en el sentido sudoestenoreste, combinado con el gradiente de precipitación que incrementa en la misma dirección produjo una
secuencia geográfica en la distribución de los suelos. En el límite oeste se encuentran los Haplustoles
Enticos, apareciendo progresivamente a medida que nos desplazamos hacia el este los Hapludoles Enticos, Hapludoles Típicos, Argiudoles Típicos, y Argiudoles Vérticos. Los dos primeros grandes grupos
que ocupan la mayor parte del oeste de la región, son suelos con texturas arenosas y francas. Los otros
dos grupos, que predominan en la zona centro-norte, son suelos profundos con un horizonte arcilloso que
ciertas veces presenta problemas para la permeabilidad del agua y la penetración de raíces. En la mesopotamia hay una extensa zona con Vertisoles de limitada capacidad para el desarrollo de cultivos anuales. En la porción sur de la región los suelos se formaron sobre una capa petrocálcica (tosca), estos Ar-
Impacto del Cambio Global sobre la Producción Agrícola
giudoles tienen textura más gruesa que los del centro-norte, mayor capa orgánica superficial y menor desarrollo del horizonte argílico. El contenido de materia orgánica, indicador de la fertilidad potencial de los
suelos, pasa del 4% en el noreste al 1.5% en el noroeste. En el este de la región, existe también un gradiente sur (7%) - norte (4%) asociado con el incremento de temperatura en el mismo sentido.
La producción nacional de granos, conformada principalmente por el aporte de la región pampeana,
mantuvo valores relativamente constantes entre 1920 y 1950 (figura 1). A partir de allí, se registró una
tendencia creciente favorecida por el incremento de las superficies sembradas y los rendimientos. El aumento relativo de los precios del sector agrícola respecto del ganadero (Basualdo, 1995) y el incremento de las precipitaciones en toda la región (Hoffman, 1989) contribuyeron a la expansión del área sembrada y al desplazamiento de las fronteras agrícolas hacia el oeste. Esta intensificación agrícola, incrementó la vulnerabilidad de la zona al acelerar la degradación de suelos con elevada aptitud productiva,
e incorporar al sistema áreas más marginales con suelos poco estructurados.
Si bien las variaciones interanuales de la producción (figura 1), provocadas principalmente por las variaciones climáticas, existieron durante todo el siglo, fueron de mayor magnitud en la última década. La
producción nacional de los cuatro cultivos principales (trigo, maíz, girasol y soja) fue en promedio de 30
millones de toneladas (Mt) durante 1980-1990, con fluctuaciones entre 23 Mt y 35 Mt; diferencias que demuestran el mayor impacto de la variabilidad climática en sistemas más frágiles o vulnerables.
A partir de 1991, al proceso de intensificación se sumó un notable incremento en el uso de insumos,
el consumo de fertilizantes paso de 350Mt en 1991 a 1500Mt en 1996, en el mismo lapso el monto de capital invertido en agroquímicos pasó de 300 a 700M$, y la cantidad de equipos de riego de 0 a 800. Estos sucesos, que mejoran las expectativas de rentabilidad del sector y el volúmen de saldos exportables,
amplificarían aún más el impacto de las oscilaciones climáticas sobre la producción, magnificando el efecto de eventos extremos (p.e. excesos hídricos, heladas fuera de época) asi como de modificaciones permanentes del clima.
El objetivo general de este informe es evaluar los posibles impactos del cambio climático proyectado
sobre la producción de cultivos anuales y especies forrajeras y sobre las propiedades fisico-químicas de
los suelos. El trabajo consta de cinco objetivos específicos:
120
80
60
40
20
0
1923
1924
1925
1926
1927
1928
1929
1930
1931
1932
1933
1934
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
Indice de volumen físico
100
Figura 1 : Evolución de la producción agrícola. Indice de volumen físico
(Base 1981/82-1986/87 = 100) de las campañas agrícolas del período
1923/24-1993/94.
Capítulo 1
1. Cuantificar el impacto en el registro de las variables ambientales (temperatura, precipitación, y concentración de CO2) sobre la producción de cereales, oleaginosas y forrajes en la región pampeana.
2. Identificar áreas extrapampeana donde la producción de cultivos y/o pasturas se volviera factible debido a las modificaciones en el ambiente físico.
3. Identificar las técnicas de manejo que permitan adaptar las producciones a la nueva situación climática.
4. Evaluar los cambios históricos y predecir la dinámica futura en las propiedades de los suelos y el uso
de la tierra en función del cambio global y los niveles tecnológicos identificados en el objetivo tres.
5. Desarrollar, a partir de los modelos de Circulación General (GCM), técnicas para obtener información
a nivel regional.
La presentación general consiste en cuatro capítulos: 1) cultivos anuales, 2) suelos, 3) especies forrajeras y 4) predicciones climáticas a escala regional (objetivo cinco) que integran el cuerpo del informe y
hacen referencia a los objetivos que analizan.
Cultivos anuales
Introducción
El impacto del cambio climático sobre la producción de cultivos anuales y forrajeras será el resultado del balance entre efectos positivos y negativos sobre el crecimiento y desarrollo de las especies. El
incremento de la temperatura provocaría efectos opuestos según el clima, en zonas templadas y cálidas los rendimientos disminuirían por reducción de la estación de crecimiento y la capacidad de captar recursos; por el contrario en zonas frías los rendimientos se incrementarían por el efecto contrario
(Ludlow and Muchow, 1993). Por otro lado, una atmósfera con mayor concentración de CO2 incrementaría los rendimientos pues mejora la eficiencia en el uso de los recursos, aumentando la tasa de fotosíntesis neta (mayor eficiencia en el uso de la radiación) y reduciendo la conductancia estomática (incrementa la eficiencia en el uso del agua) (Acock and Allen, 1985; Gifford and Morison, 1993). Finalmente, el incremento de las precipitaciones beneficiaría a zonas con climas secos y agravaría los problemas en regiones con excesos hídricos, mientras que reducciones en las precipitaciones provocarían efectos opuestos.
Para comprender el impacto que la variabilidad climática puede tener sobre las principales producciones, será preciso conocer las limitantes actuales y su modo de acción. Cada cultivo tiene un período crítico diferente, que es crucial para la determinación del rendimiento: prefloración en trigo, pre y post floración en maíz, floración y llenado de granos en girasol y llenado de granos en soja. Estos períodos, de
máximos requerimientos ambientales, comprenden la formación de las estructuras con mayor aporte al
rendimiento final. Cuando un estres ambiental (hídrico, térmico, radiativo o nutricional) coincide con esta
etapa, se provocan reducciones irreversibles en la producción.
Trigo:
El ciclo de crecimiento de este cultivo se ubica entre mayo y diciembre, acotado por la fecha de ocurrencia de las últimas heladas y por las temperaturas supraóptimas durante la etapa de llenado de granos. La estación de crecimiento difiriere sensiblemente entre regiones debido a la variabilidad de la temperatura y las precipitaciones que condicionan el calendario agrícola. En el norte normalmente se utilizan
cultivares de ciclo intermedio a corto que se siembran entre fines de mayo y principio de junio y se cosechan a mediados-fines de noviembre; en la zona central se siembran materiales similares entre principios
de junio y mediados de julio que se cosechan hacia principios de diciembre; en el sur están difundidos
materiales de ciclo largo con doble propósito (pastoreo y cosecha) que se siembran en mayo y materia-
Impacto del Cambio Global sobre la Producción Agrícola
les de ciclo intermedio y corto sembrados entre julio y agosto, en los tres casos la cosecha se realiza a
fines de diciembre. La diferencia de la longitud del ciclo entre materiales obedece a sensibilidades diferenciales al fotoperíodo, a excepción de los trigos de ciclo largo que pueden tener además cierta sensibilidad a la vernalización.
La ocurrencia de sequías estacionales es uno de los factores que limita la producción de este cultivo, siendo más probables durante el principio del ciclo (antes de antesis) en la mayor parte de la región,
y durante el período de llenado de granos en el sur. En el primer caso las bajas precipitaciones del invierno pueden provocar situaciones de sequía cuando son inferiores a lo normal y/o cuando el perfil del
suelo se encuentra agotado al momento de siembra. Análisis de disponibilidad de agua para esta cultivo, sugieren que el 42% de la variabilidad del rendimiento en el área puede atribuirse a la disponibilidad
de agua durante los meses de septiembre y octubre (Hall, 1992). La fecha de ocurrencia de las primeras lluvias a la salida del invierno-principio de la primavera resultan fundamentales en la determinación
del rendimiento. Cuando la interrupción de la sequía se produce antes de la aparición de la hoja bandera en el tallo principal (generalmente entre el 10 y 20 de septiembre en la zona centro) el riesgo de reducción de rendimiento por deficiencia hídrica es mínimo. De lo contrario, si se prolonga la deficiencia,
los tallos de primera generación reducen su capacidad de producir granos y aparece una nueva generación de tallos que no aporta al rendimiento final y compite por recursos con las fuentes principales,
disminuyendo el rendimiento final (Magrin, 1990). En el extremo sur de la región, las probabilidades de
deficiencia hídrica son mayores hacia fines del ciclo, lo que sumado a la ocurrencia de elevadas temperaturas y vientos provocan reducciones del peso potencial de granos y consecuentemente del rendimiento final (Travasso, 1990).
La temperatura y la radiación son otras variables determinantes del rendimiento, la temperatura es
el factor gobernante del desarrollo, mientras que la radiación gobierna al crecimiento. En trigo la relación entre temperatura y rendimiento suele ser inversa, a excepción de climas muy fríos, al incrementar la temperatura se acelera la tasa de desarrollo, el cultivo avanza más rápidamente hacia la madurez, tiene menor posibilidad de acumular fotosintatos y el rendimiento se reduce. Por el contrario la relación entre radiación y rendimiento es directa, a mayor radiación mayor acumulación de materia seca
y consecuentemente mayor rendimiento en grano. Varios trabajos (Fischer, 1985; Magrin et al, 1993)
han demostrado que el cociente entre la radiación y la temperatura, llamado cociente fototérmico, en
el período anterior a la antesis está directamente relacionado con la cantidad de granos por unidad de
superficie que produce el cultivo y por ende con el rendimiento. Los valores medios del cociente fototérmico en preantesis para la fecha óptima de siembra decrecen paulatinamente de sur a norte, indicando valores probables de rendimiento de 6000 kg/ha en el sur, 4600 kg/ha en el centro y 4000 kg/ha en el norte. Si se consideraran los efectos puros de cada factor, por cada grado centígrado de incremento en la temperatura durante el período crítico podrían esperarse reducciones de 400 kg/ha en
el rendimiento, mientras que incrementos de un MJ/m2/día en la radiación se corresponderían con aumentos de 200 kg/ha.
Otro factor determinante de los rendimientos son las temperaturas extremas, tanto las heladas tardías
como las temperaturas elevadas en el período de llenado de granos comprometen seriamente la producción. El sur, a pesar de su gran potencialidad y de la adaptación del calendario agrícola, se torna en una
de las áreas más vulnerables. La probabilidad de ocurrencia de heladas tardías es mayor en el sur que
en el norte de la región.
Finalmente, las enfermedades fungicas constituyen otra de las variables limitantes de la producción.
Fusarium graminearum es una de la enfermedades más perjudiciales que ataca al grano reduciendo su
peso y calidad. Con las condiciones actuales de clima la frecuencia de ocurrencia de ataque severos es
de 2 años cada 10 en el centro y norte de la región, y 1 año cada 10 en la zona sur. Su presencia se relaciona estrechamente con las condiciones hídricas (precipitación y humedad relativa) y térmicas (ocurrencia de temperaturas sub y supraóptimas) durante el período previo y posterior a la floración (Moschini y Fortugno, 1996). Las enfermedades foliares (royas, manchas, etc), son también importantes pues reducen la superficies fotosintéticamente activas, con la consecuente disminución en la acumulación de
biomasa. Su presencia se relaciona factores térmicos y en menor grado duración del rocío (Moschini y
Fortugno, 1989).
Este cultivo es de gran importancia en la región, ocupa aproximadamente 5 millones de hectáreas
(Mha) con una producción media de 10 millones de toneladas (Mt), de las cuales el 50% constituye el saldo exportable.
Capítulo 1
Maíz:
Las variables que condicionan el calendario agrícola del cultivo de maíz son la temperatura del suelo
que debe superar los 12°C al momento de siembra, las heladas tardías y las sequías, especialmente durante el período de floración. En el núcleo de la región productora (norte de Buenos Aires, sur de Santa
Fe, centro y sur de Córdoba) los genotipos más difundidos corresponden a los de ciclo completo (ciclo
largo) siendo los híbridos simple los de mayor uso. En las zonas más marginales de la región, aún se siguen usando híbridos triples y dobles que alcanzan menores rendimientos pero presentan mejor comportamiento a situaciones de estrés. En el sudeste, los materiales semiprecoces son los más difundidos. La
diferencia en la longitud del ciclo entre estos tipos de híbridos radica fundamentalmente en la duración
de la etapa de llenado de granos, siendo los semiprecoces de secado más rápido. En líneas generales
las siembras se ubican en septiembre en el centro y norte y a fines de octubre-noviembre en el sur; ocurriendo las cosechas en marzo y marzo-abril respectivamente.
La disponibilidad de agua durante los meses de diciembre-enero, alrededor de la fecha de floración
del cultivo, esta fuertemente relacionada con los rendimientos y con la respuesta al agregado de fertilizante (Oyarzábal et al, 1980). El estrés de agua afecta la sincronía entre la producción de polen y estigmas, así como la fijación de los granos en las espigas polinizadas (Hall et al, 1982; Sadras et al, 1985).
Este efecto de íestrés de aguaî que en general es provocado por la falta de precipitaciones, puede también ocurrir por las características de los suelos en la región. La presencia de un horizonte B con elevado predominio de arcilla, afectaría bajo ciertas circunstancias las tasas de infiltración y penetración de raíces, impidiendo el consumo del agua almacenada en capas inferiores del perfil. Se conocen algunas estrategias, como adelantar las siembras o utilizar híbridos más precoces, para escaparse de la sequía, es
decir lograr que el período crítico del cultivo no coincida con la época de deficiencia hídrica. Aún con estas estrategias es probable que en la zona núcleo de producción en 2 o 3 años de cada 10 los rendimientos se afecten seriamente por la falta de agua.
Al igual que en trigo, la cantidad de granos fijados por un cultivo de maíz está positivamente asociado
con la radiación incidente e inversamente asociada con la temperatura alrededor de floración. Tres variables climáticas determinan el potencial de producción 1) elevada radiación que posibilita alcanzar elevada tasa de crecimiento diario, 2) temperatura diurna óptima para el proceso de fotosíntesis y 3) temperatura nocturna baja que retarda el desarrollo y aumenta la cantidad de días fotosintetizantes. En tal sentido, el clima del sur de la región presenta claras ventajas en su capacidad de producir granos. La suma
térmica diaria es de 9°C en Balcarce contra 11.3°C en Pergamino, y la radiación total por unidad de tiempo térmico (cociente fototérmico) es de 57.5 cal/cm2°C y 66.7 cal/cm2°C en Pergamino y Balcarce respectivamente. Como consecuencia el rendimiento, con los híbridos del año 1990 resultó de 11.500 kg/ha
en Pergamino y 13.800 kg/ha en Balcarce (Andrade et al, 1991). Los maíces del sur, al tener menores
registros de temperatura, presentan mayores destinos reproductivos y mayor potencial de rendimiento,
aunque éste último podría verse limitado por la capacidad del cultivo de proveer asimilados a los mismos
(Uhart, 1990). Mientras que en zonas de menor latitud, el rendimiento está más limitado por la capacidad
de los destinos reproductivos por lo que el exceso de asimilados durante el llenado de granos es almacenado en partes vegetativas reduciéndose el índice de cosecha (relación entre rendimiento en grano y
materia seca total producida).
Por último las enfermedades constituyen otra limitante, el “mal de Río Cuarto”, localizado tradicionalmente en zonas restringidas, se difundió últimamente por gran parte de la región. Actualmente se están
llevando a cabo varios trabajos en este sentido, resultados preliminares indicarían a las siembras tempranas como una estrategia de escape a la enfermedad. Las royas de las hojas, resultan problemáticas
en años con elevada humedad y baja radiación.
Este cultivo, si bien en la última década compite el superficie sembrada con la soja, sigue siendo de gran
importancia en la región. Ocupa una superficie media de 2.5 Mha, con una producción cercana a las 10Mt.
Soja:
En la principal zona de producción de este cultivo se encuentran ampliamente difundidas las siembras
de primera (es decir como único cultivo en el año), y las siembras de segunda (siguiendo a cultivos de
Impacto del Cambio Global sobre la Producción Agrícola
invierno). El período de crecimiento se estrecha en sentido norte-sur, factor que permite modificar la fecha de siembra entre septiembre y diciembre en el norte y la restringe al mes de noviembre en el sur.
Los materiales difundidos pertenecen a grupos de madurez que van desde III en el sur hasta VIII-IX
en el norte de la zona productora. La distribución espacial no obedece estrictamente a un patrón latitudinal como en otras regiones, sino que flexibiliza las posibilidades. Mientras que en el sur sólo pueden sembrarse materiales III y IV, en el norte es posible utilizar desde grupos IV hasta VIII-IX. Recientemente, en
zonas donde tradicionalmente se sembraban grupos V y VI, se produjo un notable incremento en la difusión de cultivares de grupoIV debido su elevado potencial de rendimiento y a los menores riesgos de cosecha asociados a la menor longitud de ciclo de estos materiales.
El período más crítico para la soja es el de llenado de granos, cualquier estrés que ocurra en esa etapa (térmico, hídrico, radiativo) influirá sobre los rendimientos finales. Al ser la soja una especie de floración prolongada, cualquier sequía puntual durante esta fase puede ser compensada por los órganos florales generados previa o posteriormente. Al igual que con el agua, el estrés radiativo ó térmico en el período de floración, puede ser compensado mediante la generación de otros componentes del rendimiento que amortig¸en la reducción en el número de vainas. Otra limitación importante es la ocurrencia de bajas temperaturas durante el llenado de granos que provoca disminuciones importantes del rendimiento.
En este cultivo, la formación de vainas es altamente dependiente de la temperatura: disminuye con temperaturas nocturnas inferiores a 22°C y se interrumpe por debajo de 14°C (Hesketh et al, 1973; Thomas
y Raper, 1978).
El control de plagas y enfermedades es un factor clave para este cultivo. De las enfermedades fúngicas íSclerotinia sclerotiorunî es la de mayor impacto sobre la producción, su aparición en ambientes de
elevada humedad (del aire y suelo) provoca la podredumbre del tallo.
La soja, incrementó notablemente su área sembrada en los últimos años llegando a los 5 Mha con una
producción media nacional cercana a los 10 Mt. En su ciclo compite especialmente con maíz en las siembras de primera. En la zona núcleo, norte de Buenos Aires, sur de Santa Fe y sureste de Córdoba, la superficie sembrada con cultivos de segunda (siguiendo a trigo) son cada vez más frecuentes.
Girasol:
Esta es una especie, que a pesar de ser C3 como la soja, posee una eficiencia fotosintética elevada
similar a las plantas C4 (como el maíz), aunque con potencial de rendimiento que no difiere de la soja ni
del trigo debido al costo energético de producir aceite, que se acrecienta a partir de floración.
Su calendario agrícola esta limitado por la temperatura del suelo que debe alcanzar los 15°C en la
siembra para que el proceso de germinación sea generalizado y rápido, y por las heladas tardías o fuera de época.
Los cultivares más difundidos en el norte de la región son de ciclos intermedios a largos, mientras que
en el sur preponderan los ciclos cortos; aunque la diferencia en la longitud del ciclo de los materiales es
mínima. Las fechas de siembra se ubican entre principios de septiembre en el norte hasta principios de
noviembre en el sur. Una alternativa difundida recientemente es la siembra de cultivos de segunda (diciembre) utilizando materiales de ciclo corto. Esta opción, ampliamente difundida en otros países como
Uruguay, competiría con el cultivo de soja en zonas más marginales por poseer disponibilidades hídricas
restringidas.
Al igual que el resto de los cultivos, su rendimiento potencial se ve condicionado por los registros de
radiación y temperatura. Comparativamente, requiere valores elevados de radiación al igual que trigo, y
registros de temperatura intermedios entre trigo y maíz para alcanzar los mejores rendimientos.
La etapa de floración y llenado de granos es la más crítica en este cultivo, por lo que cualquier estrés
en este período condicionará el rendimiento final. A diferencia de otras especies, la tasa de llenado de
granos es muy dependiente de la oferta de recursos del ambiente dada su baja capacidad de removilización, hecho que lo torna dependiente de los fotoasimilados producidos en esa fase.
También las necesidades hídricas son mayores en floración y principio de llenado de granos. Sin embargo, el girasol es más tolerante a las condiciones de sequía que el maíz y la soja. Ante deficiencias de
agua esta especie tiene mayor capacidad extractiva y puede regular el consumo disminuyendo el área
foliar y priorizando la partición hacia los órganos reproductivos.
Capítulo 1
En relación a las enfermedades, la podredumbre del capítulo provocada por el hongo Sclerotinia sclerotiorum es la que afecta en mayor medida la seguridad del cultivo. La verticilosis y el cancro del tallo son
igualmente perjudiciales pero con menor difusión.
Al igual que los otros cultivos mencionados, es de gran difusión en la región pampeana. El área sembrada con representa aproximadamente el 16% del área sembrada total y se encuentra estabilizada en
la última década. La producción nacional media oscila en 3.2 Mt con un rendimiento promedio de 1600
kg/ha.
Objetivos
Los objetivos de este capítulo son:
1- Cuantificar el impacto de la variación en el registro de variables ambientales (temperatura, precipitación y concentración de CO2) sobre la producción de cereales y oleaginosas en la región pampeana.
2- Identificar las técnicas de manejo que permitan adaptar las producciones a la nueva situación climática.
3- Identificar áreas extrapampeanas donde la producción de cultivos se volviera factible debido a modificaciones en el ambiente físico.
Materiales y métodos
Modelos de Cultivos
Los modelos de cultivos generados por IBSNAT (Tsuji et al, 1994), trabajan a paso diario , simulando
el desarrollo, crecimiento y rendimiento de los cultivos teniendo en cuenta las disponibilidades hídricas y
nutricionales. Estos modelos son específicos para cada especie y poseen mecanismos que les permiten
diferenciar el comportamiento de cada genotipo. Poseen cuatro subrutinas principales: desarrollo, crecimiento, balance de agua y balance de nitrógeno.
Para el desarrollo se considera una respuesta lineal a la temperatura entre umbrales específicos para
cada cultivo, teniéndose en cuenta los efectos del fotoperíodo y de la vernalización en los casos que corresponde. El ciclo total del cultivo se divide en varias fases cada una de las cuales tiene distintos requerimientos de recursos según el proceso fisiológico que se esté llevando a cabo. La duración de cada fase estará definida por una suma térmica afectada según el grado de cumplimiento de los requerimientos
fotoperiódicos y de vernalización. La diferencia entre materiales genéticos está contemplada a través de
coeficientes que cuantifican la sensibilidad del genotipo.
En la subrutina de crecimiento los modelos simulan una producción potencial de biomasa dependiente de la cantidad de radiación incidente y de la capacidad del cultivo para interceptarla. Esta producción
potencial es luego afectada por coeficientes de estrés (térmicos, hídricos y nutricionales) que reducen
su valor de acuerdo a la oferta del ambiente. La partición de los fotoasimilados entre diferentes órganos
en crecimiento dependerá de la fase que se esté llevando a cabo. Finalmente la materia seca destinada a los órganos cosechables (granos), será función de coeficientes de crecimiento específicos de cada cultivar.
El balance de agua está basado en los aportes: agua almacenada en el suelo, lluvias y riego, y en las
salidas: drenaje, escurrimiento, evaporación y transpiración. Trabaja por capas de suelo siguiendo el concepto de “cascada” (cuando una capa de suelo se satura, el agua pasa a la capa inmediata inferior). Mediante este procedimiento se calcula cada día la disponibilidad de agua para el cultivo, cuando es defi-
Impacto del Cambio Global sobre la Producción Agrícola
ciente el proceso de crecimiento se altera através de coeficientes de estrés que reducen la expansión foliar y/o la fotosíntesis.
La subrutina de nitrógeno considera los procesos de mineralización de la materia orgánica, nitrificación, desnitrificación, lixiviación y simbiosis en las leguminosas. Al igual que el balance de agua, se generan coeficientes de estrés que afectan los procesos de crecimiento. El movimiento del nitrógeno en el
sistema suelo-planta depende del movimiento del agua por lo que esta subrutina trabaja acoplada a la
del balance de agua.
Estos modelos requieren para su funcionamiento variables de entrada relativamente sencillas y fáciles de obtener. Las mismas pueden resumirse en cuatro grupos: 1) Clima: temperatura máxima y mínima, radiación global y precipitación, 2) Suelo: información general del perfil (escurrimiento, drenaje,
albedo, capacidad de mineralización, factor de evaporación potencial) e información por horizonte
(constantes de retención hídrica, densidad aparente, carbono orgánico, pH, distribución de raíces), 3)
Manejo: cantidad, calidad y fecha de incorporación de residuos, fecha y densidad de siembra, profundidad de incorporación de la semilla, distancia entre líneas, condiciones iniciales de agua y nitrógeno,
fertilización y riego (fecha, monto y tipo) y 4) Coeficientes de cultivo, que a pesar de diferir entre especies, todos consideran las diferencias entre genotipos en la longitud del ciclo y la partición de materia
seca al grano.
El sistema de apoyo a la toma de decisiones (DSSAT v3.0) integra los modelos de cultivo y permite optimizar las alternativas de manejo (fechas de siembra, dosis de fertilización y/o riego, cultivares,
etc.) para un determinado ambiente. Si las comparaciones se realizan para diferentes tipos de años
climáticos, se puede aislar y cuantificar la variabilidad asociada a la performance del cultivo, que resulta de las interacciones entre el clima y los otros factores ambientales. Asimismo, este sistema permite el mismo tipo de análisis para las variables económicas, en términos de ingreso neto ó margen
bruto.
Los modelos del IBSNAT han sido calibrados y validados en un amplio rango de ambientes a nivel
mundial (Otter et al, 1986; Villalobos et al, 1992). Para las condiciones argentinas presentan errores de
estimación del rendimiento del 8% en trigo (Magrin, 1994), 12 y 13% en maíz y soja (Guevara y Meira,
1995; Meira y Guevara, 1995) y 22% en girasol (Chimenti y Magrin, inédito). Estos errores, considerados
relativamente bajos (Porter et al, 1993), permiten su utilización de manera confiable para diversas aplicaciones en el sector agrícola, como por ejemplo: estimar los rendimientos a escala nacional (Magrin 1994),
evaluar respuesta a la aplicación de tecnologías (Magrin y Travasso, 1994), estimar la potencialidad de
producción de la región (Magrin y Travasso, 1997), evaluar el impacto de cambios a largo plazo en el clima (Baethgen y Magrin, 1995; Magrin et al, 1997).
Para evaluar los eventuales impactos del cambio climático, los modelos permiten realizar modificaciones ambientales para analizar la sensibilidad de los cultivos ante el cambio de distintas variables (temperatura, precipitación, radiación, CO2). Los cambios pueden ser aditivos, sustractivos o multiplicativos.
Se pueden esperar por un lado efectos fisiológicos del cambio climático global, relacionados con el incremento de CO2, y por el otro efectos físicos relacionados con las variaciones de la temperatura, la precipitación y la radiación global.
Efectos fisiológicos:
El incremento de la concentración de CO2 conduce a cambios en la producción de materia seca debido fundamentalmente a un aumento de la eficiencia fotosintética que es variable según la especie de que
se trate. En la figura 2 se presenta la respuesta de soja, trigo, maíz y girasol ante el incremento de CO2
utilizada en los modelos incluidos en DSSAT3. Como se observa el mayor incremento de la eficiencia fotosintética se produce en el cultivo de soja, le sigue el trigo y finalmente el maíz y girasol, alcanzando con
550ppm de CO2 valores que superan a los de la concentración actual de 330 ppm en 21, 17 y 6% respectivamente.
Capítulo 1
120
1,4
100
1,2
1
0,8
0,6
Mz-Gi
Tr
So
0,4
0,2
Resistencia estomática
Eficiencia Fotosíntesis
1,6
80
C4
60
C3
40
20
0
0 220 330 440 550 660 770 880 990 1000
[CO2]
0
300
330
400
500
[CO2]
550
600
Figura 2: Función de variación de la eficiencia de la fotosíntesis (izquierda) y de la resistencia estomática
(derecha) en función de la concentración de CO2 , considerada por los modelos IBSNAT.
Por otra parte, la mayor concentración de CO2 incrementa la resistencia estomática, con consecuencias sobre la evapotranspiración de los cultivos que favorecen una mayor eficiencia de uso del agua. La
respuesta es variable según las especies como se observa en la figura 2, la resistencia estomática incrementa más en las especies C4 (47% ), que en el grupo de las C3 (37%).
Efectos físicos del cambio global
Los cambios en las variables físicas (temperatura, precipitación, radiación) producen efectos variados
sobre la producción de los cultivos. En un contexto de cambio climático será sin duda la temperatura la
que mayor influencia tendrá sobre el desarrollo y crecimiento de las plantas con sus consecuencias sobre el rendimiento final y sus componentes.
Efectos del incremento de temperatura: En todos los modelos de cultivos utilizados la temperatura
afecta los siguientes procesos: desarrollo vegetativo, desarrollo reproductivo, fotosíntesis/acumulación de
biomasa, crecimiento y expansión foliar, crecimiento radical y evapotranspiración. En el modelo GRO (correspondiente al cultivo de soja) se considera también el efecto de la temperatura sobre la respiración y
sobre el crecimiento y número de vainas y semillas y en los modelos CERES (trigo, maíz) sobre la adición y el crecimiento de granos en las espigas.
El modo en que el funcionamiento de las plantas responde a los incrementos de temperatura se describe generalmente mediante funciones que tienen en cuenta valores umbrales para un determinado proceso (mínimo, óptimo, máximo). Con valores por debajo o por encima de los mínimos y máximos, el proceso se interrumpe. Cuando se encuentran entre el mínimo y el óptimo el proceso incrementa, mientras
que entre el óptimo y el valor máximo disminuye.
En la figura 3 se ejemplifica el efecto de la temperatura sobre el desarrollo de los cultivos de maíz y
soja. Para el caso del maíz la temperatura mínima (base) es de 8°C, la óptima ocurre a los 34°C y la máxima a los 44°C. En la soja se consideran dos funciones diferentes para el desarrollo vegetativo y el reproductivo; en el primer caso, los umbrales son 7°C para el mínimo, entre 30 y 35°C para el óptimo y
45°C para el máximo, mientras que para el desarrollo reproductivo la curva de respuesta es curvilínea
con umbrales inferiores (6.4°C, 21.1-26.8°C y 41°C). En girasol los valores de temperatura base, óptima
y máxima considerados son 4, 28 y 40°C, mientras que en trigo los umbrales correspondientes son 0, 26
y 34°C.
1
1
0,8
0,8
Desarrollo Relativo
Desarrollo Relativo
Impacto del Cambio Global sobre la Producción Agrícola
0,6
0,4
0,2
0,6
0,4
0,2
0
0
0
10
20
30
Temperatura, °C
40
50
0
10
20
30
Temperatura, °C
40
50
Figura 3: Efecto de la temperatura sobre el desarrollo de los cultivos de maíz (izquierda), y soja (derecha),
durante el período vegetativo (línea cortada) y reproductivo (línea llena).
Los efectos de la temperatura sobre la acumulación de materia seca se modelan también con el mismo enfoque, en la tabla 1 se presentan las temperaturas base, óptima y máxima para los 4 cultivos considerados.
Trigo
Maíz
Soja
Girasol
Mínimo
Optimo
Máximo
0
8-13
5
4
17-23
25-30
23-35
28
30-35
32-37
45
40
Tabla 1: Umbrales de temperatura para el crecimiento de los cultivos de trigo, maíz, soja y girasol.
Cambios en la radiación global: Las variaciones de la radiación global influyen directamente sobre la producción de materia seca de los cultivos. La fotosíntesis y la acumulación de biomasa dependen de la radiación incidente por lo que incrementos o disminuciones conducirán a mayores o menores cantidades
de materia seca producida. Del mismo modo, la radiación afecta la evapotranspiración potencial y en los
modelos GRO afecta además el desarrollo del área foliar y la partición de materia seca. La respuesta de
la fotosíntesis al incremento de radiación varía también según las especies, siendo mayor la respuesta
en los cultivos C4 (maíz) que en los C3 (trigo, soja, girasol).
Cambios en las precipitaciones: Las variaciones de las precipitaciones son tenidas en cuenta por los modelos a través del balance de agua en el suelo y la evapotranspiración. A partir de esta subrutina se obtienen coeficientes de estrés hídrico que afectan los procesos de fotosíntesis y expansión celular. No sólo la disminución de las precipitaciones puede perjudicar el crecimiento y rendimiento de los cultivos, su
exceso puede conducir a pérdidas importantes de nitrógeno, ya sea por lixiviación o por desnitrificación
procesos que son estimados por el balance de nitrógeno.
Base de datos climáticos
Los datos climáticos utilizados corresponden a series de 24 años (1971-1995) provenientes de 43 estaciones meteorológicas distribuidas en la Región Pampeana (mapa 1) e incluyen valores diarios de temperatura máxima y mínima, precipitación y heliofanía relativa. Este último parámetro fue utilizado para es-
Capítulo 1
timar los valores de radiación global según la ecuación clásica de Amstrong (0.18 + 0.55 n/N). Esta información sirvió de base para generar los escenarios futuros.
Generación de escenarios:
Se generaron escenarios futuros en base a: 1) variaciones de la temperatura, la precipitación y el CO2,
2) modelos de circulación general de la atmósfera (MCG) y 3) Downscaling (DS).
1) - Estudios de análisis de sensibilidad combinando cambios en temperatura (incremento de 1, 2 y 3°C
sobre el valor base), y cambios en precipitación (+20% y -20% sobre el valor base), en cada caso con y
sin incremento de CO2.
2) - Modelos de circulación general de la atmósfera: En cada sitio se utilizaron tres GCM con corridas incrementando el valor de CO2 para estimar los cambios en las variables climáticas (temperatura, precipitación y radiación solar) (Richardson and Wright, 1984). Los modelos utilizados fueron: GISS (Hansen et
al 1983, 1989), Geophysical Fluid Dynamics Laboratory (GFDL, Manabe and Wetherald, 1987), y UKMO
(Wilson and Mitchell, 1987). Según la ubicación de los sitios surgieron diferentes coeficientes de cambio
para las variables climáticas de acuerdo a cada modelo. En la tabla 2 figuran las grillas utilizadas para
cada modelo, dentro de las cuales el coeficiente es el mismo.
Mapa 1: Izquierda, grupos de suelos (escala 1:3.500.000 ). Derecha, ubicación de las estaciones
meteorológicas (record histórico mayor o igual a 20 años) a utilizar en el estudio.
Impacto del Cambio Global sobre la Producción Agrícola
Modelo
Latitud
Longitud
GISS
26.20-31.30
55.40-64.30
31.30-39.13
57.00-64.30
31.18-34.92
30.27-34.82
35.45-39.38
36.17-37.93
60.50-66.35
57.65-59.68
64.27-60.13
57.58-59.83
26.87-30.27
31.32-34.67
31.18-34.97
36.50-39.02
35.70-39.38
55.97-63.68
63.77-68.78
57.90-63.36
63.82-67.67
57.58-63.75
UKMO
GFDL
Tabla 2 . Coordenadas de las grillas utilizadas para la Región Pampeana.
3) - Down Scaling (DS), cuyos coeficientes de cambio fueron obtenidos a partir del modelo de circulación
global Max Plant, regionalizando la información en base a las estadísticas de las distintas estaciones de
la Región Pampeana (ver capítulo 4). En este caso también se incrementó la concentración de CO2.
Base de datos de suelos:
Con información proveniente de las cartas de suelos del INTA se construyó la base de datos necesaria para correr los modelos de cultivos. Se cuenta con las características de 41 perfiles representativos
de la Región Pampeana, que pertenecen a los grandes grupos de los Argiudoles, Hapludoles, Haplustoles, Calciustoles, Peluderts, Natracuoles, Torripsaments y Cromuderts (mapa 1). Para cada perfil se incorporaron las características generales del suelo (drenaje, escurrimiento, evaporación, albedo, capacidad de mineralización) y para cada capa del perfil las variables relacionadas con el balance de agua: espesor de la capa, contenidos de agua en el límite superior (capacidad de campo) y en el inferior (punto
de marchitez) de agua extraíble, contenido inicial de agua, contenido de agua en el punto de saturación
y distribución relativa de raíces. También fueron incluidas para cada capa del perfil las variables relacionadas con el balance de nitrógeno: pH, densidad aparente, contenido de carbono orgánico y concentración inicial de nitratos y amonios.
Base de datos de manejo:
Los datos de clima (43 estaciones meteorológicas), fueron la base para subdividir a la región en subzonas, luego para cada una de ellas se construyeron los archivos correspondientes a las condiciones de
manejo de cada cultivo. En cada sitio se definió el cultivar más apropiado, la fecha de siembra, densidad
de plantas, espaciamiento y profundidad de siembra y el suelo correspondiente, los contenidos iniciales
de humedad y de nitrógeno del suelo; la cantidad y calidad de residuos, su fecha y profundidad de incorporación y la duración del barbecho
Condiciones de producción: Para evaluar el impacto de las condiciones ambientales y las modificaciones
propuestas por los escenarios de cambio, se consideran tres situaciones de producción para los cultivos
de trigo, maíz, girasol y soja: potencial, factible y limitante.
Capítulo 1
Potencial: Cultivos que se llevan a cabo sin limitaciones de agua ni nutrientes. En este caso las variables
condicionantes son la temperatura y la radiación.
Factible: Cultivos de secano sin limitaciones nutricionales. La disponibilidad de agua es el factor limitante.
Limitante: Cultivos de secano sin fertilizar. La disponibilidad de agua y de nutrientes limitan la producción.
Análisis de la información:
Cuando se analizan los rendimientos y sus variaciones con los diferentes escenarios la información
proviene de los resultados obtenidos para cada sitio de la región. Estos fueron integrados mediante sistemas de información geográficos para su presentación.
En el caso de los volúmenes de producción, surgen de la agregación de los rendimientos obtenidos
para los distintos distritos afectados por la superficie sembrada en cada uno de ellos.
Estrategias de Adaptación:
Calendario agrícola: Para definir el calendario agrícola de los escenarios futuros se tuvieron en cuenta ciertas condiciones relacionadas fundamentalmente con restricciones impuestas por la temperatura
que afectarían el normal crecimiento de los cultivos.
Trigo: Para ubicar la fecha de siembra óptima se tuvo en cuenta a) floración del cultivo posterior a la
fecha media de última helada y b) fecha de madurez fisiológica anterior a la ocurrencia de 5 días consecutivos con temperatura media diurna (0.75 temperatura máxima + 0.25 temperatura mínima) mayor o
igual a 26°C.
Maíz: a) Siembras posteriores a la fecha media de última helada, b) temperatura media del aire superior a 14(C (indicador de alrededor de 12(C en el suelo) y c) temperatura máxima en el momento de floración inferior a 36°C durante dos días consecutivos.
Girasol: a) Siembras posteriores a la fecha media de última helada y b) temperatura del aire superior
a 16(C ( indicador de 14(C en el suelo).
Soja: sin condiciones.
Para adaptar los ciclos de crecimiento de los cultivos se modificaron los coeficientes de sensibilidad al
fotoperíodo, de manera de simular materiales con mayor o menor duración del ciclo.
Respuesta a la fertilización: Para los cultivos de trigo y de maíz se aportaron dosis incrementales de
nitrógeno en el momento de sembrar. En ambos casos el tipo de fertilizante fue urea, aplicada al voleo e
incorporada 5 cm.
Respuesta al riego: Se definieron los umbrales de riego y la profundidad de mojado (tabla 3) para cada cultivo considerando además para todos un porcentaje de restitución del 100% y una eficiencia del
100% con riego por aspersión.
Umbral: % agua suelo consumida
Profundidad de mojado (cm)
Trigo
Maíz
Girasol
Soja
50
50
50
50
30
100
50
50
Tabla 3: Umbrales de riego y profundidad de mojado para la aplicación de riego suplementario en los
cuatro cultivos.
Impacto del Cambio Global sobre la Producción Agrícola
Región Extrapampeana:
Se tomaron como representativas de la región extrapampeana las provincias de Chaco, Santiago del
Estero, Corrientes, San Luis y Río Negro. Las estaciones meteorológicas involucradas en cada provincia
se presentan en la tabla 4, los suelos correspondientes fueron obtenidos de la información proveniente
del Instituto de Suelos del INTA (Musto, com.personal). Las fechas de siembra se determinaron de acuerdo a las condiciones especificadas para la adaptación.
Se analizó la potencialidad de producción de cada zona para los cultivos de trigo, maíz, girasol y soja
bajo las condiciones actuales y futuras (escenarios GISS, UKMO y GFDL). Asimismo se evaluó el efecto de los cambios en la temperatura.
Chaco
S. del Estero
Corrientes
San Luis
Río Negro
Colonia Benítez
-27.2-58.6
Resistencia
-27.3-59
R.Saenz Peña
Las Breñas
-27.1-61.1
S.del Estero
-27.5-64.2
Paso de los Libres
-29.4-57.1
-26.5-60.3
Monte Caseros
-30.2-57.4
Villa Reynolds
-33.4-65.2
San Luis
-33.2-66.2
Viedma
-40.5-63
Río Colorado
-39-64.1
Tabla 4: Coordenadas de las estaciones meteorológicas utilizadas en la región extrapampeana.
Resultados
Modelos de Circulación General:
Todos los modelos consideran incrementos de la temperatura y variaciones en la precipitación y radiación global. Sin embargo, la magnitud de los cambios y el momento en que se producen varía según se
trate de GISS, UKMO o GFDL.
Temperatura
Como se observa en la figura 4 los incrementos de temperatura promedios para la Región Pampeana
varían entre 3.3°C en el mes de octubre y 6.1°C en marzo con el MCG GISS, 3.8°C y 6.06°C en octubre
y diciembre respectivamente con el GFDL y entre 4.7°C en setiembre y 6.15°C en febrero con el modelo UKMO. Mientras que a lo largo del año UKMO presenta los mayores valores y GFDL los menores, con
el modelo GISS se observa una gran variabilidad alcanzando al UKMO en la mayor parte de los meses
estivales.
En promedio para el ciclo de los cultivos de invierno se producen incrementos de 4.4, 4.6 y 5.1°C para los modelos GISS, GFDL y UKMO respectivamente, en tanto que los cultivos estivales estarían sometidos a incrementos de temperatura de 4.8, 4.7 y 5.6°C.
Precipitación
Las variaciones pronosticadas en los valores de precipitación (figura 4) muestran también importantes
diferencias entre los MCG así como una gran variabilidad interanual. El modelo GFDL es el que presenta los valores extremos, se pueden esperar desde reducciones del 38% (noviembre) hasta incrementos
máximos del 70% (septiembre) manteniendo el resto del año valores inferiores a los pronosticados por
los otros modelos. Con el modelo UKMO ocurrirían incrementos promedio de 25% con valores que se re-
Capítulo 1
ducirían hasta un 9% en junio e incrementarían hasta un 50% en abril. El GISS tiene un comportamiento intermedio, con incrementos anuales del 16%. El valor mínimo prevé una reducción de las precipitaciones de 22% (septiembre) y el mayor incremento (65%) es esperable en febrero.
Radiación
Esta es la variable sobre la que menor impacto se observa por parte de los tres modelos (figura 4). El
promedio anual predice incrementos de 1, 4 y 5 % para GFDL, GISS y UKMO respectivamente. Los valores extremos para el período que interesa a los cultivos corresponden al modelo GFDL (reducción del
4% en septiembre) y a los modelos GISS y UKMO con incrementos de 7% en noviembre y enero respectivamente.
Down scaling
Cambios en la temperatura:
Si bien cuando se consideran los coeficientes promedio para la región pampeana (figura 5) los valores de la temperatura media a lo largo del año parecen bastante estables (entre 1.39 y 2.13°C), existen
ciertas diferencias latitudinales que ponen de manifiesto una mayor variabilidad a lo largo del año. Las
localidades situadas en latitudes mas bajas (29-32°) tendrían mayores incrementos en los últimos meses del año (excepto en octubre) pero menores en la primera parte del mismo (figura 5). En las latitudes intermedias (32-35°) las mayores diferencias por encima de la media se observan en enero-febrero, mientras que en las latitudes mayores (35-39°) se destacan los meses de otoño con incrementos
más grandes.
Cambios en las precipitaciones:
Los valores medios de las precipitaciones presentan valores negativos en todo el año pero con un marcado patrón estacional (figura 5), en invierno-primavera los cambios son insignificantes (2-3 mm) mientras que en verano-otoño se incrementan las diferencias hasta 10-11 mm. Cuando se tienen en cuenta
las franjas latitudinales, las menores reducciones se observan en la zona mas austral excepto en verano
donde se produce la mayor reducción (14 mm) e invierno en que puede llegar a incrementar levemente
(1mm). Inversamente, en el norte (29-32°) se producen las mayores reducciones en casi todo el año aunque este comportamiento se invierte en verano.
7
giss
gfdl
ukmo
incremento de temperatura (°C)
6
5
4
3
2
1
0
E
F
M
A
M
J
J
A
S
O
N
D
Figura 4: Incrementos de temperatura y variaciones en la radiación y precipitación pronosticados por los
modelos GISS, GFDL y UKMO. Valores promedio de las grillas correspondientes a la región pampeana.
Impacto del Cambio Global sobre la Producción Agrícola
1,15
giss
gfdl
ukmo
variación en la radiación
1,1
1,05
1
0,95
0,9
0,85
E
F
M
A
M
J
J
A
S
O
N
D
S
O
N
D
1,8
giss
1,6
gfdl
ukmo
% variación precipitación
1,4
1,2
1
0,8
0,6
0,4
0,2
0
E
F
M
A
M
J
J
A
Figura 4: continuación.
Impactos sobre el rendimiento de los cultivos
Trigo
Dióxido de Carbono:
El incremento de la concentración de CO2 a valores de 550 ppm, incrementaría un 18.3% los rendimientos potenciales promedio de la región.
Temperatura:
Bajo las condiciones actuales de temperatura el rendimiento potencial promedio para las localidades
analizadas es de 5300 kg/ha. Incrementos de 1°C, 2°C y 3°C en los valores diarios de temperatura durante el ciclo de crecimiento producirían reducciones (figura 6) del 7%, 14% y 21% respectivamente.
Capítulo 1
2,40
29-32
32-35
35-39
Dsmed
Incremento temperatura °C
2,20
2,00
1,80
1,60
1,40
1,20
1,00
E
F
M
A
M
J
J
A
S
O
N
D
4
Variación pptac. (mm)
0
-4
-8
media
-12
29-32
32-35
-16
35-39
-20
E
F
M
A
M
J
J
A
S
O
N
D
Figura 5: Incrementos de la temperatura y variación de la precipitación proyectadas por el modelo de
downscaling, en valores promedio para la región y para tres franjas latitudinales.
Si se consideran los efectos conjuntos de incrementos de temperatura y de [CO2], aumentos de 1 y 2°C
en la temperatura elevarían el rendimiento potencial promedio en 11% y 3% respectivamente (figura 6).
Sin embargo, incrementos mayores (3°C) contrarrestarían el efecto positivo del CO2 sobre los rendimientos, conduciendo a reducciones del rendimiento cercanas al 5%.
En síntesis, por cada grado de incremento en la temperatura podrían esperarse reducciones del 7%
en el rendimiento potencial. Por el contrario si también incrementa la [CO2] los rendimientos aumentarían
18%, 17% y 16% con 1°C, 2°C y 3°C respectivamente.
Impacto del Cambio Global sobre la Producción Agrícola
7,5
7
6,5
Rendimiento (t/ha-1)
6
5,5
5
4,5
4
3,5
3
2,5
ACTUAL
T+1
T+2
T+3
BA
TA
MP
LP
TR
AZ
CS
PG
CA
LF
DO
BL
BO
NJ
PE
PH
HA
JU
SP
ZA
RO
BB
TL
OL
LA
AN
VI
MJ
PA
PI
EZ
SR
MA
PO
RA
RC
SF
CB
GU
CE
CD
CU
RE
2
Localidades
7,5
7
Rendimiento (t/ha-1)
6,5
6
5,5
5
4,5
4
3,5
3
2,5
ACTUAL
T+1
T+2
T+3
BA
TA
MP
LP
TR
AZ
CS
PG
CA
LF
DO
BL
BO
NJ
PE
PH
HA
JU
SP
ZA
RO
BB
TL
OL
LA
AN
VI
MJ
PA
PI
EZ
SR
MA
PO
RA
RC
SF
CB
GU
CE
CD
CU
RE
2
Localidades
Figura 6: Efecto de incrementos de 1, 2 y 3 °C en la temperatura sobre el rendimiento potencial de trigo en
las localidades analizadas de la región pampeana con 330ppm de [CO2] (arriba) y 550ppm (abajo).
Precipitación:
En cultivos sin limitaciones nutricionales, reducciones del 20% en el monto de precipitaciones del ciclo disminuirían hasta un 25% el rendimiento. Las reducciones incrementarían en el sentido este-oeste
respetando el patrón de distribución de las precipitaciones actuales. Por el contrario, incrementos del
20% en las precipitaciones se asociarían con aumentos de hasta el 20% en los rendimientos, siguiendo
una distribución espacial similar al caso anterior (mapa 2).
Si se considera el efecto del CO2, los rendimientos incrementarían aún con un 20% menos de precipitación. En este caso, si las lluvias se reducen, el efecto positivo del CO2 contrarrestaría el efecto negativo de eventuales sequías, observándose incrementos del rendimiento de hasta el 20%. Si además del
CO2 se incrementarán las lluvias, los aumentos de rendimiento llegarían hasta el 60% (mapa 2) y menores en el norte (mapa 3), siguiendo el gradiente de reducción una transecta sudeste-noroeste.
Escenarios predecidos por MCA:
Los escenarios de MCA se probaron para las tres condiciones de producción (potencial, factibles y limitante)
Rendimiento potencial: Actualmente el rendimiento potencial promedio del trigo en la Región Pampeana
varía entre 4000 y 6400 kg/ha, con valores mayores en la zona sudeste y menores en el norte (Mapa 3),
siguiendo el gradiente de reducción una transecta sudeste-noroeste.
Capítulo 1
Mapa 2: TRIGO, diferencia de rendimiento con respecto al actual cuando se incrementa (izquierda) o disminuye (derecha) la precipitación en 20%. Con 330 ppm de CO2 (arriba) y 550 ppm (abajo).
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 3: TRIGO, Rendimiento potencial (arriba izquierda), factible (arriba derecha) y limitante (abajo izquierda), para las condiciones actuales del clima.
Capítulo 1
Mapa 4: TRIGO, Diferencia entre los valores actuales y futuros de rendimiento potencial, expresado como
porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 5: TRIGO, Diferencia entre los valores actuales y futuros de rendimiento factible, expresado como porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Capítulo 1
Mapa 6: TRIGO, Diferencia entre los valores actuales y futuros de rendimiento limitante, expresado como porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Impacto del Cambio Global sobre la Producción Agrícola
Los escenarios propuestos por los modelos GISS, UKMO y GFDL (mapa 4), muestran reducciones generalizadas de estos rendimientos, coincidiendo en que los impactos mayores se ubicarían en el norte de
la región. Sin embargo el grado de reducción pronosticado para la mayor parte de la zona productiva es
menor con el GISS (5-15%), le sigue el GFDL (10-15%), siendo el UKMO quien prevee las mayores reducciones (15%-20%).
Rendimiento factible:
Los rendimientos actuales obtenidos en condiciones nutricionales no limitantes en secano, oscilan entre 5500 y 3000 kg/ha, con un marcado gradiente sudeste-noroeste siguiendo las isohietas. Los mayores
rendimientos se observan en la provincia de Buenos Aires, a excepción de la zona oeste y sudoeste que
se caracteriza por la ocurrencia de sequías y suelos con poca retención hídrica (mapa 3).
Los escenarios pronosticados por los MCA conducirían a incrementos de los rendimientos en la zona
sur y reducciones en el resto de la región, las que serían de menor magnitud en la porción centro-oeste
(mapa 5). Al igual que con el rendimiento potencial, las mayores reducciones son previstas por UKMO,
siguiendo en orden decreciente GFDL y GISS.
Rendimiento limitante:
Cuando las condiciones de producción no incluyen aporte de nutrientes ni de agua, el rendimiento obtenido con las condiciones climáticas actuales varía entre 1200 y 2700 kg/ha con un patrón similar al anterior, donde los menores rendimientos se ubican en la zona oeste de la Región Pampeana y los más elevados en el sudeste y norte de Buenos Aires y en el sur de Santa Fe (mapa 3).
Los resultados obtenidos con los tres escenarios (mapa 6) muestran un comportamiento similar, con
reducciones de rendimiento en el norte de la región e incrementos en el sur. Sin embargo con el modelo
GISS en la mayor parte de la región los rendimientos no varían o incrementan levemente. Cuando se utiliza el GFDL la porción en la que los rendimientos incrementan o se mantienen está restringida al sur de
Buenos Aires, sudeste de La Pampa y centro de Córdoba, mientras que con UKMO el patrón de rendimientos sigue la misma tendencia pero en una zona más restringida.
Los resultados obtenidos con el sistema de “downscaling” difiere de los anteriores, principalmente
por la magnitud de los cambios. El rendimiento potencial tiende a incrementar levemente (hasta un
5%) en la mayor parte de la región, llegando a 10% en el norte de Córdoba y Santa Fe y en el centro de La Pampa y sólo se observan leves reducciones en zonas aisladas (mapa 4). Cuando las condiciones hídricas son limitantes (mapa 5), se producen incrementos en toda la región (a excepción de
focos aislados), que son mayores en el extremo sur (hasta 25%). Cuando el agua y los nutrientes son
limitantes sólo se observan incrementos en el sudeste y sudoeste de Buenos Aires, este de La Pampa y centro-norte de Córdoba, en el resto de la región se pueden producir disminuciones de hasta el
5% (mapa 6).
Las disminuciones estimadas del rendimiento potencial estarían asociadas a los incrementos de temperatura pronosticados por los MCA, que conducirían a condiciones térmicas supraóptimas para el normal desarrollo y crecimiento del cultivo, especialmente en las zonas donde las temperaturas actuales son
más elevadas (norte y centro). Las proyecciones del GISS hacen preveer, en promedio para la región, un
acortamiento del ciclo de 24 días, siendo las reducciones proporcionalmente mayores en la fase siembra-floración (22 días) que en floración-madurez (2 días). Este comportamiento es similar para los otros
escenarios climáticos, a excepción de DS que con incrementos menores de temperatura favorecería la
producción.
Por el contrario, en las condiciones factible y limitante los incrementos observados en la zona sur pueden relacionarse tanto con los incrementos en las precipitaciones (más marcado con UKMO y GFDL) como los registrados en las temperaturas, que en esas zonas más frías, optimizarían las condiciones de
crecimiento.
Capítulo 1
Los incrementos y reducciones de los rendimientos sugieren que la temperatura podría estar afectando la producción de materia seca. La acumulación potencial de biomasa depende de la radiación (Gallagher y Biscoe, 1978) y puede reducirse en condiciones limitantes de nutrientes y agua o por temperaturas no óptimas (Monteith, 1981). CERES-Wheat considera una temperatura diurna óptima para el crecimiento de 18°C, reduciéndose la producción de biomasa con temperaturas superiores o inferiores a dicho valor.
El efecto de la temperatura pronosticada por GISS sobre el crecimiento del cultivo se evaluó en tres
distritos: Pigué (en el sudoeste de Buenos Aires) y Río III (en el centro de Córdoba) donde los rendimientos incrementarían, y Avellaneda (en el norte de Santa Fe) donde los rendimientos se reducirían. En estos distritos las temperaturas mínimas (Tm) y máximas (TM) durante el ciclo de crecimiento se incrementarían 3°C en Pigué y Río III y 4° C en Avellaneda. En consecuencia, la temperatura media diurna durante el ciclo (estimada como un 25% de la temperatura mínima y un 75% de la máxima) pasaría a ser de
17,7°C en Pigue, 19,9°C en Río III y 22,6°C en Avellaneda. Los valores para la fase vegetativa serían de
17,1°C , 18°C y 21,6°C, respectivamente. Las variaciones de rendimientos en estos distritos se correspondían con los cambios en la biomasa total y en el número de granos por unidad de superficie (Tabla 5)
y al mismo tiempo con incrementos en las temperaturas diurnas que afectarían diferencialmente la acumulación de materia seca. Mientras las zonas más australes se aproximarían al óptimo de 18°C, en el
norte de la región los incrementos conducirían a temperaturas aún más desfavorables.
Distritos
Escenario
Rendimiento
Granos/m2
Peso granos
Biomasa
actual
2470
6770
36.5
6290
futuro
2740
7740
35.4
7130
actual
1340
3650
36.6
3500
futuro
1460
4170
35.0
3750
actual
1915
5040
38.0
4520
futuro
1465
4100
35.7
3540
Pigüé
R. Tercero
Avellaneda
Tabla 5: Rendimientos (kg/ha), biomasa (kg/ha), número de granos por m2 y peso de 1000 granos obtenidos en 3 distritos de la Región Pampeana con el clima actual y el pronosticado por el modelo GISS.
Maíz:
Efecto del dióxido de carbono:
El incremento de la concentración de CO2 a valores de 550ppm elevó los rendimientos potenciales promedio de maíz de la Región Pampeana en un 6%.
Temperatura:
El rendimiento potencial promedio para las condiciones actuales es de 14700 kg/ha, cuando se incrementó la temperatura en 1°C, 2°C y 3°C se produjo una disminución de rendimientos de 5%, 9% y
13% respectivamente.
Impacto del Cambio Global sobre la Producción Agrícola
17
Rendimiento (t/ha-1)
16
15
14
13
12
11
ACTUAL
T+1
T+2
T+3
BA
PG
CS
BO
HA
TA
LF
TR
AZ
AN
SR
CA
BB
PO
DO
BL
PE
JU
TL
PH
LP
SP
LA
NJ
MP
PI
ZA
RA
MJ
MA
RO
PA
VI
RC
OL
RE
CE
CU
SF
EZ
GU
CB
CD
10
Localidades
17
Rendimiento (t/ha-1)
16
15
14
13
12
11
ACTUAL
T+1
T+2
T+3
BA
PG
CS
BO
HA
TA
LF
TR
AZ
AN
SR
CA
BB
PO
DO
BL
PE
JU
TL
PH
LP
SP
LA
NJ
MP
PI
ZA
RA
MJ
MA
RO
PA
VI
RC
OL
RE
CE
CU
SF
EZ
GU
CB
CD
10
Localidades
Figura 7: Efecto de incrementos de 1, 2 y 3 °C en la temperatura sobre el rendimiento potencial de maíz en
las localidades analizadas de la región pampeana con 330ppm de [CO2] (arriba) y 550ppm (abajo).
El incremento conjunto de la concentración de CO2 y de la temperatura provocó un leve incremento
del rendimiento (0.4%) con 1°C, mientras que al adicionar 2°C y 3°C se redujo en 4.2% y 8.1% respectivamente.
Cuando se consideran las distintas localidades de la región pampeana (figura 7) se observa que habría una respuesta diferencial entre sitios, las reducciones son menores en el norte y mayores en el sur
de la región.
Con este cultivo se debería esperar aproximadamente un 4% de reducción promedio del rendimiento
por cada °C de incremento de la temperatura.
Precipitaciones:
Incrementos y disminuciones en las precipitaciones, con la concentración actual de CO2 , condujeron
a iguales tendencias en la variación de los rendimientos en toda la región. Al disminuir el 20% las lluvias
los rendimientos se redujeron hasta un 35% en la porción oriental y hasta 30% en el sur, mientras que en
la mayor parte de la región pampeana las disminuciones no superaron el 15-20%. Por su parte, incrementos del 20% en las precipitaciones provocaron los mayores incrementos de rendimientos (hasta un 25%)
en la provincia de Entre Ríos y sur de Buenos Aires y La Pampa. En la región centro-norte el rendimiento no aumentaría más de un 10% (mapa 7).
Capítulo 1
Al incrementar la concentración de CO2 a 550 ppm, la disminución de las precipitaciones produjo incrementos del rendimiento de entre 5 y 10% en casi toda la región (mapa 7). Al incrementar el 20% las
precipitaciones el efecto positivo fue mucho más marcado, llegando a aumentos de rendimiento que oscilan entre 30 y 50% en el sur y noreste de la región mientras que en la zona centro-norte alcanzarían un
15-20% de incremento.
Escenarios predecidos por MCA:
Rendimiento potencial: La distribución espacial de los rendimientos potenciales muestra actualmente
una clara tendencia a incrementar en el sentido norte-sur con valores extremos que oscilan entre 12000
y 17000 kg/ha (mapa 8).
Los tres escenarios de cambio probados condujeron a reducciones del rendimiento potencial en toda
la región, aunque difirieron en la localización de las pérdidas. El que mayor impacto produciría sería el
GFDL, con reducciones superiores al 15% en la mayor parte de la región pero entre el 20 y 25% en la
zona núcleo maicera (mapa 9). Con UKMO, la mayor parte de la región sufriría disminuciones entre el 10
y el 15%, observándose las reducciones máximas en la porción centro-norte llegando hasta los valores
extremos de 20-30% en el norte de Santa Fe, inversamente a lo ocurrido con el GFDL. Con GISS los resultados fueron nuevamente contrastantes: en la mitad sur y el extremo norte es donde se reducen más
los rendimientos (15-20%) con una zona del sudoeste de Buenos Aires y este de La Pampa donde se
puede reducir hasta 20-25%.
Rendimiento factible: Los rendimientos obtenidos sin limitaciones nutricionales oscilan entre 4000kg/ha en el extremo sur de Buenos Aires y 13000kg/ha en una zona comprendida por el norte y sudeste de
Buenos Aires (mapa 8). A partir de allí los rendimientos disminuyen hacia el sudoeste y noreste de la Región Pampeana con rendimientos elevados (10000 a 12000kg/ha) en la mayor parte de la región.
Al utilizar los MCA bajo esta condición de producción se producen tanto reducciones como incrementos de los rendimientos, aunque la proporción de los mismos depende del modelo utilizado. Nuevamente el que mayores reducciones ocasiona es el GFDL (mapa 10), llegando en la zona centro y sudoeste
de Buenos Aires a 20-25%. Los incrementos son esperables únicamente en Entre Ríos. Con GISS, las
reducciones son menores en la mayor parte de la región (5-10%) llegando al 10-15% en la zona norte de
Buenos Aires, mientras que los incrementos se concentran en Entre Ríos, este de Santa fe y el sur de la
región. Los mayores incrementos se produjeron utilizando el modelo UKMO (toda la zona centro-sur y la
provincia de Entre Ríos), aquí las reducciones se producirían en un gradiente sur-norte que abarca el norte de Buenos Aires, Córdoba y Santa Fe.
Rendimiento limitante: Los rendimientos de maíz obtenidos en condiciones limitantes de producción
(mapa 8) oscilan entre 2000 y 5500 kg/ha. Los menores rendimientos se observan en los extremos sudoeste y noreste de la región pampeana, mientras que los mayores se producen en la zona núcleo maicera .
Con los modelos GISS y GFDL se pronostican disminuciones de rendimiento en toda la región mientras que con UKMO podrían llegar a incrementar en Entre Ríos y en el extremo sur de Buenos Aires.
Al igual que con la condición de producción anterior, en este caso es el modelo GFDL el que ocasiona
mayores pérdidas de rendimiento con valores que alcanzan el 20-30% en el sudeste (mapa 11). Con
GISS las mayores reducciones (15-20%) se producen en la provincia de Buenos Aires y centro de Córdoba, pudiendo llegar en el sudeste de Buenos Aires hasta el 30%. Con UKMO se prevén incrementos de rendimiento en el extremo sur de Buenos Aires y centro de Entre Ríos y reducciones en el resto de la región, que al igual que con los otros modelos serán mayores en Buenos Aires y parte de Córdoba y La Pampa.
Según downscaling (mapas 9, 10 y 11), los rendimientos potenciales disminuirían levemente en la
mayor parte de la región, a excepción de zonas aisladas donde se podrían esperar leves incrementos.
Para las condiciones de producción limitantes se observó un comportamiento similar aunque con disminuciones entre 5 y 10% que ocupan una mayor parte de la provincia de Buenos Aires y el norte de
la región. Por el contrario, el rendimiento sin limitaciones nutricionales incrementaría (0-5%) en toda el
área excepto en los extremos norte y sur y en zonas aisladas del sudeste de Córdoba y noreste de
Buenos Aires.
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 7: MAIZ, diferencia de rendimiento con respecto al actual cuando se incrementa (izquierda) o disminuye (derecha) la precipitación en 20%. Con 330 ppm de CO2 (arriba) y 550 ppm (abajo).
Capítulo 1
Mapa 8: TRIGO, diferencia de rendimiento con respecto al actual cuando se incrementa (izquierda) o disminuye (derecha) la precipitación en 20%. Con 330 ppm de CO2 (arriba) y 550 ppm (abajo).
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 9: MAIZ, Diferencia entre los valores actuales y futuros de rendimiento potencial, expresado como porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Capítulo 1
Mapa 10: MAIZ, Diferencia entre los valores actuales y futuros de rendimiento factible, expresado como porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 11: MAIZ, Diferencia entre los valores actuales y futuros de rendimiento limitante, expresado como porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Capítulo 1
250
Rafaela
Actual
GISS
200
Precipitación (mm)
UKMO
GFDL
150
100
50
0
E
F
M
A
M
J
J
A
S
O
N
D
250
Pergamino
Actual
GISS
200
Precipitación (mm)
UKMO
GFDL
150
100
50
0
E
F
M
A
M
J
J
A
S
A
S
O
N
D
250
Balcarce
Actual
GISS
200
Precipitación (mm)
UKMO
GFDL
150
100
50
0
E
F
M
A
M
J
J
O
N
D
250
H. Ascasubi
Actual
GISS
200
Precipitación (mm)
UKMO
GFDL
150
100
50
0
E
F
M
A
M
J
J
A
S
O
N
D
Figura 8: Valores mensuales de precipitación actual, y pronosticada por los modelos GISS, UKMO y GFDL,
en dos sitios de centro-norte de la región (Rafaela y Pergamino) y dos del sur (Balcarce e Hilario Ascasubi.
Impacto del Cambio Global sobre la Producción Agrícola
La variabilidad de las respuestas encontradas en los rendimientos potenciales, utilizando los diferentes MCA responde a diferencias en los coeficientes de cambio para temperatura y radiación utilizados por
cada modelo. La variación de temperatura estaría modificando por un lado la longitud del ciclo de crecimiento, y por otro la cantidad de radiación total recibida por unidad de tiempo térmico.
Los efectos de la temperatura sobre la duración de las fases de desarrollo, se analizaron con los resultados del modelo GISS (mapa 9), para cuatro distritos ubicados en el norte, centro y sudeste de la región (Rafaela, Junín, Pergamino y Tandil). Se encontró que el incremento de temperaturas previsto acortaría sensiblemente el ciclo de crecimiento, con diferencias significativas en el comportamiento según la
latitud. La fase siembra-floración se acortaría en promedio 15 días, independientemente del sitio, en cambio la fase floración-madurez sería 5 días más corta en el norte, 11 en la zona central o núcleo, y 20 en
el sudeste. El análisis de los componentes del rendimiento indicó que el número de granos por planta permanecería constante mientras que el peso de los mismos estaría determinando el rendimiento. Este último caería un 12% en el norte, 17% en la zona núcleo y 21% en la porción sur, comportamiento directamente relacionado con el acortamiento del período de llenado de granos.
Los incrementos de temperatura promedio pronosticados para el ciclo de este cultivo serían de 4.8,
4.7 y 5.6°C para el GISS, GFDL y UKMO respectivamente, mientras que el DS sólo incrementaría la
temperatura en 1.8°C conduciendo a menores reducciones de rendimiento. Si bien el modelo GFDL es
el que menor incremento de temperatura pronostica es el que produce las mayores reducciones de rendimiento potencial. Comportamiento que se atribuye a mayores incrementos de la temperatura y menores incrementos de la radiación global durante el mes de diciembre (figura 4), en relación a los otros modelos. Relación que afectaría la capacidad potencial de fijar destinos reproductivos, reduciendo el rendimiento final.
Por otro lado en las condiciones de producción de secano y sin deficiencia nutricional, las precipitaciones toman un rol fundamental en la determinación de los rendimientos. Varios estudios han demostrado que la variabilidad del rendimiento de maíz y la respuesta a la fertilización dependen de la
precipitación durante los meses que coinciden con el período de floración del cultivo (Oyarzabal et al,
1980; Barberis et al, 1985). Esta relación ocurre porque dos procesos fundamentales para la producción de granos: la sincronía entre la aparición de espigas y la producción de polen, y la fijación de los
granos polinizados en la espiga, son elevadamente sensibles a la deficiencia hídrica (Hall et al, 1982;
Sadras et al, 1985). De los modelos de circulación probados el GFDL es, en promedio (figura 4), el
que menor volumen de precipitaciones pronostica, para la estación estival, por lo que el efecto conjunto de los incrementos de temperatura y de la disminución de las precipitaciones explicaría las reducciones de rendimiento obtenidas. Por otro lado, el análisis de precipitaciones para cuatro sitios,
(figura 10) indica que esta variables es la responsable de los incrementos pronosticados para la zona sur por UKMO.
Cuando las condiciones de producción son limitantes, los incrementos de precipitaciones no logran
elevar el rendimiento, debido a que los nutrientes pasan a ser el factor limitante de primer orden, ya sea
por la carencia natural, o por el exceso de pérdidas atribuibles a precipitaciones más intensas.
Soja:
Efecto del CO2:
El rendimiento potencial promedio de la soja incrementó un 34% cuando se elevó la concentración de
CO2 a 550 ppm.
Temperatura
Los incrementos de la temperatura condujeron a incrementos de rendimiento tanto con la concentración actual de CO2 como con la de 550ppm. Elevando en 1, 2 y 3°C la temperatura se incrementó el
rendimiento promedio en 4, 6 y 2% respectivamente con 330 ppm y en 40, 43 y 42% con 550ppm. Sin
embargo, las diferencias relativas para los distintos sitios de la región (figura 8) son menores en el norte, tendiendo a incrementar hacia el sur. Este efecto sería más marcado con 330ppm de CO2.
NJ
PO
TL
PH
BL
EZ
SR
LF
BO
BB
AN
AZ
TR
PG
TA
CS
MP
BA
PO
TL
PH
BL
EZ
SR
LF
BO
BB
AN
AZ
TR
PG
TA
CS
MP
BA
LP
NJ
JU
LA
MA
T+3
PE
GU
RC
SP
T+2
ZA
MU
VI
CU
CA
T+1
RO
OL
PI
SF
PA
RE
CB
CD
RA
8.0
7.5
7.0
6.5
6.0
5.5
5.0
4.5
4.0
3.5
3.0
2.5
2.0
ACTUAL
CE
Rendimiento (t/ha-1)
8.0
7.5
7.0
6.5
6.0
5.5
5.0
4.5
4.0
3.5
3.0
2.5
2.0
Rendimiento (t/ha-1)
Capítulo 1
Localidades
LP
JU
LA
MA
T+3
PE
GU
RC
SP
T+2
ZA
MU
VI
CU
CA
T+1
RO
OL
PI
SF
PA
RE
CB
CD
RA
CE
ACTUAL
Localidades
Figura 9: Efecto de incrementos de 1, 2 y 3 °C en la temperatura sobre el rendimiento potencial de soja en
las localidades analizadas de la región pampeana con 330ppm de [CO2] (arriba) y 550ppm (abajo).
Precipitaciones
La disminución del 20% en las precipitaciones produjo reducciones de los rendimientos que alcanzaron el 30% en el sur de la región y hasta el 20% en el resto (mapa 12). Cuando se incrementa en 20%
la precipitación los rendimientos aumentan en toda la región pero en forma diferencial. A partir de una
franja noroeste-sudeste que incrementa hasta el 10% hacia el sudoeste se producen incrementos que alcanzan el 30% en la porción más austral mientras que hacia el noreste incrementan hasta un 20% en la
zona mas adyacente para luego alcanzar valores entre 0 y 10% en el extremo noreste (mapa 12). Con
550 ppm de CO2, tanto las disminuciones como los incrementos de precipitación condujeron a incrementos de rendimiento. En el primer caso se alcanzan incrementos de hasta el 30% en la zona centro y oriental de la región, disminuyendo su magnitud progresivamente hacia el norte y sur. Al incrementar las precipitaciones la mayor parte de la región incrementaría sus rendimientos hasta un 60%, pudiendo llegar
en el extremo sur hasta el 80% (mapa 12).
Escenarios predecidos por MCA:
Rendimiento potencial: Actualmente el rendimiento potencial de la soja tiende a disminuir en el sentido norte-sur, variando entre 6200 y 2600 kg/ha (mapa 13).
Cuando se utilizaron las variables generadas por los modelos GISS, UKMO y GFDL las diferencias de
rendimiento con la condición actual mostraron un patrón inverso, los mayores incrementos se producirían
en el sur y los menores en el norte, pudiendo llegar a reducciones con el modelo UKMO. No obstante, la
magnitud de las diferencias difirió entre ellos (mapa 14). Con UKMO se produjeron reducciones del ren-
Impacto del Cambio Global sobre la Producción Agrícola
dimiento (hasta 10%) en el norte de la región, a partir de allí se producen incrementos que llegan al 60%
en el sur de Buenos Aires. Las estimaciones de GISS y GFDL presentaron un comportamiento similar,
con incrementos de rendimiento del 10%-20% en el norte que alcanzan el 70% en el sur (mapa 14).
Rendimiento factible: Cuando los nutrientes no limitan la producción de soja, caben esperar rendimientos que siguen la misma tendencia de los potenciales, oscilando entre 5200 kg/ha en el norte de la región y 1200 kg/ha en el extremo sur (mapa 13).
En este caso, el comportamiento observado a partir de los MCA es muy diferente según el modelo utilizado. Con GISS son esperables incrementos del rendimiento en toda la región siguiendo un gradiente
este-oeste en la zona centro-norte y norte-sur en la parte centro-sur de la región (mapa 15). Con UKMO,
en toda la zona ubicada al norte de 35° de latitud se producirían disminuciones de rendimiento, mientras
que al sur incrementarían. Las reducciones podrían alcanzar el 30-40% en el centro de esa región y los
mayores incrementos (60-70%) se darían en el sudeste de Buenos Aires. Los rendimientos estimados
con GFDL sólo incrementarían alrededor del 10% en una diagonal noroeste-sudeste. En las zonas norte
y sur-suroeste de la región se esperarían reducciones del rendimiento, que serían más importantes en el
sur (hasta un 50-60% en La Pampa) que en el norte (10-20%) (mapa 15).
Rendimiento limitante: El rendimiento promedio obtenido en condiciones limitantes de producción
oscila entre 1000 kg/ha en el extremo sur de la región hasta 2600 kg/ha en el centro de la misma (mapa 13).
Una vez más los resultados obtenidos con los MCA (mapa 16) son contrastantes, produciéndose en
algunos casos incrementos generalizados (GISS) y en otros incrementos y disminuciones en relación inversa (UKMO y GFDL). Con GISS los incrementos mayores se obtendrían en el sudeste y en el norte de
la región (más de 80%). Utilizando UKMO se pueden esperar reducciones en el centro de la región norte (hasta 30%) e incrementos de diferente magnitud en el resto, al igual que en los casos anteriores los
mayores incrementos ocurrirían en el sur (70-80%). GFDL presenta un comportamiento opuesto al anterior, con incrementos en la zona central y disminuciones hacia el sur y el norte.
Con el modelo DS se esperan incrementos generalizados del rendimiento potencial (mapa 14), siguiendo la misma distribución que los otros escenarios. El rendimiento factible (mapa 15) presentará reducciones sólo en el sudoeste de la región (hasta 10%), en el resto se producirían incrementos entre 20
y 30% en la mayor parte de la zona central incrementando las diferencias hacia el sudeste y disminuyendo hacia el sudoeste y norte de la región. El rendimiento limitante (mapa 16), presentará reducciones de
hasta el 20% en el sudoeste de la región, incrementando entre un 10 y un 20% la mayor parte del área.
Los mayores incrementos se darían en el centro de Córdoba y de Santa Fe (20-30%) y en el este de Buenos Aires (hasta 40%).
Capítulo 1
Mapa 12: SOJA, diferencia de rendimiento con respecto al actual cuando se incrementa (izquierda) o disminuye (derecha) la precipitación en 20%. Con 330 ppm de CO2 (arriba) y 550 ppm (abajo).
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 13 SOJA, Rendimiento potencial (arriba izquierda), factible (arriba derecha) y limitante (abajo izquierda), para las condiciones actuales del clima.
Capítulo 1
Mapa 14: SOJA, Diferencia entre los valores actuales y futuros de rendimiento potencial, expresado como
porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 15: SOJA, Diferencia entre los valores actuales y futuros de rendimiento factible, expresado como porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Capítulo 1
Mapa 16: SOJA, Diferencia entre los valores actuales y futuros de rendimiento limitante, expresado como porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Impacto del Cambio Global sobre la Producción Agrícola
La temperatura parece ser el factor determinante de los incrementos de rendimiento observados con
este cultivo. Resultados obtenidos utilizando el modelo GISS para las condiciones potenciales de producción, indican que a diferencia de lo ocurrido con los otros cultivos, la longitud del ciclo de la soja se redujo levemente (3-4 días) en todos los distritos, acortándose en mayor proporción la etapa siembra-floración que la duración del llenado de granos. Este comportamiento estaría asociado a la sensibilidad fotoperiódica de esta especie durante la fase reproductiva, que contrarresta la aceleración del ciclo por temperaturas elevadas. El incremento de rendimiento obtenido con GISS se asoció con un mayor número de
granos por unidad de superficie. En soja la formación de vainas es altamente dependiente de la temperatura: disminuye con temperaturas nocturnas inferiores a 22°C y se interrumpe por debajo de 14°C (Hesketh et al, 1973; Thomas y Raper, 1978). El incremento de temperaturas pronosticado por los MCA favorecería un mayor número de granos por unidad de superficie, principalmente en las zonas actualmente
más frías, como el sudeste de la provincia de Buenos Aires, donde se obtuvieron los mayores incrementos de rendimiento.
En condiciones de producción limitadas por la disponibilidad hídrica y en aquellos sitios donde los modelos pronostican reducciones de las precipitaciones entre noviembre y marzo (figura 10), se detectan reducciones del rendimiento, principalmente en zonas con suelos de baja retención de agua como los del
sudoeste de la región pampeana.
En condiciones limitantes de nutrientes y agua, el comportamiento resulta similar, con incrementos
y reducciones de acuerdo al patrón de distribución de las precipitaciones. En esta especie, a diferencia de los otros cultivos, la fijación simbiótica de nitrógeno torna a la producción menos dependiente
de este factor.
Girasol
Efecto del CO2
El rendimiento potencial sería de 5200 kg/ha con las condiciones climáticas actuales y 550 ppm
de CO 2
Temperatura
Los incrementos de temperatura de 1, 2 y 3°C provocaron reducciones del rendimiento potencial de
2.5, 6 y 9% con 330 ppm de CO2, e incrementos de 14, 10 y 6 % con 550 ppm (figura 9).
Precipitaciones:
Al incrementar 20% las precipitaciones los rendimientos incrementaron en la mayor parte de la región en un gradiente norte-sur hasta un 30%, sólo en el norte se produjeron algunas reducciones (mapa 17). Al disminuir en la misma proporción las precipitaciones se observa una disminución generalizada de los rendimientos, salvo en el oeste de Córdoba donde tienden a incrementar levemente (hasta un 5%) (mapa 17).
Con el incremento de la concentración de CO2 tanto la disminución como el aumento de las precipitaciones incrementaron los rendimientos. Las mayores lluvias ocasionaron las diferencias más importantes principalmente en el sur y este de la región pampeana donde alcanzaron valores de hasta
85%, siendo el noroeste de Córdoba donde se obtuvieron las menores diferencias (<25%). La disminución del 20% en las precipitaciones condujo a incrementos del 15-20% en la mayor parte de a región, con algunas zonas como el sudoeste donde podrían alcanzar el 30% o el 25% en el este de la
región (mapa 17).
Capítulo 1
5.5
5.0
4.5
4.0
3.5
3.0
EZ
MP
EZ
MP
GU
CB
SF
GU
SF
CD
RE
RE
CB
CU
CU
CD
VI
RC
RC
CE
CE
Localidades
VI
PA
TA
TA
MA
OL
OL
MA
BA
BA
PA
MJ
RO
RO
ZA
MJ
PI
LP
TL
T+3
TR
PH
AZ
SP
RA
T+2
LF
PG
LA
JU
T+1
HA
PE
CS
SR
PO
CA
NJ
AN
2.0
BO
ACTUAL
2.5
BL
Rendimiento (t/ha-1)
6.0
5.5
5.0
4.5
4.0
3.5
3.0
ZA
PI
LP
TL
T+3
TR
PH
AZ
RA
SP
T+2
LF
PG
LA
HA
T+1
JU
PE
CS
BO
PO
CA
AN
NJ
2.0
SR
ACTUAL
2.5
BL
Rendimiento (t/ha-1)
6.0
Localidades
Figura 10: Efecto de incrementos de 1,2 y 3 °C en la temperatura sobre el rendimiento potencial de girasol
en las localidades analizadas de la región pampeana con 330 ppm [CO2](arriba) y 550 ppm [CO2](abajo).
Escenarios predecidos por MCA:
Rendimiento potencial: El rendimiento potencial actual varía entre 3900 y 5100 kg/ha, encontrándose
los mayores rendimientos en el centro de Buenos Aires y este de La Pampa y los menores en el norte de
la región (mapa 18).
Los escenarios de cambio condujeron a reducciones e incrementos del rendimiento en los tres casos
con diferentes proporciones según el modelo utilizado. El modelo GISS condujo a reducciones del rendimiento en la mayor parte de la región (-5-10%), excepto en el extremo sur donde se podrían obtener incrementos de hasta un 10% (mapa 19). Con el GFDL las reducciones podrían llegar hasta un 15% en
una zona restringida del centro de Córdoba y centro de Santa Fe, mientras que en la mayor parte de la
región no superarían el 10%; en este caso los incrementos cubren una zona mayor que con el modelo
anterior (mapa 19). Los resultados obtenidos con UKMO presentan un área mayor con incrementos que
los anteriores, mientras que las reducciones podrían alcanzar entre un 5 y un 10% en la zona centro-norte y hasta el 15% en el norte de la región.
Rendimiento factible: El rendimiento obtenido con nutrientes no limitantes oscila actualmente entre
1600 kg/ha y 4400 kg/ha. Los menores rendimientos ocurren en un gradiente desde el centro hacia el sur
y este de la región (mapa 18). En la mayor parte de la misma se lograrían entre 3600 y 4000 kg/ha, sólo en una zona restringida al centro de la provincia de Buenos Aires se podría llegar hasta 4400 kg/ha.
Impacto del Cambio Global sobre la Producción Agrícola
Para esta condición también los MCA presentan comportamientos diferenciales, con incrementos
y disminuciones de los rendimientos. Utilizando GISS se producirían incrementos de rendimiento en
la mayor parte de la región pampeana, en un gradiente hacia el sur y el este que alcanzaría máximos
de 30%, mientras que las reducciones estarían limitadas a la zona centro-oeste (mapa 20). El modelo GFDL conduciría a incrementos solamente en una porción que abarca el centro-este de la región,
en el resto se producirían reducciones incrementales en el sentido este-oeste llegando al 20% en el
sudoeste y noroeste de la región. El modelo que mayores incrementos produciría sería el UKMO, con
el cual el este y la mitad sur de la región pampeana incrementarían paulatinamente hasta llegar al
40%; en el resto de la región se producirían disminuciones que alcanzarían el 20% en el norte.
Rendimiento limitante: Con las condiciones climáticas actuales los rendimientos limitados por la
disponibilidad de agua y nutrientes no superan los 2000 kg/ha, llegando en el peor de los casos a 8001000 kg/ha. Los mayores rendimientos se producen en la zona central de la región pampeana y los
menores en los extremos sur y noreste (mapa 18).
Con todos los MCA se producirían incrementos de los rendimientos (mapa 21). Con GISS los mayores incrementos (25-30%) ocurren en el sur, este y norte de la región, siendo en la mayor parte del
área inferiores al 20%. Con el GFDL la magnitud de los incrementos es menor y su distribución espacial diferente, las menores diferencias se dan en el sudoeste y norte de la región (<10%) mientras que
en la mayor parte del área estarían entre 15 y 20%.Utilizando el modelo UKMO la mitad oriental y el
sur de la región pampeana tendrían incrementos superiores al 25% llegando en algunos sectores hasta el 40%.
Según el modelo DS (mapas 19, 20 y 21) el rendimiento potencial incrementaría levemente, entre 5 y 10%, en la mayor parte de la región. Las mayores diferencias ocurrirían en el sudeste (1015%), y las menores (hasta 5%) en el noroeste. Cuando el agua es limitante los incrementos disminuyen gradualmente en el sentido este-oeste desde un 30% hasta un 5%. Cuando tanto el agua como los nutrientes limitan la producción se observan incrementos muy significativos (más del 50%)
en el sudeste y norte de la región manteniendo la porción central y occidental incrementos que no
superan el 20%.
Si bien el girasol es un cultivo capaz de soportar temperaturas elevadas (hasta 30-40(C) sin perjudicar sus procesos fisiológicos, los incrementos pronosticados por los MCA conducirían a superar esos
valores en gran parte de la región por lo que se producen disminuciones de rendimiento bajo condiciones potenciales y factibles de producción. Con el downscaling los incrementos de temperatura serían sustancialmente menores por lo que se esperan incrementos o leves disminuciones de rendimiento. Al igual que con el maíz, las diferencias más importantes se obtuvieron con GFDL, que pronostica los mayores incrementos de temperatura y menor radiación para el mes de diciembre. En este cultivo la radiación interceptada por unidad de tiempo térmico en la prefloración es determinante
del número de aquenios producidos y afecta en gran medida el rendimiento final. Sin embargo, la fase de llenado de granos también es determinante del rendimiento por la baja capacidad de removilización que tiene esta especie, la mayor radiación pronosticada por UKMO en enero y febrero (figura
4) explicaría las menores reducciones de rendimiento previstas.
Del mismo modo que en maíz, los incrementos de precipitaciones proyectados por UKMO y GISS
(figura 10) favorecen el incremento de rendimiento en condiciones factibles, especialmente en sur de
la región. Los cultivos sin fertilizar, al tener menos exigencia que el maíz, incrementarían en forma generalizada.
Capítulo 1
Mapa 17: GIRASOL, diferencia de rendimiento con respecto al actual cuando se incrementa (izquierda) o disminuye (derecha) la precipitación en 20%. Con 330 ppm de CO2 (arriba) y 500 ppm (abajo).
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 18: GIRASOL, Rendimiento potencial (arriba izquierda), factible (arriba derecha) y limitante (abajo izquierda), para las condiciones actuales del clima.
Capítulo 1
Mapa 19: GIRASOL, Diferencia entre los valores actuales y futuros de rendimiento potencial, expresado como porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 20: GIRASOL, Diferencia entre los valores actuales y futuros de rendimiento factible, expresado como
porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Capítulo 1
Mapa 21: GIRASOL, Diferencia entre los valores actuales y futuros de rendimiento limitante, expresado como porcentaje de cambio, para los escenarios generados por GISS, UKMO, GFDL y DS.
Impacto del Cambio Global sobre la Producción Agrícola
Impactos sobre la producción:
Los modelos de circulación de la atmósfera prevéen cambios diferenciales de las variables climáticas, que se acentúan por el grado de resolución espacial de cada uno de ellos. Como consecuencia, los efectos sobre la producción nacional de cereales y oleaginosas serían diferentes de acuerdo
al impacto pronosticado en cada sitio y su contribución relativa a la producción total. Para analizar este efecto, se estimó con cada modelo, el impacto sobre el rendimiento por distrito, luego se consideró la superficie media sembrada durante los últimos 10 años y se estimó la producción para el total
de la región.
Como se citó al principio de este capítulo, la producción de la región pampeana está pasando por un
proceso intenso de modificación. El incremento en el uso de fertilizantes, pesticidas y riego complementario, el renovado parque de maquinarias, el marcado interés del sector en la utilización de toda la información de apoyo disponible para preveer las consecuencias de sus decisiones, auguran para el futuro
cercano importantes incrementos en los volúmenes de producción.
Trigo:
Para las condiciones limitantes de producción (sin el agregado de fertilizantes ni riego suplementario),
situación que era predominante en la región pampeana hasta cinco años atrás y que aún hoy prevalece
en grandes áreas, los diferentes escenarios probados provocarían leves disminuciones ó incrementos de
los volúmenes de producción. La producción actual de trigo ronda los 9.8 millones de toneladas (Mt) pudiendo pasar a 10.1 ó 9.5 Mt según las respectivas predicciones de GISS y UKMO (figura 11). Estos valores, que traducidos a índices económicos, representarían ganancias ó pérdidas de 34 y 38 millones de
pesos (M$) respectivamente, parecen poco importantes comparados con el potencial impacto de otros
factores. La variabilidad climática interanual, el incremento en el uso de insumos y las expectativas financieras, producen actualmente impactos de mayor magnitud sobre los volúmenes de producción. Como
ejemplo pueden citarse la cosecha de 1982 con 15Mt, favorecida principalmente por las condiciones climáticas y la cosecha record de 1996 con una producción cercana a las 16 Mt, favorecida por precios elevados y la importante aplicación de fertilizantes.
Considerando que la situación de manejo más probable para el próximo siglo, consistirá en el uso generalizado de fertilizantes que anulan la restricción nutricional, la producción nacional alcanzaría las 22
Mt. De los cuatro modelos, el único que prevee incrementos (5%) en esta situación es el DS, los otros
tres estiman reducciones que con UKMO alcanzarían el 8% (figura 11), por lo que la producción oscilaría entre 21.2 y 23.1 Mt. Por último, si las prácticas de manejo incorporaran al riego suplementario como
técnica generalizada, la producción alcanzaría las 27Mt, también en este caso el DS preveé leves incrementos (0.5Mt) y el UKMO estima las mayores pérdidas (4.3Mt).
Como puede apreciarse, el impacto de la incorporación de insumos en el sistema productivo tendría
en el mediano plazo mayor importancia relativa sobre la producción nacional de trigo que el cambio climático previsto. Con uso masivo de fertilizantes y riego la producción promedio incrementaría en alrededor de 10Mt y 17 Mt respectivamente, mientras que la reducción más pesimista prevista por el cambio
del clima ronda los 1.8Mt (factible) y 5Mt (potencial). No obstante, este último cambio, representaría variaciones no despreciables (600 M$) del ingreso nacional y podría ser evitado o revertido con las estrategias de adaptación propuestas.
Maíz:
Los cuatro escenarios predicen reducciones de la producción en las tres condiciones de cultivo, a excepción del DS que estima un leve incremento cuando los nutrientes no son limitantes (figura 11). Para
Capítulo 1
este cultivo la producción media actual de 8.1Mt podría ascender a 24Mt satisfaciendo los requerimientos de nutrientes y a 31 Mt si la disponibilidad hídrica fuera también adecuada. Considerando el escenario menos optimista (GFDL) las pérdidas por cambios del clima llegarían a 1.5, 3.8 y 5.6 Mt en las condiciones actuales, factibles y potenciales respectivamente (figura 11). Al igual que en trigo, la incorporación
de insumos en el mediano plazo tendría mayor impacto que el cambio del clima, aunque también aquí
existen opciones para suavizar los efectos negativos pronosticados.
Soja:
Este cultivo, a diferencia de los demás, se vería sensiblemente favorecido por el cambio climático previsto (figura 11), con excepción del pronóstico de UKMO que reduciría la producción en condiciones de
secano (factible=22% y limitante=8%).
En las condiciones actuales de producción (sin fertilizar ni regar), se cosechan en promedio 9.1Mt de
grano. Las proyecciones de GISS, GFDL y DS preveén incrementos de 4.2, 1.6 y 1.9 Mt respectivamente. Sin embargo con UKMO (al disminuir las precipitaciones estivales en la zona sojera núcleo) se proyectan reducciones del 8% (0.7Mt). Estas variaciones representarían un importante incremento en el nivel de ingresos nacionales (1200 M$) si se considera el escenario más optimista, de lo contrario las pérdidas serían poco significativas (200M$).
En soja las diferencias entre los tres niveles de producción son sensiblemente menores que en los
otros cultivos. Si los requerimientos de nutrientes fueran totalmente satisfechos la producción nacional alcanzaría a 16Mt, mientras que si también se satisfacen los requerimientos hídricos se podría alcanzar
una producción de 19.5 Mt. Pero a diferencia de los otros cultivos, no se prevéen para el próximo siglo
aumentos importantes del rendimiento por la incorporación de fertilizantes, por el contrario se espera una
intensificación del riego suplementario.
Girasol:
También con el girasol los impactos de los escenarios de cambio sobre los volúmenes de producción
serían diferentes según la condición de cultivo que se analice. La producción actual de girasol bajo condiciones limitantes asciende a 3.2 Mt, con los escenarios de cambio incrementarían (figura 11), pasando
a casi 4 Mt con DS y a 3.7 Mt con GFDL. La producción factible asciende actualmente a 7.5 Mt y podría
llegar a 8.4 Mt con DS ó disminuir hasta 6.8 Mt con GFDL. La producción potencial actual alcanza 9.9 Mt,
utilizando el GISS descendería a 9.6 Mt, mientras que con DS incrementaría a 10.6 Mt. Como puede
apreciarse los problemas con este cultivo son mínimos y sólo podrían surgir si se mejoran las condiciones de fertilidad ante los pronósticos de GFDL.
Estrategias de Adaptación:
Los resultados obtenidos indican que las reducciones de rendimiento previstas por los escenarios de
cambio se deben principalmente al acortamiento de las fases de desarrollo como consecuencia de los incrementos de temperatura. Sin embargo, esos incrementos conducen a modificaciones de las fechas de
eventos extremos (primera y última helada, por ejemplo) que condicionan el calendario agrícola de los
cultivos. Este desplazamiento permitiría poner en práctica estrategias de adaptación a las nuevas condiciones, entre otras: adelantos de las fechas de siembra, utilización de cultivares con ciclos más largos
que posibiliten una mayor duración de la fase siembra-floración, mayor captación de recursos y consecuentemente mayores rendimientos.
Impacto del Cambio Global sobre la Producción Agrícola
TRIGO
MAIZ
Pot.
Pot.
Fac.
Fac.
GISS
GISS
UKMO
UKMO
GFDL
Lim.
GFDL
Lim.
DS
-30
-20
-10
0
10
20
30
DS
40
50
-30
-20
-10
0
10
20
30
40
50
GIRASOL
SOJA
Pot.
Pot.
GISS
UKMO
Fac.
GFDL
Fac.
GISS
DS
UKMO
GFDL
Lim.
Lim.
DS
-30
-20
-10
0
10
20
30
40
50
-30
-20
-10
0
10
20
30
40
50
Figura 11: Variación de los volúmenes de producción para los cuatro cultivos con los escenarios futuros, expresado como porcentaje de variación con respecto a la producción actual. Para las condiciones potenciales (Pot), factibles (Fac) y limitantes (Lim) de producción.
Cambios en la duración del ciclo de los cultivos
Trigo: Como se citó en la sección de trigo, los escenarios futuros reducirían el ciclo de crecimiento del
cultivo, en ese ejemplo los impactos del GISS condujeron a acortamientos promedio de 24 días en la fase siembra-floración. Otro análisis realizado para tres sitios ubicados en una transecta norte-sur (Oliveros, Pergamino y Tandil), con las proyecciones de UKMO (escenario más pesimista) y DS (escenario más
optimista), también prevée reducciones de 28 a 30 y de 9 a 11 días respectivamente. Pero, de acuerdo a
estas proyecciones, la fecha media de última helada se adelantaría sensiblemente (figura 12), alargando
el calendario potencial de siembra. De mantenerse las estrategias actuales de producción, el acortamiento del ciclo conduciría a reducciones del rendimiento, perdiéndose la oportunidad de aprovechar la mayor longitud de la estación de crecimiento.
Capítulo 1
Oliveros
Pergamino
Tandil
Actual
0
50
100
UKMO
150
Downscal
200
250
heladas
300
400
Figura 12: Ubicación del ciclo de crecimiento del cultivo de trigo, para las condiciones de clima y cultivares
actuales (Actual) y para los clima proyectados por UKMO y DS con los cultivares adaptados. Las cruces indican las fechas de siembra, floración y cosecha y los triángulos la fecha media de última helada.
Una manera simple de prolongar el ciclo de crecimiento sería adelantar la fecha de siembra, hasta
el momento donde la ocurrencia de la última helada no perjudique la floración, ni las temperaturas elevadas interrumpan el crecimiento del grano. Los resultados obtenidos probando 6 fechas de siembra
espaciadas en 15 días y comenzando el primero de mayo, indican que la siembra óptima para los cultivares actuales y las predicciones del GISS sería el 15 de mayo. En este caso los incrementos de rendimiento llegarían al 10% en el norte, 14% en el centro y 37% en el sur de la región. El mayor incremento del sur estaría asociado con la mayor capacidad de esta zona para prolongar el calendario agrícola sin alcanzar temperaturas máximas que perjudiquen el llenado de granos.
Sin embargo, los cultivares actuales estarían imponiendo restricciones para el mayor desplazamiento de las fechas de siembra debido a su sensibilidad al fotoperíodo y/o la vernalización. Disponer de
cultivares mejor adaptados a la nueva estación de crecimiento sería una opción para el mediano y largo plazo por el tiempo requerido para su obtención. Los genotipos actuales en Argentina son de tipo
primaveral con baja o nula sensibilidad a la vernalización y sensibilidad intermedia al fotoperíodo (Magrin et al, 1991). Dada la condición actual de clima templado y considerando que en el futuro el incremento de la temperatura será mayor para la mínima que para la máxima (Karl et al, 1993) no sería posible plantear la prolongación del ciclo por el aumento de la sensibilidad a la vernalización. Por el contrario, las variaciones en la longitud del día existentes en la región (de 9,4 a 14,5 horas) permitirían incrementar la sensibilidad fotoperiódica.
La modificación del coeficiente de sensibilidad al fotoperíodo (P1D) del cultivar de trigo utilizado en
este estudio permitió adelantar las fechas de siembra y ubicar la que optimizara la producción del cultivo bajo las condiciones impuestas por los escenarios UKMO y DS. El valor actual de P1D (3.5), que
indica sensibilidad intermedia, debería pasar a valores cercanos a 6 (elevada sensibilidad en toda la
región) para lograr dicha optimización. La utilización de un cultivar de este tipo, con las predicciones
de UKMO, prolongaría el ciclo en 36, 23 y 91 días en el norte, centro y sur respectivamente. Con las
proyecciones de DS estos valores llegarían a 81, 93 y 108 días (figura 12). La producción de biomasa
aérea tendría estrecha relación con la duración del ciclo, lográndose los mayores incrementos con DS
y en el sur de la región (con ambos escenarios).
No obstante, para incrementar en igual proporción la producción de grano sería preciso modificar la
capacidad de partición de asimilados hacia los órganos cosechables. Situación que podría verse limitada por la capacidad de las fuentes para mantener elevado número de destinos, durante la fase de
llenado de granos.
Impacto del Cambio Global sobre la Producción Agrícola
Maíz: En este caso el incremento proyectado de temperatura acortaría el ciclo reduciendo principalmente la etapa floración-madurez. Si bien sería posible adaptar las fechas de siembra para los genotipos actuales, la posibilidad de cambio es reducida ya que está limitada principalmente por la ocurrencia de temperaturas superiores a los 36°C durante el período de polinización que reduce la viabilidad de las células de polen.
Para los escenarios GFDL y DS (figura 13), sería posible adelantar la fecha de siembra para maximizar los rendimientos potenciales, aunque esta estrategia no permitiría alcanzar los valores actuales de
producción. En el norte de la región el adelanto sería de 20 y 10 días para GFDL y DS respectivamente.
En el centro los valores serían de 30 y 20 días, mientras que en el sur no se encontraron beneficios al
adelantar la siembra.
18000
Actual
GFDL
DS
17000
30 Oct
Rendimiento (kg ha-1)
16000
30 Oct
15000
14000
1 Oct
30 Oct
10 Sep
20 Sep
10 Sep
13000
1 Sep
1 Sep
12000
11000
10000
Rafaela
Pergamino
Balcarce
Figura 13: Fechas de siembra actuales para el cultivo de maíz (actual) y optimizadas para los escenarios futuros (GFDL y DS), en tres sitios ubicados al norte (Rafaela), centro (Pergamino) y sur (Balcarce) de la región
pampeana.
En maíz existen dos mecanismos que controlan la duración de la fase emergencia-floración: la longitud de la fase juvenil y la sensibilidad al fotoperíodo. La fase juvenil es una etapa que comienza con la
emergencia, es insensible al fotoperíodo y concluye luego de acumular el tiempo térmico requerido, siendo su duración una característica genética de elevada heredabilidad. A partir del fin de esta fase, el tiempo térmico acumulado hasta floración depende de la sensibilidad del genotipo al fotoperíodo. El efecto de
la duración de la fase siembra-floración sobre el rendimiento se evaluó variando los coeficientes P1 (duración de fase juvenil) y P2 (sensibilidad a fotoperíodo) con el escenario propuesto por el modelo GFDL.
Los resultados obtenidos demuestran que, al igual que en girasol, las modificaciones de P2 no influyen
significativamente sobre los rendimientos. Por el contrario, los incrementos en la duración de la fase juvenil (+20%) se corresponden con aumentos del rendimiento en fechas tempranas de siembra pero las
reducciones del ciclo ocurridas como consecuencia de la disminución de P1 (-20%) favorecerían incrementos del rendimiento en las siembras tardías (figura 14). En síntesis estos resultados indican que para el clima previsto en el próximo siglo, los materiales de siembra temprana deberían poseer ciclos más
largos que los actuales, mientras que para siembras tardías se requerirá de materiales más precoces.
Capítulo 1
14
Pergamino
Rendimiento (t ha-1)
13,5
13
12,5
12
●
11,5
ACTUAL
11
1º Sep (244)
+20%
-20%
11Sep (254)
21Sep (264)
Fecha de Siembra
1º Oct (274)
Figura 14: Respuesta del rendimiento de maíz a las variaciones en la longitud del período juvenil en diferentes fechas de siembra bajo las condiciones impuestas por GFDL. P1 actual (actual) incremento y reducción
de P1(+20% y -20%)
Girasol: También con este cultivo los escenarios de cambio condujeron a reducciones del ciclo de crecimiento, siendo mayor el impacto sobre la etapa siembra-floración. El modelo GISS condujo a disminuciones del ciclo de 9 y 10 días en el norte y centro de la región y de 22 días en el sur, mientras que con DS,
al pronosticar menores incrementos de temperatura, las reducciones para la misma transecta norte-sur
fueron menores: 6, 5 y 12 días.
Al igual que con los otros cultivos, el adelanto de la fecha de siembra maximizaría el rendimiento potencial con los escenarios futuros. De acuerdo a nuestros resultados el adelanto en la zona norte podría
ser de 20 y 10 días con GISS y DS respectivamente. En el centro de la región el adelanto sería de 30
días con GISS y de 10 días con DS; mientras que en el sur se adelantaría 20 días con GISS y permanecería igual con DS (figura 15).
5400
Actual
GISS
DS
30 Sep
5200
20 Oct
Rendimiento (kg ha-1)
10 Sep
10 Sep
5000
20 Sep
10 Oct
4800
30 Sep
10 Nov
4600
10 Nov
4400
4200
4000
Rafaela
Pergamino
Balcarce
Figura 15: Fechas de siembra actuales para el cultivo de girasol (actual) y optimizadas para los escenarios
futuros (GISS y DS), en tres sitios ubicados al norte (Rafaela), centro (Pergamino) y sur (Balcarce) de la región pampeana.
Impacto del Cambio Global sobre la Producción Agrícola
Sitio
P1
P2
Biomasa
Rendimiento
Balcarce
actual
actual
15740
4410
Balcarce
+20%
actual
17540
4290
Balcarce
-20%
actual
12770
4580
Pergamino
actual
actual
15440
4690
Pergamino
+20%
actual
17450
4300
Pergamino
-20%
actual
12370
4550
Balcarce
+20%
10%
17540
4290
Balcarce
+20%
20%
17540
4290
Pergamino
+20%
10%
17450
4300
Pergamino
+20%
20%
17450
4300
Tabla 6: Girasol, variación de los coeficientes P1 (duración de fase juvenil) y P2 (sensibilidad al fotoperíodo) en dos localidades, y su efecto sobre la producción de biomasa y rendimiento.
Modificaciones en los coeficientes que gobiernan la duración de la fase siembra-floración (P1 y P2)
permitieron comprobar que, por sus efectos sobre la producción, este cultivo responde más a las variaciones de la fase juvenil (P1) que al fotoperíodo (P2) (tabla 6). No obstante la respuesta en biomasa y
rendimiento resultan opuestas, mientras que la biomasa incrementa con valores más altos de P1 el rendimiento en grano se reduce, ocurriendo lo contrario cuando P1 disminuye. Estos resultados indicarían
que en el futuro, de no modificarse los coeficientes de partición, los materiales con los ciclos actuales serían los mejor adaptados.
Fertilización y riego
El nitrógeno es el nutriente que más limita los rendimientos de los cultivos en el mundo y es, al mismo
tiempo, el que presenta respuestas más importantes en aumentos de rendimiento. Los aportes de nitrógeno hasta fines de la década de 1940 dependían casi exclusivamente de la mineralización de la materia orgánica del suelo, sin embargo en la época de la segunda guerra mundial se descubrió el proceso
de fijación de N atmosférico en la urea y la nutrición de los cultivos paso a depender en gran medida de
esta tecnología que comenzó a difundirse en primer término en los países industrializados.
Argentina, al igual que otros países de Latinoamérica, tardaron en adoptar este sistema, principalmente por la creencia generalizada de poseer ambientes sin necesidades de complementación, la relación desfavorable entre ingresos y costos y la falta de estabilidad económica y la existencia de aranceles en la actividad. Sin embargo, de acuerdo a lo expresado a lo largo de este informe, se espera
que en el mediano plazo la tendencia creciente en el uso de fertilizantes, registrado en el último lustro,
continúe especialmente en los cultivos de trigo, maíz y en menor proporción girasol. Obviamente el incremento en el uso de este insumo, se verá asociado a mayores rendimientos regionales, que favorecería al sector productivo por mayores ingresos económicos y al país en general por incremento de los
saldos exportables. Sin embargo, se debería llegar a una situación de compromiso entre el uso de fertilizantes y el riesgo de contaminación del ambiente y/o emisión de gases efecto invernadero tales como los óxidos nitrosos.
Capítulo 1
8000
16
Rafaela
Pergamino
Balcarce
RA
PE
Ba
7000
14
6000
12
5000
10
4000
8
3000
6
2000
4
1000
2
0
0
N0
N50
N100
N150
Figura 16: Respuesta del rendimiento al agregado de fertilizante nitrogenado en tres sitios de la región, y pérdidas de nitrógeno por desnitrificación.
Resultados de simulaciones efectuadas para el cultivo de trigo, muestran diferencias en la emisión de
óxido nitroso relacionadas con la dosis de fertilizante aplicado y con el tipo de suelo y/o ambiente donde
se efectué la fertilización. En el norte (Rafaela) incrementos de la dosis de nitrógeno entre 100 y 150
kg/ha no se traducen en aumentos de rendimiento (figura 16) e incrementan levemente las pérdidas de
NO (0.6 kg/ha). En cambio en la zona sur (Balcarce), la misma situación se corresponde con incrementos de 350 kg/ha en el rendimiento y 5.4 kg/ha en las pérdidas.
Si para un escenario muy probable de producción en el próximo siglo, se plantea que la superficie media sembrada con trigo, maíz y girasol será de 10 Mha, y se considera una dosis media de aplicación de
200 kg de urea/ha. Las pérdidas promedio de óxido nitroso por desnitrificación ascenderían a 0.049 TgN,
cifra que representa el 4.4% de las emisiones mundiales debidas al uso de fertilizantes (Watson et al,
1990). Si en cambio, la dosis de fertilizante fuera en promedio de 100 kg de urea/ha, las emisiones se reducirían el 50% y los rendimientos sólo el 11%. Estas relaciones demuestran la importancia del uso racional de insumos cuando se busca optimizar la producción. En este caso un planteo consciente apoyado en herramientas que evalúan los riesgos y proponen las dosis adecuadas al ambiente de producción,
lograrán maximizar la producción evitando el daño que un uso indiscriminado de insumos puede causar
al medio ambiente.
Por otro lado, los cambios previstos para el futuro en la duración de los ciclos de los cultivos y la producción de biomasa hacen preveer diferentes requerimientos hídricos y nutricionales. Los mismos se
analizaron para los cultivos de trigo y maíz en tres localidades típicas ubicadas al norte (Oliveros), centro (Pergamino) y sur (Tandil) de la región pampeana. En soja y girasol sólo se presentan las respuestas
al riego, ya que la soja por ser una especie capaz de fijar simbióticamente el nitrógeno atmosférico no requeriría aportes por fertilización, mientras que con el girasol no se dispone de las herramientas adecuadas para evaluar la respuesta del cultivo al agregado de nitrógeno.
Trigo: Actualmente este cultivo alcanza los niveles máximos de rendimiento con disponibilidades de
nitrógeno (nitrógeno del suelo y aportes por fertilización) cercanas a los 180 kg/ha (figura 17). Con los escenarios futuros, si se optimizaran las características del cultivar adaptándolo al nuevo calendario agrícola, la respuesta al agregado de nitrógeno variaría según los escenarios y sitios considerados. En todos
los casos sería necesario incrementar los aportes para lograr optimizar el rendimiento (figura 17), siendo
DS el que mayor aporte requeriría (triplicando las dosis actuales) para satisfacer la producción de biomasa pronosticada. Con UKMO, al tener menor longitud de ciclo y menor producción de biomasa las dosis
podrían ser menores principalmente en la zona centro-norte. En el sur las curvas de respuesta para DS
y UKMO son similares ya que la duración del ciclo y la producción de biomasa también lo son.
Impacto del Cambio Global sobre la Producción Agrícola
Los requerimientos de agua serían diferentes según el modelo considerado (mapa 22), con UKMO los
cultivos necesitarían menores aportes que los actuales debido al incremento de las precipitaciones pronosticado por este modelo. Con DS la situación se revierte, en toda la región se debería incrementar el
aporte de agua ya que no sólo el ciclo del cultivo se alargaría sino que además no se pronostican incrementos significativos de las precipitaciones.
Maíz: En las condiciones actuales la disponibilidad de nitrógeno (nitrógeno del suelo a la siembra +
aporte por fertilización) requerida por el cultivo de maíz para maximizar los rendimientos es de aproximadamente 150 kg/ha. Con este monto se alcanzan rendimientos de alrededor de 10500 kg/ha en la zona
centro y sur y levemente inferiores (10000kg/ha) en el norte. De acuerdo a las proyecciones de GFDL,
los rendimientos se reducirían en el sur de la región (9000 kg/ha) debido a limitaciones en la disponibilidad hídrica.
En el centro permanecerían en sus valores actuales, mientras que en el norte podrían incrementar
levemente. Utilizando el modelo DS se producirían incrementos de los rendimientos, aunque poco importantes, en las tres zonas. Ante este esta situación, las curvas de respuesta al agregado de nitrógeno (figura 18) para las fechas óptimas de siembra, indican que en Pergamino no sería necesario modificar las dosis actuales, mientras que en Oliveros y Tandil deberían incrementarse levemente bajo las
condiciones del DS en concordancia con los incrementos del rendimiento.
Con respecto a las necesidades de riego suplementario (mapa 23), con el escenario GFDL se debería incrementar hasta en un 30% el aporte de agua en el sur y noroeste de la región, mientras que en el
resto del área los mismos se reducirían progresivamente en sentido oeste-este. Con el DS solamente en
el noroeste incrementarían levemente las necesidades de agua, disminuyendo progresivamente los requerimientos hacia el este de la región.
30
30
Oliveros
25
Rendimiento (t ha-1)
25
DOWN
20
20
UKMO
15
15
ACTUAL
10
10
5
5
0
0
870
840
810
780
750
720
690
660
630
600
570
540
510
480
450
420
390
360
330
300
270
240
210
180
150
120
90
60
30
0
Figura 17: Respuesta de la biomasa total aérea del cultivo de trigo al agregado de nitrógeno con el clima y
cultivar actual (azul) y los pronósticos de UKMO (rojo) y DS (verde) para los genotipos adaptados.
870
840
810
780
750
720
690
660
630
600
570
540
510
480
450
420
390
360
330
300
270
240
210
180
150
120
90
60
30
0
20
15
ACTUAL
15
10
Rendimiento (t ha-1)
20
15
ACTUAL
15
10
Rendimiento (t ha-1)
Capítulo 1
870
840
810
780
750
720
690
660
630
600
570
540
510
480
450
420
390
360
330
300
270
240
210
180
150
120
90
60
30
0
Figura 17: continuación.
30
Tandil
DOWN
30
30
Pergamino
30
0
20
UKMO
25
DOWN
25
10
5
5
0
0
UKMO
25
25
20
10
5
5
0
Impacto del Cambio Global sobre la Producción Agrícola
Mapa 22: TRIGO, diferencia entre las necesidades actuales y futuras de riego suplementario, expresado como porcentaje, para los escenarios UKMO (izquierda) y DS (derecha).
Mapa 23: MAIZ, diferencia entre las necesidades actuales y futuras de riego suplementario, expresado como
porcentaje, para los escenarios GFDL (izquierda) y DS (derecha).
Capítulo 1
14
Oliveros
14
DOWN
12
12
GFDL
ACTUAL
10
Rendimiento (t/ha-1)
10
8
8
6
6
4
4
2
2
0
0
0
20
40
60
80
100
120
140
160
180
200
220
240
14
Pergamino
14
ACTUAL
12
DOWN
12
GFDL
10
10
Rendimiento (t/ha-1)
8
8
6
6
4
4
2
2
0
0
0
20
40
60
80
100
120
140
160
180
200
220
240
14
Tandil
DOWN
14
12
GFDL
12
10
Rendimiento (t/ha-1)
10
ACTUAL
8
8
6
6
4
4
2
2
0
0
0
20
40
60
80
100
120
140
160
180
200
220
240
Figura 18: Respuesta de la biomasa total aérea del cultivo de maíz al agregado de nitrógeno con el clima y
cultivar actual (azul) y los pronósticos de GFDL (rojo) y DS (verde) para los genotipos adaptados.
Impacto del Cambio Global sobre la Producción Agrícola
Girasol: En la principal zona productora, cultivos bajo condiciones no limitantes de nutrientes disminuirían levemente sus rendimientos con el escenario GFDL (tabla 7) debido a la ocurrencia de deficiencias hídricas durante la etapa reproductiva, que es crucial para la determinación del rendimiento. Como
una alternativa para solucionar este aspecto se probaron distintas dosis de riego suplementario y momentos de aplicación. Como puede observarse, dos riegos de 30 mm en el momento de mayor requerimiento incrementarían sensiblemente los rendimientos, superando los valores actuales y acercándose al techo actual de producción.
Localidad
Actual
GFDL
2 riegos (30)
3 riegos (20)
3 riegos (40)
Bolívar
3820
3460
4420
4170
4870
Junín
3900
3750
4110
4020
4170
M.Juarez
3960
3750
3930
3890
3960
9 de Julio
4440
4290
4600
4530
4690
Pehuajó
3560
3440
4050
3890
4230
Rafaela
3780
3460
3700
3640
3720
Tabla 7: Girasol, rendimiento bajo secano y en condiciones no limitantes de nutrientes para el clima actual y las proyecciones de GFDL, en 6 localidades. Los rendimientos de las tres últimas columnas provienen de aplicar diferentes números de riegos, indicándose entre paréntesis el monto utilizado.
Soja: En líneas generales este cultivo se vería favorecido por las proyecciones climáticas planteadas,
por lo que no sería preciso adaptar el calendario agrícola ni desarrollar genotipos con mejor comportamiento. Por otro lado, al ser la soja una especie con capacidades de fijar nitrógeno atmosférico, el abastecimiento de este macronutriente estaría asegurado con el manejo correcto de los factores condicionantes de la fijación simbiótica. Sin embargo, un factor clave en la productividad futura de esta oleaginosa
será la disponiblidad hídrica.
Bajo las condiciones actuales de clima, el rendimiento en secano y sin limitaciones nutricionales para
la localidad de Pergamino (zona núcleo de producción) es de 3570 kg/ha (tabla 8), valor que se reduciría a 2450 kg/ha debido a las deficiencias hídricas estivales proyectadas por UKMO. Este comportamiento sería similar en toda la zona núcleo, por lo que sería necesario la aplicación de riego suplementario
(tabla 8). Como puede apreciarse para alcanzar los rendimientos actuales se deberían aplicar 3 o 4 riegos de 30mm durante la época de mayor requerimiento del cultivo.
Localidad
Actual
UKMO
2 riegos(1)
3 riegos(2)
4 riegos(3)
Rafaela
4300
3300
3700
3900
4300
Rosario
3600
2100
2700
3000
3600
Oliveros
3900
2700
3400
3600
3900
Pergamino
3600
2400
3100
3400
3800
M.Juarez
3700
2600
3200
3500
3800
Tabla 8: Rendimiento de soja bajo condiciones de secano y sin limitaciones nutricionales para las condiciones actuales y proyectadas por UKMO, en cinco localidades de la zona núcleo de producción. Los rendimientos de las tres últimas columnas provienen de aplicar riego suplementario en las estimaciones de
UKMO. (1) dos riegos de 30 mm aplicados el 30/12 y 30/1; (2) tres riegos ídem anterior más 15/1; (3) cuatro riegos, ídem anterior, más 15/2.
Capítulo 1
Región Extrapampeana:
La región Extrapampeana, considerada como un cinturón de 200 km. que rodea los límites de la región pampeana, es actualmente una zona marginal para la producción de cereales y oleaginosas. Sin
embargo los incrementos pronosticados de temperatura y la variación de las precipitaciones podrían modificar esta situación. En las figuras 19 y 20 se presentan las condiciones actuales y futuras (GISS, UKMO Y GFDL) para los registros de precipitación y temperatura media.
Rendimiento potencial
Trigo:
Las diferencias de rendimiento potencial de trigo obtenidas para los sitios ubicados fuera del área de
la Región Pampeana con los escenarios GISS, UKMO y GFDL muestran una clara tendencia a disminuir
en el sentido norte-sur (figura 21). Las mayores disminuciones se obtuvieron en Chaco (30-40%), siguiendo en orden decreciente Santiago del Estero, Corrientes, San Luis y Río Negro. Esa respuesta obedece
a los cambios en las temperaturas pronosticados por los MCA, que para el ciclo del trigo serían mayores
en el norte que en el sur (figura 20), superando los 25°C de temperatura media a partir del mes de octubre con el consecuente efecto negativo sobre la producción de los cultivos. Dada la marginalidad de las
zonas estudiadas, los niveles de rendimiento son en general inferiores a los obtenidos para la Región
Pampeana aún con las condiciones futuras.
Maíz:
Los resultados obtenidos con maíz responden a las condiciones térmicas prevalecientes durante el ciclo del cultivo que favorecieron disminuciones del rendimiento potencial bajo las condiciones impuestas
por los MCA. Los incrementos de temperatura pronosticados por GISS, UKMO y GFDL son similares para las provincias del norte, superando los 30 (C en los meses de verano, y esto se refleja en los niveles
de reducción del rendimiento (figura 21). El UKMO sería el más perjudicial, siguiendo el GISS y el GFDL,
en concordancia con los incrementos de temperatura (figura 20). Por su parte en San Luis se producirían
mayores reducciones de rendimiento debido a que los incrementos relativos de temperatura son mayores que en el norte y Río Negro. Sin embargo tanto en ésta última como en San Luis las condiciones térmicas futuras serían más favorables que en el Norte. Los niveles de rendimiento obtenidos oscilan entre
9000 en el norte y 13500 en el sur.
Girasol:
Los resultados obtenidos con girasol no son tan consistentes como con los cultivos anteriores. Aquí se
producen tanto reducciones como incrementos del rendimiento potencial. Si bien en Chaco y Santiago
del Estero las disminuciones son similares, en Corrientes sólo disminuiría levemente con UKMO y GISS
e incrementaría con GFDL (figura 21). Este comportamiento estaría asociado a menores incrementos de
temperatura (figura 20) durante octubre-noviembre posibilitando un mejor desarrollo vegetativo . En San
Luis, las temperaturas de los meses de diciembre-enero se elevarían más que en Río Negro, afectando
el llenado de granos del girasol (período crítico) y se producirían importantes mermas de rendimiento.
Soja:
Para este cultivo se pone de manifiesto la mayor potencialidad de las provincias australes ante las condiciones futuras, ya que se lograrían incrementos de rendimiento de hasta 50% en Río Negro y 30% en San
Luis. La obtención de rendimientos superiores a los actuales sería posible gracias a condiciones térmicas futuras menos limitantes durante la etapa reproductiva. Por el contrario en el norte pueden esperarse tanto reducciones como incrementos (que no superarían el 10%) según el sitio y escenario en cuestión (figura 21).
Impacto del Cambio Global sobre la Producción Agrícola
600
Chaco
ACTUAL
GISS
500
Precipitación (mm)
GFDL
400
UKMO
300
200
100
0
E
F
M
A
M
J
J
A
S
O
N
D
600
Santiago del Estero
ACTUAL
GISS
500
Precipitación (mm)
GFDL
400
UKMO
300
200
100
0
E
F
M
A
M
J
J
A
S
O
600
N
D
Corrientes
ACTUAL
GISS
500
Precipitación (mm)
GFDL
400
UKMO
300
200
100
0
E
F
M
A
M
J
J
A
S
O
600
N
D
San Luis
ACT
GISS
500
Precipitación (mm)
GFDL
400
UKMO
300
200
100
0
E
F
M
A
M
J
J
A
S
O
N
D
600
Río Negro
ACTUAL
GISS
500
Precipitación (mm)
GFDL
400
UKMO
300
200
100
0
E
F
M
A
M
J
J
A
S
O
N
D
Figura 19: Valores actuales y estimados por los MCA de precipitación mensual en la región Extrapampeana.
Capítulo 1
35
30
ACTUAL
GFDL
GISS
UKMO
Chaco
Temp. Media (°C)
25
20
15
10
5
0
E
F
M
A
M
J
J
A
S
35
30
ACTUAL
GFDL
GISS
UKMO
O
N
D
Santiago de Estero
Temp. Media (°C)
25
20
15
10
5
0
E
F
M
A
M
J
J
A
S
35
30
ACTUAL
GFDL
GISS
UKMO
O
N
D
Corrientes
Temp. Media (°C)
25
20
15
10
5
0
E
F
M
A
M
J
J
A
S
O
N
D
35
30
ACT
GFDL
GISS
UKMO
San Luis
Temp. Media (°C)
25
20
15
10
5
0
E
F
M
A
M
J
J
A
S
O
35
30
ACTUAL
GFDL
GISS
UKMO
N
D
Río Negro
Temp. Media (°C)
25
20
15
10
5
0
E
F
M
A
M
J
J
A
S
O
N
D
Figura 20: Valores actuales y estimados por los MCA de temperatura media mensual en la región Extrapampeana.
Impacto del Cambio Global sobre la Producción Agrícola
Chaco
S. Estero
Corrientes
San Luis
Río Negro
Chaco
S. Estero
Corrientes
San Luis
Río Negro
Corrientes
San Luis
Río Negro
80
0
Trigo factible
-5
60
GISS
UKMO
GFDL
-10
% variación
% variación
40
-15
-20
-25
20
0
-30
Trigo potencial
-20
-35
GISS
UKMO
GFDL
-40
-40
S. Estero
Corrientes
San Luis
Río Negro
Chaco
20
-5
10
-10
0
% variación
% variación
Chaco
0
-15
Maíz factible
-10
-20
-20
Maíz potencial
-25
GISS
UKMO
-30
GFDL
GISS
UKMO
GFDL
-40
-30
Chaco
60
S. Estero
S. Estero
Corrientes
San Luis
Río Negro
Chaco
S. Estero
Corrientes
San Luis
Río Negro
40
Soja potencial
Soja factible
50
20
40
0
% variación
% variación
30
20
10
-20
-40
0
-10
-60
-20
GISS
UKMO
GFDL
GISS
Chaco
10
UKMO
GFDL
-80
-30
S. Estero
Corrientes
San Luis
Río Negro
20
Girasol potencial
5
Chaco
S. Estero
Corrientes
San Luis
Río Negro
Girasol factible
10
0
% variación
% variación
0
-5
-10
-10
-20
-15
-30
-20
GISS
-25
UKMO
GISS
GFDL
UKMO
GFDL
-40
Figura 21: Variación del rendimiento potencial y factible de los cuatro cultivos en cinco sitios de la región Extrapampeana. Valores expresados como porcentaje de cambio con respecto a los rendimientos actuales.
Capítulo 1
Rendimiento factible
Trigo:
Las variaciones de las precipitaciones pronosticadas por los MCA condujeron a incrementos y disminuciones de los rendimientos. En la zona norte el comportamiento de Chaco y Corrientes fue muy similar, en ambos casos los rendimientos disminuirían en la misma proporción que el potencial (Figura 21) ya
que las abundantes precipitaciones hacen que el agua no sea un factor limitante (figura 19). En Santiago del Estero y San Luis el único que prevée incrementos de rendimiento es GFDL, mientras que en Río
Negro todos los escenarios incrementaron los rendimientos aunque el GISS fue el más favorable.
Maíz:
En todos los sitios las variaciones de rendimiento (figura 21) se corresponden con los incrementos y
disminuciones de las precipitaciones (figura 19). El escenario previsto por GFDL sería el más propicio en
Chaco y Corrientes, el de GISS en Santiago del Estero y San Luis y UKMO en Río Negro.
Girasol:
Con este cultivo (figura 21) ni en Chaco ni en San Luis mejorarían los rendimientos mientras que en
el resto de la región, al igual que con los otros cultivos estivales, el escenario que mayores incrementos
pronostica es GISS.
Soja:
Con el escenario GISS incrementaría el rendimiento en todos los sitios, a excepción de San Luis (figura 21) donde las precipitaciones actuales son muy escasas y ningún modelo pronostica incrementos
de precipitaciones en el período crítico del cultivo.
Conclusiones
El incremento de CO2 en la atmósfera favorecería la producción de los cuatro cultivos por aumentos
de la eficiencia fotosintética y del uso del agua. Sin embargo este efecto positivo podría verse revertido
por el incremento de temperatura.
Los escenarios pronostican incrementos de la temperatura de diferente magnitud, UKMO es el que
prevée mayores aumentos a nivel de la región pampeana, mientras que DS pronostica las menores variaciones. En relación a las precipitaciones, GISS y UKMO preveén incrementos variados durante el año.
GFDL pronostica reducciones en la mayor parte de los meses, excepto en septiembre y en menor grado
octubre, mientras que DS proyecta pequeñas disminuciones en toda la región. En líneas generales el escenario DS sería el menos desfavorable pues, a pesar de reducir las precipitaciones, proyecta los menores incrementos de la temperatura.
Los incrementos de temperatura provocarían efectos variados sobre el rendimiento de los cultivos, que
serían inversamente proporcionales a la magnitud del cambio. El cultivo más perjudicado sería el maíz,
donde incrementos mínimos de temperatura, como los proyectados con DS reducirían en 10% la producción potencial. Le siguen en orden de importancia el trigo y el girasol. En los tres casos el incremento de
temperatura aceleraría proporcionalmente el ciclo de crecimiento, reduciendo la capacidad de los cultivos de captar recursos. Por otra parte, debido a que el incremento relativo de la temperatura es mayor
que el de la radiación, se reduciría la energía captada por unidad de tiempo térmico, afectándose la producción de órganos cosechables.
Por el contrario la soja se vería favorecida ante cualquier escenario, especialmente en el sur de la región, ya que las condiciones térmicas actuales resultan subóptimas en la etapa reproductiva.
Impacto del Cambio Global sobre la Producción Agrícola
Los escenarios que preveén incrementos de las precipitaciones estivales favorecerían la producción
de los cultivos de verano, contrarrestando en ciertos casos los efectos negativos de la temperatura. Por
el contrario en los cultivos de invierno prevalecería el efecto de la temperatura.
Para el próximo siglo pueden esperarse dos eventos de diferente comportamiento, un incremento
generalizado de la producción debido al aumento en el uso de insumos (fertilizantes, plaguicidas, riego), y una reducción de la potencialidad de ciertos cultivos por el probable incremento de la temperatura. Sin duda el primer evento tendrá un impacto mucho mayor sobre la producción que el segundo.
No obstante, considerando ciertas estrategias de adaptación se podría incrementar, aún más, la producción de la zona.
Estrategias simples como modificar el calendario agrícola, a través de siembras más tempranas, permitiría minimizar las pérdidas de rendimiento en trigo, maíz y girasol. Para el mediano y largo plazo, otra
opción de adaptación sería prolongar el ciclo de crecimiento mediante el desarrollo de cultivares de trigo
con mayor sensibilidad fotoperiódica, o de genotipos de maíz con mayor duración de la fase juvenil.
El incremento en el uso de fertilizantes, si bien no es una estrategia de adaptación, va a ocurrir indefectiblemente. Encontrar la situación de compromiso entre la dosis que optimice el rendimiento y minimice la contaminación del ambiente será un desafío a resolver con la implementación de todas las herramientas de análisis y respuestas disponibles.
El riego suplementario es otra tecnología de incipiente difusión, la mayor parte de las reducciones de
los rendimientos previstas para los cultivos de verano podrían neutralizarse con la aplicación de pequeños montos extras, durante los períodos críticos.
La posibilidad de extender la zona productiva fuera de las fronteras de la región pampeana, parece
bastante reducida. En general el incremento de temperatura desfavorecería todas las producciones a
excepción de la soja que encontraría condiciones más favorables en Río Negro y San Luis. Otra opción, sería la difusión hacia el sur (Río Negro) del cultivo de trigo, si se satisfacen los requerimientos
nutricionales.
Capítulo 2
Suelos
Introducción
La región pampeana es reconocida en el mundo por producir granos y carnes todos los años en exceso de su consumo interno. Esta capacidad ha estado asociada a un estado de fertilidad natural de los
suelos supuestamente inagotable.
Sin embargo, desde mediados de la década del ochenta se ha comenzado a alertar sobre un supuesto deterioro de la capacidad productividad de los suelos, al parecer contrapuesta por aumentos de productividad en cereales y oleaginosas que parecen no tener techo. La suerte futura de ambas cuestiones
pareciera depender, en parte, del nivel de aportes tecnológicos y de la habilidad de gestión empresaria.
Sin embargo, la historia reciente da cuenta de cambios en las propiedades edáficas que habría que tomar en cuenta para abordar el efecto del cambio climático con criterio racional.
Uso y calidad de los suelos
El 96% de las tierras de la región son arables mientras que las áreas urbanas y espejos de agua ocupan menos del 2% de la superficie (Moscatelli, 1991). La presión de la urbanización sobre el recurso es
baja, como lo demuestra una densidad de población, sin Capital Federal y 19 partidos periurbanos, de 2
habitantes km-2 en La Pampa a 21 en Santa Fe (INDEC, 1993). Por el crecimiento de las áreas urbanas
se restaría anualmente entre 35 y 40 km2 de tierras arables (Buzai, 1993).
El uso casi excluyente de la tierra es la agricultura. En la mayor parte de la región predomina la rotación de cultivos y pasturas. Hay dos excepciones: 1) las tierras de la cuenca del río Salado cuya aptitud
es sólo la ganadería, y 2) la Pampa Ondulada donde está el núcleo de producción de cultivos anuales
para grano.
La producción anual de la región representa el 90% de los cereales y oleaginosas, el 70% de la producción de carne y el 88% de leche del total nacional. La calidad de los suelos se evidencia a través de
dos circunstancias indirectas: las exportaciones de trigo alimentan, en promedio, el equivalente a 45 millones más de personas (Figura 4.1) y la producción de carne vacuna supera en un 40% el consumo interno anual.
Personas alimentadas (en millones)
120
100
80
60
40
20
0
1960
1965
1970
1975
1980
1985
Figura 4.1. Personas alimentadas con las exportaciones de trigo.
1990
1995
Impacto del Cambio Global sobre la Producción Agrícola
El uso de la tierra para agricultura provoca cambios inevitables en sus propiedades y procesos respecto de un suelo sin cultivar. La condición del recurso es un atributo clave en la cualquier tipo de definición sobre las características sostenibles del suelo. Algunos estudios recientes en la región pampeana sugieren que los sistemas basados en agricultura permanente no serían sustentables desde el
punto de vista de la preservación de la calidad de los suelos (Seniglagliesi et al., 1997; Puricelli y Krüger, 1996).
La identificación de indicadores adecuados ayuda al monitoreo de la calidad de los suelos, facilitando
el alerta sobre amenazas sobre la sostenibilidad de los agroecosistemas. Estos indicadores debieran elegirse en base a:
1.
2.
3.
4.
corresponder a procesos y/o propiedades de los agroecosistemas;
responder a cambios en el manejo y el clima;
ser de fácil medición e interpretación
formar parte de bases de datos existentes.
En el Cuadro 4.1 se describen los indicadores con mayor consenso (Larson y Pierce, 1994; Doran et
al., 1996).
Cuadro 4.1. Grupo de indicadores de la condición y calidad de un suelo.
Indicadores de la condición
del suelo
Valores y unidades apropiadas
Textura
% arena, limo y arcilla
Profundidad del suelo, capa
cm o m
Arable o radicular
Infiltración y
min/2,5 cm de agua y g cm-3
Densidad aparente
Capacidad de retención
%
de agua
Materia orgánica.
kg C/ha-30 cm
Acidez o pH
comparar con umbrales
Conductividad eléctrica
dS/m
N, P y K extractable
kg/ha-30 cm
C y N en la biomasa
kg C o N/ha-30 cm
Microbiana
Fuente: Doran et al., 1996
En nuestro estudio estos indicadores no tienen un mismo nivel de importancia ni están igualmente disponibles. En general se conoce más sobre la evolución de los indicadores químicos que de los restantes. Un análisis de los cambios más importantes en las propiedades de los suelos durante los últimos
veinticinco años, en condiciones de clima relativamente estable, permitiría orientar la elección de los indicadores relevantes para este estudio.
Capítulo 2
Cambios recientes de los suelos
En 1965, el Plan Mapa de Suelos de la Región Pampeana por el Instituto Nacional de Tecnología Agropecuaria (INTA) inicia el relevamiento sistemático de los suelos. Parte de la tarea fue la medición de cinco indicadores del Cuadro 4.1 y la caracterización de la aptitud de uso de varios cientos de suelos. Es la
primera, y hasta ahora única, radiografía de los suelos pampeanos, en el momento cuando el sistema típico de producción mixta comenzaba a dar paso a la intensificación del uso agrícola (Obschatko et al.,
1984). Los datos históricos del uso de la tierra en Pergamino, presentados por Pizarro (1997), son suficientemente representativos de lo sucedido en la Pampa Ondulada (Figura 4.2).
100
90
80
70
Uso (%)
60
50
Pasturas
Cultivos
40
30
20
10
0
1881
1914
1937
1947
1960
1969
1974
1988
Figura 4.2. Evolución del uso del suelo en el Partido de Pergamino.
Está demonstrado que los cambios tecnológicos que trajo la agricultura han impactado la calidad de
los suelos, en especial a dos propiedaes más que a otras: 1) contenido de materia orgánica; 2) profundidad. La materia orgánica es importante en la disponibilidad de nitrógeno y fósforo, y para favorecer la porosidad del perfil a través de una estructura granular estable. La doble cosecha anual, la difusión de cultivares con mayor potencial de rendimiento y un uso cada vez más frecuentes de las labranzas, han disminuido los niveles de fertilidad potencial hasta convertirse en limitantes. El resultado negativo de los balances de carbono y nitrógeno en los agroecosistemas con predominio de la producción de granos ha sido confirmada recientemente (Viglizzo, 1994; Rosell et al., 1995). Vázquez et al. (1990) informaron que
el contenido de carbono orgánico en suelos cultivados respecto de testigo inalterados disminuyó 39% en
el Oeste de la región, 26% en el norte y 17% en el sudeste. En la Pampa Ondulada, los suelos más intensamente cultivados han perdido entre 21 y 63% de su materia orgánica (Michelena et al., 1989; Rivero de Galetto, 1991).
La erosión hídrica también ha afectado la capacidad productiva de los suelos al provocar la pérdida
de nutrientes y de capacidad de retención hídrica. En áreas con pendiente mayores a 3%, la agricultura permanente se ha vuelto insostenible, obligando a los agricultores a buscar formas alternativas de
uso de la tierra (Díaz et al., 1994). El poder erosivo de las lluvias es importante en la Pampa Ondulada y en los sectores inclinados del sudeste bonaerense, donde las tasas superarían ampliamente la
velocidad de 0,2-0,3 mm año-1 a la cual se formarían los suelos pampeanos (Panigatti, 1975). Unas pocas mediciones dan cuenta del riesgo que supone el doble cultivo en áreas onduladas y con tormentas erosivas (Cuadro 4.2).
Impacto del Cambio Global sobre la Producción Agrícola
Cuadro 4.2. Mediciones de pérdidas de suelo (t ha-1 año-1) por erosión hídrica.
Sistema de Manejo
Región
Pérdida
Fuente
O de Entre Ríos
2-12
Nani et al, 1980
Agricultura pura
S de Córdoba
26
Marelli, 1988
Agricultura pura
NE de Bs. As.
35
Santanatoglia et al, 1980
Pastura perenne
O de Entre Ríos
0,1
Nani et al, 1980
Cuenca serrana
O de San Luis
9
Adaro, 1983
Suelo desnudo
O de Entre Ríos
58
Nani et al, 1980
Cereales
La acción erosiva del viento ha sido mucho menos estudiada (Aimar et al., 1996). Algunos indicadores
físicos tales como la densidad aparente y la tasa de infiltración han sido medidos en parcelas experimentales en relación a la interacción sistema de producción-sistema de labranza, pero distan de habérselos
considerado espacialmente (Fontanetto y Gambaudo, 1996, entre otros). En varios casos la influencia de
los procesos que conducen a una degradación en la calidad de los suelos ha sido analizada en forma indirecta a través de sus efectos sobre los rendimientos de los cultivos.
Impactos sobre la producción
En líneas generales el deterioro de los recursos naturales es un proceso más lento que la dinámica de
los procesos económicos, de lo que se desprende que separar efectos no es una tarea sencilla. El impacto de una tierra con menor calidad sobre la productividad de los cultivos ha sido señalada con mayor
frecuencia en los paisajes ondulados del norte de Buenos Aires y de Entre Ríos, donde predomina los
agroecosistemas sin rotación ganadera (Cuadro 4.3).
Cuadro 4.3. Impacto (kg ha-1 año-1) sobre la productividad de cultivos y agroecosistemas.
Cultivo o sistema
Región
Merma en el rinde
Fuente
Trigo
NE de Bs. As.
100-200
Berón y Lemos, 1982
Soja
NE de Bs. As.
166
Berón e Irurtia, 1992
Agricultura pura
O de Entre Ríos
2750
Scotta, 1995
Soja
SO de Córdoba
36
Apesteguía et al., 1987
Soja
SE de Córdoba
45
Tengberg et al., 1997
Trigo
SE de Córdoba
85
Tengberg et al., 1997
Maíz
NE de Bs. As.
150
Díaz et al., 1995
Capítulo 2
Un análisis del impacto del cambio climático sobre la calidad de los suelos, y por ende de la sostenibilidad de los agroecosistemas pampeanos, debiera aplicar un enfoque que contemple dos aspectos:
1. la consideración de indicadores y procesos relevantes a la reciente historia agropecuaria.
2. la dinámica resultante de la interacción entre ambiente y manejo.
Algunas de las metodologías disponibles serían capaces de estimar razonablemente distintos escenarios de cambio del agroecosistema, siempre y cuando se tenga la precaución de verficar que incluyan a
los principales indicadores con respuesta al cambio climático.
Suelos y cambio climático
Las evidencias aquí presentadas sugieren que los agroecosistemas pampeanos no parecen estar en
equilibrio. Dado que el escenario de cambio climático más probable tendría un desarrollo gradual e irregular, esto hace suponer que la falta de equilibrio tendería a mantenerse. Se conoce que las propiedades del suelo tienen tasas diferentes de cambio. Algunas de éllas, si bien no están en equilibrio con el
ambiente actual, su velocidad de cambio es tan lenta que suelen ser ignoradas. Por el contrario es fácil
predecir que los indicadores más dinámicos serán los más afectadas. En la bibliografía, la profundidad y
la fertilidad potencial aparecen identificadas como las propiedades más propensas a cambiar (Tinker e
Ingram, 1994).
Una pérdida de espesor del suelo debiera ocurrir con mayor probabilidad donde los aumentos en
lluvias y vientos se superpongan a cambios en el patrón de cobertura vegetal, aspectos que ontrolan
la magnitud de los procesos erosivos. Robertson et al. (1987, 1990) simularon el efecto del cambio
del clima y del CO2 sobre la tasa de erosión en ciertos agroecosistemas agrícolas de Estados Unidos
de Norte América con el modelo EPIC. En Inglaterra, donde la erosión de las tierras agrícolas ha aumentado considerablemente en los últimos veinte años, EPIC simuló un aumento del 27% en la tasa
media anual de erosión frente a un crecimiento proyectado del 15% en la lluvia (Boardman y FavisMortlock, 1993).
El efecto también ha sido estudiado sobre los flujos y fuentes de C y N del suelo. Se sabe que la
velocidad de descomposición de la materia orgánica aumenta con la temperatura y el humedecimiento del suelo. La cantidad, ubicación y composición de los residuos, que dependen del manejo del sistema, cuenta con posibilidades de modficar los efectos, haciendo que el conjunto de procesos del suelo a considerar sea algo muy complejo. Sin embargo, recientemente se ha progresado con éxito en la
simulación dinámica de la materia orgánica del suelo en relación al manejo y al cambio climático (Donigian et al., 1995).
Objetivos
En este estudio presentamos un enfoque que comprende un conjunto de metodologías, algunas de
ellas novedosas, de evaluación de los efectos potenciales del cambio climático sobre indicadores de la
calidad del suelo. La conformación lógica de la metodología demandó: a) la revisión de una serie de métodos empleados en otros lugares del mundo para análisis de impactos; b) la priorización de los factores
y procesos determinantes de la calidad de los suelos; c) la factibilidad de aplicación a las condiciones actuales de la región pampeana.
El estudio tiene dos objetivos centrales:
1. Estimar el impacto del futuro cambio climático sobre la calidad de los suelos en la región pampeana.
2. Identificar opciones de adaptación tecnológica que puedan mitigar los efectos a nivel agroecosistema.
Impacto del Cambio Global sobre la Producción Agrícola
Materiales y métodos
El enfoque principal del análisis de la vulnerabilidad y adaptación de los sectores de la agricultura al
cambio climático tiene como herramienta principal el empleo de técnicas de simulación. En nuestra metodología, el modelo EPIC se usa en forma secuencial para: 1) estimar las propiedades de los suelos a
fines de 1995, y 2) evaluar el impacto de distintos escenarios de cambio sobre el recurso. En el primer
caso se aplica el clima medido entre 1967/68 a 1995 a cada combinación “suelo-rotación-manejo”. Para
el análisis de impacto, el modelo emplea series sintéticas de lluvia y temperatura, modificadas según el
escenario en cuestión. En este caso un generador climático simula secuencias de tiempo diario que impulsan a los submodelos de EPIC. Entre todas las variables de salida de EPIC se aislan los valores finales de los indicadores. La comparación entre el valor de la propiedad en el 2050 (valor final) respecto del
valor de referencia en 1996 refleja el impacto del cambio. Un diagrama de flujo con la identificación de
los principales componentes de la metodología se presenta en la Figura 4.3.
Figura 4.3. Diagrama de flujo del estudio de impacto en la calidad de los suelos.
A continuación se darán detalles del modelo, los escenarios de cambio climático, los agroecosistemas
y las áreas en estudio.
El modelo
El modelo EPIC fue desarrollado por el Departamento de Agricultura de Estados Unidos de Norte América para estimar el impacto de la erosión del suelo sobre la productividad de los ambientes a fin de cum-
Capítulo 2
plir con demandas de la Ley sobre Conservación de los Recursos, sancionada por el Congreso norteamericano en 1985 (Putman et al., 1988). Sus componentes tienen base física y los procesos simulados
incluyen: erosión; balance de nutrientes; labranzas; manejo del cultivo; crecimiento vegetal y análisis económico. En varios países de clima templado EPIC ha demostrado que puede simular aceptablemente
agroecosistemas similares a los pampeanos (Jones et al., 1991). A partir de 1985 el modelo fue modificado para facilitar la entrada de datos, disponer de un generador climático, e incluir varios métodos de
estimación de la erosión y técnicas de manejo. Recientemente se lo ha habilitado para la simulación del
cambio climático (Easterling et al., 1992). Luego de una comparación de los modelos existentes, y ante
la necesidad de disponer de un modelo de impacto de primer orden, se seleccionó a EPIC como el más
apropiado.
Validación del modelo
En la Pampa Ondulada, EPIC ha sido calibrado y validado –empleando datos locales meteorológicos,
de suelo y manejo– con una cantidad considerable de resultados experimentales. Un análisis inicial de
sensibilidad permitió determinar cuales propiedades edáficas debieran ser especificadas con precisión
(Díaz et al., 1992). Las simulaciones posteriores se orientaron a validar los rendimientos del cultivos y
pasturas, los sistemas de labranzas y las propiedades de los suelos con mediciones de la Estación Experimental de INTA en Pergamino (Cuadro 4.4).
Cuadro 4.4. Comparación entre variables medidas y estimadas con EPIC.
Sistema
Trigo
Manejo
Lugar
Variable
EPIC
Medido
Convencional
EEA Pergamino
Rinde, t ha-1
3,34a
3,23
ha-1
2,21a
2,38
Maíz
Convencional
EEA Pergamino
Rinde, t
Soja de 2ª
Convencional
EEA Pergamino
Rinde, t ha-1
6,56a
6,33
Alfalfa
Convencional
EEA Pergamino
Rinde, t ha-1
6,63b
3,89
Agrícola pura
Arado de reja
EEA Pergamino
Rinde, t ha-1
3,99c
3,97
Agrícola pura
Siembra directa
EEA Pergamino
Rinde, t ha-1
3,93c
4,09
ha-1
4,01c
3,96
Agrícola pura
Combinada
EEA Pergamino
Rinde, t
Agrícola pura
Convencional
EEA Pergamino
C Orgánico, %
1,55c
1,70
Agrícola pura
Convencional
N. Bs. As.
C Orgánico, %
1,66d
1,64
Agrícola pura
Convencional
EEA Pergamino
N Total, g t-1
1380c
1416
Agrícola pura
Convencional
N Bs. As.
N Total, g t-1
1557d
1515
Agrícola pura
Convencional
S Córdoba
Erosión, t/ha/año
24,0e
25,5
a
Díaz, 1993a.
Díaz, 1993b
c Díaz y Di Giacomo, 1994
d Díaz, 1996
b
En general se aprecia que los valores predecidos por el modelo se comparan adecuadamente con los
datos medidos experimentalmente. El juicio se puede extender a un conjunto de calibraciones y validaciones efectuadas con EPIC en la cuenca del río Carcarañá, información que ha sido publicada oportunamente (Díaz, 1995).
Impacto del Cambio Global sobre la Producción Agrícola
Escenarios
Existe inseguridad sobre la evolución del clima y de la economía regional. Si bien la tendencia global
hacia un aumento generalizado de las temperaturas es aceptada, menos se sabe sobre la magnitud de
los cambios regionales que predicen los modelos de circulación general (MCG, Mitchell et al., 1990). Las
condiciones socioeconómicas población, educación, ingreso y tecnología por su dinámica, también afectarán el desempeño del sector agropecuario (Leggett et al., 1992).
Las evaluaciones sobre vulnerabilidad y adaptación utilizan escenarios para capturar la incertidumbre
asociada con el clima futuro. En este sentido los escenarios combinan circunstancias actuales o tendenciales que ayudarían a describir un grupo de condiciones futuras. En este estudio se incluyen dos tipos
de escenarios: 1) base, también llamado de referencia: es el que permite estimar las condiciones finales
de las propiedades bajo el supuesto que el clima no sufrirá cambios en el futuro, y 2) de cambio: son los
que anticipan cambios representados por el enfoque incremental de las variables principales o basados
en el ajuste regional de las predicciones de los MCG, con y sin aumento del nivel de CO2 .
Escenario base
Se define como escenario base el que simula la evolución de los indicadores, a partir de su valor actual hasta el que tendría en el año 2050, bajo el supuesto de ausencia de cambio climático. La información sobre la condición inicial de las propiedades es un insumo necesario, en un contexto en que no existen mediciones.
Una estimación aproximada de actualización del suelo a 1995 se consiguió mediante una combinación
de datos medidos a fines del sesenta con una simulación con EPIC. En primera instancia, la bondad de
ajuste del método fue verificada con datos independientes de 25 series de suelos de la Pampa Ondulada (Díaz y Di Giacomo, 1994). Los principales pasos de la metodología son:
1. Recopilar las descripciones y mediciones de los suelos relevados por INTA entre 1967 y 1970.
2. Estimar las variables hidrológicas y de relieve para cada perfil de suelo, a partir de las planillas de
campo.
3. Recopilar los datos meteorológicos diarios de las estaciones meteorológicas y asociar por el criterio de
máxima proximidad a cada suelo.
4. Adjudicar un calendario de rotación y manejo del sistema compatible con la capacidad de uso relevada.
5. Simular la unidad “suelo-clima-manejo” entre 1970 y 1995.
Esta metodología de evaluación de los cambios históricos, de casi treinta años, aseguró la obtención
de información completa y representativa. Con datos de siete series de suelos de la cuenca del río Arrecifes se validó la aptitud del modelo para estimar la degradación de la materia orgánica. Los datos simulados de profundidad, contenido de carbono orgánico del espesor de 0 a 18 cm y tenor de nitrógeno del
perfil de cada suelo a fines de 1995 sirvieron de condición inicial de las simulaciones de impacto para los
escenarios de cambio climático.
Escenarios climáticos
Los escenarios de cambio climático son de dos clases. Uno de ellos se basa en el uso de estimaciones de un MCG ajustado localmente. Núñez, Solman y Torres explican en otro capítulo de este informe
el procedimiento que permite escalar (“downscaling”, abreviado de aquí en más como DS) el cambio climático dell MCG del Max Plank Institute for Meteorology a los datos de las estaciones meteorológicas de
la región pampeana. Los autores han tabulado los coeficientes de cambio de las temperaturas y lluvias
mensuales de 41 estaciones, incluidas las siete de nuestro estudio, como resultado del aumento del CO2
del aire.
Capítulo 2
El otro tipo de escenario se denomina incremental porque contempla cambios de la temperatura (de
+1 a +3°C) y la lluvia (±20%). Estos escenarios son adecuados para analizar la respuesta de los indicadores a una gama amplia de cambios potenciales, a la vez que permiten distinguir entre los efectos de
ambos factores. Estos escenarios fueron implementados aumentando los promedios mensuales del clima observado en 0, 1, 2 y 3°C. La lluvia acumulada y la intensidad máxima media mensual en media hora fueron modificados en –20%, 0% y +20% respecto de sus valores actuales. A fin de reducir la cantidad de resultados, sólo se presentarán los siguientes:
1. sin cambio (identificado como base).
2. aumento de 2°C en la temperatura (T + 2), como representativo del rango 1 a 3°C.
3. aumento del 20% en las lluvias (P + 20).
4. disminución del 20% en las lluvias (P – 20)
Todos los escenarios que sean simulados a largo plazo requieren el uso de generadores climáticos.
Estos programas generan datos diarios de temperatura, radiación y lluvias por un procedimiento que
combina las propiedades mensuales del clima, funciones de distribución de estas variables y luna aleatorización parcial. El generador que tiene EPIC, de nombre WXGEN, ya ha sido debidamente descripto
y puesto a prueba (Richardson y Nicks, 1990). Su alcance y limitaciones en el norte de Buenos Aires han
sido discutidos oportunamente por Díaz (1993c). Otro programa, WXPARM, fue empleado para calcular
las estadísticas climatológicas mensuales a partir de series históricas diarias con más de 20 años de duración.
Los datos meteorológicos diarios correspondieron a las estaciones de INTA en Pergamino (33° 56’S,
60° 33’W, 65 m); San Pedro (33° 41’S, 59° 41’W, 28 m); Marcos Juárez (32° 41’S, 62° 07’W, 110 m) y Oliveros (32° 33’S, 60° 51’W, 26 m) y del Servicio Meteorológico Nacional en Junín (34° 33’S, 60° 55’W, 81
m); Rosario (32° 55’S, 60° 47’W, 25 m) y Tandil (37° 14’S, 59° 15’W, 175 m), medidos entre 1966 y 1996.
La información consistió en las temperaturas extremas del aire en abrigo meteorológico, radiación solar
global, lluvias, velocidad del viento a 2 metros y humedad relativa promedio. La intensidad máxima de lluvia en media hora, como valor medio mensual, fue interpolada de mapas de la región pampeana confeccionados con información de la Estación Experimental de INTA en Paraná (Rojas, com. pers.). La información de las lluvias en 0,5 y 6,0 horas con período de retorno de 10 años estaba publicada (Díaz y Masiero, 1984).
En el anexo I se presentan los promedios mensuales de las cuatro variables en cada estación. La cantidad de escenarios se duplica al contemplar niveles de CO2 de 330 y 550 ppm. El modelo EPIC está en
condiciones de simular el efecto directo causado por un aumento en el nivel de CO2 sobre los procesos
de fotosíntesis y transpiración.
Agroecosistemas
Los escenarios tecnológicos, definidos por la combinación cultivos-rotación-manejo juegan un papel
importante en la dinámica de las propiedades de los suelos. En un contexto de gran variación temporal
y espacial, disponer de información fehaciente sobre la tipificación de la empresa agropecuaria no es una
tarea sencilla.
En la literatura se identifican sistemas típicos de producción agrícolas y mixtas con mayor vigencia en
los últimos veinticinco años (Cascardo et al., 1991; Ghersa y Martínez de Ghersa, 1990). El esquema de
agricultura permanente se afianzó con la introducción de la soja a mediados del setenta. Un modelo típico de producción agrícola, difundido en la Pampa Ondulada, fue la rotación trigo, soja y maíz, con énfasis en el doble cultivo y el laboreo con arados de reja, rastras de discos y rotativas (Hall et al., 1992). En
la subregión de producción mixta el uso predominante de la tierra ha sido y es la rotación de cereales,
oleaginosas y pasturas (Cascardo et al., 1990).
Dada la necesidad de limitar la cantidad de combinaciones de suelos, climas y manejos sin comprometer la captura de la heterogeneidad y, al mismo tiempo, disponer de un método objetivo que vincule
a los suelos con los sistemas de producción, se asumió que había una correspondencia histórica entre
Impacto del Cambio Global sobre la Producción Agrícola
capacidad de uso y uso actual de las tierras. Este procedimiento es objetivo porque se dispone de información sistemática sobre la aptitud de las tierras (INTA, 1986). Con la colaboración del técnicos del
Plan Mapa de Suelos de las Provincias de Buenos Aires, Córdoba y Santa Fe se pudo estimar la capacidad de uso de los perfiles en los sectores en estudio. En el Cuadro 4.5 se describen los tipos de sistemas de producción genéricos asignados a las clases de uso, considerando las cualidades y limitaciones de las tierras.
Cuadro 4.5. Criterios de asociación entre clases de capacidad de uso de las tierras y agroecosistemas
de la Pampa Ondulada.
Clases de capacidad de uso
Sistema de producción
I - II - III
IIIws - IV
V - VI
Vws - VIws - VII
Agricultura pura
Agricultura mixta
Ganadera, con pasturas artificiales
Ganadera, campo natural.
w: limitación por exceso de agua
s: limitación en la zona radicular
Una verificación del uso actual de la tierra, con imágenes del satélite LANDSAT, en los alrededores de
Arrecifes y en la parte alta de la cuenca de los Arroyos Tandileofú y Chelforó, permitió confirmar la vigencia de los patrones de uso del suelo, discriminados por unidades cartográficas y limitaciones por erosión
(Díaz et al., 1994; Díaz, 1996). También se analizó información sobre las rotaciones más difundidas en
unidades cartográficas representativas del norte de Buenos Aires, obtenidas mediante encuestas personalizadas (Vavruska e Irurtia, 1988). Así se pudo demostrar que en 18 de los 20 casos los cultivos en rotación fueron trigo, soja y maíz. Otras características típicas eran: a) un ciclo agrícola típico con duración
de 10 a 15 años; b) el arado de reja o cincel era la herramienta principal de labranza; c) el trigo se fertilizaba con 60 a 100 kg de urea ha-1.
Un calendario típico de manejo de la rotación trigo, soja de segunda y maíz se conformó con información de Ghersa y Martínez de Ghersa (1990); de los ensayos de rotaciones de largo plazo de las Estaciones Experimentales de INTA en Pergamino y Marcos Juárez y con visitas a la subregión para su actualización.
El sistema de producción agrícola-ganadero más difundido en la Pampa Ondulada combina la producción de granos con la ganadería bovina para carne. Los animales pastorean una pradera consociada en base de alfalfa. El autor visitó las Estaciones Experimentales de INTA en Marcos Juárez y Manfredi a fin de recabar calendarios típicos de manejo de alfalfa. Asimismo dispuso de colaboración técnica y publicaciones (Subprograma Alfalfa de INTA, 1991 a 1996). Un detalle del ciclo mixto de siete años,
que incluye uno agrícola de tres años seguido por otro ganadero de cuatro años con alfalfa se presenta en el anexo IIa.
En la zona predominantemente mixta del sudeste bonaerense, el 91% de los suelos pueden ser arados periódicamente. Trigo, girasol y maíz son los principales cultivos del área. La ganadería de invernada se basa en pasturas cultivadas, tanto perennes como anuales, siendo la avena una de las especies
más difundidas. En la parte alta de la cuenca de los arroyos Tandileofú-Chelforó el uso histórico se ha
basado en la sucesión de cultivos y pasturas (Godz, 1985). Durante la ejecución de este proyecto varias comisiones fueron destacadas al área a fin de relevar información sobre las características de manejo de los agroecosistemas (Boullón y Rodríguez, 1996 y 1997; Damiano, 1997). Del análisis de estas
encuestas a campo se desprende que en una rotación típica de siete años, en tres se rotan trigo, girasol y maíz para los suelos con capacidad de uso II y III. En el anexo II se detalla el calendario del ciclo
agrícola del sistema mixto. Los suelos con capacidad IV, V y VI se asumieron ocupados exclusivamente con pasturas, dado que la salinidad y el anegamiento son las principales limitaciones en los campos
bajos de la zona.
Capítulo 2
Opciones de mitigación
Desde siempre la agricultura pampeana se desenvuelve en condiciones climáticas variables, que exigen a los productores gran flexibilidad en el manejo de sus explotaciones. Frente a condiciones de
cambio climático se examinaron dos tipos de estrategias de adaptación de la empresa rural. Un aspecto tiene que ver con el cambio de uso de la tierra, hecho que tendría repercusiones sobre el proceso
de deterioro de la capacidad productiva de los agroecosistemas y en el balance, al menos local, de emisiones y capturas de CO2. Una forma sencilla de estimar el efecto se logró comparando los cambios de
profundidad y fertilidad potencial de los suelos con capacidad de uso III y IV, como representativos de un
cambio de agricultura pura a mixta.
Otra opción de mitigación es el remplazo o supresión del sistema de labranza. Ya en la década del
ochenta los agricultores decidieron la sustitución del arado de reja por equipos de labranza vertical. Recientemente, la siembra directa ha alcanzado un notable crecimiento. En la actualidad se estima que cuatro millones de hectáreas se siembran sin labranzas y las proyecciones indicarían una tendencia creciente. Los efectos de esta tecnología fue verificada con simulaciones con el modelo EPIC de los suelos de
las cuencas de los ríos Arrecifes y Carcarañá con capacidad de uso I y II, que incluyó la siembra directa
de soja y maíz en el manejo del sistema de agricultura pura. La magnitud de la mitigación se estimó mediante la comparación de los valores finales de los indicadores de calidad del suelo en relación a los obtenidos con la misma rotación pero con sistema de labranza convencional .
Supuestos
La necesidad de considerar una cantidad finita y manejable de situaciones de producción, la naturaleza de los métodos empleados y lo imprevisible de un futuro de largo plazo en la agricultura imponen al
estudio una serie de limitaciones. Las más relevantes son:
1. Incertidumbre acerca de la variabilidad espacial y temporal de los escenarios de cambio climático.
2. Grado de eficiencia del generador climático en la representación de escenarios.
3. Naturaleza empírica de varios procesos del modelo EPIC
4. Condición temporal irreversible de los agroecosistemas a largo plazo.
5. Homogeneidad en la conformación del paquete tecnológico en cada agroecosistema.
6. Uniformidad en un calendario de manejo en cada agroecosistema.
Areas en estudio
El tratamiento de la vulnerabilidad del recurso suelo se centró en la Pampa Ondulada y en el sudeste
de Buenos Aires, dos de los sectores de la región con mayor vocación y productividad agrícola. Tres
cuencas hidrológicas fueron seleccionadas como unidades de estudio por: 1) su importancia agropecuaria; 2) la magnitud de los cambios en la calidad de los suelos, y 3) la presencia de sectores afectados por
erosión hídrica ligera a severa.
La cuenca del río Arrecifes comprende 1.170.000 ha, en el N de Buenos Aires y S de Santa Fe. Hay
5.289 establecimientos que producen anualmente entre el 9 y 11 % del total nacional de cereales y oleaginosas, por valor de 500 millones de pesos. La superficie erosionada alcanza al 10% de la cuenca.
La cuenca del río Carcarañá abarca 981.000 hectáreas donde anualmente se cosecha el 8% de la producción nacional de trigo, soja, girasol y maíz en 4.703 establecimientos, por valor de 375 millones de
pesos. La erosión hídrica afecta a 175.000 hectáreas de tierras aptas para agricultura, con pérdidas de
espesores de capa arable estimada entre 5 y 27 cm en los suelos con agricultura sin interrupciones durante cincuenta años.
La cuenca de los arroyos Tandileofú-Chelforó se caracteriza porque estar situada en la transición entre las subregiones Pampa Deprimida y del Sur. La orientación general es de sudoeste a noreste, abar-
Impacto del Cambio Global sobre la Producción Agrícola
cando 163.100 ha de los partidos de Ayacucho, General Guido y Tandil. En el sector sudoeste, en los alrededores de Tandil, el relieve es ondulado con pendientes de hasta 35%. En estas 27.100 ha al uso agrícola parcial de los suelos se suma el riesgo de erosión. En el resto de la cuenca, los problemas de drenaje y salinidad hacen que los suelos sean aptos sólo para la ganadería de cría.
Los suelos de las cuencas de la Pampa Ondulada son Molisoles, predominando los argiudoles típicos
desde el SE de Córdoba hasta el E de Santa Fe. La tasa media anual de erosión varía de 5 a 50 t ha-1.
El 72% del área el riesgo erosivo es bajo. Los sectores más erosionados se hallan en el Partido de Bartolomé Mitre en Buenos Aires y en el límite entre Córdoba y Santa Fe, en la latitud de 33° Sur.
Los suelos predominantes en la zona alta son del gran grupo de los Argiudoles y Hapludoles. En los
primeros las limitaciones más importantes son la susceptibilidad a la erosión y en la profundidad efectiva. Entre los Hapludoles, a estas dos limitaciones se agrega la impuesta por la presencia de rocas.
-30
-31
-32
-33
-34
-35
-36
-37
-38
-39
-64
-63
-62
-61
-60
-59
-58
Figura 4.4. Situación geográfica de las áreas en estudio.
-57
-56
Capítulo 2
De los archivos del Plan Mapa de suelos de las provincias de Buenos Aires, Córdoba y Santa Fe se
recopilaron datos de campo y de laboratorio de 683 perfiles. En las planchetas del Instituto Geográfico
Militar se ubicaron los sitios, determinándose sus coordenadas geográficas y elevación sobre el nivel del
mar. En el Anexo III se presenta la identificación, ubicación geográfica y otras características de los 254
suelos de la cuenca del Arrecifes (Anexo IIIa), 323 de la cuenca del Carcarañá (Anexo IIIb) y 106 de la
cuenca de los arroyos Tandileofú-Chelforó (Anexo IIIc). Con los datos de laboratorio se organizaron las
respectivas bases de datos de propiedades por horizonte. Esta información representa las condiciones
iniciales de los suelos a fines de la década del sesenta.
Resultados
En este capítulo se describen tres temas: 1) los cambios históricos; 2) la vulnerabilidad del recurso
suelos, y 3) las opciones de mitigación. En cada caso se analizan los cambios en la profundidad, en el
contenido de materia orgánica en la capa arable y el tenor de nitrógeno total.
Cambios históricos
Este punto tiene por objeto verificar la hipótesis que la intensificación de la agricultura a partir de 1970
causó un deterioro de la calidad de los suelos. Al mismo tiempo se trata de comprobar si el modelo EPIC
es una herramienta adecuada para este propósito.
De acuerdo a estudios de Michelena et al. (op. cit.), la situación generalizada en la Pampa Ondulada
ha sido la de degradación de la fertilidad natural del suelo, con valores modales de 20% en la pérdida de
carbono orgánico en la capa arable y del nitrógeno total.
A fin de comprobar la bondad de ajuste del modelo a la realidad, se compararon sus estimaciones con
mediciones independientes de INTA. El Instituto de Suelos calculó el deterioro como la diferencia relativa entre los tenores de carbono orgánico de una misma serie de suelo medidos a campo bajo dos manejos diferentes: uno, típico de la década del 60, donde se alternaban la ganadería con la agricultura y
otro conformado con la sucesión ininterrumpida de cultivos anuales para grano. El grado de acuerdo entre estimaciones y mediciones fue aceptable, con diferencias según el tipo de suelo. El ajuste fue muy
bueno en los argiudoles típicos (series de suelo Arroyo Dulce, Arrecifes con y sin erosión, Pergamino y
Rojas). En los argiudoles vérticos (series Portela y Ramallo) y en los hapludoles (serie Delgado), el modelo sobrestima la magnitud del deterioro. EPIC representa correctamente la degradación en los suelos
erosionados.
Cuadro 4.6. Comparación entre el deterioro relativo de CO en capa arable medido en ocho suelos y estimados por EPIC para 82 casos entre 1967/68 y 1995.
Denominación de
los suelos
Arroyo dulce
Arrecifes
Arrecifes erosionado
Delgado
Pergamino
Portela
Ramallo
Rojas
Deterioro relativo
Medido
del C Orgánico (%):
Estimado
Número de
Estimaciones
-15
-18
-26
-15
-19
-11
-10
-17
-18±7
-20±4
-23±39
-23±4
-16±3
-17±4
-17±4
-19±4
12
7
4
11
7
6
6
29
Impacto del Cambio Global sobre la Producción Agrícola
En la cuenca del río Arrecifes, tras analizar 254 perfiles, se concluyó que los mayores cambios relativos ocurrieron en los contenidos superficiales de la materia orgánica, especialmente cuando la agricultura permanente era el sistema adoptado (Cuadro 4.7). En cambio, en los sistemas basados en pasturas,
tanto en forma parcial o excluyente, las propiedades se mantuvieron en equilibrio. Se advierte, asimismo,
que algunos suelos de las clases II a VII tendrían capacidad de aumentar el tenor de materia orgánica.
Cuadro 4.7. Cambios (en %) históricos en las propiedades de los suelos de la cuenca del río Arrecifes
según clases de capacidad. Período 1968 a 1995.
Capacidad de uso
Profundidad
C Orgánico
N total
I
-3±3
-24±10
-11±7
II
-2±3
-18±13
-8±10
III
-1±1
1±15
7±14
V
0
2±7
2±13
VI
0±2
2±4
-1±2
VII
0
2±4
-1±6
En la cuenca del río Carcaraña los cambios históricos en los suelos con sistemas agrícolas (aptitud I
a III) fueron generalizados (Cuadro 4.8). En los suelos de clase III la erosión es el principal factor limitante. Esto marca una diferencia respecto de la de Arrecifes donde las limitaciones por anegamiento y erosión son igualmente importantes.
Cuadro 4.8. Cambios (en %) históricos en las propiedades de los suelos de la cuenca del río Carcarañá
según clases de capacidad. Período 1968 a 1995.
Capacidad de uso
Profundidad
C Orgánico
N total
I
-3±2
-24±11
-9±6
II
-3±1
-27±10
-10±5
III
-2±1
-17±10
-6±4
IV
0
4±3
-1±1
V
0
5±3
-1±0
VI
0
3±4
-1±1
VII
0
2±4
-2±2
En la cuenca de los arroyos Tandileofú-Chelforó se estimó que el efecto de la erosión sobre la profundidad fue comparativamente menor que el impacto sobre la fertilidad natural (Cuadro 4.9). Sin embargo
hay que tener presente que aquí la profundidad de estos suelos es limitada, por lo cual la importancia de
la erosión se magnifica.
Capítulo 2
Cuadro 4.9. Cambios (en %) históricos en las propiedades de los suelos de la cuenca de los arroyos Tandileofú-Chelforó según clases de capacidad. Período 1968 a 1995.
Capacidad de uso
Profundidad
C Orgánico
N total
II
-3±2
-28±10
-10±4
III
-3±1
-32±10
-6±4
IV
0
1±5
-1±2
VI
0
2±6
-1±3
VII
-1±1
3±6
-2±2
Se puede concluir que la pérdida histórica de la calidad de los suelos ha impactado más a los indicadores de fertilidad que a la profundidad, particularmente en asociación con sistemas de producción que
privilegiaron ciclos agrícolas con mayor duración e intensidad.
Vulnerabilidad proyectada
Cambios en la profundidad
En la cuenca del río Arrecifes, la disminución de la profundidad del perfil ocurriría con mayor probabilidad en donde hay agricultura permanente, mientras que en los sistemas de producción con ganadería
el impacto sería nulo (Cuadro 4.10). Los suelos con las mejores aptitudes (capacidades de uso I y II) serían los relativamente más afectados. Respecto al escenario sin cambio, se nota que los aumentos de la
temperatura y los cambios en las lluvias, con 330 ppm de CO2 , no tienen impacto alguno.
Cuadro 4.10. Disminución (-%) en la profundidad de los suelos de la cuenca del río Arrecifes, con relación a 1996, según capacidad de uso y escenarios con 330 ppm de CO2 .
Capacidad de uso
N° de casos
Sin cambio
T + 2°C
P + 20%
P - 20%
I
133
-8±5
-8±4
-8±4
-8±4
II
40
-7±7
-7±7
-8±8
-7±7
III
14
-2±3
-2±3
-2±3
-2±2
V
8
0
0
0
0
VI
26
0
0
0
0
VII
33
0
0
0
-1±4
T: temperatura
P: lluvia
Impacto del Cambio Global sobre la Producción Agrícola
Si los escenarios de cambio incluyeran el aumento de la concentración de CO2 a 550 ppm, en condiciones de equilibrio, se advierte una ligera atenuación del impacto respecto de los escenarios con 330
ppm de CO2 (Cuadro 4.11). El efecto sería una consecuencia de una mayor cobertura vegetal en el caso del aumento térmico. La disminución de las lluvias, si bien reduciría la producción de biomasa y, por
ende de la cantidad de rastrojos, también lo haría con la cantidad y frecuencia de las tormentas erosivas.
Cuadro 4.11. Disminución (-%) en la profundidad de los suelos de la cuenca del río Arrecifes, con relación a 1996, según capacidad de uso y escenarios con 550 ppm de CO2 .
Capacidad de uso
N° de casos
Sin cambio
T + 2°C
P + 20%
P - 20%
I
133
-8±5
-6±3
-7±3
-6±7
II
40
-7±7
-5±6
-6±7
-5±6
III
14
-2±3
-2±2
-2±2
-2±2
V
8
0
0
0
0
VI
26
0
0
0
0
VII
33
0
0
0
-1±4
T: temperatura
P: lluvia
El impacto en los suelos de la cuenca del río Carcarañá según los escenarios incrementales es similar al de la cuenca del río Arrecifes. El mayor riesgo de pérdida de espesor sería en los suelos de mayor
calidad, mientras que disminuiría en aquellos con capacidad de uso III hasta desaparecer en los planteos
ganaderos (capacidad V a VII, Cuadro 4.12).
Cuadro 4.12. Disminución (-%) en la profundidad de los suelos de la cuenca del río Carcaraña, con relación a 1996, según capacidad de uso y escenarios con 330 ppm de CO2 .
Capacidad de uso
N° de casos
Sin cambio
T + 2°C
P + 20%
P - 20%
I
92
-9±4
-9±4
-9±4
-8±3
II
69
-10±4
-11±4
-11±4
-10±5
III
44
-6±5
-6±5
-7±5
-5±4
IV
39
0
0
0
0
V
7
0
0
0
0
VI
40
0
0
0
0
VII
32
0
0
0
0
T: temperatura
P: lluvia
Capítulo 2
Cuando a los escenarios de cambio climático se le agrega el aumento de CO2 habría una leve atenuación del impacto en los suelos clase I con el aumento de la temperatura o disminución de las lluvias, por
las razones ya mencionadas (Cuadro 4.13).
Cuadro 4.13. Disminución (-%) en la profundidad de los suelos de la cuenca del río Carcaraña, con relación a 1996, según capacidad de uso y escenarios con 550 ppm de CO2 .
Capacidad de uso
N° de casos
Sin cambio
T + 2°C
P + 20%
P - 20%
I
92
-9±4
-8±3
-9±4
-8±3
II
69
-10±4
-10±4
-11±4
-10±5
III
44
-6±5
-6±5
-7±5
-5±4
IV
39
0
0
0
0
V
7
0
0
0
0
VI
40
0
0
0
0
VII
32
0
0
0
0
T: temperatura
P: lluvia
En la cuenca de los arroyos Tandileofú-Chelforó la tendencia a la disminución del espesor del perfil del
suelo con el tiempo sería similar al predecido para la Pampa Ondulada. La diferencia estaría en que el
riesgo sería relativamente mayor porque los agroecosistemas de esta cuenca siempre tiene pasturas en
la rotación. Se puede advertir que donde el sistema excluye a los cultivos agrícolas no habría cambios
(Cuadro 4.14).
Cuadro 4.14. Disminución (-%) en la profundidad de los suelos de la cuenca de los arroyos TandileofúChelforó, con relación a 1996, según capacidad de uso y escenarios con 330 ppm de CO2 .
Capacidad de uso
N° de casos
Sin cambio
T + 2°C
P + 20%
P - 20%
II
25
-10±6
-10±5
-10±5
-9±5
III
24
-10±6
-9±5
-9±3
-8±4
IV
27
0
0
0
0
VI
18
0
0
0
0
VII
12
0
0
0
0
T: temperatura
P: lluvia
Impacto del Cambio Global sobre la Producción Agrícola
El aumento de temperatura y la disminución de las lluvias, junto a 550 ppm de CO2 , provocarían una
pérdida menor de la profundidad de los suelos agrícolas respecto de los escenarios con niveles actuales
de CO2 (Cuadro 4.15).
Cuadro 4.15. Disminución (-%) en la profundidad de los suelos de la cuenca de los arroyos TandileofúChelforó, con relación a 1996, según capacidad de uso y escenarios con 550 ppm de CO2 .
Capacidad de uso
N° de casos
Sin cambio
T + 2°C
P + 20%
P - 20%
II
25
-10±6
-10±5
-10±5
-9±5
III
24
-10±6
-9±5
-9±3
-8±4
IV
27
0
0
0
0
VI
18
0
0
0
0
VII
12
0
0
0
0
T: temperatura
P: lluvia
El escenario de cambio regional, estimado con una adaptación local del modelo de circulación general del Max Plank Institute, tampoco ofrecería diferencias de importancia con relación al escenario sin
cambio climático (Cuadro 4.16). En todo caso, la magnitud de los cambios se asemejaría a la hallada en
los escenarios incrementales.
Cuadro 4.16. Disminución (-%) en la profundidad de los suelos en las tres cuencas, con relación a 1996,
según capacidad de uso y escenario regional de cambio.
Capacidad
Cuenca R. Arrecifes
Cuenca R. Carcarañá
Cuenca de Arroyos
Tandileofú y Chelforó
de uso
Sin cambio
Regional
Sin cambio
Regional
Sin cambio
Regional
I
-8±5
-8±4
-9±4
-8±3
II
-7±7
-8±11
-10±4
-10±3
-10±6
-9±6
III
-2±3
-2±3
-6±5
-6±5
-10±6
-8±5
IV a VII
0
0
0
0
0
0
En general se proyecta que los suelos con agricultura continua seguirían disminuyendo su espesor por
la erosión. El impacto sería comparativamente mayor en aquellos con mayor calidad y donde la erosión
Capítulo 2
seguiría como limitante. A medida que aumenta la duración del ciclo ganadero, el impacto tendería a desaparecer porque la frecuencia de las labranzas se reducería. En un contexto dominado por el tipo de
manejo, el impacto del cambio climático, a través de distintos escenarios con y sin aumento de CO2 , sería poco importante y restringido a los suelos de mejor calidad.
Cambios en el Carbono Orgánico
En la cuenca del río Arrecifes, la merma en el C orgánico también tendería a atenuarse si el ciclo ganadero se alargase (Figura 4.5). Comparado con la pérdida de profundidad, este impacto sería mayor. En
los suelos de clase V ó más, la variable aumentaría con el tiempo. Si el CO2 fuese constante, a un aumento de temperatura o lluvia le correspondería una tasa algo menor de degradación, particularmente en
los suelos de mejor calidad. En cambio con una disminución de las lluvias el efecto sería opuesto (ver
suelos con aptitud I y II en Figura 4.5, escenario P-20).
Con un aumento del CO2 , habría una reducción del impacto en relación con los escenarios con 330
ppm (Figura 4.6). Un incremento en la cobertura del suelo por la presencia de mayor cantidad de residuos vegetales, daría a entender que el efecto del CO2 sería más importante que el cambio climático en
sí para estos agroecosistemas. El efecto sería comparativamente más importante en los suelos de clases I y II, alcanzando su expresión máxima en el escenario con disminución de la temperatura. En un
contexto de gran variabilidad, los suelos con aptitud III a VII serían sumideros en respuesta a una atmósfera enriquecida en CO2 . Sin embargo en cantidad los suelos con balance negativo de C superan a los
con balance positivo en una proporción de 2 a 1.
El impacto en los suelos de la cuenca del río Carcarañá según los escenarios incrementales se asemejaría al de la cuenca del río Arrecifes. El modelo estimaría un ligero aumento de la tasa de degradación si el clima fuese más cálido o lluvioso. El mayor riesgo de pérdida de C orgánico tendría lugar en los
suelos de mejor calidad, mientras que el riesgo disminuiría a medida que los sistemas incluyan la rotación con pasturas (capacidad IV a VII, Figura 4.7).
Cuando a los escenarios de cambio climático se le suma el aumento de CO2 cabría esperar una leve
atenuación del impacto en los suelos clase I en todos los escenarios. En los suelos con aptitud de II a VII
las diferencias con el escenario con 330 ppm de CO2 serían mínimas (Figura 4.8).
En la cuenca de los arroyos Tandileofú-Chelforó la disminución del C orgánico en la capa arable respecto de los tenores en 1996 no sería muy diferente de los proyectados para la Pampa Ondulada, con
pérdidas algo mayores porque la materia orgánica contiene mayores proporciones de la fracción más fácilmente descomponible. En estas condiciones, las pérdidas superarían los aportes que haría el ciclo ganadero en los agroecosistemas con agricultura (suelos con capacidad de uso II y III). En los sistemas conformados sólo por ganadería no habría cambios (Figura 4.9).
El aumento de CO2 provocaría una pérdida menor de materia orgánica en los sistemas que incluyen
cultivos respecto de los escenarios con 330 ppm de CO2 (Figura 4.10). En los escenarios con aumentos
de temperatura y lluvias, el efecto sería menor en comparación con el escenario de disminución de las
lluvias.
Impacto del Cambio Global sobre la Producción Agrícola
VI
V
III
II
VII
Capacidad de uso
Capacidad de uso
VII
Base
VI
P-20
V
III
II
I
-60
-40
-20
Cambio (%)
0
20
I
-100 -80
-60
-40 -20
0
Cambio (%)
20
40
60
VI
T+2
V
III
II
VII
Capacidad de uso
Capacidad de uso
VII
P+20
VI
V
III
II
I
-80
-60
-40
-20
Cambio (%)
0
20
I
-100
-50
0
Cambio (%)
50
Figura 4.5 Cambios en el C orgánico de la cuenca del río Arrecifes, en relación a 1996, según capacidad de
uso y escenarios con 330 ppm de CO2.
VII
Base
VI
V
III
II
Capacidad de uso
Capacidad de uso
Capítulo 2
VII
P-20
VI
V
III
II
I
I
-60
-40
-20
0
20
40
60
-80
-40
VII
T+2
40
Cambio (%)
VI
V
III
II
Capacidad de uso
Capacidad de uso
Cambio (%)
0
VII
P+20
VI
V
III
II
I
I
-50
0
Cambio (%)
50
-100
-50
0
50
Cambio (%)
Figura 4.6. Cambios (%) en el C orgánico de los suelos de la cuenca del río Arrecifes, en relación a 1996, según capacidad de uso y escenarios con 550 ppm de CO2.
Impacto del Cambio Global sobre la Producción Agrícola
VI
Base
V
IV
III
II
VII
Capacidad de uso
Capacidad de uso
VII
VI
P-20
V
IV
III
II
I
-60
-40
-20
0
I
-60
20
-40
-20
VII
VI
V
IV
III
II
Capacidad de uso
Capacidad de uso
VII
T+2
P+20
VI
V
IV
III
II
I
-40
-20
Cambio (%)
20
Cambio (%)
Cambio (%)
-60
0
0
20
I
-100
-50
0
Cambio (%)
50
Figura 4.7. Cambios (%) en el C orgánico de la cuenca del río Carcarañá, en relación a 1996, según capacidad de uso y escenarios con 330 ppm de CO2.
Capítulo 2
VI
V
IV
III
II
VII
Capacidad de uso
Capacidad de uso
VII
Base
P-20
VI
V
IV
III
II
I
-60
-40
-20
0
20
I
-60
-40
-20
0
20
Cambio (%)
Cambio (%)
VI
V
IV
III
II
VII
Capacidad de uso
Capacidad de uso
VII
T+2
P+20
VI
V
IV
III
II
I
-60
-40
-20
Cambio (%)
0
20
I
-100
-50
0
Cambio (%)
50
Figura 4.8. Cambios (%) en el C orgánico de los suelos de la cuenca del río Carcarañá, en relación a 1996, según capacidad de uso y escenarios con 550 ppm de CO2.
IV
III
Capacidad de uso
VI
VII
P-20
VI
IV
III
II
-100
Capacidad de uso
VII
Base
-50
0
Cambio (%)
50
VII
T+2
VI
IV
III
II
-80
Capacidad de uso
Capacidad de uso
Impacto del Cambio Global sobre la Producción Agrícola
-60
-40
-20
Cambio (%)
0
VII
P+20
VI
IV
III
II
-80
-60
-40
-20
Cambio (%)
0
20
20
II
-80
-60
-40
-20
Cambio (%)
0
20
Figura 4.9. Cambios (%) en el C orgánico de los suelos de la cuenca de los arroyos Tandileofú-Chelforó, en
relación a 1996, según capacidad de uso y escenarios con 330 ppm de CO2.
Capítulo 2
Capacidad de uso
-80
VI
IV
III
II
-60
-40
-20
Cambio (%)
0
20
VII
T+2
VI
IV
III
Capacidad de uso
Base
VII
P-20
VI
IV
III
II
-100
Capacidad de uso
Capacidad de uso
VII
-50
0
Cambio (%)
VII
P+20
VI
IV
III
II
-80
-60
-40
-20
Cambio (%)
0
20
50
II
-100
-50
0
Cambio (%)
50
Figura 4.10. Cambios (%) en el C orgánico de los suelos de la cuenca los arroyos Tandileofú-Chelforó, en relación a 1996, según capacidad de uso y escenarios con 550 ppm de CO2.
Impacto del Cambio Global sobre la Producción Agrícola
La pérdida de C orgánico sería algo menor en el escenario de cambio regional, estimado con una adaptación local del modelo de circulación general del Max Plank Institute, que en el escenario sin cambio climático (Cuadro 4.17). La semejanza con escenarios incrementales se debería a que el modelo MPI con
escalado local predeciría aumentos de temperaturas y disminución de las lluvias para toda la región.
Cuadro 4.17. Cambios (±%) en el C orgánico de los suelos en las tres cuencas, en relación a 1996, según capacidad de uso y escenario regional de cambio.
Capacidad
Cuenca R. Arrecifes
Cuenca R. Carcarañá
Cuenca de Arroyos
Tandileofú y Chelforó
de uso
Sin cambio
Regional
Sin cambio
Regional
I
-44±15
-42±14
-43±13
-40±12
II
-35±24
-36±23
-47±12
III
-19±24
-10±23
IV
Sin cambio
Regional
-44±12
-51±16
-47±16
-29±14
-28±14
-56±11
-56±11
13±5
11±5
1±5
1±5
V
9±6
7±3
10±4
9±5
VI
8±4
9±5
12±6
11±6
2±6
2±7
VII
9±6
9±6
12±7
10±7
3±6
2±7
Los aspectos más destacados del futuro de la degradación del C orgánico superficial se podrían resumir en los siguientes términos: 1) los suelos de mejor calidad, con sistemas de agricultura continua, tendrían entre 35 y 56% menos C orgánico en su capa arable en el año 2050; 2) en los restantes suelos, especialmente en aquellos con uso mixto o ganadero, la situación más probable sería de equilibrio o ganancias entre 1 y 13%; 3) si el escenario de cambio climático fuese el de aumento de temperaturas o lluvias, entonces la degradación en los suelos más impactados aumentaría levemente; 4) si el escenario de
cambio climático fuese un ambiente menos lluvioso el deterioro sería comparativamente menor; 5) el
efecto del aumento de CO2 atenuaría el impacto en los agroecosistemas con agricultura permanente en
forma leve, siendo de mayor importancia en la cuenca del río Arrecifes.
Cambios en el Nitrógeno total
En líneas generales la degradación del nitrógeno total (Nt) seguiría la misma tendencia del C orgánico. En la cuenca del río Arrecifes la pérdida variaría entre 33 y 6%, mayor en los suelos de clase I y menor en los de clase III (Figura 4.11). En los mejores suelos, el contenido final de Nt del escenario más seco sería mayor que en los restantes, incluido el escenario sin cambio. Con la presencia de alfalfa en los
suelos clase V, el balance sería positivo. El aumento de CO2 tendería a hacer más lenta la merma del nitrógeno en los sistemas agrícolas (Figura 4.12).
El impacto en los suelos de la cuenca del río Carcarañá según los escenarios incrementales tendría
las mismas características que en la cuenca del Arrecifes aunque con algunas particularidades. El modelo estimaría pérdidas en los sistemas con agricultura permanente del 18 al 31%, mientras el equilibrio sería generalizado en los suelos de clase aptitud IV en adelante (Figura 4.13). El efecto del aumento de
CO2 sería menos marcado aquí que en la cuenca del Arrecifes Figura 4.14).
Los suelos con agricultura de la cuenca del sudeste de Buenos Aires presentarían la misma tendencia a la degradación del nitrógeno que los casos ya descriptos. El efecto causado por una constancia o
elevación del CO2 será similar (Figuras 4.15 y 4.16)
Capítulo 2
VII
Base
VI
V
III
II
I
-40
-20
0
20
VI
Capacidad de uso
Capacidad de uso
-60
VII
P-20
-90
V
III
II
I
-60
Cambio (%)
P+20
VI
III
II
I
-20
Cambio (%)
0
20
Capacidad de uso
V
-40
60
VI
Capacidad de uso
-60
30
VII
VII
T+2
-30
0
Cambio (%)
-60
V
III
II
I
-40
-20
Cambio (%)
0
20
Figura 4.11. Cambios (%) en el N total de los suelos de la cuenca del río Arrecifes, en relación a 1996, según
capacidad de uso y escenarios con 330 ppm de CO2.
Impacto del Cambio Global sobre la Producción Agrícola
VI
V
III
II
I
-40
-20
0
Capacidad de uso
Capacidad de uso
VII
Base
VI
V
III
II
I
-60
20
-40
-20
VII
T+2
VI
V
III
II
I
-30
0
Cambio (%)
0
20
Cambio (%)
30
Capacidad de uso
Capacidad de uso
Cambio (%)
-60
VII
P-20
-40
VII
P+20
VI
V
III
II
I
-20
0
Cambio (%)
20
Figura 4.12. Cambios (%) en el N total de los suelos de la cuenca del río Arrecifes, en relación a 1996, según
capacidad de uso y escenarios con 550 ppm de CO2.
Capítulo 2
VII
Capacidad de uso
V
IV
III
II
I
-20
0
Cambio (%)
20
IV
III
II
I
-30
-20
-10
0
10
VII
Capacidad de uso
VI
V
IV
III
II
I
-30
-40
V
Cambio (%)
T+2
-40
VI
-20
-10
Cambio (%)
0
10
VII
P+20
VI
Capacidad de uso
-40
VII
P-20
Capacidad de uso
VI
Base
-40
V
IV
III
II
I
-30
-20
-10
0
Cambio (%)
Figura 4.13. Cambios (%) en el N total de los suelos de la cuenca del río Carcarañá, en relación a 1996, según capacidad de uso y escenarios con 330 ppm de CO2.
Impacto del Cambio Global sobre la Producción Agrícola
Base
VI
V
IV
III
II
I
-40
-20
0
20
VII
Capacidad de uso
Capacidad de uso
VII
P-20
VI
V
IV
III
II
I
-40
-20
Cambio (%)
0
20
Cambio (%)
-40
T+2
VI
V
IV
III
II
I
-20
0
Cambio (%)
20
VII
Capacidad de uso
Capacidad de uso
VII
-40
P+20
VI
V
IV
III
II
I
-20
Cambio (%)
0
Figura 4.14. Cambios (%) en el N total de los suelos de la cuenca del río Carcarañá, en relación a 1996, según capacidad de uso y escenarios con 550 ppm de CO2.
VII
Base
VI
IV
III
Capacidad de uso
Capacidad de uso
Capítulo 2
VII
P-20
IV
III
II
-60
-40
-20
0
20
II
-60
-40
-20
0
VI
IV
III
Capacidad de uso
VII
T+2
VII
P+20
VI
IV
III
II
II
-60
-40
-20
Cambio (%)
20
Cambio (%)
Cambio (%)
Capacidad de uso
VI
0
20
-60
-40
-20
0
20
Cambio (%)
Figura 4.15. Cambios (%) en el N total de los suelos de la cuenca de los arroyos Tandileoufú-Chelforó, en relación a 1996, según capacidad de uso y escenarios con 330 ppm de CO2.
VII
Base
VI
IV
III
Capacidad de uso
Capacidad de uso
Impacto del Cambio Global sobre la Producción Agrícola
VII
P-20
VI
IV
III
II
-60
-40
-20
0
20
II
-60
-40
-60
VII
T+2
VI
IV
III
II
-40
-20
Cambio (%)
0
20
Capacidad de uso
Capacidad de uso
Cambio (%)
-60
-20
Cambio (%)
0
20
VII
P+20
VI
IV
III
II
-40
-20
0
20
Cambio (%)
Figura 4.16. Cambios (%) en el N total de los suelos de la cuenca de los arroyos Tandileoufú-Chelforó, en relación a 1996, según capacidad de uso y escenarios con 550 ppm de CO2.
Capítulo 2
Como los escenarios incrementales no indicarían mayores cambios respecto a una proyección de la situación actual, no debiera sorprender que el escenario de cambio regional (DS) no reflejería ningún efecto respecto del escenario sin cambio (Cuadro 4.18).
Cuadro 4.18. Cambios (±%) en el N total de los suelos en las tres cuencas, con relación a 1996, según
capacidad de uso y escenario regional de cambio.
Cuenca R. Arrecifes
Capacidad
Cuenca R. Carcarañá
Cuenca de Arroyos
Tandileofú y Chelforó
de uso
Sin cambio
Regional
Sin cambio
Regional
I
-29±12
-29±12
-27±8
-26±8
II
-25±17
-25±17
-30±9
III
-6±22
-8±20
IV
Sin cambio
Regional
-28±8
-36±14
-35±13
-18±10
-18±9
-45±12
-44±11
1±2
1±2
-2±2
-2±5
V
5±15
1±2
0±1
-1±1
VI
0±2
0±2
0±2
-1±2
-1±3
-1±2
VII
1±3
1±4
0±2
-1±2
-2±2
-3±2
Opciones de mitigación
Las proyecciones identificarían a los sistemas con rotación de cultivos como los más vulnerables a la
degradación de su calidad por efecto del cambio climático asociado a un uso intenso de las tierras. Una
estrategia para reducir el problema sería la interrupción del ciclo agrícola luego de 3 ó 4 años con un ciclo de 4 años de ganadería. Este tipo de alternativa de manejo no es ninguna novedad, sino que era la
regla hasta la aparición de la soja.
La presencia de pasturas en la rotación anularía la pérdida de calidad de los suelos con aptitud para
la agricultura, como lo demuestra una comparación de las pérdidas de espesor y fertilidad natural de los
suelos sin (clase III) y con ganadería (IV o V), para el escenario de cambio regional DS (Cuadro 4.19).
Cuadro 4.19. Cambios en la pérdida de calidad de los suelos que podrían ocurrir al sustituir el sistema de agricultura pura (III) por el de agricultura mixta (IV o V) en la Pampa Ondulada.
Clase
III
Cuenca R. Arrecifes
Cuenca del Arroyo Tandileofú
Espesor
C org.
N total
Espesor
C org.
N total
Espesor
C org
N total
-2
-10
-8
-6
-28
-18
-8
-53
-44
0
+11
-1
0
+1
-2
IV
V
Cuenca R. Carcarañá
0
+17
-1
Impacto del Cambio Global sobre la Producción Agrícola
Una opción que estaría difundiéndose rápidamente por las ventajas de conservar los suelos y bajar
costos es la siembra directa. El efecto de suprimir las labranzas en la soja y maíz en los suelos clase I y
II de la Pampa Ondulada podría reducir la degradación a la mitad de los valores de la rotación convencional. La proyección para el escenario de cambio regional DS se presenta en el Cuadro 4.20.
Cuadro 4.20. Efecto de la eliminación de las labranzas en maíz y soja sobre la calidad de los suelos clase I y II de la Pampa Ondulada en el escenario de cambio regional.
Clase
Labranza
Cuenca del Arrecifes
Cuenca del Carcarañá
Espesor
C org.
N total
Espesor
C org.
N total
I- Típica
-8
-43
-30
-9
-43
-27
I- Directa
-3
-22
-17
-4
-15
-11
II- Típica
-9
-39
-28
-10
-40
-30
II- Directa
-4
-17
-16
-4
-44
-13
Conclusiones
Desde la década del setenta hasta ahora los sistemas de producción agrícolas de la región pampeana han visto disminuir su calidad como lo indica una pérdida promedio de hasta 3% en su profundidad,
de 18 a 32% en su materia orgánica y 8 a 15% del total de nitrógeno. En los próximos 55 años, la sostenibilidad seguiría su deterioro, aún en un escenario sin cambios. Se estima que los indicadores químicos lo harían más rápido que el espesor del perfil, con pérdidas máximas de hasta un 56%. Escenarios
de cambio que representarían de climas más cálidos, lluviosos o secos no tendrían un impacto importante sobre la calidad de los suelos. El efecto del aumento del CO2 sería casi neutro. En todo caso quedaría establecido que el efecto del tipo de manejo de los suelos sería mucho mayor que el del cambio climático.
Mientras los sistemas de producción basados en la rotación de cultivos tenderían a ser menos sostenibles con el tiempo, la inclusión de la ganadería con pasturas artificiales o naturales ayudaría a preservar el equilibrio de las propiedades edáficas, incluso con ganancias de hasta un 13% en el balance de la
materia orgánica.
Una forma eficaz de anular el deterioro de los suelos con aptitud agrícola sería la alternancia entre cultivos para grano y pasturas. El reemplazo de las labranzas en maíz y soja por la siembra directa podría
reducir a la mitad el impacto negativo sobre la fertilidad natural de los suelos más aptos de la Pampa Ondulada.
Capítulo 2
Anexo I. Parámetros climáticos mensuales de las estaciones meteorológicas.
Junín
E
F
M
A
M
J
J
A
S
O
N
D
30,2
16,2
131
34
28,9
15,5
105
32
26,2
13,6
156
32
22,7
10,3
82
24
19,0
7,1
44
26
15,1
4,4
29
11
15,1
4,1
35
16
17,1
4,6
34
13
19,5
6,6
55
21
22,1
9,7
106
25
25,6
12,5
108
31
28,9
15,0
99
30
E
F
M
A
M
J
J
A
S
O
N
D
30,2
16,9
123
47
28,7
16,0
124
28
26,5
14,2
139
30
22,9
10,5
78
25
19,5
7,5
48
24
15,4
4,8
43
16
15,4
4,7
40
17
17,4
5,1
38
16
19,9
7,0
59
30
22,5
10,1
124
30
25,7
12,8
99
32
29,2
15,7
93
31
E
F
M
A
M
J
J
A
S
O
N
D
30,4
17,6
124
36
28,9
16,9
130
34
26,6
15,1
132
32
23,0
11,6
82
28
19,5
8,6
58
30
15,6
5,7
56
18
15,7
5,9
52
17
17,4
6,3
48
17
19,9
8,0
70
26
22,7
11,1
131
27
25,8
13,7
109
32
29,1
16,3
96
34
E
F
M
A
M
J
J
A
S
O
N
D
Temp. Máxima
Temp. Mínima
Lluvia acum.
Intesidad máx.
27,8
14,0
115
34
26,7
13,6
88
32
24,0
11,9
107
32
20,3
8,6
79
24
16,1
5,5
70
26
12,9
3,1
40
11
12,5
2,5
46
16
14,3
3,3
38
13
16,6
4,6
60
21
19,5
7,6
106
25
22,6
9,8
93
31
26,4
12,7
96
30
Marcos Juárez
E
F
M
A
M
J
J
A
S
O
N
D
Temp. Máxima
Temp. Mínima
Lluvia acum.
Intesidad máx.
30,8
17,6
125
29
29,6
16,7
109
40
27,4
15,2
121
43
24,1
11,6
59
30
20,4
8,4
39
16
16.6
5,3
30
19
16,8
5,1
26
14
18,5
5,2
21
8
21,2
7,4
59
21
24,1
10,8
90
30
27,2
13,6
96
20
29,8
16,5
126
48
E
F
M
A
M
J
J
A
S
O
N
D
31,0
18,0
118
34
29,7
17,3
118
38
26,9
15,6
159
36
23,4
12,1
82
32
20,3
9,1
47
24
16,6
6,2
40
16
16,5
6,0
32
17
18,2
6,1
32
12
20,6
8,0
61
22
23,7
11,4
99
28
26,7
14,1
103
32
29,4
16,6
129
38
E
F
M
A
M
J
J
A
S
O
N
D
30,8
17,7
101
36
29,7
17,0
114
45
27,0
15,2
163
40
23,5
11,6
80
60
20,2
8,2
45
28
16,5
5,3
37
26
16,4
5,3
38
21
18,3
5,7
35
17
20,7
7,5
62
26
23,6
10,9
95
28
26,7
13,7
97
46
29,5
16,5
122
52
Temp. Máxima
Temp. Mínima
Lluvia acum.
Intesidad máx.
Pergamino
Temp. Máxima
Temp. Mínima
Lluvia acum.
Intesidad máx.
San Pedro
Temp. Máxima
Temp. Mínima
Lluvia acum.
Intesidad máx.
Tandil
Oliveros
Temp. Máxima
Temp. Mínima
Lluvia acum.
Intesidad máx.
Rosario
Temp. Máxima
Temp. Mínima
Lluvia acum.
Intesidad máx.
Impacto del Cambio Global sobre la Producción Agrícola
Anexo IIa. Calendario del manejo de agricultura mixta en las cuencas de la Pampa Ondulada.
Año 1
1 de enero
5 de febrero
10 de marzo
15 de abril
20 de julio
21 de julio
22 de julio
15 de setiembre
16 de setiembre
10 de octubre
10 de octubre
10 de octubre
15 de noviembre
Año 4
pastoreo de 4 días
pastoreo de 5 días
pastoreo de 5 días
pastoreo de 4 días
rastra de discos
arado de rejas
cultivador
rastra de discos
arado de rejas
rastra de discos
rastra de dientes
siembra de maíz
cultivador
Año 2
15 de marzo
16 de marzo
1 de mayo
2 de mayo
1 de junio
1 de julio
5 de julio
5 de julio
1 de diciembre
11 de diciembre
12 de diciembre
13 de diciembre
14 de diciembre
15 de diciembre
cosecha de maíz
picadora
arado de rejas
rastra de dientes
arado de rejas
rastra de dientes
5 de julio
5 de julio
1 de diciembre
11 de diciembre
12 de diciembre
13 de diciembre
14 de diciembre
fertilización con 40 kg N ha-1
siembra de trigo
cosecha de trigo
picadora
rastra de dientes
arado de rejas
cultivador
Año 5
cosecha de maíz
picadora
arado de rejas
rastra de discos
arado de rejas
rastra de dientes
fertilización con 40 kg N ha-1
siembra de trigo
cosecha de trigo
picadora
rastra de discos
arado de reja
cultivador
siembra de soja
Año 3
10 de enero
10 de febrero
15 de mayo
20 de julio
21 de julio
22 de julio
15 de setiembre
16 de setiembre
10 de octubre
10 de octubre
10 de octubre
15 de noviembre
15 de marzo
16 de marzo
1 de mayo
2 de mayo
1 de junio
1 de julio
cultivador
cultivador
cosecha
rastra de discos
arado de rejas
cultivador
rastra de discos
arado de rejas
rastra de discos
rastra de dientes
siembra de maíz
cultivador
1 de mayo
2 de mayo
3 de mayo
5 de mayo
5 de setiembre
10 de octubre
15 de noviembre
20 de diciembre
rastra de discos
arado de rejas
rastra de dientes
siembra de alfalfa
pastoreo de 4 días
pastoreo de 5 días
pastoreo de 5 días
pastoreo de 3 días
Años 6 a 8
1 de enero
5 de febrero
10 de marzo
15 de abril
5 de setiembre
10 de octubre
15 de noviembre
20 de diciembre
pastoreo de 4 días
pastoreo de 4 días
pastoreo de 5 días
pastoreo de 4 días
pastoreo de 4 días
pastoreo de 5 días
pastoreo de 5 días
pastoreo de 3 días
Capítulo 2
Anexo IIb. Calendario del manejo del ciclo agrícola en la cuenca de los arroyos Tandileofú-Chelforó.
Año 1
15 de abril
15 de mayo
10 de octubre
10 de octubre
15 de octubre
arado de rejas
disco doble
fertilización con 40 kg de P ha-1
fertilización con 40 kg de N ha-1
siembra de maíz
Año 2
25 de abril
30 de abril
10 de junio
15 de junio
20 de junio
1 de julio
1 de julio
5 de julio
20 de diciembre
cosecha de maíz
disco doble
disco doble
arado de rejas
arado cincel
fertilización con 40 kg de P ha-1
fertilización con 40 kg de N ha-1
siembra de trigo
cosecha de trigo
Año 3
15 de enero
15 de febrero
15 de marzo
15 de abril
15 de mayo
15 de junio
15 de agosto
5 de octubre
10 de octubre
20 de octubre
30 de octubre
siembra de avena
pastoreo
pastoreo
pastoreo
pastoreo
pastoreo
pastoreo
disco doble
arado de reja
arado cincel
siembra de girasol
Impacto del Cambio Global sobre la Producción Agrícola
Anexo IIIa. Suelos de la cuenca del río Arrecifes.
Nº de Orden
Calicata ID
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
1142
1143
1144
1145
1146
1147
1148
1149
1150
1152
1033
1034
1036
1039
1040
1041
1042
1043
824
825
826
828
829
831
834
835
656
659
660
661
662
668
669
976
740
741
743
744
745
747
748
-33.73
-33.73
-33.77
-33.70
-33.67
-33.68
-33.67
-33.82
-33.78
-33.77
-33.80
-33.68
-33.72
-33.75
-33.75
-33.75
-33.82
-33.77
-33.98
-33.97
-33.95
-33.98
-33.98
-33.87
-33.85
-33.90
-33.85
-33.87
-33.93
-33.93
-33.73
-33.98
-33.90
-33.98
-33.72
-33.68
-33.75
-33.75
-33.77
-33.82
-33.85
-61.42
-61.42
-61.48
-61.35
-61.33
-61.27
-61.30
-61.35
-61.27
-61.37
-61.23
-61.03
-61.07
-61.15
-61.12
-61.17
-61.10
-61.07
-61.43
-61.23
-61.43
-61.43
-61.30
-61.33
-61.33
-61.42
-61.08
-61.12
-61.22
-61.12
-61.05
-61.03
-61.10
-61.20
-61.78
-61.83
-61.95
-61.92
-61.92
-60.78
-60.92
84
85
90
90
90
92
98
99
90
98
92
88
85
88
88
89
88
86
100
93
93
99
99
90
95
95
86
86
92
86
75
81
78
93
78
80
80
77
75
70
75
Co42
Co43
Cho1
Hu4
Co43
Ww
Hu
Hu
Hu2
Lb
Hu
Jn
Co8
ER
Ab
Ww
Hu
Hu
VT
Co46
Co47
VC
Ro
LZ
Hu
VT
Ro
Ww
Ro
Ro
Co9
Ro
Ww
Ro
LG
Pe-Jn
LG
Fa
Co8
Co5
Hm
VIIws
VIIws
I2
I1
Vllws
Vw
I1
I1
I2
I2
I1
I2
VIIws
VIws
I2
Vw
I1
I1
I1
VIIws
VIIws
I1
I1
VIws
I1
I1
I1
V
I1
I2
VIIws
I1
Vw
I1
IIs
II
IIs
Vlws
VIIws
VIIws
VIIws
Capítulo 2
Nº de Orden
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
Calicata ID
573
575
454
455
456
457
498
80
81
82
329
330
331
334
425
426
427
428
299
300
301
302
303
1
2
355
356
358
213
214
215
219
4
308
309
310
312
3
192
194
178
179
182
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-33.78
-33.68
-33.90
-33.85
-33.90
-33.95
-33.93
-33.85
-33.87
-33.88
-33.95
-33.97
-33.93
-33.85
-33.97
-33.90
-33.85
-33.93
-33.80
-33.75
-33.68
-33.00
-33.33
-33.78
-33.80
-33.80
-33.80
-33.68
-33.90
-33.98
-33.95
-33.88
-33.90
-33.93
-33.93
-33.88
-33.85
-33.88
-33.82
-33.82
-33.72
-33.72
-33.70
-61.72
-60.72
-60.87
-60.80
-60.77
-60.77
-60.98
-60.97
-60.95
-60.95
-60.55
-60.70
-60.65
-60.67
-60.67
-60.65
-60.62
-60.55
-63.43
-60.38
-60.40
-60.30
-60.32
-60.37
-60.28
-60.15
-60.07
-60.05
-60.38
-60.37
-60.38
-60.33
-60.40
-60.13
-60.00
-60.15
-60.03
-60.15
-59.92
59.90
59.97
59.83
-59.73
78
75
83
73
70
70
82
82
82
82
67
79
72
75
78
70
78
60
74
50
63
50
64
55
50
50
46
48
70
60
72
70
72
60
52
60
43
60
34
35
42
20
30
LG
Pe
Ro
LG
Pe
Cb1x
Ro
Ro
Fa
Ww
Pe1
Pe4
Pe
Pe
Pe
LG
Pe
Pe2
Ra4
Ma1
Ra4
Ra4
Ra4
SL
Ma1
SL
SL
Ra
Ur
AD1
Ur
Ur
Li
AD
Ur
Ur
SL
Li
Ma
SL
Ra
Po4
Atu
IIs
I1/2
I1
IIs
I1/2
IIw
I1
I1
Vlws
Vw
I1/2
I2
I1/2
I1/2
I1/2
IIs
I1/2
IIe
I2
VIIws
I2
I2
I2
VIws
VIIws
VIws
VIws
I2
I2
I1
I2
I2
Vw
I1
I2
I2
VIws
Vw
VIIws
VIws
I-2
IIe
II
Impacto del Cambio Global sobre la Producción Agrícola
Nº de Orden
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
Calicata ID
186
187
188
191
209
210
211
212
137
138
135
136
386
387
481
482
483
488
484
485
757
758
444
447
637
739
740
742
743
745
746
747
748
749
750
751
361
362
363
364
365
78
79
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-33.80
-33.77
-33.78
-33.87
-33.92
-33.90
-33.95
-33.90
-33.97
-33.98
-33.97
-33.98
-34.15
-34.15
-34.02
-34.03
-34.00
-34.10
-34.27
-34.15
-34.12
-34.13
-34.05
-34.15
-34.10
-34.32
-34.28
-34.05
-34.28
-34.30
-34.17
-34.23
-34.18
-34.22
-34.22
-34.22
-34.03
-34.00
-34.07
-34.05
-34.05
-34.13
-34.00
-59.53
-59.67
-43.67
-59.97
-59.87
-59.83
-59.87
-59.75
-59.95
-59.88
-59.53
-59.58
-61.25
-61.25
-61.42
-61.42
-61.28
-61.38
-61.35
-61.45
-61.35
-61.35
-61.08
-61.13
-61.05
-61.17
-61.17
-61.12
-61.17
-61.08
-61.03
-61.00
-61.13
-61.23
-61.23
-61.23
-60.80
-60.87
-60.90
-60.92
-60.77
-60.98
-60.78
20
30
27
46
40
45
30
24
50
50
30
43
90
90
100
100
98
100
96
90
96
96
84
84
85
90
90
95
90
75
80
84
90
90
90
90
77
82
70
80
76
79
78
Pt
Pt
RTa15
Ur
Ar
Pt
Ar3
RTa
Ur
Ar
Pt
Pt
De
De
De
IIe
IIe
IIIes
I2
IIe
IIe
IIIe
IIIes
I2
IIe
IIe
IIe
I1
I1
I1
VIIws
I1
I
I
VIws
I1
I1
VIIws
I1
I1
I3
I3
I1
I1
VIIws
I1
I1
I1
I3
IIIw
VIIws
IIw
I1
I2
I1
VIIws
I1
I2
De
De
De
Co69
Ro
Ro
SI
SI
De
De
Co30
Ro
De
De
SI
Te
Cb1x
Ro
Cb
Ro4
Co20
Ro
Cb
Capítulo 2
Nº de Orden
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
Calicata ID
434
435
446
447
451
454
985
636
637
638
639
640
641
634
643
644
645
646
329
347
366
367
384
385
285
286
287
6
7
8
9
321
317
318
319
218
219
224
277
279
278
280
281
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-34.13
-34.08
-34.07
-34.08
-34.10
-34.12
-34.10
-34.23
-34.23
-34.22
-34.30
-34.25
-34.22
-34.27
-34.32
-34.17
-34.22
-34.32
-34.10
-34.10
-34.03
-34.02
-34.15
-34.13
-34.15
-34.08
-34.00
-34.02
-34.08
-34.13
-34.03
-34.23
-34.17
-34.28
-34.27
-34.22
-34.22
-34.23
-34.03
-34.07
-34.07
-34.07
-34.12
-60.60
-60.58
-60.58
-60.70
-60.58
-60.58
-60.65
-60.78
-60.77
-60.82
-60.98
-60.98
-60.90
-60.58
-60.70
-60.82
-60.63
-60.58
-60.43
-60.42
-60.38
-60.37
-60.33
-60.33
-60.13
-60.12
-60.08
-60.13
-60.23
-60.23
-60.22
-60.38
-60.43
-60.45
-60.32
-60.15
-60.13
-60.22
-59.92
-59.92
-59.92
-59.78
-59.75
71
76
75
76
65
60
70
70
58
74
75
80
76
57
70
64
63
60
69
70
50
50
65
68
50
40
55
50
50
50
40
46
60
66
50
50
60
50
40
20
35
40
47
AD
AD4
AD14x
AD4
AD
Co18
Co18
Ro9
Co28
Ro
De
De
Li
Co25
Ro
Ro
Ro1
Ro9x
ADx
AD
AD1
Co1
AD
VIIws
AD
Ar3
AD1
Ar
Ar
Arx
Co88
I1
I2
IIw
I2
I1
Viws
VIws
I2
VIws
I1
I1
I1
Vw
VIIws
I1
I1
I1
I2
I1
I1
I1
VIws
I1
AD2
AD4
AD
AD2
AD7
AD2
Ar
Co88
Ar3
Ar
CS
I1
IIIe
I1
IIe
IIe
IIw
VIIws
I?
IIe
I2
I1
IIe
IIe
IIe
IIe
VIIws
IIIe
IIe
IIs
Impacto del Cambio Global sobre la Producción Agrícola
Nº de Orden
Calicata ID
Latitud S
Longitud W
Altura, m
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
282
283
284
207
208
209
274
275
276
160
159
158
161
162
16
993
994
996
999
1000
1001
1002
1003
1004
784
785
786
787
789
792
793
795
796
797
656
657
651
652
653
654
655
658
659
-34.10
-34.08
-34.03
-34.13
-34.12
-34.07
-34.02
-34.03
-34.10
-34.27
-34.25
-34.25
-34.18
-34.18
-34.48
-34.35
-34.38
-34.35
-34.43
-34.42
-34.48
-34.43
-34.40
-34.42
-34.42
-34.48
-34.48
-34.40
-34.37
-34.38
-34.37
-34.43
-34.47
-34.47
-34.43
-34.38
-34.35
-34.45
-34.45
-34.37
-34.43
-34.37
-34.37
-59.82
-59.97
-59.87
-59.62
-59.63
-59.72
-59.57
-59.65
-59.63
-59.98
-59.92
-59.93
-59.97
-59.97
-61.03
-61.18
-61.13
-61.10
-61.03
-61.02
-61.08
-61.08
-61.08
-61.08
-60.78
-60.95
-60.95
-60.97
-60.77
-60.87
-60.85
-60.83
-60.78
-60.78
-60.75
-60.55
-60.47
-60.70
-60.72
-60.55
-60.52
-60.55
-60.55
29
27
34
44
47
30
40
43
49
55
53
53
40
40
90
78
80
85
85
85
83
83
90
90
73
85
85
82
73
75
68
73
70
70
73
60
70
70
71
54
70
60
60
Símbolo
Capacidad
Ar
Ar3
Sf
SA
Co78
Ju
Ju
Te
MCh
Ju
Sf
SI
Ro
II?
IIIe
IIIe
I?
I?
IIIe?
IIe
IIe?
IIIws?
I
IIe
II?
IIe
IIIe
IIs
IIIws
VIIws
I3
I3
IIIw
I1
I3
IIs
I3
I1
Ju
Ju
Ro
Ju
LN
Rn
Rn
Co103
AR
Co103
Ro
LI
Ro
Co19
Ro
Ro
Rn
I3
I3
I1
I3
VIws
VIIws
VIIws
VIws
VIIws
VIws
I1
VIws
I1
VIIws
I1
I1
VIws
Ar3
Ar3
Pt
CS
Go
Capítulo 2
Nº de Orden
214
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
Calicata ID
660
790
791
794
798
472
473
474
475
476
477
478
479
480
489
490
481
482
483
484
485
486
487
427
428
429
430
431
432
433
434
540
541
542
543
431
432
433
434
435
436
437
438
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-34.45
-34.53
-34.53
-34.55
-34.58
-34.57
-34.52
-34.52
-34.62
-34.62
-34.57
-34.50
-34.53
-34.52
-34.62
-34.55
-34.38
-34.38
-34.38
-34.43
-34.48
-34.47
-34.47
-34.48
-34.48
-34.43
-34.40
-34.12
-34.12
-34.07
-34.05
-34.47
-34.47
-34.42
-34.40
-34.57
-34.55
-34.53
-34.52
-34.65
-34.57
-34.53
-34.63
-60.58
-60.78
-60.78
-60.98
-60.82
-60.72
-60.70
-60.65
-60.58
-60.58
-60.63
-60.57
-60.55
-60.62
-60.72
60.57
-60.37
-60.33
-60.47
-60.42
-60.37
-60.37
-60.35
-60.07
-60.10
-60.05
-60.10
-60.02
-60.02
-60.22
-60.05
-60.20
-60.17
-60.12
-60.10
-60.40
-60.37
-60.42
-60.42
-60.27
-60.28
-60.27
-60.33
60
75
75
84
70
72
71
70
67
67
70
70
70
67
70
70
54
65
65
66
67
67
66
60
63
55
55
53
50
65
50
59
68
55
55
67
70
70
70
63
62
67
66
Rn
Te
Ju
Ju
VII
OH
OH
VIws
IIIw
I3
I3
ws
I1
I1
II?
VIws
VIIws
I2
I1
I1
IIIW
I1
IIw
I2
I1
I1
I1
VIws
I2
IIw
I2
I2
I2
I2
I2
VIIws
I1
VIIws
Vllws
I1
VIws
VIIws
VIws
I2
I2
I2
VIws
VIws
I2
I2
Mm
AR
Cha
Ro4
Ro
OH6
OH
Cha1
Ro9x
Ro
Ro
Ro
Rw
Cha
Cha1
Go
Go
Go
Go
Go
Tt
AD
Tt
Gw
AD
Co108
Co109
Rw
Cha
Cha
Cha
Rw
Rw
Cha
Cha
Impacto del Cambio Global sobre la Producción Agrícola
Anexo IIIb. Suelos de la cuenca del río Carcarañá.
Nº de Orden
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
30
31
32
33
35
36
37
38
39
40
41
42
43
44
45
46
48
Calicata ID
28-431
28-428
28-430
28-429
28-426
28-427
28-425
28-419
28-420
28-421
28-423
28-422
28-424
28-553
28-545
28-546
28-547
28-548
28-549
28-550
28-551
28-552
28-540
28-541
28-542
28-543
28-544
11-2935
11-2938
11-2939
11-2940
11-2941
11-2943
11-2944
11-2945
11-2946
11-2947
11-2949
11- 3079
11-3078
11-3077
11-3080
11-3081
11-3082
11-3084
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-32.03
-32.10
-32.03
-32.02
-32.12
-32.08
-32.10
-32.02
-32.12
-32.02
-32.07
-32.07
-32.10
-32.08
-32.00
-32.02
-32.02
-32.13
-32.12
-32.03
-32.12
-32.10
-32.02
-32.03
-32.13
-32.12
-32.10
-32.27
-32.17
-32.20
-32.20
-32.20
-32.23
-32.18
-32.17
-32.17
-32.17
-32.32
-32.18
-32.17
-32.18
-32.23
-32.25
-32.20
-32.22
-62.47
-62.43
-62.32
-62.45
-62.25
-62.43
-62.27
-62.32
-62.32
-62.37
-62.32
-62.32
-62.25
-62.12
-62.15
-62.22
-62.22
-62.22
-62.22
-62.15
-62.17
-62.17
-62.02
-62.03
-62.02
-62.10
-62.12
-62.28
-62.25
-62.25
-62.47
-62.47
-62.37
-62.35
-62.38
-62.38
-62.47
-62.40
-62.07
-62.03
-62.02
-62.02
-62.02
-62.10
-62.17
112
110
112
112
112
112
102
102
102
107
105
105
100
100
97
98
98
97
97
97
97
97
112
112
117
110
100
105
97
97
112
112
107
105
105
109
113
110
105
110
118
95
90
93
95
Chb 11
Cbh 3
Chb 3
VII
IV ws
IV ws
IV ws
VII ws
VII ws
VI ws
III w
VI ws
VI ws
VII ws
VII ws
VI ws
III ws
VI ws
VI ws
VII ws
VII ws
VI ws
VII ws
VII ws
VII ws
II
III ws
I-1
II e
III ws
VI ws
VI ws
VII ws
VII ws
VI ws
III w
VI w
VII ws
VI ws
III s
VI ws
I-1
III w
I-1
III ew
VII ws
VI ws
VI ws
ECd 2
Chb 7
C hb 11
Epm 1
Lcd 8
Lcd 8
Chb 11
Chb 7
E 113
MJ 10
Atg 2
Lcd 6
Atg 1
Atg 1
Atg 4
Atg 3
Atg 2
Atg 2
LAN 1
Lcd 2
Lcd
Lcd 2
CM 2
Co 5
Atg 2
Atg 4
Chb8
Chb 8
Epm 1
Chb 7
Chb 4
Epm 1
Chb 8
Lcd
ETb 1
Lcd
ETb 1
Atg 2
Capítulo 2
Nº de Orden
49
51
52
53
54
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
Calicata ID
11-3085
11-3087
11-3088
11-3089
11-3421
11-2652
11-2653
11-2654
11-2655
11-2656
11-2657
11-2658
11-2659
11-2660
11-2661
11-2662
11-2663
11-2664
11-2665
11-2666
11-2667
10-1
10-2
10-3
10-4
10-5
11-2779
11-2780
11-2781
11-2782
11-2783
11-2784
11-2785
11-2786
11-2787
11-2788
11-2790
11-2791
11-2792
11-2332
11-2333
11-2334
11-2335
11-2336
11-2337
11-2338
11-2339
Latitud S
Longitud W
Altura, m
-32.20
-32.30
-32.30
-32.30
-32.32
-32.38
-32.38
-32.42
-32.42
-32.38
-32.37
-32.42
-32.42
-32.42
-32.42
-32.47
-32.47
-32.47
-32.43
-32.35
-32.35
-32.42
-32.42
-32.42
-32.42
-32.43
-32.38
-32.38
-32.35
-32.33
-32.33
-32.45
-32.45
-32.45
-32.48
-32.47
-32.47
-32.40
-32.35
-32.63
-33.50
-32.53
-32.55
-32.55
-32.55
-32.58
-32.50
-62.22
-62.18
-62.18
-62.20
-62.05
-62.43
-62.43
-62.37
-62.37
-62.28
-62.28
-62.43
-62.43
-62.45
-62.45
-62.33
-62.33
-62.25
-62.30
-62.42
-62.27
-62.18
-62.20
-62.18
-62.17
-62.22
-62.13
-62.13
-62.12
-62.02
-62.08
-62.03
-62.07
-62.07
-62.13
-62.23
-62.12
-62.15
-62.15
-62.30
-62.28
-62.35
-62.37
-62.40
-62.40
-62.47
-62.48
97
100
100
98
91
113
113
110
110
110
110
114
115
114
114
111
112
111
105
112
105
102
105
100
100
107
95
95
94
90
92
90
90
91
100
100
100
98
95
112
110
115
115
112
112
112
115
Símbolo
Capacidad
Co 5
Sg 1
SE 1
SE 1
Ecd 1
Ntg 5
Ntg 3
Ntg 3
IV ws
VI ws
II c
VI ws
IV ws
VII ws
VII ws
IV ws
IV ws
II ws
II w
Co 5
Ntg
Ntg
Srl
SE 1
Ecd
MJ
III w
II c
II c
V ws
IV ws
IV ws
I
Co 5
Atg
MJ
Atg
SE 1
Sr 2
Atg 3
Atg 1
Atg
Atg
Atg 3
MJ
MJ
MJ
Sr
Sr 1
MJ 8
Ntg
Ntg
Ntg
Co 10
Co 8
Co 8
Co 8
IV ws
III ws
I
III w
VII ws
VII ws
VII ws
VI ws
III w
IV ws
VII ws
I
I
I
IV ws
III sc
I-IIs
IIc
IIc
III ws
VII ws
III ws
III w
III w
Chb 8
Impacto del Cambio Global sobre la Producción Agrícola
Nº de Orden
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
Calicata ID
11-2340
11-2341
11-2342
11-2343
11-1951
11-1952
11-1950
11-1958
11-2228
11-2229
11-2230
11-2231
11-2232
11-2233
11.2234
11.2235
11.2236
11.2237
11.2238
11.2239
11.2240
198
197
196
187
188
190
191
192
193
194
195
527
528
526
525
524
521
183
184
-185
186
189
514
516
515
517
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-32.53
-32.65
-32.65
-32.60
-32.60
-32.52
-32.63
-32.50
-32.65
-32.65
-32.62
-32.55
-32.57
-32.52
-32.52
-32.55
-32.62
-32.55
-32.53
-32.63
-32.62
-32.37
-32.43
-32.45
-32.48
-32.42
-32.35
-32.33
-32.40
-32.47
-32.47
-32.45
-32.35
-32.35
-32.37
-32.35
-32.43
-32.42
-32.60
-32.60
32.52
-32.52
-32.52
-32.57
-32.50
-32.60
-32.50
-62.45
-62.47
-62.47
-62.32
-62.17
-62.20
-62.17
-62.05
-61.95
-61.98
-61.95
-61.93
-61.90
-61.97
-61.88
-61.85
-61.87
-61.80
-61.78
-61.75
-61.88
-61.40
-61.30
-61.30
-61.37
-61.32
-61.43
-61.38
-61.42
-61.25
-61.25
-61.30
-61.18
-61.15
-61.22
-61.17
-61.07
-61.02
-61.38
-61.32
-61.45
-61.27
-61.42
-61.32
-61.37
-61.40
-61.42
114
113
113
113
108
110
110
87
80
82
82
80
82
82
82
87
82
110
120
120
87
ECD
SM
SM
MJ 2
Ntg 3
MJ
MJ
Atg
CoAtg
Co13
CoAtg 3
CoAtg 3
CoAtg 1
CoAtg 1
MJ
MJ 10
CoAtg 2
MJ 9
MJ
MJ
CoAtg
CLA 7
LGE 3
CLA
CLA
CLA
CLA
LGE 2
CLA
CoLTB
TLS
CLA
CLA
CoCCa
CLA
DAZ
TOT 2
MEL
CLA
CLA
LCD
CLA
TLi
TL 4
CLA
Lcd
LTb
III ws
IV ws
IV ws
II w
II w
I-1
I-1
VII ws
IV ws
IV ws
VI w
VI w
VI w
VI w
IV ws
IV ws
VI ws
II w
I-1
I-1
IV ws
II w
III es
I-1/2
I-1/2
I-1/2
I-1/2
III es
I-1/2
VI ws
III w
I-1/2
I-1/2
VII ws
I-1/2
IV ws
III ews
I-2
I-1/2
I-1/2
I-1
I-1/2
II e
II e
I-1/2
I-1
VI ws
Capítulo 2
Nº de Orden
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
Calicata ID
518
500
501
502
503
504
508
505
509
510
511
512
513
4-720
4-723
11-1857
11-1858
11-1859
11-1860
11-1861
11-1862
11-1863
11-1864
11-1865
7-811
7-812
7-815
7-816
17-93
17-94
17-95
17-96
17-97
17-98
17-99
17-100
17-101
17-102
17-103
7-868
7-871
7-874
7-546
7-586
16-123
16-17
16-52
Latitud S
Longitud W
-32.65
-32.53
-32.57
-32.52
-32.63
-32.63
-32.50
-32.60
-32.50
-32.55
-32.50
-32.60
-32.60
-32.48
-32.58
-32.70
-32.68
-32.68
-32.68
-32.67
-32.73
-32.82
-32.80
-32.82
-32.82
-32.73
-32.72
-32.80
-32.85
-32.88
-32.90
-32.98
-32.98
-32.85
-32.85
-32.83
-32.97
-32.93
-32.85
-32.98
-32.85
-32.90
-32.82
-32.75
-32.87
-32.87
-32.97
-61.27
-61.03
-61.03
-61.07
-61.02
-61.02
-61.20
-61.05
-61.20
-61.17
-61.20
-61.22
-61.02
-63.82
-63.80
-62.38
-62.38
-62.37
-62.27
-62.47
-62.48
-62.45
-62.47
-62.37
-62.22
-62.12
-62.17
-62.15
-62.33
-62.33
-62.40
-62.30
-62.33
-62.30
-62.30
-62.27
-62.40
-62.38
-62.45
-62.20
-62.17
-62.03
-61.75
-61.47
-61.68
-61.28
-61.28
Altura, m
Símbolo
Capacidad
107
107
107
110
112
110
110
110
107
102
110
110
105
100
100
105
105
100
105
105
105
107
105
110
102
105
107
77
95
100
80
47
CLA 5
SER
SER
DAZ
PAL 2
PAL 2
CLA
CLA 6
LGE 6
CLA
LGE 6
CLA
SER
MEL
MEL
Co 10
MJ 4
Co 11
MJ
CoSM
MJ 6
MB
MB 1
MJ
MJ
MJ
MJ
MJ 1
RT
MB
MB
Ha
RT
MJ 3
Co 8
MJ
MB 2
MB 5
MB
MJ
MJ
MJ
Cmo 1
MJ
MJ
Crr 4
Co 137
III ws
III ws
III ws
IV ws
III ws
III ws
I-1/2
I-2
III ws
I-1/2
III ws
I-1/2
III ws
I-2
I-2
VI ws
II w
II ws
I
II c
III es
II ws
II w
I
I
I
I
I-2
IV ws
II c
II c
I
IV ws
I-2
III w
I
II c
II w
II c
I-1
I-1
I-1
Iv ws
I-1
I-1
II e
VI ws
Impacto del Cambio Global sobre la Producción Agrícola
Nº de Orden
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
228
229
230
231
232
233
234
235
236
237
238
239
Calicata ID
16-63
16-70
16-71
16-72
16-75
16-93
16-94
6-1353
10-1105
10-1106
10-1111
10-1112
10-1113
4-699
4-708
4-711
4-703
4-704
4-705
4-706
4-712
4-713
19-485
19-486
19-487
19-488
19-489
19-490
19-491
19-492
19-493
19-494
19-495
19-496
19-346
19-348
19-349
19-350
19-351
19-352
19-353
19-354
19-355
19-647
19-648
19-649
19-650
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-32.87
-32.83
-32.87
-32.90
-32.85
-32.93
-32.93
-32.97
-32.63
-32.75
-32.70
-32.68
-32.65
-32.72
-32.67
-32.80
-32.88
-32.97
-32.95
-32.97
-32.97
-32.97
-33.00
-32.02
-33.05
-33.08
-33.15
-33.15
-33.05
-33.02
-33.08
-33.08
-33.05
-33.05
-33.13
-33.02
-33.03
-33.13
-33.13
-33.15
-33.12
-33.12
-33.12
-33.20
-33.20
-33.23
-33.17
-61.47
-61.32
-61.47
-61.38
-61.38
-61.40
-61.48
-61.43
-61.28
-61.38
-61.35
-61.33
-61.30
-61.90
-61.75
-61.92
-61.87
-61.95
-61.82
-61.80
-63.77
-63.78
-62.45
-62.45
-62.45
-62.45
-62.47
-62.28
-62.27
-62.27
-62.38
-62.38
-62.40
-62.40
-62.18
-62.18
-62.02
-62.03
-62.03
-62.03
-62.02
-62.02
-62.02
-62.45
-62.42
-62.35
-62.35
102
80
110
110
77
82
107
82
85
85
90
92
97
Crr 1
Crr 1
Crr 1
Crr 1
Crr 1
Crr 4
VE 1
Crr 4
Ca 1
Ca 1
Co 139
I-1
II e
I-1
I-1
I-1
II e
I-1
II e
I-1
I-1
VI ws
VI ws
I-2
II w
I-2
III ws
III ws
I-2
VI ws
VI ws
IV ws
VI ws
II c
VI ws
II c
II c
II c
II c
III w
II c
II c
II w
IV es
VII ws
II c
IIc
I
I
IV es
I
II e
IV es
VII
IIc
Vw
IIc
IIc
110
100
105
114
117
110
105
105
110
110
96
95
110
105
105
92
92
100
84
84
80
117
115
116
111
Ca 6
Mel 3
Mel
Rd 15
Rd 12
Py
Za 3
Za 3
Rd 11
Za 3
MB
RT
MB
Bds
Bds
Bds
MB
MB
Bds 2
RT
Co 12
MB
MB
Ha
Ha 2
RT
Ha
Ha 7
RT 5
Co 7
Bds
Lle
Bds
Bds
Capítulo 2
Nº de Orden
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
281
282
283
284
285
286
287
Calicata ID
19-651
19-652
19-653
19-654
19-655
19-656
19-657
19-658
19-659
19-746
19-747
19-748
19-749
19-750
19-751
19-752
19-753
19-754
19-755
19-756
11-2174
11-2175
11-2176
11-2177
11-2178
11-2179
11-2180
11-2181
11-2182
11-2183
11-2184
11-2185
cal 1
cal 3
cal 4
cal 5
11-1670
11-1673
cal 2
28-96
28-98
28-99
28-100
28-101
28-102
28-103
28-104
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-33.23
-33.22
-33.32
-33.30
-33.30
-33.27
-33.32
-33.32
-33.30
-33.32
-33.32
-33.20
-33.18
-33.18
-33.17
-33.17
-33.22
-33.27
-33.27
-33.32
-33.03
-33.00
-33.05
-33.05
-33.07
-33.05
-33.07
-33.07
-33.10
-33.13
-33.03
-33.12
-33.02
-33.08
-33.12
-33.05
-31.07
-31.12
-33.02
-33.35
-33.42
-33.48
-33.33
-33.37
-33.37
-33.42
-33.40
-62.28
-62.25
-62.27
-62.30
-62.30
-62.40
-62.47
-62.38
-62.43
-62.22
-62.22
-62.02
-62.02
-62.10
-62.10
-62.10
-62.22
-62.12
-62.12
-62.02
-61.90
-61.92
-61.83
-61.85
-61.87
-61.75
-61.75
-61.75
-61.88
-61.78
-61.98
-61.93
-61.88
-61.97
-61.85
-61.82
-61.58
-61.63
-61.97
-62.43
-62.47
-62.40
-62.27
-62.32
-62.32
-62.32
-62.33
110
115
118
111
111
117
116
117
115
120
119
107
105
105
100
100
115
112
112
109
100
100
70
82
82
77
62
60
80
102
100
80
100
93
100
85
Cpg
Bds
Bds
Cpg
Lle
Lle
Lbg
Lbg
Cpg 2
Bds 2
Bds
Ha
IV ws
IIc
IIc
IV ws
Vw
Vw
IIc
IIc
IV w
II w
II c
I
III w
I
Vw
IV ws
II ce
I
II w
II c
I-1
I-1
VI ws
III es
III es
VI ws
III es
IV ws
III es
I-1
I-1
VI ws
I-1
I-1
I-2
I-1
VI ws
III es
I-1
II c
II c
II c
II c
IV ws
IV ws
IV ws
II c
100
120
120
120
120
115
115
115
115
Ha
Lle
RT
Bds 1
Ha
Ha 8
Bds
Ha
Ha
Co 195
Ha 17
Ha 17
Co 135
Ha 17
Vd 1
Ha 17
Ha 2
Ha
Co 195
Ha
Ha 2
Ha 15
Ha 2
Co 138
Ha 17
Ha
Bds
Lb
CV
Bds
Lle
Cpg
LLe
LBg
Impacto del Cambio Global sobre la Producción Agrícola
Nº de Orden
Calicata ID
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
28-105
28-241
28-242
28-243
28-244
28-245
28-246
28-247
28-248
28-249
28-250
28-251
28-252
6-983
6-982
6-981
6-980
6-977
6-976
6-973
6-972
6-993
6-992
6-990
6-988
6-987
6-986
6-985
3-412
3-411
3-410
3-409
3-408
3-407
3-406
3-404
3-403
9-1119
9-1118
9-1117
9-1116
9-1115
9-1114
9-1113
9-1112
9-1111
9-1110
9-1109
-33.42
-33.42
-33.47
-33.53
-33.57
-33.53
-33.58
-33.58
-33.60
-33.60
-33.63
-33.50
-33.63
-33.38
-33.33
-33.35
-33.35
-33.33
-33.35
-33.33
-33.33
-33.50
-33.53
-33.52
-33.60
-33.50
-33.50
-33.52
-33.30
-33.32
-33.32
-33.32
-33.27
-33.30
-33.28
-33.18
-33.27
-33.20
-33.18
-33.30
-33.23
-33.30
-33.23
-33.27
-33.27
-33.25
-33.25
-33.25
-62.37
-62.32
-62.27
-62.30
-62.42
-62.38
-62.40
-62.47
-62.47
-62.45
-62.33
-62.48
-62.30
-61.72
-61.67
-61.70
-61.73
-61.70
-61.70
-61.72
-61.72
-61.67
-61.60
-61.62
-61.60
-61.60
-61.67
-61.62
-61.35
-61.32
-61.32
-61.32
-61.35
-61.32
-61.32
-61.43
-61.43
-61.03
-61.18
-61.15
-61.22
-61.22
-61.17
-61.50
-61.50
-61.50
-61.03
-61.03
117
117
117
115
120
120
115
122
122
122
120
125
115
100
100
100
100
100
100
100
100
105
102
102
102
97
105
102
95
80
80
80
95
85
90
90
95
70
95
76
90
80
80
70
70
70
75
80
LBg
LBg
LBg
Cv
CV
Gt
Gt 3
Lb
Cpg
Lb
CV
Cb
CV
Ha 5
Ha 5
Ha 5
Ha 5
Ha 5
Ha 5
Ha 10
Ha 5
Li
Cho
Cho
Cho
Chb 8
Li
Cho
Chb 6x
Co 63
Co 62
Co 62
Chb
Chb 7
Chb 2
Ag
Chb
Py 8
Chb
Pe
Chb 2
Co 62
Co 62
Py 8
Py 1
Py 1
Py 12
Co 61
II c
II c
II c
II c
II c
VI ws
VII ws
II c
IV ws
II c
II c
II c
II c
I-2
I-2
I-2
I-2
I-2
I-2
IV ws
I-2
Vw
I-1
I-1
I-1
VI ws
Vw
I-1
III ws
VII ws
VII ws
VII ws
I-1
III ws
I-1
III w
I-1
I-2
I-2
I-1
VII ws
VII ws
VII ws
I-2
I-2
I-2
IV ws
VI ws
Capítulo 2
Anexo IIIc. Suelos de la cuenca de los arroyos Tandileofú-Chelforó.
Nº de Orden
1
2
3
4
5
6
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
46
47
48
49
51
52
53
55
56
Calicata ID
21-196
21-199
21-202
24-125
24-126
24-127
25-172
25-173
25-174
25-175
25-176
25-310
25-311
25-312
25-313
25-314
25-316
27-452
27-529
6-101
6-102
6-103
6-104
6-105
6-108
6-109
6-116
6-117
12-2416
12-2417
12-2421
12-2422
12-2423
12-2404
12-2408
12-2410
12-2411
12-2412
12-2426
12-2427
12-2428
12-2429
12-2430
12-2402
12-2407
12-2418
12-2419
12-2958
12-2961
12-2963
12-2969
12-2970
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-36.58
-36.58
-36.58
-36.54
-36.55
-36.55
-36.53
-36.53
-36.53
-36.52
-36.53
-36.56
-36.56
-36.57
-36.56
-36.56
-36.56
-36.53
-36.51
-36.56
-36.56
-36.56
-36.51
-36.53
-36.56
-36.56
-36.58
-36.59
-37.04
-37.02
-37.07
-37.05
-37.01
-37.02
-37.07
-37.03
-37.01
-37
-37.15
-37.17
-37.13
-37.16
-37.18
-37.13
-37.12
-37.18
-37.18
-37.04
-37
-37.08
-37.08
-37.09
-58.1
-58.09
-58.08
-58.09
-58.1
-58.1
-58.11
-58.1
-58.1
-58.1
-58.11
-58.18
-58.18
-58.18
-58.18
-58.19
-58.18
-58.26
-58.27
-58.09
-58.1
-58.1
-58.08
-58.11
-58.18
-58.18
-58.09
-58.09
-59.17
-59.18
-59.25
-59.26
-59.21
-59.03
-59.11
-59.13
-59.13
-59.14
-59.24
-59.28
-59.25
-59.2
-59.2
-59.07
-59.09
-59.01
-59
-58.58
-58.59
-58.52
-58.58
-58.42
37
35
35
32
32
32
32
32
32
30
35
43
43
43
43
45
44
52
50
32
32
32
27
32
44
44
35
35
137
135
157
150
136
117
137
130
125
125
200
257
177
180
185
157
157
177
177
117
107
115
125
101
GG41
GG45
GG41
MP20
MP20
GG42
Che14
Ay15
Che14
GG42
Che14
Ay2
Ay2
GG46
Ay2
MP25
MP25
Che14
GG44
GG41
GG41
GG41
Ay15
MP20
Ay2
Che14
GG41
GG45
Bal30
Rch1
MP45
MP16
Eg2
Rch1
Bal30
Rch1
Rch1
Rch
MP45
Ta24
Sp6
Ta19
Sp6
MP44
Rch1
MP2
MP45
Ay7
Rch
Ay8
Ay7
Ay7
VII ws
VII ws
VII ws
II w
II w
VII ws
VI ws
III ws
VI ws
VIIws
VI ws
IV ws
IV ws
VI ws
IV ws
III ws
III ws
VI ws
VI ws
VII ws
VII ws
VII ws
III ws
II w
IV ws
VI ws
VII ws
VI ws
II s
VI ws
IV ws
II s
III ws
VI ws
II s
VI ws
VI ws
VI ws
IV ws
III s
VI es
II es
VI es
II w
VI ws
II es
IV w
III ws
VI ws
IV ws
III ws
III ws
Impacto del Cambio Global sobre la Producción Agrícola
Nº de Orden
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
75
76
77
78
79
80
81
82
83
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
112
114
115
116
Calicata ID
12-2971
12-2974
12-2975
12-2977
12-2978
12-2980
29-222
29-223
29-224
29-225
29-226
29-227
29-229
12-2867
12-2868
12-2869
12-2870
12-2872
12-2873
10-2298
10-2299
10-2300
10-2308
10-2283
10-2285
10-2286
07-54
10-2301
10-2302
10-2305
10-2306
10-2307
10-2289
10-2290
10-2291
10-2292
10-2294
10-2296
12-1767
12-1763
12-1764
12-1772
10-1572
10-1573
10-1574
10-1575
10-1576
10-1578
10-1579
10-1580
10-1581
10-1585
14-1202
14-1205
14-1207
Latitud S
Longitud W
Altura, m
Símbolo
Capacidad
-37.07
-37.03
-37
-37.01
-37.01
-37.07
-37.19
-37.12
-37.16
-37.14
-37.13
-37.13
-37.11
-37.16
-37.17
-37.15
-37.19
-37.19
-37.16
-37.28
-37.29
-37.29
-37.2
-37.21
-37.26
-37.24
-37.2
-37.31
-37.3
-37.35
-37.31
-37.33
-37.34
-37.38
-37.37
-37.33
-37.37
-37.3
-37.22
-37.2
-37.21
-37.23
-37.39
-37.3
-37.3
-37.35
-37.39
-37.33
-37.33
-37.32
-37.37
-37.31
-37.31
-37.3
-37.3
-58.43
-58.41
-58.44
-58.3
-58.37
-58.32
-58.5
-58.47
-58.54
-58.56
-58.49
-58.58
-58.54
-58.37
-58.42
-58.41
-58.41
-58.31
-58.32
-59.16
-59.21
-59.28
-59.2
-59.13
-59.08
-59
-59.07
-59.27
-59.26
-59.21
-59.18
-59.15
-59.12
-59.12
-59.09
-59.03
-59.02
-59.14
-58.45
-58.47
-58.47
-58.52
-58.52
-58.49
-58.53
-58.49
-58.52
-58.48
-58.55
-58.51
-58.47
-58.49
-58.31
-58.36
-58.39
97
87
85
68
78
78
140
115
140
137
120
137
125
102
112
107
10
90
93
242
257
247
205
250
247
200
200
250
250
297
247
247
292
305
257
300
250
245
131
135
135
142
177
157
185
157
177
142
200
160
160
157
102
122
120
Cob13
Ay8
Ay8
Ay16
Ay7
Ay16
MP49
Ay8
MP44
Ay7
Ay8
Rch1
Ay8
Cob12
Ay7
GG48
Cob14
MP17
GG42
Ta19
Ta19
Az41
Ta19
Ta18
Ta7
Ta19
Ta7
Az41
Az41
Ta20
Az41
TEs3
Ta19
Ta18
CoAoChg
CoAoChg
Ta19
Ta19
Cob11
Cob14
GG48
Mp49
Ta8
Az12
LA13
Col B
Ta8
CoAoN
LA13
Ta7
Ta7
Az12
Mp20
Mp16
Bal13
III ws
IV ws
IV ws
IV ws
III ws
IV ws
IV ws
IV ws
II w
III ws
IV ws
VI ws
IV ws
III w
III ws
IV ws
III w
IV ws
VII ws
II es
II es
IV ws
II es
II s
III w
II es
III w
IV ws
IV ws
II e
IV ws
IV w
II es
II s
IV ws
IV ws
II es
I-2
II ws
III w
IV ws
IV w
II s
II s
III s
VII ws
II s
VII ws
III s
III w
III w
II s
III w
II s
III e
Capítulo 3
Especies
Forrajeras
Introducción
Gracias a la introducción de materiales mejorados, el cultivo de alfalfa sigue siendo la principal especie forrajera de los sistemas pastoriles de la región pampeana. El área de cultivo puro es de 940.000 hectáreas y como especie consociada abarca casi 4.000.000 ha. Los cultivares más difundidos tienen un grado de latencia invernal desde largo hasta sin reposo.
El grado de latencia es un carácter que ayuda a separar a los materiales genéticos. La latencia asegura el reposo del cultivo durante el invierno (Romero et al., 1996). Los cultivares sin latencia (grupos 8
y 9) pueden crecer con las bajas temperaturas del otoño. Los materiales del grupo con latencia larga (3
y 4) interrumpen su crecimiento en otoño y lo reanudan en la primavera. Entre ambos grupos hay alfalfas de latencia intermedia (grupos 5, 6 y 7). En general, a medida que el período de reposo se alarga, la
persistencia de los alfalfares se prolonga, tendiendo a segurar cuatro años con altos niveles de producción.
El mercado actual ofrece una gama de cultivares con adaptación a las diversas condiciones de clima,
suelos y manejo de la región pampeana, incluso favoreciendo la difusión en los sectores subhúmedos y
semiáridos.
Las áreas alfalferas pampeanas presentan contrastes en capacidad productiva, atribuibles a las diferencias que tienen en temperatura, humedad y tipo de suelo. La bibliografía da cuenta de modelos empíricos y mecanicistas que simulan la producción de materia seca aérea de alfalfa en respuesta a factores del ambiente y de manejo. Los primeros son ajustes estadísticos que reflejan la hipótesis que las temperaturas y/o las lluvias determinan los patrones de producción de biomasa (Fick, 1984; Gosse et al.,
1984). Estos modelos empíricos son, en general, específicos para cada cultivar, funcionando a escala estacional o anual.
La simulación de la productividad por corte exige modelos basados en procesos, en los cuales se suman los efectos de las técnicas de manejo a los causados por el ambiente. Algunos estudios recientes
dan cuenta de la utilidad de esta clase de metodología. Díaz (1994) calibró y validó el modelo EPIC (Erosion/Productivity Impact Calculator, Williams et al, 1984) con mediciones de producción estacional de materia seca de cultivares con reposo intermedio en la Estación Experimental de INTA en Pergamino. El modelo pudo explicar el 73% de la variación del conjunto de mediciones independientes.
Las dos clases de modelos se complementan en la evaluación del impacto potencial del cambio climático sobre la producción de alfalfa, al permitir su abordaje desde escalas temporales y grado de complejidad del sistema completamente diferentes. El simple modelo empírico toma como única variable independiente al factor climático. En cambio, el modelo EPIC permite simular la dinámica del sistema, acoplando las interacciones de numerosos factores, inclusive el manejo, a la variación en CO2.
Objetivos
El estudio tiene por objetivo la estimación del grado de vulnerabilidad de la productividad de variedades de alfalfa sin latencia (Grupos 8 y 9) en diversos ambientes de la región pampeana frente a probables escenarios de cambio climático.
Un segundo objetivo, no menos importante, apuntó a la adaptación local del modelo SPUR2 (Simulation of Production and Utilization of Rangelands), como paso previo a su empleo en estudios de impacto
sobre la producción de la ganadería.
Impacto del Cambio Global sobre la Producción Agrícola
Materiales y métodos
La metodología tiene dos aspectos principales: 1) desarrollo y verificación de los modelos de estimación: comprende el cálculo de los parámetros del modelo estadístico y la calibración del modelo EPIC,
con datos medidos a escalas de espacio y tiempo compatibles; 2) la simulación de la vulnerabilidad de
la producción de alfalfa en la región: aplicando las herramientas del punto 1 junto con escenarios posibles de cambio climático y de CO2, estimando el impacto con relación a un escenario sin cambios.
Producción anual de alfalfa y modelos estadísticos
Se contó con datos de producción anual de materia seca (MS) de siete cultivares de alfalfa, medidos
en experimentos conducidos en siete ambientes pampeanos, entre 1990/91 y 1994/95 (Romero et al.,
1996). El número total de datos fue de 162.
Los cultivares, de amplia difusión y representativos del rango de latencias, fueron: WL 318 (grado
de latencia 5), Sutter (6), Aurora (6), Pioneer 5888 (8), Rocío SP INTA (8), Monarca SP INTA (9) y CUF
101 (9).
Los experimentos se condujeron en Anguil (28 ensayos), Balcarce (21), Bellocq (37), Manfredi (24),
Marcos Juárez (28), Rafaela (15) y Villa Mercedes (9), cubriendo la gama de ambientes de la región pampeana. Los datos mensuales de temperatura máxima (TX) y mínima (TN) en abrigo y lluvias (P) fueron
obtenidos del banco de datos del Instituto de Clima y Agua de INTA, para la serie 1990-1995. Los valores anuales fueron calculados para el ciclo de cultivo del 1 de julio al 30 de junio del año siguiente.
Se calculó la relación entre la producción de MS (predictando) y las variables climáticas individuales (predictores) en cada cultivar. Se evaluaron dos funciones matemáticas: 1) lineal y 2) polinomio de
segundo grado o función cuadrática. El grado de significancia de la regresión se estableció con el test
F. El análisis estadístico se llevó a cabo con la planilla de cálculo Excel. Además del cálculo de los estimadores de los parámetros de las dos funciones, se determinó el rango operativo de la variable independiente.
Una vez elegidos los modelos con mejor respuesta, se calculó el impacto del cambio climático sobre
la producción anual individual comparando, en 37 estaciones de la región pampeana, los escenarios siguientes:
1. Base: con el valor de la variable climática para la serie 1981-1990, publicada por el Servicio Meteorológico Nacional.
2. Incremental: aumentando la variable independiente en 1°C.
3. Regional: sumando al valor de la variable independiente de cada estación el valor del coeficiente de
ajuste local, calculado con el escalado regional del modelo MPI.
En el Cuadro 1 se presentan los escenarios por estación para una de las variables climáticas en consideración.
Capítulo 3
Cuadro 1. Sitios y escenarios en consideración.
Estaciones
Meteorológicas
La Plata
Pilar
Rosario
Córdoba
Río Cuarto
Marcos Juárez
Manfredi
Zavalla
Castelar
San Pedro
Villaguay
Pergamino
Ezeiza
Pehuajó
Rafaela
Gualeguachú
Nueve de Julio
Concepción del Uruguay
Junín
Laboulaye
General Pico
Bolívar
Concordia
Ceres
Paraná
Santa Rosa
Dolores
Bahía Blanca
Mar del Plata
Tres Arroyos
Tandil
Azul
Las Flores
Bordenave
Balcarce
Hilario Ascasubi
Pigüé
Sin Cambio
Temperatura Mínima Media Anual (°C)
Cambio en +1°C
Escalado
11,3
11,6
11,6
11,2
11,2
11,2
11,1
11,1
11,8
11,8
11,8
10,9
10,9
10,8
12,2
12,2
10,5
12,4
10,3
9,9
9,9
9,7
13,2
13,4
13,4
9,1
9,0
8,9
8,7
8,7
8,2
8,1
8,1
8,0
7,9
7,8
7,7
12,3
12,6
12,6
12,2
12,2
12,2
12,1
12,1
12,8
12,8
12,8
11,9
11,9
11,8
13,2
13,2
11,5
13,4
11,3
10,9
10,9
10,7
14,2
14,4
14,4
10,1
10,0
9,9
9,7
9,7
9,2
9,1
9,1
9,0
8,9
8,8
8,7
13,2
13,1
13,3
12,8
12,6
12,9
12,9
12,7
13,8
13,6
13,7
12,5
12,9
12,4
14,0
14,0
12,1
14,4
11,8
11,4
11,5
11,5
15,1
15,1
15,1
10,6
11,2
10,8
10,4
10,3
9,9
9,7
9,4
9,7
9,8
9,6
9,3
En algunos casos ocurrió que el valor de la variable estuvo fuera del rango de la función. Por ejemplo
la TN anual media de Coronel Suárez fue menor al límite inferior del rango de la función. En otros, los
aumentos de TN en los escenarios de cambio llevaron a la variable a exceder el rango operativo de la
función. Así sucedió con la TN media anual de Reconquista. Por estos motivos, Coronel Suárez y Reconquista fueron eliminadas del estudio.
Impacto del Cambio Global sobre la Producción Agrícola
Producción por corte y modelo semimecanicista
Para la calibración del modelo EPIC se contó con publicaciones de la Red Nacional de Ensayos de
Cultivares de Alfalfa (Spada, 1991, 1992, 1993 y 1994). Por razones que se explican más adelante, se
recopiló información de dos materiales del grupo 9 (Monarca SP INTA y CUF 101) del ensayo CASR/90,
conducido entre 1990 y 1994. Por su calidad se prefirieron los datos de 7 localidades: Balcarce, Bellocq,
General Villegas e Hilario Ascasubi (de Buenos Aires), Manfredi y Marcos Juárez de Córdoba, y Anguil
de La Pampa. Los archivos para EPIC se conformaron con datos meteorológicos, de suelo, paisaje y manejo. Los primeros –temperaturas máximas y mínimas del aire en abrigo, lluvias, humedad relativa y velocidad del viento con paso diario– fueron suministrados por el Instituto de Clima y Agua de INTA. Salvo
Bellocq, donde se usó el clima de Pehuajó, los restantes ensayos tenían una estación meteorológica a 5
kilómetros o menos de distancia. Las propiedades de los suelos representativos en los ensayos se recopilaron de las Cartas de Suelos publicadas por INTA. Los datos de manejo se consiguieron por dos vías
diferentes: 1) el calendario y forma de preparación del suelo y la fecha de siembra de los ensayos fueron
dados por Spada (com. pers.); 2) las fechas de corte con su correspondiente producción de materia seca (MS) aérea se copiaron de las publicaciones de la Red (Spada, op. cit.). Spada también se ocupó de
resolver las contadas inconsistencias y omisiones halladas en las publicaciones.
El punto de partida de la calibración de EPIC fue adoptar el archivo de parámetros de alfalfa que habían sido ajustados con los ensayos de Pergamino (Díaz, op. cit.). Los desajustes más notorios entre mediciones y estimaciones de MS resultaron de una sobrestimación del efecto limitante de las temperaturas
y el fósforo sobre el crecimiento. Siendo el propósito de la calibración el disponer de una herramienta para la evaluación de impactos, sus posibilidades de modificación aumentan respecto de su uso para predecir los rendimientos. Por ejemplo, si en el calendario del prácticas del modelo se incluía una vez al año
una fertilización con superfosfato triple, la estimación de MS con EPIC mejoraba en la primavera y verano siguientes. Los resultados gráficos incluyen comparaciones entre las series de tiempo de mediciones
y estimaciones de MS aérea por corte y cultivar.
Se compararon escenarios con y sin cambio entre 1996 y 2050, repitiendo cada cuatro años el calendario de cada ensayo. El escenario con cambio es el que ha sido descripto más arriba como escenario 3
(DS). El generador climático de EPIC incorpora los coeficientes de cambios de temperaturas y lluvias En
este caso se consideraron las estimaciones de cambios de temperaturas y lluvias obtenidos con aproximaciones estadísticas de información en escala regional a partir de información en escala regional del
modelo de circulación general del Max Planck Institute (ver Anexo para más detalles).
La vulnerabilidad de la producción de alfalfa se presentan como desvíos relativos al escenario base,
habiéndoselo computado como:
Desvío anual, % = 100 * (MSbase – MSDS) / MSbase
Los gráficos correspondientes se presentan para el cutivar Monarca INTA.
Resultados
En la primera parte se hace referencia al impacto del cambio climático sobre la producción anual de
alfalfa, con un modelo empírico basado en la temperatura mínima media anual. A continuacion se describirá el impacto sobre la producción por corte, estimada con el modelo EPIC.
Impacto sobre la producción anual
En el Cuadro 2 se demuestra que la temperatura mínima anual media (TN) fue el mejor predictor de
la producción de MS. El resultado tiene que ver con el criterio de reposo invernal para distinguir entre va-
Capítulo 3
riedades. Así los cultivares con reposo intermedio, grupos 5 y 6, presentaron una menor sensibilidad térmica que sus similares sin latencia (grupos 8 y 9).
Cuadro 2. Coeficiente de determinación de la relación entre producción de materia seca de cultivares de
alfalfa y temperatura máxima (TX) y mínima (TN) medias y lluvia acumulada (P) anuales.
R2 (%) en:
CULTIVAR
TX Lineal
TX 2° Grado
TN lineal
TN 2° Grado
P Lineal
P 2° Grado
WL 318
5
5
8
39
39
5
14
Sutter
6
11
11
22
22
13
13
Aurora
6
15
15
25
41
2
6
Rocío
8
0
2
68
73
39
39
5888
8
22
31
53
65
1
13
Monarca
9
2
3
36
68
16
19
CUF 101
9
6
8
44
58
11
11
Nota: en sombreado relación significativa al 5%.
La función empírica es específica de cada cultivar. En el caso de los cultivares sin latencia, la temperatura mínima media anual explicó entre el 36 y 73% de la varianza de la variable dependiente. El ajuste de un polinomio de segundo grado mejoró el ajuste en relación de la función lineal. Con la función cuadrática se pudo establecer que si la TN superaba los 12°C, la producción anual de MS disminuía. El resultado sugiere que a igualdad de disponibilidad de agua, la productividad de las variedades del los grupos 8 y 9 aumentaría con la latitud y la distancia al mar.
La escasa sensibilidad de la alfalfa a las lluvias puede explicarse por: 1) la disponibilidad de agua para el crecimiento depende del balance de aportes y pérdidas hídricos, de los cuales la lluvia es un factor;
2) en Rafaela y Marcos Juárez la napa freática estaba cerca de la superficie y al alcance del aparato radicular; c) la variabilidad del agua actúa a escalas menores que la anual.
En las Figuras 1 a 4 se comparan las producciones anuales de MS medidas y estimadas con la función cuadrática en TN de cuatro cultivares sin reposo. El ajuste es muy bueno en un rango entre 3 y 25
t (ha año)-1. El error estandar de la estimación varió desde 3,2 t (ha año) -1 en el cv. Rocío hasta 4,0 en el
cv. Pioneer 5888. Los restantes cvv presentaron errores intermedios: 3,5 t (ha año)-1 para Monarca y 3,6
para CUF 101.
Impacto del Cambio Global sobre la Producción Agrícola
Estimado (t/ha/año)
25
20
Anguil
Balcarce
15
Bellocq
M. Juárez
10
V. Mercedes
5
1:1
0
0
5
10
15
20
25
Medido (t/ha/año)
Figura 1. Producción anual medida y estimada de alfalfa Rocío SP INTA.
Estimado (t/ha/año)
25
20
Anguil
15
Bellocq
Balcarce
Manfredi
10
M. Juárez
Rafaela
5
1:1
0
0
5
10
15
20
25
Medido (t/ha/año)
Figura 2. Producción anual medida y estimada de alfalfa Pioneer 5888.
Capítulo 3
Estimado (t/ha/año)
30
Anguil
25
Balcarce
20
Bellocq
Manfredi
15
M. Juárez
10
Rafaela
V. Mercedes
5
1:1
0
0
10
20
30
Medido (t/ha/año)
Figura 3. Producción anual medida y estimada de alfalfa Monarca SP INTA.
25
Estimado (t/ha/año)
Anguil
20
Balcarce
Bellocq
15
Manfredi
M. Juárez
10
Rafaela
V. Mercedes
5
1:1
0
0
5
10
15
20
25
Medido (t/ha/año)
Figura 4. Producción anual medida y estimada de alfalfa CUF 101.
Impacto del Cambio Global sobre la Producción Agrícola
La estimación del impacto del cambio climático representa el efecto del aumento de temperatura mínima media anual en 1°C (escenario incremental) o entre 1,3 y 2,2°C en el escenario de cambio regional. En general la producción máxima se obtendría cuando el valor de la temperatura mínima media anual tienda a 12°C. En consecuencia, a priori se podría predecir que donde el aumento determine un TN superior a este óptimo, entonces la producción anual de alfalfa se vería afectada. Por el contrario, en los ambientes más fríos la producción aumentaría con el cambio climático proyectado.
El modelo con ajuste estadístico estima que la producción media anual del cv Rocío SP INTA variaría
entre 20 t (ha año)-1 hasta algo menos a 5 t (ha año)-1. Promedios entre 15 y 20 t (ha año)-1 serían posibles en los ambientes del norte de la región pampeana (Figura 5, ver Anexo). A medida que la latitud aumenta, la producción sería menor a 10 t (ha año)-1 por efecto de la falta de temperaturas adecuadas. Si
el cambio coincidiese con el escenario incremental, la mediana de aumento en la producción sería del
5%, con variaciones importantes entre ambientes. Disminuciones del 15 al 17% ocurrirían en el norte de
la región pampeana (Concordia, Ceres y Paraná). En el sector donde se unen las provincias de Buenos
Aires, Córdoba, La Pampa y Santa Fe, los aumentos proyectados serían entre 12 y 20%. Al sur del paralelo 36° Sur los impactos positivos serían mayores al 31%, siendo el sur de Buenos Aires el área más
beneficiada. En el resto de la región las variaciones tomarían valores parecidos al de la mediana de aumento. Si prosperase el escenario regional de cambio, con aumentos mayores en TN respecto del escenario incremental, la mediana de aumento sería también del 5%, pero el número de casos con disminuciones casi duplica el total de casos con aumentos. En la Figura 5 se advierte que el impacto negativo en
el norte oscilaría entre 34 y 36%. El aumento proyectado en el sur de Buenos Aires superaría el 42% del
promedio sin cambio.
20
18
Materia Seca (t/ha)
16
14
12
10
8
6
Sin Cambio
T + 1ºC
DS
4
PG
BA
HA
LF
BO
TA
AZ
TR
BB
MP
DO
PA
SR
CE
BL
CD
PO
JU
LA
NJ
CU
RA
GU
EZ
PH
VI
PE
SP
ZA
CA
MJ
MA
CB
RC
PI
RO
0
LP
2
Figura 5. Impacto del cambio climático sobre la producción anual del cultivar Rocío SP INTA.
Para el otro cultivar del grupo 8 las proyecciones de impacto no serían diferentes a los hallados para
el cv Rocío SP INTA. El mejor ambiente produciría, en ausencia de cambio, casi 10 veces más que el
peor. Si el cambio fuese un aumento de TN en una unidad, entonces el impacto positivo sería de 7%, pro-
Capítulo 3
ducto de un 75% casos con aumentos (Figura 6). Nuevamente las caídas de producción más importantes (14 a 16%) se registrarían en localidades del N de Entre Ríos y Santa Fe. Si el escenario de cambio
fuese más drástico en aumento de TN (escenario DS), el aumento mediano sería del 4%. Mientras las
caídas de producción seguirían concentradas en Concordia y Ceres (-32 a -34%), Paraná no se vería tan
afectada como en el caso incremental. El beneficio en el sur de Buenos Aires llegaría al extremo que producción media anual saltaría de 2-4 t (ha año)-1 a 9-11 t (ha año)-1 .
20
18
Materia Seca (t/ha)
16
14
12
10
8
6
Sin Cambio
4
Tn + 1ºC
DS
PG
BA
HA
LF
BO
TA
AZ
TR
BB
MP
DO
PA
SR
CE
BL
CD
PO
JU
LA
NJ
CU
RA
GU
EZ
PH
VI
PE
SP
ZA
CA
MJ
MA
RC
CB
PI
RO
0
LP
2
Figura 6. Impacto del cambio climático sobre la producción anual del cultivar Pioneer 5888.
El impacto del cambio sobre los dos cultivares del grupo 9 es algo diferente. Los rendimientos anuales medios de Monarca SP INTA superarían a los de los dos cvv del grupo 8, reflejando las diferencias de
los ensayos (Figura 7). El promedio de producción anual superaría 20 t (ha año)-1 y el piso de producción
estaría cercano a 4 t (ha año)-1. En un contexto de mayor susceptibilidad al aumento de la temperatura,
el escenario incremental tendría un efecto neutro global, con igual número de aumentos y caídas en la
producción. Las caídas serían generalizadas en el norte de la región, con los extremos localizados en el
norte de Santa Fe y Entre Ríos. El aumento relativo al sur del paralelo 36 haría pasar las producciones
anuales medias desde un rango de 4-14 t (ha año)-1 a otro de 11-18 t (ha año)-1. Con el tercer escenario
de cambio, el resultado neto sería negativo (-5%), con mermas importantes en el centro y norte del país.
El perjuicio sería máximo en Entre Ríos. Por el contrario en el sur de Buenos Aires, la producción aumentaría entre 1,5 y 3 veces.
Impacto del Cambio Global sobre la Producción Agrícola
25
Materia Seca (t/ha)
20
15
10
Sin Cambio
5
T + 1ºC
PG
BA
HA
LF
BO
TA
AZ
TR
BB
MP
DO
PA
SR
CE
BL
CD
PO
JU
LA
NJ
CU
RA
GU
EZ
PH
VI
PE
SP
ZA
CA
MJ
MA
RC
CB
PI
RO
0
LP
DS
Figura 7. Impacto del cambio climático sobre la producción anual del cultivar Monarca SP INTA.
El impacto sobre la producción de CUF 101 sería positivo (mediana igual a 4%), con predominio de
casos de aumento en proporción de 2 a 1 respecto de los negativos. Los aumentos se localizarían el centro y sur de Buenos Aires y La Pampa. Si el escenario 3 tuviese lugar, el aumento sería menor (2%) con
equilibrio entre los casos con aumento y caídas.
15
10
Figura 8. Impacto del cambio climático sobre la producción anual del cultivar CUF 101.
PG
BA
HA
BO
LF
AZ
TA
TR
MP
BB
DO
SR
PA
CE
CD
BL
PO
JU
LA
NJ
CU
RA
GU
EZ
PH
PE
VI
SP
ZA
CA
MA
RC
CB
RO
PI
0
MJ
Sin Cambio
T + 1ºC
DS
5
LP
Materia Seca (t/ha)
20
Capítulo 3
En general podría decirse que el cambio climático tendría un efecto positivo si se circunscribiera a un
aumento de la temperatura media anual de 1°C. De un total de 37 estaciones, en casi dos tercios el impacto sería positivo. En cambio, en un escenario más cálido, con aumentos entre 1,3 y 2,2°C, la situación sería en general menos favorable. En este último escenario, las variedades sin latencia podrían cultivarse en ambientes del sur bonaerense donde actualmente predominan los cvv de los grupos 4 a 6.
La temperatura mínima media anual a la cual se obtendría la producción máxima de materia seca varía con el cultivar. Diferenciando la función de segundo grado correspondiente, se obtuvieron los siguientes valores máximos:
1. Pioneer 5888: 12,2°C
2. Rocío SP INTA: 12,0 °C
3. CUF 101: 11,8°C
4. Monarca SP INTA: 11,4°C
Esta diferente sensibilidad térmica explica porque no existe un ambiente productivo que sea el más favorable a todo el grupo sin reposo invernal.
Impacto sobre la producción por corte
Durante la calibración de los ensayos se buscó identificar patrones de discrepancias entre el modelo
y la realidad. En la primavera las estimaciones fueron inferiores a las mediciones, como resultado de un
incorrecta estimación de estrés por P, que no ocurre en la realidad. Esto fue corregido fertilizando con 30
kg ha-1 de superfosfato triple al final del invierno. También EPIC sobrestima la producción de fines de otoño o principios de invierno. Es probable que las temperaturas crítica y óptima del cvv sean diferentes a
los valores originales de 1 y 15 °C, respectivamente. Como se desconocen las temperaturas cardinales
locales, se prefirió agregar un corte antes del inicio del invierno. La situación fue común a todos los ensayos.
El grado de ajuste del modelo a los datos de ensayo fue variable con el ambiente y el cultivar. El error
relativo medio varió entre 15 y 25% en 5 de las 7 localidades. En Anguil y Bellocq, las diferencias relativas fueron entre 36 y 46%, con la salvedad que en las simulaciones de Bellocq se empleó el clima de
Pehuajó, por lo habría que tener cuidado en la interpretación de las evaluaciones en ambos ambientes.
En general el ajuste fue algo mejor para CUF 101 que para Monarca SP INTA.
En las Figuras 9 a 22 se presentan las comparaciones entre MS estimadas y medidas por sitio y cultivar.
3
2
1
0
27/10/93
15/04/93
22/02/93
05/01/93
24/11/92
05/10/92
21/05/92
06/04/92
02/03/92
27/01/92
26/12/91
22/11/91
19/09/91
12/06/91
26/03/91
06/02/91
21/11/90
18/01/94
MEDIDO
EPIC
18/01/94
4
10/12/93
Figura 9. Producción de alfalfa CUF 101 medida y estimada en el ensayo CASR/90 en Anguil.
10/12/93
27/10/93
15/04/93
22/02/93
05/01/93
24/11/92
05/10/92
21/05/92
06/04/92
02/03/92
27/01/92
26/12/91
22/11/91
19/09/91
12/06/91
26/03/91
06/02/91
21/11/90
t/ha/corte
t/ha/corte
Impacto del Cambio Global sobre la Producción Agrícola
4
MEDIDO
EPIC
3
2
1
0
Figura 10. Producción de alfalfa Monarca SP INTA medida y estimada en el ensayo CASR/90 en Anguil.
0
26/05/94
29/03/94
10/02/94
4
05/01/94
01/12/93
13/10/93
20/05/93
25/03/93
17/02/93
18/01/93
21/12/92
08/05/92
26/03/92
24/02/92
22/01/92
19/12/91
26/05/94
29/03/94
10/02/94
05/01/94
01/12/93
13/10/93
20/05/93
25/03/93
17/02/93
18/01/93
21/12/92
08/05/92
26/03/92
24/02/92
22/01/92
19/12/91
13/11/91
0
13/11/91
t/ha/corte
t/ha/corte
Capítulo 3
4
MEDIDO
EPIC
3
2
1
Figura 11. Producción de alfalfa CUF 101 medida y estimada en el ensayo CASR/90 en Balcarce.
5
MEDIDO
EPIC
3
2
1
Figura 12. Producción de alfalfa Monarca SP INTA medida y estimada en el ensayo CASR/90 en Balcarce.
28/01/94
22/12/93
18/11/93
4
28/01/94
22/12/93
18/11/93
12/05/93
10/03/93
19/01/93
16/12/92
5/11/92
7/05/92
27/02/92
22/01/92
12/12/91
31/10/91
23/04/91
11/03/91
11/01/91
6/12/90
7/11/90
t/ha/corte
4
12/05/93
10/03/93
19/01/93
16/12/92
5/11/92
7/05/92
27/02/92
22/01/92
12/12/91
31/10/91
23/04/91
11/03/91
11/01/91
6/12/90
7/11/90
t/ha/corte
Impacto del Cambio Global sobre la Producción Agrícola
5
MEDIDO
EPIC
3
2
1
0
Figura 13. Producción de alfalfa CUF 101 medida y estimada en el ensayo CASR/90 en Bellocq.
5
MEDIDO
EPIC
3
2
1
0
Figura 14. Producción de alfalfa Monarca SP INTA medida y estimada en el ensayo CASR/90 en Bellocq.
Capítulo 3
4
MEDIDO
EPIC
t/ha/corte
3
2
1
22/04/94
23/02/94
29/12/93
08/11/93
28/04/93
10/02/93
24/12/92
22/10/92
29/04/92
20/02/92
03/01/92
21/10/91
0
Figura 15. Producción de alfalfa CUF 101 medida y estimada en el ensayo CASR/90 en General Villegas.
4
MEDIDO
EPIC
t/ha/corte
3
2
1
22/04/94
23/02/94
29/12/93
08/11/93
28/04/93
10/02/93
24/12/92
22/10/92
29/04/92
20/02/92
03/01/92
21/10/91
0
Figura 16. Producción de alfalfa Monarca SP INTA medida y estimada en el ensayo CASR/90 en General Villegas.
25/04/94
18/03/94
04/02/94
5
07/01/94
25/04/94
18/03/94
04/02/94
07/01/94
13/12/93
15/11/93
13/09/93
29/04/93
08/03/93
28/01/93
29/12/92
01/12/92
27/10/92
09/04/92
21/02/92
16/01/92
18/12/91
13/11/91
5
13/12/93
15/11/93
13/09/93
29/04/93
08/03/93
28/01/93
29/12/92
01/12/92
27/10/92
09/04/92
21/02/92
16/01/92
18/12/91
13/11/91
t/ha/corte
t/ha/corte
Impacto del Cambio Global sobre la Producción Agrícola
6
MEDIDO
EPIC
4
3
2
1
0
Figura 17. Producción de alfalfa CUF 101 medida y estimada en el ensayo CASR/90 en Hilario Ascasubi.
6
MEDIDO
EPIC
4
3
2
1
0
Figura 18. Producción de alfalfa Monarca SP INTA medida y estimada en el ensayo CASR/90 en Hilario Ascasubi.
Capítulo 3
5
MEDIDO
EPIC
t/ha/corte
4
3
2
23/02/94
10/12/93
18/05/93
17/02/93
17/12/92
01/10/92
03/04/92
22/01/92
12/11/91
01/06/91
19/03/91
20/12/90
0
22/10/90
1
Figura 19. Producción de alfalfa CUF 101 medida y estimada en el ensayo CASR/90 en Manfredi.
5
MEDIDO
EPIC
t/ha/corte
4
3
2
23/02/94
10/12/93
18/05/93
17/02/93
17/12/92
01/10/92
03/04/92
22/01/92
12/11/91
01/06/91
19/03/91
20/12/90
0
22/10/90
1
Figura 20. Producción de alfalfa Monarca SP INTA medida y estimada en el ensayo CASR/90 en Manfredi.
21/06/94
21/04/94
21/02/94
21/12/93
21/10/93
21/08/93
21/06/93
21/04/94
6
21/06/94
21/04/94
21/02/94
21/12/93
21/10/93
21/08/93
21/06/93
21/04/94
21/02/93
21/12/92
21/10/92
21/08/92
21/06/92
21/04/92
21/02/92
21/12/91
21/10/91
21/08/91
21/06/91
21/04/91
21/02/91
21/12/90
t/ha/corte
5
21/02/93
21/12/92
21/10/92
21/08/92
21/06/92
21/04/92
21/02/92
21/12/91
21/10/91
21/08/91
21/06/91
21/04/91
21/02/91
21/12/90
21/10/90
21/08/90
0
21/10/90
21/08/90
t/ha/corte
Impacto del Cambio Global sobre la Producción Agrícola
MEDIDO
EPIC
4
3
2
1
Figura 21. Producción de alfalfa CUF 101 medida y estimada en el ensayo CASR/90 en Marcos Juárez.
MEDIDO
EPIC
5
4
3
2
1
0
Figura 22. Producción de alfalfa Monarca SP INTA medida y estimada en el ensayo CASR/90 en Marcos Juárez.
Capítulo 3
Es oportuno recordar que el escenario DS predice en general un aumento de las temperaturas y una
disminución de las lluvias, en valores mensuales, junto al incremento de CO2. En estas condiciones, el
aumento en la producción del cultivar Monarca SP INTA con relación al escenario sin cambio sería generalizado. La magnitud del impacto positivo tendría diferencias entre ambientes, asociados con los requerimientos térmicos e hídricos de la especie.
En todas las localidades, la mediana de la diferencia relativa entre producciones de MS con y sin cambio sería positiva, variando entre 2 y 24%. En Balcarce el efecto positivo sería máximo (mediana de los
desvios igual a 24%), fundamentalmente por el aumento de las temperaturas, en un ambiente con poco
frecuentes limitaciones por estrés por agua (Figura 24). Siguen en orden decreciente de impacto, General Villegas (17%, con 50 casos positivos sobre 55, Figura 26), Ascasubi (14% y 49 casos, Figura 27), y
Bellocq (14% y 34, Figura 25). En ambientes de sectores subhúmedos o semiáridos, tales como Anguil,
Manfredi y Marcos Juárez, los aumentos serían entre 2 y 4%, con una relación 2:1 entre casos positivos
y negativos de desvíos respecto al escenario sin cambio, respectivamente (Figuras 28, 29 y 23).
40
30
Desvío (%)
20
10
0
-10
-20
-30
50
47
44
41
38
35
32
29
26
23
20
17
14
11
08
05
02
99
96
-40
Figura 23. Desvío de las estimaciones de producción anual del cv. Monarca SP INTA con cambio climático
respecto del escenario sin cambio en Anguil.
Desvío (%)
100
90
80
70
60
50
40
30
20
10
0
-10
50
47
44
41
38
35
32
29
26
23
20
17
14
11
08
05
02
99
96
Figura 24. Desvío de las estimaciones de producción anual del cv. Monarca SP INTA con cambio climático
respecto del escenario sin cambio en Balcarce.
Impacto del Cambio Global sobre la Producción Agrícola
100
80
Desvío (%)
60
40
20
0
-20
-40
-60
50
47
44
41
38
35
32
29
26
23
20
17
14
11
08
05
02
99
96
-80
Figura 25. Desvío de las estimaciones de producción anual del cv. Monarca SP INTA con cambio climático
respecto del escenario sin cambio en Bellocq.
120
Desvío (%)
100
80
60
40
20
0
50
47
44
41
38
35
32
29
26
23
20
17
14
11
08
05
02
99
96
-20
Figura 26. Desvío de las estimaciones de producción anual del cv. Monarca SP INTA con cambio climático
respecto del escenario sin cambio en General Villegas.
Capítulo 3
35
30
25
Desvío (%)
20
15
10
5
0
-5
-10
-15
50
48
46
42
40
38
36
34
32
30
28
26
24
22
20
18
16
14
12
10
08
06
04
02
00
98
96
-20
Figura 27. Desvío de las estimaciones de producción anual del cv. Monarca SP INTA con cambio climático
respecto del escenario sin cambio en Hilario Ascasubi.
70
60
50
Desvío (%)
40
30
20
10
0
-10
-20
50
47
44
41
38
35
32
29
26
23
20
17
14
11
08
05
02
99
96
-30
Figura 28. Desvío de las estimaciones de producción anual del cv. Monarca SP INTA con cambio climático
respecto del escenario sin cambio en Manfredi.
Impacto del Cambio Global sobre la Producción Agrícola
40
Desvío (%)
30
20
10
0
-10
50
47
44
41
38
35
32
29
26
23
20
17
14
11
08
05
02
99
96
-20
Figura 29. Desvío de las estimaciones de producción anual del cv. Monarca SP INTA con cambio climático
respecto del escenario sin cambio en Marcos Juárez.
Conclusiones
El cambio climático tendría un efecto diferente según los ambientes en estudio. Del análisis de la producción anual y por corte, con dos metodologías independientes, se concluye que los ambientes sin limitaciones de agua del sur de Buenos Aires serían los más beneficiado de la región pampeana.
La temperatura mínima media anual explica entre 58 y 68% de las variaciones en producción de materia seca anual de los cvv de los grupos 8 y 9. Si el escenario de cambio fuese el de incremento de 1°C
en las temperaturas, la mediana del impacto positivo sería de 4-8% para tres cvv. Y neutro para Monarca SP INTA. El norte de Santa Fe y Entre Ríos serían los sectores con las mayores disminuciones; en
cambio, el sur de Buenos Aires sería el más favorecido. Si el cambio térmico fuese el del escenario DS
(1,4 a 2,2°C), la mediana de aumento sería algo menor (2-5%), excepto para Monarca SP INTA (-5%). La
respuesta diferente de los cultivares estaría asociado con el valor de la temperatura mínima media anual
al cual corresponde la máxima producción. Este valor óptimo varía así: 11,4°C en Monarca; 11,8°C en
CUF 101; 12°C en Rocío y 12,2 en Pioneer 5888.
La simulación de ensayos con materiales sin latencia con el modelo EPIC, en siete ambientes contrastantes, tuvo errores relativos medios entre 15 y 46%. El escenario de cambio climático local entre 1996
y 2050, con aumentos de temperatura y CO2 y disminución de la lluvia, tendría el efecto más positivo en
Balcarce. La mediana de los desvíos relativos entre MS anual estimada con el escenario DS respecto de
la proyección sin cambio fue de 24% en Balcarce. En Anguil, Manfredi y Marcos Juárez, ubicadas en las
zonas semiáridas y subhúmedas, el impacto de cambio climático sería poco importante, con valores de
mediana del desvío relativo entre 2 y 4%.
Capítulo 3
Anexo. Nómina de estaciones incluidas en las Figuras 5 a 8.
AZ ................................................................ Azul
BA ................................................................ Balcarce
BB ................................................................ Bahía Blanca
BL ................................................................ Bolívar
BO ................................................................ Bordenave
CA ................................................................ Castelar
CB ................................................................ Córdoba
CD ................................................................ Concordia
CE ................................................................ Ceres
CU ................................................................ Concepción del Uruguay
DO ............................................................... Dolores
EZ ................................................................ Ezeiza
GU ............................................................... Gualeguaychú
HA ............................................................... Hilario Ascasubi
JU ................................................................. Junín
LA ................................................................ Laboulaye
LF ................................................................ Las Flores
LP ................................................................ La Plata
MA ............................................................... Manfredi
MJ ................................................................ Marcos Juárez
MP ............................................................... Mar del Plata
NJ ................................................................. Nueve de Julio
PA ................................................................ Paraná
PE ................................................................ Pergamino
PG ................................................................ Pigüé
PH ................................................................ Pehuajó
PI ................................................................. Pilar
PO ................................................................ General Pico
RA ................................................................ Rafaela
RC ................................................................ Río Cuarto
RO ................................................................ Rosario
SP ................................................................. San Pedro
SR ................................................................ Santa Rosa
TA ................................................................ Tandil
TR ................................................................ Tres Arroyos
VI ................................................................. Villaguay
ZA ................................................................ Zavalla
Impacto del Cambio Global sobre la Producción Agrícola
Report on the Adaptation of SPUR2 for the Simulation of Alfalfa Production
In Marcos Juárez, Córdoba.
Informe de Consultoría del Dr. Barry Baker.
Introduction
The activities described in this report are the result of a consultancy that was conducted for INTA’s
Instituto de Clima y Agua, UNDP reference project ARG/95/G31, 14-25 November, 1997. The purpose
was to adapt a grassland simulation model simulation model, SPUR2 (Wight and Skiles, 1987; Hanson et
al., 1992), by parameterizing the model for the biotic and abiotic conditions of Marcos Juárez, Argentina,
to simulate the growth and harvesting of alfalfa, and to compare results of the simulations with observed
data.
Methodology
Model Overview
The SPUR2 is a general grassland ecosystem model that mechanistically simulates the cycling of
carbon and nitrogen through several compartments, including standing green, standing dead, live roots,
dead roots, seeds, litter, and soil organic matter. Competition between plant species and the impact of
grazing on vegetation are also simulated. The model is driven by daily inputs of precipitation, maximum
and minimum air temperatures, solar radiation, and daily wind run. The soils/hydrology component
calculates upland surface runoff volumes, peak flow, snow melt, upland sediment yield, and channel
stream flow and sediment yield. Soil-water tensions, used to control various aspects of plant growth are
generated using a soil-water balance equation. Surface runoff is estimated by the Soil Conservation
Service curve number procedure, and soil loss is computed by the modified Universal Soil Loss Equation.
More complete descriptions of the model can be found in Wight and Skiles, 1987, and Hanson et al., 1992.
SPUR2 was primarily written to simulate grassland ecosystem dynamics, however, changes have been
made to pasture production systems such as alfalfa. Although the model will simulate above and below
ground dynamics of alfalfa, it does not mechanistically simulate nitrogen fixation. Additional code was
added to the model to allow for increased nitrogen pooling if legumes are simulated.
Data
All data used for the parameterization and validation process were collected from the field station of
INTA at Marcos Juárez, Córdoba. The soil data used in this study came from parameters for a deep silty
loam. Climate data included daily maximum and minimum temperature (°C), precipitation (cm), solar
radiation (langley), and wind speed (kilometers day-1) from 1968 to 1995. Plant parameters for alfalfa
used for the simulations were obtained from the plant parameter database in SPUR2. Additional fine
tuning of the parameters are described below. Plant data, collected from 4 years of alfalfa harvest
experiments, were used to calibrate the model.
Capítulo 3
Parameterization Process
Default initial conditions for carbon and nitrogen state variables were used to begin the
parameterization process. Dates controlling photosynthetic and phenological processes were adjusted to
reflect the conditions at the simulation site. The model was exercised to simulate twenty-six years of data
using the historical climate file described above. Soil organic matter, litter and dead root pools were
analyzed to determine system stability. Once the system was determined to be stable, output parameter
values were collected for standing live, standing dead, live roots and dead roots, litter, and soil organic
matter to be used as initial conditions for future simulations. The model was then fine tuned to site
conditions by making adjustment to the parameters controlling plant production in both timing and
magnitude (Table 1)
Table 1. Parameter values used for fine tuning the model.
Parameter Name
Water potential at 1/2 max photosynthesis
Value
25.0
activity, bar
Root to shoot ratio
Root respiration proportion, %
Root mortality proportion, %
Minimun % N for photosynthesis
Photosynthesis efficiency due to plant N
4
0.005
0.01
0.009
-130.00
Nitrogen use efficiency, g m-3
0.45
Tempertarure for TSR, °C
12.5
Day senescence begins
107
Day senescence ends.
355
Proportion of dead roots susceptible
to descomposition, %
0.02
Proportion of litter susceptible to
decomposition, %
0.1
Decomposition water potential, bar
5.0
Impacto del Cambio Global sobre la Producción Agrícola
The process in which the model handles seasonality requires that the climate file start in winter on julian
day 1. Therefore, the first 179 days of the first year of the Marcos Juárez climate file were removed. Thus
the first day of the simulation, julian day 1, becomes July 1, consequently, day 365 is then June 30.
The parameter value for the “day that senescence ends” was set to day 355 to reflect the effect of
harvest. It was assumed that a plant which is being harvested will not experience senescence therefore,
the date was set near to the end of the year.
Model Changes
Management conditions in Marcos Juárez dictated that the model be able to simulate the harvesting of
alfalfa several times during a growing season. Changes were made to the code to allow for one to twelve
harvesting periods per year over a user predefined interval of years. Changes were also made to the user
interface to allow for graphical display of simulation output.
Validation Process
Harvest data from experiments were collected and entered into a MS Excel spreadsheet. Analysis of
the data revealed that the timing and number of harvests varied by year. Harvest dates in the model can
not be changed within a simulation, therefore, average harvest dates and average amounts of harvest
were calculated in the spreadsheet. Simulation data for the years being simulated were averaged and
compared to the average observed data.
Results and discussion
Results of the simulations show that the model over estimates production on some dates and under
estimates the amount harvested on others (Figure 1).
500
400
300
200
100
SPUR2
Measured
0
S
O
D
E
F
M
M
Figure 1. Validation of average dry matter production of alfalfa cv. Monarca SP INTA, from Marcos Juárez
CASR/90 trials.
Capítulo 3
Over estimation can be adjusted downward by modifying model parameters. The underestimation is a
somewhat more serious problem.
Investigation of output files revealed that nitrogen available for plant use was insufficient for plant
growth thereby limiting the amount of plant material to be harvested. This situation resulted from a
depletion of the nutrient pool at a faster rate than it could be replaced. A possible explanation for this result
can be found in the way the model is constructed. The model does not simulate the nitrogen fixation that
would be expected with alfalfa production. Therefore, if the model is to be used to simulate alfalfa
production and management practices, further changes need to be made to the model to reflect nutrient
cycling of alfalfa production.
Capítulo 4
Aproximaciones
Estadísticas
Aproximaciones estadísticas a la deducción de información
en escala regional a partir de información en escala global
determinada por los Modelos de Circulación General
1. Introducción
Los Modelos de Circulación General (MCG) son ahora frecuentemente utilizados para la estimación del posible cambio climático producido por un aumento de la concentración de los gases de invernadero. Es aceptado que estos modelos son capaces de simular de forma realista las características del clima actual a escala global y, por lo tanto, son el mejor instrumento para poder predecir información confiable acerca de cómo se modificarán las variables atmosféricas en un escenario de
cambio climático. No obstante, las escalas regionales, es decir, aquellas que poseen escalas típicas
del orden de la resolución del modelo y menores, no están adecuadamente representadas. Uno de
los procesos menos confiables producidos por los MCG es, sin duda, el ciclo hidrológico en superficie (Chachine, 1992). Los procesos físicos que contribuyen al ciclo hidrológico de la atmósfera y la
superficie de la Tierra, como formación de nubes, precipitación, evaporación y escurrimiento de agua
superficial, se producen en escalas espaciales mucho menores que las que pueden resolver los
MCG actuales, que están limitados, por consideraciones computacionales, a un rango de 200 a 1000
km. Por lo tanto, estos procesos son incorporados a los MCG mediante parametrizaciones, que introducen errores en las simulaciones (Thomas and Henderson-Sellers, 1991). Los cambios en el ciclo hidrológico causados por el aumento de los gases de invernadero, así como también el aumento de la temperatura global pueden tener un considerable impacto socioeconómico (Rind y otros,
1992), en particular, en la producción agropecuaria. Debido a la importancia que tiene la producción
agrícola en la economía argentina, la posibilidad de un cambio climático que modifique la distribución geográfica de los principales cultivos, representa una preocupación para los productores y los
organismos oficiales responsables de elaborar las políticas adecuadas para el atenuar impacto del
cambio climático en la producción. La herramienta más adecuada para la toma de decisiones y la
posterior adopción de políticas adecuadas que permitan mitigar el impacto está dada por los modelos de simulación de crecimiento y rendimiento de cultivos. Estos modelos, requieren información
acerca de las condiciones de la atmósfera, en particular, temperatura mínima, temperatura máxima,
radiación solar y precipitación, en escalas espaciales que no son resueltas por los MCG. Surge así
una fuerte necesidad en la determinación de los efectos potenciales del cambio climático en escala
local. La información producida por los modelos no puede ser utilizada directamente debido a que
los MCG no son capaces de resolver adecuadamente los fenómenos de escala regional, por lo cual,
es necesario, el desarrollo de técnicas que permitan obtener información en escala regional o local
a partir de la información de gran escala producida por los MCG. De esta manera, es posible estimar el cambio de las variables meteorológicas a escala local, que son requeridas como entrada para los modelos de producción.
En la siguiente sección se presenta un resumen de los resultados presentados en el Primer Informe
(Solman y otros, 1996), donde se determinaron las estimaciones de los cambios de la temperatura media mensual y la precipitación estacional en una red de 33 estaciones meteorológicas.
Debido a los requerimientos de los modelos de cultivo, fue necesario ampliar la red de estaciones consideradas para el análisis y derivar relaciones empíricas para la temperatura mínima y máxima medias
mensuales y para la precipitación mensual. Los resultados obtenidos se presentan en la Sección 3. La
sección 4 contiene una discusión acerca de la factibilidad de otras metodologías y finalmente, en la sección 5 se presentan las conclusiones.
Impacto del Cambio Global sobre la Producción Agrícola
2. Resumen del Primer Informe
La metodología desarrollada que permite estimar las variables atmosféricas medias mensuales en
escala local a partir de información a escala global fue descripta en detalle en el Primer Informe que
fuera presentado oportunamente. La técnica consiste, básicamente, en derivar relaciones estadísticas
entre las variables climáticas de escala global, (variables predictoras), y las variables de escala local
(predictandos), en cada estación meteorológica, haciendo uso de la variabilidad climática interanual
(Wigley y otros, 1990). Las 33 estaciones meteorológicas seleccionadas para el estudio están listadas
en la Tabla I. Mediante esta metodología se determinaron relaciones empíricas entre las variables de
escala global, temperatura del aire en superficie, precipitación y ambas componentes del viento en 200
hPa, y las variables locales, temperatura media y precipitación en cada una de las estaciones de la red
meteorológica seleccionada, basándose en las condiciones climáticas actuales. Para derivar las ecuaciones de regresión se utilizó el período de 13 años (1982-1994) de los re-análisis del National Center
for Environmental Prediction, USA (NCEP), con una resolución horizontal de 2.5° y los datos de temperatura media y precipitación en la red de estaciones meteorológicas del Servicio Meteorológico Nacional.
Finalmente, haciendo uso de las relaciones estadísticas derivadas, fue posible determinar las variaciones de las variables de escala local a partir de las variaciones de las variables de escala global correspondientes a los escenarios de cambio climático proyectados por los MCG. Es decir, los coeficientes de
variación para la temperatura y la precipitación.
Durante la etapa inicial de desarrollo del sub - proyecto se llevó a cabo una evaluación de diferentes
MCG para el área de Sudamérica con el objetivo de seleccionar aquellos modelos que mejor representen la climatología de la región. Como resultado de este estudio, se aceptó que los resultados obtenidos
con los Modelos de Circulación General MPI (desarrollado en el Max Plank Institute for Meteorology) y el
UKMO (desarrollado en United Kingdom Meteorological Office) son los más confiables, entro los analizados, para cualquier tipo de aplicación regional.
Con el objetivo de estimar la variación de temperatura media mensual y precipitación acumulada estacional en cada una de las estaciones meteorológicas, asociada al aumento CO2, se utilizaron las estimaciones medias estacionales de temperatura y precipitación correspondientes al escenario A de Cambio Climático (IPCC, 1990) proyectadas por el modelo MPI. Se utilizaron las salidas correspondientes al
modelo de circulación general de la atmósfera ECHAM1 acoplado al modelo de circulación general del
océano OPYC. Una detallada descripción del modelo puede encontrarse en Cubasch y otros (1992) y Hibler (1979).
Temperatura media mensual
La variación de temperatura media asociada al aumento de CO2 en cada una de las de estaciones meteorológicas, correspondiente a la diferencia entre la temperatura estimada para el Escenario A y el estado actual del clima (Control), se presenta en la Tabla II. En la Figura 1 (a-d) se muestra la estimación
de la variación de temperatura en la red de estaciones para los meses de Enero, Abril, Julio y Octubre
(panel superior) y la variación de temperatura (Escenario A - Control) resultante en el MCG (panel inferior) para verano, otoño, invierno y primavera, respectivamente.
Como puede verse en las figuras, si se comparan el panel superior con el panel inferior, la variación
de temperatura no es homogénea dentro de cada caja de grilla, sino que las estaciones meteorológicas
cercanas a un mismo punto de grilla experimentan variaciones de temperatura levemente diferentes. En
general, las mayores variaciones de la temperatura media se producen durante la primavera, oscilando
entre 1.9°C y 2.8°C de acuerdo a la proyección del MCG en el área de estudio (entre 30°S y 42°S y 66°O
y 55°O) y entre 1.4° y 2.8° para la estimación en las estaciones meteorológicas correspondientes al mes
de octubre. Las menores variaciones en la temperatura media, de acuerdo al MCG, se producen durante los meses de invierno y otoño, oscilando entre 1,3°C y 2.1°C (sobre el continente), mientras que en las
estaciones la estimación para el mes de julio oscila entre 0.9°C y 2.0°C.
Capítulo 4
Cabe mencionar que la calidad de las estimaciones depende de la calidad de las ecuaciones empíricas derivadas, que puede cuantificarse por medio del porcentaje de varianza explicada por la regresión
para el período de calibración. Los campos de varianza explicada durante la calibración de las ecuaciones fueron mostrados en el Primer Informe. En general, la varianza explicada es levemente mayor para
los meses de invierno, debido a que son los procesos de gran escala los que dominan el desarrollo del
tiempo, mientras que durante los meses de verano, tiene considerable influencia la actividad convectiva,
que se produce en escalas espaciales que no están adecuadamente resueltas por las variables predictoras (que tienen una resolución de 2.5°x2.5°). Asimismo la varianza explicada para cada mes también
varía espacialmente, básicamente por las características de la región en la que están situadas las estaciones meteorológicas y por la calidad de la información de las distintas estaciones. Por estas razones,
la confiabilidad de los resultados deberá estar sujeta a la calidad de las estimaciones, cuantificada por el
valor de varianza explicada.
Precipitación estacional
La variación de la precipitación debida al aumento de CO2 en la cada una de las estaciones meteorológicas, (diferencia entre la precipitación estimada para el Escenario A y el estado actual del clima), para
verano, otoño, invierno y primavera, se presenta en la Tabla III. En la Figura 2 (a-d) se muestra la estimación de la variación de la precipitación en la red de estaciones (panel superior) y la variación de la precipitación (Escenario A - Control) resultante en el MCG (panel inferior), para las estaciones de verano,
otoño, invierno y primavera, respectivamente.
La variación de la precipitación proyectada por el modelo MPI, para todas las estaciones del año es
negativa, es decir, se estima una disminución de la precipitación en la región.
Las estimaciones locales de la variación de precipitación son, en consecuencia, negativas. En promedio, la disminución estimada en las estaciones resulta alrededor de 15% para otoño y primavera, y 6 %
para invierno y verano.
De acuerdo a lo discutido en el Primer Informe, las estimaciones de la precipitación a escala local
obtenidas con el método de regresión desarrollado durante la primer etapa son de baja calidad, debido, fundamentalmente, a que los re-análisis del NCEP utilizados para calibrar las ecuaciones de regresión no representan adecuadamente los campos de precipitación observados. (Esto puede notarse si
se comparan las Figuras 4 y 6 del Primer Informe, donde se muestra la distribución espacial de la precipitación acumulada mensual para 4 meses del año, a partir de los re-análisis del NCEP y la observada en la red de estaciones meteorológicas de la Tabla I, respectivamente, promediada sobre el período 1982/1994.)
Debido a esta limitación de la base de datos utilizada para obtener los coeficientes de regresión para
la precipitación, no fue posible hacer estimaciones mensuales, sino que sólo se realizaron estimaciones
estacionales. lo cual significó una aproximación adicional a tener en cuenta al utilizar la información requerida como entrada al modelo de cultivo.
En virtud de estas limitaciones y debido a la posibilidad de contar con una mejor base de datos climatológicos de precipitación para derivar los coeficientes de regresión, durante la segunda parte del desarrollo del Proyecto se rehicieron los cálculos correspondientes. Los resultados obtenidos se presentan en
la siguiente sección.
3. Metas alcanzadas
La red de estaciones meteorológicas que se utilizó para la estimación de la temperatura mínima y
máxima medias mensuales y para la precipitación acumulada mensual fue ampliada con el fin de obtener las variaciones de estos parámetros en las estaciones meteorológicas en las cuales se aplicarían los modelos de cultivo. El listado con la ubicación y nombre de las 41 estaciones utilizadas se pre-
Impacto del Cambio Global sobre la Producción Agrícola
senta en la Tabla IV. En la Figura 3 se muestran la distribución espacial de las estaciones meteorológicas en las cuales se obtuvieron las estimaciones locales (predictandos), indicados con asteriscos y
la distribución espacial de los puntos de retículo donde están definidas las variables predictoras, indicados con cuadrados.
La base de datos utilizada para desarrollar la técnica estadística consistió en series temporales de los
promedios mensuales de Temperatura mínima, Temperatura máxima y Temperatura media (obtenida como la semi-suma de la temperatura mínima y máxima) y precipitación acumulada mensual, para cada una
de las estaciones meteorológicas listadas en la Tabla IV, para el período 1959-1995 (Servicio Meteorológico Nacional). Las variables predictoras utilizadas para derivar las ecuaciones de regresión para la temperatura mínima, máxima y media fueron extraídas de los re-análisis del NCEP para el período de 13
años (1982-1994), con una resolución espacial de 2.5°. De aquí en adelante, nos referiremos a estos datos como “análisis”. Los puntos de retículo correspondientes están indicados con cuadrados en la Figura
3. Para el tratamiento de la precipitación, se utilizaron los análisis de precipitación de Xie y Arkin (1996)
correspondientes al periodo de 17 años (1979-1995).
3.1 Estimación de la temperatura mínima y máxima media mensuales
a escala local a partir de información a escala global.
Las ecuaciones de regresión para la temperatura mínima, máxima y media se calibraron sobre el
período 1982-1994. Se utilizó a la temperatura media del aire en superficie (temperatura en 2 metros ) de los análisis como única variable predictora de gran escala para la estimación de la mínima,
la máxima y la temperatura media en las estaciones. Si bien, como fue mostrado en el Primer Informe, la incorporación de otras variables predictoras, como vientos en 200 hPa., permiten obtener una
estimación más aproximada de la variable predictando, o dicho de otro modo, un mayor porcentaje
de varianza explicada por la regresión, no siempre es posible obtener estimaciones acerca de las
variaciones de estas variables en un escenario de cambio climático producidas por los MCG. Por esta razón, sólo se consideró la temperatura media del aire en superficie como única variable predictora.
Teniendo en cuenta lo expresado en el párrafo anterior, las ecuaciones de regresión derivadas para la
estimación de la temperatura mínima, máxima y media, promediadas mensualmente, son de la forma,
respectivamente:
T’min(i,m)= amin(i,m) + bmin(i,m)* T(n,m) (1)
T’
(i,m)= a
max
T’
(i,m)= a
med
(i,m) + b
(i,m)* T(n,m) (2)
(i,m) + b
(i,m)* T(n,m) (3)
max
med
max
med
donde los predictandos son:
T’min(i,m), temperatura mínima en la estación ‘i’ para el mes ‘m’ estimada por la regresión,
T’max(i,m), temperatura máxima en la estación ‘i’ para el mes ‘m’ estimada por la regresión,
T’med(i,m), temperatura media en la estación ‘i’ para el mes ‘m’ estimada por la regresión,
y la variable predictora es;
Capítulo 4
T(n,m), temperatura media en el punto de retículo ‘n’, para el mes ‘m’.
amin , amax y amed representan los coeficientes independientes de las ecuaciones de regresión para la
temperatura mínima, máxima y media, respectivamente y
bmin , bmax y bmed representan los coeficientes de regresión de las mismas.
Para derivar las ecuaciones regresión se consideraron las estaciones meteorológicas ‘i’ comprendidas
dentro del área correspondiente a cada punto de retículo ‘n’. Los puntos de retículo ‘n’ considerados para cada estación ‘i’ están listados en la Tabla V.
Previo a estimar la variación local de temperatura debida al incremento de CO2 y en virtud de otorgar
un grado de confiabilidad a las predicciones climáticas proyectadas a escala local, es importante evaluar
la calidad de las estimaciones de la forma más completa posible.
Uno de los parámetros para evaluar la calidad de las estimaciones locales a partir de la información
de gran escala puede cuantificarse mediante el análisis del porcentaje de la varianza del predictando que
es explicada por la regresión. La varianza explicada se calculó mediante la siguiente expresión:
N
σr
=
Σ (x’i - x)2
i=
1
–––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– x 100
N
N
+
Σ (x’i - x)2
Σ (xi - x’i)2
i= 1
i= 1
donde: σr representa el porcentaje de varianza explicada,
N es el número de datos,
xi representa el valor de la variable observada para el año ‘i’,
x’i representa el valor estimado por la regresión, para el año ‘i’,
x representa el promedio de la variable x sobre los N años.
Este cálculo se realizó sólo para el período de calibración (debido a que las series temporales de los
re-análisis utilizadas para extraer las variables predictoras no son suficientemente largas, no fue posible
calcular la varianza explicada para un período de verificación independiente).
En la Figura 4 se muestran los campos de varianza explicada (correspondiente al período de calibración) para las temperaturas mínima y máxima, para los meses de enero, abril, julio y octubre. Durante los
meses de verano la varianza explicada promedio para la estimación de la emperatura mínima es del orden del 42% mientras que para la temperatura máxima, del 62.5%, es decir, que la estimación de la temperatura mínima a partir de la temperatura media de gran escala es, en general, más pobre que la estimación de la temperatura máxima. Durante otoño, invierno y primavera, se obtuvo una más precisa estimación de la temperatura mínima, con varianzas medias del orden del 60%, 71.5% y 55%, respectivamente, mientras que para la temperatura máxima la varianza explicada media resultó del 57.6%, 54.3%
y 44%, respectivamente para las tres estaciones del año.
Con el objetivo de mejorar la calidad de las estimaciones de temperatura mínima en aquellas estaciones, y para aquellos meses, en que el porcentaje de varianza explicada por la regresión no supera el 20%
(y en los casos en que la temperatura máxima tuviera una porcentaje de varianza explicada mayor al
Impacto del Cambio Global sobre la Producción Agrícola
20%) se recurrió a la estimación de la temperatura media y de la temperatura máxima y se estimó la temperatura mínima a partir de:
T’min(i,m) ≅ 2* T’max(i,m) - T’med(i,m)
Análogamente para la temperatura máxima,
T’max(i,m) ≅ 2* T’min(i,m) - T’med(i,m)
La varianza explicada por la regresión para la temperatura media, como puede verse en la Figura 5
es, para todos los meses, mayor que para las temperaturas mínima y máxima. Esto se debe al alto grado de correlación de la temperatura media de gran escala con la temperatura media en las estaciones
meteorológicas. En el caso de las temperaturas mínima y máxima, si bien existe una significativa correlación con la temperatura media, hay otros parámetros asociados a procesos físicos que están involucrados con la determinación de las temperaturas mínima y máxima, que no se han tenido en cuenta al definir las variables predictoras, debido a lo expresado en párrafos anteriores.
Como se muestra en las Figuras 4 y 5, el porcentaje de varianza explicada por la regresión, para
los distintos meses, varía espacialmente, es decir, que la calidad de la estimación de las temperaturas es diferente en cada estación de la red meteorológica.
Con el objetivo de poder visualizar el grado de precisión de la estimación en cada una de las estaciones meteorológicas y con la finalidad de, eventualmente, otorgar algún factor de peso a la estimación en cada estación, para cada mes, se graficaron las curvas de porcentaje de varianza explicada en función de los meses del año, para cada una de las estaciones en la Figura 6. Es evidente, a partir de la figura, que para todas las estaciones, el porcentaje de varianza explicada por la regresión, tanto para la temperatura mínima como para la temepratura máxima, es superior durante
los meses de invierno. Entre los meses de abril y octubre, en casi todas las estaciones meteorológicas analizadas, la estimación de la temperatura mínima es mejor que la estimación de la temperatura máxima (con un mayor porcentaje de varianza explicada por la regresión), mientras que antre octubre y abril, en general, la varianza explicada por la regresión para la temepratura máxima es
mayor, es decir, las estimaciones de la temperatura máxima son más precisas que las de la temperatura mínima.
Otra forma de evaluar la calidad de las estimaciones locales obtenidas mediante la técnica estadística desarrollada, es a partir de la comparación cualitativa de los campos observados y los campos estimados de temperatura mínima y máxima, para los períodos de calibración de los coeficientes de regresión y para un período de verificación independiente. En las Figuras 7 y 8 se muestran
los campos medios de temperatura mínima y máxima estimados por el método estadístico para el
período de calibración y los campos medios observados correspondientes al mismo período, respectivamente, para los meses de enero, abril, julio y octubre. Para los meses de enero y abril, a pesar
de que la varianza explicada no supera el 60% de la variabilidad interanual observada, las estimaciones tanto de la temperatura mínima como de la temperatura máxima son razonablemente precisas. Para los meses de julio y octubre, la temperatura mínima en la región noreste del dominio está subestimada. Con respecto a las estimaciones de la temperatura máxima para el mes de julio, el
método subestima las temperaturas en las estaciones Pilar Aero y Manfredi - Inta , mientras que en
el resto del dominio, los valores de temperatura estimados son comparables con los observados.
Un testeo más exigente de la confiabilidad del método consiste en la comparación de las Figuras 9
y 10, donde se muestran los campos estimados y observados de temperatura mínima y máxima para
el período 1980/1981, respectivamente. Como se puede ver en las figuras, si bien las diferencias entre los campos observados y estimados son mayores que para el período de calibración, como era de
esperar debido a que se está considerando un período independiente del considerado para derivar los
coeficientes, la representación resultante de los campos de temperatura mínima y máxima es comparable a la observada.
Capítulo 4
3.2 Estimación de la precipitación mensual a escala local a partir de información a escala global.
Para calibrar las ecuaciones de regresión para la precipitación mensual en las estaciones meteorológicas de la Tabla IV, se hizo uso de los análisis de precipitación de Xie y Arkin (1996) correspondientes
al periodo de 17 años (1979-1995). Esta base de datos fue construida con el principal objetivo de obtener una distribución espacio-temporal adecuada de la precipitación a escala global, utilizando diferentes
fuentes de información. Esta base de datos es la que se utiliza en forma generalizada para validar las simulaciones de los Modelos de Circulación General.
La precipitación correspondiente a los análisis de Xie y Arkin fue utilizada como variable predictora para estimar la precipitación a escala local.
Las ecuaciones de regresión derivadas, para cada estación meteorológica, para cada mes, están dadas por:
p’(i,m)= ap(i,m) + bp(i,m)* p(n,m) (4)
donde las variables están definidas análogamente que para el caso de temperatura.
Los campos de porcentaje de varianza explicada por la regresión para la precipitación están graficados en la Figura 11, para los meses de enero, abril, julio y octubre. Promediada espacialmente, la varianza explicada es del orden del 58%,65%, 70% y 55%, respectivamente. El porcentaje de varianza explicada resultó considerablemente mayor que cuando se utilizó como variable predictora la precipitación de
los re-análisis del NCEP. Análogamente al análisis que se realizó para evaluar el grado de precisión de
las estimaciones de la temperatura, y con el fin de otorgar un grado de credibilidad a las estimaciones de
precipitación, como de las proyecciones de su variación, se pueden ver, en la Figura 12, las curvas de
porcentaje de varianza explicada por la regresión en función de los meses del año, para cada estación
meteorológica. Es evidente, a partir de las Figuras 11 y 12, que, las estimaciones de la precipitación no
son igualmente precisas para todas las estaciones y para los diferentes meses del año. En general, las
estimaciones de precipitación tendrán un mayor margen de error para los meses de verano, ya que el
porcentaje de varianza explicada es relativamente más bajo que para los restantes meses del año. Como se señaló para la temperatura, esto se debe a que durante los meses de verano, los procesos de escala convectiva no son adecuadamente captados por los análisis, debido a su resolución espacial, mientras que durante los meses de invierno, los eventos de precipitación están en mayor medida asociados
a sistemas de escala sinóptica, y, por consiguiente, están mejor representados por los análisis.
Una segunda evaluación de la calidad de las estimaciones locales de precipitación consiste en comparar los campos medios mensuales de precipitación estimada y observada, correspondientes al período de calibración (1979-1995). Estos campos se muestran en la Figuras 13 y 14, respectivamente, para
los meses de enero, abril, julio y octubre. Como puede notarse en las figuras, la estimación de la precipitación para todos los meses representa adecuadamente las características de los campos observados,
tanto cualitativamente, como cuantitativamente. De las figuras surge, además, que el ciclo anual de la
precipitación en toda el área de estudio ha sido correctamente capturado por la metodología estadística.
Este resultado permite otorgar un alto grado de confiabilidad a las estimaciones proyectadas para un escenario de cambio climático, que se presentan a continuación.
Como resultado de los análisis de calidad realizados para las estimaciones de la temperatura mínima,
temperatura máxima y precipitación es posible concluir que la metodología desarrollada para la determinación de la climatología local de estas variables a partir de información de escala global es adecuada
como para proyectar las variaciones climáticas estimadas por los Modelos de Circulación General para
un escenario de cambio climático.
Impacto del Cambio Global sobre la Producción Agrícola
3.3 Estimación de las variaciones locales de temperatura mínima, máxima y precipitación en
respuesta a la duplicación de CO2.
Haciendo uso de las ecuaciones de regresión derivadas, y teniendo en cuenta los análisis realizados
para determinar el grado de confiabilidad de las mismas, se estimaron las variaciones de las variables
predictando, esto es, las temperaturas mínima y temperatura máxima medias mensuales y la precipitación acumulada mensual, para un escenario de cambio climático. Para ello, se utilizaron las estimaciones medias estacionales de temperatura y precipitación correspondientes al escenario A de cambio climático proyectadas por el Modelo de Circulación General acoplado, MPI, provenientes de la misma versión que se utilizó en la sección 2. Cabe aclarar que las proyecciones del Modelo de Circulación General representan variaciones climáticas producidas por una duplicación del CO2, y, en consecuencia, las
estimaciones locales que se obtienen a partir de las variables proyectadas por el MCG, deben ser consideradas en términos climáticos.
Aplicando las ecuaciones (1), (2) y (4) a las variables proyectadas por el MCG para un escenario de
cambio climático y para las variables correspondientes a la simulación del clima actual y tomando la diferencia entre ambas, es posible obtener, a partir de las variaciones estimadas por el MCG de temperatura y precipitación, ∆ T(n,m) y ∆ p(n,m), para cada punto de retículo ‘n’ y para cada mes ‘m’, las variaciones de temperatura mínima, máxima y precipitación, para cada estación ‘i’ de la red (Tabla 4), para cada mes ‘m’, esto es:
∆ T’min(i,m)= bmin(i,m)* ∆ T(n,m)
∆ T’max(i,m)= bmax(i,m)* ∆ T(n,m)
∆ p’(i,m)= bp(i,m)* ∆ p(n,m)
Como se señaló previamente, la información disponible del MCG MPI corresponde a valores medios
estacionales de temperatura y precipitación, por lo tanto, para poder obtener estimaciones mensuales de
las variables predictando, se consideró que la estimación de las variables predictoras, temperatura y precipitación del MCG, para cada estación del año se distribuye uniformemente para los meses correspondientes a la misma.
Temperatura mínima y máxima
Las variaciones de la temperatura mínima y máxima en respuesta a una duplicación de la concentración del CO2 (Escenario A), respecto de las condiciones climáticas actuales (Control), para cada mes y
para cada estación meteorológica listada en la Tabla IV se presenta en las Tablas VI y VII, respectivamente. (Se presenta, además, la variación de la temperatura media en la Tabla VIII). En la Figura 15 se
pueden ver los campos de variación de la temperatura mínima estimada en las estaciones meteorológicas (panel superior), para los meses de enero, abril, julio y octubre y la variación de temperatura media
dada por el MCG, para verano, otoño, invierno y primavera, en respuesta al aumento de CO2. La Figura 16
corresponde a la temperatura máxima. El incremento de la temperatura dado por el MCG resulta, tomando
un promedio areal, del orden de los 2.5°C para los meses de verano, 1.7°C para otoño, 1.8°C para invierno y 2.2°C para primavera. En general, las máximas variaciones de la temperatura máxima estimadas se producen durante el verano, en concordancia con las proyecciones del MCG, siendo el aumento
de temperatura mínima más importante durante los meses de invierno. Esto da como resultado un mayor incremento de la temperatura máxima en comparación con la temperatura mínima durante el verano,
mientras que el incremento de la temperatura mínima es mayor al incremento de la temperatura máxima
Capítulo 4
durante los meses de invierno. La marcha anual de la variación estimada de temperatura mínima y máxima en cada estación analizada puede verse claramente en la Figura 17. En estas figuras puede verse
claramente cómo, en la mayoría de las estaciones meteorológicas, el incremento de temperatura máxima supera al de temperatura mínima entre octubre y marzo, mientras que este comportamiento se revierte para los meses de abril a septiembre. Para ambas temperaturas, en general, el rango del incremento
estimado está entre los 0.5° y 3.5°C, mientras que el incremento de temperatura media dado por el MCG
oscila entre los 1.4°C y 2.8°C. Cabe reiterar que es importante tener en cuenta para el análisis de los resultados de esta sección, los resultados referentes al grado de confiabilidad de la metodología desarrollada, para cada mes y en cada estación, ya que en algunos casos, la estimación del incremento de temperatura está subestimada y en otros casos, resulta sobrestimada, en comparación con lo que predice el
modelo.
Precipitación
La variación de la precipitación en respuesta al aumento de CO2 estimada en las estaciones meteorológicas, para cada mes, se presenta en la Tabla IX. En la Figura 18 se pueden ver, en los paneles superiores, los campos de variación de la precipitación estimada en las estaciones para los meses de enero,
abril, julio y octubre y, en los paneles inferiores, la variación de precipitación obtenida con el MCG, para
verano, otoño, invierno y primavera, respectivamente.
Como se señaló en la sección 2, el Modelo de Circulación General MPI predice una disminución de la
precipitación a lo largo de todo el año para el dominio de estudio, siendo las variaciones más importantes para los meses de verano y otoño y menores para los meses de invierno y primavera. Cuantitativamente, en promedio, el modelo proyecta una disminución de la precipitación en la región del 12% para
los meses de verano, 11% para otoño, 2% para invierno y 3% para primavera.
Las estimaciones locales de la variación de la precipitación son negativas y, en promedio, las variaciones más importantes se obtuvieron para los meses de verano y otoño, con disminuciones estimadas del
orden de 10% y 13%, respectivamente. Para los meses de otoño, la máxima disminución de la precipitación estimada se observa en las estaciones ubicadas hacia el NW del área de estudio, con un máximo
secundario (de menor intensidad) proyectado para las estaciones ubicadas en el centro de la Provincia
de Buenos Aires. Para invierno y primavera, las estimaciones proyectan una merma de precipitación del
orden del 3%.
Estas características pueden verse más claramente en la Figura 19 donde se graficó la marcha anual
de la variación de la precipitación para cada estación.
Si se comparan estos resultados con los resultados presentados en la sección 2, se notará que hay
diferencias entre ambos análisis. No obstante, teniendo en cuenta los diferentes métodos de verificación
de la metodología desarrollada, podemos afirmar que las estimaciones que se muestran en la Figura 19
y en la Tabla IX tienen un alto grado de confiabilidad y, por lo tanto, pueden considerarse adecuadas para los estudios de impacto.
4. Análisis de factibilidad de otras posibles metodologías
El método estadístico desarrollado, basado en la relación lineal entre la variable predictando y la variable predictora, ha permitido estimar la variación de la temperatura mínima, máxima y la precipitación a
escala local, en respuesta a una duplicación de CO2. La confiabilidad de las estimaciones está determinada por el grado de precisión de las estimaciones de las variables predictando para el período de calibración y verificación independiente, y por el análisis del porcentaje de varianza explicada para cada estación.
Impacto del Cambio Global sobre la Producción Agrícola
La limitación del método desarrollado depende de dos factores: en primer lugar, la confiabilidad de los
resultados de los Modelos de Circulación General y, en segundo lugar, la habilidad del método estadístico en la determinación de la relación entre las variables de gran escala y las variables locales. Con respecto al primero, sólo podemos asegurar que los Modelos de Circulación General han mejorado notablemente la representación del clima actual, y los esfuerzos en mejorar aún más la calidad de las simulaciones es contínua. Con respecto al segundo, hay varias estrategias para mejorar la metodología empleada, como la utilización de técnicas estadísticas más sofisticadas. Numerosos autores han desarrollado
técnicas estadísticas, basadas en el Análisis de Correlación Canónica, como Noguer (1994); Zorita y
otros (1995); von Storch y otros (1993); Schubert y Henderson-Sellers (1997), entre otros. Si bien este tipo de metodología permite utilizar de manera más eficiente la información de gran escala dada por los
Modelos de Circulación General, los resultados obtenidos no muestran un mejoramiento notorio respeto
del método propuesto en este trabajo.
Otra estrategia para deducir distribuciones climáticas regionales involucra el uso de un Modelo de Área
Limitada anidado en un Modelo de Circulación General. Como es sabido, una de las mayores limitaciones de los modelos globales, consiste en la pobre resolución horizontal (200 a 300 km, aproximadamente). El clima regional está fuertemente influenciado por forzantes locales de escalas espaciales entre los
10 y 100 km y por lo tanto no resueltos por los modelos globales, no obstante, los Modelos de Área Limitada pueden tener una resolución suficientemente alta, del orden de los 50 km, como para poder tener
en cuenta los efectos de estos forzantes. La técnica de anidado ha sido desarrollada en otros paises con
resultados alentadores. Podemos citar, entre otros, los trabajos de Jones y otros (1995), quienes simularon el cambio climático sobre Europa, o los trabajos de Giorgi y otros (1994), quien focaliza su estudio en
diferentes regiones de Estados Unidos.
En el CIMA, un grupo de investigadores ha comenzado a trabajar para llevar a cabo el anidado de un
modelo de área limitada en un modelo global, para la región Sudamericana, lo que permitiría tener información del cambio climático a escala regional. Si bien este tipo de metodología tiene una gran ventaja
frente a los métodos estadísticos, por la consistencia dinámica entre el clima a escala global y el clima
regional, no ofrece información a escala local, es decir, a la escala de la estación meteorológica, por lo
tanto, son todavía necesarios los métodos estadísticos que permiten proyectar los cambios obtenidos a
escala regional, para poder tener estimaciones de esos cambios a nivel local, en cada estación.
5. Conclusiones
Las estimaciones de la variación de la temperatura mínima y máxima medias mensuales y la precipitación acumulada mensual en respuesta a una duplicación del CO2 obtenidas a partir de la metodología
estadística desarrollada presenta algunas características que es importante remarcar. En primer lugar,
hay que tener en cuenta que las estimaciones locales obtenidas a partir de los resultados de los Modelos de Circulación General, representan variaciones en términos climáticos.
En general, las máximas variaciones de la temperatura máxima estimadas se producen durante el verano, en concordancia con las proyecciones del MCG, siendo el aumento de temperatura mínima más
importante durante los meses de invierno. En la mayoría de las estaciones meteorológicas, el incremento de temperatura máxima supera al de temperatura mínima entre octubre y marzo, mientras que este
comportamiento se revierte para los meses de abril a septiembre. Para ambas temperaturas, en general,
el rango del incremento estimado está entre los 0.5° y 3.5°C.
Con respecto a las variación de la precipitación, el Modelo de Circulación General cuyos resultados se
utilizaron para el presente estudio, el modelo MPI, predice una disminución de la precipitación para todas
las estaciones del año para el dominio de estudio, con mayor merma para los meses de verano y otoño
y menor para los meses de invierno y primavera. Cuantitativamente, en promedio, el modelo proyecta una
disminución de la precipitación en la región del 12% para los meses de verano, 11% para otoño, 2% para invierno y 3% para primavera.
Las estimaciones locales de la variación de la precipitación son negativas y, en promedio, las variaciones más importantes se obtuvieron para los meses de verano y otoño, con disminuciones estimadas del
Capítulo 4
orden de 10% y 13%, respectivamente, mientras que para los meses de invierno y primavera, se estima
una disminución del 3%. Este resultado está indicando una mayor disminución de la precipitación en las
estaciones más lluviosas y menor disminución en las estaciones más secas, por lo tanto, un ciclo anual
de precipitación de menor amplitud. Por otro lado, una disminución del 10% y 13% de precipitación en
verano y otoño podría tener serias implicancias en las reservas de agua subterránea y, por lo tanto, influiría en la calidad de suelo y su aptitud para determinado tipo de cultivos.
Impacto del Cambio Global sobre la Producción Agrícola
TABLA I: Listado de las estaciones meteorológicas utilizadas para la estimación de la temperatura media
mensual y la precipitación estacional.
Longitud
Latitud
N°
Nombre de la estación
-61.55
-31.18
98
-64.22
-31.32
100
CORDOBA AERO
-63.88
-31.67
111
PILAR MET
-60.52
-31.83
114
ALBERDI INTA
-60.78
-32.92
133
ROSARIO MET
-64.23
-33.12
138
RIO CUARTO AERO
-60.55
-33.93
145
PERGAMINO MET
-63.37
-34.13
148
LABOULAYE MET
-58.48
-34.58
156
CAP FED OBS CEN B A MET
-60.88
-35.45
178
NUEVE DE JULIO MET
-57.73
-36.35
190
DOLORES AERO
-64.27
-36.57
192
STA ROSA AERO
-59.83
-36.75
196
AZUL AERO
-62.38
-37.60
206
PIGUE AERO
-57.58
-37.93
210
MAR DEL PLATA AERO
-62.17
-38.73
221
BAHIA BLANCA AERO
-64.95
-40.73
241
SAN ANTONIO OESTE AERO
-63.75
-35.70
334
PICO GRAL AERO
-58.65
-34.67
358
CASTELAR AGRO
-62.15
-32.70
369
JUAREZ MARCOS AERO
-62.62
-39.38
421
HILARIO ASCASUBI INTA
-63.77
-31.82
438
MANFREDI -INTA
-57.90
-34.97
450
LA PLATA AERO
-60.92
-34.55
453
JUNIN AERO
-61.90
-35.87
456
PEHUAJO AERO
-60.85
-32.55
472
OLIVEROS MET
-60.25
-38.33
490
TRES ARROYOS II AERO
-59.68
-33.68
492
SAN PEDRO INTA
-63.02
-40.85
501
VIEDMA AERO
-57.83
-34.45
602
COLONIA
-58.07
-33.25
603
MERCEDES
-56.52
-32.80
605
PASO DE LOS TOROS
-57.95
-31.38
606
SALTO
RAFAELA MET
Capítulo 4
TABLA II: Estimación de la variación de temperatura media en respuesta a una duplicación de CO2 en
las estaciones meteorológicas de la Tabla I.
Long
Lat
N°
Ene
Feb
Mar
Abr May
Jun
Jul
Ago
Set
Oct
Nov
Dic
-61.55
-31.18
98
1.69
2.22
1.63
3.47 1.70
1.39
.92
1.63
1.90
.75
.01
2.45
-64.22
-31.32
100
1.14
1.31
1.47
1.12 1.73
1.90
1.12
1.74
1.35
1.16
2.09
2.16
-63.88
-31.67
111
1.98
1.52
1.41
1.24 1.47
1.55
1.18
1.78
.93
1.74
2.76
2.59
-60.52
-31.83
114
2.25
2.15
1.36
1.70 1.55
1.51
1.68
1.60
1.75
2.21
3.42
1.86
-60.78
-32.92
133
1.22
1.26
1.28
1.70 1.90
1.60
1.41
1.42
2.15
1.87
2.36
1.87
-64.23
-33.12
138
1.41
1.26
1.44
1.41 1.48
1.52
.98
1.56
.97
1.58
1.96
2.05
-60.55
-33.93
145
2.16
2.33
1.47
1.63 1.69
1.37
1.42
1.23
1.28
1.98
2.70
2.39
-63.37
-34.13
148
1.55
1.53
2.22
1.94 1.74
1.32
.91
.85
1.57
2.16
2.33
1.80
-58.48
-34.58
156
1.49
1.70
2.04
1.68 1.89
1.92
1.80
1.39
1.31
1.86
1.56
2.37
-60.88
-35.45
178
1.89
1.68
1.84
1.67 1.47
1.24
1.32
.94
1.33
2.36
3.52
2.44
-57.73
-36.35
190
4.26
1.85
1.65
2.55 1.57
2.34
2.09
1.67
1.27
1.98
1.55
1.27
-64.27
-36.57
192
1.08
1.73
2.00
1.58 1.39
1.20
.67
.79
1.19
.91
1.49
2.25
-59.83
-36.75
196
3.23
2.52
1.80
1.53 1.83
1.54
1.34
1.35
1.43
2.11
2.63
2.56
-62.38
-37.60
206
3.04
.20
1.28
1.80 1.58
1.06
.76
.63
1.20
1.38
2.58
2.05
-57.58
-37.93
210
2.40
1.72
2.18
2.54 2.14
1.43
1.92
1.54
2.20
1.88
1.95
2.51
-62.17
-38.73
221
1.30
1.86
2.24
1.62 1.61
1.16
.70
.65
1.14
1.51
1.92
1.72
-63.75
-35.70
334
2.34
1.66
2.04
1.65 1.41
1.11
.93
.93
1.02
2.02
3.87
2.49
-58.65
-34.67
358
2.76
1.99
1.42
1.79 1.84
1.86
2.19
1.54
1.72
2.76
2.51
2.15
-62.15
-32.70
369
1.43
1.08
1.52
1.67 1.99
1.37
1.21
.99
2.12
1.98
3.26
2.45
-62.62
-39.38
421
1.85
1.88
1.95
1.77 1.74
1.59
1.28
1.33
1.55
1.71
2.01
1.53
-63.77
-31.82
438
1.69
1.66
1.05
1.50 1.65
1.86
1.47
1.74
1.14
3.49
3.60
2.56
-57.90
-34.97
450
2.44
2.22
1.43
1.71 1.68
1.61
2.15
1.52
1.77
2.16
2.27
2.03
-60.92
-34.55
453
1.19
1.18
2.05
1.31 1.73
1.49
1.04
1.06
1.78
1.56
1.66
1.87
-61.90
-35.87
456
2.26
1.87
1.32
2.20
.94
1.34
.94
1.12
.80
1.96
3.19
1.81
-60.85
-32.55
472
2.05
2.06
1.27
1.83 1.70
1.58
1.58
1.62
1.90
2.36
3.62
1.95
-60.25
-38.33
490
2.51
2.55
2.00
1.74 1.64
1.46
1.13
.97
1.22
1.95
2.81
2.57
-59.68
-33.68
492
1.82
1.52
.85
1.72 1.41
1.39
1.57
1.44
1.34
2.64
3.07
1.98
-57.83
-34.45
602
1.79
1.80
1.79
1.64 1.73
1.76
1.58
1.48
2.11
1.70
1.39
2.03
-58.07
-33.25
603
1.65
1.21
1.24
1.44 1.64
1.90
1.82
1.92
1.93
2.25
1.18
1.71
-56.52
-32.80
605
1.76
1.63
1.55
1.62 1.71
1.70
1.44
1.81
1.98
1.45
1.12
1.84
-57.95
-31.38
606
2.00
1.97
2.09
1.29 1.90
2.11
1.64
1.74
2.31
1.85
1.40
2.11
Impacto del Cambio Global sobre la Producción Agrícola
TABLA III: Estimación de la variación de precipitación en respuesta a una duplicación de CO2 en las
estaciones meteorológicas de la Tabla I.
VERANO
OTOÑO
Longitud
Latitud
N°
∆p
-61.55
-31.18
98
-7.13
-2.09
-64.22
-31.32
100
-6.06
114
-4.24
-63.88
-31.67
111
-3.95
-32.92
133
-4.72
-60.52
-31.83
114
-4.38
-60.55
-33.93
145
-5.36
-60.78
-32.92
133
-9.59
-63.37
-34.13
148
-1.85
-64.32
-33.12
138
-9.48
-58.48
-34.58
156
-15.07
-60.55
-33.93
145
-16.80
-60.88
-35.45
178
-4.27
-63.37
-34.13
148
-16.98
-57.73
-36.35
190
-11.14
-58.48
-34.58
156
-10.53
-64.27
-36.57
192
-2.40
-60.88
-35.45
178
-16.03
-59.83
-36.75
196
-5.65
-57.73
-36.35
190
-5.49
-57.58
-37.93
210
-5.61
-64.27
-36.57
192
-3.73
-62.17
-38.73
221
-2.89
-59.83
-36.75
196
-7.21
-63.75
-35.70
334
-4.87
-62.38
-37.60
206
-7.88
-58.65
-34.67
358
-12.82
-57.58
-37.93
210
-7.77
-62.15
-32.70
369
-6.26
-62.17
-38.73
221
-7.67
-62.62
-39.38
421
-63.75
-35.70
334
-11.23
-63.77
-31.82
438
-58.65
-34.67
358
-12.46
-57.90
-34.97
450
-12.59
-62.15
-32.70
369
-11.01
-60.92
-34.55
453
-5.72
-62.62
-39.38
421
.46
-60.85
-32.55
472
-2.93
-63.77
-31.82
438
-2.22
-60.25
-38.33
490
-4.16
-57.90
-34.97
450
-5.66
-59.68
-33.68
492
-5.05
-60.92
-34.55
453
-14.29
-63.02
-40.85
501
-9.62
-61.90
-35.87
456
-13.45
-57.83
-34.45
602
-21.48
-60.85
-32.55
472
-8.05
-58.07
-33.25
603
-13.76
-60.25
-38.33
490
-5.33
-56.52
-32.80
605
-11.43
-59.68
-33.68
492
-16.93
-57.95
-31.38
606
-4.67
-57.83
-34.45
602
-10.45
-58.07
-33.25
603
-3.82
-56.52
-32.80
605
Longitud
Latitud
N°
-64.22
-31.32
100
-63.88
-31.67
111
-60.52
-31.83
-60.78
∆p
Capítulo 4
INVIERNO
PRIMAVERA
Longitud
Latitud
N°
Dp
Longitud
Latitud
N°
Dp
-64.22
-31.32
100
-9.58
-64.22
-31.32
100
-2.24
-63.88
-31.67
111
-9.16
-63.88
-31.67
111
-1.39
-60.52
-31.83
114
-1.22
-60.52
-31.83
114
-2.02
-60.78
-32.92
133
-1.40
-60.78
-32.92
133
-2.20
-64.32
-33.12
138
-10.94
-64.32
-33.12
138
-2.75
-60.55
-33.93
145
-1.37
-60.55
-33.93
145
-1.12
-63.37
-34.13
148
-3.13
-63.37
-34.13
148
-3.41
-58.48
-34.58
156
.99
-58.48
-34.58
156
-1.75
-60.88
-35.45
178
-1.24
-60.88
-35.45
178
-1.26
-57.73
-36.35
190
.43
-57.73
-36.35
190
-.09
-64.27
-36.57
192
-8.13
-64.27
-36.57
192
-4.78
-59.83
-36.75
196
-.16
-59.83
-36.75
196
-.35
-62.38
-37.60
206
-1.71
-63.75
-35.70
334
-.91
-57.58
-37.93
210
1.48
-58.65
-34.67
358
-1.62
-62.17
-38.73
221
-.99
-62.15
-32.70
369
-4.03
-64.95
-40.73
241
-10.76
-63.77
-31.82
438
-1.93
-63.75
-35.70
334
-7.66
-57.90
-34.97
450
-1.49
-58.65
-34.67
358
.94
-60.92
-34.55
453
-1.63
-62.15
-32.70
369
1.03
-60.85
-32.55
472
-2.59
-63.77
-31.82
438
-4.85
-59.68
-33.68
492
-2.17
-57.90
-34.97
450
.68
-57.83
-34.45
602
-1.39
-60.92
-34.55
453
-1.23
-58.07
-33.25
603
-.91
-61.90
-35.87
456
-4.25
-56.52
-32.80
605
-.80
-60.85
-32.55
472
-1.01
-57.95
-31.38
606
-.89
-60.25
-38.33
490
-.35
-59.68
-33.68
492
-1.50
-63.02
-40.85
501
-.72
-57.83
-34.45
602
1.25
-58.07
-33.25
603
1.21
-56.52
-32.80
605
.71
-57.95
-31.38
606
.90
Impacto del Cambio Global sobre la Producción Agrícola
TABLA IV: Listado de las estaciones meteorológicas utilizadas para la estimación de las temperaturas
mínima y máxima medias mensuales y la precipitación acumulada mensual.
Longitud
Latitud
N°
-61.55
-64.22
-63.88
-60.78
-64.23
-60.55
-63.37
-60.88
-57.73
-64.27
-59.83
-62.38
-57.58
-62.17
-63.75
-58.65
-62.15
-62.62
-63.77
-57.90
-61.90
-60.25
-59.68
-63.82
-58.30
-61.10
-63.02
-61.95
-58.33
-58.02
-61.95
-58.53
-58.62
-59.10
-60.51
-60.82
-59.25
-59.08
-60.88
-60.92
-59.70
-31.18
-31.32
-31.67
-32.92
-33.12
-33.93
-34.13
-35.45
-36.35
-36.57
-36.75
-37.60
-37.93
-38.73
-35.70
-34.67
-32.70
-39.38
-31.82
-34.97
-35.87
-38.33
-33.68
-36.50
-37.75
-36.25
-37.85
-29.88
-32.48
-31.30
-37.50
-34.82
-33.00
-36.17
-31.82
-31.70
-37.23
-31.85
-33.02
-34.55
-29.18
98
100
111
133
138
145
148
178
190
192
196
206
210
221
334
358
369
421
438
450
456
490
492
446
400
189
343
081
497
477
204
166
134
186
114
451
311
115
046
453
309
Nombre de la estación
RAFAELA MET
CORDOBA AERO
PILAR AERO
ROSARIO MET
RIO CUARTO AERO
PERGAMINO MET
LABOULAYE MET
NUEVE DE JULIO MET
DOLORES AERO
STA ROSA AERO
AZUL AERO
PIGUE AERO
MAR DEL PLATA AERO
BAHIA BLANCA AERO
GRAL. PICO - AERO
CASTELAR INTA
JUAREZ MARCOS AERO
HILARIO ASCASUBI INTA
MANFREDI INTA
LA PLATA AERO
PEHUAJO AERO
TRES ARROYOS II AERO
SAN PEDRO INTA
ANGUIL-INTA
BALCARCE-INTA
BOLIVAR-AERO
BORDENAVE-INTA
CERES-AERO
CONCEPCION DEL URUGUAY-INTA
CONCORDIA-AERO
CORONEL SUAREZ-AERO
EZEIZA-AERO
GUALEGUAYCHU-AERO
LAS FLORES-AERO
PARANA-INTA
SAUCE VIEJO-AERO
TANDIL-AERO
VILLAGUAY-AERO
ZAVALLA-ROSARIO
JUNIN-AERO
RECONQUISTA-INTA
Capítulo 4
TABLA V: Correspondencia entre los puntos de retículo ‘n’ (variables predictoras) y las estaciones
N° de punto de retículo (‘n’)
N° de estaciones meteorológicas (‘i’)
2
081
3
309
6
100 111 138 438
7
098 369
8
133 492 114 451 046
9
497 477 134
12
148 334 456 115
13
145 178 189 186 453
14
358 450 166
16
192 446
17
206 343 204
18
196 490 311
19
190 210 400
22
221 421
Impacto del Cambio Global sobre la Producción Agrícola
TABLA VI: Estimación de la variación de temperatura mínima en respuesta a una duplicación de CO2
en las estaciones meteorológicas de la Tabla IV.
N°
Long.
Lat.
Ene
Feb
Mar
Abr May
Jun
Jul
Ago
Set
Oct
Nov
Dic
98
100
111
133
138
145
148
178
190
192
196
206
210
221
334
358
369
421
438
450
456
490
492
446
400
189
343
081
497
477
204
166
134
186
114
451
311
115
046
453
309
-61.55
-64.22
-63.88
-60.78
-64.23
-60.55
-63.37
-60.88
-57.73
-64.27
-59.83
-62.38
-57.58
-62.17
-63.75
-58.65
-62.15
-62.62
-63.77
-57.90
-61.90
-60.25
-59.68
-63.82
-58.30
-61.10
-63.02
-61.95
-58.33
-58.02
-61.95
-58.53
-58.62
-59.10
-60.51
-60.82
-59.25
-59.08
-60.88
-60.92
-59.70
-31.18
-31.32
-31.67
-32.92
-33.12
-33.93
-34.13
-35.45
-36.35
-36.57
-36.75
-37.60
-37.93
-38.73
-35.70
-34.67
-32.70
-39.38
-31.82
-34.97
-35.87
-38.33
-33.68
-36.50
-37.75
-36.25
-37.85
-29.88
-32.48
-31.30
-37.50
-34.82
-33.00
-36.17
-31.82
-31.70
-37.23
-31.85
-33.02
-34.55
-29.18
1.00
1.14
0.24
0.68
0.63
0.87
0.82
0.73
2.27
0.16
0.70
1.33
1.39
1.49
0.80
1.86
1.00
1.69
0.59
1.75
1.26
1.04
1.02
1.50
1.16
1.19
0.84
1.17
1.78
1.61
0.57
1.48
1.39
0.32
1.28
0.32
0.49
1.40
1.01
0.61
1.34
0.88
0.86
0.44
0.57
0.63
0.59
0.69
0.76
0.43
1.56
0.71
1.63
1.15
1.85
0.64
1.68
0.44
2.26
0.91
2.23
1.52
1.93
0.88
1.43
1.21
1.29
3.01
0.98
1.10
1.23
1.42
1.85
0.93
1.32
1.45
0.63
0.84
0.54
0.60
0.54
0.62
1.28
1.12
1.33
1.28
1.28
1.75
1.56
1.49
2.40
1.90
1.88
1.94
2.20
2.05
1.68
2.15
1.62
2.16
0.82
2.03
0.99
2.09
1.51
2.21
2.79
0.66
2.58
1.83
1.40
1.27
2.03
2.33
1.43
1.30
1.24
1.18
1.56
0.66
1.29
1.62
1.08
1.21
1.06
0.79
2.26
1.30
1.89
1.74
1.70
3.05
1.77
1.11
2.06
0.04
2.39
2.25
2.45
2.61
1.96
1.03
1.85
2.34
1.72
2.40
1.94
2.74
2.35
2.26
1.52
2.33
2.37
1.69
1.90
2.32
1.28
2.45
2.31
2.03
2.26
2.41
1.89
2.24
1.74
2.57
2.68
1.63
2.04
1.61
1.98
1.57
3.62
1.93
1.78
1.51
1.71
1.90
1.93
1.88
1.74
1.58
2.72
1.53
1.76
1.56
1.33
1.96
2.45
1.69
1.80
1.72
1.65
1.92
1.61
2.02
1.72
1.95
1.52
1.62
1.35
1.88
1.55
1.65
1.59
1.62
1.43
1.49
1.32
1.58
1.62
1.64
1.46
2.06
1.75
1.70
1.60
2.24
2.17
1.83
2.07
1.48
2.02
1.95
2.01
1.79
1.88
1.43
1.70
1.70
1.63
1.49
1.46
1.79
1.59
1.80
2.12
1.53
1.14
1.31
1.36
1.59
2.07
1.29
1.27
1.59
1.67
2.05
2.03
1.26
1.82
1.44
1.52
0.96
2.29
1.35
1.28
1.15
1.83
2.42
1.45
1.59
1.56
2.04
1.81
1.65
1.30
1.09
1.21
1.32
1.99
2.15
1.11
1.51
1.31
1.21
1.05
1.68
1.25
1.47
1.17
1.15
1.14
1.76
1.23
1.36
1.29
2.99
2.66
2.18
3.38
2.05
3.19
3.00
2.82
3.30
2.45
3.44
2.36
2.86
2.16
2.70
3.03
2.96
2.38
2.52
2.68
2.20
2.24
2.65
2.69
1.62
2.67
2.14
2.73
3.29
2.93
2.91
3.25
2.95
2.95
2.76
3.53
2.68
3.89
2.83
3.05
3.13
2.41
1.17
1.45
2.54
1.60
1.64
1.71
2.33
1.66
1.25
1.65
1.44
1.32
1.37
1.72
2.02
1.85
1.35
3.58
1.81
2.30
1.56
3.48
1.51
1.11
3.36
1.21
2.07
3.17
2.62
1.22
1.57
2.72
0.72
2.53
3.22
1.68
3.84
2.15
1.65
3.23
2.41
1.45
1.77
1.46
1.24
1.26
1.00
2.12
1.73
1.08
0.92
0.91
1.17
1.17
1.52
1.44
1.79
1.14
2.45
1.50
1.79
0.54
1.71
1.20
0.78
1.86
1.02
1.79
1.80
1.55
0.62
1.45
1.23
1.19
1.24
1.64
0.92
0.09
1.54
0.98
1.43
1.83
1.65
1.55
1.38
1.55
1.55
1.32
1.53
1.52
1.57
1.87
1.09
2.69
1.48
1.55
2.11
1.56
1.47
1.58
2.36
1.22
1.95
1.62
1.57
2.89
1.98
1.79
1.82
1.86
1.91
1.39
2.23
1.92
1.02
1.35
1.36
1.99
1.35
1.30
1.21
2.07
2.15
1.73
1.59
2.31
1.41
1.94
1.51
1.53
1.48
1.28
1.86
1.57
1.91
1.90
1.47
2.19
2.06
1.56
1.63
1.80
0.32
1.50
1.87
1.26
2.49
1.27
1.60
1.96
2.11
2.62
1.53
1.99
2.24
1.14
2.13
2.26
1.52
2.52
2.03
1.82
2.72
Capítulo 4
TABLA VII: Estimación de la variación de temperatura máxima en respuesta a una duplicación de CO2
en las estaciones meteorológicas de la Tabla IV.
N°
Long.
Lat.
Ene
Feb
Mar
Abr May
Jun
Jul
Ago
Set
Oct
Nov
Dic
98
100
111
133
138
145
148
178
190
192
196
206
210
221
334
358
369
421
438
450
456
490
492
446
400
189
343
081
497
477
204
166
134
186
114
451
311
115
046
453
309
-61.55
-64.22
-63.88
-60.78
-64.23
-60.55
-63.37
-60.88
-57.73
-64.27
-59.83
-62.38
-57.58
-62.17
-63.75
-58.65
-62.15
-62.62
-63.77
-57.90
-61.90
-60.25
-59.68
-63.82
-58.30
-61.10
-63.02
-61.95
-58.33
-58.02
-61.95
-58.53
-58.62
-59.10
-60.51
-60.82
-59.25
-59.08
-60.88
-60.92
-59.70
-31.18
-31.32
-31.67
-32.92
-33.12
-33.93
-34.13
-35.45
-36.35
-36.57
-36.75
-37.60
-37.93
-38.73
-35.70
-34.67
-32.70
-39.38
-31.82
-34.97
-35.87
-38.33
-33.68
-36.50
-37.75
-36.25
-37.85
-29.88
-32.48
-31.30
-37.50
-34.82
-33.00
-36.17
-31.82
-31.70
-37.23
-31.85
-33.02
-34.55
-29.18
2.37
1.00
1.83
2.17
2.02
2.03
2.23
1.78
3.84
1.46
2.76
2.43
3.30
1.55
1.69
2.71
2.43
1.37
2.05
2.59
1.33
2.28
2.12
1.51
1.84
1.44
2.23
2.38
2.10
2.29
2.52
3.01
2.46
1.65
2.54
2.13
1.85
1.48
2.46
2.11
2.58
2.45
1.50
1.84
2.23
1.53
2.59
2.15
1.40
2.38
2.02
2.23
1.85
2.64
1.70
1.16
2.14
1.95
1.14
2.07
2.33
0.78
2.35
1.88
1.65
1.77
1.29
2.28
2.24
2.28
3.05
2.17
2.24
2.34
2.35
2.71
2.80
2.31
2.57
2.39
1.97
2.76
1.99
1.52
1.71
1.67
1.20
1.87
2.04
2.08
2.35
1.51
2.75
1.27
2.24
1.95
2.39
1.95
1.75
2.10
1.31
1.95
2.01
2.26
1.02
1.20
3.10
1.92
1.52
1.81
2.05
2.37
1.73
2.00
1.74
2.39
1.86
2.00
2.66
1.82
1.53
1.94
1.82
0.78
1.33
1.35
1.28
1.52
1.03
1.83
1.37
2.29
1.04
1.78
1.33
4.59
1.38
1.35
1.51
1.91
1.31
1.67
1.43
1.34
1.52
1.41
0.97
2.43
1.29
0.78
0.74
0.98
1.20
1.14
1.59
1.08
1.31
1.22
0.85
1.98
1.28
1.20
0.95
1.04
1.02
1.25
1.04
0.91
1.25
1.16
1.33
1.08
1.46
1.80
1.54
1.81
1.13
2.96
1.15
1.49
0.94
1.77
1.75
1.15
1.20
1.65
0.82
1.78
1.76
0.87
1.70
0.83
1.14
1.21
1.72
1.34
1.08
0.85
1.08
1.22
1.41
1.60
0.86
1.06
1.12
0.22
1.39
1.31
0.98
1.32
1.06
0.93
1.22
1.89
0.63
1.11
0.62
1.74
1.11
0.53
1.75
1.16
1.33
1.65
1.64
0.59
0.83
0.99
0.58
2.16
0.83
0.87
1.09
1.25
1.35
0.57
1.71
1.27
1.08
1.19
0.92
1.03
1.32
1.00
1.03
1.27
1.58
2.18
2.22
1.03
1.57
1.16
1.36
1.01
2.30
1.67
1.57
0.90
1.67
1.65
1.10
1.40
1.22
1.45
2.84
1.28
1.31
1.17
1.14
1.62
1.81
0.83
1.02
1.21
1.26
1.27
1.19
1.37
1.21
1.03
1.19
1.46
1.32
2.04
0.94
1.02
1.23
0.90
0.75
0.37
1.52
0.04
0.40
1.74
0.51
0.75
0.13
0.55
0.24
1.46
0.68
0.10
1.21
0.78
0.77
0.47
1.20
0.37
0.39
0.91
0.03
0.66
0.65
0.38
0.81
1.85
1.83
0.01
1.01
1.67
0.45
1.57
1.51
1.06
1.62
1.09
0.49
1.73
1.51
1.40
1.87
1.79
2.45
1.47
2.13
1.63
1.67
1.04
1.37
0.81
2.64
1.76
1.43
1.98
1.96
2.38
2.10
1.46
1.51
1.51
1.33
0.94
1.88
1.69
1.29
1.26
1.07
1.68
0.60
1.89
1.59
2.10
1.19
0.87
1.43
1.40
1.50
1.77
1.06
3.35
2.61
3.46
3.04
3.38
2.06
3.22
2.80
2.28
1.92
2.47
2.40
2.84
2.53
3.37
1.96
3.66
2.95
3.79
1.72
2.91
2.77
2.46
1.89
2.62
2.92
2.49
2.00
1.90
1.68
2.47
2.32
2.05
2.77
2.86
3.25
2.30
2.40
2.71
2.55
2.48
3.05
2.69
2.85
2.64
2.57
2.62
2.46
2.69
2.06
2.58
2.73
2.35
2.90
1.53
2.36
2.66
2.94
1.96
2.93
2.33
2.16
2.54
2.69
2.40
2.58
2.86
2.10
3.73
2.35
2.78
2.61
2.53
2.38
2.16
2.57
2.89
2.57
2.47
2.79
2.48
3.66
1.25
1.53
1.23
1.35
1.08
1.44
1.42
1.49
2.09
1.13
1.77
1.28
1.85
1.46
1.18
1.84
1.35
1.46
1.63
1.67
1.36
1.31
1.23
1.19
1.84
1.47
1.22
1.10
1.66
1.88
1.09
1.68
1.56
1.41
1.44
2.16
1.78
1.59
1.31
1.43
1.70
Impacto del Cambio Global sobre la Producción Agrícola
TABLA VIII: Estimación de la variación de temperatura media en respuesta a una duplicación de CO2
en las estaciones meteorológicas de la Tabla IV.
N°
Long.
Lat.
Ene
Feb
Mar
Abr May
Jun
Jul
Ago
Set
Oct
Nov
Dic
98
100
111
133
138
145
148
178
190
192
196
206
210
221
334
358
369
421
438
450
456
490
492
446
400
189
343
081
497
477
204
166
134
186
114
451
311
115
046
453
309
-61.55
-64.22
-63.88
-60.78
-64.23
-60.55
-63.37
-60.88
-57.73
-64.27
-59.83
-62.38
-57.58
-62.17
-63.75
-58.65
-62.15
-62.62
-63.77
-57.90
-61.90
-60.25
-59.68
-63.82
-58.30
-61.10
-63.02
-61.95
-58.33
-58.02
-61.95
-58.53
-58.62
-59.10
-60.51
-60.82
-59.25
-59.08
-60.88
-60.92
-59.70
-31.18
-31.32
-31.67
-32.92
-33.12
-33.93
-34.13
-35.45
-36.35
-36.57
-36.75
-37.60
-37.93
-38.73
-35.70
-34.67
-32.70
-39.38
-31.82
-34.97
-35.87
-38.33
-33.68
-36.50
-37.75
-36.25
-37.85
-29.88
-32.48
-31.30
-37.50
-34.82
-33.00
-36.17
-31.82
-31.70
-37.23
-31.85
-33.02
-34.55
-29.18
1.69
1.07
1.04
1.42
1.37
1.47
1.50
1.24
3.05
0.81
1.72
1.86
2.33
1.56
1.33
2.29
1.75
1.73
1.32
2.21
1.29
1.71
1.57
1.75
1.49
1.33
1.55
1.73
1.97
1.91
1.55
2.28
1.93
0.99
1.92
1.22
1.17
1.41
1.75
1.34
1.13
2.22
1.18
1.14
1.41
1.08
1.59
1.42
1.06
1.41
1.76
1.47
1.68
1.94
1.83
0.92
1.96
1.17
1.76
1.49
2.34
1.12
2.11
1.38
1.53
1.48
1.32
2.66
1.58
1.71
2.13
1.77
2.05
1.65
1.73
2.10
1.72
1.58
1.55
1.49
1.26
1.73
1.63
1.39
1.44
1.49
1.26
1.84
1.80
1.84
2.26
1.69
2.30
1.50
2.12
2.01
2.02
2.07
1.66
1.85
1.07
1.99
1.50
2.14
1.23
1.69
2.96
1.29
2.03
1.80
1.71
1.83
1.85
2.10
1.57
1.11
1.60
1.57
2.11
1.24
1.41
1.77
1.45
1.00
1.09
1.06
1.79
1.28
1.51
1.79
1.58
2.58
1.44
1.46
1.70
2.32
1.90
1.68
1.97
2.23
1.68
1.37
1.65
1.86
1.59
1.90
1.42
2.60
1.81
1.49
1.16
1.65
1.82
1.40
1.77
1.71
1.27
1.81
1.60
1.99
1.76
1.81
1.45
1.61
1.39
1.89
1.88
1.27
1.64
1.36
1.65
1.32
2.24
1.84
1.66
1.65
1.38
2.40
1.54
1.67
1.34
1.92
2.23
1.30
1.55
1.58
1.07
1.86
2.10
1.27
1.76
1.26
1.40
1.57
1.66
1.62
1.41
1.37
1.30
1.43
1.41
1.72
1.20
1.36
1.36
0.92
1.40
1.40
1.14
1.56
1.34
1.28
1.34
1.84
1.18
1.40
1.09
1.99
1.58
1.16
1.90
1.34
1.67
1.33
1.75
1.19
1.24
1.23
1.14
1.97
1.24
1.16
1.28
1.51
1.48
1.20
1.91
1.39
1.12
1.25
1.15
1.34
1.71
1.16
1.15
1.44
1.63
2.10
2.21
1.16
1.71
1.30
1.46
1.00
2.49
1.53
1.43
1.02
1.77
2.07
1.31
1.47
1.38
1.75
2.33
1.45
1.14
1.12
1.17
1.47
1.87
0.38
1.03
1.34
1.29
1.24
1.15
1.59
1.20
1.26
1.19
1.31
1.20
1.89
1.08
1.21
1.24
1.90
1.73
1.28
2.47
1.04
1.80
1.44
1.70
2.03
1.29
1.98
1.30
2.18
1.42
1.40
2.12
1.83
1.57
1.50
1.94
1.29
1.31
1.81
1.36
1.15
1.69
1.26
1.82
2.57
2.39
1.46
2.10
2.30
1.70
2.14
2.46
1.87
2.71
1.99
1.79
2.42
2.17
1.21
1.63
2.16
2.04
1.57
1.89
1.97
1.59
1.13
1.52
1.12
1.96
1.55
1.52
2.02
1.91
1.73
2.85
1.59
1.85
1.52
2.45
1.19
1.48
2.51
1.24
1.60
2.10
2.16
0.89
1.62
2.02
1.44
1.85
2.03
1.55
2.68
1.79
1.69
2.11
2.17
2.29
2.43
2.13
2.27
1.66
2.12
2.45
1.77
1.49
1.68
1.87
2.02
1.86
2.65
1.68
2.77
2.04
3.10
1.60
2.28
1.97
2.08
1.54
1.71
2.39
1.77
1.72
1.83
1.63
1.66
1.83
1.78
1.72
2.03
2.52
1.64
1.24
2.10
1.73
1.92
2.45
2.15
2.23
2.16
2.04
2.10
1.86
2.07
1.81
2.08
2.28
1.62
2.81
1.51
2.02
2.32
2.28
1.43
2.27
2.31
1.80
2.34
2.16
1.98
2.73
2.42
1.94
2.68
2.07
2.34
2.13
2.41
2.17
1.43
1.97
2.11
2.30
1.89
2.05
1.85
2.88
1.70
1.63
1.41
1.81
1.21
1.71
1.47
1.50
1.86
1.22
1.80
1.43
1.87
1.78
1.32
2.01
1.69
1.65
1.62
1.75
0.86
1.43
1.55
1.23
2.15
1.37
1.42
1.53
1.90
2.28
1.33
1.84
1.91
1.22
1.76
2.19
1.66
2.07
1.69
1.58
2.19
Capítulo 4
TABLA IX: Estimación de la variación de precipitación en respuesta a una duplicación de CO2 en las
estaciones meteorológicas de la Tabla IV.
N°
Long.
Lat.
98
100
111
133
138
145
148
178
190
192
196
206
210
221
334
358
369
421
438
450
456
490
492
446
400
189
343
081
497
477
204
166
134
186
114
451
311
115
046
453
309
-61.55
-64.22
-63.88
-60.78
-64.23
-60.55
-63.37
-60.88
-57.73
-64.27
-59.83
-62.38
-57.58
-62.17
-63.75
-58.65
-62.15
-62.62
-63.77
-57.90
-61.90
-60.25
-59.68
-63.82
-58.30
-61.10
-63.02
-61.95
-58.33
-58.02
-61.95
-58.53
-58.62
-59.10
-60.51
-60.82
-59.25
-59.08
-60.88
-60.92
-59.70
-31.18
-31.32
-31.67
-32.92
-33.12
-33.93
-34.13
-35.45
-36.35
-36.57
-36.75
-37.60
-37.93
-38.73
-35.70
-34.67
-32.70
-39.38
-31.82
-34.97
-35.87
-38.33
-33.68
-36.50
-37.75
-36.25
-37.85
-29.88
-32.48
-31.30
-37.50
-34.82
-33.00
-36.17
-31.82
-31.70
-37.23
-31.85
-33.02
-34.55
-29.18
Ene
Feb
-7.21 -7.40
-6.99 -2.29
-9.68 -4.58
-6.52 -6.63
-8.30 -8.93
-11.41 -14.78
-15.35 -15.79
-11.61 -9.29
-13.79 -19.13
-20.25 -16.83
-13.65 -15.75
-10.82 -18.31
-7.71 -16.95
-16.43 -11.50
-9.43 -9.81
-6.84 -6.93
-5.94 -9.77
-10.91 -16.17
-5.99 -10.68
-8.70 -9.48
-9.87 -15.35
-12.31 -8.24
-6.76 -6.72
-22.76 -14.34
-7.48 -11.57
-11.60 -11.30
-17.57 -27.31
-5.44 -7.64
-5.57 -6.68
-6.40 -7.16
-18.46 -15.00
-7.78 -7.58
-5.70 -8.49
-7.43 -4.95
-8.33 -7.47
-6.36 -5.70
-8.96 -7.45
-8.96 -11.59
-7.42 -7.45
-11.31 -10.69
-5.67 -5.12
Mar
Abr
May
Jun
Jul
Ago
Set
Oct
Nov
Dic
-22.40
-25.74
-14.06
-15.41
-19.94
-15.04
-16.13
-14.93
-5.59
-2.84
-11.16
-4.36
-5.50
-3.13
-13.25
-11.75
-12.58
-3.81
-17.11
-8.16
-18.15
-4.03
-22.35
-3.18
-3.30
-13.95
-10.00
-19.81
-7.86
-8.97
-3.65
-11.96
-6.74
-6.81
-10.10
-10.17
-9.62
-14.06
-18.00
-13.57
-6.07
-24.16
-30.27
-27.05
-13.45
-7.27
-13.13
-7.33
-14.74
-9.90
-3.04
-13.05
-6.13
-4.67
-2.55
-7.09
-4.51
-21.04
-1.43
-26.54
-3.44
-14.82
-5.61
-15.70
-3.19
-5.65
-12.80
-5.94
-14.15
-5.52
-8.04
-6.15
-4.49
-5.67
-16.22
-12.87
-13.19
-9.58
-13.36
-14.82
-10.52
-16.78
-17.10
-18.75
-24.12
-17.07
-22.66
-7.35
-10.89
-6.38
-6.41
-3.83
-9.22
-6.15
-5.32
-2.51
-9.49
-6.36
-20.96
-2.13
-17.23
-8.90
-16.80
-7.05
-16.23
-3.99
-5.66
-6.80
-3.33
-11.25
-6.11
-6.70
-8.18
-8.04
-6.50
-8.08
-14.69
-9.55
-11.87
-10.27
-9.30
-3.63
-7.45
-5.71
-1.19
-2.32
-2.41
-3.46
-1.03
-0.78
-0.78
1.72
0.93
0.26
0.19
1.50
3.51
-0.77
-0.22
-4.17
2.45
-2.48
-0.21
-1.14
0.62
-4.26
1.01
1.90
-0.60
0.58
-6.00
-3.44
-1.70
0.26
-0.23
-1.59
-1.07
-3.70
-3.57
1.00
-1.69
-3.03
-0.84
-10.93
-2.87
-2.43
-2.37
-3.10
-2.06
-1.15
-1.04
-1.48
1.75
1.75
0.89
0.61
2.17
2.64
-1.64
-0.18
-2.55
2.91
-2.14
-0.22
-0.82
0.90
-2.62
2.06
1.86
-1.16
0.79
-6.47
-1.73
-1.35
0.82
-0.19
-1.17
-1.77
-3.48
-3.66
0.80
-0.79
-2.50
-1.22
-7.64
-3.76
-3.69
-2.90
-4.07
-3.09
-0.82
-0.73
-1.00
0.81
1.79
0.66
0.86
2.30
3.57
-0.77
-0.37
-3.53
2.57
-2.32
-0.35
-1.15
0.86
-4.54
1.87
2.38
-0.52
0.76
-4.28
-2.26
-1.87
1.01
-0.33
-2.23
-0.69
-2.47
-3.10
0.76
-1.50
-2.61
-0.66
-6.73
-5.25
-5.14
-5.73
-3.63
-5.97
-3.08
-2.62
-3.74
-0.22
-0.61
-1.64
-0.96
-0.14
0.87
-3.40
-1.00
-5.60
0.64
-5.36
-1.26
-3.51
-1.48
-2.49
-0.52
-0.12
-2.83
-1.39
-3.85
-1.23
-2.26
-1.13
-1.09
-1.27
-3.45
-6.40
-5.16
-1.39
-2.69
-3.89
-3.58
-3.13
-4.27
-2.77
-2.61
-2.59
-5.31
-3.81
-3.53
-2.21
-0.18
-0.70
-2.13
-1.66
-0.10
0.69
-2.54
-1.03
-6.12
0.78
-2.01
-1.26
-4.09
-0.72
-3.82
-0.54
-0.09
-3.23
-1.41
-5.42
-2.03
-2.17
-1.82
-1.07
-1.56
-4.53
-6.45
-1.14
-1.50
-3.41
-2.99
-3.41
-4.28
-5.36
-2.63
-3.75
-2.96
-5.28
-1.77
-2.81
-3.29
-0.23
-0.71
-1.66
-1.04
-0.11
0.44
-1.93
-1.17
-4.54
0.49
-3.64
-1.36
-4.44
-1.48
-4.17
-0.56
-0.15
-3.55
-0.97
-3.41
-2.00
-2.17
-1.69
-1.00
-2.96
-6.17
-5.62
-4.40
-1.86
-6.07
-3.87
-3.13
-4.30
-8.11
14.16
-7.85
-7.66
-6.62
-15.89
-2.90
-9.21
-11.44
-21.30
-15.76
-11.32
-1.92
-17.80
-19.62
-10.23
-8.61
-11.98
-14.31
-8.39
-7.01
-13.18
-6.87
-23.84
-8.42
-9.51
-14.54
-5.31
-7.05
-6.10
-12.17
-5.49
-4.59
-3.27
-7.44
-11.33
-12.63
-16.57
-6.55
-2.16
-3.88
Impacto del Cambio Global sobre la Producción Agrícola
Figura 1: Variación de la temperatura media mensual en respuesta a una duplicación de CO2 estimada en las
estaciones meteorológicas de la Tabla I (panel superior) y proyectada por el Modelo de Circulación General
MPI (panel inferior).
Capítulo 4
Figura 1: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 1: continuación.
Capítulo 4
Figura 1: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 2: Variación de la precipitación estacional en respuesta a una duplicación de CO2 estimada en las estaciones meteorológicas de la Tabla I (panel superior) y proyectada por el Modelo de Circulación General MPI
(panel inferior).
Capítulo 4
Figura 2: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 2: continuación.
Capítulo 4
Figura 2: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 3: Red de estaciones meteorológicas (estrellas) y puntos de retículo (cuadrados) utilizados para la estimación de la temperatura mínima y máxima medias mensuales y la precipitación mensual a escala local. Se
indican los números correspondientes a las estaciones meteorológicas y los números asignados a los puntos de retículo (en itálica).
Capítulo 4
Figura 4: Distribución espacial del porcentaje de varianza explicada por la regresión en la estimación de la
temperatura mínima (panel superior) y la temperatura máxima (panel inferior) para el período de calibración
(1982-1994).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 4: continuación.
Capítulo 4
Figura 4: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 4: continuación.
Capítulo 4
Figura 5: Distribución espacial del porcentaje de varianza explicada por la regresión en la estimación de la
temperatura media para el período de calibración (1982-1994).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 5: continuación.
Capítulo 4
Figura 6: Marcha anual del porcentaje de varianza explicada por la regresión en la estimación de las temperaturas mínima y máxima medias mensuales en cada estación listada en la Tabla IV para el período de calibración (1982-1994).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 6: continuación.
Capítulo 4
Figura 6: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 6: continuación.
Capítulo 4
Figura 6: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 6: continuación.
Capítulo 4
Figura 6: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 6: continuación.
Capítulo 4
Figura 6: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 6: continuación.
Capítulo 4
Figura 6: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 6: continuación.
Capítulo 4
Figura 6: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 6: continuación.
Capítulo 4
Figura 7: Temperatura mínima (panel superior) y máxima (panel inferior) estimadas por la regresión en la red
de estaciones para el período de calibración (1982-1994).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 7: continuación.
Capítulo 4
Figura 7: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 7: continuación.
Capítulo 4
Figura 8:Temperatura mínima (panel superior) y máxima (panel inferior) medias mensuales observadas, promediadas en el período de calibración (1982-1994).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 8: continuación.
Capítulo 4
Figura 8: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 8: continuación.
Capítulo 4
Figura 9: Idem Figura 7, para el período de verificación independiente (1980-1981).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 9: continuación.
Capítulo 4
Figura 9: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 9: continuación.
Capítulo 4
Figura 10: Idem Figura 8, para el período de verificación independiente (1980-1981).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 10: continuación.
Capítulo 4
Figura 10: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 10: continuación.
Capítulo 4
Figura 11: Distribución espacial del porcentaje de varianza explicada por la regresión en la estimación de la
precipitación para el período de calibración (1979-1995).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 11: continuación.
Capítulo 4
Figura 12: Marcha anual del porcentaje de varianza explicada por la regresión en la estimación de la precipitación mensual en cada estación listada en la Tabla IV para el período de calibración.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 12: continuación.
Capítulo 4
Figura 12: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 12: continuación.
Capítulo 4
Figura 12: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 12: continuación.
Capítulo 4
Figura 12: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 12: continuación.
Capítulo 4
Figura 12: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 12: continuación.
Capítulo 4
Figura 12: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 12: continuación.
Capítulo 4
Figura 12: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 12: continuación.
Capítulo 4
Figura 13: Precipitación estimada por la regresión en la red de estaciones para el período de calibración
(1979-1995).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 13: continuación.
Capítulo 4
Figura 14: Precipitación mensual observada, promediada en el período de calibración (1979-1995).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 14: continuación.
Capítulo 4
Figura 15: Variación estimada de la temperatura mínima media mensual en respuesta a una duplicación de
CO2 en las estaciones meteorológicas de la Tabla IV (panel superior) y variación de la temperatura media proyectada por el Modelo de Circulación General MPI (panel inferior).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 15: continuación.
Capítulo 4
Figura 15: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 15: continuación.
Capítulo 4
Figura 16: Idem Figura 15 para la temperatura máxima media mensual.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 16: continuación.
Capítulo 4
Figura 16: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 16: continuación.
Capítulo 4
Figura 17: Marcha anual de la variación estimada de la temperatura mínima y máxima en respuesta a una duplicación de CO2 en cada estación listada en la Tabla IV.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 17: continuación.
Capítulo 4
Figura 17: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 17: continuación.
Capítulo 4
Figura 17: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 17: continuación.
Capítulo 4
Figura 17: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 17: continuación.
Capítulo 4
Figura 17: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 17: continuación.
Capítulo 4
Figura 17: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 17: continuación.
Capítulo 4
Figura 17: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 17: continuación.
Capítulo 4
Figura 18: Variación estimada de la precipitación kmjmensual en respuesta a una duplicación de CO2 las estaciones meteorológicas de la Tabla IV (panel superior) y proyectada por el Modelo de Circulación General
MPI (panel inferior).
Impacto del Cambio Global sobre la Producción Agrícola
Figura 18: continuación.
Capítulo 4
Figura 18: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 18: continuación.
Capítulo 4
Figura 19: Marcha anual de la variación estimada de la precipitación en respuesta a una duplicación de CO2
en cada estación listada en la Tabla IV.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 19: continuación.
Capítulo 4
Figura 19: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 19: continuación.
Capítulo 4
Figura 19: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 19: continuación.
Capítulo 4
Figura 19: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 19: continuación.
Capítulo 4
Figura 19: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 19: continuación.
Capítulo 4
Figura 19: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 19: continuación.
Capítulo 4
Figura 19: continuación.
Impacto del Cambio Global sobre la Producción Agrícola
Figura 19: continuación.
Bibliografía
- Acock B., L.H. Allen Jr. 1985. Crop responses to elevated carbon dioxide concentrations. p 33-97. In
B.R.Strain and J.D.Cure (ed.). Direct effects on increasing carbon dioxide on vegetation. U.S.DOE/ER0238. Dep. Energy, Washington DC.
- Adaro, O. 1983. Erosión hídrica y eólica en la región semiárida argentina. X Reunión de la Ciencia del
Suelo, Mar del Plata, Buenos Aires, 23 al 28 de octubre. pp. 338-339.
- Aimar, S., Buschiazzo, D.E., Casagrande, G. 1996. Cuantificaciones de campo de la erosión eólica en
suelos de la región semiárida pampeana. Actas de la XV Reunión de la Ciencia del Suelo, Santa Rosa, La Pampa. p. 225.
- Andrade, F. H., Uhart, S. y G. Arguissain. 1991. Rendimiento potencial de maíz en Balcarce. Análisis de
los factores que lo determinan. Boletín Técnico 101. CERBAS. EEA INTA Balcarce.
- Apesteguía, H., Amaya, H., Crusta, L. 1987. Medición de pérdidas de suelo y disminución de los rendimientos de soja debido a la erosión hídrica en la región semiárida central de Córdoba. Ciencias del
Suelo Vol. Nº 5(1).
- Baethgen W.E., Magrin G.O. 1995. Assessing the Impacts of Climate Change on Winter Crop Production in Uruguay and Argentina Using Crop Simulation Models.pp 207-228, In: C. Rosenzweig et al.
(eds.), Climate Change and Agriculture: Analysis of Potential International Impacts. American Society
of Agronomy Special Publication 59, Madison.
- Barberis, L.A., Chamorro, E., Baumann-Fonay, C. Zourarakis, D., Canova, D. y Urricarriet, S. 1985. Respuesta del cultivo de maíz a la fertilización nitrogenada en la pampa ondulada campañas 1980/811983/84. II. Modelos predictivos y explicativos. Revista Facultad de Agronomía Buenos Aires, 6: 65-84.
- Basualdo, E. M. 1995. El nuevo poder terrateniente: una respuesta. Realidad Económica, 132:126-149.
- Berón, R., Irurtia, C. 1992. Rendimiento de soja en suelos erosionados de la Pampa Ondulada-Resultados Preliminares, Campaña 1990/91. Carpeta de Producción Vegetal, Tomo X, Información Nº 78.
EEA Pergamino, INTA. 7 pp.
- Berón, R., Lemos, E. 1982. Incidencia de la erosión hídrica sobre los rendimientos en suelos de la
serie Arroyo Dulce. Carpeta de Producción Vegetal, Tomo IV, Información Nº 51. EEA Pergamino,
INTA. 2 pp.
- Boardman, J., Favis-Mortlock, D.T. 1993. Climate change and soil erosion in Britain. Geographical Journal 159(2):179-183.
- Boullón, D., Rodríguez, G. 1996, 1997. Informes internos de comisiones al sector alto de la cuenca de
los arroyos Tandileofú-Chelforó. Proyecto ARG/95/G31, PECC-INTA.
- Buzai, G.D. 1993. Evolución espacial y distribución espacial en el Gran Bs. As. GEODEMOS. pp.113138.
- Cascardo, A.R., Pizarro, J.B., Peretti, M.A., Gómez, P.O. 1991. Sistemas de producción predominantes.
En: El desarrollo agropecuario pampeano, O. Barsky (ed.). Grupo Editor Latinoamericano S.R.L., Buenos Aires, Argentina. p. 95-146.
- Cubasch U., K. Hasselmann, H. Hock, E. Maier-Reimer, U. Mikolajewicz, B.D.Santer and R. Saunsen 1992: Time-dependent greenhouse warming computations with a coupled ocean-atmosphere model’. Climate Dynamics, 8, 55-69.
- Chachine, M. T. 1992: The hydrological cycle and its influence on climate.
- Damiano, F. 1997. Informe interno de la comisión al sector alto de la cuenca de los arroyos TandileofúChelforó. Proyecto ARG/95/G31, PECC-INTA.
- Díaz, R.A. 1993a. Development of a system for a field-scale, continuous-time model designed to simulate the effect of tillage equipment on soil roughness, crop residue, hydrology and nutrient cycling. Informe Final de la Carta Acuerdo CMT 56128. INTA-FAO.
- Díaz, R.A. 1993b. Aplicación del modelo EPIC al estudio del efecto de las labranzas sobre la productividad de leguminosas y cereales. II Reunión Bianual de la Red Latinoamericana de Labranza Conservacionista (RELACO). Guanare, Venezuela, 15 al 19 de noviembre. 41 pp.
- Díaz, R.A. 1993c. Adaptación del modelo EPIC a las condiciones del sur de América Latina. Informe de
consultoría al Blackland Research
Impacto del Cambio Global sobre la Producción Agrícola
- Díaz, R.A. 1994. La erosión hídrica en la cuenca del río Arrecifes. Informe Abril-Junio. Fundación Desarrollo y Ambiente. 65 pp.
- Díaz, R.A. 1994. Rendimientos estacionales de cultivares de alfalfa sin latencia medidos en la EEA Pergamino y simulados con EPIC. Informe inédito. 10 pp.
- Díaz, R.A. 1996. Calibration and validation of model EPIC for the Pampean region of Argentina. Proyecto “Hydrological determinants of agriculture in South America: remote sensing and numerical simulation”. Progress Report STD3/HAG/TS3*CT-0239, 01/07/1995 - 01/06/1996; W.P.5.1.5. S. Azzali y M.
Menenti (ed.). pp 78-82.
- Díaz, R.A., Carballo, S.M., Rebella, C.M., Di Giacomo, R.M., Irurtia, C.B. 1994. Remote Sensing of land
use relating changes in cropping patterns to soil erosion in the Arrecifes river Basin of Argentina. Intl.
Soc. for Photogrammetry and Remote Sensing (ISPRS). Abstracts Comm. VII :Resource and Environmental Monitoring, Vol. 30, Part 7c. p.88.
- Díaz, R.A., Di Giacomo, R.M. 1994. On the comparison of measured and EPIC-simulated fertility losses
in the Rolling Pampa of Argentina. Trans. 15th World Congress of Soil Science, Volume 7b, Commission VI: 229-230. Acapulco, México, 10-16 de julio.
- Díaz, R.A., Magrin, G., Di Giacomo, R.M. 1995. Estimating land degradation in Argentina by coupling
CERES and EPIC models. 2nd International Symposium on “Systems approaches for agricultural development”. Books of Abstracts p.56. H.H. van Laar , P.S. Teng y M.J.Kropff (eds.). International Rice
Research Institute, Los Baños, Filipinas. 6-8 de diciembre de 1995.
- Díaz, R.A., Masiero, B. 1984. Análisis de las lluvias máximas diarias anuales en la región centro-oriental argentina. Publicación Técnica Nº 5 de la E.E.A. INTA Marcos Juárez. 19 pp.
- Díaz, R.A., Scoppa, C.O., Di Giacomo, R.M.1992. Assessing the suitability of SOTER database attributes for EPIC and CERES soil entry variables. UNEP Meeting to assess potential uses of SOTER database. Nairobi, Kenia. 25 de enero.
- Donigian, A.S., Patwardhan, A.S., Jackson IV, R.B., Barnwell Jr., T.O. Weinrich, K.B., Rowell, A.L. 1995.
Modeling the impacts of agricultural management practices on soil carbon in the central U.S. En: Soils
and Global Change. R. Lal, J. Kimble, E. Lewis y B.A. Stewart (eds.). CRC Lewis Publishers, Boca Ratón, Florida, USA. P.121-134.
- Doran, J.W., Sarrantonio, M., Liebig, M.A. 1996. Soil health and sustainability. Advances in Agronomy
Vol. 56: 1-54.
- Easterling, W.E., Rosenberg, N.J., McKenney, M.S., Jones, C.A., Dyke, P.T., Willimas, J.R. 1992. Preparing the erosion productivity impact calculator (EPIC) model to simulate crop response to climate
change and the direct effects of CO2. Agric. For. Meteorol. 59:17-34.
- Fick, G.W. 1984. Simple simulation models for yield prediction applied to alfalfa in the Northeast. Agron.
J. 76: 235-239.
- Fischer, R.A. 1985. Number of kernels in wheat crops and the influence of solar radiation and temperature. J.Agric.Sci., 105: 447-461.
- Fontanetto, H., Gambaudo, S. 1996. Sistemas de labranzas para el cultivo de trigo. I. Su influencia sobre las propiedades físicas del suelo. XIII Congreso Latino Americano de Ciéncia do Solo. Trabajo Nº
52, Comisión 1. Aguas de Lindóia, San Pablo, Brasil. 4 al 8 de agosto.
- Gallagher, J.N. and P.V.Biscoe. 1978. Radiation absorption, growth and yield of cereals. Journal Agricultural Science (Cambridge), 91:47-60.
- Ghersa, C.M., Martínez de Ghersa, M.A. 1990. Cambios ecológicos en los agrosistemas de la pampa
ondulada. Efectos de la introducción de la soja. Ecología 12(1): 182-188.
- Gifford, R.M. and J.I.L. Morison. 1993. Crop responses to the global increase in atmospheric carbon dioxide concentration. International Crop Science I. pp 325-331. Crop Science Society of America, 677
S.Segoe Rd., Madison WI 53711, USA.
- Giorgi F., C. Shields Brodeur and G.T. Bates 1994: Regional climate change scenarios over the United
States produced with a nested regional climate model. J. Climate, 7, 375-399.
- Godz, P. 1982. Proyecto de desarrollo agropecuario en la cuenca de los arroyos Tandileofú-Chelforó. Informe de la Comisión Consultiva para el Desarrollo de la Pampa Deprimida. 74 pp + anexos.
Bibliografía
- Gosse, G., Chartier, M., Lemaire, G. 1984. Mise au point d’un modèle de prévision de production pour
une culture de Luzerne. C.R. Acad. Sc. Paris, t. 298, Série III, Nº18:541-544.
- Guevara, E, Meira, S. 1995. Application of CERES-Maize model in Argentina. Second International Symposium on Systems Approaches for Agricultural Development (SAAD2). Los Baños- IRRI. Filipinas
- Hall, A.J., C.M.Rebella, C.M.Ghersa and J.Ph.Culot. 1992. Field-crop systems of the pampas, chapter
19, pp.413-450, In: Ecosystems of the world, C.J.Pearson (Ed), Elsevier.
- Hall, A.J., Vilella, F., Trapani, N. y Chimenti, C. A. 1982. The effects of wayer stress and genotype on the
dynamics of pollen-shedding and silking in maize. Field Crops Res. 5: 349-363.
- Hansen, J.I., G. Russell, D. Rind, P. Stone, A. Lascis, S. Lebedeff, R. Ruedy, and L. Travis. 1983. Efficient three-dimensional global models for climate studies: Models I and II. April. Mon. Weather Rev.
3:609-662.
- Hansen, J.I., I. Fung, A. Lascis, D. Rind, S. Lebedeff, R. Ruedy, and G. Russell. 1989. Global climate
changes as forecasted by Goddard Institute for Space Studies three-dimensional model. J. Geophys.
Res. 93:9341-9364.
- Hesketh, J.D., D.L.Myhre y C.R.Willey. 1973. Temperature control time intervals between vegetative and
reproductive events in soybans. Crop Science, 13:250-254.
- Hibler W. D. 1979: A dynamic-thermodynamic sea-ice model. J. Phys. ceanogr., 9, 815-846.
- Hoffman, J. 1989. Las variaciones climáticas ocurridas en la Argentina desde fines del siglo pasado hasta el presente. En: El deterioro del ambiente en la Argentina (Suelo-Agua-Vegetación-Fauna). Servicio
Meteorológico Nacional. Fuerza Aérea Argentina, Divulgación No 15, 15pp. A.J.Prego (de.), FECIC.
- INDEC. 1993. Anuario Estadístico de la República Argentina. H.E. Montero y M.S. Dorfman (eds.). Instituto Nacional de Estadísticas y Censos, Buenos Aires. p 36.
- INTA. 1986. Aptitud y uso actual de las tierras argentinas. Proyecto PNUD Arg 85/019.
- Intergovernmental Panel on Climate Change (IPCC). 1990. Climate Change, The IPCC Scientific Assessment, edited by J.T.Houghton, G.J.Jenkins and J.J.Ephraums, Cambridge University Press, Cambridge, U.K.
- IPCC 1990: “Climate Change”. The IPCC Scientific Assessment. WMO/UNEP. Edited by J.T. Houghton,
G.J.Jenkins and J.J. Ephraums. Cambridge University Press, 365 pp.
- Jones B., J. Murphy, and M. Noguer 1995: Simulation of climate change over Europe using a netsed regional-climate model I: Assessment of control climate, including sensitivity to location of lateral boundaries. Q.J.R. Meteorol.,Soc., 121, 1413-1449.
- Jones, C.A., Dyke, P.T., Willimas, J.R., Kiniry, J.R., Benson, V.W., Griggs, R.H. 1991. EPIC: an operational model for evaluation of agricultural sustainability. Agric. Sys: 37: 330-341.
- Karl ,T.R., G.Kukla and V.N.Razuvayeb. 1993. Global warming:Evidence for asymmetric diurnal temperature change. Geophysical Research Letters 18:2253-2256
- Koppen, W. 1931. Grundriss der klimakunde, vol. 12, Walter de Gruyter, Berlín, 338pp.
- Larson, W.E., Pierce, F.J. 1994. The dynamics of soil quality as a measure of sustainable management.
En: Defining Soil Quality for a Sustainable Environment. J.W. Doran, D.C. Coleman, D.F. Bezdicek y
B.A. Stewart (eds.). Soil Sci. Soc. Am. Special Publication 35: 37-51.
- Leggett, J., Pepper, W.J. Swart, R.J. 1992. Emissions scenarios for IPCC: an update. J.T. Houghton,
B.A. Callander, S.K. Varney (eds.). Climate change 1992 – The supplmentary report to the IPCC Scientific Assessment. Cambridge University Press.
- Ludlow, M.M. and R.C.Muchow. 1993. Crop improvement for changing climates. International Crop
Science I. pp 247-250. Crop Science Society of America, 677 S.Segoe Rd., Madison WI 53711, USA.
- Magrin, G.O. 1990. Facteurs de stress agissant sur la production du blí en Argentine. Evaluation de mËcanismes díadaptation a la secheresse. Thése Dr. Ing. Montpellier, Francia. 80 pp.
- Magrin G.O. 1994. Aplicaciones de CERES-Wheat en la región Pampeana Argentina. Memorias de la II
Reunión Nacional de Trigo y Cereales Menores (pp 29-39). Agosto 17-19, 1994. Santa Cruz de la Sierra. Bolivia.
Impacto del Cambio Global sobre la Producción Agrícola
- Magrin G.O., Díaz R., Rebella C., Del Santo C., Rodriguez R. 1991. Simulación del crecimiento y desarrollo de trigo en Argentina y la necesidad de información meteorológica de entrada. Anales del Sexto
Congreso Argentino de Meteorología (Congremet VI).pp.50. Bs. As, Argentina. Septiembre de 1991.
- Magrin, G.O., Hall A.J., Baldy Ch., Grondona M.O. 1993. Spatial and interannual variations in the photothermal quotient: implications for the potential kernel number of wheat crops in Argentina. Agricultural and Forest Meteorology. (67). 29-41.
- Magrin G.O., Travasso M.I. 1994. Evaluación de riesgos en Sistemas Agrícolas. I) Fertilización Nitrogenada en Trigo. RIA 25 (2), 23-31.
- Magrin G.O., Travasso M.I. 1997. Potencial de Producción el Cultivo de Trigo (Triticum aestivum L.) en
la Región Pampeana Argentina. En memorias de la reunión de planificación estratégica de trigo INTACIMMYT. pp 34-45.
- Magrin, G., Travasso, M. , Díaz, R. y Rodríguez, R. 1997. Vulnerability of the Agricultural Systems of Argentina to Climate Change. Regional Workshop on Vulnerability and Adaptation to Climate Change in
Latin America (Montevideo, Uruguay, April 1996). Climate Research (in press)
- Manabe, S. and R.T. Wetherald 1987. Large-Scale Changes in Soil Wetness Induced by an Increase in
Carbon Dioxide. Atmos.Sci. 44:1211-1235.
- Marelli, H. 1988. Erosión. Provincia de Córdoba. En: El Deterioro del Ambiente en la Argentina. A.J. Prego (ed.). FECIC. pp. 73-78.
- Meira, S, E. Guevara 1995. Application of SOYGRO model in Argentina. Second International Symposium on Systems Approaches for Agricultural Development (SAAD2). Los Baños- IRRI. Filipinas
- Michelena, R.O., Irurtia, C.B.., Vavruska, F.A., Mon, R., Pittaluga, A. 1989. Degradación de suelos en el
norte de la Región Pampeana. Publicación Técnica Nº 6. Proyecto de Agricultura Conservacionista.
EEA INTA Pergamino. 131 pp.
- Mitchell, J.F., Manabe, S., Tokioka, T, Meleshko, V. 1990. Equilibrium change. En: Climate change: the
IPCC Scientific Assessment. J.T. Houghton, G.J. Jenkins, J.J. Ephraums (eds.). Cambridge University
Press, New York, USA.
- Monteith, J.L. 1981. Climate variation and the growth of crops. Quarterly Journal Royal Meteorological
Society, 107:749-774.
- Moscatelli, G. N. 1991. Los suelos de la región pampeana. En: El desarrollo agropecuario pampeano,
O. Barsky (ed.). Grupo Editor Latinoamericano S.R.L., Buenos Aires, Argentina. p. 11-76.
- Moschini, R. C.; and Fortugno, C. 1996. Predicting wheat head blight incidence using models based on
meteorological factors in Pergamino, Argentina. European Journal of Plant Pathology 102:211-218.
- Moschini, R. C. y Fortugno, C. 1989. Relación entre elementos meteorológicos del mes de Agosto y la
intensidad de ataque de la roya de la hoja en trigo. IV Reunión Argentina de Agrometeorología. Actas:14-17. Marzo, 1989. Argentina.
- Nani, L.A., Beny, M.D., Moresco, R.F. 1980. Pérdidas de suelo y agua en un suelo Molisol. Efecto
cultivo y rotación. Actas de la IX Reunión de la Ciencia del Suelo, Tomo II. Paraná, Entre Ríos. pp.
817-822.
- Nature 359, 373-380.
- Noguer M. 1994: Using statistical techniques to deduce local climate distributions. An application for model validation. Met. Apps. 1, 277-287.
- Obschakto, E.S. de, Solá, F. Piñeiro, M., Bordelois, G. 1984. Transformaciones en la agricultura pampeana: algunas hipótesis interpretativas. Proyecto Alternativas de Política Agraria, Documento 3. Centro de Investigaciones Sociales sobre el Estado y la Administración. 50 pp.
- Otter, S., D.Godwin and J.T.Ritchie 1986. Testing and validating the CERES-Wheat model in diverse environments. Agristars YM-15-00407 ARS/USDA, Temple, Texas, USA.
- Oyarzábal, E., Rebella, C.M. y Frutos, E. 1980. Influencia del clima sobre la producción de maíz en el
partido de Pergamino. In: Actas II Congreso Nacional de Maíz, pp. 201-210. AIANBA, Pergamino.
- Panigatti, J.L. 1975. Genetic and induced properties of Molisols of the Northern Pampa Argentina. PhD
Thesis. Michigan State University.
Bibliografía
- Pizarro, J.B. 1997. Cambios en el uso de la tierra y en la organización social de la producción. En: ¿Argentina granero del mundo: hasta cuándo? J. Morello y O. T. Solbrig (eds.). Orientación Gráfica Editora. Buenos Aires. pp. 113-136.
- Porter, J.R., P.D.Jamieson and D.R.Wilson 1993. Comparison of the wheat simulation models AFRCWHEAT2, CERES-Wheat and SWHEAT for non limiting conditions of crop growth. Field Crops Res.
33:131-157.
- Puricelli, C.A., Krüger, H.R. 1996. Utilización de la información edáfica disponible para el sudoeste bonaerense en la agricultura sustentable. En: Suelos. Utilización de la Cartografía para el Uso Sustentable de las Tierras. G. Moscatelli, J.L. Panigatti, R.M. Di Giacomo (eds.). p. 101-114.
- Putman, J., Williams, J.R., Sawyer, D. 1988. Using the erosion-productivity impact calculator (EPIC) to
estimate the impact of soil erosion for the 1985 RCA appraisal. J. Soil and Water Cons. 55:321-326.
- Richardson, C.W., and D.A.Wright 1984. WGEN: A model for generating daily weather variables. ARS8. USDA, Washington, DC.
- Richardson, C.W., Nicks, A.D. 1990. Weather generator description. En: EPIC – Erosion/Productivity Impact Calculator. I. Model Documentation. U.S.D.A. – A.R.S. Tech Bull 1768. 93-104 pp.
- Rind D., C. Rosenzweig and R. Goldberg 1992: Modelo\ing the hydrological cycle in assessment of climate change. Nature, 358, 119-122.
- Rivero de Galetto, M.L. 1991. Evaluación de cambios físico-químicos de un suelo de la serie Pergamino producido por el uso agrícola. Carpeta de Producción Vegetal Tomo X Nº70. EEA Pergamino. 5 pp.
- Robertson, T., Benson, V.W., Williams, J.R., Jones, C.A., Kiniry, J.R. 1987. The impact of climate change on yields and erosion for selected crops in the Southern United States. En: Proc. Of the symposium
on climate change in the Southern United States: future impacts and present policy issues. Science
and Public Policy Program. p. 135-160.
- Robertson, T., Rosenzweig, C., Benson, V., Williams, J.R. 1990. Projected impacts of carbon dioxide and
climate change on agriculture in the Great Plains. En: Proc. Intl. Conf. On Dryland Farming, Challenges in Dryland Agriculture – A Global Perspective. P.W. Unger, I.V. Sneed, W.R. Jordan, R. Jensen
(eds.). Texas Agric. Exp. St. 965 pp.
- Romero, N., Rossanigo, R., Bruno, O., Rabasa, C. Vionnet, G. 1996. Ensayos de alfalfa. Testimonios
sobre elección de variedades. Agromercado Nº 3:2-7.
- Rosell, R.A., Zech, W., Haurnaier, L., Miglierina, A.M. 1995. Physicochemical properties of humus of a
semiarid pampean soil under two crop rotations. Arid Soil Res. and Rehabil. 9:279-287.
- Sadras, V.O., Hall, A.J. and Schlichter, T.M. 1985. Kernel set in the uppermost ear in maize. II. A simulation model of the effects of water stress. Maydica, 30:49-66.
- Santanatoglia, O., Rienzi, E.A., Chagas, C.I., Castiglioni, M., Wyse, T. 1996. Evolución de las pérdidas
por erosión hídrica en un lote con pendientes compuestas. XIII Congreso Latino Americano de Ciéncia do Solo. Trabajo Nº 145, Comisión 6. Aguas de Lindóia, San Pablo, Brasil. 4 al 8 de agosto.
- Scotta, E. 1995. Pérdidas por erosión hídrica. Diario Clarín, Buenos Aires.
- Schubert S., and A. Henderson-Sellers 1997: A statistical model to downscale local daily temperature
extremes from synoptic-scale atmospheric circulation patterns in the Australian region. Clim. Dyn., 13,
223-234.
- Senigagliesi, C. Ferrari, M., Ostojic, J. 1997. La degradación de los suelos en el Partido de Pergamino.
En: ¿Argentina granero del mundo: hasta cuando? J. Morello y O. T. Solbrig (eds.). Orientación Gráfica Editora. Buenos Aires. pp. 137-155.
- Solman S., M. Núñez y R. Bejarán 1996: Aproximaciones estadísticas a la deducción de información en
escala regional a partir de información a escala global determinada por los Modelos de Circulación General. Primer Informe, 60 pp.
- Spada, M. Del C. 1991. Avances en alfalfa. Ensayos Territoriales. INTA E.E.A. Manfredi. Año 1, Nº 1.
20 pp.
- Spada, M. Del C. 1992. Avances en alfalfa. Ensayos Territoriales. INTA E.E.A. Manfredi. Año 2, Nº 2.
30 pp.
Impacto del Cambio Global sobre la Producción Agrícola
- Spada, M. Del C. 1993. Avances en alfalfa. Ensayos Territoriales. INTA E.E.A. Manfredi. Año 3, Nº 3.
44 pp.
- Spada, M. Del C. 1994. Avances en alfalfa. Ensayos Territoriales. INTA E.E.A. Manfredi. Año 4, Nº 4.
72 pp.
- Subprograma Alfalfa de INTA. 1991 a 1996. Avances en alfalfa. Ensayos territoriales. Red de evaluación de cultivares de alfalfa. M.C. Spada (ed.). E.E.A. Manfredi. Años 1 a 6. Nº 1 a 6.
- Tengberg, A., Peretti, M, Weir, E. 1997. Predicción de cambios de rendimiento y costos causados por
erosión en Marcos Juárez, Córdoba. Resumen Expandido Congreso Mundial de Suelos, Montpellier,
Francia. 7 pp.
- Thomas G.and A. Henderson-Sellers 1991: An evaluation of proposed representation of sub-grid hydrologic process in climate models. J. Climate, 4, 898-910.
- Thomas, J.F. y Raper Jr., C.D. 1978. Effect of day and night temperatures during floral induction on
morphology of soybeans. Agronomy Journal, 70 (6): 893-898.
- Tinker, P.B., Ingram, J.S.I. 1994. Soils and global change – An overview. En: Soils Responses to Climate Change. M.D.A. Rounsevell y P.J. Loveland (eds.) Springer-Verlag, Berlin, Alemania. p. 3-11.
- Travasso, M.I. 1990. Evaluation des facteurs agroclimatiques limitant le rendement du blé dans le sud
de Buenos Aires. Argentine. Essai de modélisation à l’échelle régionale. Thèse Docteur en Science,
Univesité de París XI, C. d’Orsay, France, 96 pp. + Figures.
- Tsuji, G. Y., G. Uehara, and S. Balas 1994. Decision Support System for Agrotechnology Transfer (DSSAT v3.0). 1994. IBSNAT. Department of Agronomy and Soils. University of Hawaii. Honolulu, HI.
- Uhart, S. 1990. Relación entre fuente de asimilados y destinos reproductivos en maíces de diferente ciclo. M.S.Tesis. Univ.Nac.Mar del Plata. 226 pp.
- Vavruska, F., Irurtia, C.B. 1988. Cuadernos de comisión. Instituto de Suelos. INTA-CIRN. Informe
inédito.
- Vázquez, M.E., Berasategui, L.A., Chamorro, E.R., Taquini, L.A., Barberis, L.A. 1990. Evolución de la
estabilidad estructural y diferentes propiedades químicas de los suelos en tres áreas de la pradera
pampeana. Ciencia del Suelo Vol. 8(2):203-210.
- Viglizzo, E.F. 1994. El INTA frente al desafío del desarrollo agropecuario sustentable. En: Desarrollo
Agropecuario Sustentable. L Verde y E. Viglizzo (eds.). INTA-INDEC.
- Villalobos, F.J., Hall, A.J. and Richie, J.T. 1992. OILCROP-SUN: A growth and development simulation
model of the sunflower (Helianthus annuus L.) crop. Proc. 13th Internat.Sunflower Conference, Internat.Sunflower Assoc.:Pisa. pp.453-458.
- von Storch, H., E. Zorita and U. Cubasch 1993: Downscaling of climate change estimate to regional scales: Application to winter rainfall ion the Iberian Peninsula. J. Climate, 6, 1161-1171.
- Watson, R.T., Rodhe, H., Oeschger, H. and Siegenthaler, U. 1990. Greehouse gases and aerosols. In:
Houghton, J.T., Jenkins, G.J. and Ephraums, J.J.(eds.), Climate Change: The IPCC Scientific Assessment, Cambridge University Press, New York, pp.1-40.
- Wigley T. M., Jones P., Briffa K. and Smith G. 1990: Obtaining subgrid scale information from coarse resolution general circulation output. J. Geophys. Res., 95, 1943-1953.
- Wilson, C.A. and J.F.B. Mitchell. 1987. A doubled CO2 Climate Sensitivity Experiment with a Global Climate Model Including a Simple Ocean. GR, 92:D11-11/20 13, 315-343.
- Xie P. and P. A. Arkin 1996: Analyses of global monthly precipitation using gauge observations, satellite
estimates and numerical model predictions. J. Climate, 9, 840-858.
- Zorita E., J. Hughes, D. Lettermaier and H. von Sorch 1995: Stochastic characterization of regional circulation patterns for climate model diagnosis and estimation of local precipitation. J. Climate, 8, 10231042.