Mejorando simulaciones del crecimiento del arroz y dinámicas de nitrógeno mediante la asimilación de observaciones multivariables en el modelo ORYZA2000
Autores: Li, Jinmin; Shi, Liangsheng; Han, Jingye; Hu, Xiaolong; Su, Chenye; Li, Shenji
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejorando simulaciones del crecimiento del arroz y dinámicas de nitrógeno mediante la asimilación de observaciones multivariables en el modelo ORYZA2000
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Predicción
Crecimiento de cultivos
Estado de nitrógeno
Modelos de cultivos
Asimilación de datos
Observaciones
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
La predicción del crecimiento de los cultivos y del estado del nitrógeno es esencial para el desarrollo agrícola y la seguridad alimentaria en escenarios de cambio climático. Los modelos de cultivos son herramientas poderosas para simular el crecimiento de los cultivos y sus respuestas a variables ambientales, pero capturar con precisión los cambios dinámicos en el nitrógeno de los cultivos sigue siendo un desafío considerable. La asimilación de datos puede reducir las incertidumbres en los modelos de cultivos al integrar observaciones con simulaciones del modelo. Sin embargo, la investigación actual de asimilación de datos se enfoca principalmente en un número limitado de variables observacionales y utiliza de forma insuficiente las observaciones de nitrógeno. Para abordar estos desafíos, este estudio desarrolló un nuevo sistema de asimilación de datos multivariable, ORYZA-EnKF, capaz de integrar simultáneamente observaciones multivariables (incluyendo etapa de desarrollo, DVS; índice de área foliar, LAI; materia seca total sobre el suelo, WAGT; y concentración de nitrógeno en las hojas, LNC). Luego, el sistema fue probado a través de tres años consecutivos de experimentos de campo de 2021 a 2023. Los resultados revelaron que el modelo ORYZA-EnKF mejoró significativamente las simulaciones del crecimiento de los cultivos en comparación con el modelo ORYZA2000. El error cuadrático medio relativo (RRMSE) para las simulaciones de LAI disminuyó del 23-101% al 16-47% en el experimento de tres años. Además, la incorporación de observaciones de LNC permitió predicciones más precisas de la dinámica del nitrógeno en el arroz, con un RRMSE para las simulaciones de LNC reducido del 16-31% al 14-26%. Y, el RRMSE disminuyó del 32-50% al 30-41% en las simulaciones de LNC en condiciones de bajo nitrógeno. El sistema de asimilación de datos multivariable demostró su efectividad en mejorar las simulaciones del crecimiento de los cultivos y las predicciones del estado del nitrógeno, proporcionando información valiosa para la agricultura de precisión.
Descripción
La predicción del crecimiento de los cultivos y del estado del nitrógeno es esencial para el desarrollo agrícola y la seguridad alimentaria en escenarios de cambio climático. Los modelos de cultivos son herramientas poderosas para simular el crecimiento de los cultivos y sus respuestas a variables ambientales, pero capturar con precisión los cambios dinámicos en el nitrógeno de los cultivos sigue siendo un desafío considerable. La asimilación de datos puede reducir las incertidumbres en los modelos de cultivos al integrar observaciones con simulaciones del modelo. Sin embargo, la investigación actual de asimilación de datos se enfoca principalmente en un número limitado de variables observacionales y utiliza de forma insuficiente las observaciones de nitrógeno. Para abordar estos desafíos, este estudio desarrolló un nuevo sistema de asimilación de datos multivariable, ORYZA-EnKF, capaz de integrar simultáneamente observaciones multivariables (incluyendo etapa de desarrollo, DVS; índice de área foliar, LAI; materia seca total sobre el suelo, WAGT; y concentración de nitrógeno en las hojas, LNC). Luego, el sistema fue probado a través de tres años consecutivos de experimentos de campo de 2021 a 2023. Los resultados revelaron que el modelo ORYZA-EnKF mejoró significativamente las simulaciones del crecimiento de los cultivos en comparación con el modelo ORYZA2000. El error cuadrático medio relativo (RRMSE) para las simulaciones de LAI disminuyó del 23-101% al 16-47% en el experimento de tres años. Además, la incorporación de observaciones de LNC permitió predicciones más precisas de la dinámica del nitrógeno en el arroz, con un RRMSE para las simulaciones de LNC reducido del 16-31% al 14-26%. Y, el RRMSE disminuyó del 32-50% al 30-41% en las simulaciones de LNC en condiciones de bajo nitrógeno. El sistema de asimilación de datos multivariable demostró su efectividad en mejorar las simulaciones del crecimiento de los cultivos y las predicciones del estado del nitrógeno, proporcionando información valiosa para la agricultura de precisión.