INTRODUCTION

Climate change scenarios are coherent and consistent descriptions of how the Earth's climate system may change in the future (Escoto et al., 2017ESCOTO, A.; SÁNCHEZ, L.; GACHUZ, S.: “Trayectorias Socioeconómicas Compartidas (SSP): nuevas maneras de comprender el cambio climático y social”, Estudios demográficos y urbanos, 32(3): 669-693, ISSN: 0186-7210, Publisher: El Colegio de México AC, 2017, ISSN: 0186-7210, DOI: http://dx.doi.org/10.24201/edu.v32i3.1684.). In order to improve the analysis framework, the assessment of climate change impacts and to achieve a more interdisciplinary view in recent years new scenarios have been developed (IPCC, 2014IPCC: Quinto Informe de Evaluación del IPCC. Cambio climático: Impactos, Adaptación y Vulnerabilidad, Inst. Panel Intergubernamental de Cambio Climático (IPCC), Cambridge, United Kingdom, 58 p., 2014.).

The SSPs (Shared Socio Economic Pathways) describe 5 alternative pathways of society according to the implementation or absence of policies to curb climate change, contemplating different development and emissions options in the year 2100 (SSP1, SSP2, SSP3, SSP4 and SSP5) (Escoto et al., 2017ESCOTO, A.; SÁNCHEZ, L.; GACHUZ, S.: “Trayectorias Socioeconómicas Compartidas (SSP): nuevas maneras de comprender el cambio climático y social”, Estudios demográficos y urbanos, 32(3): 669-693, ISSN: 0186-7210, Publisher: El Colegio de México AC, 2017, ISSN: 0186-7210, DOI: http://dx.doi.org/10.24201/edu.v32i3.1684.; OFA & CC, 2023OFA Y CC: Observatorio de Frutos Amazónicos y Cambio climático. Escenarios bajo los modelos SSP y RCP, [en línea], Inst. Observatorio de Frutos Amazónicos y Cambio climático, 11-19 p., 2023, Disponible en: https://frutosamazonicos.org.bo.).

According to Morán & Novillo (2022)MORÁN, A.J.R.; NOVILLO, C.M.J.: Selección de los Modelos de Proyección para el Cambio Climático del CMIP6 con mejor desempeño para el territorio ecuatoriano, Inst. Escuela Superior Politécnica del Litoral, Facultad de Ingeniería Marítima y Ciencias del Mar, Guayaquil, Ecuador, 58 p., 2022. the SSP2 scenario assumes an intermediate level of challenges, where its assumptions lie between those corresponding to SSP1 (with sustainability narrative, low levels of mitigation and adaptation challenges) and SSP3 (with fragmentation narrative, high level of adaptation and mitigation challenges).

In particular, SSP2-4.5 as an update of the RCP4.5 scenario, with an additional radiative forcing of 4.5 W/m² by the year 2100 represents the average trajectory of future greenhouse gas emissions. This scenario assumes that climate protection measures are being taken. The average percent change in precipitation for the SSP2-4.5 scenario diverges in the mid-horizon projection centered at 2050, and remains between 0 and +20% until 2080 where a +45% change is present indicating that there is an increase in precipitation. Meanwhile, the average temperature change in the projections for the mid-horizon centered on 2050 is +1°C and for the distant horizon 2085 it is +1.6°C, showing that in this scenario the increase in air temperature is notable (Bruno, 2023BRUNO, R.J.E.: “Análisis de fuentes de incertidumbre en los modelos climáticos CMIP6 para las proyecciones climáticas de temperatura y precipitación en Sudamérica”, En: UNALM, Lima, Peru, noviembre 2022., Lima, Perú, p. 57, 2023, DOI: https://doi.org/10.1007/s41748-021-00233-6.).

According to IPCC (2021)IPCC: Bases físicas. Resumen para responsables de políticas, Contribución del Grupo de Trabajo I al Sexto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el Cambio Climático, Sexto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el Cambio Climático, 40, ISBN: 978-92-9169-358-0 p., 2021. this scenario (SSP2-4.5) presents intermediate GHG emissions and CO₂ emissions that remain around current levels until mid-century, and it is highly probable that global warming of 2 °C will be exceeded.

In Cuba, studies developed by Planos et al. (2012)PLANOS, G.E.; RIVERO, R.; GUEVARA, V.: Impacto del cambio climático y medidas de adaptación en Cuba, Inst. Agencia de Medio Ambiente (AMA), La Habana, Cuba, 2012. showed that important climatic variations have been observed, among which the following can be cited: "a tendency to increase precipitation in the seasonal period with little rainfall is evident. The differences between the mean and median values reaffirm the increase in extreme anomalies in the western and central part of the country".

Dynamic simulation models allow investigating the consequences of possible future scenarios and prepare for changes before they occur. The AquaCrop model released by FAO Raes et al. (2012)RAES, D.; STEDUTO, P.; HSIAO, T.C.; FERERES, E.: Respuesta del rendimiento de los cultivos al agua, Ed. Estudio FAO Riego y Drenaje 66, Rome, Italy, 510 p., 2012, ISBN: 978-92-5-308564-4. can be used as a computational tool to analyze different agricultural contexts in different cycles and locations. This new FAO proposal will provide practitioners with a more robust tool for: assessing the incidence of water scarcity on crop production, investigating the impact of climate change on crop yields, improving management strategies to increase productivity and water savings, among others (Steduto et al., 2009STEDUTO, P.; HSIAO, T.C.; RAES, D.; FERERES, E.: “AquaCrop—The FAO crop model to simulate yield response to water: I. Concepts and underlying principles”, Agronomy Journal, 101(3): 426-437, ISSN: 0002-1962, 2009.).

Boligon et al. (2017)BOLIGON, M.R.; AMARAL, F.C.; FREIRA DE SILVA, G.T.: “Estimation of soybean agronomic performance in climatic scenarios for Southern Brazil”, Revista Ceres, 64(6): 567-573, Viçosa, 2017. relied on the AquaCrop model to analyze the agronomic performance of soybean (Glicine max) under different climate scenarios in Brazil. They simulated cycle length, water productivity based on evapotranspiration, irrigation requirements and harvest index under different climate scenarios, with short- (2016-2035) and medium-term (2046-2065) projections. Soybean cycle length tends to decrease in colder regions, while water productivity should increase even without irrigation demands in these future scenarios.

The Aquacrop model was validated by Morla & Giayetto (2012)MORLA, F.; GIAYETTO, O.: “Calibración y validación del modelo AquaCrop de FAO en cultivos representativos del centro sur de Córdoba”, En: XIX Congreso Latinoamericano de la Ciencia del Suelo, Argentina, 2012. for soybean in the Río Cuarto region, in south-central Córdoba, Argentina. Yields of 1,9, 3,1 and 5,3 t ha^-1 were simulated for dry, medium and wet year, respectively.

González et al. (2019)GONZALÉZ, R.F.; CISNEROS, Z.E.; HERRERA, P.J.; LÓPEZ, T.; CID, L.G.: “Predicción del rendimiento de la soya (Glycine max L) utilizando el modelo AquaCrop en suelo Ferralítico”, Ingeniería Agrícola, 9(1): 3-13, 2019, ISSN: 2306-1545, E-ISSN: 2227-8761. calibrated and validated the AquaCrop model for soybean on Ferrallitic Red soil in Alquízar, Artemisa province, Cuba. The results of the model calibration allowed optimizing the fundamental soil and crop parameters for its application in the study conditions.

Isla (2019)ISLA, P.T.: Predicción del impacto del cambio climático en el rendimiento de la soya (Glycine max L.) en suelo Ferralítico Rojo compactado, Universidad Tecnologica de La Habana, CIH, Tesis en opción al titulo de Ingenierto Hidraulico, La Habana, Cuba, 90 p., 2019. used the AquaCrop model to predict optimal planting dates and soybean yields in compacted Ferrallitic Red soil in the Havana-Matanzas Plain under B2 climate change scenarios. The results show the model as a viable alternative to select optimal planting dates, reproduce the phenology and productivity of the crop under different management scenarios and climatic variability.

The goal of this study is to predict soybean yields sown in Ferrallitic Red soil in the Alquízar region under the SSP2-4.5 climate change scenario of the Hadgem3, Mpi-esm1 and Mri-esm2 models with the use of the AquaCrop simulation model.

MATERIALS AND METHODS

RESULTS AND DISCUSSION

Using the climate values of the SSP2-4.5 scenario from the HadGEM3, Mpi-esm1 and Mri-esm2 models, the results representing the future climate for the study area for each of the models are presented.

Table 1 shows the selection of the hydrological years according to their respective probability (probability 25% denotes a wet year, 50% medium and 75% dry) for the period 2023-2050 (November-April, crop development period) and precipitation values for the SSP2-4.5 scenario and the Hadgem3, Mpi-esm1 and Mri-esm2 models.

Under the SSP2-4.5 scenario, it can be observed that the behavior of precipitation varied between 319,73-532,67 mm for the period studied, differing by model. For the period of crop development (November-April), the Hadgem3 and Mpi-esm1 models estimate precipitation values higher than the Mri-esm2 model by 5-18%, with the greatest differences for the 50% probability of occurrence (13 and 18%).

Figure 1 compares the annual precipitation estimated under the SSP2-4.5 scenario for the period 2023-2050 for the three models studied, it can be observed that the behavior of precipitation varied between 1241,7 and 2216,18 mm per year. Of the 3 models, the Mpi-esm1 model estimates the highest precipitation values in 17 of the 28 years studied, and in 23 years values above 1500 mm. The HadGEM3 model estimates 9 years below 1500 mm. The maximum value is estimated by the Mri-esm2 model with 2216,18 mm for the year 2037, while in 10 years the precipitation estimates were less than 1500 mm.

Estimates of the 28-year annual average for the HadGEM3 model are 1619,23 mm, while the Mpi-esm1 model estimates 1714,57 mm and the Mri-esm2 model 1596,19 mm, all between 16 and 22% above the current annual average of 1335 mm for Cuba according to the new isoietic model (Servicio Hidrológico Nacional, 2006SERVICIO HIDROLÓGICO NACIONAL: “Nuevos logros en el estudio de la pluviosidad en Cuba: Mapa Isoyético para el período 1961-2000.”, Revista Voluntad Hidráulica, XLIV (98): 2-11, 2006, ISSN: 0505-9461.).

Figure 2 shows the water balance in the defined growing period for soybean (November-April) between 2023-2050 for SSP2-4.5 of the Hadgem3 model. Despite the fact that in the selected years the annual rainfall exceeds 1400 mm in the three models, the same behavior is not observed in the soybean growing period. As shown in Figure 4A in the wet hydrological year (25% probability of precipitation occurrence), only in the months of December and January, precipitation exceeds crop evapotranspiration, in 50% and 75% of probability only in one month, so a greater number of irrigations could be expected together with a higher total net standard for this SSP2-4.5 scenario.

Tables 2, 3 and 4 present the results obtained in Cropwat for water requirements and irrigation management for soybean cultivation for the SSP2-4.5 scenario of the HadGEM3, Mpi-esm1 and Mri-esm2 models.

The number of irrigations for soybean varied between 9 and 10 irrigations with partial norms between 24 and 30 mm and total norms between 246,2 and 272,7 mm, depending on the year and the model used.

The results obtained by Castellanos et al. (1984)CASTELLANOS, A.; REY, R.; AMORO, R.: “Efecto del riego sobre el rendimiento de la soya”, Cienc. Tec. Agric. Riego y Drenaje, 7(2): 39-51, 1984., for a planting season similar to that of this study, report that it was necessary to apply 14 irrigations with a total net norm of 259 mm and a rainfall of 117,6 mm. They also report that in order to obtain high yields in Red Ferrallitic soils, moisture before irrigation should not fall below 85% of the Cc in the 0-40 cm depth layer.

Table 5 shows the results of the simulation with Aquacrop for soybean. First, a potential production was simulated, maximum possible yield without any constraints except plant genetics, solar radiation and temperature, adjusted for the SSP24.5 scenario and the HadGEM3, Mpi-esm1 and Mri-esm2 models in the three selected years of the 2023-2050 period (wet, medium and dry).

Yield values (2.72-3.27 t ha^-1) and water productivity (0.78-0.91 kg m^-3) are in the range published in previous works by González et al. (2014)GONZÁLEZ, R.F.; HERRERA, P.J.; LÓPEZ, S.T.; CID, L.G.: “Productividad del agua en algunos cultivos agrícolas en Cuba”, Revista Ciencias Técnicas Agropecuarias, 23(4): 21-27, 2014, ISSN: 1010-2760, E-ISSN: 2071-0054. and González et al. (2015)GONZÁLEZ, R.F.; LÓPEZ, S.T.; HERRERA, P.J.: “Indicadores de productividad del agua por cultivos y técnicas de riego en Cuba”, Revista Ciencias Técnicas Agropecuarias, 24(4): 57-63, 2015, ISSN: 1010-2760, E-ISSN: 2071-0054..In the particular case of yield in field experiments that served as a source for model calibration (Castellanos et al., 1984CASTELLANOS, A.; REY, R.; AMORO, R.: “Efecto del riego sobre el rendimiento de la soya”, Cienc. Tec. Agric. Riego y Drenaje, 7(2): 39-51, 1984.), this varied between 0,42 for dry treatments and 3,49 t ha^-1 for the best irrigation treatment, while productivity based on evapotranspiration obtained in this work was higher in all years than the average obtained by these authors cited above (0,67 kg m^-3).

The highest average yields, simulated with Aquacrop, were obtained with the climatic data of the HadGEM3 model with 3,27 t ha^-1 (Figure 3). In the three years selected for this model, it was necessary to apply 9 irrigations to achieve yields higher than 2,95 t ha^-1. The possibility of achieving soybean yields of 3 t ha^-1 is evident, even under the conditions imposed by climate change and provided that the crop does not have irrigation limitations, pest attacks, seed quality, among others.

According to Merino (2006)MERINO, D.: Caracterización morfo fisiológica y agronómica de cultivares de soya [Glycine max (L.) Merr.] en siembra de invierno en suelo pardo con carbonatos, Universidad Central “Marta Abreu” de las Villas Facultad de Ciencias Agropecuarias, Tesis de Diploma, Santa Clara, Villa Clara, Cuba, 65 p., 2006., soybean yields in Cuba range from 0,98 to 3 t ha^-1, depending on the variety used and the region. During the winter planting season and under conditions of brown soils with carbonates in the central zone of Cuba and with the cultivar Conquista, agricultural yields of 2,54 t ha^-1 were achieved.

Figure 4 shows the outputs of the Aquacrop model for the SSP2-4.5 scenario of the Mri-esm2 model (2038-2039, wet year), where the lowest yield of the wet years of 2,85 t ha^-1 was obtained, with 286,1 mm of precipitation and where it was necessary to apply 248,7 mm per irrigation. A decrease in transpiration was observed 50 days after planting the soybean, with 98% stomatal closure, apparently due to excess rainfall, since an irrigation of 28,9 mm was applied 46 days after planting the soybean and then it rained 5 days in a row, coinciding with the beginning of flowering.

Maximum yields are obtained when the crop can transpire at its maximum rate, i.e., when there is no stomatal closure and thus reduction in transpiration simultaneously with CO₂ assimilation. The rates of the latter two processes are strongly linked and therefore the calculation of transpiration through the crop canopy is a direct route to the calculation of crop assimilation (Isla, 2019ISLA, P.T.: Predicción del impacto del cambio climático en el rendimiento de la soya (Glycine max L.) en suelo Ferralítico Rojo compactado, Universidad Tecnologica de La Habana, CIH, Tesis en opción al titulo de Ingenierto Hidraulico, La Habana, Cuba, 90 p., 2019.).

According to Márquez and Enriquez (1984), cited by Herrera et al. (2011)HERRERA, J.; PUJOL, R.; CID, G.; MÉNDEZ, M.; ALARCÓN, R.: “Problemas del drenaje agrícola en Cuba”, Revista Ingeniería Agrícola, 1(1): 21-32, 2011, ISSN: 2306-1545., in studies conducted under experimental conditions similar to this study, soybean is a crop that shows sensitivity to excess moisture, it can lose up to 20% of its yield with 48 hours and up to 40% with 72 hours of flooding; its productivity will then depend largely on good irrigation management. The effects of excess moisture result in a decrease in crop yields. The decrease in soybean yield with 4 days of flooding is in the order of 50% and the most severe losses occur in the vegetative-flowering stage.

When the soil is saturated for a prolonged period of time, the water fills all the pores, displacing the air. This causes the absence of oxygen in the soil and in most plants, cellular asphyxia at the root level, loss of root functionality, reduction of growth due to nitrogen deficiencies and if prolonged for a long time can cause the death of the plant (Gardner et al., 1999GARDNER, C.M.K.; LARYEA, K.B.; UNGER, P.W.: Soil physical constraints to plant growth and crop production, Inst. Land and Water Development Division, AGL/MISC/24/99. FAO. Rome, Rome, Italy, 106 p., 1999.).

Table 6 shows the results of the simulation with Aquacrop for soybean when irrigation (10 mm) was applied to guarantee germination, under the SSP2-4.5 scenario of the HadGEM3, Mpi-esm1 and Mri-esm2 models in the wet and medium years, as well as the yield reduction with respect to the potential obtained in each year shown in Table 5.

In the HadGEM3 model for the wet year (2043-2044) yields are estimated at 2,09 t ha^-1 and biomass 7,02 t ha^-1, achieving a productivity of 0,68 kg m^-3, with reductions with respect to the potential yield of 36% (Figure 5).

At 20 days there is a stress of 100% canopy expansion and 31% stomatal closure, in all this period only 25,9 mm of rainfall. At 40 days 16% canopy expansion, at 80 days 63% stomatal closure and 16% early senescence and at 100 days 25% stomatal closure. Throughout the crop cycle, soybean was subjected to an average stress of 25% canopy expansion and 16% stomatal closure, significantly affecting yield.

For this same model but in the medium year (2029-2030) only a yield of 0,148 t ha^-1 and biomass of 2,03 t ha^-1 were achieved, with reductions with respect to the potential of 95% (Figure 6). This irrigation management, together with low and poorly distributed rainfall, caused water depletion in the soil during almost the entire period of crop development and marked levels of stress. From 30 days after soybean planting and up to 70 days, stress values between 66 and 100% inhibition of canopy expansion, 48-80% stomata closure and up to 39% acceleration of senescence were estimated as a response to water stress.

Soybean has two well-defined critical periods with respect to water requirement: from planting to emergence, and during the phase of formation and development of reproductive organs (flowering, pod formation and filling). In the germination phase, both deficit and excess moisture are detrimental to the uniformity of distribution and number of plants per unit area. During this period, excess water is much more limiting than deficit (Doorenbos & Kassam, 1986DOORENBOS, J.; KASSAM, A.: Yield response to water, Irrigation and Drainage, Ed. Food and Agriculture Organization of the United Nations (FAO), Rome, Italy, Rome, Italy, 193 p., 1986.).

As shown in Figure 7, for the Mpi-esm1 model in the wet year (2034-2035), yield losses were only 14%, which occurred after 80 days after planting soybeans. At 100 and 110 days, stomata closure was 84% and the acceleration of senescence reached 50% as a response to water stress, in this period rainfall was less than 13 mm.

CONCLUSIONS

INTRODUCCIÓN

Los escenarios de cambio climático son descripciones coherentes y consistentes de cómo el sistema climático de la Tierra puede cambiar en el futuro (Escoto et al., 2017ESCOTO, A.; SÁNCHEZ, L.; GACHUZ, S.: “Trayectorias Socioeconómicas Compartidas (SSP): nuevas maneras de comprender el cambio climático y social”, Estudios demográficos y urbanos, 32(3): 669-693, ISSN: 0186-7210, Publisher: El Colegio de México AC, 2017, ISSN: 0186-7210, DOI: http://dx.doi.org/10.24201/edu.v32i3.1684.). Con el objetivo de mejorar el marco de análisis, la evaluación de los impactos del cambio climático y lograr una visión más interdisciplinaria en los últimos años se han desarrollado nuevos escenarios (IPCC, 2014IPCC: Quinto Informe de Evaluación del IPCC. Cambio climático: Impactos, Adaptación y Vulnerabilidad, Inst. Panel Intergubernamental de Cambio Climático (IPCC), Cambridge, United Kingdom, 58 p., 2014.).

Los SSP (Trayectorias Socioeconómicas Compartidas, por el inglés Shared Socio Economic Pathways) describen 5 vías alternativas de la sociedad según la implementación o ausencias de políticas para frenar el cambio climático, contemplando diferentes opciones de desarrollo y emisiones en el año 2100 (SSP1, SSP2, SSP3, SSP4 y SSP5) (Escoto et al., 2017ESCOTO, A.; SÁNCHEZ, L.; GACHUZ, S.: “Trayectorias Socioeconómicas Compartidas (SSP): nuevas maneras de comprender el cambio climático y social”, Estudios demográficos y urbanos, 32(3): 669-693, ISSN: 0186-7210, Publisher: El Colegio de México AC, 2017, ISSN: 0186-7210, DOI: http://dx.doi.org/10.24201/edu.v32i3.1684.; OFA & CC, 2023OFA Y CC: Observatorio de Frutos Amazónicos y Cambio climático. Escenarios bajo los modelos SSP y RCP, [en línea], Inst. Observatorio de Frutos Amazónicos y Cambio climático, 11-19 p., 2023, Disponible en: https://frutosamazonicos.org.bo.).

Según Morán & Novillo (2022)MORÁN, A.J.R.; NOVILLO, C.M.J.: Selección de los Modelos de Proyección para el Cambio Climático del CMIP6 con mejor desempeño para el territorio ecuatoriano, Inst. Escuela Superior Politécnica del Litoral, Facultad de Ingeniería Marítima y Ciencias del Mar, Guayaquil, Ecuador, 58 p., 2022. el escenario SSP2 asume un nivel intermedio de desafíos, donde sus asunciones se encuentran entre las que corresponden a la SSP1 (con narrativa de sustentabilidad, bajos niveles de desafíos de mitigación y adaptación) y SSP3 (con narrativa de fragmentación, nivel alto de desafíos para la adaptación y mitigación).

En particular, el SSP2-4.5 como actualización del escenario RCP4.5, con un forzamiento radiactivo adicional de 4,5 W/m² para el año 2100 representa la trayectoria media de futuras emisiones de gases de efecto invernadero. Este escenario asume que se están tomando medidas de protección climática. El cambio porcentual promedio de la precipitación para el escenario SSP2-4.5 diverge en la proyección de horizonte medio centrado al 2050, y se mantiene entre 0 y +20% hasta el 2080 donde se presenta un cambio de +45% indicando que hay un aumento de la precipitación. Mientras que el cambio de temperatura promedio en las proyecciones de horizonte medio centrado al 2050 es +1°C y al horizonte lejano 2085 es +1.6°C, evidenciando que ante este escenario el aumento de la temperatura del aire es notable (Bruno, 2023BRUNO, R.J.E.: “Análisis de fuentes de incertidumbre en los modelos climáticos CMIP6 para las proyecciones climáticas de temperatura y precipitación en Sudamérica”, En: UNALM, Lima, Peru, noviembre 2022., Lima, Perú, p. 57, 2023, DOI: https://doi.org/10.1007/s41748-021-00233-6.).

Según IPCC (2021)IPCC: Bases físicas. Resumen para responsables de políticas, Contribución del Grupo de Trabajo I al Sexto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el Cambio Climático, Sexto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el Cambio Climático, 40, ISBN: 978-92-9169-358-0 p., 2021. este escenarios (SSP2-4.5) presenta emisiones de GEI intermedias y emisiones de CO₂ que se mantienen en torno a los niveles actuales hasta mediados de siglo, y es sumamente probable que se supere un calentamiento global de 2 °C.

En Cuba los estudios desarrollados por Planos et al. (2012)PLANOS, G.E.; RIVERO, R.; GUEVARA, V.: Impacto del cambio climático y medidas de adaptación en Cuba, Inst. Agencia de Medio Ambiente (AMA), La Habana, Cuba, 2012. demostraron que se han observado variaciones climáticas importantes, entre las que puede citarse: “se manifiesta una tendencia al aumento de las precipitaciones en el período estacional poco lluvioso. Las diferencias entre los valores de la media y la mediana, reafirman el incremento de las anomalías extremas en la parte occidental y central del país”.

Los modelos dinámicos de simulación permiten investigar las consecuencias de posibles escenarios futuros y permite prepararse para los cambios antes de que ocurran. El modelo AquaCrop liberado por la FAO Raes et al. (2012)RAES, D.; STEDUTO, P.; HSIAO, T.C.; FERERES, E.: Respuesta del rendimiento de los cultivos al agua, Ed. Estudio FAO Riego y Drenaje 66, Rome, Italy, 510 p., 2012, ISBN: 978-92-5-308564-4. puede usarse como herramienta computacional para analizar diferentes contextos agrícolas en ciclos y localidades diferentes. Esta nueva propuesta de la FAO proporcionará a los profesionales una herramienta más sólida para: evaluar la incidencia de la escasez de agua en la producción de cultivos, investigar el impacto del cambio climático en el rendimiento de los cultivos, mejorar las estrategias de gestión para aumentar la productividad y el ahorro del agua, entre otros (Steduto et al., 2009STEDUTO, P.; HSIAO, T.C.; RAES, D.; FERERES, E.: “AquaCrop—The FAO crop model to simulate yield response to water: I. Concepts and underlying principles”, Agronomy Journal, 101(3): 426-437, ISSN: 0002-1962, 2009.).

Boligon et al. (2017)BOLIGON, M.R.; AMARAL, F.C.; FREIRA DE SILVA, G.T.: “Estimation of soybean agronomic performance in climatic scenarios for Southern Brazil”, Revista Ceres, 64(6): 567-573, Viçosa, 2017. se apoyaron en el modelo AquaCrop para analizar el desempeño agronómico de la soya (Glicine max L.) en diferentes escenarios climáticos en Brasil. Simularon duración del ciclo, la productividad del agua en base a la evapotranspiración, los requerimientos de riego e índice de cosecha en diferentes escenarios climáticos, con proyecciones a corto (2016-2035) y mediano plazo (2046-2065). La duración de los ciclos de la soya tiende a decrecer en las regiones más frías, mientras que la productividad del agua debe incrementarse aun sin existir demandas de riego en estos escenarios futuros.

El modelo Aquacrop fue validado por Morla & Giayetto (2012)MORLA, F.; GIAYETTO, O.: “Calibración y validación del modelo AquaCrop de FAO en cultivos representativos del centro sur de Córdoba”, En: XIX Congreso Latinoamericano de la Ciencia del Suelo, Argentina, 2012. para la soya en la región de Río Cuarto, en el centro-sur de Córdoba, Argentina. Rendimientos de 1,9, 3,1 y 5,3 t ha^-1 fueron simulados para año seco, medio y húmedo, respectivamente.

González et al. (2019)GONZALÉZ, R.F.; CISNEROS, Z.E.; HERRERA, P.J.; LÓPEZ, T.; CID, L.G.: “Predicción del rendimiento de la soya (Glycine max L) utilizando el modelo AquaCrop en suelo Ferralítico”, Ingeniería Agrícola, 9(1): 3-13, 2019, ISSN: 2306-1545, E-ISSN: 2227-8761. calibraron y validaron el modelo AquaCrop para soya en suelo Ferralítico Rojo en Alquízar, provincia Artemisa, Cuba. Los resultados de la calibración del modelo permitieron optimizar los parámetros fundamentales de suelo y cultivo para su aplicación en las condiciones de estudio.

Isla (2019)ISLA, P.T.: Predicción del impacto del cambio climático en el rendimiento de la soya (Glycine max L.) en suelo Ferralítico Rojo compactado, Universidad Tecnologica de La Habana, CIH, Tesis en opción al titulo de Ingenierto Hidraulico, La Habana, Cuba, 90 p., 2019. utilizó el modelo AquaCrop para predecir fechas óptimas de siembra y los rendimientos de la soya en suelo Ferralítico Rojo compactado en la Llanura Habana-Matanzas ante escenarios B2 de cambio climático. Los resultados muestran al modelo como una alternativa viable para seleccionar fechas de siembra óptima, reproducir la fenología y productividad del cultivo bajo diferentes escenarios de manejo y variabilidad climática.

El objetivo de este estudio es predecir los rendimientos de la soya sembrado en suelo Ferralítico Rojo en la región de Alquízar ante el escenario de cambio climático SSP2-4.5 de los modelos Hadgem3, Mpi-esm1 y Mri-esm2 con la utilización del modelo de simulación AquaCrop.

MATERIALES Y MÉTODOS

RESULTADOS Y DISCUCIÓN

Utilizando los valores climáticos del escenario SSP2-4.5 de los modelos HadGEM3, Mpi-esm1 y Mri-esm2, se presentan los resultados que representa el clima futuro para el área de estudio para cada uno de los modelos.

En la Tabla 1 se muestra la selección de los años hidrológicos en función de su respectiva probabilidad (probabilidad 25% denota un año húmedo, el 50% medio y 75% seco) para el periodo 2023-2050 (noviembre-abril, periodo de desarrollo del cultivo) y valores de las precipitaciones para el escenario SSP2-4.5 y los modelos Hadgem3, Mpi-esm1 y Mri-esm2.

Bajo el escenario SSP2-4.5 puede observarse que el comportamiento de las precipitaciones varió entre 319,73-532,67 mm para el periodo estudiado, diferenciándose por modelo. Para el periodo de desarrollo del cultivo (noviembre-abril) los modelos Hadgem3 y Mpi-esm1 estiman valores de precipitación superiores al modelo Mri-esm2 entre un 5-18%, las mayores diferencias se tienen para el 50% de probabilidad de ocurrencia (13 y 18%).

En la Figura 1 se comparan las precipitaciones anuales estimadas bajo el escenario SSP2-4.5 para el periodo 2023-2050 de los tres modelos estudiados, puede observarse que el comportamiento de las precipitaciones varió entre 1241,7 y 2216,18 mm por año. De los 3 modelos el Mpi-esm1 estima los valores más altos de precipitaciones en 17 de los 28 años estudiados, y en 23 años valores por encima de los 1500 mm. Mientras que el modelo HadGEM3 estima 9 años menores a 1500 mm. El máximo valor lo estima el modelo Mri-esm2 con 2216,18 mm para el año 2037, mientras que en 10 años los estimados de precipitaciones fueron inferiores a 1500mm.

Las estimaciones del promedio anual de los 28 años por el modelo HadGEM3 es de 1619,23 mm, mientras que el modelo Mpi-esm1 estima 1714,57 mm y el Mri-esm2 1596,19 mm, todos por encima entre 16 y 22% al promedio anual actual de 1335 mm para Cuba según nuevo isoyético (Servicio Hidrológico Nacional, 2006SERVICIO HIDROLÓGICO NACIONAL: “Nuevos logros en el estudio de la pluviosidad en Cuba: Mapa Isoyético para el período 1961-2000.”, Revista Voluntad Hidráulica, XLIV (98): 2-11, 2006, ISSN: 0505-9461.).

En la Figura 2 se muestra el balance hídrico en el período de crecimiento definido para la soya (noviembre- abril) entre 2023-2050 para el SSP2-4.5 del modelo Hadgem3. A pesar de que en los años seleccionados las precipitaciones anuales superan los 1400 mm en los tres modelos, en el periodo de crecimiento del cultivo de la soya no se aprecia igual comportamiento. Como se observa en la Figura 4A en el año hidrológico húmedo (25% probabilidad de ocurrencia de las precipitaciones), solo en los meses de diciembre y enero, las precipitaciones superan la evapotranspiración del cultivo, en el 50 y 75 % de probabilidad solo en un mes, por lo que pudieran esperarse un mayor número de riegos unido a una norma neta total superior para este escenario SSP2-4.5. Similar análisis se realizó para el resto de los modelos, mostrando igual comportamiento.

En las Tablas 2, 3 y 4 se presentan los resultados obtenidos en el Cropwat de necesidades hídricas y manejo del riego para el cultivo de la soya para el escenario SSP2-4.5 de los modelos HadGEM3, Mpi-esm1 y Mri-esm2.

El número de riegos para la soya varió entre 9 y 10 riegos con normas parciales entre 24 y 30 mm y normas totales entre 246,2 y 272,7 mm, dependiendo del año y el modelo utilizado.

Los resultados obtenidos por Castellanos et al. (1984)CASTELLANOS, A.; REY, R.; AMORO, R.: “Efecto del riego sobre el rendimiento de la soya”, Cienc. Tec. Agric. Riego y Drenaje, 7(2): 39-51, 1984., para época de siembra similar a la del estudio, informan que fue necesario aplicar 14 riegos con una norma neta total de 259 mm y un aporte por lluvias de 117,6 mm. Además, refieren que para obtener altos rendimientos en los suelos Ferralíticos Rojos la humedad antes del riego no debe descender del 85% de la Cc en la capa de 0-40 cm de profundidad.

En la Tabla 5 se presentan los resultados de la simulación con Aquacrop para la soya. Primeramente, se simuló una producción potencial, máximo rendimiento posible sin ningún tipo de limitación, salvo la genética vegetal, la radiación solar y la temperatura, ajustada para el escenario SSP24.5 y los modelos HadGEM3, Mpi-esm1 y Mri-esm2 en los tres años seleccionados del período 2023-2050 (húmedo, medio y seco).

Los valores de rendimiento (2,72-3,27 t ha^-1) y productividad del agua (0,78-0,91 kg m^-3) están en el intervalo publicado en trabajos precedentes de González et al. (2014)GONZÁLEZ, R.F.; HERRERA, P.J.; LÓPEZ, S.T.; CID, L.G.: “Productividad del agua en algunos cultivos agrícolas en Cuba”, Revista Ciencias Técnicas Agropecuarias, 23(4): 21-27, 2014, ISSN: 1010-2760, E-ISSN: 2071-0054. y González et al. (2015)GONZÁLEZ, R.F.; LÓPEZ, S.T.; HERRERA, P.J.: “Indicadores de productividad del agua por cultivos y técnicas de riego en Cuba”, Revista Ciencias Técnicas Agropecuarias, 24(4): 57-63, 2015, ISSN: 1010-2760, E-ISSN: 2071-0054.. En el caso particular del rendimiento en experimentos de campo que sirvieron de fuente para la calibración del modelo Castellanos et al. (1984)CASTELLANOS, A.; REY, R.; AMORO, R.: “Efecto del riego sobre el rendimiento de la soya”, Cienc. Tec. Agric. Riego y Drenaje, 7(2): 39-51, 1984., este varió entre 0,42 para los tratamiento en secano y 3,49 t ha^-1 para el mejor tratamiento de riego, mientras que la productividad en base a la evapotranspiración obtenida en este trabajo fue superior en todos los años al promedio obtenido por estos autores antes citado (0,67 kg m^-3).

Los mayores rendimientos como promedio, simulados con Aquacrop, fueron los obtenidos con los datos climáticos del modelo HadGEM3 con 3,27 t ha^-1 (Figura 3). En los tres años seleccionados para este modelo fue necesario aplicar 9 riegos para lograr rendimientos superiores a las 2,95 t ha^-1. Se evidencia la posibilidad de alcanzar para la soya rendimientos de 3 t ha^-1 aun por las condiciones impuestas por el cambio climático y siempre que el cultivo no tenga limitaciones de riego, ataques de plagas, calidad de la semilla, entre otros.

Según Merino (2006)MERINO, D.: Caracterización morfo fisiológica y agronómica de cultivares de soya [Glycine max (L.) Merr.] en siembra de invierno en suelo pardo con carbonatos, Universidad Central “Marta Abreu” de las Villas Facultad de Ciencias Agropecuarias, Tesis de Diploma, Santa Clara, Villa Clara, Cuba, 65 p., 2006., en Cuba el rendimiento agrícola de la soya oscila entre 0,98 y 3 t ha^-1, en dependencia de la variedad empleada y la región. En la época de siembra de invierno y en condiciones de suelos pardos con carbonatos de la zona central de Cuba y con el cultivar Conquista se alcanzó rendimientos agrícolas de 2,54 t ha^-1.

En la Figura 4 se muestra las salidas del modelo Aquacrop para el escenario SSP2-4.5 del modelo Mri-esm2 (2038-2039, año húmedo), donde se obtuvo el rendimiento más bajo de los años húmedos de 2,85 t ha^-1, con 286,1 mm de precipitaciones y donde fue necesario aplicar 248,7 mm por riego. Se aprecia una disminución de la transpiración a los 50 días de plantada la soya, con un 98% de cierre estomático, al parecer por exceso de precipitaciones, ya que se aplicó un riego de 28,9 mm a los 46 días de plantada la soya y posteriormente llovió 5 días seguidos, coincidiendo con el inicio de la floración.

Las máximas producciones se obtienen cuando el cultivo puede transpirar a su máxima tasa, es decir, cuando no se produce cierre de estomas y por lo tanto reducción en la transpiración simultáneamente con la asimilación de CO₂. Las tasas de estos últimos dos procesos están fuertemente ligadas y por tanto el cálculo de la transpiración por el dosel del cultivo es una ruta directa para el cálculo de la asimilación del cultivo (Isla, 2019ISLA, P.T.: Predicción del impacto del cambio climático en el rendimiento de la soya (Glycine max L.) en suelo Ferralítico Rojo compactado, Universidad Tecnologica de La Habana, CIH, Tesis en opción al titulo de Ingenierto Hidraulico, La Habana, Cuba, 90 p., 2019.).

Según Márquez y Enriquez (1984), citado por Herrera et al. (2011)HERRERA, J.; PUJOL, R.; CID, G.; MÉNDEZ, M.; ALARCÓN, R.: “Problemas del drenaje agrícola en Cuba”, Revista Ingeniería Agrícola, 1(1): 21-32, 2011, ISSN: 2306-1545., en estudios realizados en condiciones experimentales similares a este estudio, la soya es un cultivo que muestra sensibilidad al exceso de humedad, puede perder hasta 20% de su rendimiento con 48 horas y hasta el 40% con 72 horas de inundación; su productividad dependerá entonces en gran medida del buen manejo del riego. Los efectos por exceso de humedad se traducen en una disminución de los rendimientos del cultivo. El decrecimiento de producción en la soya con 4 días de inundación está en el orden del 50% y las pérdidas más severas ocurren en la etapa vegetativa-floración.

Cuando el suelo se satura por un período prolongado el agua llena todos los poros desalojando al aire. Esto causa la ausencia de oxígeno en el suelo y en la mayoría de las plantas, una asfixia celular a nivel radical, perdiendo funcionalidad sus raíces, la reducción del crecimiento por deficiencias de nitrógeno y si se prolonga por mucho tiempo puede causar la muerte de la planta (Gardner et al., 1999GARDNER, C.M.K.; LARYEA, K.B.; UNGER, P.W.: Soil physical constraints to plant growth and crop production, Inst. Land and Water Development Division, AGL/MISC/24/99. FAO. Rome, Rome, Italy, 106 p., 1999.).

En la Tabla 6 se presentan los resultados de la simulación con Aquacrop para la soya cuando se aplicó un riego (10 mm) para garantizar la germinación, bajo el escenario SSP2-4.5 de los modelos HadGEM3, Mpi-esm1 y Mri-esm2 en los años húmedos y medios, así como la reducción del rendimiento con respecto al potencial obtenido en cada año que aparece en la Tabla 5.

En el modelo HadGEM3 para el año húmedo (2043-2044) los rendimientos se estiman en 2,09 t ha^-1 y la biomasa 7,02 t ha^-1, lográndose una productividad de 0,68 kg m^-3, con reducciones con respecto al rendimiento potencial de un 36% (Figura 5).

A los 20 días se presenta un estrés del 100% de expansión foliar y 31% cierre estomas, en todo este período solo precipitó 25,9 mm. A los 40 días 16% de expansión foliar, a los 80 días 63% de cierre estomas y 16% senescencia temprana y a los 100 días 25% de cierre de estomas. En todo el ciclo del cultivo como promedio la soya fue sometido a estrés de un 25% de expansión foliar y 16% de cierre de estomas, afectando el rendimiento significativamente.

Para este mismo modelo, pero en el año medio (2029-2030) solo se alcanzó un rendimiento de 0,148 t ha^-1 y biomasa de 2,03 t ha^-1, con reducciones con respecto al potencial de 95% (Figura 6). Este manejo del riego, unido a las escasas y mal distribuidas precipitaciones provocó agotamiento del agua en el suelo en casi todo el período de desarrollo del cultivo y marcados niveles de estrés. A partir de los 30 días de plantada la soya y hasta los 70 días se estiman valores de estrés entre 66 y 100 % de inhibición de la expansión del dosel vegetal, 48-80% de cierre de estomas y hasta 39% de aceleración de la senescencia como respuesta al estrés hídrico.

La soya tiene dos períodos críticos bien definidos con respecto al requerimiento de agua: desde la siembra a la emergencia, y durante la fase de formación y desarrollo de los órganos reproductivos (floración, formación y llenado de las vainas). En la fase de germinación tanto el déficit como el exceso de humedad son perjudiciales para la uniformidad de distribución y número de plantas por unidad de superficie. Durante este período, el exceso de agua es mucho más limitante que el déficit (Doorenbos & Kassam, 1986DOORENBOS, J.; KASSAM, A.: Yield response to water, Irrigation and Drainage, Ed. Food and Agriculture Organization of the United Nations (FAO), Rome, Italy, Rome, Italy, 193 p., 1986.).

Como se observa en la figura 7, para el modelo Mpi-esm1 en el año húmedo (2034 2035), las afectaciones en el rendimiento solo fueron del 14%, estas ocurrieron después de los 80 días de plantada la soya. A los 100 y 110 días el cierre de estomas fue de 84% y la aceleración de la senescencia alcanzó el 50% como respuesta al estrés hídrico, en este periodo las lluvias fueron inferiores a los 13 mm.

CONCLUSIONES