Download modelación del rendimiento de frijol bajo escenarios

MODELACIÓN DEL RENDIMIENTO DE FRIJOL BAJO ESCENARIOS
REGIONALES DE CAMBIO CLIMÁTICO EN LA REGIÓN SURESTE
DEL ESTADO DE DURANGO
Bean Yield Modeling Under Regional Climate Change in the Southeast Region of Durango
State
Gerardo Esquivel-Arriaga, , Miguel Rivera-González1, Miguel A. Velásquez-Valle1,
Arcadio Muñoz-Villalobos1, Hilario Macías-Rodríguez1 e Ignacio Sánchez-Cohen1.
INIFAP. Centro Nacional de Investigación Disciplinaria en Relación Agua-Suelo-Planta-Atmósfera. Km. 6.5 margen derecha Canal Sacramento, Gómez Palacio, Durango. C.P. 35140.
e-mail: [email protected]
1
RESUMEN
El presente estudio analiza la situación histórica del cultivo
de frijol en la región sureste del estado de Durango y plantea
escenarios climáticos regionales (A2, A1B) en las próximas tres
décadas. Se utilizó un generador estocástico de tiempo meteorológico para generar series diarias de tiempo de precipitación
y temperatura afectadas por cambio climático y se obtuvieron
los valores mensuales y sus parámetros estadísticos para ser
incorporados en un modelo de cultivo. Las simulaciones de
la productividad del cultivo se realizaron mediante el modelo
Erosion Productivity Impact Calculator (EPIC), utilizando dos fechas de siembra en cada escenario planteado. Los resultados
indican una diferencia entre escenarios A2 y A1B de 0.1° C en
la variable temperatura, y en precipitación de 67 mm. Comparados con la climatología histórica, la temperatura máxima indica
un aumento de 0.8 °C, la temperatura mínima de 0.9 °C, y la
precipitación una reducción de 56 mm para el escenario A2 y
de 11 mm para el escenario A1B. La productividad del cultivo
de frijol con base en las simulaciones realizadas mediante el
modelo de cultivo, indica incrementos y decrementos que se
mantienen dentro de los rendimientos históricos de producción,
la cual oscila en los 0.50 ton ha-1. Por lo tanto, se espera que en
las próximas tres décadas se siga obteniendo el mismo rendimiento, si se mantienen las labores de cultivo convencionales.
PALABRAS CLAVE: cambio climático, escenarios, simulación, productividad
SUMMARY
This study analyzes the historical situation of the bean crop
in the southeastern region of Durango state and raises regional
climate scenarios (A2, A1B) in the next three decades. A sto-
chastic weather generator was used to generate daily time series of temperature and precipitation affected by climate change
was used and the monthly values ​​and statistical parameters to
be incorporated into a crop model was obtained. Simulations of
crop productivity were performed using the Erosion Productivity
Impact Calculator (EPIC) model employing two planting dates
for each proposed scenario. The results indicate a difference
between A2 and A1B scenarios of 0.1 °C at temperature variable, and 67 mm in precipitation. Compared with historical
weather, the maximum temperature indicates an increase of
0.8 °C, the minimum temperature of 0.9 °C, and precipitation
a reduction of 56 mm for the A2 scenario and 11 mm for the
A1B scenario. The bean crop productivity based on simulations
using the crop model indicates increases and decreases that
are maintained within historical yields, which ranges in 0.50 ton
ha-1. Therefore, it is expected that in the next three decades continue obtaining the same yield, if the conventional tillage crop
remains.
KEY WORDS: Climate change, scenarios, simulation, productivity.
INTRODUCCIÓN
La necesidad de estimar los potenciales impactos del cambio climático requiere de conocer con mayor detalle espacial
cómo cambiará el clima. Para ello, es necesario pasar de los
ensambles producidos por modelos de circulación general
(GCMs), a ensambles de mayor resolución espacial que reflejen las características y tendencias del clima regional (Magaña,
2010). El desarrollo de herramientas computacionales ha permitido realizar proyecciones sobre el cambio climático en el futuro, basado en modelos físicos complejos. Sin embargo, para
AGROFAZ
97
AGROFAZ VOLUMEN 14 NÚMERO 1 2014
analizar la gama completa de escenarios se hace necesario
complementarlos con modelos físicos simples, calibrados para
ofrecer una respuesta equivalente a los complejos (Sánchez et
al., 2009).
En la actualidad, el recurso más avanzado del que se dispone para el estudio del clima es, sin lugar a dudas, el conjunto de
modelos de circulación general de Atmósfera y Océano Acoplados (AOGCMs), que suman un par de decenas. Estos modelos, basados en las leyes fundamentales de física, simulan una
gran variedad de los procesos que ocurren, en un rango muy
amplio de escalas espaciales y temporales, entre los diversos
subsistemas climáticos. Dichos modelos poseen resoluciones
espaciales variadas que se han refinado en el transcurso del
tiempo y que permiten su aplicación a escalas regionales (Conde y Gay, 2008).
La utilización de dichos modelos ha permitido realizar numerosos estudios en diversos campos de la ciencia, en el ramo
agrícola, los procedimientos para pronosticar los efectos de las
variaciones climáticas en la producción agrícola son relativamente recientes. En el decenio de los 1970’s fue característico
el uso de modelos de regresión para inferir relaciones estadísticas entre el clima y sus efectos potenciales en los rendimientos
agrícolas (Conde et al., 2004; Krishnan et al., 2009).
El Fondo de la Organización de las Naciones Unidas para
la Agricultura y la Alimentación (FAO) decidió, durante la Conferencia Alimentaria Mundial de 1974, establecer un sistema
de información y alerta sobre alimentación y agricultura a nivel
mundial, teniendo como objetivos principales el seguimiento
de las condiciones del cultivo, así como el pronóstico de rendimientos, especialmente en los países en desarrollo. Esta ini-
ciativa propició el desarrollo de modelos agroclimáticos para la
estimación de los impactos del clima en los cultivos (Conde et
al., 2004; Tebaldi y Knutti, 2010; White y Hoogenboom, 2010;
Lobell, 2010). Dentro del marco de la productividad de los sistemas agrícolas, estos dependen principalmente de la distribución temporal y espacial de la precipitación y de la evaporación,
así como de la disponibilidad de recursos de agua dulce para
el riego, especialmente de cultivos. Los sistemas de producción
de áreas marginales en términos hídricos estarían abocados a
una mayor vulnerabilidad climática y a un mayor riesgo en caso
de cambio climático.
En México, los desastres de origen meteorológico ocasionan impactos negativos en la población, el medio ambiente y
diversos sectores económicos. La magnitud de los fenómenos
meteorológicos extremos se ha incrementado, lo cual es difícil
atribuir o no directamente al cambio climático; sin embargo el
país es cada vez más vulnerable a condiciones extremas de
tiempo y clima (SEMARNAT, 2009). La agricultura de nuestro
país es vulnerable a las variaciones climáticas extremas, como
son las sequías, las inundaciones y las heladas, debido a que
se desarrolla fundamentalmente en condiciones de secano.
En el estado de Durango, la actividad agrícola en términos
de superficie se realiza principalmente bajo la modalidad hídrica de temporal. En base a información de la oficina estatal de
información para el desarrollo rural sustentable del estado de
Durango (OIEDRUS) para el período 1980–2010, la superficie
total promedio sembrada fue de 522,826 ha en la modalidad
hídrica de temporal, respecto a 103,699 ha sembradas en condiciones de riego, lo que representa que el 83 % de la superficie
total en el estado se siembra en temporal, considerando el año
agrícola Primavera-Verano y Otoño-Invierno (Figura 1).
Figura 1. Superficie sembrada por modalidad hídrica en el estado de Durango.
98
AGROFAZ
RELACIONES AGUA-SUELO-PLANTA
De los principales cultivos establecidos bajo condiciones de
temporal en el estado, el cultivo de frijol es el que ocupa mayor
superficie sembrada con un promedio de 276, 905 ha-1, seguida por maíz grano y avena forrajera. A nivel nacional Durango
ocupa el segundo lugar como productor de frijol, sin embargo
los rendimientos unitarios obtenidos se han mantenido históricamente en niveles bajos, ya que no superan la tonelada por
hectárea (Figura 2). De los municipios que destinan mayor superficie al cultivo de frijol, se encuentran Cuencamé, Guadalupe
Victoria, Pánuco de Coronado, Peñón Blanco y Santa Clara,
municipios que comprenden la región agrícola denominada Los
Llanos, Durango.
Aunado a lo anterior, el objetivo de este estudio es presentar
un análisis de la situación histórica de producción del cultivo de
frijol en la región y plantear escenarios regionales de cambio
climático en las próximas tres décadas, sobre las principales
variables que inciden en la producción del cultivo bajo la modalidad hídrica de temporal, con el fin de establecer la vulnerabilidad al que está sujeta la región en términos productivos.
Figura 2. Rendimientos históricos de frijol en el estado de Durango.
METODOLOGÍA
Unidad básica de estudio
La región denominada Los Llanos se ubica al sureste del
estado de Durango, comprende los municipios de Guadalupe
Victoria, Cuencamé, Peñón Blanco, Santa Clara y Panuco de
Coronado (Treviño et al., 1975) (Figura 3). Se encuentra entre
los paralelos 24° 03’ y 24° 37’ de latitud norte y los 103° 33’ y
104° 30’ al oeste del meridiano de Greenwich. La topografía
del terreno presenta elevaciones que varían desde 1900 hasta
2160 msnm. El clima en la mayor parte de la región es semiseco templado (BS1k) y moderadamente seco semicálido (BSh)
con régimen de lluvias en verano, las cuales oscilan de 300 a
547 mm en promedio anual y una temperatura media de 16 a
23 °C (IMTA, 2009; CONAGUA, 2014).
AGROFAZ
99
AGROFAZ VOLUMEN 14 NÚMERO 1 2014
Figura 3. Ubicación geográfica de la Región de los Llanos, Durango.
Análisis y procesamiento de información climática
Las bases de datos se obtuvieron del Extractor Rápido de
Información Climatológica III v. 2.0 (ERIC III) (IMTA, 2009).
Identificadas las estaciones meteorológicas de la región, se
efectuó un análisis y control de calidad de la información, es-
pecíficamente para las variables temperatura (máxima y mínima) y precipitación (Cuadro 1). Obtenidas las series históricas
diarias de precipitación y temperatura se procesaron mediante
las herramientas WXPARM y PARAMETROS2, que permitió
obtener los valores medios mensuales y sus parámetros estadísticos (Williams, 1992).
Cuadro 1. Estaciones meteorológicas consideradas en el estudio.
100
AGROFAZ
RELACIONES AGUA-SUELO-PLANTA
Escenarios regionales de cambio climático
LARS WG (Long Ashton Research Station Weather Generator, por sus siglas en inglés) es un generador estocástico de
tiempo meteorológico el cual genera datos diarios de tiempo de
un sitio en particular con las mismas características estadísticas
de la serie real de la estación (Semenov et al., 1998). A partir
de los escenarios regionalizados para México, se identificaron
las estaciones climatológicas más cercanas para cada punto de
la malla de 55 km x 55 km (Magaña, 2010) y se generaron series de cien años de datos diarios con el generador estocástico
mencionado anteriormente.
El modelo se calibró a partir de las características estadísticas de los datos observados y muestras diarias (100 años) de
cambio climático. Se construyó la serie sintética de tiempo futura para la climatología en los próximos 30 años, afectadas por
los índices del escenario A2 y A1B (Magaña, 2010). Las series
de tiempo generadas fueron procesadas mediante las herramientas WXPARM y PARAMETROS2 que permitió la ordenación de los datos climatológicos para obtener los valores medios mensuales y sus parámetros estadísticos (Williams, 1992)
para su posterior utilización en la modelación de rendimientos.
Modelación del rendimiento
En la modelación de rendimientos afectados por variabilidad
climática, se utilizó el modelo EPIC (Erosion Productivity Impact
Calaculator) v. 4160, ampliamente usado para evaluar el impacto y las estrategias de manejo en la producción agrícola, así
como en los recursos agua y suelo (Williams, 1995; Ren et al.,
2010; Gaiser et al., 2010; Liu et al., 2009; Ko et al., 2009; Niu
et al., 2009). El método consistió en la parametrización del modelo con base en variables de clima, suelo, cultivo y prácticas
de manejo. La información climática observada fue extraída de
ERIC III (IMTA, 2009), los escenarios se generaron mediante
LARS-WG y los requerimientos y prácticas del cultivo fueron
obtenidos de SAGARPA-INIFAP (2005) y Díaz et al., (2012).
La calibración del modelo EPIC se realizó utilizando la climatología observada, así como los rendimientos históricos (SIAP,
2014); finalmente la modelación de los rendimientos se realizó
utilizando los escenarios regionales derivados del generador
estocástico.
RESULTADOS Y DISCUSIÓN
Escenarios regionales
Se generaron escenarios regionales de cambio climático
para las variables temperatura (máxima y mínima) y precipitación para la climatología de los próximos 30 años en la región
de los Llanos, Durango. La Figura 4 muestra la temperatura
máxima histórica (observados) y los escenarios producto del
proceso de regionalización. Respecto a la variable temperatura máxima se puede apreciar un incremento en los escenarios
simulados A2 y A1B en el periodo Enero – Septiembre el cual
oscila de 0.6 a 1.3 ºC. En los meses de Octubre a Diciembre la
diferencia es de aproximadamente 0.2 ºC, y entre escenarios
es de 0.1 °C. Resultados similares fueron obtenidos por García
et al., (2010) utilizando otra técnica de regionalización en la misma región de estudio.
Figura 4. Temperatura máxima observada vs escenarios regionales de cambio climático.
AGROFAZ
101
AGROFAZ VOLUMEN 14 NÚMERO 1 2014
En relación a la temperatura mínima, se presenta la misma
tendencia que para la máxima, en la cual aumenta en un rango de 0.5 a los 1.3 °C, con respecto a los datos históricos (Figura 5). García et al., (2010) encontraron que los incrementos
se presentaban en los meses de Abril y Mayo, así como en el
período de Julio a Septiembre, en este caso existe un mínimo
incremento en todos los meses del año. La diferencia entre el
escenario A2 y A1B es de 0.1°C, con respecto a 0.9 °C con
base en la temperatura mínima anual histórica.
Figura 5. Temperatura mínima observada vs escenarios regionales de cambio climático.
En la variable precipitación, el comparativo entre los datos
históricos y los escenarios planteados indican una reducción en
la precipitación pluvial que inicia en los meses de Julio a Septiembre, siendo Agosto el que resulta con una disminución de
27 mm respecto a la precipitación histórica. Así mismo, el escenario A1B muestra un descenso promedio de 10 mm en los tres
meses mencionados anteriormente (Figura 6). Comparando
estos resultados con los reportados por García et al., (2010),
difieren ya que ellos reportan un incremento en la precipitación,
pero no en una distribución normal, sino de tipo bimodal; es decir la precipitación ocurre en dos periodos a través del año. Por
el contrario, los generados con LARS-WG siguen la tendencia histórica siendo el escenario A2 el que indica en promedio
anual una disminución aproximada de 50 mm vs lo observado.
Figura 6. Precipitación histórica vs escenarios regionales de cambio climático.
102
AGROFAZ
RELACIONES AGUA-SUELO-PLANTA
Modelación del rendimiento
Los resultados de la modelación del rendimiento de frijol
bajo condiciones de temporal en la región de los Llanos se obtuvieron mediante la parametrización del modelo EPIC. Con
base en Díaz et al., (2012) el potencial productivo para el esta-
blecimiento de frijol en la región de los Llanos va de medio a alto
en la mayor parte de los municipios que comprenden la región,
siendo Guadalupe Victoria y Cuencamé los municipios que
más superficie destinan a la producción de frijol, con aproximadamente 90,000 ha-1 de superficie sembrada (SIAP, 2014) y
rendimientos promedio de 0.58 ton ha-1. (Figura 7).
Figura 7. Potencial productivo de frijol en la región de los Llanos, Durango.
Los resultados de la modelación del cultivo de frijol afectado
por cambio climático se presentan en el Cuadro 2. Para ello, se
manejaron dos fechas de siembra, una en el mes de Junio y
otra en el mes de Julio (SAGARPA-INIFAP, 2005) para los dos
escenarios planteados en el estudio. En promedio en la región,
involucrando los cinco municipios, el rendimiento es de 0.50 ton
ha-1, mismo que se mantiene en los escenarios planteados con
ciertos decrementos e incrementos en las simulaciones. Por
ejemplo, para el municipio de Cuencamé su rendimiento histórico oscila en los 0.57 ton ha-1, y los escenarios arrojan un rendimiento de 0.50 ton ha-1 para A2 como para A1B. Lo anterior
se deriva a que no existe una diferencia considerable en los
valores entre los escenarios planteados respecto a la temperatura como la precipitación.
Por ejemplo, la precipitación resultante para Cuencamé en
el escenario A2 arroja una precipitación de 370.2 mm y el escenario A1B estima 379.4 mm; contra una precipitación observada histórica de 392 mm; Guadalupe Victoria en el escenario
A2 estima 485 mm contra 500 mm en el escenario A1B con
respecto a 497 mm de precipitación histórica. Esta tendencia se
mantiene en los demás municipios considerados en el estudio.
AGROFAZ
103
AGROFAZ VOLUMEN 14 NÚMERO 1 2014
Cuadro 2. Modelación del rendimiento bajo condiciones actuales vs escenarios regionales.
Como se puede apreciar en el cuadro anterior, los municipios de Guadalupe Victoria y Pánuco de Coronado, los cuales
presentan un rendimiento de 0.58 y 0.54 ton ha-1 pasan a 6.0
ton ha-1 con base a las simulaciones realizadas, por el contrario
Cuencamé pasa de 0.57 a 0.50 ton ha-1, Peñón Blanco de 0.46
a 0.40 ton ha-1 y finalmente Santa Clara de 0.39 a 0.30. Los
resultados muestran que existen incrementos o decrementos
en la productividad pero que se mantienen en promedio en los
rendimientos obtenidos de forma histórica.
Conde A. A. C. y Gay G. C. 2008. Guía para la generación de
escenarios de cambio climático a escala regional. Centro de
Ciencias de la Atmósfera. UNAM, México. D.F.
CONCLUSIONES
Gaiser T., Barros I., Sereke F. and Lange F.M. 2010. Validation
and reliability of the EPIC model to simulate maize production in small-holder farming systems in tropical sub-humid
West Africa and semi-arid Brazil. Agriculture, Ecosystems
and Enviroment 135:318-327.
Los escenarios climáticos regionales derivados para la
región agrícola de los Llanos, Durango muestra que no hay
diferencia entre los escenarios A2 y A1B planteados en este
estudio. Sin embargo, comparados con los datos históricos, la
temperatura máxima indica un aumento de 0.8 °C, la temperatura mínima de 0.9 °C, y la precipitación una reducción de 56
mm para el escenario A2 y de 11 mm para el escenario A1B.
Estas diferencias se ven reflejadas en la productividad del cultivo de frijol con base en las simulaciones realizadas mediante
el modelo de cultivo, ya que generan incrementos y decrementos que se mantienen dentro de los rendimientos históricos de
producción, la cual oscila en los 0.50 ton ha-1. Por lo tanto, con
base en el generador estocástico de tiempo meteorológico utilizado (Magaña, 2010) y las simulaciones mediante el modelo
EPIC, se espera que en las próximas tres décadas se siga obteniendo el mismo rendimiento del cultivo en la región, si se
mantienen las labores de cultivo convencionales.
Díaz P. G., Guajardo P. R. A., Medina G. G., Sánchez C. I., Soria
R. J., Vázquez A. J. M. P., Quijano C. J. A., Legorreta P. F. y
Ruíz C. A. 2012. Potencial productivo de especies agrícolas
de importancia socioeconómica en México. INIFAP. Centro
de Investigación Regional Golfo Centro, Campo experimental Cotaxtla, Sitio experimental Teocelo, Xalapa, Veracruz.
García H. G., Esquivel A. G., Zárate V. J. L., Trejo C. R., Sánchez C. I. y Esquivel A. O. 2010. Escenarios a futuro de temperatura y precipitación pluvial bajo el efecto de un cambio
climático en la región agrícola de los Llanos, Durango, México. Revista Chapingo, Serie Zonas Áridas. Vol. IX Núm. 2.
IMTA (Instituto Mexicano de Tecnología del Agua). 2009 Extractor Rápido de Información Climatológica III, v. 2.0. Información climatológica disponible en formato electrónico.
Jiutepec, Morelos, México.
Ko J., Picccinni G. and Steglich E. 2009. Using EPIC model to
manage irrigated cotton and maize. Agricultural Water Management 96: 1323-1331.
http://smn.cna.gob.mx/index.php?option=com_content&view=
article&id=42&Itemid=75 (Accesado Enero 2014).
Krishnan P., Ramakrishnan B., Rao K. S. and Dash R. N. 2009.
Simulation Studies to Characterize the Impact of Climate
Change on Crop Production and to Identify Strategies for
Adaptation and Mitigation. En: Climate Change and Crops.
S.N. Singh National Botanical Research Inst. (NBRI) Environmental Science Division. India.
Conde C., Ferrer R. M., Araujo R., Gay C., Magaña V., Pérez J.
L., Morales T. y Orozco S. 2004. El niño y la Agricultura. En:
Magaña Rueda Víctor (Editor) (2004). Los impactos del niño
en México. Centro de Ciencias de la Atmósfera, Universidad
Nacional Autónoma de México. Secretaría de Gobernación.
México, 229 p.
Liu J., Williams J. R., Wang X. and Yang H. 2009. Using
MODAWEC to generate daily weather data for the EPIC
model. Environmental Modelling & Software 24: 655–664.
LITERATURA CITADA
CONAGUA (Comisión Nacional del Agua). 2014. Climatología
estadística de las estaciones meteorológicas de México.
104
AGROFAZ
Liu J., Williams J. R., Wang X. and Yang H. 2009. Using EPIC
model to manage irrigated cotton and maize. Agricultural
Water Management 96:1323-1331. RELACIONES AGUA-SUELO-PLANTA
Lobell D. 2010. Crop Responses to Climate: Time-Series
Models 97-98. En: D. Lobell and M. Burke (eds.), Climate
Change and Food Security, Advances in Global Change Research 37.
Magaña, O.V. 2010. Guía para Generar y Aplicar Escenarios
Probabilísticos Regionales de Cambio Climático en la Toma
de Decisiones. Instituto Nacional de Ecología. http://zimbra.
ine.gob.mx/escenarios.
Niu X., Easterling W., Hays C. J., Jacobs A. and Mearns L.
2009. Reliability and input-data induced uncertainty of the
EPIC model to estimate change impact on sorghum yields in
the U.S. Great Plains. Agriculture, Ecosystems and Environment 129:268-276.
Ren J., Yu F., Chen Z. and Qin J. 2010. Regional yield estimation of summer maize based on a simulation of remotely
sensed LAI into EPIC Model. In: Second IITA International
Conference on geoscience and remote sensing.
SAGARPA-INIFAP. 2005. Guía para la asistencia técnica agrícola, área de influencia del campo experimental “Valle del
Guadiana”. Durango, Dgo. México. pp. 217.
Sánchez C. I., González B. J. L., Díaz P. G. y Velázquez V. M. A.
2009. Cambio climático e incertidumbre: impacto en las variables hidrológicas de las cuencas. En: González Barrios,
J.L., I. Sánchez Cohen (Dir. Del libro). Manejo comparado
de cuencas hidrológicas. Incertidumbre climática, vulnerabilidad ecológica y conflicto social. Ediciones de la Sociedad
Mexicana de la Ciencia del Suelo, la Red Temática del Agua
CONACYT y la Red Nacional de Innovación Agua y Suelo
del INIFAP. Torreón, Coahuila, México 282 p.
SEMARNAT, 2009. Informe de la Situación del Medio Ambiente
en México. Edición 2008. Compendio de Estadísticas Ambientales. México. 380 p.
Semenov M. A., R. J. Brooks, E. M. Barrow y C. W. Richardson.
1998. Comparison of the WGEN and LARS-WG stochastic
weather generators in diverse climates, Clim. Res., 10, 95107.
SIAP (Sistema de Información Agroalimentaria y Pesquera)
2014. Cierre de la producción agrícola por estado. http://
www.siap.gob.mx/cierre-de-la-produccion-agricola-por-estado.
Tebaldi C. and Knutti R. 2010. Climate Models and Their Projections of Future Changes. Chapter 3:31-56 En: D. Lobell
and M. Burke (eds.), Climate Change and Food Security,
Advances in Global Change Research 37.
Treviño de la C. G., Aguirre R. A. y Delgado S. A. 1975. Informe
del Programa de Investigaciones Agrícolas Realizado en los
Llanos de Durango durante el año 1975. INIA-CP. Durango,
México.
White W. J. and Hoogenboom G. 2010. Crop Response to Climate: Ecophysiological Models. Chapter 4: 59-83 En: D.
Lobell and M. Burke (eds.), Climate Change and Food Security, Advances in Global Change Research 37.
Williams, J.R. 1992. WXPARM: Weather parameter calculator for EPIC. User Manual. U.S. Department of Agriculture.
Grassland Soil and Water Research Laboratory, Texas. 6 pp.
Williams, J. R. 1995. The EPIC Model. In: Singh, V. P. (Ed),
Computer Models of Watershed Hydrology. Water resources publications, Highlands Ranch, USA, pp. 909-1000.
AGROFAZ
105