Innovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivo

Se propuso una metodología innovadora para la programación de labores de riego. Esta metodología está construída tomando como bases pronósticos del tiempo y el modelo de cultivo AquaCropOS. La metodología toma variables pronosticadas, como la precipitación, temperatura y evapotranspiración, para usa...

Full description

Autores:
Quintero Puentes, Diego Andrés
Tipo de recurso:
Fecha de publicación:
2019
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/77966
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/77966
Palabra clave:
630 - Agricultura y tecnologías relacionadas
378 - Educación superior (Educación terciaria)
388 - Transporte
694 - Construcción en madera
690 - Construcción de edificios
irrigation schedule
crop modeling
weather forecast
aquacrop
wrf model
gfs model
climate-smart
numerical weather prediction models
riego
modelacion de cultivos
pronosticos meteorológicos
aquacrop
modelo wrf
modelo gfs
climáticamente ingeligente
modelación numérica del tiempo
Rights
License
CC0 1.0 Universal
id UNACIONAL2_8a54640308222a7d3e1a7b9c1550ff16
oai_identifier_str oai:repositorio.unal.edu.co:unal/77966
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Innovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivo
dc.title.alternative.spa.fl_str_mv A novel technique for irrigation scheduling based on weather forecasts and crop modeling
title Innovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivo
spellingShingle Innovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivo
630 - Agricultura y tecnologías relacionadas
378 - Educación superior (Educación terciaria)
388 - Transporte
694 - Construcción en madera
690 - Construcción de edificios
irrigation schedule
crop modeling
weather forecast
aquacrop
wrf model
gfs model
climate-smart
numerical weather prediction models
riego
modelacion de cultivos
pronosticos meteorológicos
aquacrop
modelo wrf
modelo gfs
climáticamente ingeligente
modelación numérica del tiempo
title_short Innovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivo
title_full Innovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivo
title_fullStr Innovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivo
title_full_unstemmed Innovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivo
title_sort Innovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivo
dc.creator.fl_str_mv Quintero Puentes, Diego Andrés
dc.contributor.advisor.spa.fl_str_mv Díaz Almanza, Eliécer David
Ruíz Murcia, José Franklyn
dc.contributor.author.spa.fl_str_mv Quintero Puentes, Diego Andrés
dc.subject.ddc.spa.fl_str_mv 630 - Agricultura y tecnologías relacionadas
378 - Educación superior (Educación terciaria)
388 - Transporte
694 - Construcción en madera
690 - Construcción de edificios
topic 630 - Agricultura y tecnologías relacionadas
378 - Educación superior (Educación terciaria)
388 - Transporte
694 - Construcción en madera
690 - Construcción de edificios
irrigation schedule
crop modeling
weather forecast
aquacrop
wrf model
gfs model
climate-smart
numerical weather prediction models
riego
modelacion de cultivos
pronosticos meteorológicos
aquacrop
modelo wrf
modelo gfs
climáticamente ingeligente
modelación numérica del tiempo
dc.subject.proposal.eng.fl_str_mv irrigation schedule
crop modeling
weather forecast
aquacrop
wrf model
gfs model
climate-smart
numerical weather prediction models
dc.subject.proposal.spa.fl_str_mv riego
modelacion de cultivos
pronosticos meteorológicos
aquacrop
modelo wrf
modelo gfs
climáticamente ingeligente
modelación numérica del tiempo
description Se propuso una metodología innovadora para la programación de labores de riego. Esta metodología está construída tomando como bases pronósticos del tiempo y el modelo de cultivo AquaCropOS. La metodología toma variables pronosticadas, como la precipitación, temperatura y evapotranspiración, para usarlas como entrada del modelo de cultivo. La metodología realiza muchas simulaciones del cultivo tomando diferentes combinaciones de lámina aplicada - día de aplicación, para cada una de estas simulaciones se calcula el costo de la aplicación de riego y el incremento en el rendimiento. El concepto de incremento en el beneficio neto virtual fue tomado de Fujimaki et al. (2015) para evaluar la aplicación de riego óptima. Para verificar la metodología se usaron dos diferentes fuentes de pronóstico. Un pronóstico determinístico fue tomado del modelo regional para Colombia del IDEAM, por otro lado, un pronóstico estocástico fue generado por medio de un proceso de downscaling dinámico utilizando los modelos Global Ensemble Forecasting System (GEFS) y Weather Research and Forecasting (WRF). El modelo estocástico pronosticó mejor la precipitación, mientras que el determinístico lo hizo mejor con la temperatura y la evapotranspiración. Se ejecutaron una serie de experimentos numéricos, en cada uno de estos se simuló un ciclo de cultivo, utilizando la metodología propuesta para programar los riegos utilizando como entrada los pronósticos estocásticos y determinísticos. Los experimentos se hicieron para un cultivo de papa y quinoa, utilizando las condiciones ambientales de la estación meteorológica Tibatatá, ubicada en el municipio de Mosquera, en la sabana de Bogotá. Para cada uno de los experimentos se tuvo un control, donde la programación de riego se hacía con una técnica tradicional. Se encontró que al utilizar la metodología con los pronósticos estocásticos se incrementa el beneficio final, mientras que al usar los pronósticos determinísticos no hubo diferencia con respecto al método tradicional, incluso disminuyendo el beneficio en algunos casos.
publishDate 2019
dc.date.issued.spa.fl_str_mv 2019-10-01
dc.date.accessioned.spa.fl_str_mv 2020-08-06T17:51:47Z
dc.date.available.spa.fl_str_mv 2020-08-06T17:51:47Z
dc.type.spa.fl_str_mv Documento de trabajo
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_8042
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/workingPaper
dc.identifier.uri.none.fl_str_mv https://repositorio.unal.edu.co/handle/unal/77966
url https://repositorio.unal.edu.co/handle/unal/77966
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Arevalo Uribe, D. (2012). Una mirada a la agricultura de Colombia desde su Huella Hídrica. Reporte técnico, WWF, Bogotá D.C, Colombia.
Bates, B., Kundzewicz, Z., Wu, S., y Palutikof, J. (2008). Climate Change and Water. Intergovernmental Panel on Climate Change, Geneva, Switzerland.
Chapagain, A. y Hoekstra, A. (2007). Water footprints of nations : Water use by people as a function of their consumption pattern. Water Resour Manage, 21:35–48.
DANE (2016). 3er Censo Nacional Agropecuario: Hay campo para todos. Bogotá D.C, Colombia.
Das, H., Doblas, F., García, A., Hansen, J., Mariani, L., Singh, A., Ramesh, K., Rathore, L., y Venkatamaran, S. (2010). Weather and Climate Forecast for Agriculture. En Guide to Agricultural Meteorological Practices, capítulo 5, páginas 157–206. World Meteorological Organization, Geneva, Switzerland.
DPN-BID (2014). Impactos Económicos Del Cambio Climático En Colombia. 1:7.
Evans, T. (1996). The effects of changes in the world hydrological cycle on availability of water resources. En Global Climate Change and Agriculture Productions, páginas 15–48. FAO, Roma, Italia.
IDEAM (2014). Estudio Nacional del Agua 2014. Bogotá D.C, Colombia.
IGAC (2017). Producción agropecuaria en los grandes Distritos de riego de Colombia ha sido improvisada: IGAC.
IWT (2004). Challenges of the new water policies for the XXI century. A.A.Balkema, Valencia, España.
Levidow, L., Zaccaria, D., Maia, R., Vivas, E., Todorovic, M., y Scardigno, A. (2014). Improving water-efficient irrigation: Prospects and difficulties of innovative practices. Agricultural Water Management, 146:84–94.
Lozano, I. y Restrepo, J. C. (2016). El papel de la infraestructura rural en el desarrollo agrícola en Colombia. COYUNTURA ECONÓMICA: INVESTIGACIÓN ECONÓMICA Y SOCIAL, 46:107–148
Martín de Santa Ollala, F., Fabeiro, C., Brasa, A., y Legorburo, A. (1999). Irrigation and Drainage - Irrigation Scheduling Techniques. En CIGR Handbook of Agricultural Engineering, capítulo 5.3., páginas 284–294. American Society of Agricultural Engineers, St Jospeh MI, USA.
Meybeck, A. y Gitz, V. (2013). Why on climate-smart agriculture, forestry and fisheries. En Climate-Smart Agriculture, capítulo 1, páginas 1–30. Food and Agriculture Organization of the United Nations.
Stigter, K., Baier, W., Barrie, I., Brunini, O., Dommermuth, H., Gat, Z., Gommes, R., Keane, T., Ah Kee, C., Lomas, J., Milford, J., Ravelo, A., Rijks, D., Samui, R. P., Walker, S., Wang, S., y Weiss, A. (2012). General. En Guide to Agricultural Meteorological Practices, capítulo 1, páginas 27–53. World Meteorological Organization, Geneva, Switzerland.
Turral, H., Burke, J., Faures, J. M., y Faures, J. M. (2011). Climate change, water and food security. Food and Agriculture Organization of the United Nations., Roma, Italia.
Adams, J. E., Arkin, G. F., y Ritchie, J. T. (1976). Influence of Row Spacing and Straw Mulch on First Stage Drying. Soil Science Society of America Journal, 40(3):436–443.
Allen, R., Pereira, L., Raes, D., y Smith, M. (2006). Evapotranspiración del Cultivo. FAO, Roma, 1 edición.
Alqudah, A. M., Samarah, N. H., y Mullen, R. E. (2011). Drought Stress Effect on Crop Pollination , Seed Set , Yield and Quality. En E.Lichtfouse, editor, Alternative Farming Systems, Biotechnology, Drought Stress and Ecological Fertilisation, páginas 193–213.
Ashraf, M. A. (2012). Waterlogging stress in plants : A review Waterlogging stress in plants: A review. African Journal of Agricultural Research, 7(13):1976–1981.
Boogaard, H., De Wit, A., te Roller, J., y Van Diepen, C. (2014). WOFOST Control Centre 2.1 and WOFOST 7.1.7.
Cai, X., Hejazi, M. I., y Wang, D. (2011). Value of Probabilistic Weather Forecasts: Assessment by Real-Time Optimization of Irrigation Scheduling. Journal of Water Resources Planning and Management, 137(5):391–403.
Candelaria, B., Ruíz, O., Gallardo, F., Pérez, P., Martínez, Á., y Vargas, L. (2011). APLICACIÓN DE MODELOS DE SIMULACIÓN EN EL ESTUDIO Y PLANIFICACIÓN DE LA AGRICULTURA, UNA REVISIÓN. Tropical and Subtropical Agroecosystems, 14:999–1010.
Fernández, M. E. (2013). Diagnóstico de modelos agroclimáticos. Reporte técnico, IDEAM, Bogota.
Foster, T. (2018). AquaCrop-OS. En: http://aquacropos.com/ [05-02-2019].
Fujimaki, H., Abd, H. M., Baki, E., Tokumoto, I., y Saito, T. (2018). A new scheme to optimize irrigation depth using a numerical model of crop response to irrigation and quantitative weather forecasts. Computers and Electronics in Agriculture, 150(February):387–393.
Fujimaki, H., Tokumoto, I., Saito, T., Inoue, M., Shibata, M., Okazaki, M., Nagaz, K., y El-Mokh, F. (2015). Determination of Irrigation Depths Using a Numerical Model and Quantitative Weather Forecasts and Comparison with an Experiment. Advances in Agricultural Systems Modeling, 5:209–235.
Gimenez, C., Gallardo, M., y Thompson, R. (2005). PLANT–WATER RELATIONS. Encyclopedia of Soils in the Environment, páginas 231–238.
Moreno, L. P. (2009). Respuesta de las plantas al estrés por déficit hídrico. Una revisión. Agronomia Colombiana, 27(2):179–191.
Nakano, Y., Anan, M., Yuge, K., Kuroda, M., y Haraguchi, T. (2004). Quantification of soil surface evaporation under micro-scale advection in drip-irrigated fields. Paddy and Water Environment, 3(1):5–12.
Osakabe, Y., Osakabe, K., Shinozaki, K., y Tran, L.-S. P. (2014). Response of plants to water stress. Frontiers in Plant Science, 5.
Quintero, D. y Díaz, E. (2019). A comparison of two open source crop simulation models for a potato crop. Preprint. DOI: 10.13140/RG.2.2.30400.79364.
Raes, D., Steduto, P., C.Hsiao, T., y Ferreres, E. (2018). Calculation Procedures. En AquaCrop Version 6.0-6.1, capítulo 3. FAO, Roma, Italia.
Sadras, V. O., Villalobos, F. J., Orgaz, F., y Fereres, E. (2016). Effects of Water Stress on Crop Production. En Principles of Agronomy for Sustainable Agriculture, páginas 189–204. Springer International Publishing, Cham.
Steduto, P., Hsiao, T., Fereres, E., y Raes, D. (2012). Respuesta del rendimiento de los cultivos al agua. FAO, Roma.
Steduto, P. y Hsiao, T. C. (2007). On the conservative behavior of biomass water productivity. Irrigation Science, 25(3):189–207.
Teh, C. (2006). Introduction to Mathematical Modeling of Crop Growth: How the Equations are Derived and Assembled into a Computer Program. BrownWalker PRess, Boca Raton, FL, US.
Villalobos, F. y Fereres, E. (1990). Evaporation Measurements beneath Corn, Cotton and Sunflower Canopies. Agron. J., 92:1153–1159.
Arango, C. y Ruiz, J. F. (2012). Implementación del Modelo WRF para la Sabana de Bogotá. Reporte técnico, IDEAM, Bogotá D.C, Colombia.
Coiffier, J. (2011). Fundamentals of Numerical Weather Prediction. Cambridge University Press, Cambridge.
IDEAM (2018). Página de modelos del Ideam | Aplicaciones - Meteorología Agrícola. Tomado de: http://modelos.ideam.gov.co/aplicaciones/meteorologia-agricola [25-10-2018].
IDEAM (2019). Página de Modelos del IDEAM | Aplicaciones - Meteorología Agrícola. En: http://modelos.ideam.gov.co/media/dynamic/aplicaciones/meteorologiaagricola/colombia/wrf00z-agrometeorologia-0.zip [2019-06-29].
Inness, P. y Dorling, S. (2013). Operational Weather Forecasting. Wiley-Blackwell, Oxford, UK, 1 edición.
Inzunza, J. (2013). Análisis y pronóstico del Tiempo. En Meteorología Descriptiva, capítulo 11, páginas 305–331. Departamento de Geofísica, UDEC, Concepción, Chile.
Meteoblue (2018). Weather - Meteoblue. Tomado de: https://www.meteoblue.com/en/weather/forecast/week/bogot %c3 %a1_colombia_3688689 [29-10-2018].
Mylne, K. R. (2002). Decision-making from probability forecasts based on forecast value. Meteorological Applications, 9(3):307–315.
NOAA (2018a). National Center for Enviromental Prediction. http://www.emc.ncep.noaa.gov/GFS/doc.php [19-09-2018].
NOAA (2018b). National Centers for Enviromental Predictions. http://www.emc.ncep.noaa.gov/index.php?branch=GEFS [19-09-2018].
Peckham, S. E., Smirnova, T. G., Benjamin, S. G., Brown, J. M., y Kenyon, J. S. (2015). Implementation of a Digital Filter Initialization in the WRF Model and Its Application in the Rapid Refresh. Monthly Weather Review, 144(1):99–106.
Skmarock, W., Klemp, J., Dudhia, J., Gill, D., Barker, D., Duda, M., Yu Huang, X., Wang, W., y Powers, J. (2008). A Description of the Advanced Research WRF Version 3. Number November 2016. National Center of Atmospheric Research, Boulder, Colorado, USA.
Tomkins, T. (2011). Numerical Weather and Climate Prediction. Cambridge University Press, New York.
Wilks, D. (2006). Statistical Methods in the Atmospheric Sciences. Academic Press, San Diego, California, 2 edición.
Windy (2018). Windy: Mapa de vientos y pronóstico. Tomado de: https://www.windy.com/ [29-10-2018].
WMO (2012). Guidelines on Ensemble Prediction Systems and Forecasting. Number 1091. World Meteorological Organization, Geneva, Switzerland.
Zhu, Y. (2016). THE NCEP GLOBAL ENSEMBLE FORECAST SYSTEM (GEFS)
Wang, D. y Cai, X. (2009). Irrigation Scheduling — Role of Weather Forecasting and Farmers’ Behavior. Journal of Water Resources Planning and Management, (October):364–372.
Soltani, A. y Sinclair, T. (2012). Modelling Physiology of Crop Development, Growth and Yield. CABI, Cambridge, USA.
Jacobsen, S. E., Mujica, A., y Jensen, C. R. (2003). The resistance of quinoa (Chenopodium quinoa Willd.) to adverse abiotic factors. Food Reviews International, 19(1-2):99–109.
IGAC (2000). Estudio general de suelos y zonificación de tierras Departamento de Cundinamarca. Instituto Geográfico Agustín Codazzi. Sudirección de Agrología, Bogota.
Gowing, J. W. y Ejieji, C. J. (2001). Real-time scheduling of supplemental irrigation for potatoes using a decision model and short-term weather forecasts. Agricultural Water Management, 47:137–153.
González, J. A., Gallardo, M., Hilal, M., Rosa, M., y Prado, F. E. (2009). Physiological responses of quinoa (Chenopodium quinoa Willd.) to drought and waterlogging stresses: Dry matter partitioning. Botanical Studies, 50(1):35–42.
Cao, J. y Tan, J. (2019). Irrigation scheduling of paddy rice using short-term weather forecast data Irrigation scheduling of paddy rice using short-term weather forecast data. Agricultural Water Management, 213(March):714–723.
Cai, X., Hejazi, M. I., y Wang, D. (2011). Value of Probabilistic Weather Forecasts: Assessment by Real-Time Optimization of Irrigation Scheduling. Journal of Water Resources Planning and Management, 137(5):391–403.
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv CC0 1.0 Universal
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/publicdomain/zero/1.0/
dc.rights.spa.spa.fl_str_mv Acceso abierto
rights_invalid_str_mv CC0 1.0 Universal
http://creativecommons.org/publicdomain/zero/1.0/
Acceso abierto
http://purl.org/coar/access_right/c_abf2
dc.format.extent.spa.fl_str_mv 105
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.program.spa.fl_str_mv Bogotá - Ciencias - Maestría en Ciencias - Meteorología
dc.publisher.department.spa.fl_str_mv Departamento de Geociencias
dc.publisher.branch.spa.fl_str_mv Universidad Nacional de Colombia - Sede Bogotá
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/77966/7/license.txt
https://repositorio.unal.edu.co/bitstream/unal/77966/8/license_rdf
https://repositorio.unal.edu.co/bitstream/unal/77966/6/1026584809.2020.pdf
https://repositorio.unal.edu.co/bitstream/unal/77966/9/1026584809.2020.pdf.jpg
bitstream.checksum.fl_str_mv e2f63a891b6ceb28c3078128251851bf
42fd4ad1e89814f5e4a476b409eb708c
004fd4d9881d65ad8eba8333456f4e79
1351a11f179d18a8b89575e973c6c56f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814089414376161280
spelling CC0 1.0 Universalhttp://creativecommons.org/publicdomain/zero/1.0/Acceso abiertohttp://purl.org/coar/access_right/c_abf2Díaz Almanza, Eliécer David67ec7db6-9157-42a6-a8b6-6bd2662c8116-1Ruíz Murcia, José Franklyn4afefb21-7cf4-44b2-8de9-63b1dbc0ed59-1Quintero Puentes, Diego Andrésf34356d4-1406-484f-81bb-a8d10bc436f12020-08-06T17:51:47Z2020-08-06T17:51:47Z2019-10-01https://repositorio.unal.edu.co/handle/unal/77966Se propuso una metodología innovadora para la programación de labores de riego. Esta metodología está construída tomando como bases pronósticos del tiempo y el modelo de cultivo AquaCropOS. La metodología toma variables pronosticadas, como la precipitación, temperatura y evapotranspiración, para usarlas como entrada del modelo de cultivo. La metodología realiza muchas simulaciones del cultivo tomando diferentes combinaciones de lámina aplicada - día de aplicación, para cada una de estas simulaciones se calcula el costo de la aplicación de riego y el incremento en el rendimiento. El concepto de incremento en el beneficio neto virtual fue tomado de Fujimaki et al. (2015) para evaluar la aplicación de riego óptima. Para verificar la metodología se usaron dos diferentes fuentes de pronóstico. Un pronóstico determinístico fue tomado del modelo regional para Colombia del IDEAM, por otro lado, un pronóstico estocástico fue generado por medio de un proceso de downscaling dinámico utilizando los modelos Global Ensemble Forecasting System (GEFS) y Weather Research and Forecasting (WRF). El modelo estocástico pronosticó mejor la precipitación, mientras que el determinístico lo hizo mejor con la temperatura y la evapotranspiración. Se ejecutaron una serie de experimentos numéricos, en cada uno de estos se simuló un ciclo de cultivo, utilizando la metodología propuesta para programar los riegos utilizando como entrada los pronósticos estocásticos y determinísticos. Los experimentos se hicieron para un cultivo de papa y quinoa, utilizando las condiciones ambientales de la estación meteorológica Tibatatá, ubicada en el municipio de Mosquera, en la sabana de Bogotá. Para cada uno de los experimentos se tuvo un control, donde la programación de riego se hacía con una técnica tradicional. Se encontró que al utilizar la metodología con los pronósticos estocásticos se incrementa el beneficio final, mientras que al usar los pronósticos determinísticos no hubo diferencia con respecto al método tradicional, incluso disminuyendo el beneficio en algunos casos.An innovative methodology for optimal irrigation scheduling was proposed. This methodology was built based on weather forecasts and the AquaCropOS crop model. The methodology takes forecasted variables as rain, temperatures, and evapotranspiration as an input for the crop model. Several simulations are made for different irrigation depth - day of application combinations, for each of those simulations an irrigation cost and yield increment are calculated. The virtual net return concept is taken from Fujimaki et al. (2015) to assess the optimal irrigation depth. In order to verify the methodology, two different forecasts were generated. A deterministic forecast was taken from IDEAM’s regional model for Colombia, on the other hand a stochastic forecast was produced by a dynamical downscaling process using the Global Ensemble Forecast System model (GEFS) and the Weather Research and Forecasting model (WRF). The stochastic forecast was better at rain forecasting, whereas the deterministic forecast was better at temperature and evapotranspiration forecasting. A series of numerical experiments were done, in each of those experiments an entire crop cycle was simulated, using the proposed methodology to calculate the irrigation schedules, having as an input the stochastic and the deterministic forecasts. The experiments were done with a potato and a quinoa crop taking the environmental conditions of Tibaitatá meteorological station, placed at the municipality of Mosquera, in the Bogotá plateau. For each of the experiments using the proposed methodology, a control experiment was done using a custom irrigation scheduling technique. It was found that the methodology with the stochastic forecast as input increases the final net return, whilst having the deterministic forecast as an input makes no difference compared to the custom methodology, even decreasing the net return in some cases.Linea de investigación: Meteorología Agrícola y Meteorología Aplicada.Maestría105application/pdfspa630 - Agricultura y tecnologías relacionadas378 - Educación superior (Educación terciaria)388 - Transporte694 - Construcción en madera690 - Construcción de edificiosirrigation schedulecrop modelingweather forecastaquacropwrf modelgfs modelclimate-smartnumerical weather prediction modelsriegomodelacion de cultivospronosticos meteorológicosaquacropmodelo wrfmodelo gfsclimáticamente ingeligentemodelación numérica del tiempoInnovación de una técnica de programación de labores de riego con base en pronósticos meteorológicos y modelación de cultivoA novel technique for irrigation scheduling based on weather forecasts and crop modelingDocumento de trabajoinfo:eu-repo/semantics/workingPaperhttp://purl.org/coar/resource_type/c_8042Bogotá - Ciencias - Maestría en Ciencias - MeteorologíaDepartamento de GeocienciasUniversidad Nacional de Colombia - Sede BogotáArevalo Uribe, D. (2012). Una mirada a la agricultura de Colombia desde su Huella Hídrica. Reporte técnico, WWF, Bogotá D.C, Colombia.Bates, B., Kundzewicz, Z., Wu, S., y Palutikof, J. (2008). Climate Change and Water. Intergovernmental Panel on Climate Change, Geneva, Switzerland.Chapagain, A. y Hoekstra, A. (2007). Water footprints of nations : Water use by people as a function of their consumption pattern. Water Resour Manage, 21:35–48.DANE (2016). 3er Censo Nacional Agropecuario: Hay campo para todos. Bogotá D.C, Colombia.Das, H., Doblas, F., García, A., Hansen, J., Mariani, L., Singh, A., Ramesh, K., Rathore, L., y Venkatamaran, S. (2010). Weather and Climate Forecast for Agriculture. En Guide to Agricultural Meteorological Practices, capítulo 5, páginas 157–206. World Meteorological Organization, Geneva, Switzerland.DPN-BID (2014). Impactos Económicos Del Cambio Climático En Colombia. 1:7.Evans, T. (1996). The effects of changes in the world hydrological cycle on availability of water resources. En Global Climate Change and Agriculture Productions, páginas 15–48. FAO, Roma, Italia.IDEAM (2014). Estudio Nacional del Agua 2014. Bogotá D.C, Colombia.IGAC (2017). Producción agropecuaria en los grandes Distritos de riego de Colombia ha sido improvisada: IGAC.IWT (2004). Challenges of the new water policies for the XXI century. A.A.Balkema, Valencia, España.Levidow, L., Zaccaria, D., Maia, R., Vivas, E., Todorovic, M., y Scardigno, A. (2014). Improving water-efficient irrigation: Prospects and difficulties of innovative practices. Agricultural Water Management, 146:84–94.Lozano, I. y Restrepo, J. C. (2016). El papel de la infraestructura rural en el desarrollo agrícola en Colombia. COYUNTURA ECONÓMICA: INVESTIGACIÓN ECONÓMICA Y SOCIAL, 46:107–148Martín de Santa Ollala, F., Fabeiro, C., Brasa, A., y Legorburo, A. (1999). Irrigation and Drainage - Irrigation Scheduling Techniques. En CIGR Handbook of Agricultural Engineering, capítulo 5.3., páginas 284–294. American Society of Agricultural Engineers, St Jospeh MI, USA.Meybeck, A. y Gitz, V. (2013). Why on climate-smart agriculture, forestry and fisheries. En Climate-Smart Agriculture, capítulo 1, páginas 1–30. Food and Agriculture Organization of the United Nations.Stigter, K., Baier, W., Barrie, I., Brunini, O., Dommermuth, H., Gat, Z., Gommes, R., Keane, T., Ah Kee, C., Lomas, J., Milford, J., Ravelo, A., Rijks, D., Samui, R. P., Walker, S., Wang, S., y Weiss, A. (2012). General. En Guide to Agricultural Meteorological Practices, capítulo 1, páginas 27–53. World Meteorological Organization, Geneva, Switzerland.Turral, H., Burke, J., Faures, J. M., y Faures, J. M. (2011). Climate change, water and food security. Food and Agriculture Organization of the United Nations., Roma, Italia.Adams, J. E., Arkin, G. F., y Ritchie, J. T. (1976). Influence of Row Spacing and Straw Mulch on First Stage Drying. Soil Science Society of America Journal, 40(3):436–443.Allen, R., Pereira, L., Raes, D., y Smith, M. (2006). Evapotranspiración del Cultivo. FAO, Roma, 1 edición.Alqudah, A. M., Samarah, N. H., y Mullen, R. E. (2011). Drought Stress Effect on Crop Pollination , Seed Set , Yield and Quality. En E.Lichtfouse, editor, Alternative Farming Systems, Biotechnology, Drought Stress and Ecological Fertilisation, páginas 193–213.Ashraf, M. A. (2012). Waterlogging stress in plants : A review Waterlogging stress in plants: A review. African Journal of Agricultural Research, 7(13):1976–1981.Boogaard, H., De Wit, A., te Roller, J., y Van Diepen, C. (2014). WOFOST Control Centre 2.1 and WOFOST 7.1.7.Cai, X., Hejazi, M. I., y Wang, D. (2011). Value of Probabilistic Weather Forecasts: Assessment by Real-Time Optimization of Irrigation Scheduling. Journal of Water Resources Planning and Management, 137(5):391–403.Candelaria, B., Ruíz, O., Gallardo, F., Pérez, P., Martínez, Á., y Vargas, L. (2011). APLICACIÓN DE MODELOS DE SIMULACIÓN EN EL ESTUDIO Y PLANIFICACIÓN DE LA AGRICULTURA, UNA REVISIÓN. Tropical and Subtropical Agroecosystems, 14:999–1010.Fernández, M. E. (2013). Diagnóstico de modelos agroclimáticos. Reporte técnico, IDEAM, Bogota.Foster, T. (2018). AquaCrop-OS. En: http://aquacropos.com/ [05-02-2019].Fujimaki, H., Abd, H. M., Baki, E., Tokumoto, I., y Saito, T. (2018). A new scheme to optimize irrigation depth using a numerical model of crop response to irrigation and quantitative weather forecasts. Computers and Electronics in Agriculture, 150(February):387–393.Fujimaki, H., Tokumoto, I., Saito, T., Inoue, M., Shibata, M., Okazaki, M., Nagaz, K., y El-Mokh, F. (2015). Determination of Irrigation Depths Using a Numerical Model and Quantitative Weather Forecasts and Comparison with an Experiment. Advances in Agricultural Systems Modeling, 5:209–235.Gimenez, C., Gallardo, M., y Thompson, R. (2005). PLANT–WATER RELATIONS. Encyclopedia of Soils in the Environment, páginas 231–238.Moreno, L. P. (2009). Respuesta de las plantas al estrés por déficit hídrico. Una revisión. Agronomia Colombiana, 27(2):179–191.Nakano, Y., Anan, M., Yuge, K., Kuroda, M., y Haraguchi, T. (2004). Quantification of soil surface evaporation under micro-scale advection in drip-irrigated fields. Paddy and Water Environment, 3(1):5–12.Osakabe, Y., Osakabe, K., Shinozaki, K., y Tran, L.-S. P. (2014). Response of plants to water stress. Frontiers in Plant Science, 5.Quintero, D. y Díaz, E. (2019). A comparison of two open source crop simulation models for a potato crop. Preprint. DOI: 10.13140/RG.2.2.30400.79364.Raes, D., Steduto, P., C.Hsiao, T., y Ferreres, E. (2018). Calculation Procedures. En AquaCrop Version 6.0-6.1, capítulo 3. FAO, Roma, Italia.Sadras, V. O., Villalobos, F. J., Orgaz, F., y Fereres, E. (2016). Effects of Water Stress on Crop Production. En Principles of Agronomy for Sustainable Agriculture, páginas 189–204. Springer International Publishing, Cham.Steduto, P., Hsiao, T., Fereres, E., y Raes, D. (2012). Respuesta del rendimiento de los cultivos al agua. FAO, Roma.Steduto, P. y Hsiao, T. C. (2007). On the conservative behavior of biomass water productivity. Irrigation Science, 25(3):189–207.Teh, C. (2006). Introduction to Mathematical Modeling of Crop Growth: How the Equations are Derived and Assembled into a Computer Program. BrownWalker PRess, Boca Raton, FL, US.Villalobos, F. y Fereres, E. (1990). Evaporation Measurements beneath Corn, Cotton and Sunflower Canopies. Agron. J., 92:1153–1159.Arango, C. y Ruiz, J. F. (2012). Implementación del Modelo WRF para la Sabana de Bogotá. Reporte técnico, IDEAM, Bogotá D.C, Colombia.Coiffier, J. (2011). Fundamentals of Numerical Weather Prediction. Cambridge University Press, Cambridge.IDEAM (2018). Página de modelos del Ideam | Aplicaciones - Meteorología Agrícola. Tomado de: http://modelos.ideam.gov.co/aplicaciones/meteorologia-agricola [25-10-2018].IDEAM (2019). Página de Modelos del IDEAM | Aplicaciones - Meteorología Agrícola. En: http://modelos.ideam.gov.co/media/dynamic/aplicaciones/meteorologiaagricola/colombia/wrf00z-agrometeorologia-0.zip [2019-06-29].Inness, P. y Dorling, S. (2013). Operational Weather Forecasting. Wiley-Blackwell, Oxford, UK, 1 edición.Inzunza, J. (2013). Análisis y pronóstico del Tiempo. En Meteorología Descriptiva, capítulo 11, páginas 305–331. Departamento de Geofísica, UDEC, Concepción, Chile.Meteoblue (2018). Weather - Meteoblue. Tomado de: https://www.meteoblue.com/en/weather/forecast/week/bogot %c3 %a1_colombia_3688689 [29-10-2018].Mylne, K. R. (2002). Decision-making from probability forecasts based on forecast value. Meteorological Applications, 9(3):307–315.NOAA (2018a). National Center for Enviromental Prediction. http://www.emc.ncep.noaa.gov/GFS/doc.php [19-09-2018].NOAA (2018b). National Centers for Enviromental Predictions. http://www.emc.ncep.noaa.gov/index.php?branch=GEFS [19-09-2018].Peckham, S. E., Smirnova, T. G., Benjamin, S. G., Brown, J. M., y Kenyon, J. S. (2015). Implementation of a Digital Filter Initialization in the WRF Model and Its Application in the Rapid Refresh. Monthly Weather Review, 144(1):99–106.Skmarock, W., Klemp, J., Dudhia, J., Gill, D., Barker, D., Duda, M., Yu Huang, X., Wang, W., y Powers, J. (2008). A Description of the Advanced Research WRF Version 3. Number November 2016. National Center of Atmospheric Research, Boulder, Colorado, USA.Tomkins, T. (2011). Numerical Weather and Climate Prediction. Cambridge University Press, New York.Wilks, D. (2006). Statistical Methods in the Atmospheric Sciences. Academic Press, San Diego, California, 2 edición.Windy (2018). Windy: Mapa de vientos y pronóstico. Tomado de: https://www.windy.com/ [29-10-2018].WMO (2012). Guidelines on Ensemble Prediction Systems and Forecasting. Number 1091. World Meteorological Organization, Geneva, Switzerland.Zhu, Y. (2016). THE NCEP GLOBAL ENSEMBLE FORECAST SYSTEM (GEFS)Wang, D. y Cai, X. (2009). Irrigation Scheduling — Role of Weather Forecasting and Farmers’ Behavior. Journal of Water Resources Planning and Management, (October):364–372.Soltani, A. y Sinclair, T. (2012). Modelling Physiology of Crop Development, Growth and Yield. CABI, Cambridge, USA.Jacobsen, S. E., Mujica, A., y Jensen, C. R. (2003). The resistance of quinoa (Chenopodium quinoa Willd.) to adverse abiotic factors. Food Reviews International, 19(1-2):99–109.IGAC (2000). Estudio general de suelos y zonificación de tierras Departamento de Cundinamarca. Instituto Geográfico Agustín Codazzi. Sudirección de Agrología, Bogota.Gowing, J. W. y Ejieji, C. J. (2001). Real-time scheduling of supplemental irrigation for potatoes using a decision model and short-term weather forecasts. Agricultural Water Management, 47:137–153.González, J. A., Gallardo, M., Hilal, M., Rosa, M., y Prado, F. E. (2009). Physiological responses of quinoa (Chenopodium quinoa Willd.) to drought and waterlogging stresses: Dry matter partitioning. Botanical Studies, 50(1):35–42.Cao, J. y Tan, J. (2019). Irrigation scheduling of paddy rice using short-term weather forecast data Irrigation scheduling of paddy rice using short-term weather forecast data. Agricultural Water Management, 213(March):714–723.Cai, X., Hejazi, M. I., y Wang, D. (2011). Value of Probabilistic Weather Forecasts: Assessment by Real-Time Optimization of Irrigation Scheduling. Journal of Water Resources Planning and Management, 137(5):391–403.LICENSElicense.txtlicense.txttext/plain; charset=utf-83895https://repositorio.unal.edu.co/bitstream/unal/77966/7/license.txte2f63a891b6ceb28c3078128251851bfMD57CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8701https://repositorio.unal.edu.co/bitstream/unal/77966/8/license_rdf42fd4ad1e89814f5e4a476b409eb708cMD58ORIGINAL1026584809.2020.pdf1026584809.2020.pdfapplication/pdf1915700https://repositorio.unal.edu.co/bitstream/unal/77966/6/1026584809.2020.pdf004fd4d9881d65ad8eba8333456f4e79MD56THUMBNAIL1026584809.2020.pdf.jpg1026584809.2020.pdf.jpgGenerated Thumbnailimage/jpeg4382https://repositorio.unal.edu.co/bitstream/unal/77966/9/1026584809.2020.pdf.jpg1351a11f179d18a8b89575e973c6c56fMD59unal/77966oai:repositorio.unal.edu.co:unal/779662023-07-08 23:04:51.718Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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

Publicaciones similares