Envía por correo este artículo 
Aplicaciones de modelamiento matemático para la optimización de la nutrición vegetal
Resumen
El modelamiento matemático se ha consolidado como una herramienta indispensable en la optimización de la nutrición vegetal, ofreciendo una vía para la gestión agrícola más eficiente y sostenible. Esta revisión sistemática explora diversas aplicaciones de modelos matemáticos en la nutrición de cultivos, destacando su capacidad para determinar dosis óptimas de nutrientes, minimizar el impacto ambiental y mejorar la productividad agrícola. A través de estudios de caso detallados, como la utilización de los modelos expuestos en cultivos de referencia, evidenciando cómo estas herramientas permiten simulaciones precisas que informan decisiones críticas en la gestión de nutrientes.
Otros modelos, también han demostrado ser eficaces en la optimización del manejo de nutrientes en viñedos, permitiendo ajustar las dosis de potasio y magnesio para lograr un incremento del 25% en la calidad de las uvas y una mejora del 10% en el rendimiento del viñedo. Además, el uso de modelos en los Estados Unidos ha permitido evaluar el impacto de diferentes prácticas de fertilización en la lixiviación de nitratos y la productividad del maíz, ayudando a ajustar las dosis de fertilizantes para reducir el impacto ambiental y mejorar el rendimiento de los cultivos.
Los resultados de estos estudios destacan la capacidad de los modelos matemáticos para ajustar las prácticas agrícolas basándose en simulaciones precisas, resultando en una reducción significativa del uso excesivo de fertilizantes y una mejora en la gestión de recursos hídricos. Estas mejoras no solo contribuyen a la sostenibilidad ambiental, sino que también potencian la eficiencia productiva y la calidad de los cultivos.
Sin embargo, a pesar de los beneficios evidentes, existen limitaciones en la aplicación de estos modelos. Las variaciones locales en el clima, el suelo y las prácticas agrícolas pueden afectar la precisión de las simulaciones y su aplicabilidad general. Es crucial avanzar en la personalización de los modelos para diferentes contextos locales y mejorar la integración de datos en tiempo real.
Esta revisión reafirma la importancia del modelamiento matemático en la agricultura moderna, subrayando su rol en la promoción de prácticas agrícolas más responsables y productivas. Se proponen futuras líneas de investigación para superar las limitaciones actuales y maximizar los beneficios del modelamiento matemático en la optimización de la nutrición vegetal.
De esta manera proporcionamos una visión detallada y argumentada del propósito y contenido del artículo, destacando la relevancia del modelamiento matemático en la optimización de la nutrición vegetal y proponiendo direcciones para investigaciones futuras.
Palabras clave
Referencias
Benavides, J. S., López, J. N., y Váquiro, H. A. J. I. t. (2023). Modelado matemático del efecto del hidrolizado de vísceras en el desempeño productivo de trucha arcoíris (Oncorhynchus mykiss). 34(4), 45-56.
Bosi, C., PEZZOPANE, J., Brunetti, H. B., Cuadra, S. V., Santos, P. M., y HENRIQUE BAUAB BRUNETTI, E.-a. (2023). Parametrização do modelo APSIM para estimativa da produtividade do consórcio milho-braquiária cultivado para produção de silagem.
Bosi, C., Sentelhas, P. C., Huth, N. I., Pezzopane, J. R. M., Andreucci, M. P., y Santos, P. M. J. A. S. (2020). APSIM-Tropical Pasture: A model for simulating perennial tropical grass growth and its parameterisation for palisade grass (Brachiaria brizantha). 184, 102917.
Castellanos Astudillo, L. D., y Alférez Cardenas, J. S. (2023). Uso de la agricultura de precisión para el control de fitosanitario en cultivos de interés agronómico.
Castillo Fiallos, J. N. (2022). Modelo matemático para la predicción del crecimiento del Brassica oleracea var, itálica (brócoli) en el invernadero 1, de la Finca Freire del cantón Latacunga basado en redes neuronales.
Chaves, B. (2021). Modelagem da decomposição e emissão de N20 de resíduos culturais com distinta composição química e quantidade Universidade Federal de Santa Maria].
Colque Cruz, E. J., Chambi-Rodriguez, A. D., y Pampa-Quispe, N. B. J. R. d. I. A. (2023). Caracterización y modelado del crecimiento microbiano en el desarrollo de una bebida probiótica no láctea de extracto vegetal de tarwi (Lupinus mutabilis S.). 25(1), 41-48.
Da Ponte, M. (2022). Desarrollo y evaluación del modelado in-silico del metabolismo de Cannabis sp.
dos Santos, M. L., Santos, P. M., Boote, K. J., Pequeno, D. N. L., Barioni, L. G., Cuadra, S. V., y Hoogenboom, G. J. F. C. R. (2022). Applying the CROPGRO Perennial Forage Model for long-term estimates of Marandu palisadegrass production in livestock management scenarios in Brazil. 286, 108629.
Enrique García-Montesinos, L., Salvador Fernández-Reynoso, D., Rubio-Granados, E., Roberto Martínez-Menez, M., y Tijerina-Chávez, L. J. T. L. (2020). Rendimiento de maíz (Zea mays L.) en la mixteca, calculado con DSSAT. 38(4).
Fajardo, C. A. S., Jaramillo, M. A. G., Moreno, C. A. E., y Leguizamón, G. P. J. I. C. (2020). Nodos sensores inalámbricos con antenas directivas de banda simple o doble para aplicaciones en agricultura. 16(2), 1.
Figarola, L., Ghersa, F., Castro, R., y Ferraro, D. (2020). Automatización del modelo de simulación de cultivos DSSAT para evaluar el desempeño productivo bajo distintas estrategias de manejo y escenarios ambientales. XII Congreso de AgroInformática (CAI 2020)-JAIIO 49 (Modalidad virtual),
García-Montesinos, L. E., Fernández-Reynoso, D. S., Rubio-Granados, E., Martínez-Menez, M. R., y Tijerina-Chávez, L. J. T. L. (2020). Maize (Zea mays L.) yields in Southern Mexico calculated by the decision support system for agrotechnology transfer. 38(4), 859-870.
Laurito, H. F. (2024). Estimando XCO2 em cultivos de arroz e cana-de-açúcar a partir do sistema WOFOST.
Monica, P.-S., Camilo, T., y Jaime, L.-B. J. R. P. (2024). Estimación, Manejo y Control de la Contaminación No Puntual por Escorrentía Superficial Ganadera: Una Revisión de literatura. 53(1), 111-123.
Noriega-Navarrete, J. L., Salazar-Moreno, R., y López-Cruz, I. L. J. R. m. d. c. a. (2021). Revisión: modelos de crecimiento y rendimiento de maíz en escenarios de cambio climático. 12(1), 127-140.
Ovando, G. G., y Haro Juarez, R. J. (2020). Empleo de DSSAT-PNUTGRO en la región central de Argentina: evaluaciones de fechas de siembra con información histórica y escenarios de cambio climático= Use of the DSSAT-PNUTGRO in Argentina´ s central region: evaluations of sowing dates using historical data and climate change scenarios= Uso do DSSAT-PNUTGRO na região central da Argentina: avaliações de datas de semeadura com informações históricas e cenários de mudanças climáticas (2675-7222).
Pavlidis, G., y Tsihrintzis, V. A. J. A. (2022). Modeling the Ability of a Maize–Olive Agroforestry System in Nitrogen and Herbicide Pollution Reduction Using RZWQM2 and Comparison with Field Measurements. 12(10), 2579.
Pinheiro, A. G., SOUZA, L., JARDIM, A., ARAÚJO JÚNIOR, G., Alves, C. P., SOUZA, C., . . . SILVA, T. J. R. B. G. F. (2021). Importância dos modelos de simulação de culturas diante os impactos das alterações climáticas sobre a produção agrícola-Revisão. 14(6), 3648-3666.
Quasquer, N. E. T., Mendoza, F. R. I., y Sabando, K. D. C. (2023). ANÁLISIS DEL USO DE DISPOSITIVOS ELECTRÓNICOS EN SISTEMAS AUTOMATIZADOS CON FINES EDUCATIVOS EN EL ÁREA AGROPECUARIA. Actas del Congreso de Investigación, Desarrollo e Innovación,
Quintero, D., y Díaz, E. J. A. C. (2020). A comparison of two open-source crop simulation models for a potato crop. 38(3), 382-387.
Sima, M., Fang, Q., Qi, Z., y Yu, Q. J. A. J. (2020). Direct assimilation of measured soil water content in Root Zone Water Quality Model calibration for deficit‐irrigated maize. 112(2), 844-860.
Singh, P. K., Sankar, S. A. G., Agarwal, S. S. K., Singh, R. S., Singh, K. K., Gupta, A., y Kalra, N. J. B. J. o. D. (2024). Simulating impact of climate change on growth and yield of wheat crop grown in various agro-climatic zones of India by using CERES-Wheat (DSSAT v 4.6). 10(6), e70228-e70228.
Singh, S., Negm, L., Jeong, H., Cooke, R., y Bhattarai, R. J. A. W. M. (2022). Comparison of simulated nitrogen management strategies using DRAINMOD-DSSAT and RZWQM2. 266, 107597.
Smethurst, P. J., Valadares, R. V., Huth, N. I., Almeida, A. C., Elli, E. F., Neves, J. C. J. F. e., y management. (2020). Generalized model for plantation production of Eucalyptus grandis and hybrids for genotype-site-management applications. 469, 118164.
Terán-Chaves, C. A., Mojica-Rodríguez, J. E., Vega-Amante, A., y Polo-Murcia, S. M. J. W. (2023). Simulation of crop productivity for Guinea grass (megathyrsus maximus) using AquaCrop under different water regimes. 15(5), 863.
Vargas Neira, A. R. (2021). Big data analytics aplicada en la integración de datos de internet de las cosas, caso de uso: Agricultura de precisión Machala: Universidad Técnica de Machala].
Vega-Ronquillo, M. J. R. I. A. (2021). Simulación del área foliar en papa (Solanum tuberosum L.) con los modelos SUBSTOR-Potato y VEGA-Potato. 3(2), 9-14.
Wang, S., Luo, M., Liu, T., Li, Y., Ding, J., Yang, R., . . . Zhang, H. J. A. (2023). Optimization of Nitrogen Fertilizer Management in the Yellow River Irrigation Area Based on the Root Zone Water Quality Model. 13(6), 1628.
Zhou, S., Hu, X., Ran, H., Wang, W., Hansen, N., y Cui, N. J. A. W. M. (2020). Optimization of irrigation and nitrogen fertilizer management for spring maize in northwestern China using RZWQM2. 240, 106276.
DOI: https://doi.org/10.23857/pc.v9i9.7980
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Polo del Conocimiento
Revista Científico-Académica Multidisciplinaria
ISSN: 2550-682X
Casa Editora del Polo
Manta - Ecuador
Dirección: Ciudadela El Palmar, II Etapa, Manta - Manabí - Ecuador.
Código Postal: 130801
Teléfonos: 056051775/0991871420
Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com
URL: https://www.polodelconocimiento.com/
