Un aspecto importante pero raramente estudiado del modelado de cultivos es la incertidumbre asociada con la calibración del modelo y su efecto en la predicción del modelo. Los datos de rendimiento de biomasa y grano de un experimento de maíz de cuatro años (2008-2011) con seis tratamientos de riego se dividieron en subconjuntos ya sea por tratamientos (Calibración-por-Tratamiento) o por años (Calibración-por-Año). Estos subconjuntos se utilizaron para calibrar los parámetros del cultivar del cultivo en CERES (Crop Environment Resource Synthesis)-Maíz implementado dentro de RZWQM2 (Root Zone Water Quality Model 2) utilizando el algoritmo automático de ESTimación de Parámetros (PEST) para explorar las incertidumbres de calibración del modelo. Después de la calibración para cada subconjunto, PEST también generó 300 conjuntos de parámetros del cultivar asumiendo una distribución normal de cada parámetro dentro de sus valores informados en la literatura, utilizando el método de muestreo de hipercubo latino (LHS). Los conjuntos de parámetros que produjeron una bondad de ajuste similar (11-164 dependiendo del subconjunto utilizado para la calibración) se utilizaron luego para predecir todos los tratamientos y años de todo el conjunto de datos. Nuestros resultados mostraron que la selección de conjuntos de datos de calibración afectó en gran medida los parámetros del cultivo calibrados y su incertidumbre, así como la incertidumbre de predicción del rendimiento de grano y la biomasa. La alta variabilidad en la predicción del modelo del rendimiento de grano y la biomasa entre los seis (Calibración-por-Tratamiento) o los cuatro (Calibración-por-Año) escenarios indicó que la incertidumbre de parámetros debe ser considerada al calibrar CERES-Maíz con datos de rendimiento de grano y biomasa de diferentes tratamientos de riego, y las predicciones del modelo deben ser proporcionadas con intervalos de confianza.