Análisis de métodos estadísticos para evaluar el desempeño de modelos de simulación en cultivos hortícolas

Freddy Soto-Bravo; María Isabel González-Lutz

doi:10.15517/am.v30i2.33839

Autores/as

Freddy Soto-Bravo Universidad de Costa Rica https://orcid.org/0000-0003-1959-9597
María Isabel González-Lutz Universidad de Costa Rica.

DOI:

https://doi.org/10.15517/am.v30i2.33839

Palabras clave:

evaluación estadística, modelización de los cultivos, regresión lineal, análisis de diferencias

Resumen

Introducción. Todo modelo de simulación debe ser calibrado y validado, de lo contrario las conclusiones pueden ser especulativas y erróneas. Los métodos para evaluar modelos de simulación habitualmente se aplican “por costumbre”, evitando entrar en detalles metodológicos básicos, lo cual ha sido causa de que se utilice terminología y simbología que conllevan a la confusión. Objetivo. El objetivo del presente estudio fue analizar los diferentes métodos estadísticos utilizados para evaluar el desempeño de modelos de simulación en agricultura, y así proponer el método más apropiado desde el punto de vista práctico. Materiales y métodos. Se analizaron métodos estadísticos basados en el análisis de diferencias y en el análisis de regresión, entre valores medidos y simulados. El análisis de diferencias, incluyó la raíz cuadrada del error medio estándar (RMSE), el error medio absoluto (EMA), el error relativo (ER), el índice de ajuste (d), el sesgo medio del error (MBE) y la eficiencia del modelo (E). En el análisis de regresión se analizó el intercepto, los coeficientes de regresión lineal (b) y de determinación (R2), y los límites de confianza de la estimación. Resultados. El ER, el d y la E, son medidas cuyo objetivo es más la comparación entre diferentes modelos que la evaluación del desempeño de un modelo como tal. La raíz cuadrada del error medio usualmente utilizada para evaluar diferencias entre valores observados y simulados, es diferente al RMSE de una regresión. En los diferentes casos ilustrados con el modelo “Eurotate_N”, demostraron la correcta aplicación práctica del análisis de regresión como herramienta estadística para evaluar su capacidad para simular rendimiento de fruto, humedad volumétrica del suelo, evapotranspiración y materia seca del cultivo de tomate bajo invernadero. Conclusión. El método estadístico propuesto más apropiado para evaluar un modelo de simulación en tomate fue el análisis de regresión.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Cannavo, P.R., S. Parnaudeau, and V. Reau. 2008. Modeling N dynamics to assess enviromental impacts of cropped soils. Adv. Agron. 97:131-174. doi:10.1016/S0065-2113(07)00004-1

Doltra, J., and P. Muñoz. 2010. Simulation of nitrogen leaching from a fertigated crop rotation in a Mediterranean climate using the EU-Rotate_N and Hydrus-2D models. Agric. Water Manag. 97:277-285. doi:10.1016/j.agwat.2009.09.019

Draper, N., and H. Smith. 1998. Applied regression analysis. 3rd ed. Wiley Interscience, NY, USA.

Fernández, M., F. Orgaz, E. Fereres, J.C. López, A. Céspedes, J. Pérez, S. Bonachela, y M. Gallardo. 2001. Programación del riego de cultivos hortícolas bajo invernadero en el sudeste español. Caja Rural, Almería, ESP.

Flavelle, P. 1992. A quantitative measure of model validation and its potential use for regulatory purpose. Adv. Water Resour. 15:5-13. doi:10.1016/0309-1708(92)90028-Z

Fox, D.G. 1981. Judging air quality model performance: A summary of the AMS workshop on dispersion model performance. Bull. Am. Meteorol. Soc. 62:599-609.

Galloway, J., F. Dentener, D. Capone, E. Boyer, R. Howarth, S. Seitzinger, G. Asner, C. Cleveland, P. Green, E. Holland, D. Karl, F. Michaels, J. Porter, A. Townsend, and C. Voromarty. 2004. The global nitrogen cycle: Past, present and future. Biogeochemistry 70:153-226. doi:10.1007/s10533-004-0370-0

Guo, R., C. Nendel, C. Rahn, C. Jiang, and Q. Chen. 2010. Tracking nitrogen losses in a greenhouse crop rotation experiment in North China using the EU-Rotate_N simulation model. Environ. Pollut. 158:2218-2229. doi:10.1016/j.envpol.2010.02.014

Mayer, D.G., M.A. Stuart, and A.J. Swain. 1994. Regression of real word data on model output: an appropiate overall test of validity. Agric. Syst. 45:93-104. doi:10.1016/S0308-521X(94)90282-8

Meinke, H., P. Struik, J. Vos, and W. Van-der-Werf. 2008. Modelling that bridges scales and connects disciplines. In: H. Van-Keulen et al., editors, 40 years theory and model at Wageningen UR. Wageningen University, and Research Centre, Wageningen, NED. p. 37.

Mendenhall, W., R. Scheaffer, y D. Wackerly. 1986. Estadística matemática con aplicaciones. 2a ed. Grupo Editorial

Iberoamérica, Andalucía, ESP.

Nash, J.E., and J.V Sutcliffe. 1970. River Flow forecasting through conceptual models. Part I-A discussion of principles. J. Hydrol. 10:282-290. doi:10.1016/0022-1694(70)90255-6

Rahn, C.R., K. Zhang, R. Lillywhite, C. Ramos, J. Doltra, J.M. de-Paz, H. Riley, M. Fink, C. Nendel, K. Thorup-Kristensen, A. Pedersen, F. Piro, A. Venezia, C. Firth, U. Schmutz, F. Rayns, and K. Strohmeyer. 2010. Eu-Rotate_N - a decision support system - to predict environmental and economic consequences of the management of nitrogen fertiliser in crop rotations. Europ. J. Hort. Sci. 75(1):20-32.

Reckhow, K.H., J.T. Clements, and R.C. Dodds. 1990. Statistical evaluation of mechanistic water-quality models. J. Environ. Eng. 116:250-268. doi:10.1061/(ASCE)0733-9372(1990)116:2(250)

Soto, F., M. Gallardo, C. Giménez, T. Peña-Fleitas, and R.B. Thompson. 2014. Simulation of tomato growth, water and N dynamics using the EU-Rotate_N model in Mediterranean greenhouses with drip irrigation and fertigation. Agric. Water Manag. 132:46-59. doi:10.1016/j.agwat.2013.10.002

Stockle, C.O., J. Kjelgaard, and G. Bellocchi. 2004. Evaluation of estimated weather data for calculating Penman-Monteith reference crop evapotranspiration. Irrig. Sci. 23:39-46. doi:10.1007/s00271-004-0091-0

Sun, Y., K. Hu, K. Zhang, L. Jiang, and Y. Xu. 2012. Simulation of nitrogen fate for greenhouse cucumber grown under different water and fertilizer management usingthe EU-Rotate N model. Agric. Water Manag. 112:21-32. doi:10.1016/j.agwat.2012.06.001

Thornley, J.H., and I.M. Johnson. 2000. Plant and crop modelling: A mathematical approach to plant and crop physiology. The Blackburn Press, NJ, USA.

Tilman, D., K.G. Cassman, P.A. Matson, R. Naylor, and S. Polasky. 2002. Agricultural sustainability and intensive production practices. Nature 418:671-677. doi:10.1038/nature01014

Willmott, C.J. 1982. Some comments on the evaluation of model performance. Bull. Am. Meteorol. Soc. 63:1309-1313. doi:10.1175/1520-0477(1982)063<1309:SCOTEO>2.0.CO;2

Yang, J., D.J. Greenwood, D.L. Rowell, G.A. Wadsworth, and I.G. Burns. 2000. Statistical methods for evaluating a crop nitrogen simulation model, N_ABLE. Agric. Syst. 64:37-53. doi:10.1016/S0308-521X(00)00010-X

Yang, J.M., J.Y. Yang, S. Liu, and G. Hoogenboom. 2014. An evaluation of the statistical methods for testing the performance of crop models with observed data. Agric. Syst. 127:81-89. doi:10.1016/j.agsy.2014.01.008