Resumen de Modelización y control medioambiental de regadíos modernizados por aspersión en el valle medio del ebro (españa)

Wafa Malik

• En los sistemas agrícolas intensivos, el manejo de riego y la fertilización nitrogenada son los dos factores más importantes que influyen en la producción del cultivo, la percolación profunda y las pérdidas de nitrógeno (N). Los modelos de simulación son una herramienta útil para complementar los ensayos de campo al evaluar una situación actual e identificar las mejores estrategias de manejo, no solo a nivel de parcela sino también a nivel de cuenca (Rinaldi et al., 2007). En esta tesis, se realizó una contribución para reducir la contaminación difusa por N en un sistema de regadío intensivo representativo del Valle del Ebro (España). El objetivo principal es desarrollar estrategias para el control de la contaminación difusa por N a (1) nivel de parcela mediante el modelo DSSAT (Sistema de Apoyo a la Toma de Decisiones para Transferencia de Tecnología Agrícola) (Hoogenboom et al., 2015) en la zona regable de la Violada (VID; noreste de España) y (2) a nivel de cuenca utilizando el modelo SWAT (Herramienta para la Evaluación de Suelo y Agua) (Arnold et al., 2012) en el área de drenaje de la VID.

  Uno de los principales cultivos en la VID es la alfalfa, que no estaba incluido en el modelo DSSAT. Por lo tanto, en el Capítulo II se ha adaptado el módulo de forraje (CROPGRO-PFM) del modelo DSSAT para simular el crecimiento y el rendimiento de la alfalfa. Se utilizaron datos de seis ensayos bajo riego por aspersión en la VID (58 cortes de alfalfa en total). Comenzando con parámetros de Bracharia brizantha (Pequeno et al., 2014), la adaptación del modelo se basó en datos y relaciones procedentes de la literatura para las temperaturas cardinales y la repartición de la biomasa seca (Thiébeau et al., 2011; Teixeira et al., 2009). Además, se utilizó un optimizador Bayesiano (Casella and George, 1992; Chib and Greenberg, 1995) para optimizar los efectos de la temperatura en la fotosíntesis y los efectos del fotoperiodo en la repartición de la biomasa seca y se empleó una técnica de modelización inversa para la tasa de fijación del nitrógeno y del crecimiento de los nódulos. Asimismo, la calibración de la composición del material vegetal de alfalfa se inició a partir de la soja (Rodney et al., 1991; Milić et al., 2011; Stavarache et al., 2015) debido a su analogía, pero se mejoró con datos de la literatura del cultivo de alfalfa. La evaluación del modelo fue satisfactoria en términos de la Raíz del Error Cuadrático Medio (RMSE) y el d-estadístico para la biomasa cosechada con valores de 760 kg ha-1 y 0,75, respectivamente. Además, se observó un buen ajuste del Índice de Área Foliar (LAI), con un d-estadístico de 0,71. Asimismo, la biomasa radicular simulada estaba dentro del rango de valores de la literatura (Teixeira et al., 2007; Meuriot et al., 2004). En conclusión, el cultivo de alfalfa se ha incluido en la última versión disponible del modelo DSSAT (v4.7) (Hoogenboom et al., 2017).

  Esta última versión del modelo DSSAT (Hoogenboom et al., 2017) se utilizó para calibrar y validar el resto de los principales cultivos en la VID: maíz-LS (maíz de ciclo largo), maíz-SS (maíz de ciclo corto), girasol, trigo y cebada. Posteriormente, se realizó una evaluación de los escenarios de prácticas actuales de riego para cada cultivo y para cada tipo de suelo de la VID (Capítulo III). Se ha utilizado información de 54 ensayos realizados en las parcelas de los agricultores de la VID para la calibración y evaluación del modelo durante dos temporadas de cultivo (2015 y 2016). Se evaluaron dos escenarios de riego en ocho tipos de suelo descritos por Jiménez-Aguirre et al. (2018) para ambas temporadas (considerando las prácticas de riego actual y las dosis de riego ajustadas a las necesidades del cultivo y propiedades del suelo). Tanto en la fase de calibración como en la de validación, el modelo DSSAT demostró un buen ajuste para todos los cultivos considerados. La evaluación del sistema de riego actual mostró que los agricultores no manejan adecuadamente sus sistemas de riego. El manejo de riego ajustado mostró una reducción potencial de la dosis de riego estacional para el maíz-SS (27%), maíz-LS (18%) y girasol (16%). En un contexto más amplio, las prácticas de riego ajustado podrían reducir la cantidad de N lixiviado y las pérdidas por percolación profunda en un 31% (4,48 T N) y un 34% (1,2 hm3), respectivamente, al considerar el área ocupada por cada cultivo en cada tipo de suelo de la VID. Sin embargo, se supone que el riego ajustado por sí solo no podría reducir potencialmente el N lixiviado y el N residual en el suelo bajo un sistema de riego intensivo.

  El Capítulo IV tenía como objetivo evaluar la fertilización nitrogenada actual y la recomendada (MARM, 2011) y el manejo combinado de riego ajustado y fertilización recomendada (BMPs combinadas) usando el mismo modelo DSSAT ya calibrado y validado para los mismos cultivos considerados. Al comparar la fertilización actual, los resultados de las simulaciones mostraron que el manejo óptimo de la fertilización nitrogenada podría reducir la lixiviación de NO3−N por debajo de la zona radicular en un 49% y el NO3−N residual en el suelo en un 53% para toda el área cultivada de la VID. Bajo el escenario de BMPs combinadas, estas reducciones podrían mejorarse aún más en un 32% y un 4%, respectivamente. Por otro lado, el modelo identificó correctamente los suelos más propensos para la lixiviación de NO3−N (suelos poco profundos y/o muy permeables) y los cultivos más contaminantes (maíz de ambos ciclos y girasol) debido a la fertilización excesiva aplicada por los agricultores locales que supera las necesidades del cultivo en más del 50% en el caso de maíz-LS. Sólo para este cultivo, el modelo mostró que el manejo de la fertilización nitrogenada recomendada podría reducir las pérdidas de NO3−N en un 49,4% de las pérdidas totales de NO3−N estimadas bajo la fertilización actual en toda el área de la VID mientras se conserva o incrementa el rendimiento de los cultivos, mientras que esta reducción aumentó en un 32,7% bajo el escenario de manejo combinado. Además, el escenario de BMPs combinadas podrían reducir las emisiones de N2O−N en un 57%. Estos resultados apoyan el potencial del modelo DSSAT para incentivar a los agricultores a ajustar las aplicaciones de N y las prácticas de riego a las necesidades del cultivo y las propiedades del suelo conservando una producción óptima y contribuyendo a la sostenibilidad medioambiental. Sin embargo, esta modelización no permite predecir y cuantificar el impacto de estos manejos sobre la masa receptora de todos los retornos de riego de la zona regable de la Violada.

  Por ello, los objetivos del Capítulo V fueron calibrar y validar la versión modificada del modelo SWAT (Dechmi et al., 2018) en la cuenca de la Violada (VW) y evaluar el impacto de las Buenas Prácticas de Manejo (BMPs) ya testadas a nivel de parcela mediante el modelo DSSAT (Malik and Dechmi, 2019) sobre la calidad de los retornos de riego (IRF). El caudal y la concentración de NO3 en el desagüe en el punto de salida de la VW se midieron diariamente desde octubre de 2015 hasta septiembre de 2017 para la evaluación del modelo. Además, se realizaron en total 148 encuestas a agricultores de la zona durante el periodo de estudio para establecer las prácticas agrícolas actuales. En cuanto al riego, los datos fueron facilitados por la comunidad de regantes de Almudévar (Huesca). La herramienta SWAT-CUP (Abbaspour et al., 2017) se utilizó para el análisis de sensibilidad, la calibración (año hidrológico 2016) y la validación (año hidrológico 2017) de ambas variables medidas. Se compararon los resultados de tres escenarios de manejo con los obtenidos bajo las condiciones actuales (baseline): (i) fertilización nitrogenada recomendada, (ii) riego óptimo y; (iii) escenario de BMPs combinadas. Los resultados de la calibración y la validación de los principales cultivos demostraron que el rendimiento promedio anual de los cultivos y las estimaciones de evapotranspiración fueron satisfactorios. El modelo simuló más adecuadamente el caudal a escala mensual con una eficiencia de Nash-Sutcliffe (NSE) de 0.86 (calibración) y 0.65 (validación). Del mismo modo, las cargas de NO3−N en el desagüe de VW también se estimaron satisfactoriamente con una eficiencia (NSE) de 0.84 y 0.40 para la calibración y validación, respectivamente. Estos resultados estaban dentro del rango de valores de la literatura para la simulación del caudal (Dakhlalla and Parajuli, 2019; Sorando et al., 2019) y las cargas de NO3−N (Chaplot et al., 2005; Grizzetti et al., 2003; Parajuli, 2007; Saleh et al., 2004; Santhi et al., 2002). El escenario de BMPs combinadas fue más eficiente en cuanto a la reducción de las cargas de NO3−N (51%) que los escenarios individuales de la fertilización nitrogenada recomendada (36%) y el riego óptimo (12%), mientras en los 3 escenarios se conserva o incrementa el rendimiento de los cultivos respecto al escenario baseline. La leve reducción de los IRF y el NO3−N residual en el suelo bajo los escenarios de riego óptimo y BMPs combinadas (2% y 4%, respectivamente), podría explicarse por el proceso de compensación entre el riego deficitario de algunos cultivos y excesivo de otros cultivos en la cuenca. De hecho, la dosis de riego óptima resultó mayor que el riego aplicado para los cultivos con riego deficitario (cereales de invierno) y menor para los cultivos con riego en exceso (especialmente maíz). Sin embargo, cuando se aplicó el escenario “riego óptimo” solamente para el cultivo de maíz, la reducción de los IRF fue del 6%.

  Referencias: 1. Abbaspour, K. C., Vaghefi, S. A., Srinivasan, R., 2017. A Guideline for Successful Calibration and Uncertainty Analysis for Soil and Water Assessment: A Review of Papers from the 2016 International SWAT Conference. Water, 10, 6; doi:10.3390/w10010006 2. Arnold, J. G., Kiniry, J. R., Srinivasan, R., Williams, J. R., Haney, E. B., Neitsch, S. L., 2012. Soil and water assessment tool input/output documentation: version 2012. Texas Water Resources Institute, 7.

  3. Casella, G., and E.I. George. 1992. Explaining the Gibbs Sampler. The American Statistician 46:167–174.

  4. Chaplot, V., Saleh, A., Jaynes, D.B., 2005. Effect of the accuracy of spatial rainfall information on the modeling of water, sediment, and NO3-N loads at the watershed level. J. Hydrol. 312, 223–234. https://doi.org/10.1016/j.jhydrol.2005.02.019.

  5. Chib, S., and E. Greenberg. 1995. Understanding the Metropolis–Hastings algorithm. The American Statistician 49:327–335.

  6. Dakhlalla, O.A., Parajuli P.B., 2019. Assessing model parameters sensitivity and uncertainty of streamflow, sediment, and nutrient transport using SWAT. Information Processing In Agriculture. 6, 61–72.

  7. Dechmi F., Skhiri A., Burguete J., Isidoro D., 2018. SWAT2012 model evaluation in semi-arid irrigated watershed. 2018 International SWAT Conference, 19–21 September 2018, Brussels, Belgium.

  8. Grizzetti, B., Bouraoui, F., Granlund, K., Rekolainen, S., Bidoglio, G., 2003. Modelling diffuse emission and retention of nutrients in the Vantaanjoki watershed (Finland) using the SWAT model. Ecol. Model. 169, 25–38. doi.org/10.1016/S0304-3800(03)00198-4.

  9. Hoogenboom, G., C.H. Porter, V. Shelia, K.J. Boote, U. Singh, J.W. White, L.A. Hunt, R. Ogoshi, J.I. Lizaso, J. Koo, S. Asseng, A. Singels, L.P. Moreno, and J.W. Jones. 2015. Decision Support System for Agrotechnology Transfer (DSSAT) Version 4.6 (https://DSSAT.net). DSSAT Foundation, Gainesville, Florida, USA.

  10. Hoogenboom, G., Porter, C.H. Shelia, V. Boote, K.J. Singh, U. White, J.W. Hunt, L.A. Ogoshi, R. Lizaso, J.I. Koo, J. Asseng, S. Singels, A. Moreno, L.P., Jones, J.W, 2017. Decision Support System for Agrotechnology Transfer (DSSAT) Version 4.7 (https://DSSAT.net). DSSAT Foundation, Gainesville, Florida, USA.

  11. Jiménez-Aguirre, M.T., Isidoro, D., Usón, A., 2018. Soil variability in La Violada Irrigation District (Spain): I Delineating soil units for irrigation. Geoderma 311, 78-90.

  12. Malik, W. and Dechmi, F., 2019. DSSAT modelling for best irrigation management practices assessment under Mediterranean conditions. Agricultural Water Management. 216, 27–43.

  13. MARM – Ministerio De Medio Ambiente y Medio Rural y Marino, 2011. Guía práctica de la fertilización racional de los cultivos en España.

  14. Meuriot, F., J.C. Avice, J.C. Simon, P. Laine, M.L. Decau, and A. Ourry. 2004. Influence of initial N reserves and residual leaf area on growth, N uptake, N partitioning and N storage in alfalfa (Medicago sativa) during post-cutting regrowth. Annals of Botany 94:311–321. doi:10.1093/aob/mch144 15. Milić, D., D. Karagić, S. Vasiljević, A. Mikić, B. Mijić, and S. Katić. 2011. Leaf and stem chemical composition of divergent alfalfa cultivars. Biotechnology in Animal Husbandry 27:1505–1511. DOI: 10.2298/BAH1104505M 16. Parajuli, P.B., SWAT bacteria sub-model evaluation and application PhD thesis. Manhattan, KS: Department of Biological and Agricultural Engineering, Kansas state University; 2007.

  17. Pequeno, D.N.L., C.G.S. Pedreira, and K.J. Boote. 2014. Simulating forage production of Marandu palisade grass (Brachiaria brizantha) with the CROPGRO-Perennial Forage Model. Crop and Pasture Science 65:1335–1348.

  18. Rinaldi, M., Ventrella, D., Gagliano, C., 2007. Comparison of nitrogen and irrigation strategies in tomato using CROPGRO model. A case study from Southern Italy. Agricultural Water Management. 87, 91–105.

  19. Rodney, W. H., and K. A. Albrecht.1991. Prediction of alfalfa chemical composition from maturity and plant morphology. Crop Sci. 31:1561–15.

  20. Saleh, A., Du B., 2004. Evaluation of SWAT and HSPF within basins program for the Upper North Bosque River Watershed in Central Texas. Trans ASAE. 47, 039–49 21. Santhi, C., Arnold, J.G.,Williams, J.R., Dugas,W.a., Srinivasan, R., Hauck, L.M., 2002. Validation of the SWAT model on a large river basin with point and nonpoint sources. J. Am. Water Resour. Assoc. 37), 1169–1188.

  22. Sorando, R., Comín, F.A., Jiménez, J.J., Sánchez-Pérez, J.M., Sauvage, S., 2019. Water resources and nitrate discharges in relation to agricultural land uses in an intensively irrigated watershed. Science of the Total Environment. 659, 1293–1306.

  23. Stavarache, M., C. Samuil, C. I. Popovici, D. Tarcau, and V. Vintu. 2015. The productivity and quality of alfalfa (Medicago sativa L.) in Romanian Forest Steppe. Not Bot Horti Agrobo. 43:179–185. DOI:10.15835/nbha4319939 24. Teixeira, E.I., D.J. Moot, and M.V. Mickelbart. 2007. Seasonal patterns of root C and N reserves of lucerne crops (Medicago sativa L.) grown in a temperate climate were affected by defoliation regime. European Journal of Agronomy 26: 10–20.

  25. Teixeira, E.I., J.M. Derrick, and H.E. Brown. 2009. Modelling seasonality of dry matter partitioning and root maintenance respiration in lucerne (Medicago sativa L.). Crop Pasture Sci. 60:778–784.

  26. Thiébeau, P., N. Beaudoin, E. Justes, J.M. Allirand and G. Lemaire. 2011. Radiation use efficiency and shoot:root dry matter partitioning in seedling growths and regrowth crops of lucerne (Medicago sativa L.) after spring and autumn sowings. European Journal of Agronomy 35: 255–268.