La modelización de la fenología de la vid es cada vez más importante para los viticultores y viticultores. A menudo se requiere la calibración del modelo antes de las aplicaciones prácticas. Sin embargo, cuando se aplican múltiples modelos y métodos de optimización para diferentes variedades, rara vez se sabe qué factor tiende a afectar principalmente los resultados de la calibración. Nuestro objetivo principal es investigar la principal fuente de variabilidad en los errores de modelización para los tiempos de floración de dos variedades importantes de vid en la Región Demarcada del Douro (DDR) de Portugal; esto se basa en cinco simulaciones de modelos de fenología que utilizan parámetros óptimos y que son estimados por tres algoritmos de optimización (MLE, SA y SCE-UA). Nuestros resultados indican que la principal fuente de variabilidad en la calibración puede verse afectada por el límite de parámetros inicialmente asumido. Restringir la distribución inicial de parámetros a un rango estrecho impide que el algoritmo explore todo el espacio de parámetros y busque los parámetros óptimos. Esto puede llevar a la mayor variación en diferentes modelos. En un límite apropiado identificado, la diferencia entre las dos variedades representa la mayor fuente de incertidumbre, mientras que la elección del algoritmo para la calibración contribuye menos a la incertidumbre general. La menor variabilidad entre diferentes modelos o algoritmos (herramientas para el análisis) en comparación con entre diferentes variedades podría indicar la fiabilidad general de la calibración. Todos los algoritmos de optimización muestran resultados similares en términos de bondad de ajuste obtenida: el RMSE (MAE) es de 5-6 (4-5) días con un sesgo medio despreciable y un R moderadamente bueno (0,5-0,6) para el predictor de mediana del conjunto. Sin embargo, un rendimiento predictivo similar puede resultar de valores de parámetros estimados de manera diferente, debido a la equifinalidad o problema multimodal en el que diferentes combinaciones de parámetros dan resultados similares. Esto ocurre principalmente para modelos con una estructura no lineal en comparación con aquellos con una estructura casi lineal. Sin embargo, se encuentra que los primeros modelos superan a los últimos en predecir el tiempo de floración de las dos variedades en el DDR. En general, nuestros hallazgos resaltan la importancia de definir cuidadosamente el límite de parámetros inicial y descomponer la varianza total de los errores de predicción. Se espera que este estudio aporte nuevas ideas que ayudarán a informar mejor a los usuarios sobre la importancia de la elección cuando estos factores están involucrados en la calibración. No obstante, la importancia de cada factor puede cambiar dependiendo de la situación específica. Los detalles de cómo se aplican los métodos de optimización y de la mejora continua del modelo son importantes.