Instituto Tecnológico Superior
de San Miguel el Grande
Subdirección Académica
División de Ingeniería
en Innovación Agrícola Sustentable
INGENIERIA EN INNOVACION AGRICOLA SUSTENTABLE
MATERIA
AGROCLIMATOLOGIA
DOCENTE
BIOLOGO.EMMANUEL GARCIA RAMIREZ
UNIDAD 5
MODELOS MATEMATICOS PARA CULTIVOS
ALUMNOS
ISMAEL BRUNO VELASCO
OTILIA LIZBETH REYES AQUINO
EDWAR ISAI CRUZ MALDONADO
ROBERTO ACEVEDO ACEVEDO
ALAN IVAN PEREZ MENDOZA
SEMESTRE
4-°
SAN MIGUEL EL GRANDE A 2 DE JUNIO 2025
Km. 1.2 carretera a Morelos, San Miguel el Grande, Tlax., Oaxaca, C.P. 71140
Tels. 953 503 91 34
y 953 503 92 05, e-mail: jose.lm @tecnm.mx tecnm.mx | smiguelgde.tecnm.mx
Instituto Tecnológico Superior
de San Miguel el Grande
Subdirección Académica
División de Ingeniería
en Innovación Agrícola Sustentable
INTRODUCCION
La agricultura moderna enfrenta grandes desafíos como el cambio climático, el
crecimiento de la población mundial, la escasez de recursos hídricos y la necesidad de
incrementar la producción sin afectar el medio ambiente. En este contexto, los modelos
matemáticos se han convertido en herramientas clave para apoyar la toma de decisiones,
simular escenarios, optimizar procesos y predecir el rendimiento de los cultivos bajo
diversas condiciones.
Estos modelos permiten representar procesos biológicos, físicos y químicos que ocurren
en el suelo, en la planta y en la atmósfera, ofreciendo un marco para experimentar
virtualmente antes de aplicar acciones en campo.
Km. 1.2 carretera a Morelos, San Miguel el Grande, Tlax., Oaxaca, C.P. 71140
Tels. 953 503 91 34
y 953 503 92 05, e-mail: jose.lm @tecnm.mx tecnm.mx | smiguelgde.tecnm.mx
Instituto Tecnológico Superior
de San Miguel el Grande
Subdirección Académica
División de Ingeniería
en Innovación Agrícola Sustentable
¿Qué es un modelo matemático en agricultura?
Un modelo matemático es una representación cuantitativa de un sistema real. En
agricultura, describe el comportamiento de un cultivo en función de variables como:
Clima (temperatura, radiación solar, humedad, precipitación)
Suelo (textura, capacidad de retención de agua, nutrientes)
Genética del cultivo (variedad, tasa de crecimiento)
Manejo agronómico (siembra, fertilización, riego, cosecha)
Estos modelos pueden ser:
Empíricos: basados en datos observados, como correlaciones o regresiones.
Mecanísticos o deterministas: representan procesos fisiológicos y biofísicos (crecimiento,
fotosíntesis, transpiración).
Híbridos: combinan ambos enfoques.
3. Principales tipos de modelos en cultivos agrícolas
3.1. Modelos de Crecimiento y Desarrollo de Cultivos
Estos modelos simulan el desarrollo del cultivo día a día, integrando fotosíntesis,
acumulación de biomasa, desarrollo fenológico, etc.
Ejemplos:
DSSAT (Decision Support System for Agrotechnology Transfer)
Simula el crecimiento y rendimiento de más de 40 cultivos, integrando clima, suelo y
manejo. Útil en estudios de cambio climático y adaptación.
📖 Jones et al., 2003
APSIM (Agricultural Production Systems Simulator)
Modelo modular y flexible para simular sistemas agrícolas complejos. Se puede integrar
con cultivos, animales y economía.
📖 Holzworth et al., 2014
Procesos modelados:
Fenología (etapas de desarrollo)
Fotosíntesis y respiración
Transpiración
Asimilación de nutrientes
3.2. Modelos de Balance Hídrico
Estos modelos cuantifican el flujo de agua en el sistema suelo-planta-atmósfera y
permiten estimar las necesidades de riego, eficiencia hídrica y estrés por sequía.
Km. 1.2 carretera a Morelos, San Miguel el Grande, Tlax., Oaxaca, C.P. 71140
Tels. 953 503 91 34
y 953 503 92 05, e-mail: jose.lm @tecnm.mx tecnm.mx | smiguelgde.tecnm.mx
Instituto Tecnológico Superior
de San Miguel el Grande
Subdirección Académica
División de Ingeniería
en Innovación Agrícola Sustentable
Ejemplo:
AquaCrop (FAO)
Desarrollado por la FAO, se enfoca en el rendimiento del cultivo bajo distintas condiciones
de disponibilidad de agua. Tiene baja demanda de datos y es muy usado en países en
desarrollo.
📖 Steduto et al., 2009
Variables consideradas:
Precipitación
Evapotranspiración
Infiltración
Escorrentía
Riego aplicado
3.3. Modelos de Dinámica de Nutrientes y Suelo
Permiten estudiar cómo los nutrientes (como nitrógeno y fósforo) se movilizan en el suelo,
son absorbidos por las raíces y afectan el crecimiento del cultivo.
Ejemplo:
NLEAP (Nitrate Leaching and Economic Analysis Program)
Estima pérdidas de nitrógeno por lixiviación y volatilización. Ayuda a diseñar estrategias
de fertilización sostenible.
📖 Shaffer et al., 1991
Usos:
Programación de fertilizantes
Minimización de contaminación del agua
Evaluación de eficiencia de uso de nutrientes
3.4. Modelos Estadísticos y de Aprendizaje Automático
Aplican técnicas estadísticas o de inteligencia artificial para analizar grandes cantidades
de datos y hacer predicciones sobre rendimiento, enfermedades o plagas.
Ejemplo:
Modelos de regresión múltiple y redes neuronales
Se utilizan para predecir el rendimiento en función del clima, manejo, datos satelitales,
etc.
📖 Jeong et al., 2016
Aplicaciones:
Predicción del rendimiento con imágenes satelitales
Detección temprana de enfermedades
Km. 1.2 carretera a Morelos, San Miguel el Grande, Tlax., Oaxaca, C.P. 71140
Tels. 953 503 91 34
y 953 503 92 05, e-mail: jose.lm @tecnm.mx tecnm.mx | smiguelgde.tecnm.mx
Instituto Tecnológico Superior
de San Miguel el Grande
Subdirección Académica
División de Ingeniería
en Innovación Agrícola Sustentable
Diagnóstico automático de deficiencias nutricionales
3.5. Modelos de Cambio Climático y Escenarios Futuros
Permiten evaluar el impacto del cambio climático en la productividad agrícola y explorar
estrategias de adaptación (nuevas variedades, cambio en fechas de siembra, uso del
riego, etc.).
Ejemplo:
Simulación del cultivo de trigo bajo escenarios RCP (Representative Concentration
Pathways) de emisiones de gases de efecto invernadero.
📖 Lobell et al., 2008
4. Aplicaciones prácticas en campo
Diseño de estrategias de manejo (riego, fertilización, rotación de cultivos)
Asesoría técnica para productores (agricultura de precisión)
Formulación de políticas públicas (uso eficiente del agua y fertilizantes)
Evaluación de impacto ambiental
Toma de decisiones basada en datos
5. Limitaciones y desafíos
Requieren buena calidad de datos (clima, suelo, manejo)
La calibración y validación puede ser compleja
Algunos modelos no están adaptados a todos los contextos geográficos
La interpretación de resultados debe considerar incertidumbre
Km. 1.2 carretera a Morelos, San Miguel el Grande, Tlax., Oaxaca, C.P. 71140
Tels. 953 503 91 34
y 953 503 92 05, e-mail: jose.lm @tecnm.mx tecnm.mx | smiguelgde.tecnm.mx
Instituto Tecnológico Superior
de San Miguel el Grande
Subdirección Académica
División de Ingeniería
en Innovación Agrícola Sustentable
6. Conclusiones
Los modelos matemáticos son una herramienta clave para mejorar la sostenibilidad
y eficiencia en la agricultura moderna. Su uso permite una mejor comprensión de
los sistemas agrícolas, la anticipación de problemas y la planificación de estrategias
inteligentes y basadas en ciencia.
La integración de nuevas tecnologías como sensores remotos, IoT, y machine
learning potenciará aún más estas herramientas en el futuro.
Km. 1.2 carretera a Morelos, San Miguel el Grande, Tlax., Oaxaca, C.P. 71140
Tels. 953 503 91 34
y 953 503 92 05, e-mail: jose.lm @tecnm.mx tecnm.mx | smiguelgde.tecnm.mx
Instituto Tecnológico Superior
de San Miguel el Grande
Subdirección Académica
División de Ingeniería
en Innovación Agrícola Sustentable
Referencias
ones, J. W., et al. (2003). The DSSAT cropping system model. European Journal of
Agronomy, 18(3-4), 235-265.
Holzworth, D. P., et al. (2014). APSIM – Evolution towards a new generation of
agricultural systems simulation. Environmental Modelling & Software, 62, 327-350.
Steduto, P., et al. (2009). AquaCrop—The FAO crop model to simulate yield
response to water: I. Concepts and underlying principles. Agronomy Journal, 101(3),
426–437.
Shaffer, M. J., et al. (1991). NLEAP: Model for evaluating nitrogen management in
corn production. USDA-ARS.
Jeong, J. H., et al. (2016). Random forests for global and regional crop yield
predictions. PLOS ONE, 11(6), e0156571.
Lobell, D. B., et al. (2008). Prioritizing climate change adaptation needs for food
security in 2030. Science, 319(5863), 607–610.
Km. 1.2 carretera a Morelos, San Miguel el Grande, Tlax., Oaxaca, C.P. 71140
Tels. 953 503 91 34
y 953 503 92 05, e-mail: jose.lm @tecnm.mx tecnm.mx | smiguelgde.tecnm.mx
