Análisis de métodos estadísticos para evaluar el desempeño de modelos de simulación en cultivos hortícolas
DOI:
https://doi.org/10.15517/am.v30i2.33839Palabras clave:
evaluación estadística, modelación de los cultivos, regresión lineal, análisis de diferenciasResumen
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
Referencias
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 DOI: https://doi.org/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 DOI: https://doi.org/10.1016/j.agwat.2009.09.019
Draper, N., and H. Smith. 1998. Applied regression analysis. 3rd ed. Wiley Interscience, NY, USA. DOI: https://doi.org/10.1002/9781118625590
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 DOI: https://doi.org/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. DOI: https://doi.org/10.1175/1520-0477(1981)062<0599:JAQMP>2.0.CO;2
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 DOI: https://doi.org/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 DOI: https://doi.org/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 DOI: https://doi.org/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 DOI: https://doi.org/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. DOI: https://doi.org/10.1079/ejhs.2010/1301233
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) DOI: https://doi.org/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 DOI: https://doi.org/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 DOI: https://doi.org/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 DOI: https://doi.org/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 DOI: https://doi.org/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 DOI: https://doi.org/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 DOI: https://doi.org/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 DOI: https://doi.org/10.1016/j.agsy.2014.01.008
Archivos adicionales
Publicado
Número
Sección
Licencia
Derechos de autor 2019 Freddy Soto-Bravo, María Isabel González-Lutz (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cómo citar
