tesis doctoral efecto del riego deficitario …

Escuela Técnica Superior de Ingenieros Agrónomos y de Montes de Albacete

Departamento de Producción Vegetal y Tecnología Agraria

TESIS DOCTORAL

EFECTO DEL RIEGO DEFICITARIO CONTROLADO

OPTIMIZADO POR ETAPAS, PARA VOLÚMENES LIMITADOS

DE AGUA, EN EL RENDIMIENTO Y LA CALIDAD DE LA

CEBADA CERVECERA

Doctorando:

José Jesús Pardo Descalzo

Directores de Tesis:

Dr. Alfonso Domínguez Padilla

Dr. José María Tarjuelo Martín-Benito

Albacete, octubre de 2018

A mi padre, José,

in memoriam

AGRADECIMIENTOS

Es indudable que la elaboración de esta Tesis Doctoral no sólo ha sido fruto de la

dedicación y del trabajo del doctorando, sino también de la ayuda y contribución de

muchas más personas (compañeros, familia y amigos) e instituciones que se han visto,

directa o indirectamente, involucrados en el desarrollo de este documento.

Me gustaría agradecer a la Universidad de Castilla-La Mancha, a la Escuela Técnica

Superior de Ingenieros Agrónomos de Albacete, al Departamento de Producción Vegetal

y Tecnología Agraria y al Centro Regional de Estudios del Agua, todos los medios, tanto

en equipamiento como en infraestructuras, que han puesto a disposición del grupo de

investigación para el progreso de este trabajo.

También al Ministerio de Economía, Industria y Competitividad, a la Agencia Estatal de

Investigación y al Fondo Europeo de Desarrollo Regional por financiar los proyectos

“Riego por aspersión: aplicación del agua, agronomía y flujos de retorno (Ref.:

AGL2010-21681-C03-02)”, “Desarrollo e integración de herramientas y metodologías

para la mejora del uso del agua y la energía en el regadío (Ref.: AGL2014-59747-C2-1-

R)” y “Mejora de la eficiencia en el uso de la energía y del agua de riego mediante

minilisímetros y riego deficitario (Ref.: AGL2017-82927-C3-3-R)”, que han permitido

mi formación de doctorado durante la duración del mismo. De igual manera, agradezco a

Intermalta por todo el soporte técnico y material dado durante los ensayos.

Agradecer al Centro Integral de Formación Profesional “Aguas Nuevas” y a su personal

laboral por su predisposición a ayudar y solucionar eventuales problemas acontecidos

durante el desarrollo experimental.

Me gustaría demonstrar mi inmensa gratitud a mis dos queridos directores, Dr. Alfonso

Domínguez Padilla y Dr. José María Tarjuelo, ejemplos de trabajo, humildad y

responsabilidad los cuales me han proporcionado la oportunidad, confianza, apoyo y

ánimos para seguir mejorando.

De igual manera, a Dr. Bruno César Lellis, compañero de fatigas, de jornadas duras e

interminables, pero también de alegrías, y a Dr. Ángel Martínez Romero, el cual se ha

implicado, participado y orientado en sobremanera, siempre desinteresadamente.

No podría dejar de agradecer a todo el equipo humano que forma o ha formado parte del

“Centro Regional de Estudios del Agua”-CREA, y en especial a los que “engañé” para

que participasen activamente en mi Tesis, Dr. Francisco Aldiel (Diel), Dra. Anna Kelliane

Nascimento, Amaro Del Castillo y Dr. Eulogio López.

Aprovecho para expresar toda mi gratitud a mis padres (José y Mª del Carmen) y

familiares por todo el cariño, afecto, ayuda, apoyo y comprensión que me han dado

durante todos estos años.

Tampoco me puedo olvidar de mi otra familia, esos “tunantes”, “Erasmus” y “amigos del

barrio”, los cuales son muy importantes en mi vida y con quienes he compartido muchos

quebraderos de cabeza y la angustia de algunos malos momentos, pero también muchas

alegrías y momentos inolvidables.

Por último y no menos importante, es dirigir unas líneas a mi “bicheja”, muchas gracias

por ser como eres conmigo, por demostrarme tanto amor, cariño y hacerme tan feliz.

Espero que la vida nos brinde muchas y muy buenas cosas juntos.

A todos, muchas gracias.

RESUMEN

Resumen

A nivel mundial, la cebada (Hordeum vulgare L.) es el duodécimo cultivo en producción

y el quinto en superficie cultivada. En España se cultivan 2.800.000 ha de esta especie,

produciéndose cerca de 7.000.000 de toneladas de grano. Castilla-La Mancha (CLM) es

el segundo productor con el 29% del total nacional, cultivándose 847.793 ha de las que

95.320 ha son en regadío.

En condiciones semiáridas como las de CLM, la cebada es un cultivo con unas

necesidades relativamente bajas de agua de riego (lámina neta, In = 2.500 m3 ha-1 para un

año medio), pudiendo triplicar el rendimiento en regadío frente al secano. No obstante,

en la agricultura de regadío actual, el aumento de los costes de producción, especialmente

los de la energía eléctrica asociada a los sistemas de riego presurizados, así como la

limitación de la disponibilidad de agua en general y de las dotaciones para el riego, están

impulsando la necesidad de aplicar técnicas que mejoren la eficiencia del uso del agua de

riego, tales como el riego deficitario controlado (RDC), con el fin de asegurar la

viabilidad de las explotaciones. Además, la sociedad exige un uso más eficiente y

sostenible de los recursos hídricos con el fin de reducir el impacto sobre el medio

ambiente.

El modelo MOPECO permite establecer estrategias de riego en los cultivos que optimicen

el uso del agua. Fue concebido para maximizar el margen bruto de las explotaciones de

regadío, al tener en cuenta tanto el volumen de agua como la superficie regable

disponible. Para un determinado objetivo de déficit global, o un volumen de agua de riego

limitado, calcula la estrategia de riego deficitario controlado optimizado por etapas

(ORDI) que maximiza el rendimiento.

El objetivo de esta Tesis Doctoral es determinar las estrategias ORDI que maximizan el

rendimiento de cebada bajo las condiciones de CLM, para cinco volúmenes de agua de

riego (uno sin déficit “SD” y los otros cuatro con distintos volúmenes limitados de agua

de riego disponible, que corresponden al 100% “T100”, 90% “T90”, 80% “T80” y 70%

“T70” de In), y analizar sus efectos sobre la calidad de las cosechas, la respuesta

fisiológica del cultivo, la eficiencia en el uso del agua y la rentabilidad de las

explotaciones.

El ensayo experimental se llevó a cabo durante las campañas 2015, 2016 y 2017 en

Albacete (España). La variedad de cebada cultivada fue “Shakira” con una dosis de

siembra de 210 kg ha-1. Se realizaron cuatro repeticiones de cada tratamiento en parcelas

de 2,5 x 18,0 m, distribuidas al azar, salvo en los tratamientos sin déficit y el T100 donde

Resumen

fueron tres. El agua se aplicó mediante un sistema de riego localizado por goteo de marco

cuadrado (0,5 m x 0,5 m de separación entre ramales y emisores) dotado de emisores

autocompensantes con un caudal nominal de 3,8 L h-1. En cada sector de riego, que

corresponde con un tratamiento, se instaló un caudalímetro de pulsos de alta precisión

para controlar los volúmenes de agua aplicados.

La duración de las etapas de desarrollo del cultivo en grados día acumulados (GDD) se

definió a partir de 28 seguimientos fisiológicos de esta especie llevados a cabo por el

Servicio Integral de Asesoramiento al Regante de CLM (SIAR) y el Instituto Técnico

Agronómico Provincial de Albacete (ITAP) durante los años 2002 a 2013 a lo largo de

toda la comunidad autónoma. La calibración del modelo MOPECO se realizó mediante

los datos obtenidos en un experimento previo de tres años de duración, y quedó validado

en los ensayos llevados a cabo en esta Tesis con un 100% de aciertos con respecto al

rendimiento esperado en todos los tratamientos simulados. Los valores del coeficiente de

cultivo (Kc) para la zona se dieron por válidos a partir de los datos de evolución del

contenido de humedad del suelo registrados por los sensores colocados en las parcelas de

seguimiento y los registros de un lisímetro de pesada continua experimental instalado en

la campaña de 2017. El lisímetro de pesada de tamaño reducido, utilizado en este trabajo,

ha mostrado su eficacia y versatilidad en esta tarea.

Como media de los tres años de ensayos, ORDI ha logrado elevados rendimientos para el

agua recibida (entre 9.049 kg ha-1 del tratamiento SD y 6.339 kg ha-1 del T70), mejorando

la productividad del agua de riego (de 2,75 kg m-3 del SD hasta 3,64 kg m-3 del T80). En

consecuencia, se ha reducido la huella hídrica de la cebada, pasando de 581 m3 Mkg-1 del

SD a 531 m3 Mkg-1 del T80.

El análisis de los resultados ha puesto de manifiesto que, generando la misma producción

total en la provincia de Albacete (155.000 toneladas de cebada procedente de regadío)

aplicando la estrategia de riego T80 en lugar de la SD, se lograría reducir un 24% las

necesidades de agua azul (agua de riego) y, del mismo modo, la componente gris de la

huella hídrica, que también se vería beneficiada disminuyendo un 9%. Así, la reducción

de la huella hídrica total en la zona rondaría el 9%, aunque sería necesario cultivar 30.500

ha, un 24% más que en la actualidad. Sin embargo, dado que un elevado porcentaje de la

superficie regable tiene que dejarse en barbecho o cultivarse con especies de secano como

la cebada por no haber agua suficiente, este inconveniente es perfectamente asumible. Por

Resumen

lo tanto, ORDI es beneficiosa para el medio ambiente y mejora la competitividad de este

producto.

Cuando la calidad del grano alcanza la categoría de “maltera”, es decir, apto para la

elaboración de malta para cerveza, el precio del grano se incrementa una media de un

15%. Déficits hídricos limitados, aplicando ORDI, junto con un abonado nitrogenado

orientado a las producciones esperadas, pueden favorecer el tamaño de los granos y su

concentración de proteína, mejorando por tanto la aptitud maltera. Durante las tres

campañas, todos los tratamientos cumplieron con los requisitos de calidad exigidos por

las malterías, tanto a nivel de grano, como de malta y mosto. La metodología no generó

diferencias significativas en los parámetros de calidad, aunque en muchos casos, los

parámetros medios obtenidos por los tratamientos deficitarios mejoraron a los del

tratamiento SD.

Los parámetros fisiológicos de los que se realizó un seguimiento fueron la fotosíntesis y

la conductancia estomática, poniéndose de manifiesto que el déficit hídrico afecta más

rápidamente a este último factor. Además, se recogieron muestras de material vegetal con

las que se obtuvieron la evolución de la biomasa y del índice de área foliar, que llegó

hasta a 11 m2 m-2 en 2015 para el SD.

El análisis de los resultados pone de manifiesto que la metodología ORDI puede ayudar

a incrementar la rentabilidad de las explotaciones (hasta 30 € ha-1 año-1 de media con un

T80, para los últimos 10 años, en una explotación tipo de 20 ha y 35.000 m3 disponibles,

lo que supone un 7% más con respecto a la rentabilidad media de este cultivo en la zona)

situadas en zonas con baja disponibilidad hídrica, aunque lo verdaderamente interesante

es el impacto económico que puede ocasionar el ahorro de agua en este cultivo al

manejarlo mediante ORDI. Sólo en el ámbito de la Unidad Hidrogeológica Mancha

Oriental, situada entre las provincias de Cuenca y Albacete, donde se han cultivado unas

15.000 ha año-1 de media de cebada en regadío durante las tres campañas de ensayo de

esta Tesis, la repercusión económica del volumen de agua de riego ahorrado y puesto a

disposición de otros cultivos más rentables, si se hubiese gestionado toda esa superficie

mediante un T80 en lugar de un SD, habría supuesto más de 30 millones de euros.

ABSTRACT

Abstract

According to the world production, barley (Hordeum Vulgare L.) is the twelfth crop in production

and the fifth in cultivated area. In Spain, 2,800,000 ha of this cultivar are cropped, producing

around 7,000,000 tons of grain. Castilla–La Mancha (CLM) is the second producer with 29% of

the national total, cultivating 847,793 ha, out of which 95,320 ha are irrigated.

Under semi-arid conditions like the ones in CLM, barley is a crop with relatively low irrigation

requirements (net irrigation needs, In = 2,500 m3 ha-1 for the climatic conditions of the

intermediate typical meteorological year), being able to triple the yield in irrigation as compared

with rainfed production. Nevertheless, in nowadays irrigation agriculture, the rising in production

costs, especially those of electric energy associated to the pressurized irrigation systems, as well

as limitation in water availability in general and allocation for irrigation, are accentuating the need

for applying techniques that enhance the water use efficiency, such as Regulated Deficit Irrigation

(RDC), in order to ensure farms sustainability. Moreover, society demands a more efficient and

sustainable use of the hydrological resources with the purpose of reducing the impact on the

environment.

The MOPECO model allows establishing irrigating strategies over the crops that optimize the use

of water. It was conceived to maximize the gross margin of irrigation farms, taking into account

both the volume of water and the available irrigable area. For a specific objective of global deficit,

or a limited volume of irrigation water, it calculates the strategy of optimized regulated deficit

irrigation (ORDI) that maximizes yield.

The aim of this Doctoral Thesis is to determine the ORDI strategies that maximize the yield of

barley under CLM conditions, for five irrigation water volumes (one with no deficit “SD”, and

the other four with different limited volumes of available irrigation water, which correspond to

100% “T100”, 90% “T90”, 80% “T80”, y 70% of In), and to analyze their effects on the quality

of the harvests, the physiological response of the crop, the efficiency in the use of water and the

profitability of the farms.

The field experiment was carried out during the 2015, 2016 and 2017 campaigns in Albacete

(Spain). The variety of barley that was cultivated was “Shakira” with a sowing dose of 210 kg ha-

1. Four repetitions of each treatment were made in 2.5 x 18.0 m plots, randomly distributed, except

for treatments with no deficit and T100, where three repetitions were carried out. The water was

applied by a square frame drip irrigation system (0.5 x 0.5 m between pipes and emitters)

equipped with self-compensating emitters with a 3.8 L h-1 nominal flow. A high accuracy pulse

flowmeter was installed in each irrigation sector which corresponded to a treatment, in order to

control the water volumes applied.

The duration of the crop’s growth stages regarding accumulated growing degrees days (GDD)

was defined from 28 physiological monitoring of this cultivar carried out by the “Servicio Integral

Abstract

de Asesoramiento al Regante de CLM” (SIAR) and the” Instituto Técnico Agronómico Provincial

de Albacete” (ITAP) during the years 2002 to 2013 throughout the whole region. The calibration

of the MOPECO model was carried out using the data obtained from a three-year-long previous

experiment, and was validated by the tests carried out in this Thesis with 100% successes with

regard to the expected yield in all the treatments that were simulated. The values of the crop

coefficient (Kc) for the area were regarded as being valid from the soil humidity content evolution

data recorded by sensors, placed at the monitoring plots and from the readings by an experimental

weighing lysimeter installed in the 2017 campaign. The compact size weighing lysimeter used in

this work has proved its efficiency and versatility in this task.

As an average for the three years of trials, ORDI has achieved high yields for the water received

(between 9,040 kg ha-1 of the SD treatment and 6,339 ha-1 of the T70), enhancing irrigation water

productivity (from 2.75 kg m3 of the SD up to 3.64kg m3 of the T80). Accordingly, the barley

water footprint has been reduced, evolving from 581m3 Mkg-1 of the SD to 531m3 Mkg-1 of the

T80.

The analysis of the results has revealed the fact that, generating the same total production in the

province of Albacete (155,000 tons of barley coming from irrigated land) and applying irrigation

strategy T80 instead of SD, the need for blue water (irrigation water) would get to be reduced by

a 24%, and in the same way, the water footprint grey component as well, which would be

benefited by a 9% reduction. Thus, the reduction of the total water footprint in the area would be

around 9%, even though it would be necessary to cultivate 30,800 ha, 24% more than the current

number. Nevertheless, since a high percentage of the irrigable surface has to be left for fallowing

or cultivated with rainfed species such as barley, due to lack of available water, this drawback is

perfectly affordable. Therefore not only ORDI is beneficial for the environment but it also

improves the competitiveness of this product.

When the grain quality reaches the malt category, that is to say, apt for making malt for beer, the

price of the grain increases 15% on average. Regulated water deficits, applying ORDI, along with

a nitrogenous fertilization orientated towards the expected production, can promote the size of

grains and their protein concentration, upgrading thus the malting capacity. During all three

campaigns, every treatment fulfilled the quality requirements demanded by malt industry, at grain

level, as well as malt and wort. The methodology didn’t make any significant differences on the

quality parameters, even though in many cases, the average parameters obtained by deficit

treatments overtook those by the SD treatment.

The physiological parameters at which a monitoring was carried out were photosynthesis and

stomatal conductance, revealing that the water deficit affects this last factor more rapidly.

Abstract

Moreover, samples of plant material were gathered, with which the biomass evolution and leaf

area index, which reached up to 11m2 m-2 in 2015 for the SD, were obtained.

The analysis of the results reveals that the ORDI methodology may help increase the profitability

of farms (up to 30 € ha-1 year-1 on average with a T80, for the last ten years, on a type farm of 20

ha and 35,000 m3 available, what means 7% more in respect of the average profitability of this

crop in the area) located in low water availability areas, although what is really meaningful is the

economic impact that the use of ORDI can have in terms of water saving when dealing with this

crop. Just within the scope of the “Unidad Hidrogeológica Mancha Oriental”, located between

the provinces of Cuenca and Albacete, where 15,000 ha year-1 of irrigated barley have been

cultivated, on average, during the three campaigns of this Thesis, the economic impact of the

volume of water saved and made available to be used by other more profitable crops, managing

barley with the T80 treatment instead of the SD, would have increased more than 30 million euros

the total income in the area.

i

Índice General

CAPÍTULO 1. LA CEBADA DE REGADÍO EN CASTILLA-LA MANCHA

1.1. GEOGRAFÍA FÍSICA DE CASTILLA-LA MANCHA ................................... 3

1.2. GESTIÓN ADMINISTRATIVA DEL AGUA Y EL SECTOR DEL REGADIO

EN CASTILLA-LA MANCHA .................................................................................... 5

1.3. LA GESTIÓN DEL AGUA DE RIEGO EN LAS PRINCIPALES ZONAS

REGABLES DE CASTILLA-LA MANCHA .............................................................. 8

1.4. MODELO DE OPTIMIZACIÓN ECÓNOMICA DEL AGUA DE RIEGO

(MOPECO). ................................................................................................................ 12

1.5. EL CULTIVO DE LA CEBADA CERVECERA ............................................ 14

1.6. OBJETIVOS .................................................................................................... 15

1.7. BIBLIOGRAFÍA ............................................................................................. 16

CAPÍTULO 2. CALIBRACIÓN Y VALIDACIÓN DEL MODELO MOPECO

PARA EL CULTIVO DE CEBADA

2.1. INTRODUCCIÓN ........................................................................................... 27

2.2. MATERIAL Y MÉTODOS ............................................................................. 28

2.2.1. Datos utilizados para la calibración y validación del modelo MOPECO. 28

2.2.2. MOPECO ................................................................................................. 30

2.2.3. Calibración y validación de la relación “Rendimiento vs. Agua neta total”

33

2.3. RESULTADOS Y DISCUSIÓN ...................................................................... 36

2.3.1. Duración de las etapas Kc y Ky en función de GDD ................................ 36

2.3.2. Valores de Kc, Ky, rendimiento potencial y relaciones ETa/ETm ............. 37

2.4. CONCLUSIONES ........................................................................................... 42

2.5. BIBLIOGRAFÍA ............................................................................................. 43

CAPÍTULO 3. PRODUCTIVIDAD DEL AGUA EN LA CEBADA

3.1. INTRODUCCIÓN ........................................................................................... 53

3.2. MATERIALES Y MÉTODOS ........................................................................ 55

3.2.1. Descripción del ensayo ............................................................................. 55

3.2.2. Año Meteorológico Típico (TMY) ........................................................... 63

3.2.3. Seguimiento de la humedad en el suelo.................................................... 65

ii

3.2.4. Estrategia de riego deficitario controlado optimizado por etapas (ORDI) 67

3.2.5. Obtención de las funciones “Margen bruto vs. Agua bruta total” ............ 70

3.2.6. Productividad del agua ............................................................................. 70

3.2.7. Determinación de la huella hídrica de la cebada ...................................... 71

3.3. RESULTADOS Y DISCUSIÓN ...................................................................... 72

3.3.1. Duración de las etapas Kc y Ky en función de GDD ................................ 72

3.3.2. Análisis de los calendarios de riego óptimos............................................ 74

3.3.3. Evolución de la humedad del suelo .......................................................... 84

3.3.4. Efecto de la metodología ORDI sobre el rendimiento de la cebada ......... 87

3.3.5. Validación de las simulaciones con MOPECO ........................................ 89

3.3.6. Margen bruto ............................................................................................ 91

3.3.7. Productividad del agua ............................................................................. 93

3.3.8. La huella hídrica de la cebada .................................................................. 95

3.4. CONCLUSIONES ........................................................................................... 97

3.5. BIBLIOGRAFÍA ............................................................................................. 98

CAPÍTULO 4. EFECTO DE LA METODOLOGÍA ORDI SOBRE LOS

PARÁMETROS DE CALIDAD EN LA CEBADA

4.1. INTRODUCCIÓN ......................................................................................... 109

4.2. MATERIALES Y MÉTODOS ...................................................................... 115

4.2.1. Parámetros de calidad del grano de cebada ............................................ 115

4.2.2. Parámetros de calidad de la malta y el mosto ......................................... 116

4.3. RESULTADOS Y DISCUSIÓN .................................................................... 117

4.3.1. Parámetros de calidad del grano de cebada ............................................ 117

4.3.2. Parámetros de calidad de la malta y mosto............................................. 123

4.4. CONCLUSIONES ......................................................................................... 125

4.5. BIBLIOGRAFÍA ........................................................................................... 125

CAPÍTULO 5. EFECTO DE LA METODOLOGÍA ORDI SOBRE LA

RESPUESTA FISIOLÓGICA DE LA CEBADA

5.1. INTRODUCCIÓN ......................................................................................... 135

5.2. MATERIAL Y MÉTODOS ........................................................................... 138

5.2.1 Descripción del ensayo ........................................................................... 138

5.2.2. Análisis del desarrollo vegetativo........................................................... 139

iii

5.2.3. Análisis de conductancia estomática ...................................................... 142

5.2.4. Análisis de la fotosíntesis neta................................................................ 143

5.3. RESULTADOS Y DISCUSIÓN .................................................................... 144

5.3.1. Efecto del riego deficitario controlado optimizado por etapas en la

evolución de la biomasa ........................................................................................ 144


evolución del índice de área foliar (IAF) .............................................................. 149


evolución de la relación del área foliar (RAF) ...................................................... 153


conductancia estomática ........................................................................................ 155


fotosíntesis neta ..................................................................................................... 159

5.4. CONCLUSIONES ......................................................................................... 164

5.5. BIBLIOGRAFÍA ........................................................................................... 164

CAPÍTULO 6. REPERCUSIÓN DE LOS RESULTADOS OBTENIDOS Y

FUTURAS LÍNEAS DE INVESTIGACIÓN

6.1. REPERCUSIÓN EN EL SECTOR PRODUCTIVO ...................................... 177

6.1.1. Huella hídrica ......................................................................................... 177

6.1.2. Mejora de la competitividad de la cebada .............................................. 178

6.1.2.1. Escenario 1. .......................................................................................... 179

6.1.2.2. Escenario 2. .......................................................................................... 181

6.1.2.3. Escenario 3. .......................................................................................... 184

6.2. FUTURAS LÍNEAS DE INVESTIGACIÓN ................................................ 186

6.3. BIBLIOGRAFÍA ........................................................................................... 187

iv

Índice de Figuras

Figura 1.1. Región de Castilla-La Mancha. ..................................................................... 3

Figura 1.2. Diagrama de flujo del modelo MOPECO. .................................................. 13

Figura 2.1. Rendimientos obtenidos en los ensayos de riego en función del agua recibida.

................................................................................................................................. 30

Figura 2.2. Evolución de los valores de Kc y Ky por etapas (año 2013). ...................... 38

Figura 2.3. Relaciones ETa/ETm en cada etapa Ky para cada uno de los 6 tratamientos (a,

2011; b, 2012; c, 2013). .......................................................................................... 39

Figura 2.4. Rendimiento simulado (Ys) vs. Rendimiento observado (Yo). ................... 41

Figura 2.5. Determinación de la máxima diferencia de ETa/ETm acumulada entre dos

etapas consecutivas de Ky por cada tratamiento y año de ensayo. .......................... 42

Figura 3.1. Esquema del ensayo. ................................................................................... 56

Figura 3.2. Obtención en laboratorio de las curvas de retención de humedad del suelo: a)

ollas de presión, b) muestras en agua. ..................................................................... 58

Figura 3.3. Curva de retención de humedad característica de los suelos utilizados en los

tres años de ensayo experimental. ........................................................................... 58

Figura 3.4. a) Evolución de temperaturas medias de medias (Tmm), de máximas (TMM)

y de mínimas (tmm) mensuales durante los 7 primeros meses de los años 2015, 2016

y 2017; b) Evolución de la precipitación (P) y la evapotranspiración de referencia

acumulada (ETo) durante los 7 primeros meses de los años 2015, 2016 y 2017. ... 60

Figura 3.5. a) Tensiómetros Watermark y sensores de humedad volumétrica PR-2 (Delta

T) instalados en campo; b) Esquema de la distribución de las parcelas. ................ 62

Figura. 3.6. Evolución diaria acumulada de la evapotranspiración de referencia (ETo) y

de la precipitación (P) de los años meteorológicos típicos secos, intermedios y

húmedos (TMY); meses de los años que forman cada TMY; ETo total (mm), P total

(mm), índice de déficit de precipitación (PD) (adimensional); e índice PD

estandarizado (Z) (adimensional). ........................................................................... 64

Figura 3.7. Instalación del lisímetro de pesada continua. ............................................. 66

Figura 3.8. Vista del lisímetro de pesada continua durante la campaña 2017. .............. 66

Figura 3.9. Procedimiento para establecer el calendario de riegos optimizado para un

volumen limitado de agua de riego. ........................................................................ 69

Figura 3.10. Relaciones ETa/ETm propuestas por ORDI para las etapas Ky (factor de

respuesta al rendimiento del cultivo) durante los años 2015 (a), 2016 (b) y 2017 (c)

en los diferentes tratamientos de riego (SD: Sin déficit; T100: Tratamiento con un

volumen de agua disponible igual al 100% de las necesidades de riego durante un

TMY-intermedio “IN”; T90: Tratamiento con 90% de las necesidades de un TMY-

intermedio; T80: Tratamiento con 80% de las necesidades de un TMY-intermedio;

T70: Tratamiento con 70% de las necesidades de un TMY-intermedio). ............... 76

Figura 3.11. Evolución de los valores de ETm acumulados, de la precipitación efectiva

acumulada, del agua total aplicada y de la temperatura media para los años 2015 (a),

2016 (b) y 2017 (c). ................................................................................................. 82

v

Figura 3.12. Relaciones ETa/ETm reales para las etapas de Ky durante los años 2015 (a),

2016 (b) y 2017 (c); y ratio entre las relaciones ETa/ETm reales y las propuestas por

ORDI durante 2015 (a’), 2016 (b’) y 2017 (c’) en los diferentes tratamientos de riego.

................................................................................................................................. 83

Figura 3.13. Comparación entre los valores de humedad volumétrica y el potencial

mátrico obtenido con los sensores del suelo. .......................................................... 84

Figura 3.14. Comparación entre la curva de agua en el suelo propuesta por el modelo y

los valores de humedad del suelo reales obtenidos a partir de los tensiómetros para

el tratamiento T80 en el año 2016. .......................................................................... 85

Figura 3.15. Comparación entre la curva de Kc utilizada en MOPECO en el año 2017 y

los valores de Kc obtenidos en función de los registros del lisímetro en 2017. ...... 86

Figura 3.16. Comparativa entre los rendimientos simulados por MOPECO y los

observados en campo en las campañas 2015 (a), 2016 (b) y 2017 (c). ................... 90

Figura 3.17. Relación entre el margen bruto y el riego bruto recibido por el cultivo. .. 92

Figura 4.1. Equipos utilizados para determinar los parámetros de calidad del grano, a)

Pffeufer Sortimat®, b) FOSS Infratec Grain Analyzer Model 1241®. ................ 116

Figura 5.1. Esquema de la distribución de las parcelas (P). ........................................ 139

Figura 5.2. Recogida de datos para el seguimiento de crecimiento del cultivo: a)

profundidad de las raíces en campo; b) secado de las muestras............................ 140

Figura 5.3. Medidor de área foliar LI-3000. ................................................................ 141

Figura 5.4. Porómetros utilizados en el ensayo de riego deficitario: a) AP4 de Delta T;

b) SC-1 Leaf porometer de Decagon Devices. ...................................................... 142

Figura 5.5. Medición de fotosíntesis neta utilizando el LI-6400XT. .......................... 143

Figura 5.6. Evolución de la biomasa seca (modelo de Gompertz) para los años 2015 (a),

2016 (b) y 2017 (c). Donde SD: Tratamiento sin déficit; T100, T90, T80 y T70:

Tratamientos con diferentes niveles de riego. ....................................................... 145

Figura 5.7. Evolución del índice del área foliar (modelo de Peak-Gaussian) para los años

2015 (a) y 2016 (b). Donde SD: Tratamiento sin déficit; T100, T90, T80 y T70:


Figura 5.8. Evolución del índice de relación del área foliar (RAF) en 2015 (a), 2016 (b)

y 2017 (c). Donde SD: Tratamiento sin déficit; T100, T90, T80 y T70: Tratamientos

con diferentes niveles de riego. ............................................................................. 154

Figura 5.9. Conductancia estomática en la cebada para los años 2015 (a), 2016 (b, c) y

2017 (d, e) y porcentaje del valor de la conductancia de cada tratamiento con respecto

al SD para los años 2015 (a’), 2016 (b’ y c’) y 2017 (d’ y e’). Las lecturas obtenidas

mediante el porómetro AP4, Delta-T corresponden a (a, a’), (b, b’) y (d, d’), y del

porómetro SC-1, Decagon Devices a (c, c’) y (e, e’). Donde SD: Tratamiento sin

déficit; T100, T90, T80 y T70: Tratamientos con diferentes niveles de riego. ..... 157

Figura 5.10. Comparación entre los datos de conductancia obtenidos en los dos

porómetros en las campañas 2016 y 2017. ............................................................ 159

Figura 5.11. Fotosíntesis neta para los años 2015 (a), 2016 (b) y 2017 (c) y porcentaje

del valor de la fotosíntesis de cada tratamiento con respecto al SD para los años 2015

vi

(a’), 2016 (b’) y 2017 (c’).Donde SD: Tratamiento sin déficit; T100, T90, T80 y T70:


Figura 5.12. Relación entre la reducción en porcentaje de la tasa fotosintética frente a la

reducción de conductancia estomática en los tres años de ensayo comparados con el

tratamiento sin déficit en las distintas etapas de desarrollo de cultivo y las distintas

ETa/ETm alcanzadas. ............................................................................................. 163


reducción de conductancia estomática en los tres años de ensayo comparados

respecto al tratamiento sin déficit durante todo el ciclo de cultivo (a), y a partir de la

etapa Ky (ii) (b). .................................................................................................... 163

vii

Índice de Tablas

Tabla 1.1. Recursos hídricos en régimen natural en CLM por cuencas hidrográficas. ... 6

Tabla 1.2. Principales cultivos de Castilla-La Mancha. Año 2014 ................................. 8

Tabla 2.1. Dosis de abonado aplicadas en los ensayos de riego. ................................... 29

Tabla 2.2. Duración de las etapas Kc y Ky de la cebada en Castilla-La Mancha (días). 31

Tabla 2.3. Duración de las etapas Kc y Ky en grados día acumulados (GDD). ............. 37

Tabla 2.4. Estadísticos para los tres años de experimentación. ..................................... 41

Tabla 3.1. Análisis físico-químico del suelo para los años 2015, 2016 y 2017............. 57

Tabla 3.2. Dosis de abonado aplicadas en los ensayos de riego. ................................... 59

Tabla 3.3. Precipitación efectiva (Pe), evapotranspiración de referencia (ETo) y

evapotranspiración máxima del cultivo (ETm) acumuladas durante los ciclos de

cultivo. ..................................................................................................................... 61

Tabla 3.4. Volumen de agua de riego disponible por cada tratamiento. ....................... 61

Tabla 3.5. Valores de Kc y Ky de cada etapa, e Ym para el cultivo de cebada bajo las

condiciones climáticas de Castilla-La Mancha. ...................................................... 65

Tabla 3.6. Días después de la siembra “DDS” y grados día acumulados “GDD” (ºC) al

final de cada etapa de desarrollo. ............................................................................ 73

Tabla 3.7. Caracterización del año meteorológico típico al finalizar cada etapa de Ky para

los años de ensayo. .................................................................................................. 74

Tabla 3.8. Caracterización de cada etapa de Ky para los años de ensayo. ..................... 75

Tabla 3.9. Volumen de agua aplicada en cada riego por tratamiento durante 2015. ..... 77

Tabla 3.10. Volumen de agua aplicada en cada riego por tratamiento durante 2016. ... 78

Tabla 3.11. Volumen de agua aplicada en cada riego por tratamiento durante 2017. ... 79

Tabla 3.12. Volumen de agua de riego aplicado, ETm acumulada, duración en días y

precipitación efectiva recibida por el cultivo en cada etapa de desarrollo Ky durante

los tres años de ensayo. ........................................................................................... 80

Tabla 3.13. Comparación intraanual entre los rendimientos obtenidos en los diferentes

tratamientos para los tres años de ensayo. .............................................................. 87

Tabla 3.14. Comparación interanual entre los rendimientos obtenidos en los diferentes

tratamientos en función de la ETa/ETm global. ....................................................... 88

Tabla 3.15. Costes para los cinco tratamientos ensayados durante las tres campañas bajo

las condiciones de Castilla-La Mancha. .................................................................. 91

Tabla 3.16. Productividad del agua de riego en los años 2015, 2016 y 2017................ 94

Tabla 3.17. Huella hídrica en la producción de la cebada en los años 2015, 2016 y 2017.

................................................................................................................................. 95

Tabla 4.1. Distribución por calibres de todos los tratamientos en los tres años de ensayo.

............................................................................................................................... 117

Tabla 4.2. Contenido en proteínas y humedad de todos los tratamientos en los tres años

de ensayo. .............................................................................................................. 120

viii

Tabla 4.3. Peso de los mil granos y peso específico en los años 2016 y 2017. ........... 122

Tabla 4.4. Parámetros de calidad de la malta y mosto................................................. 123

Tabla 5.1. Coeficientes de los modelos de la evolución de biomasa generados para cada

tratamiento a partir de la ecuación de Gompertz en los años 2015, 2016 y 2017. 144

Tabla 5.2. Análisis estadístico de la evolución de la biomasa seca total (g m-2) del cultivo

de cebada durante cada etapa de desarrollo Ky en los años 2015, 2016 y 2017. .. 147

Tabla 5.3. Coeficientes de los modelos del índice de área foliar generados para cada

tratamiento a partir de la ecuación de Peak-Gaussian en el año de 2015, 2016 y 2017.

............................................................................................................................... 149

Tabla 5.4. Análisis estadístico de la evolución del índice de área foliar (m2 m-2) del

cultivo de cebada durante cada etapa de desarrollo Ky en los años de 2015, 2016 y

2017. ...................................................................................................................... 151

Tabla 5.5. Días después de la siembra (DDS) de las mediciones de la conductancia

estomática. ............................................................................................................. 155

Tabla 6.1. Mejora de la huella hídrica de la cebada en la provincia de Albacete con la

metodología ORDI. ............................................................................................... 177

Tabla 6.2. Comparativa de margen bruto (MB) entre manejar 20 ha y 35.000 m3 de agua

disponible utilizando la estrategia SD, la T100, la T90, la T80 y la T70 para los tres

tipos de TMY. ....................................................................................................... 180

Tabla 6.3. Diferencia de margen bruto (MB) anual entre la estrategia SD y el resto en

una explotación de 20 ha y 35.000 m3 de agua de riego disponible situada en la

“Mancha Oriental” con volúmenes estimados, y la T100 y el resto en la “Mancha

Occidental” con volúmenes limitados (valores positivos significan menor

rentabilidad del tratamiento SD) para una serie de 10 años. ................................. 181


disponible utilizando la estrategia SD, la T100, la T90, la T80 y la T70 en los años

2015, 2016 y 2017. ................................................................................................ 182



“Mancha Oriental” con volúmenes estimados, y la T100 y el resto en la “Mancha

Occidental” con volúmenes limitados, bajo condiciones del escenario 2. ............ 183

Tabla 6.6. Superficie cultivada de cebada y agua de riego teórica y total aplicada en la

“Mancha Oriental” en las campañas 2015, 2016 y 2017. ..................................... 184

Tabla 6.7. Superficie cultivada y márgenes brutos (MB) de cebada comparando

estrategias SD y T80 en la “Mancha Oriental” durante las campañas 2015, 2016 y

2017. ...................................................................................................................... 184


disponible utilizando la estrategia SD, la T100, y combinación de T80 con T100 de

ajo morado de Las Pedroñeras (estrategia 3). ....................................................... 185

Tabla 6.9. Diferencia de margen bruto (MB) anual entre la estrategia SD y la

combinación T80 cebada y T100 de ajo morado de Las Pedroñeras (estrategia 3) en


“Mancha Oriental” con volúmenes estimados, y la T100 y estrategia 3 en la “Mancha

Occidental” con volúmenes limitados. .................................................................. 185

Capítulo 1. La cebada de

regadío en Castilla-La Mancha

Capítulo 1 La cebada de regadío en Castilla-La Mancha

3

1.1. GEOGRAFÍA FÍSICA DE CASTILLA-LA MANCHA

Castilla-La Mancha (CLM) (Figura 1.1) se encuentra situada en el centro de la Península

Ibérica, ocupando la mayor parte de la Submeseta sur. Según Datum ETRS89 proyección

UTM 30N, sus límites se localizan en las coordenadas 4.575.157,76 y 4.208.508,95 para

la componente Y (Norte – Sur), y en 294.267,66 y 681.274,62 para la componente X

(Oeste –Este). Con una superficie de 79.463 km2 es la tercera Comunidad Autónoma de

España por extensión, representando un 16% del territorio nacional.

Figura 1.1. Región de Castilla-La Mancha.

El 70% de la región está situada entre los 600 m y 1.000 m de altitud, ocupada en su

mayor parte por la planicie de la Submeseta Meridional, donde se encuentra más del 90%

de la superficie regada (Figura 1.1).

Según la clasificación agroclimática de Papadakis el clima es Mediterráneo Templado

(MeTE) con invierno tipo Avena fresco (av), verano Maíz (M), con régimen térmico

Templado cálido (TE) y de humedad Mediterráneo seco (Me) (Martín de Santa Olalla,

1994). También se puede clasificar, por sus características en conjunto, como

mediterráneo, con un marcado matiz continental, con contrastes térmicos notables, diarios

y estacionales, de verano largo, seco y caluroso e invierno con muchos días de heladas,

especialmente en tierras altas y hondonadas, y con una distribución estacional

desequilibrada de las escasas lluvias. Las épocas más lluviosas son el otoño y la

primavera, con sequía secundaria en la mitad del invierno; el verano, marcado por la

sequía, puede registrar precipitaciones de origen convectivo (de Juan et al., 2003).

TOLEDO

GUADALAJARA

ALBACETE

CIUDAD

REAL

Río Tajo

Río Júcar

Río Segura

Río Guadiana Campo de

Montiel

Zonas regables

CASTILLA-LA MANCHA

FRANCIA

ESPAÑA

Mancha

OrientalMancha

Occidental

Límite Unidad Hidrogeológica

CUENCA

Estación agroclimática

LA GINETA

EL PEDERNOSO

EL SANCHÓN

MANZANARESDAIMIEL

MONTIEL

CIUDAD

REAL

HELLÍN

ONTUR

ALMANSA

MAGÁN

LAS TIESAS ALBACETE


4

El análisis de las isotermas medias anuales en el territorio castellano-manchego revela

variaciones en función de la topografía, influenciadas por la diferencia de altitud y por la

acusada continentalidad de las zonas centrales del territorio regional. La mayor parte del

mismo queda englobado dentro de la isoterma de 14ºC, notándose un apreciable descenso

en las áreas serranas de Cuenca y Guadalajara, donde los valores se sitúan entre 8 y 9ºC,

no existiendo esta diferencia tan marcada en las áreas de montaña de Castilla-La Mancha.

Se encuentra así, la Sierra de Alcaraz, con una temperatura media de 13ºC, mientras que

en el extremo noroccidental de Toledo no baja de los 15ºC.

Las heladas empiezan a registrarse a partir de septiembre, para aquellas zonas situadas

por encima de los 1.100 m, siendo su periodo de finalización las últimas semanas de mayo

o los primeros días de junio. Por debajo de los 1.000 m, las primeras heladas aparecen a

partir de la segunda quincena de octubre o, como muy tarde, a primeros de noviembre,

finalizando en abril, si bien, en las zonas más septentrionales, pueden continuar hasta bien

entrado mayo (Elías y Ruiz Beltrán, 1981; de León et al., 1988a; 1988b; 1988c; 1988d;

de Juan et al., 2003).

En CLM, la escasez y la irregularidad son los aspectos más destacables de las

precipitaciones registradas en su espacio geográfico. Las precipitaciones mínimas medias

anuales son de 400 mm recibidos casi en su totalidad en forma líquida. En el sector N y

noroccidental de la comarca de la Mancha, se llega a los 1.000 mm de las zonas

montañosas de Guadalajara y Cuenca y el extremo oeste de Toledo, quedando la mayor

parte de la región en la isoyeta de 500 mm. Existe un mínimo muy acusado en las

comarcas limítrofes con la Región de Murcia en Albacete, de 300 mm, o incluso inferior,

de media anual, en torno a Hellín.

En las zonas de regadío, la mayoría de las características físicas de CLM, como la

topografía y el clima, son bastante homogéneas (Martín de Santa Olalla et al., 2003). Las

temperaturas medias varían entre un mínimo de 5°C en enero a un máximo de 24 °C en

julio. Los suelos son poco profundos con un lecho de piedra caliza. La textura es muy

variable, con suelos franco arenosos, francos y franco arcillosos, a menudo pedregosos

pero fáciles de cultivar y de buena fertilidad bajo manejo agronómico adecuado

(FATIMA, 2015). Con una precipitación media anual inferior a 400 mm y una ETo

superior a 1.200 mm, el clima de estas zonas se clasifica como semiárido, con inviernos

fríos y veranos cálidos. Además, la distribución espacio-tiempo de las precipitaciones es

irregular, con frecuentes periodos de sequía interanuales y con épocas del año, como el


5

verano, en el que las precipitaciones son muy bajas, con menos de 100 mm acumulados

de junio a septiembre.

1.2. GESTIÓN ADMINISTRATIVA DEL AGUA Y EL SECTOR DEL

REGADIO EN CASTILLA-LA MANCHA

CLM es una región relativamente despoblada, con sólo 25,8 habitantes km-2 (JCCM,

2017), muy por debajo de la media nacional, que es de 91,8 habitantes km-2 (INE, 2017a).

Este hecho se debe a que la población española se concentra principalmente en las zonas

costeras, y algunas zonas del interior, con más de 200 habitantes km-2 (INE, 2017a). Dado

que las regiones del interior de España, a excepción de Madrid, se dedican

tradicionalmente a la producción agrícola, la industria y el turismo se establecen sobre

todo en las zonas periféricas. Las demandas de agua de las regiones costeras para

satisfacer a estos sectores y a la población restringen la disponibilidad de recursos hídricos

para la agricultura en las regiones del interior.

En España, todas las cuencas hidrográficas compartidas por dos o más regiones están

gestionadas por el Ministerio de Agricultura y Pesca, Alimentación y Medio Ambiente

(MAPAMA) a través de las Confederaciones Hidrográficas. Sólo las cuencas

intracomunitarias pueden ser gestionadas directamente por las regiones, aunque pueden

ceder su gestión a una agencia del gobierno nacional. Las Confederaciones Hidrográficas

son las encargadas de la elaboración de los planes hidrológicos de las demarcaciones

hidrográficas. Estos documentos recogen, entre otros datos, cuál es el volumen de agua

que se genera dentro de las cuencas, y cuáles son las demandas y la cantidad de recursos

dedicados a cubrir dichas demandas.

Administrativamente, CLM pertenece a siete demarcaciones hidrográficas,

correspondiendo la mayor parte del territorio a los ríos Tajo, Guadiana y Júcar, por este

orden, estando presentes en menor medida las del Segura, Guadalquivir, y de forma

testimonial las del Duero y Ebro. La extensión de las cuencas en el territorio de CLM,

junto con el porcentaje que representa sobre el total, y los recursos hídricos generados

dentro de CLM, se muestran en la Tabla 1.1 (CES, 2006).

CLM posee unos recursos hídricos considerables, si bien con una distribución espacial

irregular tal y como se recoge en la Tabla 1.1, destacando el hecho de que en la cuenca

del Tajo, que ocupa un tercio del territorio regional, se concentran el 57% de los recursos,

mientras que en el Guadiana, de extensión similar, solo se generan el 16% de los recursos


6

totales (Tarjuelo et al., 2003). La media total de recursos hídricos generados se aproxima

a 9.258 hm3 año-1. Sin embargo, más del 70% de estos recursos están comprometidos para

usos fuera de la región. La cantidad de agua asignada por los distintos planes de cuenca

para satisfacer la demanda en CLM es la siguiente: 1.680 hm3, 240 hm3 y 35 hm3, para la

agricultura, abastecimiento de la población e industria respectivamente (INE, 2017b); y

816 hm3 para la generación de energía (CES, 2006).

Tabla 1.1. Recursos hídricos en régimen natural en CLM por cuencas hidrográficas.

Cuenca

Superficie de la

cuenca en la región

Recursos hídricos totales

(escorrentías superficiales y subterráneas)

(hm3 año-1)

km2 % Superficiales Subterráneos Totales %

Tajo 26.699 33 3.204 1.108 4.312 46,5

Júcar 15.736 73 1.161 1.011 2.172 23,5

Segura 4.721 25 509 254 763 8,2

Guadiana 26.431 37 1.189 625 1.814 19,6

Guadalquivir 4.428 8 45 25 70 0,8

Ebro 1.063 1 50 68 118 1,3

Duero 48 <1 Sin datos 9 >9 0,1

TOTAL 79.226 6.158 3.100 9.258 100

Fuente: Martínez-Romero (2010).

En CLM el 70% del agua consumida es de origen subterráneo (CES, 2006), lo cual

repercute en costes energéticos y ambientales. En la región se han definido 55 unidades

hidrogeológicas (UH), de las que cerca de la mitad se ubican en las cuencas de los ríos

Júcar y Segura. La superficie total ocupada por los acuíferos es de 50.807 km2 (CES,

2006), con reservas de alrededor de 65.000 hm3. Los acuíferos con mayor volumen de

agua disponible anualmente son los que soportan cerca del 50% de la actividad de riego

(PNR, 2008). Así, el 08.29 “Mancha Oriental” (Figura 1.1) de la cuenca del río Júcar

destina a la agricultura alrededor de 275 hm3 año-1 (CHJ, 2017), mientras que el 04.04

“Mancha Occidental” (Figura 1.1) y el 04.06 “Campo de Montiel” (Figura 1.1) de la

cuenca del río Guadiana, 197 y 9 hm3 año-1 respectivamente (CHG, 2017). La rápida

conversión de grandes áreas en regadío durante los últimos 40 años, además de una

planificación inadecuada y de una legislación incompleta, permitió que el volumen de

agua extraída de estas masas de agua subterránea superase el volumen de recarga. Como

resultado, los dos grandes acuíferos de la cuenca del Guadiana se declararon

sobreexplotados en 1987 y el de la cuenca del Júcar estuvo próximo a una situación

similar. Por lo tanto, hay una necesidad real de reducir la presión sobre estos recursos

mediante un uso más racional y eficiente del agua utilizada para el riego (Martín de Santa

Olalla et al., 2007).


7

En CLM el sector agrícola es el mayor consumidor de agua, en torno al 90% del total

utilizado (CES, 2006). La transformación de grandes extensiones de secano en regadío,

principalmente durante las décadas de los años 70 y los años 80, ocasionó un aumento de

la renta en la zona, permitiendo que un elevado porcentaje de la población permanezca

en el medio rural. La superficie agraria de CLM consta de 3.782.068 ha, 522.588 ha de

las cuales son de regadío (MAPAMA, 2017a). Aunque el porcentaje regado es sólo del

13,8%, comparado con el promedio nacional que es del 22,2% (MAPAMA, 2017a), el

riego juega un importante papel social y económico en la región, ya que esta actividad

genera el 40% de la renta agraria regional (JCCM, 2008). Por lo tanto, el regadío aumenta

la rentabilidad de las explotaciones y aporta un mayor grado de seguridad económica para

los agricultores. Sin embargo, el volumen medio de agua suministrada por hectárea de

zona regable es baja, de alrededor de 3.300 m3 ha-1 año-1, mientras que el promedio

nacional es de 5.400 m3 ha-1 año-1 (INE, 2017b; MAPAMA, 2017a).

El coste del agua en la región varía entre 0,06 y 0,15 € m-3, dependiendo de si el origen

de ésta es superficial o subterránea y, en este último caso, de la profundidad a la que se

encuentre el recurso (Carrión et al., 2014). El incremento de los costes se debe

principalmente al aumento en el precio de la energía, la cual es utilizada en el bombeo de

las aguas subterráneas y en la presurización de los sistemas de riego. La reducción de la

rentabilidad de la actividad agrícola como consecuencia del rápido incremento del precio

de la energía en los últimos años implica que hay una necesidad de aumentar la eficiencia

del uso del agua en el riego también desde un punto de vista económico y de consumo

energético.

Los sistemas de riego presurizados son los más utilizados en CLM y representan el 94%

de la superficie de riego (58% riego por goteo, 20% riego por aspersión permanente, 16%

sistemas de pivote central) (ESYRCE, 2017). Esto hace que CLM sea una de las regiones

de España en la cual la eficiencia en el uso del agua es más alta, y donde gracias a la

versatilidad que permite la utilización de estos equipos, puede seguir avanzándose en esta

línea mediante el desarrollo de nuevas técnicas de manejo y de herramientas de ayuda a

la toma de decisiones relacionadas con la gestión del agua a nivel de parcela y/o

explotación.

Los cultivos más representativos de la zona son herbáceos extensivos como el trigo, la

cebada y el maíz, junto con algunos cultivos industriales como el girasol y otros cultivos


8

hortícolas como el ajo y la cebolla. Entre los leñosos, la viña es la que ocupa una mayor

superficie (Tabla 1.2).

Tabla 1.2. Principales cultivos de Castilla-La Mancha. Año 2014 (MAPAMA, 2017a).

Cultivo

Regadío Secano Total

ha % ha % ha

Cebada 95.320 11,24 752.473 88,76 847.793

Viña 132.784 29,98 310.145 70,02 442.929

Olivo 16.041 4,34 353.838 95,66 369.879

Trigo 37.736 12,79 257.192 87,21 294.928

Girasol 7.430 3,80 187.942 96,20 195.372

Avena 10.023 6,87 135.829 93,13 145.852

Maíz 36.372 98,99 381 1,04 36.753

Alfalfa 13.792 97,86 302 2,14 14.094

Ajo 11.116 84,68 2.011 15,32 13.127

Otros 161.974 11,40 1.259.367 88,60 1.421.341

Total 522.588 13,82 3.259.480 86,18 3.782.068

1.3. LA GESTIÓN DEL AGUA DE RIEGO EN LAS PRINCIPALES ZONAS

REGABLES DE CASTILLA-LA MANCHA

Generalmente, los agricultores se asocian en comunidades de regantes (CCRR) donde la

fuente de agua, y las infraestructuras de almacenamiento y distribución son comunes, lo

que mejora el rendimiento del sistema y el control del volumen demandado y aplicado a

los cultivos. En otros casos, los agricultores forman parte de CCRR que no cuentan con

instalaciones comunes, como es el caso del uso de aguas subterráneas, que incluyen a

todos los usuarios individuales de un determinado territorio, y donde el control y la

administración de los recursos lo realiza la Confederación Hidrográfica correspondiente,

con ayuda de las CCRR

La superficie regable situada sobre la Unidad Hidrogeológica Mancha Oriental (UHMO)

(Figura 1.1) pertenece a la cuenca del río Júcar y su principal fuente de agua (80%) son

los recursos subterráneos del acuífero “Mancha Oriental”. Su extensión es de 8.500 km2

y cuenta con una superficie regable de unas 105.000 ha con una dotación media de unos

4.500 m3 ha-1 (JCRMO, 2017). La institución responsable de la gestión de los recursos

hídricos de la zona es la Confederación Hidrográfica del Júcar (CHJ) (www.chj.es) y lo

hace ayudándose de la Junta Central de Regantes de la Mancha Oriental (JCRMO)

(www.jcrmo.org), que es una Corporación de Derecho Público adscrita a la CHJ, a la

cual, todos los usuarios de las aguas adscritas al territorio que ocupa la UHMO están

obligados a pertenecer. Los objetivos de la JCRMO son esencialmente dos: gestionar el

uso del agua, en colaboración con la CHJ, para lograr un uso sostenible de los recursos,


9

y, representar y defender los intereses de sus asociados ante las autoridades públicas y

privadas en lo consistente al uso y disponibilidad del agua de la zona.

Para evitar la sobreexplotación del acuífero “Mancha Oriental”, la CHJ anualmente

determina el volumen máximo a extraer del acuífero, basándose fundamentalmente en la

evolución de los niveles piezométricos del mismo. Así, en los años en los que los

piezómetros descienden, en la/s campaña/s siguiente/s la dotación total disminuye hasta

recuperar un cierto nivel objetivo. La dotación establecida por la CHJ es repartida entre

los regantes de la JCRMO en función a una serie de derechos adquiridos a lo largo del

tiempo (JCRMO, 2017).

La JCRMO junto con la CHJ son los encargados de supervisar la adecuada utilización de

los recursos asignados. Para ello cuentan con el apoyo de la sección de teledetección del

Instituto de Desarrollo Regional (IDR) de la Universidad de Castilla-La Mancha (UCLM)

y con el Servicio de Asesoramiento de Riegos, gestionado por el Instituto Técnico

Agronómico Provincial de Albacete (ITAP) (www.itap.es). Antes del inicio de la

campaña de riegos, los regantes deben presentar un Plan de Explotación (JCRMO, 2017)

en el que indican la superficie que van a dedicar a cada cultivo, que multiplicada por el

consumo por unidad de superficie durante su ciclo anual previamente acordado, evita que

se supere el volumen de agua asignada a cada explotación agrícola, realizando

posteriormente una supervisión de la indicada superficie mediante teledetección. En base

a las condiciones climáticas y la experimentación previamente realizada en la zona, se ha

consensuado entre la CHJ y los regantes la cantidad de agua que consume cada cultivo, a

lo que se denomina consumo teórico, evitando tener que medir el agua realmente aplicada

por cada regante. En esta estimación del consumo teórico de agua se tiene en cuenta que

la posible agua aplicada en exceso drenaría, volviendo a recargar el acuífero, así como

que el elevado coste del agua ligado a la energía, al tener que extraerla a profundidades

de entre 60 y más de 200 m, supone un incentivo para evitar el uso abusivo de este recurso.

Con este sistema de gestión, se desconoce la cantidad real de agua que cada agricultor

aplica a los cultivos y el volumen total utilizado por la explotación. Normalmente, en años

secos y calurosos el volumen aplicado suele ser mayor que el asignado y en húmedos y

frescos menor, lo que ayuda a equilibrar el balance entre recargas y extracciones

interanuales, completando las estrategias de gestión definidas por la CHJ.

Progresivamente, algunos agricultores están instalando contadores en sus explotaciones

con los que medir la cantidad de agua utilizada. Esta opción permite a los agricultores


10

regar la superficie que tienen asignada como regadío, sin someterse al Plan de cultivos,

pero sin sobrepasar el volumen de agua asignado. El inconveniente es no poder utilizar

un volumen extra de agua en caso de año seco. Por este motivo, la gran mayoría de los

regantes prefieren la opción de los Planes de Explotación.

Precisamente, la gestión por volúmenes fijos de agua y la instalación de contadores en las

explotaciones de regadío es la estrategia de control del agua utilizada en las otras dos

grandes zonas regables de CLM, las situadas sobre las Unidades Hidrogeológicas

“Mancha Occidental” y “Campo de Montiel” (Figura 1.1). Estas UH pertenecen a la

cuenca del río Guadiana y su principal fuente de agua son los recursos subterráneos de

los acuíferos del mismo nombre. Sus extensiones son de 5.500 km2 y 2.800 km2 y la

dotación media es alrededor de 2.000 m3 ha-1 (CHG, 2017). El principal motivo de la baja

dotación de los regadíos en estas zonas regables es que las masas de agua de las que

dependen fueron declaradas sobreexplotadas en 1987. La institución responsable de la

gestión de los recursos hídricos de la zona es la Confederación Hidrográfica del Guadiana

(CHG) (www.chguadiana.es), siendo sus objetivos similares a los de la CHJ.

Dados los problemas en la zona de escasez de agua, el alto coste de la misma y el riesgo

de sobreexplotación de acuíferos locales, son necesarias herramientas que les ayuden a

determinar el volumen de agua que deben aplicar a los cultivos en función del estado de

los mismos, de las condiciones climáticas y de la calidad de agua de riego utilizada.

Con el fin de resolver estos problemas, en CLM se están llevando a cabo diferentes

actuaciones coordinadas en las que está involucrada la UCLM y cuyo objetivo principal

es el de mejorar la gestión del agua a través de las diferentes administraciones públicas y

los usuarios del agua.

Los Servicios de Asesoramiento al Regante (SAR) pueden desempeñar un papel

importante en la asistencia a los usuarios en la adopción de nuevas técnicas y tecnologías

para aumentar la productividad (económica o social), lo que minimiza los riesgos

ambientales y contribuye a la sostenibilidad del sector agrario (Smith y Muñoz, 2002). El

objetivo general de los SAR es ayudar a los agricultores a lograr un uso eficiente de sus

herramientas de producción, en especial el agua, fertilizantes y energía. Para ello se

proporciona apoyo científico y técnico adecuado a los agricultores con el fin de optimizar

la gestión, para que la agricultura pueda ser una actividad sostenible y compatible con el

medio ambiente. Estos servicios pueden ser prestados por empresas privadas, organismos


11

públicos o cooperativos. La sostenibilidad financiera es el punto crítico en la promoción

de servicios de asesoramiento de riego.

En CLM, han coexistido dos SAR. El primero en entrar en funcionamiento fue el SAR

de Albacete en 1987, coordinado por el Instituto Técnico Agronómico Provincial de

Albacete (ITAP), perteneciente a la Diputación Provincial de Albacete. En consecuencia,

su ámbito de aplicación es provincial, y asesora sobre todo a los regantes de UH 08.29.

Entre 1999 y hasta 2014, el Servicio Integral de Asesoramiento al Regante (SIAR) de

CLM, coordinado por el Centro Regional de estudios del Agua (CREA) de la UCLM, se

encargó del asesoramiento en el resto del ámbito territorial.

Acciones complementarias para ayudar a gestionar de modo más eficiente las

explotaciones de regadío en la región están relacionadas con mejorar el funcionamiento

y el manejo de las instalaciones de bombeo y de los sistemas de riego presurizados, con

el fin de minimizar el consumo de agua y de la energía. Algunos de los trabajos realizados

en este sentido son:

• Análisis y mejora del diseño y funcionamiento de las instalaciones de riego a

presión, contemplando el sistema en su conjunto, desde la fuente de agua hasta el

emisor, incluido el uso de energía fotovoltaica, integrando el modelo fotovoltaico

y el modelo hidráulico para el correcto funcionamiento del riego (Moreno et al.,

2010; 2012; Carrión et al., 2013; 2014; Izquiel et al., 2015; Carrión et al., 2016;

Izquiel et al., 2016).

• Mejora de la gestión y la eficiencia en el uso del agua en la agricultura y reducción

de la huella hídrica del regadío mediante la determinación de las necesidades de

riego de los cultivos y la aplicación de técnicas de riego deficitario controlado así

como el desarrollo de herramientas y modelos de ayuda a la toma de decisiones

como MOPECO “Modelo de OPtimización ECOnómica” (de Juan et al., 1996;

Ortega et al., 2004; Martín de Santa Olalla et al., 2007; López-Mata et al., 2010;

Domínguez et al., 2011; 2012a; 2012b; 2012c; 2013; Leite et al., 2015a; 2015b;

López-Mata et al., 2016).


12

1.4. MODELO DE OPTIMIZACIÓN ECÓNOMICA DEL AGUA DE RIEGO

(MOPECO).

MOPECO es un modelo desarrollado por los grupos de investigación del CREA (de Juan

et al., 1996; Ortega et al., 2004) concebido para maximizar la rentabilidad de las

explotaciones de regadío situadas en zonas con áridas y semiáridas con escasez de

recursos hídricos, mediante un uso eficiente del agua de riego (Domínguez et al., 2012b)

y de la superficie regable disponible (López-Mata et al., 2010).

Los manejos de riego convencionales suelen plantearse sin estrategias de riego deficitario,

a pesar de que el óptimo económico implica un cierto grado de déficit hídrico (López-

Mata et al., 2016), el cual depende del cultivo, de sus necesidades de riego y del margen

bruto que puede llegar a generar (Tarjuelo y de Juan., 1999; Ortega et al., 2004).

MOPECO optimiza el margen bruto de las explotaciones mediante el uso de estrategias

de riego deficitario controlado optimizado por etapas de desarrollo del cultivo

(Domínguez et al., 2012b; Leite et al., 2015a).

Para la implementación del modelo MOPECO en una zona regable es necesario disponer

de los datos climáticos, de los parámetros calibrados de los cultivos para su simulación,

y de los datos económicos asociados a los cultivos. Actualmente, para las condiciones de

CLM el modelo está calibrado para el maíz (Domínguez et al., 2012a), la cebolla

(Domínguez et al., 2012c), el ajo (Domínguez et al., 2013) y el melón (Leite et al., 2015b),

así como para la zanahoria (Carvalho et al., 2014) y el melón (Leite et al., 2015b) en

Brasil, y la patata en El Líbano (Domínguez et al., 2011).

El modelo se basa en las metodologías FAO-33 (Doorenbos y Kassam, 1979) y FAO-56

(Allen et al., 1998) para realizar el balance de agua en el suelo y determinar el efecto del

déficit hídrico sobre el rendimiento de los cultivos. Para la simulación del rendimiento,

el modelo utiliza la función de producción de Stewart et al. (1977), que estima el

rendimiento del cultivo en base a la relación entre la evapotranspiración real (ETa) y la

evapotranspiración máxima (ETm) para cada etapa de crecimiento (Domínguez et al.,

2011). La distribución del agua de riego durante el periodo de crecimiento está

determinada por la metodología ORDI (riego deficitario controlado optimizado por

etapas), que obtiene el máximo rendimiento para un cierto nivel de déficit hídrico objetivo

para todo el ciclo del cultivo (Domínguez et al., 2012b) estableciendo las relaciones ETa/

ETm que deben ser aplicadas en cada etapa de crecimiento. Los rendimientos obtenidos

en función de la cantidad de agua de riego suministrada al cultivo se utilizan para


13

determinar la función "Rendimiento vs. Agua neta total". En la obtención de esta función

se tienen en cuenta los efectos de la uniformidad del riego (López-Mata et al., 2010) y de

la conductividad del agua de riego (Domínguez et al., 2011). Además, para una adecuada

representatividad de dicha función, es necesario que ésta se obtenga bajo las condiciones

típicas de la zona. Para ello, Domínguez et al. (2013) adaptaron la metodología propuesta

por Hall et al. (1978) para la generación del “Año Meteorológico Típico (TMY)”. Un

TMY consiste en 12 meses estadísticamente seleccionados de años individuales y

concatenados para formar un año completo, dando como resultado una buena correlación

entre los valores diarios de las variables climáticas tales como, la temperatura, la

precipitación y la radiación solar. Mediante los datos económicos asociados a cada

cultivo, las funciones "Rendimiento vs. Agua neta total" se traducen en funciones

"Margen bruto vs. Agua bruta total". Estas funciones son utilizadas por el optimizador

para determinar la superficie que debe ser ocupada por cada cultivo y el volumen de riego

a aplicar a cada uno de ellos para maximizar el margen bruto de una explotación (López-

Mata et al., 2016) dadas una serie de restricciones establecidas por el usuario del modelo

(Figura 1.2).

ETo: evapotranspiración de referencia diaria (mm); Pe: precipitación efectiva diaria (mm); ECei:

conductividad eléctrica del agua del extracto de suelo saturado al inicio de la temporada de riegos (dS m-

1); Ym: rendimiento potencial del cultivo en la zona (kg ha-1); Kc: coeficiente de cultivo (Allen et al., 1998);

Ky: factor de respuesta del cultivo al estrés (Doorenbos and Kassam, 1979); ECet: conductividad eléctrica

del agua del extracto de suelo saturado que hace disminuir la capacidad de evapotranspiración del

cultivo(dS m-1); grupo de ET: condiciona el valor diario de la fracción de agua total disponible (TAW) que

el cultivo puede extraer sin sufrir estrés hídrico (Danuso et al., 1995); CU: coeficiente de uniformidad del

sistema de riego; ECiw: conductividad eléctrica del agua de riego (dS m-1).

Figura 1.2. Diagrama de flujo del modelo MOPECO.

DATOS

- Climáticos:ETo, Pe

- Suelo:Profundidad, Textura, ECei

- Cultivo:Ym, Kc, Ky, Duración de las

etapas, Profundidad radicular,

grupo de ET, ECet

- Riego:CU, ECiw

MANEJO DEL RIEGO

(ORDI)

Funciones de rendimiento

(cultivos: 1,…, n)

Agua neta total (Riego neto + Pe) (TWN) (mm)

Ren

dim

ien

to (

Y)

(kg

ha-1

)

DATOS

- Económicos:Precio de venta, Coste del agua,

Costes variables, Ayudas

-Riego:Pérdidas por evaporación y

arrastre (%)

Funciones de margen bruto

(cultivos: 1,…, n)

Agua bruta total (Riego bruto + Pe) (TWG) (mm)

Mar

gen

bru

to (

MB

) (€

ha-1

)

RESTRICCIONES

- Cultivos:Máxima superficie regable, Lámina

máxima bruta de riego, Barbecho

- Explotación:Máxima superficie regable, Volumen

de agua de riego disponible

OPTIMIZADOR

Cultivo 2

Cultivo 7

Cultivo 3

Barbecho

RESULTADO

Distribución de cultivos (en

términos de superficie y volumen de

agua para riego) que maximiza el

margen bruto bajo las condiciones

climáticas del año x

Función “Y vs. TWN”

Función “MB vs. TWG”


14

1.5. EL CULTIVO DE LA CEBADA CERVECERA

La cebada (Hordeum vulgare L.) es el duodécimo cultivo por producción del mundo y el

quinto en superficie cosechada, con 144 millones de toneladas y 49 millones de hectáreas

respectivamente. Europa aporta más del 60% de la producción mundial con un 50% de la

superficie (FAOSTAT, 2017).

Castilla-La Mancha, con una producción de 2.006.398 Mkg (29% nacional) es el segundo

productor de cebada en España. En esta Comunidad Autónoma se cultivan 847.793 ha,

de las que 95.320 ha son en regadío (MAPAMA, 2017a) (Tabla 1.2). Pese a ser una

región con escasez de recursos hídricos, la gran diferencia de rendimiento entre secano y

regadío (hasta 3 veces mayor) junto con las bajas necesidades de agua de riego de este

cultivo (entre 2.450-2.500 m3 ha-1; JCRMO, 2017) si se comparan con las de otros

cultivos herbáceos de la región, justifican la implantación de este cultivo en regadío. Sin

embargo, el incremento de los costes de producción y la baja rentabilidad del cultivo, así

como el hecho de disponer de dotaciones limitadas de agua por campaña de riego, está

ocasionando que los agricultores se planteen la posibilidad de aplicar riego deficitario a

este cultivo.

El periodo de siembra abarca los meses de noviembre a enero, con dosis de siembra

recomendadas de 350-400 semillas/m2 (ITAP, 2017). Se trata de una planta de

crecimiento esencialmente primaveral, manifestando su actividad metabólica sensible a

partir de los 5-6 °C, y alcanzando la madurez fisiológica en el periodo comprendido entre

mayo y julio, según la precocidad de la planta y el medio (López-Bellido, 1991).

El impacto del estrés hídrico en los rendimientos de la cebada depende de su intensidad

y de la etapa de crecimiento en la que ésta ocurre. Day et al. (1987), Francia et al. (2011)

y Setter y Waters (2003) informaron de una reducción del rendimiento cuando se

encuentra inundada (incluso por pocas horas) durante su etapa temprana, entre 2 y 6

semanas después de la siembra. En general, el déficit hídrico durante el periodo de

crecimiento y alrededor de la antesis causa pérdidas debido a las reducciones en el número

potencial de granos por unidad de superficie (Fischer, 1985; Savin y Slafer, 1991; Giunta

et al., 1993; Cossani et al., 2009; Abrha et al., 2012), mientras que el déficit hídrico junto

con altas temperaturas durante el periodo de llenado del grano, reducen el peso medio de

los granos (Carter y Stoker 1985; Oweis et al., 2000; Acevedo et al., 2002; Ugarte et al.,

2007;. Abrha et al., 2012). Carter y Stoker (1985) y Qureshi y Neibling (2009) llegaron a


15

la conclusión de que la calidad del grano de cebada para la producción de malta también

se ve afectada por el déficit hídrico, sobre todo durante la formación del grano.

Los parámetros más importantes en términos de calidad de la cebada son aquellos que le

permiten alcanzar la calidad maltera. Si éste es el caso, el precio de la cosecha aumenta

considerablemente, pasando de 182,5 € Mkg-1 para cebada maltera a 158,8 € Mkg-1 para

cebada pienso, lo que supone alrededor de un 15% más (MAPAMA, 2017b). Por ello, a

los productores les interesa conocer las técnicas de manejo del cultivo, incluido el riego,

que permitan cumplir con los requisitos impuestos por la industria.

La asociación “Malteros de España” se encarga de promover y asegurar la calidad del

cultivo de la cebada cervecera en nuestro país (CE, 2017). Esta asociación, en

colaboración con los cerveceros, lleva a cabo una serie de ensayos agronómicos con

distintas variedades de cebada. Fruto de estos ensayos y de la experiencia a escala

comercial, se publica una ficha donde se distinguen dos categorías, una en la cual se

indican las variedades de cebada más recomendadas para elaborar cerveza, y otra donde

se engloban las aconsejadas como variedades en observación por poseer potencial de

desarrollo agronómico y cualitativo. Para los años 2015-2018, las variedades “Pewter”,

“Shakira”, “Scrabble” y “Traveler” fueron incluidas dentro del primer grupo, siendo las

variedades más apreciadas para la elaboración de cerveza (CE, 2017).

Los fabricantes de cerveza están interesados en reducir la huella hídrica del producto que

elaboran para ser más competitivos en los mercados internacionales, que muestran una

demanda creciente de productos respetuosos con el medio ambiente.

1.6. OBJETIVOS

El objetivo principal de esta Tesis Doctoral es determinar las estrategias de riego

deficitario controlado optimizado por etapas que maximizan el rendimiento de la cebada

cervecera bajo las condiciones de Castilla-La Mancha para cuatro volúmenes limitados

de agua de riego, manteniendo una gran calidad del producto final, con el fin de mejorar

la competitividad tanto de las explotaciones agrarias como de la industria transformadora.

Para lograr este objetivo se proponen los siguientes objetivos parciales:

- Calibración del modelo MOPECO para la cebada.


16

- Determinación de los volúmenes de agua de riego a aplicar al cultivo en cada una

de las etapas de desarrollo, en función del volumen total de agua de riego

disponible al inicio de la campaña de riegos.

- Evaluación del efecto del riego deficitario controlado optimizado por etapas sobre

los parámetros fisiológicos y de calidad del cultivo.

- Determinación de la estrategia de riego más adecuada.

- Determinación de la huella hídrica ligada al cultivo de cebada.

1.7. BIBLIOGRAFÍA

Abrha, B., Delbecques, N., Raes, D., Tsegay, A., Todorovic, M., Heng, L., Vanutrecht,

E., Geerts, S., García-Vila, M., Deckers, S., 2012. Sowing strategies for barley

(Hordeum vulgare L.) based on modelled yield response to water with AquaCrop.

Expl. Agric., 48, 252-271.

Acevedo, E., Silva, P., Silva, H., 2002. Wheat growth and physiology. In: Curtis, B.C.,

Rajaram, S., Gómez Macpherson, H. (Eds.), Bread Wheat, Improvement and

Production. FAO Plant Production and Protection Series, p. 30.

Allen, R.G., Pereira, L.S., Raes, D., Smith, M., 1998. Crop Evapotranspiration: Guide-

lines for Computing Crop Water Requirements. Irrigation and Drainage Paper No.

56, FAO, Italy.

Carrión, F., Tarjuelo J.M., Hernández, D., Moreno, M.A., 2013. Design of

microirrigation subunit of minimum cost with proper operation. Irrig. Sci., 31,

1199-1211.

Carrión, F., Montero, J., Tarjuelo, J.M., Moreno, M.A., 2014. Design of Sprinkler

Irrigation Subunit of Minimum Cost with Proper Operation. Application at Corn

Crop in Spain. Water Resour. Manag., 28, 5073–5089.

Carrión, F., Sanchez-Vizcaino, J., Corcoles, J.I., Tarjuelo, J.M., Moreno, M.A., 2016.

Optimization of groundwater abstraction system and distribution pipe in

pressurized irrigation systems for minimum cost. Irrig. Sci., 34, 145–159.

Carter, K.E., Stoker, R., 1985. Effects of irrigation and sowing date on yield and quality

of barley and wheat. New Zeal. J. Exp. Agric., 13, 77–83.


17

Carvalho, D.F., Domínguez, A., Oliveira Neto, D.H., Tarjuelo, J.M., Martínez-Romero,

A., 2014. Combination of sowing date with deficit irrigation for improving the

profitability of carrot in a tropical environment (Brazil). Scientia Horticulturae,

179, 112–121.

CE, 2017. Informe socioeconómico del sector de la cerveza en España 2015.

http://www.cerveceros.org/pdf/CE_Informe_socioeconomico_2015_v2.pdf.

Cerveceros de España (consulta 24/01/2017).

CES, 2006. La gestión del agua en Castilla-La Mancha. Consejo Económico y Social de

Castilla-La Mancha, Toledo, España.

CHG, 2017. Revisión del Plan Hidrológico de la parte española de la demarcación

hidrográfica del Guadiana. Memoria-anejo 9. Valoración del estado de las masas

de agua.

http://www.chguadiana.es/corps/planhidrologico2015/data/resources/file/docum

entos2015/definitivos/segundaetapa/RPH_11_1Rev-T2-

Ane9_Estado_masas_vf.pdf. Confederación Hidrográfica del Guadiana.

Ministerio de Agricultura y Pesca, Alimentación y Medio Ambiente. (consulta

20/01/2017).

CHJ, 2017. Plan hidrológico de la demarcación hidrográfica del Júcar. Memoria–anejo

12. Evaluación del estado de las masas de agua superficial y subterránea

http://www.chj.es/Descargas/ProyectosOPH/Consulta%20publica/PHC-2015-

2021/PHJ1521_Anejo12_Estado_151126.pdf. Confederación Hidrográfica del

Júcar. Ministerio de Agricultura y Pesca, Alimentación y Medio Ambiente.

(consulta 20/01/2017).

Cossani, C.M., Slafer, G.A., Savin, R., 2009. Yield and biomass in wheat and barley

under a range of conditions in a Mediterranean site. Field Crop. Res., 112, 205–

213.

Danuso F., Gani, M., Giovanardi, R., 1995. Field water balance: BidriCo 2. in: Pereira,

L.S., van der Broeck, B.J., Kabat, P., Allen, R.G. (Eds.). Crop-Water-Simulation

Models in Practice. ICI-CIID, SC-DLO. Wageningen Pres. Wageningen, The

Netherlands.

Day, W., Lawlor, D.W., Day, A.T., 1987. The Effect of drought on barley yield and water

use in two contrasting years. Irrig. Sci., 8, 115–130.


18

de Juan, J.A., Tarjuelo, J.M., Valiente, M., García, P. 1996. Model for optimal cropping

patterns within the farm based on crop water production functions and irrigation

uniformity, I: development of a decision model. Agric. Water Manage., 31, 115-

193.

de Juan, J.A., Tarjuelo, J.M., Ortega, J.F., 2003. Rasgos básicos de los factores naturales

del espacio agrario Castellano-Manchego. En: J.S., Castillo; F.J., Montero; J.M.

Tarjuelo (coords.). Sector Agrario Castilla-La Mancha (17-34). Escuela Técnica

Superior de Ingenieros Agrónomos de Albacete, Universidad de Castilla-La

Mancha, Albacete, España.

de León, A., Arriba, A., de la Plaza, M.C., 1988a. Caracterización Agroclimática de la

Provincia Albacete. Ministerio de Agricultura, Pesca y Alimentación, Secretaria

General Técnica, Madrid, España.

de León, A., Arriba, A., de la Plaza, M.C., 1988b. Caracterización Agroclimática de la

Provincia Ciudad Real. Ministerio de Agricultura, Pesca y Alimentación,

Secretaria General Técnica, Madrid, España.

de León, A., Arriba, A., de la Plaza, M.C., 1988c. Caracterización Agroclimática de la

Provincia Cuenca. Ministerio de Agricultura, Pesca y Alimentación, Secretaria


de León, A., Arriba, A., de la Plaza, M.C., 1988d. Caracterización agroclimática de la

provincia Toledo. Ministerio de Agricultura, Pesca y Alimentación, Secretaria


Domínguez, A., Tarjuelo, J.M., de Juan, J.A., López-Mata, E., Breidy, J., Karam, F.,

2011. Deficit irrigation under water stress and salinity conditions: The Mopeco-

salt model. Agric. Water Manage., 98, 1451-1461.

Domínguez, A., Martínez, R.S., de Juan, J.A., Martínez-Romero, A., Tarjuelo J.M.,

2012a. Simulation of maize crop behaviour under deficit irrigation using

MOPECO model in a semi-arid environment. Agric. Water Manage., 107, 42-53.

Domínguez, A., de Juan, J.A., Tarjuelo, J.M., Martínez, R.S., Martínez-Romero, A.,

2012b. Determination of optimal regulated deficit irrigation strategies for maize

in a semi-arid environment. Agric. Water Manage., 110, 67-77.


19

Domínguez, A., Jiménez, M., Tarjuelo, J.M., de Juan, J.A., Martínez-Romero, A., Leite,

K.N., 2012c. Simulation of onion crop behaviour under optimized regulated

deficit irrigation using MOPECO model in a semi-arid environment. Agric. Water

Manage., 113, 64-75.

Domínguez, A., Martínez-Romero, A., Leite, K.N., Tarjuelo, J.M., de Juan. J.A., López-

Urrea, R., 2013. Combination of typical meteorological year with regulated deficit

irrigation to improve the profitability of garlic in central Spain. Agric. Water

Manage., 130, 154-167.

Doorenbos, J., Kassam, A.H., 1979. Yield response to water. Irrigation and Drainage

Paper No. 33. FAO, Italy.

Elías, F., Ruiz Beltrán, L., 1981. Estudio Agroclimático de la Región de Castilla-La

Mancha. Departamento de Agricultura de la Junta de Comunidades de Castilla-

La Mancha, Toledo, España.

ESYRCE, 2017. Encuesta sobre Superficies y Rendimientos de Cultivos (ESYRCE).

http://www.mapama.gob.es/es/estadistica/temas/estadisticas-

agrarias/boletin2015_tcm7-424015.pdf. Ministerio de Agricultura y Pesca,

Alimentación y Medio Ambiente. (consulta 25/01/2017).

FAOSTAT, 2017. http://www.fao.org/faostat/en/#data/QC/visualize. Food and

Agriculture Organization of the United Nations, Roma. (consulta 24/01/2017).

FATIMA, 2015. FArming Tool for external nutrient Input and water MAnagement.

http://fatima-h2020.eu/aree-pilota/spain-la-mancha-oriental-castilla-la-mancha.

(consulta 20/01/2017).

Fischer, R.A., 1985. Number of kernels in wheat crops and the influence of solar radiation

and temperature. J. Agric. Sci., 105, 447–461.

Francia, E., Tondelli, A., Rizza, F., Badeck, F.W., Nicosia, O.L.D., Akar, T., Grando, S.,

Al-Yassin, A., Benbelkacem, A., Thomas, W.T.B., van Eeuwijk, F., Romagosa,

I., Stanca, A.M., Pecchioni, N., 2011. Determinants of barley grain yield in a wide

range of Mediterranean environments. Field Crop. Res., 120, 169–178.

Giunta, F., Motzo, R., Deidda, M., 1993. Effect of drought on yield and yield components

of durum wheat and triticale in a Mediterranean environment. Field Crop. Res.,

33, 399–409.


20

Hall, I.J., Prairie, R.R., Anderson, H.E., Boes, E.C., 1978. Generation of Typical Mete-

orological Years for 26 SOL-MET Stations. SAND 78-1601. Sandia National

Laboratories, Albuquerque, NM.

INE, 2017a. Población residente por fecha, sexo, grupo de edad y nacionalidad

http://www.ine.es/jaxiT3/Datos.htm?t=9683. Instituto Nacional de Estadística

(consulta 20/01/2017).

INE, 2017b. Agricultura y medio ambiente. Agua. Operaciones estadísticas que el INE

elabora de forma periódica

http://www.ine.es/dyngs/INEbase/es/categoria.htm?c=Estadistica_P&cid=12547

35976602. Instituto Nacional de Estadística (consulta 20/01/2017).

ITAP, 2017. Ensayos de cereales y colza. Campaña 2016.

http://www.itap.es/media/94461/boletin_95.pdf. Instituto Técnico Agronómico

Provincial de Albacete (consulta 24/01/2017).

Izquiel, A., Carrion, P., Tarjuelo, J.M., Moreno, M.A., 2015. Optimal reservoir capacity

for centre pivot irrigation water supply: Maize cultivation in Spain. Biosystems

Engineering, 135, 61-72.

Izquiel, A., Ballesteros, R., Tarjuelo, J.M., Moreno, M.A., 2016. Optimal reservoir sizing

in on-demand irrigation networks: Application to a collective drip irrigation

network in Spain. Biosystems Engineering, 147, 67-80

JCCM, 2017. Últimos datos de Castilla-La Mancha. http://www.ies.jccm.es/. Junta de

Comunidades de Castilla-La Mancha (consulta 20/01/2017).

JCCM, 2008. Cifras del Sector Agrario. Junta de Comunidades de Castilla-La Mancha,

Toledo, España.

JCRMO, 2017. Normas de gestión de la JCRMO para 2016. www.jcrmo.org. Junta

Central de Regantes de la Mancha Oriental (consulta 20/01/2017).

Leite, K.N., Martínez-Romero, A., Tarjuelo, J.M., Domínguez, A., 2015a. Distribution

of limited Irrigation water based on optimized regulated deficit irrigation and

typical meteorological year concepts. Agric. Water Manage., 148, 164-176.

Leite, K.N., Cabello, M.J., Valnir Júnior, M., Tarjuelo, J.M., Domínguez, A., 2015b.

Modelling sustainable salt water Management under deficit irrigation conditions

for melon in Spain and Brazil. J. Sci. Food Agric., 95, 2307-2318.

http://www.ine.es/jaxiT3/Datos.htm?t=9683

http://www.ies.jccm.es/


21

López-Bellido L., 1991. Cultivos Herbáceos Extensivos. Cereales. Ediciones Mundi-

Prensa. Madrid, España.

López-Mata, E., Tarjuelo, J.M., de Juan, J.A., Ballesteros, R., Domínguez, A., 2010.

Effect of irrigation uniformity on the profitability of crops. Agric. Water Manage.,

98, 190-198.

López-Mata E., Orengo-Valverde J.J., Tarjuelo J.M., Martínez-Romero A., Domínguez

A., 2016. Development of a direct-solution algorithm for determining the optimal

crop planning of farms using deficit irrigation. Agric. Water Manage., 171, 173-

187.

MAPAMA, 2017a. Anuario de estadística 2015.

http://www.mapama.gob.es/estadistica/pags/anuario/2015/AE15.pdf. Ministerio

de Agricultura y Pesca, Alimentación y Medio Ambiente. (consulta 20/01/2017).

MAPAMA, 2017b. Informe semanal de coyuntura.

http://www.mapama.gob.es/es/estadistica/temas/publicaciones/informe-semanal-

coyuntura/. Ministerio de Agricultura y Pesca, Alimentación y Medio Ambiente.

(consulta 20/01/2017).

Martín de Santa Olalla, F.J., 1994. Desertificación en Castilla La-Mancha. In: Martín de

Santa Olalla, J.F. (coordinador). El proyecto EFEDA. Universidad de Castilla-La

Mancha, 254 pp.

Martín de Santa Olalla, F.J., Calera, A., Domínguez, A., 2003. Monitoring irrigation

water use by combining Irrigation Advisory Service and remotely sensed data

with a geographic information system. Agric Water Manage., 61, 111–124.

Martín de Santa Olalla, F., Dominguez, A., Ortega, F., Artigao, A., Fabeiro, C., 2007.

Bayesian networks in planning a large aquifer in Eastern Mancha, Spain. Environ.

Model. Softw., 22, 1089–1100.

Martínez-Romero, A., 2010. Parámetros agroclimáticos y su distribución espacial en

Castilla-La Mancha. Tesis Doctoral, Universidad Castilla-La Mancha, Albacete,

España.

Moreno, M.A., Ortega, J.F., Córcoles, J.I., Martínez, A., Tarjuelo, J.M., 2010. Energy

analysis of irrigation delivery systems: monitoring and evaluation of proposed

measures for improving energy efficiency. Irrig. Sci., 28, 445–460.


22

Moreno, M.A., Medina, D., Ortega, J.F., Tarjuelo, J.M., 2012. Optimal design of centre

pivot systems with water supplied from wells. Agric. Water Manage., 107, 112-

121.

Ortega, J.F., de Juan, J.A., Martín-Benito, J.M., López-Mata, E., 2004. MOPECO: an

economic optimization model for irrigation water management. Irrig. Sci., 23, 61-

75.

Oweis, T., Zhang, H., Pala, M., 2000. Water use efficiency of rainfed and irrigated bread

wheat in a Mediterranean environment. Agron. J., 92, 231–238.

PNR, 2008. Plan Nacional de Regadíos. Horizonte 2008. Ministerio de Agricultura, Pesca

y Alimentación, Madrid, España.

Qureshi, Z.A., Neibling, H., 2009. Response of two-row malting spring barley to water

cutoff under sprinkler irrigation. Agric. Water Manage., 96, 141–148.

Savin, R., Slafer, G.A., 1991. Shading effects on the yield of an Argentinian wheat

cultivar. J. Agric. Sci., 116, 1–7.

Setter, T.L., Waters, I., 2003. Review of prospects for germplasm improvement for

waterlogging tolerance in wheat, barley and oats. Plant Soil, 253, 1–34.

Smith, M., Muñoz, G., 2002. Irrigation Advisory Services for effective water use: a

review of experiences. Montreal, Canada: Workshop on Irrigation Advisory

Services and Participatory Extension in Irrigation Management, FAO-ICID.

Stewart, J.I., Hagan, R.M., Pruitt, W.O., Kanks, R.J., Riley, J.P., Danilson, R.E., Franklin,

W.T., Jackson, E.B., 1977. Optimizing crop production through control of water

and salinity levels. Utah Water Res. Lab. PWRG 151-1, Utah, USA.

Tarjuelo, J.M., de Juan, J.A., 1999. Crop water management. In: N.H. van Lier, L.S.

Pereira and F.R. Steiner (Ed.), CIGR Handbook of Agricultural Engineering vol.

I: Land and Water Engineering (pp. 380–429). St. Joseph, MI, USA: ASAE and

CIGR.

Tarjuelo, J.M., de Juan, J.A., Ortega, J.F., 2003. Recursos hídricos. En: J.S. Castillo, F.J.

Montero, J.M. Tarjuelo (coords.). Sector Agrario Castilla-La Mancha (153-180).

Escuela Técnica Superior de Ingenieros Agrónomos de Albacete, Universidad de

Castilla-La Mancha, Albacete, España.


23

Ugarte, C., Calderini, D.F., Slafer, G.A., 2007. Grain weight and grain number

responsiveness to pre-anthesis temperature in wheat, barley and triticale. Field

Crop. Res., 100, 240–248.

Yau, S.K., Nimah, M., Farran, M., 2011. Early sowing and irrigation to increase barley

yields and water use efficiency in Mediterranean conditions. Agric. Water

Manage., 98, 1776–1781.

Capítulo 2. Calibración y

validación del modelo MOPECO

para el cultivo de cebada

Capítulo 2 Calibración y validación del modelo MOPECO para el cultivo de cebada

27

2.1. INTRODUCCIÓN

En la agricultura de regadío, la programación de riegos es uno de los procesos más

complejos que debe realizar el agricultor debido a la multitud de factores implicados en

el manejo del agua, requiriendo de información técnica para el conocimiento preciso entre

el agua aplicada y el rendimiento de los cultivos (García-Vila et al., 2009; Domínguez et

al., 2012b).

Los modelos basados en el balance de agua en el suelo son apropiados para ayudar en las

programaciones de riegos, como es el caso del BUDGET (Raes et al., 2006) y SIMDualKc

(Rosa et al., 2012a; 2012b), mientras que los modelos de crecimiento y rendimiento del

cultivo son útiles para predecir los rendimientos en respuesta al agua aplicada y a su

distribución en el tiempo. Para analizar la respuesta de la cebada al riego se han utilizado

distintos modelos de cultivos como CERES-Cebada (Nain y Kersebaum, 2007), CropSyst

(Donatelli et al., 1997; Belhouchette et al., 2008) y, más recientemente, el modelo

AquaCrop desarrollado por la FAO (Araya et al., 2010; Abrha et al., 2012; Pereira et al.,

2015). Abi Saab et al. (2015) compararon los modelos AquaCrop y CropSyst en cebada

para condiciones mediterráneas resolviendo que los modelos simulaban suficientemente

bien, aunque con mejores niveles de ajuste para AquaCrop, apuntando que las

condiciones de manejo del cultivo (agua aplicada y fertilización) eran más influyentes

que las condiciones climáticas específicas de cada zona. Rötter et al. (2012) probaron

varios modelos para la predicción de producción de cebada de primavera en varios lugares

de Europa del norte y central, concluyendo que ningún modelo destacaba sobre otro y

que, debido al alto número de incertidumbres en las simulaciones, es necesario calibrar

cada modelo para la zona y variedad donde se vaya a desarrollar.

Existen otros modelos más simples que también se pueden utilizar para predecir las

respuestas de rendimiento en función del agua, destacando entre ellos, la función de

producción propuesta por Stewart et al. (1977). Esta ecuación es la utilizada por el modelo

MOPECO para determinar las funciones de “Rendimiento vs. Agua neta total”, siendo su

objetivo maximizar la rentabilidad de las explotaciones de regadío mediante un manejo

más eficiente del agua de riego.

El objetivo principal del trabajo presentado en este capítulo fue calibrar y validar el

modelo MOPECO para simular un cultivo de cebada bajo las condiciones de Castilla-La

Mancha (CLM). Para alcanzarlo, se propusieron los siguientes objetivos parciales:


28

• Determinar la duración de las etapas de desarrollo del cultivo.

• Determinar el rendimiento potencial de la cebada en la zona (Ym).

• Determinar los valores del coeficiente de sensibilidad al déficit hídrico (Ky) de

cada etapa de desarrollo.

2.2. MATERIAL Y MÉTODOS

2.2.1. Datos utilizados para la calibración y validación del modelo MOPECO

Para la determinación de la duración de las etapas de desarrollo de cultivo se utilizaron

23 seguimientos fenológicos realizados por el SIAR de CLM durante las campañas de

2002 a 2013 en parcelas con diferentes cultivares, así como otros 5 seguimientos

realizados por el ITAP durante los años 2002, 2004, 2011, 2012 y 2013. Los datos

climáticos utilizados fueron los registrados por las estaciones agroclimáticas de la red

SIAR (Servicio de Información Agroclimática para el Regadío, del MAPAMA) más

cercanas a las parcelas de evaluación y la propia del ITAP situada en su finca

experimental (Figura 1.1).

Para calibrar y validar los valores del rendimiento potencial (Ym) y del factor de respuesta

de cultivo al estrés (Ky) requeridos por la función de Stewart et al. (1977) se utilizaron

los datos de los ensayos experimentales llevados a cabo por el ITAP durante las campañas

2011, 2012 y 2013 en la finca experimental de “Las Tiesas” (Barrax, Albacete). En ellos

se utilizó la variedad “Cierzo” certificada R2, con una dosis de siembra de 220 kg ha-1,

siendo las fechas de siembra 21/01/2011, 30/01/2012 y 30/01/2013.

Según el Soil Taxonomy (Soil Survey Staff, 1999), el tipo de suelo de la parcela donde

se realizaron los ensayos de riego se catalogó como Petrocalcic Calcixerepts. La

profundidad media del suelo fue de 40 cm limitado por el desarrollo del horizonte

petrocálcico que se encuentra más o menos fragmentado. La textura fue franco-arcillo-

limosa, con un 13,4 % de arena, un 48,9 % de limo y un 37,7 % de arcilla, pH básico,

pobre en materia orgánica y en nitrógeno total y con un alto contenido en caliza activa y

potasio.

Estos ensayos consistieron en un diseño completo de bloques al azar donde se aplicaron

6 tratamientos de riego con cuatro repeticiones de cada uno para todos los años. Cada

parcela elemental disponía de un sistema de riego por goteo, con tuberías portagoteros de

polietileno de 16 mm, con separación entre emisores de 0,5 m y con un caudal nominal


29

de 3,5 l h-1. Los tratamientos de riego fueron: T1: 50% de la evapotranspiración del cultivo

(ETm) desde siembra hasta recolección; T2: 75% de ETm desde siembra hasta recolección;

T3: 100% de ETm desde siembra hasta recolección; T4: 50% de ETm desde siembra hasta

máxima cobertura vegetal (inicio de floración), y el 100% de la ETm desde máxima

cobertura vegetal hasta recolección; T5: 75% de la ETm desde siembra hasta máxima

cobertura vegetal, y el 100% de la ETm desde máxima cobertura vegetal hasta recolección;

T6: 100% de ETm desde siembra hasta máxima cobertura vegetal; y el 75% de la ETm

desde máxima cobertura vegetal hasta recolección.

Para la programación de riego de los ensayos se realizó un balance simplificado del agua

del suelo siguiendo la metodología propuesta por FAO, utilizando para ello los datos

climáticos obtenidos de una estación agrometeorológica situada en la estación de

lisimetría de la finca experimental de “Las Tiesas” (Doorenbos y Pruitt, 1977; Doorenbos

y Kassam, 1979; Allen et al., 1998).

Nn = ETc – Pe (2.1)

donde: Nn son las necesidades netas de riego (en mm); Pe la precipitación efectiva (en mm); ETc la

evapotranspiración de cultivo (en mm). La precipitación efectiva se calculó siguiendo la metodología del

Bureau of Reclamation de los Estados Unidos (Villalobos et al., 2002).

Durante los ensayos se llevaron a cabo las técnicas culturales habituales en el cultivo de

cebada (Tabla 2.1).

Tabla 2.1. Dosis de abonado aplicadas en los ensayos de riego.

Fecha Tipo de abonado Descripción

18/01/11 Fondo 370 kg ha-1 de 4-16-10, siendo: 14,8 UF N - 59,2 UF

P2O5 - 37,0 UF K2O

29/03/11 Cobertera 50 UF de N ha-1 de N-26% líquido

23/01/12 Fondo 220 kg ha-1 de 8-16-8, siendo: 17.6 UF N - 35.2 UF

P2O5 - 17.6 UF K2O

08/05/12 Cobertera 50 UF N ha-1 de 25% de riqueza

29/01/13 Fondo 220 kg ha-1 de 8-16-8, siendo: 17.6 UF N - 35.2 UF

P2O5 - 17.6 UF K2O Donde: UF son unidades fertilizantes.

Los valores de rendimiento obtenidos en las tres campañas fueron bastante similares en

función de la cantidad de agua recibida por el cultivo. Los rendimientos oscilaron desde

los 5.700 kg ha-1 de media en los tratamientos más deficitarios del año 2012 hasta cerca

de los 9.000 kg ha-1 de media que lograron los tratamientos sin déficit (Figura 2.1).


30

Figura 2.1. Rendimientos obtenidos en los ensayos de riego en función del agua

recibida.

2.2.2. MOPECO

MOPECO utiliza la ecuación propuesta por Stewart et al. (1977) para estimar el

rendimiento del cultivo en función de la relación entre la evapotranspiración real y la

máxima (ETa/ETm) alcanzadas en las diferentes etapas de crecimiento. Doorenbos y

Kassam (1979) consideran cuatro etapas de crecimiento de acuerdo a la distinta

sensibilidad de los cultivos a déficit hídrico (desarrollo vegetativo, floración, formación

de rendimiento y periodo de maduración). El factor de respuesta del rendimiento del

cultivo al estrés (Ky) expresa lo sensible que es el cultivo al déficit hídrico en cada etapa

de crecimiento. Cuando el contenido de humedad del suelo está por debajo de un cierto

valor, el cultivo entra en estrés por déficit hídrico y responde reduciendo su capacidad

evapotranspirativa, lo cual puede ocasionar que el rendimiento real (Ya) obtenido sea

inferior al máximo (Ym) estimado para esa variedad en la zona bajo condiciones óptimas

para el desarrollo del cultivo.

(2.2)

donde: Ya e Ym, son el rendimiento real y máximo del cultivo (kg ha-1); k, es la etapa de crecimiento real;

Kyk, es el factor de respuesta del rendimiento al estrés por déficit hídrico de cada etapa de crecimiento; ETa

y ETm, se corresponden con las evapotranspiraciones acumuladas real y máxima en cada etapa de

crecimiento Ky (mm).

La ETm diaria se calcula multiplicando el coeficiente de cultivo (Kc) diario por la

evapotranspiración de referencia (ETo) diaria (Allen et al., 1998). La ETa diaria requiere

un balance diario del contenido de agua en el suelo basado en FAO-56 (Allen et al., 1998),

el cual se calcula como la diferencia entre las entradas (precipitaciones y riego, no

considerándose ascensión capilar en este caso) y salidas (ETa y percolación profunda)

(Domínguez et al., 2011).

Para la simulación de la cebada es necesario conocer la duración de las etapas de Kc y Ky

en grados día (GDD), considerándose que este cultivo tiene cuatro etapas de Kc (Allen et

0

2.000

4.000

6.000

8.000

10.000

12.000

275 325 375 425 475 525 575

Ren

dim

ien

to (

kg

ha

-1)

Agua total (Riego neto + Precipitación efectiva) (mm)

2011 2012 2013


31

al., 1998) y otras tantas de Ky (Doorenbos y Kassam, 1979). La definición del estado

fenológico que corresponde a cada etapa de desarrollo se ha obtenido de la escala

Biologische Bundesanstalt, Bundessortenamt und CHemische Industrie (BBCH)

(Bleiholder et al., 2001) (Tabla 2.2).

Tabla 2.2. Duración de las etapas Kc y Ky de la cebada en Castilla-La Mancha (días).

Etapa fenológica Fechas

Kc (I) Kc (II) Kc (III) Kc (IV) Ky (i) Ky (ii) Ky (iii) Ky (iv) Total Primer

día

después

de

siembra

Madura-

ción

Inicio 0 21 39 83 0 37 71 85 00

Fin 21 39 83 89 37 71 85 89 89

Duración (días)

2002a 49 60 22 17 102 22 11 13 148 31-ene. 28-jun.

2002b 55 54 26 24 94 34 14 17 159 10-ene. 18-jun.

2002c 76 40 25 23 110 25 11 18 164 5-ene. 18-jun.

2003b 66 47 21 17 103 24 11 13 151 14-ene. 14-jun.

2003b 76 43 22 20 113 23 11 14 161 2-ene. 12-jun.

2003d 74 43 23 18 110 23 10 15 158 2-ene. 9-jun.

2003c 73 45 24 19 114 22 10 15 161 10-ene. 20-jun.

2004a 51 64 23 18 108 24 11 13 156 30-ene. 4-jul.

2004c 49 62 32 17 100 35 14 11 160 12-ene. 20-jun.

2004c 56 58 24 16 108 23 11 12 154 17-ene. 19-jun.

2005b 59 41 24 19 95 23 11 14 143 21-ene. 13-jun.

2005e 68 47 23 17 106 25 11 13 155 7-ene. 11-jun.

2005c 67 38 22 23 98 23 13 16 150 15-ene. 14-jun.

2005f 63 43 22 19 99 22 12 14 147 15-ene. 11-jun.

2007c 45 47 23 21 84 25 12 15 136 7-feb. 23-jun.

2008c 46 52 26 23 85 34 12 16 147 24-ene. 19-jun.

2009g 48 50 20 18 91 20 12 13 136 1-feb. 17-jun.

2009h 39 55 21 20 82 26 15 12 135 5-feb. 20-jun.

2009i 39 53 23 19 87 22 12 13 134 6-feb. 20-jun.

2009c 55 55 24 18 103 24 12 13 152 19-ene. 20-jun.

2010h 67 44 26 22 101 26 16 16 159 11-ene. 19-jun.

2010j 69 51 21 21 113 22 11 16 162 17-ene. 28-jun.

2010g 52 53 21 17 99 22 10 12 143 2-feb. 25-jun.

2010k 52 42 22 24 87 24 11 18 140 5-feb. 25-jun.

2010l 45 41 31 20 81 30 13 13 137 5-feb. 22-jun.

2011a 61 37 27 26 87 32 17 15 151 21-ene. 21-jun.

2012a 61 42 24 20 93 26 13 15 147 30-ene. 25-jun.

2013a 62 40 29 21 92 32 13 15 152 30-ene. 1-jul.

Donde: Kc (I): Inicial; Kc (II): Desarrollo vegetativo; Kc (III): Etapa media; Kc (IV): Etapa final; Ky (i):

Desarrollo vegetativo; Ky (ii): Periodo de floración; Ky (iii): Formación de rendimiento; Ky (iv): Periodo de

maduración; 00: Primer día después de la siembra; 21: Comienzo del ahijamiento: 1º hijuelo visible; 37:

Aparece la última hoja (hoja bandera) aún enrollada; 39: Estadio hoja bandera: hoja bandera completamente

desenrollada, lígula recién visible; 71: Estadio de madurez acuosa: los primeros granos han alcanzado la

mitad de su tamaño final; 83: Pastoso temprano; 85: Pastoso blando: contenido del grano, blando, pero

seco; no se mantiene la huella de la uña del dedo; 89: Madurez completa: grano duro, difícil de dividir con

la uña del pulgar. Estaciones agroclimáticas a: Las Tiesas; b: Manzanares; c: El Sanchón; d: Daimiel; e:

Ciudad Real; f: Magán; g: Almansa; h: Montiel; i: Hellín; j: La Gineta; k: Ontur; l: El Pedernoso.


32

MOPECO utiliza el método del triángulo doble (Sevacherian et al., 1977) para determinar

la duración en GDD de cada etapa, el cual requiere de la temperatura umbral mínima para

el desarrollo (TL) y de la temperatura umbral máxima a la que la tasa de desarrollo

comienza a disminuir (TU). Para establecer los valores de TL y TU de la cebada en el

área de estudio, se han utilizado los valores propuestos por otros autores en condiciones

climáticas similares. Así, TL puede variar de 0 a 10ºC, y TU, de 20 a 38ºC (Kirby et al.,

1982; López-Bellido, 1991; Juskiw et al., 2001; Araya et al., 2010; Abrha et al., 2012).

La combinación de TL y TU que obtuvo la menor desviación estándar (DE) y menor

coeficiente de variación (CV) con los datos de los 28 seguimientos utilizados (Tabla 2.2)

fue la seleccionada para realizar las simulaciones.

Además de calibrar los parámetros necesarios para simular la respuesta del cultivo a la

disponibilidad de agua en el suelo es necesario calibrar otros parámetros relacionados con

la metodología ORDI (Optimized Regulated Deficit Irrigation), la cual es utilizada por

MOPECO para establecer las estrategias de riego deficitario controlado que maximizan

el rendimiento para una relación ETa/ETm global objetivo (Domínguez et al., 2012b), o

para un volumen limitado de agua de riego (Leite et al., 2015a). La metodología ORDI

determina el valor que deben alcanzar las relaciones ETa/ETm de la Ec. (2.2) para lograr

los objetivos anteriores. Hay que tener en cuenta que la optimización de una ecuación

matemática puede ofrecer resultados inaceptables tanto desde un punto de vista de

sobreestimación de rendimientos como bajo un punto de vista fisiológico, por lo que

deben establecerse un conjunto de restricciones. Así, la tasa de ETa/ETm acumulada en

cada etapa debe ser mayor o igual que 0,5, de acuerdo con las directrices de Doorenbos y

Kassam (1979) y Allen et al. (1998). Sin embargo, esto no implica que no se puedan

permitir valores inferiores a 0,5 para el cálculo diario de ETa/ETm. Además, se debe fijar

una diferencia máxima entre las ETa/ETm acumuladas de dos etapas consecutivas

(Domínguez et al., 2012b; 2012c; 2013; Carvalho et al., 2014; Leite et al., 2015b) para

que el cultivo llegue en buenas condiciones a las últimas etapas de su ciclo y que el

modelo no sobreestime los rendimientos en sus simulaciones. La forma de establecer este

valor consiste en determinar el nivel de máximo de diferencia de relaciones ETa/ETm

acumuladas entre etapas consecutivas, a partir de la cual el modelo no consigue simular

adecuadamente un porcentaje suficiente de tratamientos observados (Domínguez et al.,

2012b).


33

2.2.3. Calibración y validación de la relación “Rendimiento vs. Agua neta total”

Los procesos de calibración y validación del modelo MOPECO siguen los siguientes

pasos (Domínguez et al., 2012a):

• Establecer el valor de Ym de acuerdo con los resultados de los ensayos de campo.

• Determinar los valores de Kc. En este caso se utilizaron los empleados por el SIAR

de CLM para la determinación de las necesidades de riego de este cultivo, que son

los mismos que los propuestos por el Servicio de Asesoramiento de Riegos de

Albacete (SAR) perteneciente al ITAP (ITAP, 2004).

• Obtener las relaciones ETa/ETm de cada etapa Ky en cada uno de los 18

tratamientos (6 tratamientos por año) durante los años 2011-2013.

• Calibrar los valores de Ky (Doorenbos y Kassam, 1979) para encontrar el mejor

ajuste entre los rendimientos observados y simulados en los ensayos de 2011-

2013.

• Validar los valores asignados a cada parámetro mediante la simulación de los

calendarios de riego de las campañas 2011-2013, y comparar los rendimientos

observados con los simulados.

• Definir la máxima diferencia de relación ETa/ETm objetivo entre dos etapas de

desarrollo consecutivas para aplicar la metodología ORDI (Domínguez et al.,

2012b).

La relación “Rendimiento vs. Agua neta total” (Ya-TWN) se considera calibrada cuando

la diferencia entre los rendimientos observados y simulados es igual o menor que un 10%,

y cuando el porcentaje de rendimientos simulados que cumplan el requisito anterior es

igual o mayor al 70% (Farahani et al., 2009; Heng et al., 2009; Domínguez et al., 2012a,

2012c).

Además, para determinar la bondad de ajuste del modelo, se utilizaron los parámetros

estadísticos: la raíz del error cuadrático medio (RMSE), la raíz del error cuadrático medio

normalizado (NRMSE), la eficiencia del modelo de Nash-Sutcliffe (EF), la desviación

media (DM), y el índice de agregación de Willmott o estadístico “d”.

La RMSE es uno de los indicadores estadísticos más ampliamente utilizados (Jacovides

y Kontoyiannis, 1995). Esta variable tiene como ventaja que mide la magnitud media de

la diferencia entre los valores observados y los simulados en las mismas unidades,

aplicándose para evaluar el rendimiento del modelo. Toma valores desde 0 hasta +∞,


34

indicando un buen ajuste con el primer valor y pobre con el segundo. Sin embargo no

diferencia entre sobrestimaciones y subestimaciones:

𝑅𝑀𝑆𝐸 = [𝑛−1 ∑(𝑆𝑖 − 𝑂𝑖)2

𝑛

𝑖=1

]

1/2

(2.3)

donde: RMSE es la raíz del error cuadrático medio; n, es el número de observaciones; Si y Oi son los valores

simulados y observados, respectivamente.

Se ha considerado que la calibración y validación del modelo cumplen en cuanto a este

estadístico, si el valor obtenido es igual o inferior al 20% del valor máximo observado.

Debido a que la RMSE es expresada en las unidades de la variable de estudio, esto no

permite que el modelo sea comprobado bajo un amplio rango de condiciones climáticas

(Jacovides y Kontoyiannis, 1995). Por tanto, RMSE puede ser normalizada (NRMSE)

usando el valor medio de la variable observada. Este valor normalizado se expresa como

porcentaje, y es una indicación de la diferencia relativa entre los datos obtenidos por el

modelo y las observaciones.

𝑁𝑅𝑀𝑆𝐸 = 100 (𝑅𝑀𝑆𝐸

𝑂𝐴𝑉) (2.4)

donde: NRMSE, es la raíz del error cuadrático medio normalizado; OAV es el valor medio de la variable

observada.

Un NRMSE inferior al 10% puede ser considerado como excelente, bueno si se encuentra

entre un 10% y un 20%, aceptable para un porcentaje entre un 20% y 30% y malo si es

mayor de un 30% (Jamieson et al., 1991; Bannayan y Hoogenbom, 2009; Raes et al.,

2012).

La EF determina la magnitud relativa de la varianza de los residuos comparado con la

varianza de los valores observados (Nash y Sutcliffe, 1970; Greenwood et al., 1985;

Loague y Green, 1991). Otra forma de ver el estadístico es cómo de bien se ajusta la

representación de los datos observados frente a los simulados en la relación 1:1 (Moriasi

et al., 2007). Es una medida de la robustez del modelo y cuyo rango va de -∞ a 1. Un EF

de 1 indica una coincidencia perfecta entre los datos observados y simulados, un EF de 0

indica que las predicciones del modelo son tan próximos como el valor medio observado

y un EF negativo ocurre cuando la media de las observaciones tienen una mejor

predicción de lo que resulta en el modelo (Raes et al., 2012).


35

𝐸𝐹 = 1 − ∑ (𝑆𝑖 − 𝑂𝑖)

2𝑛𝑖=1

∑ (𝑂𝑖 − 𝑂𝐴𝑉)2𝑛𝑖=1

(2.5)

donde: EF, es la eficiencia del modelo; n, es el número de observaciones; Si y Oi son los valores simulados

y observados, respectivamente; y OAV es el valor medio de la variable observada.

El estadístico EF es muy usado, pero este indicador no es muy sensible a las

sobrestimaciones o subestimaciones del modelo. El criterio utilizado para este estadístico

es que, en la calibración y la validación de los modelos, se obtengan valores de EF

superiores a 0 para las variables de estudio (Montoya, 2013).

La DM es un indicativo de si el modelo tiende a sobrestimar o subestimar en sus

simulaciones a los datos observados. Las unidades de medida son las mismas que las de

la variable de estudio. Cuanto más se aproxima a 0, los resultados del modelo se ajustan

mejor a la realidad

𝐷𝑀 = 𝑛−1 ∑(𝑆𝑖 − 𝑂𝑖)

𝑛

𝑖=1

(2.6)

donde: DM, es la desviación media; n, es el número de observaciones; Si y Oi son los valores simulados y

observados, respectivamente.

Al igual que el RMSE, en este estadístico se impone el mismo criterio indicado con un

límite superior del ±20% (Montoya, 2013).

El índice de agregación de Willmott o estadístico “d” representa la relación entre el error

cuadrático medio y el error potencial (Willmott, 1982). El rango de este estadístico se

encuentra entre 0 y 1, donde 0 indica que no se tiene ajuste alguno y 1 indica un ajuste

perfecto entre los datos observados y los predichos por el modelo

𝑑 = 1 − ∑ (𝑆𝑖 − 𝑂𝑖)

2𝑛𝑖=1

∑ (|𝑆𝑖 − 𝑂𝐴𝑉| + |𝑂𝑖 − 𝑂𝐴𝑉| )2𝑛𝑖=1

(2.7)

donde: d, es el índice de agregación de Willmott; n, es el número de observaciones; Si y Oi son los valores

simulados y observados, respectivamente; y OAV es el valor medio de la variable observada.

La desventaja que ofrece este estadístico es que se pueden obtener valores relativamente

altos (sobre 0,65) incluso cuando la robustez del modelo es pobre. Así mismo, d no es

muy sensible a las sobrestimaciones o subestimaciones sistemáticas (Krause et al., 2005).

En este sentido, el criterio establecido es de obtener valores superiores a 0,65 en la

calibración y validación de los modelos.


36

2.3. RESULTADOS Y DISCUSIÓN

2.3.1. Duración de las etapas Kc y Ky en función de GDD

Entre los valores considerados de TL y TU, los que alcanzaron una menor variabilidad en

términos de DE y CV fueron 2 y 28ºC, respectivamente. Éstos son iguales a los propuestos

por Abrha et al. (2012) y muy similares a los propuestos por otros autores como López-

Bellido (1991), Juskiw et al. (2001), Qureshi y Neibling (2009) y Araya et al. (2010).

La progresión de los GDD acumulados en las etapas de Kc y Ky fue similar en todos los

casos, reduciéndose la variabilidad conforme el ciclo de cultivo iba avanzando, como

suele ser habitual en la utilización de GDD (Lancaster et al., 1996; Ruiz-Corral et al.,

2002; Piccinni et al., 2009; Marinaccio et al., 2015; Pereira et al., 2015) (Tabla 2.3). Así,

traduciendo esta variabilidad en días desde el primer día después de la siembra, implica

una diferencia de 9, 8, 8, y 7 días y 11, 8, 7 y 7 días en la duración de las etapas de Kc y

Ky respectivamente. Esta variación es inferior al 7,3% con respecto a la duración total en

días de todo el ciclo de crecimiento y puede aceptarse.

La duración total del ciclo de la cebada obtenida por otros autores es similar a la de este

trabajo, estando condicionada tanto por la variedad estudiada como por los valores de TL

y TU utilizados. Así, Juskiw et al. (2001) para 5 variedades distintas cultivadas en Alberta

(Canadá) obtuvieron entre 1.268 y 1.702 GDD, Araya et al. (2010) para la variedad

“Birguda” cultivada en Mekele (Etiopía) establecieron 1.105 GDD, Abrha et al. (2012)

para 5 variedades distintas cultivadas en regiones de Etiopía, Siria, Italia y Estados

Unidos, obtuvieron entre 1.198 y 1.520 GDD, y, Qureshi y Neibling (2009) para la

variedad “Moravian 37” en Idaho (Estados Unidos) dispusieron 1.221 GDD.


37

Tabla 2.3. Duración de las etapas Kc y Ky en grados día acumulados (GDD).

GDD (ºC)

Año Kc (I) Kc (II) Kc (III) Kc (IV) Ky (i) Ky (ii) Ky (iii) Ky (iv)

2002a 296,28 891,70 1.214,30 1.560,86 792,63 1.124,73 1.287,98 1.560,86

2002b 255,64 740,32 1.051,03 1.472,65 559,18 952,15 1.164,70 1.472,65

2002c 384,32 753,84 1.030,67 1.400,18 662,47 950,80 1.101,05 1.400,18

2003b 333,86 792,80 1.116,61 1.459,92 666,09 1.006,53 1.190,09 1.459,92

2003b 357,32 751,38 1.076,10 1.447,75 677,35 987,95 1.167,09 1.447,75

2003d 383,17 793,68 1.149,46 1.490,18 705,96 1.019,12 1.206,30 1.490,18

2003c 350,21 771,31 1.134,45 1.521,46 731,64 1.041,54 1.208,18 1.521,46

2004a 296,90 834,69 1.227,26 1.598,82 747,98 1.119,82 1.317,98 1.598,82

2004c 231,54 664,79 1.054,00 1.377,10 550,50 918,32 1.171,71 1.377,10

2004c 278,46 704,51 1.031,16 1.335,61 656,98 908,62 1.111,35 1.335,61

2005b 228,18 659,90 1.008,77 1.387,78 581,95 911,78 1.108,71 1.387,78

2005e 216,44 729,00 1.062,32 1.404,56 603,13 950,75 1.143,36 1.404,56

2005c 289,60 672,39 999,66 1.438,03 576,89 913,82 1.126,39 1.438,03

2005f 259,04 754,35 1.092,90 1.487,70 647,42 985,85 1.192,73 1.487,70

2007c 295,37 693,49 1.011,13 1.376,73 609,62 935,75 1.111,39 1.376,73

2008c 253,19 704,72 1.032,99 1.373,53 563,55 971,73 1.119,23 1.373,53

2009g 283,92 754,94 1.077,36 1.411,96 660,82 965,40 1.171,01 1.411,96

2009h 222,06 694,60 1.019,31 1.401,54 551,44 904,84 1.153,00 1.401,54

2009i 272,20 797,71 1.175,23 1.549,74 731,49 1.073,07 1.289,15 1.549,74

2009c 297,48 793,30 1.177,77 1.524,42 691,05 1.055,04 1.266,47 1.524,42

2010h 285,37 734,09 1.020,81 1.361,13 594,06 864,27 1.124,38 1.361,13

2010j 334,18 814,03 1.165,00 1.491,76 756,56 1.041,21 1.241,07 1.491,76

2010g 283,44 788,75 1.136,73 1.397,53 733,49 1.037,90 1.217,68 1.397,53

2010k 327,61 775,74 1.086,56 1.505,81 708,36 1.000,37 1.211,71 1.505,81

2010l 226,16 660,40 1.052,55 1.363,22 577,91 950,19 1.194,91 1.363,22

2011a 276,09 687,18 1.061,59 1.512,94 566,65 960,92 1.232,44 1.512,94

2012a 282,75 704,02 1.116,39 1.496,31 562,79 962,02 1.206,41 1.496,31

2013a 327,03 727,71 1.058,88 1.437,14 599,95 959,73 1.174,05 1.437,14

Media 290,28 744,48 1.087,18 1.449,51 645,28 981,22 1.186,09 1.449,51

DE 46,43 57,16 64,37 69,38 73,29 64,43 58,90 69,38

CV (%) 15,99 7,68 5,92 4,79 11,36 6,57 4,97 4,79

Donde: Kc (I): Inicial; Kc (II): Desarrollo vegetativo; Kc (III): Etapa media; Kc (IV): Etapa final; Ky (i):

Desarrollo vegetativo; Ky (ii): Periodo de floración; Ky (iii): Formación de rendimiento; Ky (iv): Periodo de

maduración; DE: desviación estándar; CV: coeficiente de variación; Estaciones agroclimáticas: a: Las

Tiesas; b: Manzanares; c: El Sanchón; d: Daimiel; e: Ciudad Real; f: Magán; g: Almansa; h: Montiel; i:

Hellín; j: La Gineta; k: Ontur; l: El Pedernoso.

2.3.2. Valores de Kc, Ky, rendimiento potencial y relaciones ETa/ETm

Los valores de Kc utilizados (Figura 2.2) son similares a los propuestos por Allen et al.

(1998) durante las etapas Kc (I) y Kc (III), pero ligeramente superior en la etapa final de

Kc (IV) (0,45 frente a 0,25). Los coeficientes también son parecidos a los establecidos por

Tarantino y Caliandro (1984) en Italia: valores de 0,55 (Kc (I)), 1,15 (Kc (III)) y 0,5 (final

de Kc (IV)), y de los propuestos por Araya et al. (2011) (0,6-0,8, 1,0-1,05 y 0,3-0,4,

respectivamente) en una investigación llevada a cabo en Etiopía.


38

Los rendimientos obtenidos oscilaron entre 5.700-9.300 kg ha-1 siendo el rendimiento

promedio de los tratamientos sin estrés hídrico de 9.000 kg ha-1 con una media de 460

mm de agua total aplicada (Figura 2.1). En consecuencia, se han considerado 9.000 kg

ha-1 como Ym para realizar las simulaciones. Este rendimiento potencial es inferior al

observado por Jamieson et al. (1995) para la variedad “Triumph” en Nueva Zelanda

(9.670 kg ha-1), es similar al obtenido por Domínguez et al. (2017) en CLM con la

variedad “Scarlett” (9.236 kg ha-1), se sitúa dentro del rango de los valores obtenidos por

Cossani et al. (2009) en Agramunt (Lérida) para tres variedades distintas en tratamientos

sin déficit hídrico (entre 3.800 y 10.200 kg ha-1), y es superior al obtenido por Abrha et

al. (2012) en distintas localizaciones mediterráneas para 5 variedades en condiciones de

no déficit hídrico (entre 2.000 y 6.000 kg ha-1).

Figura 2.2. Evolución de los valores de Kc y Ky por etapas (año 2013).

Utilizando el módulo de simulación de balance de agua en el suelo y evapotranspiración

del modelo MOPECO, así como los datos climáticos registrados por la estación de

lisimetría situada junto a las parcelas experimentales, se calcularon las relaciones

ETa/ETm en cada una de las etapas de Ky (Figura 2.3).

0,0

0,2

0,4

0,6

0,8

1,0

1,2

1,4

1,6

0 100 200 300 400 500 600 700 800 900 1.000 1.100 1.200 1.300 1.400

va

lore

s d

e K

cy

Ky

Grados día acumulados

Kc Ky

Kc (II): Desarrollo vegetativo

Kc (III): Etapa media

Kc (IV): Etapa final

Ky (iii): Formación de rendimiento

Ky (ii): Periodo de floración

Ky (i): Desarrollo vegetativo Ky (iv):

Maduración

Kc (I): Inicial


39

Figura 2.3. Relaciones ETa/ETm en cada etapa Ky para cada uno de los 6 tratamientos

(a, 2011; b, 2012; c, 2013).

Los tratamientos con la ETa/ETm global más baja tuvieron lugar en 2012 (Figura 2.3).

En ninguno de los tres años, durante la primera etapa de Ky el cultivo se encontró bajo

condiciones de estrés (ETa/ETm=1) por lo que no se pudo realizar una correcta calibración

del valor de Ky para esta etapa. Este hecho suele ser frecuente en la mayoría de los cultivos

que se siembran en invierno en la zona, por ser una época lluviosa y por la baja demanda

evaporativa de la atmósfera durante este periodo (Domínguez et al., 2012c; 2013).

También en 2012 hubo un mayor rango de las tasas globales de ETa/ETm, sufriendo todos

los tratamientos estrés hídrico en por lo menos dos etapas de crecimiento. En los años

2011 y 2013, el máximo estrés hídrico tuvo lugar durante Ky (iii) mientras que en 2012

fue durante la etapa Ky (ii) (Figura 2.3).

La combinación de valores de Ky que logra un mejor ajuste entre los rendimientos

observados y los simulados son los mostrados en la Figura 2.2. Así, con los datos

utilizados para la calibración (2012, por ser el año que mayor variabilidad de ETa/ETm

presentó), 21 de 24 simulaciones han presentado una diferencia en rendimiento igual o

inferior al 10% con respecto al observado, lo que se traduce en un 88% de aciertos por

parte del modelo (Figura 2.4). Utilizando los mismos valores de Ky para los años 2011 y

2013, el porcentaje de valores simulados dentro del 10% ha sido del 92 y 88%

respectivamente, lo que termina por validar el modelo, ya que son porcentajes muy

superiores al 70% establecido por Domínguez et al. (2012a).

El impacto del estrés hídrico en los rendimientos de la cebada depende de su intensidad

y de la etapa de crecimiento del cultivo donde se aplica (Carter y Stoker 1985; Fischer,


40

1985; Day et al., 1987; Savin y Slafer, 1991; Giunta et al., 1993; Oweis et al., 2000;

Acevedo et al., 2002; Setter y Waters 2003; Ugarte et al., 2007; Cossani et al., 2009;

Qureshi y Neibling, 2009; Francia et al., 2011; Abrha et al., 2012). En ninguno de los

tratamientos hubo déficit hídrico en la etapa Ky (i), por lo que no se puede analizar la

sensibilidad del cultivo a éste durante dicha etapa. En la bibliografía no se han encontrado

estudios basados en la ecuación de Stewart et al. (1977) para la cebada, por lo tanto no se

han podido contrastar los resultados de Ky para las distintas etapas de desarrollo de este

cultivo con los de otros trabajos. Sin embargo, sí hay referencias para el trigo de

primavera. En este sentido, Albrizio et al. (2010) consideran que el trigo tiene una

respuesta al déficit hídrico similar a la cebada de primavera, por lo que se ha establecido

como valor de Ky (i) el valor recomendando por Doorenbos y Kassam (1979) (Figura

2.2). No ha habido tratamientos donde solamente la etapa Ky (iv) sufriera déficit hídrico,

no siendo así en el caso de las etapas Ky (ii) y Ky (iii). En este aspecto, la etapa más

sensible al déficit hídrico ha sido la etapa Ky (ii), seguida de Ky (iii). Esto se pone de

manifiesto si se analiza el rendimiento obtenido por el tratamiento 4 de 2013, donde

únicamente hubo déficit hídrico durante la etapa Ky (ii), y que supuso unas pérdidas de

rendimiento del 18% comparado con el tratamiento sin déficit, mientras que, para un

déficit similar ocurrido tan solo en la etapa Ky (iii), los tratamientos 2 y 6 del año 2011

tuvieron unas pérdidas del 10% y 7% respectivamente comparados con el tratamiento sin

déficit de ese año. Finalmente, la etapa de maduración resultó ser la menos sensible al

déficit hídrico, logrando un buen nivel de ajuste en las simulaciones con un valor de Ky

(iv) = 0,15.

Pereira et al. (2015) hicieron una revisión bibliográfica exhaustiva y, según ésta y los

resultados de su propia experimentación, establecieron un valor global de Ky para todo el

ciclo de cultivo de 1,25. MOPECO utiliza la Ky global para simular la respuesta del

cultivo bajo condiciones de salinidad, siendo el valor que mejor ajusta a los datos

observados en la experimentación igual a 1,10, que es ligeramente inferior al propuesto

por estos autores.

El modelo presenta un buen ajuste para el rango de agua neta aplicada durante las tres

campañas, mostrando la mayoría de los tratamientos simulados una desviación inferior al

5% con respecto a los observados (64% del total de repeticiones). En cuanto a la

capacidad de lograr simulaciones adecuadas con valores crecientes de déficit, el modelo

presentó un buen ajuste para los tratamientos con una tasa global de ETa/ETm superior a


41

0,73, y de 0,54 para las etapas individuales. Estos valores son ligeramente más elevados

que los obtenidos por Domínguez et al. (2012a) para el maíz. Por lo tanto, para la variedad

analizada y la condiciones del ensayo, la respuesta del modelo es adecuado hasta esos

niveles de estrés pero debe aplicarse con precaución para situaciones más restrictivas.

Figura 2.4. Rendimiento simulado (Ys) vs. Rendimiento observado (Yo).

Según los valores de RMSE, NRMSE, EF, DM y d (Tabla 2.4), se ha conseguido un buen

ajuste entre los rendimientos observados y los simulados para los tres años de

experimentación, estando dentro de los límites establecidos para cada uno de los distintos

estadísticos utilizados. En consecuencia, puede considerarse validada la calibración de

MOPECO para un cultivo de cebada bajo las condiciones de CLM.

Los niveles de ajuste de este estudio son mejores que los obtenidos por Rötter et al. (2012)

en los 9 modelos analizados, o los conseguidos por Abi Saab et al. (2015) con CropSyst

y Aquacrop, aunque han sido ligeramente peores a los logrados por Abrha et al. (2012)

con Aquacrop.

Tabla 2.4. Estadísticos para los tres años de experimentación.

2011 2012 2013

RMSE (kg ha-1) 619,32 435,20 400,48

NRMSE (%) 7,27 5,51 5,09

EF 0,57 0,84 0,77

DM (kg ha-1) -208,42 5,31 34,04

d 0,89 0,96 0,95

Para aplicar la metodología ORDI es necesario establecer la máxima diferencia de déficit

que se puede admitir entre etapas consecutivas de desarrollo, para permitir que el cultivo

exprese todo su potencial en cada una de ellas bajo condiciones sin déficit. El análisis de

0,80

0,85

0,90

0,95

1,00

1,05

1,10

1,15

1,20

T1

A

T1B

T1

C

T1

D

T2

A

T2

B

T2

C

T2

D

T3

A

T3

B

T3

C

T3

D

T4

A

T4

B

T4

C

T4

D

T5A

T5

B

T5

C

T5

D

T6

A

T6

B

T6

C

T6

D

2011 2012 2013

Tratramiento

Ys/

Yo


42

los resultados de las simulaciones puso de manifiesto que hasta una diferencia de ETa/ETm

máxima entre etapas consecutivas igual o menor a 0,23 se simularon correctamente 57 de

60 tratamientos, mientras que solo 7 de 12 tratamientos entraron dentro del rango del 10%

cuando esta diferencia fue mayor de 0,27 (Figura 2.5). Por esta razón se determinó que,

para que la metodología ORDI sea capaz de extraer el máximo potencial de desarrollo de

cada una de las etapas de crecimiento de este cultivo, la máxima diferencia de déficit entre

etapas consecutivas debe ser inferior a 0,25. Este valor es inferior al establecido para otros

cultivos herbáceos en CLM como el maíz (0,3) y la cebolla (0,4) (Domínguez et al.,

2012b, 2012c), poniendo de manifiesto la importancia de mantener el déficit controlado

en todas las etapas de desarrollo con el fin de evitar que un déficit excesivo en una de

ellas pueda afectar notablemente al rendimiento final obtenido.

Figura 2.5. Determinación de la máxima diferencia de ETa/ETm acumulada entre dos

etapas consecutivas de Ky por cada tratamiento y año de ensayo.

2.4. CONCLUSIONES

MOPECO es una herramienta válida para simular la relación “Rendimiento vs. Agua neta

total” (Ya-TWN) de la cebada bajo las condiciones climáticas de CLM y diferentes

escenarios de aplicación de agua de riego.

Se ha logrado un alto porcentaje de aciertos global, consiguiendo que 64 de los 72

tratamientos simulados (89%) mostraran una diferencia de rendimiento inferior al ±10%

0,00

0,10

0,20

0,30

0,40

0,50

0,60

0,70

0,80

T1A

T1B

T1C

T1D

T2A

T2B

T2C

T2D

T3A

T3B

T3C

T3D

T4A

T4B

T4C

T4D

T5A

T5B

T5C

T5D

T6A

T6B

T6C

T6D

Má

x. d

ifer

enci

a d

e E

Ta

/ET

m

Tratamiento

2011 Bien simulado 2011 Mal simulado




43

con respecto a los rendimientos observados. En este sentido, fue 2011 el año que mejor

porcentaje de aciertos obtuvo (92%), pese a conseguir los peores valores en los

estadísticos.

Según los estadísticos utilizados, el modelo ha conseguido un nivel de ajuste elevado. La

máxima RMSE se obtuvo con los datos de 2011, alcanzado un valor de 619,32 kg ha-1, lo

que supone una variación del 6,2% del valor máximo observado, muy por debajo del valor

máximo considerado como aceptable que es del 20%. El resto de parámetros también han

mostrado resultados excelentes: NRMSE < 7,3%; EF > 0,54 y en algunos casos muy

cercanas a 1; DM < 2%; y d > 0,89 y muy próximos a 1.

En ninguno de los tratamientos hubo déficit hídrico en la etapa Ky (i), por lo que no se

pudo analizar la sensibilidad del cultivo a éste durante dicha etapa, asumiendo el valor de

0,2 propuesto en la bibliografía. En cuanto a las etapas que sí lo sufrieron, la más sensible

al déficit hídrico fue la etapa Ky (ii) (0,55) seguida de Ky (iii) (0,3). Por lo tanto, en el

caso de aplicar estrategias de riego deficitario, es recomendable que ambas etapas estén

sometidas al menor déficit hídrico posible. La última etapa resultó ser la menos sensible,

lográndose un buen nivel de ajuste con Ky (iv) = 0,15.

El efecto del déficit hídrico de una etapa de desarrollo sobre la siguiente puede ser

relevante. Desde un punto de vista conservador y para evitar sobrestimaciones de

rendimiento se ha establecido una diferencia máxima entre ETa/ETm acumuladas de dos

etapas consecutivas igual a 0,25.

2.5. BIBLIOGRAFÍA

Abi Saab, M.T., Todorovic, M., Albrizio, R., 2015. Comparing AquaCrop and CropSyst

models in simulating barley growth and yield under different water and nitrogen

regimes. Does calibration year influence the performance of crop growth models?

Agric. Water Manage., 147, 21-33.




Expl. Agric., 48, 252-271.


44




Albrizio, R., Todorovic, M., Matic, T., Stellacci, A.M., 2010. Comparing the interactive

effects of water and nitrogen on durum wheat and barley grown in a

Mediterranean environment. Field Crop. Res., 115, 179–190.



56, FAO, Italy.

Araya, A., Habtu, S., Hadgu, K.M., Kebede, A., Dejene, T., 2010. Test of AquaCrop

model in simulating biomass and yield of water deficient and irrigated barley

(Hordeum vulgare). Agric. Water Manage., 97, 1838–1846.

Araya, A., Habtu, S., Haile, M., Sisay, F., Dejene, T., 2011. Determination of Local

Barley (Hordeum Vulgare) Crop Coefficient and Comparative Assessment of

Water Productivity for Crops Grown Under the Present Pond Water in Tigray,

Northern Ethiopia. MEJS. Volume 3 (1):65-79.

Bannayan, M., Hoogenboom, G. 2009. Using pattern recognition for estimating cultivar

coefficients of a crop simulation model. Field Crop. Res., 111, 290-302.

Belhouchette, H., Braudeau, E., Hachicha, M., Donatelli, M., Mohtar, R.H., Wery, J.,

2008. Integrating spatial soil organization data with a regional agricultural

management simulation model: a case study in northern Tunisia T. ASABE 51

(3), 1099–1109.

Bleiholder, H., Weber, E., Lancashire, P.D., Feller, C., Buhr, L., Hess, M., Wicke, H.,

Hack, H., Meier, U., Klose, R., van den Boom, T., Stauss, R., 2001. Growth stages

of mono-and dicotyledonous plants BBCH Monograph. 2nd edition. Ed. Meier,

U. Federal Biological Research Centre for Agriculture and Forestry.

Braunschweig, Germany.



Carvalho, D.F., Domínguez, A., Oliveira Neto, D.H., Tarjuelo, J.M., Martínez-Romero,

A., 2014. Combination of sowing date with deficit irrigation for improving the


45

profitability of carrot in a tropical environment (Brazil). Scientia Horticulturae,

179, 112–121.



213.



Domínguez, A., Tarjuelo, J.M., de Juan, J.A., López-Mata, E., Breidy, J., Karam, F.,

2011. Deficit irrigation under water stress and salinity conditions: The Mopeco-

salt model. Agric. Water Manage., 98, 1451-1461.










Manage., 113, 64-75.




Manage., 130, 154-167.

Domínguez, A., Martínez-Navarro, A., López-Mata, E., Tarjuelo, J.M., Martínez-

Romero, A., 2017. Real farm management depending on the available volume of

irrigation water (part I): Financial analysis. Agric. Water Manage., 192, 71–84.

Donatelli, M., Stockle, C., Ceotto, E., Rinaldi, M., 1997. Evaluation of CropSyst for

cropping systems at two locations of northern and southern Italy. Eur. J. Agron.,

6, 35–45.


46

Doorenbos, J., Pruitt, W.O., 1977. Las necesidades de agua de los cultivos. Estudio FAO

Riego y Drenaje, 24. FAO, Italia, 194 pp.



Farahani, H.J., Izzi, G., Oweis, T.Y., 2009. Parameterization and evaluation of the

AquaCrop model for full and deficit irrigated cotton. Agron. J., 101, 469-476.







García-Vila, M., Fereres, E., Mateos, L., Orgar, F., Steduto, P., 2009. Deficit irrigation

optimization of cotton with AquaCrop. Agron. J., 101, 477-487.



33, 399–409.

Greenwood, D.J., Neeteson, J.J., Draycott, A., 1985. Response of potatoes to N fertilizer:

dynamic model. Plant Soil, 85, 185-203.

Heng L.K., Hsiao, T., Evett, S., Howell, T., Steduto, P., 2009. Validating the FAO

AquaCrop model for irrigated and water deficient field maize. Agron. J., 101, 488-

498.

ITAP, 2004. Informe anual del seguimiento del SAR. Campaña 2003.

http://www.itap.es/media/3285/7.informe%20sar%202003.pdf. (consulta

20/09/2014).

Jacovides, C. P., Kontoyiannis, H., 1995. Statistical procedures for the evaluation of

evapotranspiration computing models. Agric. Water Manage., 27, 365-371.

Jamieson, P.D., Porter, J.R., Wilson, D.R., 1991. A test of the computer simulation model

ARC-WHEAT1 on wheat crops grown in New Zealand. Field Crop. Res., 27,

337–350.


47

Jamieson, P.D., Martin, R.J., Francis, G.S., 1995. Drought influences on grain yield of

barley, wheat, and maize. New Zeal. J. Crop Hortic. Sci., 23, 55–66.

Juskiw, P.E., Jame, Y.W., Kryzanowski, L., 2001. Phenological development of spring

barley in a short-season growing area. Agron. J., 93, 370-379.

Kirby, E., Appleyard, M., Fellowes, M., 1982. Effect of sowing date on temperature

response of leaf emergence and leaf size in barley, Plant Cell & Environment, 5,

477-484.

Krause, P., Boyle, D. P., Bäse, F. 2005. Comparison of different efficiency criteria for

hydrological model assessment. Advances in Geosciences, 5, 89-97.

Lancaster, J.E., Triggs, C.M., DeRuiter, J.M., Gandar, P.W., 1996. Bulbing in onions:

photoperiod and temperature requirements and prediction of bulb size and

maturity. Annals of Botany, 78, 423–430.

Leite, K.N., Martínez-Romero, A., Tarjuelo, J.M., Domínguez, A., 2015a. Distribution

of limited Irrigation water based on optimized regulated deficit irrigation and

typical meteorological year concepts. Agric. Water Manage., 148, 164-176.

Leite, K.N., Cabello, M.J., Valnir Júnior, M., Tarjuelo, J.M., Domínguez, A., 2015b.

Modelling sustainable salt water Management under deficit irrigation conditions

for melon in Spain and Brazil. J. Sci. Food Agric., 95, 2307-2318.

Loague, K., Green, R.E. 1991. Statistical and graphical methods for evaluating solote

transport models: overview and application. Journal of Contaminant Hydrology,

7, 51-73.



Marinaccio, F., Reyneri, A., Blandino, M., 2015. Enhancing grain yield and quality of

winter barley through agronomicstrategies to prolong canopy greenness. Field

Crop. Res., 170, 109-118.

Montoya, F., 2013. Calibración y validación de modelos para la simulación de patata

(Solanum tuberosum L.) bajo diferentes tratamientos de riego con pívot en

condiciones semiáridas. Tesis Doctoral, Universidad Castilla-La Mancha,

Albacete, España.


48

Moriasi, D. N., Arnold, J. G., Liew, M. W. V., Bingner, R. L., Harmel, R. D., Veith, T.

L. 2007. Model evaluation guidelines for systematic quantification of accuracy in

watershed simulations. Transactions of the ASABE 50, 885-900.

Nain, A.S., Kersebaum, K.C., 2007. Calibration and validation of CERES model for

simulating water and nutrients in Germany. In: Kersebaum, K.C., Hecker, J.-M.,

Mirschel, W., Wegehenkel, M. (Eds.), Modelling Water and Nutrient Dynamics

in Soil-Crop Systems. Springer, pp. 161–181

Nash, J. E., Sutcliffe, J. V. 1970. River flow forecasting through conceptual models part

I - A discussion of principles. Journal of Hydrology, 10, 282-290.



Piccinni, G., Ko, J., Marek, T., Leskovar, D.I., 2009. Crop coefficients specific to

multiple phenological stages for evapotranspiration-based irrigation management

of onion and spinach. HortScience, 44, 421–425.

Pereira, L.S., Paredes, P., Rodrigues, G.C., Neves, M., 2015. Modeling barley water

useand evapotranspiration partitioning in two contrasting rainfall years Assessing

SIMDualKc and AquaCrop models. Agric. Water Manage., 159, 239–254.



Raes, D., Geerts, S., Kipkorir, E., Wellens, J., Sahli, A., 2006. Simulation of yield decline

as a result of water stress with a robust soil water balance model. Agric. Water

Manage., 81, 335–357.

Raes, E., Steduto, P., Hsiao, T.C., Fereres, E. 2012. Reference Manual AquaCrop 4.0,

FAO, Rome, Italy.

Rosa, R.D., Paredes, P., Rodrigues, G.C., Alves, I., Fernando, R.M., Pereira, L.S., Allen,

R.G., 2012a. Implementing the dual crop coefficient approach in interactive

software. 1. Background Comput. Strat., 103, 8–24.

Rosa, R.D., Paredes, P., Rodrigues, G.C., Fernando, R.M., Alves, I., Pereira, L.S., Allen,

R.G., 2012b. Implementing the dual crop coefficient approach in interactive

software 2. Model testing. Agric. Water Manage., 103, 62–77.


49

Rötter, R.P., Palosuo, T., Kersebaum, K.C., Angulo, C., Bindi, M., Ewert, F., Ferrise, R.,

Hlavinka, P., Moriondo, M., Nendel, C., Olesen, J.E., Patil, R.H., Ruget, F.,

Takác, J., Trnka, M., 2012. Simulation of spring barley yield in different climatic

zones of Northern and Central Europe: A comparison of nine crop models. Field

Crop. Res., 133, 23–36.

Ruiz-Corral, J.A., Flores-López, H.E., Ramírez-Díaz, J.L., González-Eguiarte, D.R.,

2002. Cardinal temperatures and length of maturation cycle of maize hybrid H-

311 under rainfed conditions. Agrociencia, 36, 569–577.



Setter, T.L., Waters, I., 2003. Review of prospects for germplasm improvement for

waterlogging tolerance in wheat barley and oats. Plant and Soil, 253, 1–34.

Sevacherian, V., Stern, V.M., Mueller, A.J., 1977. Heat accumulation for timing Lygus

control pressures in a safflower-cotton complex. J. Econ. Entomol., 70, 399-402.

Soil Survey Staff, 1999. Soil Taxonomy. A basic system of soil classification for making

and interpreting soil surveys. Second Edition. Agriculture handbook nº466.

USDA, Washington. USA.

Stewart, J.I., Hagan, R.M., Pruitt, W.O., Kanks, R.J., Riley, J.P., Danilson, R.E., Franklin,

W.T., Jackson, E.B., 1977. Optimizing crop production through control of water

and salinity levels. Utah Water Res. Lab. PWRG 151-1. Utah, USA.

Tarantino, E., Caliandro, A., 1984. Water requirements and crop coefficients of different

crops in Italy as related to the climatic characteristics and the growth stage. In:

Proc. Int. Conf. ‘Crop Water Requirements’, Paris, 11–14 September, pp. 291–

304.



Crop. Res., 100, 240–248.

Villalobos, F.J., Mateos, L., Orgaz, F., Fereres, E., 2002. Bases y Tecnologías de la

Producción Agrícola. Mundi-Prensa, Madrid, 496 pp.

Willmott, C.J., 1982. Some comments on the evaluation of model performance. Bulletin

American Meteorological Society, 63, 1309-1313.

Capítulo 3. Productividad

del agua en la cebada

Capítulo 3 Productividad del agua en la cebada

53

3.1. INTRODUCCIÓN

En zonas con escasez de agua, las autoridades que gestionan y regulan los

aprovechamientos hídricos limitan la cantidad de agua de riego que pueden usar los

agricultores (Martín de Santa Olalla et al., 2007). Por tanto, se corre el riesgo de que en

años secos se agote prematuramente dicha cantidad de agua, no cubriéndose las

necesidades netas del cultivo, provocando así, una caída del rendimiento y, en

consecuencia, de la rentabilidad final (Leite et al., 2015). Una adecuada distribución de

esa cantidad de agua es esencial para minimizar o evitar el riesgo antes mencionado. Para

lograrlo se requiere una metodología que permita distribuir el agua de riego de la forma

que más beneficie al desarrollo del cultivo y a la generación de cosecha, tratando de

aumentar la productividad del agua.

Hay muchas razones para el aumento de la productividad del agua en el sector agrícola,

pudiendo clasificarlas en tres grandes grupos: (a) las relacionados con la sostenibilidad y

la mejora del medio ambiente (Martín de Santa Olalla et al., 2007); (b) las relacionadas

con la seguridad alimentaria, aumento de la población y el cambio climático (Rosenzweig

y Parry, 1994; González, 2010); y (c) las relacionadas con el agua como factor de

producción que condiciona la rentabilidad de las explotaciones y la demanda de este

recurso por otras actividades que pueden ganar un mayor beneficio económico (Martínez-

Valderrama et al., 2011).

Una forma de aumentar la productividad del agua es mediante la aplicación de técnicas

de riego deficitario (DI) (Assaf et al., 1974). La sensibilidad de los cultivos al déficit

hídrico depende de la etapa de desarrollo (Doorenbos y Kassam, 1979). Para una misma

lámina de riego total, el rendimiento final será mayor si se evita o reduce el déficit hídrico

durante las etapas de crecimiento más sensibles, compensando con mayores restricciones

en el aporte de agua en las menos sensibles. Esta técnica se denomina riego deficitario

controlado (RDI) (Jordan, 1983; English, 1990), e implica el control del nivel de déficit

hídrico a través del riego en las distintas etapas del cultivo para minimizar su efecto sobre

el rendimiento.

La aplicación de RDI se puede conseguir utilizando diferentes estrategias. Algunos

autores suministraron una cantidad de agua de riego igual a una porción de la

evapotranspiración máxima (ETm) a lo largo del periodo de cultivo (Boland, 1993; Martín

de Santa Olalla et al., 2004; Ahmadi et al., 2011), mientras que otros mantuvieron el

contenido de humedad del suelo dentro de un intervalo controlando el potencial mátrico


54

del agua en el suelo (Kang et al., 2002; Bethke et al., 2009). Esta última estrategia no

permite un control riguroso del estrés ya que, para el mismo potencial mátrico, el cultivo

puede estar o no bajo estrés hídrico, dependiendo de las condiciones climáticas y del

estado fenológico en el que se encuentre (Jones, 1990; Danuso et al., 1995; Allen et al.,

1998).

Otras herramientas para ayudar a mejorar la productividad del agua son los modelos de

simulación de cultivos (Jones y Kiniry, 1986; Jones et al., 2003; Keating et al., 2003;

Hsiao et al., 2009). A través del análisis de diferentes escenarios, estos modelos pueden

actuar como sistemas de ayuda en la toma de decisiones para la mejora de la planificación

y gestión de los recursos de producción disponibles.

Leite et al. (2015) proponen combinar las metodologías del “Año Meteorológico Típico”

(TMY) (Hall et al., 1978; Domínguez et al., 2013) y del “riego deficitario controlado

optimizado por etapas” (ORDI) (Domínguez et al., 2012b) para determinar el calendario

de riegos que maximiza el rendimiento de los cultivos anuales extensivos, cuando se

dispone de un volumen limitado de agua de riego inferior a las necesidades típicas del

cultivo.

En la región mediterránea, la cebada (Hordeum vulgare L.), al igual que otros cereales de

invierno-primavera, se suele cultivar en secano, donde los rendimientos son inferiores a

los potenciales. Sin embargo, cuando es posible, se aplican riegos para aumentar la

producción, aunque la cantidad de agua necesaria es muy variable interanualmente (Yau

et al., 2011).

Factores como la temperatura, la disponibilidad de nutrientes, salinidad o las prácticas

culturales afectan a la productividad. Varios estudios han evaluado los efectos del déficit

hídrico y la temperatura sobre la biomasa y el rendimiento de la cebada (Ugarte et al.,

2007; Yau y Ryan, 2013). Por otro lado, los efectos interactivos de agua y nitrógeno

fueron estudiados por Albrizio et al. (2010), mientras que Katerji et al. (2009) se centraron

en el efecto combinado de la escasez de agua y la salinidad. Cantero-Martínez et al. (2003)

o Sarkar y Singh (2007) observaron la influencia del abonado nitrogenado, déficit hídrico

y distintas prácticas culturales sobre el crecimiento, rendimiento y productividad del agua

en cebada.

El impacto del estrés hídrico en el rendimiento depende de su intensidad y de la etapa de

crecimiento donde éste ocurre (Day et al., 1987; Francia et al., 2011). En general, en el


55

caso de la cebada, el déficit hídrico durante el periodo de crecimiento, especialmente

alrededor y hasta la antesis, causa pérdidas debido a las reducciones en el número

potencial de granos por unidad de superficie (Fischer, 1985; Savin y Slafer, 1991; Giunta

et al., 1993; Cossani et al., 2009; Abrha et al., 2012), mientras que el estrés hídrico junto

a altas temperaturas durante el periodo de llenado del grano, reducen el peso medio de

los granos (Carter y Stoker 1985; Oweiss et al., 2000; Acevedo et al., 2002; Ugarte et al.,

2007;. Abrha et al., 2012). Carter y Stoker (1985) y Qureshi y Neibling (2009) informaron

que la calidad del grano de cebada para la producción de malta también se ve afectada

por el déficit hídrico, sobre todo durante la formación del grano.

El objetivo principal del trabajo presentado en este capítulo fue determinar el efecto de la

metodología ORDI para un volumen limitado de agua sobre el rendimiento y la

productividad del agua de un cultivo de cebada cervecera. Para alcanzarlo, se propusieron

los siguientes objetivos parciales:

1. Establecer los calendarios de riegos ORDI que maximizan el rendimiento de la

cebada para cuatro volúmenes limitados de agua de riego, y el que cubre las

necesidades hídricas del cultivo.

2. Determinar la estrategia de riego que genera un mayor margen bruto y una mayor

productividad del agua.

3. Determinar la huella hídrica de la cebada bajo condiciones de riego sin déficit y

ORDI.

3.2. MATERIALES Y MÉTODOS

3.2.1. Descripción del ensayo

Los ensayos tuvieron lugar en la finca experimental del Centro Integrado de Formación

Profesional de Aguas Nuevas (Albacete), durante las campañas 2015, 2016 y 2017. Las

parcelas de ensayo se situaron en las coordenadas UTM X: 595368, Y:4311310, a una

altitud de 695 m sobre el nivel del mar (Figura 3.1).

Esta zona se caracteriza por una acusada variación estacional, donde la temperatura media

de medias anual del mes más frío es de 4,4 ºC (enero) y en los meses más cálidos oscila

entre 20,9 a 24,2 ºC. La temperatura media de mínimas en el mes más frio es de -1,0 ºC

y la media máxima del mes más cálido (julio) es de 33,0 ºC (Montoya, 2013).


56

Presenta una sequía prolongada durante los meses de julio y agosto, no alcanzando los 10

mm de precipitación media acumulada, siendo las precipitaciones medias anuales de unos

345 mm, con media mensual de 44,8 mm en el mes más lluvioso (octubre) y de 8,9 mm

en el más seco (julio) (Montoya, 2013).

La evapotranspiración de referencia media anual acumulada, determinada con la

metodología de FAO Penman-Monteith, está en torno a unos 1.490 mm, alcanzando un

valor medio entre los meses de verano de 205 mm mes-1 (Montoya, 2013).

De esta manera, la clasificación climática de la zona, según Papadakis (1966), es de

Mediterráneo Templado (MeTE), régimen térmico Templado cálido (TE) y de humedad

Mediterráneo seco (Me).

Figura 3.1. Esquema del ensayo. Fuente: ©2018 Google. Elaboración propia.

Los suelos de las parcelas experimentales son los característicos de la zona, clasificados

como Calcixerrollic-Petrocalcic-Xerochrepts (USDA-NCRS, 2006). Tienen textura

franco-arcillosa en los 50 cm superiores del perfil del suelo. La profundidad efectiva de

la raíz está limitada por el desarrollo de horizontes petrocálcicos, que se encuentran más

o menos fragmentados a partir de unos 40 cm (Camargo, 2013). El suelo de las parcelas

donde se realizaron los ensayos presenta un pH muy básico y tiene características

ligeramente salinas, lo que puede conducir a problemas de disponibilidad de algunos

micronutrientes (Tabla 3.1).

Según el Servicio de Asesoramiento a la Fertilización (SAF) del ITAP, el contenido de

materia orgánica se encuentra dentro de los valores normales (entre 1,8-3,0%). El

contenido de nitrógeno presenta un valor de entre 0,14 y 0,16% para los tres años, estando

dentro de los valores considerados adecuados (0,02-0,40%). La relación carbono-


57

nitrógeno indica que hay un buen nivel de humificación de la materia orgánica del suelo

y una adecuada liberación de nitrógeno. El contenido de caliza activa fue alto para los dos

primeros años y muy alto para el tercero, los valores de carbonatos fueron muy altos para

las tres campañas. Respecto al calcio y al magnesio, el contenido de ambos se considera

muy alto, el de potasio alto, y el de sodio entre bajo y muy bajo.

Tabla 3.1. Análisis fisico-químico del suelo para los años 2015, 2016 y 2017.

Determinaciones 2015 2016 2017

% de arena 35,10 42,00 39,40

% de limo 34,70 31,00 31,10

% de arcilla 30,00 27,00 29,50

pH 8,70 8,70 8,50

CE (mmhol cm-1) 0,41 0,28 0,29

Cloruros (ppm) 21,00 11,00 16,00

Sulfatos (mg yeso 100g-1) 31,00 21,00 42,00

Materia orgánica total (%) 3,12 1,85 2,55

Nitrógeno total (%) 0,16 0,14 0,15

Relación C/N 11,30 8,00 9,90

Nitrógeno nítrico (ppm) 23,00 35,00 18,00

Fósforo asimilable (ppm) 43,00 31,00 45,00

Carbonatos totales (%) 55,50 51,10 43,30

Caliza activa (%) 21,70 16,40 25,30

Potasio asimilable (meq 100g-1) 1,31 1,22 1,45

Sodio asimilable (meq 100g-1) 0,58 0,56 0,10

Calcio asimilable (meq 100g-1) 48,98 37,59 36,65

Magnesio asimilable (meq 100g-1) 4,59 4,39 4,58

Relación K/Mg 0,30 0,30 0,30

Relación Ca/Mg 9,72 8,60 8,00

Capacidad Intercambio Catiónico 15,08 9,10 10,97

Textura (USDA) FAr1 F2 FAr1

pH: (1:2,5 agua); CE: conductividad eléctrica (1:5 o pasta saturada); materia orgánica (Walkley-Black);

nitrógeno total (Kjeldahl); nitrógeno nítrico (Extracción con sulfato cálcico); fósforo asimilable (Olsen);

carbonatos totales (calcímetro Bernard); caliza activa (oxalato amónico; calcímetro Bernard); potasio,

calcio, sodio y magnesio asimilable (acetato amónico, espectrofotometría absorción atómica); 1Franco

arcillosa. Textura (Bouyoucos). 2Franca. Textura (Bouyoucos)

Para la caracterización hidráulica del perfil del suelo se determinó la curva de retención

de agua, empleando el método de placa de presión (o membrana Richards) (Vanderlinden

et al., 2003; Carducci et al., 2012). Este método se compone de un juego de ollas y platos

de presión, un compresor de aire y un conjunto de manómetros que miden y controlan la

misma (Figura 3.2a). Todas las muestras de suelo pasaron por un tamiz de 2 mm de

tamaño de rejilla. Posteriormente, fueron puestas en anillos de goma y colocadas sobre

agua hasta que alcanzaron la saturación (Figura 3.2b). Después de realizar este proceso,

se introdujeron los anillos de goma con el suelo saturado en las ollas de presión (Figura

3.2a). Una vez cerrada y comprobada su estanqueidad, se reguló el paso del flujo de aire

comprimido hacia el interior de la misma, hasta que se alcanzó la presión deseada.

Pasadas 24 horas, las muestras se extrajeron, se pesaron y se colocaron en el interior de


58

una estufa a 105°C hasta que alcanzaron peso constante. Este fue el procedimiento que se

siguió para determinar el contenido de humedad del suelo para distintos niveles de

presión: 0,33, 0,50, 1,00, 2,00, 5,00, 8,00, 12,00 y 15,00 bar. Con estos valores se cubre

el rango desde saturación hasta el punto de marchitez permanente, posibilitando la

construcción de las curvas de retención y de la tensión con la que las partículas del suelo

retienen la humedad (Figura 3.3).

Figura 3.2. Obtención en laboratorio de las curvas de retención de humedad del suelo:

a) ollas de presión, b) muestras en agua.

Figura 3.3. Curva de retención de humedad característica de los suelos utilizados en los

tres años de ensayo experimental.

Para el abonado se siguieron las recomendaciones propuestas por López-Bellido (1991)

de fraccionar las necesidades de nitrógeno al 50% (50% fondo y 50% entre ahijamiento

y comienzo del encañado), y todo el P2O5 y K2O en fondo. En función al rendimiento

esperado, las extracciones del cultivo (Boyeldiu, 1980; Domínguez Vivancos, 1989) y los

resultados de los análisis de suelo previos a la siembra se calculó el abonado (Tabla 3.2).

De este modo, el rendimiento esperado para la campaña 2015 fue el previsto por

MOPECO para cada uno de los tratamientos bajo condiciones climáticas de un Año

a b

y = 0,1887x-0,116

R² = 0,821

0,00

0,03

0,06

0,09

0,12

0,15

0,18

0,21

0,24

0,27

0,30

0 2 4 6 8 10 12 14 16

Hu

med

ad (

m3

m-3

)

Ψ mátrico (bar)


59

Meteorológico Típico (TMY) intermedio, mientras que para las campañas 2016 y 2017

se consideró como rendimiento esperado el rendimiento real en campo de la campaña

anterior.

Tabla 3.2. Dosis de abonado aplicadas en los ensayos de riego.

Fecha Tipo de abonado Descripción

09/01/15 Fondo 1.450 kg ha-1 de 5-10-20, siendo: 72,5 UF N – 145,0 UF

P2O5 – 289,9 UF K2O

27/03/15 Cobertera

Para los tratamientos Sin Déficit y T100, 75,0 UF N ha-1;

para el T90, 70,6 UF N ha-1; para el T80 50,8 UF N ha-1 y

para el T70 33,0 UF N ha-1 de nitrato amónico 27%

12/01/16 Fondo

436 kg ha-1 de 18-46, 87 kg ha-1 de Nitrato amónico 27% y

545 kg ha-1 de potasa al 50%, siendo: 102,0 UF N – 200,4

UF P2O5 – 163,4 UF K2O

23/02/16 Cobertera


para el T90, 61,9 UF N ha-1; para el T80 42 UF N ha-1 y

para el T70 23,0 UF N ha-1 de nitrato amónico 27%

13/01/17 Fondo 1.089 kg ha-1 de 8-15-15, siendo: 87,2 UF N – 163,4 UF

P2O5 – 163,4 UF K2O

08/03/17 Cobertera


para el T90, 51,9 UF N ha-1; para el T80 34,1 UF N ha-1 y

para el T70 16,3 UF N ha-1 de nitrato amónico 27% Donde UF: unidades fertilizantes.

La caracterización climática durante de los años de ensayo (2015-2017) se realizó con los

datos meteorológicos proporcionados por la estación agrometeorológica completa

“Albacete” de la red SIAR del Ministerio de Agricultura y Pesca, Alimentación y Medio

Ambiente (http://www.mapama.gob.es/es/), la cual está situada a unos 100 m de la

parcela experimental (Figura 3.1).

La evolución de las condiciones climáticas durante las tres campañas de ensayo se

representa en la Figura 3.4. En 2015, las temperaturas durante la etapa inicial y de

desarrollo vegetativo del cultivo fueron inferiores al resto de campañas, sin embargo

durante la etapa de máximas necesidades fueron superiores, volviendo a ser las más bajas

durante la etapa de maduración. En 2016, la tendencia fue inversa, durante la etapa inicial

y de desarrollo vegetativo del cultivo tuvieron lugar temperaturas más elevadas que en el

resto de campañas, pero fueron inferiores durante el periodo de máximas necesidades,

igualándose prácticamente con las de 2015 para la etapa de maduración. En 2017, el mes

de enero fue el más frio, sin embargo, desde febrero hasta mayo, que engloba desde la

siembra hasta la mitad de la etapa de máximas necesidades del cultivo, tuvo lugar el

periodo más caluroso. El mes de mayo fue ligeramente más suave que en 2015 pero junio,

que cubre la etapa de maduración, fue el más caluroso de las tres campañas con diferencia.


60

En cuanto a la precipitación acumulada mensual (Figura. 3.4b), en los tres primeros

meses de los años 2015 y 2017 se registró el 63 y 75% respectivamente de toda la

precipitación acontecida durante el ciclo de cultivo, siendo ésta muy escasa durante la

etapa de máximas necesidades del cultivo. En 2016, las precipitaciones de los tres

primeros meses supusieron el 40% del total del ciclo, concentrándose el otro 60% durante

los meses de abril y mayo, coincidiendo con el final de la etapa de desarrollo vegetativo

y con la etapa de máximas necesidades. Durante la etapa de maduración no llovió nada

ese año.

Con respecto a la ETo acumulada mensual (Figura. 3.4b) es de destacar, como es propio

de la zona donde se ubicaron los ensayos, que ha sido muy similar durante los meses de

cultivo, especialmente hasta abril. Aparecieron diferencias en el mes de mayo de 2016,

donde fue sensiblemente inferior, y en el mes de junio de 2015 donde también fue

sensiblemente menor que en el resto de campañas, debido, ambos casos, a que las

temperaturas y la radiación fueron menores, y las precipitaciones sensiblemente

superiores.

Figura 3.4. a) Evolución de temperaturas medias de medias (Tmm), de máximas

(TMM) y de mínimas (tmm) mensuales durante los 7 primeros meses de los años 2015,

2016 y 2017; b) Evolución de la precipitación (P) y la evapotranspiración de referencia

acumulada (ETo) durante los 7 primeros meses de los años 2015, 2016 y 2017.

0

50

100

150

200

250

0

10

20

30

40

50

60

70

80

Enero Febrero Marzo Abril Mayo Junio Julio

ET

o(m

m)

Pre

cip

itaci

ón

(m

m)

P 2015 P 2016 P 2017 ETo 2015 ETo 2016 ETo 2017

-10

-5

0

5

10

15

20

25

30

35

40

Enero Febrero Marzo Abril Mayo Junio Julio

Tem

per

atu

ra (

ºC)

Tmm 2015 tmm 2015 TMM 2015 Tmm 2016 tmm 2016

TMM 2016 Tmm 2017 tmm 2017 TMM 2017

a

b


61

A modo de resumen, se muestran los valores acumulados de las principales variables

utilizadas para la determinación de los calendarios de riego (Tabla 3.3).

Tabla 3.3. Precipitación efectiva (Pe), evapotranspiración de referencia (ETo) y

evapotranspiración máxima del cultivo (ETm) acumuladas durante los ciclos de cultivo.

Año Pe (mm) ETo (mm) ETm (mm)

TMY-INT. 127,7 492,1 387,6

TMY-HUM. 153,1 502,8 394,6

2015 106,0 513,0 387,7

2016 103,9 527,1 433,4

2017 142,4 548,5 448,8

Se analizó el efecto de 5 tratamientos de riego sobre el rendimiento, los parámetros de

calidad de la cosecha (Capítulo 4) y la respuesta fisiológica de la cebada cervecera

(Capítulo 5). Los tratamientos planteados fueron: uno sin déficit (SD), y los otros cuatro

con distintos volúmenes máximos de agua de riego disponible, correspondientes al 100

(T100), 90 (T90), 80 (T80), y 70% (T70) de las necesidades netas de riego en cebada para

las condiciones climáticas de un año meteorológico típico (TMY) intermedio, fijadas en

2.500 m3 ha-1 (Tabla 3.4). Este valor se obtuvo tras la calibración de los datos requeridos

por el modelo MOPECO (Capítulo 2) para la cebada bajo las condiciones de CLM,

aplicando la metodología TMY (Domínguez et al., 2013) (Sección 3.2.2).

Tabla 3.4. Volumen de agua de riego disponible por cada tratamiento.

Volumen de agua de riego disponible por tratamiento (m3 ha-1)

Sin Déficit (SD) T100 T90 T80 T70

Necesidades del cultivo 2.500 2.250 2.000 1.750

El uso del modelo MOPECO con las metodologías ORDI (Sección 3.2.4) y TMY

permitieron establecer, para un volumen de agua disponible, el nivel de déficit a aplicar

en cada fase de desarrollo, así como el calendario de riegos para cada uno de los

tratamientos planteados que maximiza el rendimiento (Leite et al., 2015). Los objetivos

de déficit y los calendarios de riegos se fueron actualizando en función de la evolución

de los parámetros climáticos del año en curso y de la disponibilidad de agua de riego al

final de cada etapa fenológica del cultivo, haciendo nuevas optimizaciones en cada

cambio de fase y permitiendo redistribuir el agua de la manera más eficiente posible,

respetando siempre el volumen de agua de riego inicialmente fijado para cada tratamiento.

Se utilizó la variedad “Shakira” certificada R2 en todos los años, con una dosis de siembra

de 210 kg ha-1. Las fechas de siembra fueron 12/01/2015, 13/01/2016 y 13/01/2017. Para

cada año de ensayo, se cultivó un área de 918 m2 (Figura 3.1) dividida en 18 subparcelas

de 2,5 x 18 m, y dos de 3 x 18 m (correspondientes a los bordes). Las 18 subparcelas se


62

distribuyeron al azar tal como se esquematiza en la Figura 3.5b, realizando cuatro

repeticiones de cada tratamiento, salvo en los tratamientos sin déficit y T100, que tuvieron

tres. Sin embargo, sólo en los años más secos que el TMY intermedio se daría el caso de

diferencias entre los calendarios de riego de estos dos últimos tratamientos, ocurriendo

en cualquier caso al final de ciclo de cultivo, por lo que para cualquier otra situación se

dispondría de seis repeticiones para el mismo tratamiento.

Figura 3.5. a) Tensiómetros Watermark y sensores de humedad volumétrica PR-2

(Delta T) instalados en campo; b) Esquema de la distribución de las parcelas.

El agua se aplicó mediante un sistema de riego por goteo de marco cuadrado (0,5 x 0,5 m

de separación entre ramales y emisores) con solape total entre bulbos. Los emisores eran

autocompensantes, con un caudal nominal de 3,8 L h-1. En cada sector de riego, que se

corresponde con un tratamiento, se instaló un caudalímetro de ±2% de error para controlar

el volumen de agua aplicada en cada riego. Además, se realizaron evaluaciones de la

uniformidad de aplicación de agua del sistema de riego antes de la siembra y

periódicamente a lo largo del ciclo de cultivo siguiendo la metodología de Merriam y

Keller (1978).

b

a


63

3.2.2. Año Meteorológico Típico (TMY)

Para poder determinar la estrategia de riego más adecuada bajo volúmenes limitados de

agua de riego con la metodología ORDI se necesita una serie de datos climáticos diarios

de partida. Un TMY consiste en un año construido a partir de datos diarios de 12 meses

seleccionados de años individuales y concatenados para formar un año completo. Esta

metodología se propuso para determinar las necesidades de aislamiento térmico de los

edificios, por lo que para seleccionar los 12 meses "típicos" se evaluaron nueve

elementos: temperatura mínima y máxima (Tmin y Tmax), humedad relativa mínima y

máxima, radiación neta y global, velocidad y dirección del viento, y la lluvia (P) (Hall et

al., 1978). Un TMY no es necesariamente un buen indicador de las condiciones que van

a tener lugar durante el año siguiente o condiciones extremas, pero ofrece condiciones

representativas para un periodo de tiempo largo (Marion y Urban, 1995). Esta

metodología se utiliza ampliamente para el cálculo de los sistemas de control climático

aunque en la agricultura su uso se había limitado al diseño de invernaderos (Heinemann

y Walker, 1986; Marbis, 2001). Por tanto, era necesaria una adaptación de esta

metodología para la predicción de programaciones de riego. Domínguez et al. (2013)

adaptaron la metodología anterior para la programación de riego, seleccionando

únicamente los siguientes índices:

- ETo y P (mm), por su importancia en las necesidades de riego.

-Tmin y Tmax (◦C), debido a sus efectos sobre la ETo y el desarrollo fenológico de los

cultivos.

Por otro lado, Leite et al. (2015) adaptaron la metodología ORDI y TMY para establecer

calendarios de riego deficitario considerando un volumen de agua de riego limitado para

toda la campaña de riegos. A su vez, estos autores consideraron que se pueden plantear

tres escenarios: 1) las necesidades de agua de riego de un cultivo son similares a las de

un año medio, y por tanto, se usará toda el agua disponible sin que haya estrés por déficit

hídrico en el cultivo (año típico caracterizado como intermedio); 2) las necesidades de

agua de riego son mayores que la cantidad de agua disponible, pudiendo agotar el agua

prematuramente, lo que conllevaría pérdidas más o menos considerables de rendimiento

(condiciones climáticas caracterizadas como un año típico seco); 3) las necesidades de

riego del cultivo son inferiores al volumen disponible y sobra agua (año típico

caracterizado como húmedo).


64

Para determinar si un año es seco, intermedio o húmedo se utiliza el índice de déficit de

precipitación (PD) (mm) (de Pauw, 2002; Harmsen et al., 2009). Este índice determina si

las precipitaciones son capaces de satisfacer las necesidades de agua del cultivo de

referencia [festuca (Festuca arundinacea Schreb., cv. Asterix)] en la zona (López-Urrea

et al., 2009).

Utilizando los datos diarios de la estación climática “Los Llanos” (Albacete), ubicada a

unos 3 km de la zona de ensayos, para la serie 1951-2004, Domínguez et al. (2013)

determinaron tres tipos de TMY (seco, intermedio y húmedo) (Figura. 3.6) en función

del índice de déficit de precipitación (PD) mediante estas tres ecuaciones (Ec 3.1) (Leite

et al., 2015):

𝑃𝐷 = 𝑃 − 𝐸𝑇𝑜 𝑍 =𝑃𝐷−𝑃𝐷𝑚𝑒𝑑𝑖𝑜

𝐷𝐸 𝑅 =

𝑚á𝑥𝑖𝑚𝑜𝑍−𝑚í𝑛𝑖𝑚𝑜 𝑍

𝑛º 𝑑𝑒 𝑔𝑟𝑢𝑝𝑜𝑠 (3.1)

siendo DE la desviación estándar

quedando divididos los 3 grupos de la siguiente manera:

Años secos: mínimoZ ≤ Z ≤ mínimoZ + R.

Años intermedios: mínimoZ + R ≤ Z ≤ máximoZ - R.

Años húmedos: máximoZ - R ≤ Z ≤ máximoZ.

Meses E F M A M J J A S O N D ETo P PD Z

Añ

o Seco 2003 1995 1952 1985 1961 1954 1985 1954 1981 1961 1970 1983 1.282,3 221,8 -1.060,5 -1,47

Intermedio 1956 1987 1986 1991 2002 1951 2002 1956 1968 1956 1990 2004 1.212,1 289,1 -923,0 -0,41

Húmedo 1960 1975 1979 1989 1962 1976 1974 1997 1984 1984 1993 1971 1.181,8 409,4 -772,4 0,76

Figura. 3.6. Evolución diaria acumulada de la evapotranspiración de referencia (ETo) y

de la precipitación (P) de los años meteorológicos típicos secos, intermedios y húmedos

(TMY); meses de los años que forman cada TMY; ETo total (mm), P total (mm), índice

de déficit de precipitación (PD) (adimensional); e índice PD estandarizado (Z)

(adimensional). Fuente: Leite et al. (2015)

0

50

100

150

200

250

300

350

400

450

500

550

0

125

250

375

500

625

750

875

1,000

1,125

1,250

1,375

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320 340 360

Pre

cip

itaci

ón

(m

m)

ET

o(m

m)

Días del año

ETo secoETo intermedioETo humedoP secoP intermedioP humedo


65

3.2.3. Seguimiento de la humedad en el suelo

En tres de cada cuatro repeticiones se instalaron sensores de potencial mátrico del agua

en el suelo (Watermark®) y sondas de humedad volumétrica (Delta-T® PR2) para

determinar la evolución de la humedad del suelo a distintas profundidades.

Cada parcela dispuso de 2 Watermark® a 20 y 40 cm de profundidad y una PR2 con

sensores a 10, 20, 30 y 40 cm de profundidad (Figura 3.5a).

Para establecer una programación de riegos que alcanzara el nivel de déficit objetivo

(ETa/ETm) en cada etapa Ky del cultivo, se utilizó el módulo de programación de riegos

de MOPECO, así como los datos climáticos registrados por la estación agroclimática

completa ubicada en el campo de ensayos. Los datos registrados por los sensores de

humedad instalados en el suelo se utilizaron para corroborar que la cantidad de agua

disponible en el suelo era similar a la estimada por el modelo.

Los valores iniciales de los coeficientes de cultivo (Kc) utilizados fueron los propuestos

por el ITAP para este cultivo en la zona, mientras que los coeficientes de sensibilidad al

estrés hídrico (Ky) fueron los calibrados para MOPECO en el Capítulo 2.

Tabla 3.5. Valores de Kc y Ky de cada etapa, e Ym para el cultivo de cebada bajo las

condiciones climáticas de Castilla-La Mancha.

Etapa Kc Etapa Ky Otros Parámetros Valores

I 0,3 i 0,20 Grupo ET 3

II 0,3-1,15 ii 0,55 Ym (kg ha-1) 9.000

III 1,15 iii 0,30 TL (ºC) 2

IV 1,15-0,45 iv 0,15 TU (ºC) 28

Donde Kc: coeficiente del cultivo (Allen et al., 1998); Ky: coeficiente de sensibilidad al estrés hídrico

(Doorenbos y Kassam, 1979); Ym: rendimiento potencial máximo; TL: temperaturas umbral inferior; TU:

temperatura umbral superior.

En la campaña 2017, en una de las parcelas del tratamiento sin déficit (número 5) se

instaló un prototipo de lisímetro de pesada continua de alta precisión (Figura 3.7),

desarrollado por la Spin-off Telenatura (TELENATURA, 2017). Las dimensiones

efectivas del lisímetro son 1,00 x 0,50 x 0,40 m de largo, ancho y profundo,

respectivamente. El control de la variación de peso se realiza mediante 4 células de carga

que se ubican en las esquinas del armazón de protección, con una capacidad máxima de

150 kg cada una y una sensibilidad de 30 g. El control del agua de drenaje se realiza

mediante otra célula de carga conectada a un depósito de 4 L de capacidad con una

sensibilidad de 0,01 kg.


66

Figura 3.7. Instalación del lisímetro de pesada continua.

Las lecturas de peso se realizan cada 10 segundos, almacenando los promedios por

minuto. El borde de protección de cultivo mínimo fue de 9,5 m (Figura 3.8).

Figura 3.8. Vista del lisímetro de pesada continua durante la campaña 2017.


67

3.2.4. Estrategia de riego deficitario controlado optimizado por etapas (ORDI)

ORDI determina la relación ETa/ETm para cada etapa de crecimiento que produce el

mayor rendimiento para un determinado objetivo de déficit global objetivo (ETa/ETm

global) utilizando software de optimización no lineal (Solver; Microsoft, 2010). Los datos

necesarios para lograr este objetivo son: la relación ETa/ETm objetivo, el rendimiento

potencial de la cebada en la zona (Ym), la evapotranspiración potencial (ETm) acumulada

teórica en cada una de las 4 etapas de diferente sensibilidad al déficit (Ky) consideradas

(establecimiento (i’), desarrollo vegetativo (i’’), floración (ii), formación de rendimiento

(iii) y maduración (iv)), y los valores de Ky de cada etapa. Esta metodología requiere un

conjunto de restricciones para evitar resultados inaceptables desde una perspectiva

fisiológica y/o de sobreestimaciones de rendimiento. Algunas de éstas fueron limitar a

0,5 el mínimo valor que puede alcanzar la relación ETa/ETm objetivo en cada etapa

(Doorenbos y Kassam, 1979), limitar a 0,8 el máximo estrés durante la etapa de

establecimiento para garantizar una adecuada nascencia, así como establecer la máxima

diferencia aceptable de déficit entre etapas consecutivas en 0,25 para evitar que el

excesivo déficit de una etapa pueda condicionar el desarrollo del cultivo en la siguiente

etapa (Dominguez et al., 2012b).

Esta metodología utiliza un volumen de agua de riego diferente para lograr una misma

relación ETa/ETm objetivo, dependiendo de las condiciones climáticas de cada año. Para

solucionar este problema y adaptar esta metodología a las condiciones reales de

disponibilidad de agua en las explotaciones, Leite et al. (2015) desarrollaron la

metodología ORDI para volúmenes limitados de agua, la cual se recoge en la Figura 3.9,

y puede resumirse en los siguientes pasos:

1. 1ª Optimización: En base a los datos climáticos desde el inicio del año hidrológico

hasta el momento de la siembra del año en curso, éste se caracteriza como seco,

intermedio o húmedo. Después, para el volumen de agua disponible en cada

tratamiento y con los datos climáticos correspondientes al TMY que caracteriza

al año en curso, se establece un calendario de riegos aplicando la metodología

ORDI, obteniéndose las relaciones ETa/ETm objetivo para cada etapa Ky del ciclo

que maximizan el rendimiento con un volumen limitado de agua.

2. En función de los datos climáticos y de cultivo registrados en el año en curso, se

calcula un calendario de riegos que permite obtener la relación ETa/ETm objetivo

en la etapa de Ky (i’).


68

3. 2ª Optimización: una vez finalizada la etapa de Ky (i’), como es lógico que las

condiciones climáticas acontecidas hayan sido distintas a las del TMY utilizadas

en la 1ª optimización, el volumen de agua de riego utilizado probablemente habrá

sido también distinto. Así, se caracteriza de nuevo el año en curso (desde el inicio

del año hidrológico hasta el fin de la etapa Ky (i’)), y partiendo del volumen agua

de riego restante, se realiza una nueva optimización, estableciéndose nuevas

ETa/ETm para el resto de etapas en función de los datos climáticos del TMY

característico. En esta 2ª Optimización se reserva cierta cantidad de agua para la

última etapa, con el objetivo de evitar que, en esa etapa final, el cultivo pueda

quedarse sin agua si en las anteriores se ha aplicado un volumen excesivo como

consecuencia de un desfase entre las condiciones climáticas previstas y las que

realmente han sucedido. El volumen de agua que se reserva es equivalente al

necesario para obtener la relación ETa/ETm que marcaba la primera optimización

en dicha etapa bajo las condiciones del TMY característico en el final de la etapa

Ky (i’). Esta reserva de agua de riego se mantiene en el resto de etapas.

4. Se calcula un calendario de riegos que permita obtener la ETa/ETm objetivo en esa

etapa, en función del desarrollo del cultivo y los datos climáticos del año en curso.

5. Se repite el proceso de optimización al final de cada etapa, ajustando de esta

manera las relaciones ETa/ETm objetivo a la disponibilidad real de agua de riego,

utilizando los datos climáticos del TMY que corresponda al año en curso en cada

optimización.


69

Figura 3.9. Procedimiento para establecer el calendario de riegos optimizado para un

volumen limitado de agua de riego.

Serie de Datos

Índices: Tmín, Tmáx., ETo, P

Calculo del TMY-seco, TMY-intermedio y TMY-húmedo

Primera optimización:

Datos fijos: Ym; Ky; In Disponible

Datos variables: ETm y P para el TMY seleccionado

Resultados: ETa/ETm objetivo para Ky (i’), Ky (i’’), Ky (ii), Ky (iii) y Ky (iv); Ya esperado

Programación de riego que alcanza la ETa/ETm objetivo propuesta por la primera optimización para la etapa Ky (i’) bajo

condiciones climáticas reales utilizando MOPECO

La cantidad de agua de riego disponible para el resto de las etapas de Ky es: In – In de Ky (i’)

Segunda optimización:

Datos fijos: Ym; Ky; In – In de Ky (i’) – In de Ky (iv) (se reserva el volumen de agua para Ky (iv) que permite alcanzar la ETa/ETm

objetivo de dicha etapa propuesta en la primera optimización); ETm, ETa, y P durante Ky (i’)

Datos variables: ETm y P para TMY seleccionado

Resultados: ETa/ETm objetivos para la etapa Ky (i’’), Ky (ii), Ky (iii), y Ky (iv); Ya esperado

Programación de riego que alcanza la ETa/ETm objetivo propuesta por la segunda optimización para la etapa Ky (i’’) bajo

condiciones climáticas reales utilizando MOPECO

La cantidad de agua disponible para el resto de las etapas de Ky es: In – In de Ky (i’) – In de Ky (i’’) – In de Ky (iv)

Tercera optimización:

Datos fijos: Ym; Ky; In – In de Ky (i’) – In de Ky (i’’) – In de Ky (iv); ETm, ETa y P durante Ky (i’) y Ky (i’’)

Datos variables: ETm y P para TMY seleccionado.

Resultados: ETa/ETm objetivo para la etapa Ky (ii), Ky (iii) y Ky (iv); Ya esperado

Programación de riego que busque la ETa/ETm objetivo propuesta por la quinta optimización para la última etapa, bajo condiciones

climáticas reales utilizando MOPECO

Alcanzar o mejorar la relación ETa/ETm final objetivo está condicionada por la disponibilidad de agua de riego durante la última

etapa y de las condiciones climáticas reales.

Caracterización de los meses antes de la etapa Ky (i’’) como "seco", "intermedio" o "húmedo"

Caracterización de los meses antes de la etapa Ky (ii) como "seco", "intermedio" o "húmedo"

Programación de riego que alcanza la ETa/ETm objetivo propuesta por la tercera optimización para la etapa Ky (ii) bajo condiciones


La cantidad de agua disponible para las dos últimas etapas de Ky es: In – In de Ky (i’) – In de Ky (i’’) – In de Ky (ii) – In de Ky (iv)

Caracterización de los meses antes de la etapa Ky (iii) como "seco", "intermedio" o "húmedo"

Domínguez et al. (2013)Paso 1

Paso 2

Paso 3

Paso 4

Paso 5

Paso 6

Paso 7

Paso 8

Paso 9

Paso 10

Paso 11

Paso 12

MOPECO

MOPECO

MOPECO

Cuarta optimización:

Datos fijos: Ym; Ky; In – In de Ky (i’) – In de Ky (i’’) – In de Ky (ii) – In de Ky (iv); ETm, ETa y P durante Ky (i’), Ky (i’’), y Ky (ii)


Resultados: ETa/ETm objetivos para las etapas Ky (iii) y Ky (iv); Ya esperado

MOPECO

Caracterización de los meses antes de la siembra como "seco", "intermedio" o "húmedo"

Paso 13

Programación de riego que alcanza las ETa/ETm objetivo propuesta por la cuarta optimización para la etapa Ky (iii) bajo condiciones


La cantidad de agua disponible para la última etapa de Ky es: In – In de Ky (i’) – In-Ky (i’’) – In de Ky (ii) – In de Ky (iii)

Caracterización de los meses antes de la etapa Ky (iv) como "seco", "intermedio" o "húmedo"

Quinta optimización:

Datos fijos: Ym; Ky; In – In de Ky (i’) – In de Ky (i’’) – In de Ky (ii) – In de Ky (iii); ETm, ETa y P durante Ky (i’), Ky (i’’), Ky (ii) y

Ky (iii)


Resultados: ETa/ETm objetivo para la etapa Ky (iv); Ya esperado

Paso 14

Paso 15

Paso 16 MOPECO


70

3.2.5. Obtención de las funciones “Margen bruto vs. Agua bruta total”

Para determinar la distribución de cultivos que maximiza el margen bruto de una

explotación, MOPECO necesita transformar las funciones “Rendimiento vs. Agua neta

total” (Ya-TWN) en funciones “Margen bruto vs. Agua bruta total” (MB-TWG). Hay que

tener en cuenta que el módulo del calendario de riegos trabaja con agua neta, siendo

necesaria traducirla a agua bruta considerando las pérdidas por evaporación y arrastre

(Ortiz et al., 2009) y la uniformidad del sistema de riego (López-Mata et al., 2010) a la

hora de realizar el análisis económico.

𝑀𝐵 = 𝑌𝑎 𝑃𝑉 + 𝑌𝑎′ 𝑃𝑉′ − 𝐶𝑣 − 𝐼𝐺 𝐶𝑤 + 𝑆𝑢𝑏𝑠 (3.2)

donde MB: margen bruto (€ ha-1); Ya: rendimiento del producto principal (kg ha-1); PV: precio de venta de

la cosecha del producto principal (€ kg-1); Ya': rendimiento del subproducto (kg ha-1); PV': precio de venta

de la cosecha del subproducto (€ kg-1); Cv: costes variables (€ ha-1), obtenidos siguiendo la metodología

propuesta por de Juan et al. (2003) y actualizado para este estudio; IG: lámina bruta de riego aplicada por

el sistema de riego (m3 ha-1); Cw: coste del agua de riego, considerando 0,12 € m-3 en este estudio (Carrión

et al, 2016); Subs.: ayudas a la producción (€ ha-1), que son 200€.

Los precios de venta de la cebada fueron obtenidos a partir de los Informes semanales de

coyuntura del Ministerio de Agricultura y Pesca, Alimentación y Medio Ambiente

(http://www.mapama.gob.es/es/estadistica/temas/publicaciones/informe-semanal-

coyuntura/). Para poder analizar el efecto del riego y/o la metodología sobre el MB, se

consideró el precio medio durante el periodo que abarcó las tres campañas,

estableciéndose en 182,5 € Mkg-1para cebada maltera y 158,8 € Mkg-1 para cebada pienso.

Para la paja se fijó un precio de 4 € Mkg-1.

3.2.6. Productividad del agua

Para evaluar en los distintos escenarios alternativos de riego la productividad del agua y

del rendimiento económico, se utilizaron como indicadores la productividad del agua total

(YWP) y el índice de productividad económica de agua (EWP).

𝑌𝑊𝑃 = 𝑌𝑎

𝑇𝑊𝐺 (3.3)

donde: Ya, es el rendimiento obtenido; TWG, el volumen de riego bruto aplicado.

𝐸𝑊𝑃 = 𝑀𝐵

𝑇𝑊𝐺 (3.4)

donde: MB, es el margen bruto; TWG, el volumen de riego bruto aplicado.

http://www.mapama.gob.es/es/estadistica/temas/publicaciones/informe-semanal-coyuntura/

http://www.mapama.gob.es/es/estadistica/temas/publicaciones/informe-semanal-coyuntura/


71

3.2.7. Determinación de la huella hídrica de la cebada

La huella hídrica del proceso realizado para obtener un producto agrícola se calcula como

la suma de los componentes verde, azul y gris (Hoekstra et al., 2009) (Ec. 3.5) expresados

como volumen de agua por unidad de rendimiento del cultivo. El agua verde se define

como la cantidad de agua evapotranspirada durante el desarrollo del cultivo que ha sido

puesta a su disposición de forma natural. En este caso se trata del agua que se encuentra

almacenada en el suelo en el momento de la siembra y de la procedente de las

precipitaciones que rellena de humedad la zona radicular. El agua azul hace referencia a

la cantidad de agua superficial y subterránea, evapotranspirada durante el desarrollo del

cultivo, que ha sido puesta a su disposición con intervención humana, es decir, mediante

el riego. Por último, el agua gris es la cantidad de agua necesaria para reducir la

concentración de los contaminantes que pueda arrastrar el agua de riego hacia zonas más

profundas, durante la percolación de la misma, hasta niveles legalmente aceptables.

𝑊𝐹𝑝𝑟𝑜𝑐𝑒𝑠𝑜 = 𝑊𝐹𝑣𝑒𝑟𝑑𝑒 + 𝑊𝐹𝑎𝑧𝑢𝑙 + 𝑊𝐹𝑔𝑟𝑖𝑠 (3.5)

𝑊𝐹𝑣𝑒𝑟𝑑𝑒 = 𝐸𝑇𝑎𝑣𝑒𝑟𝑑𝑒

𝑌𝑎 (3.6)

𝑊𝐹𝑎𝑧𝑢𝑙 = 𝐸𝑇𝑎𝑎𝑧𝑢𝑙

𝑌𝑎 (3.7)

𝑊𝐹𝑔𝑟𝑖𝑠 =

𝛼 𝐴𝑅𝐶𝑚á𝑥𝑖𝑚𝑎 − 𝐶𝑛𝑎𝑡𝑢𝑟𝑎𝑙

𝑌𝑎

(3.8)

Donde WF: huella hídrica (m3 kg-1); ETa: cantidad de agua evapotranspirada por el cultivo, que es diferente

a la cantidad de agua puesta a disposición del cultivo (m3 ha-1); α: fracción de producto químico que es

lixiviado (adimensional); AR: cantidad de producto químico aportado al cultivo (kg ha-1); Cmáxima:

concentración máxima aceptable del producto químico en el agua según la legislación (kg m-3); Cnatural:

concentración natural del producto químico en el agua (kg m-3); Ya: rendimiento real (kg ha-1).

Se ha utilizado el módulo de evolución de agua del suelo de MOPECO para calcular el

agua azul y verde. El agua verde se ha definido como la cantidad de lluvia efectiva caída

durante el ciclo del cultivo menos la cantidad de agua del suelo que ha percolado fuera

de la zona radicular durante una lluvia, sumando también la cantidad de agua útil existente

en el suelo en el momento de la siembra y restando la que queda en el suelo en el momento

de la cosecha.


72

La cantidad de agua azul se ha calculado como la cantidad de agua de riego neta aplicada

al cultivo menos la percolada durante un riego, según el módulo de evolución de agua del

suelo de MOPECO.

La determinación del agua gris se ha calculado para la dilución de los nitratos arrastrados

por el agua percolada, dado que es el contaminante más frecuente en los trabajos de huella

hídrica por su alta capacidad de disolución y aplicación en la agricultura (Mekonnen y

Hoekstra, 2010). La concentración máxima permisible en las masas de agua de la que se

abastecen núcleos de población es de 50 mg L-1 (Directiva 91/676/CEE, de 12 de

diciembre de 1991), del mismo modo, el R.D. 1514/2009, de 2 de octubre, por el que se

regula la protección de las aguas subterráneas contra la contaminación y el deterioro,

establece ese mismo valor umbral en sus normas de calidad de las aguas subterráneas. La

concentración media de nitratos en las aguas de la Mancha Oriental en el periodo 2009 a

2016 fue de 37,6 mg L-1 (CHJ, 2017). Para determinar la concentración de nitratos que

ha abandonado la zona radicular se utilizó un valor de α = 0,08, tal y como proponen

Franke et al. (2013). El valor de AR fue diferente para cada tratamiento, calculándose la

dosis de abonado para cada uno de ellos en función de los análisis de suelo realizados al

inicio de la campaña y las extracciones de nitrógeno estimadas para el cultivo en función

del rendimiento esperado (Boyeldiu, 1980; Domínguez Vivancos, 1989).


3.3.1. Duración de las etapas Kc y Ky en función de GDD

A efectos de duración de las etapas Kc y Ky en función de GDD, se ha tomado como

referencia el tratamiento SD en todas las campañas, si bien es cierto que en el resto

tratamientos y para los tres años de ensayo, la última etapa de Kc y Ky se vio ligeramente

reducida (entre 1-3 días que supusieron unos 20 GDD de media), por lo que no se ha

considerado necesario diferenciar entre tratamientos dentro de una misma campaña ya

que el resto de etapas permanecieron prácticamente invariables con respecto al SD. Los

GDD en los ciclos vegetativos en las campañas 2015 y 2016 (Tabla 3.6) fueron similares

a los determinados en la calibración (Capítulo 2), aunque en 2017 se contabilizaron

aproximadamente 80 GDD más, que es ligeramente superior a los 69,4 GDD de

desviación estándar obtenidos con los 28 seguimientos utilizados en la calibración (Tabla

2.3). Al analizar las etapas se registraron mayores diferencias. Cabe reseñar que las etapas

de Kc (I) y Ky (i’) se completaron con una media de 234 GDD para los tres años, frente a


73

los 290 GDD determinados en la calibración, posiblemente debido a que la variedad

utilizada en los ensayos es más precoz que las empleadas en los ensayos utilizados para

la calibración. La diferencia se atenúa en las siguientes etapas, finalizando éstas con

valores casi idénticos a los designados (Tabla 3.6), exceptuando las dos últimas etapas

de Kc y Ky del año 2017, donde se produjo una diferencia media de un 7,67%, debida

fundamentalmente a la evolución de las temperaturas durante el desarrollo de estas etapas

y a que fue necesario efectuar un tratamiento fitosanitario en 2017 que ralentizó el cultivo.

Comparando los tres años de ensayos entre sí, las diferencias extremas en GDD

acumulados por etapas no han alcanzado el 8,45% de media, aunque sí que aparecieron

diferencias significativas entre algunas etapas analizadas individualmente, como por

ejemplo entre la etapa Kc (III) de 2015 y 2017 con un 22,25% y entre la etapa Ky (iii) de

esos mismos dos años con un 11,94%. La diferencia media de todas las etapas entre los

valores de GDD calibrados y los valores observados en este ensayo fue del 5,20%, 6,26%,

y 1,70%, para los años 2015, 2016 y 2017 respectivamente, viéndose afectados por las

diferencias en las primeras etapas, aunque siendo aceptables según lo propuesto por

Domínguez et al. (2012c; 2013).

Tabla 3.6. Días después de la siembra “DDS” y grados día acumulados “GDD” (ºC) al

final de cada etapa de desarrollo.

Calibración 2015 2016 2017

Etapa DDS GDD DDS GDD DDS GDD DDS GDD

Siembra - 0 12 ene 0 13 ene 0 13 ene 0

Kc (I) 58 290 56 239 42 229 49 235

Kc (II) 106 744 111 757 107 706 108 749

Kc (III) 130 1.087 127 1.020 140 1.122 140 1.247

Kc (IV) 150 1.450 153 1.451 157 1.452 153 1.530

Ky (i’) 58 290 56 239 42 229 49 235

Ky (i’’) 98 645 107 694 99 622 97 645

Ky (ii) 124 981 123 956 129 959 125 985

Ky (iii) 136 1.186 136 1.147 147 1.254 142 1.284

Ky (iv) 150 1.450 153 1.451 157 1.452 153 1.530

Cosecha --- --- 167 --- 164 --- 160 ---

En cuanto a la duración en días de las etapas Kc y Ky, en 2015 y 2017 se necesitaron tres

días más que en la calibración para completarse, mientras que en 2016 se necesitaron siete

más. Analizando individualmente cada etapa, 2015 fue muy similar a la calibración,

mientras que en 2016 y 2017, los días necesarios para completar las etapas Kc (I) y Ky (i’)

fueron significativamente menores, igualándose a partir de Kc (II) y Ky (i’’) e

incrementándose en el resto de etapas. En 2016 las condiciones climáticas propiciaron

este desajuste, las temperaturas medias fueron elevadas para las primeras etapas,

superando las temperaturas mínimas en numerosos días el umbral de crecimiento, y se


74

suavizaron en el resto de etapas (Figura 3.4). En 2017, tanto las condiciones climáticas

de los primeros meses de desarrollo del cultivo y de las últimas etapas, como el

tratamiento fitosanitario efectuado durante Kc (III) que ralentizó al cultivo, fueron las

causas de estas variaciones. La diferencia media entre los valores de días calibrados para

todo el ciclo y los valores observados en este ensayo fue del 0,72%, 5,20%, y 2,20%, para

los años 2015, 2016 y 2017, respectivamente.

3.3.2. Análisis de los calendarios de riego óptimos

En 2015 y 2016, el periodo previo a la siembra fue caracterizado como TMY-intermedio,

mientras que en 2017 como TMY-húmedo (Tabla 3.7). En consecuencia, las necesidades

del cultivo del tratamiento sin déficit deberían haber sido similares al volumen disponible

para el tratamiento T100 durante 2015 y 2016, y ligeramente inferiores para el 2017. Sin

embargo, a lo largo de las tres campañas las condiciones climáticas fueron derivando

hacia TMY-seco, especialmente en 2016 y 2017, lo que ocasionó un cierto déficit en el

tratamiento T100 al final de la campaña y un mayor déficit del previsto en el resto de

tratamientos. Como consecuencia, en 2016 al finalizar la etapa Ky (i’) se utilizó el TMY-

seco para determinar las relaciones ETa/ETm objetivo optimizadas para la etapa Ky (i’’).

Al concluir ésta, se volvió a la situación de TMY-intermedio que se mantuvo hasta

terminar Ky (ii), donde ya volvió a cambiar a TMY-seco hasta el final del ciclo. En 2017

hubo que cambiar de TMY-húmedo a TMY-intermedio al finalizar Ky (ii).

Tabla 3.7. Caracterización del año meteorológico típico al finalizar cada etapa de Ky para

los años de ensayo.

Tipo de año meteorológico típico

Etapa 2015 2016 2017

Pre-siembra Intermedio Intermedio Húmedo

Ky (i') Intermedio Seco Húmedo

Ky (i'') Intermedio Intermedio Húmedo

Ky (ii) Intermedio Intermedio Húmedo

Ky (iii) Intermedio Seco Intermedio

Ky (iv) Seco Seco Intermedio

Uno de los problemas de esta metodología es que la caracterización de los años se hace

en función del PD acumulado desde el inicio del año hidrológico. Esto puede derivar en

que la lluvia acumulada en los meses previos a la siembra o en las primeras etapas de

desarrollo del cultivo hagan que en las optimizaciones para las etapas donde el cultivo

tiene unas necesidades hídricas mayores, el año sea caracterizado como un tipo de TMY

que no representa la realidad de las condiciones donde se está desarrollando el cultivo.

Un claro ejemplo de esto es lo que sucedió durante 2017, cuando hasta la penúltima


75

optimización la metodología indicaba que el año se definía como un TMY-húmedo. Sin

embargo, si se analiza cómo se comportó cada etapa de manera individual, se observa que

las tres últimas etapas estuvieron englobadas dentro de un TMY-seco (Tabla 3.8). Esto

hace que la metodología proponga unas ETa/ETm objetivo superiores a las que realmente

se pueden conseguir con un volumen limitado de agua y bajo las condiciones climáticas

reales. El reservar un cierto volumen de agua para la última etapa a partir de la segunda

optimización (Leite et al., 2015) suaviza este problema, y pone de manifiesto el potencial

de esta metodología a la hora de gestionar volúmenes limitados de agua bajo condiciones

climáticas adversas.

Tabla 3.8. Caracterización de cada etapa de Ky para los años de ensayo.

Tipo de año meteorológico típico durante cada etapa

Etapa 2015 2016 2017

Pre-siembra Intermedio Intermedio Húmedo

Ky (i') Seco Seco Intermedio

Ky (i'') Húmedo Húmedo Húmedo

Ky (ii) Seco Húmedo Seco

Ky (iii) Seco Seco Seco

Ky (iv) Seco Seco Seco

Los calendarios de riego (Tablas 3.9, 3.10 y 3.11) estuvieron condicionados tanto por la

diferente evolución de las características climáticas como por los volúmenes de agua

disponibles, lo que a su vez modificó los niveles de déficit a aplicar (Figura 3.10). La

Figura 3.10 representa las relaciones ETa/ETm propuestas por ORDI según la

optimización que se realiza al inicio de cada una de las etapas Ky.

Como era de esperar, la metodología ORDI propone menor déficit hídrico en las etapas

con mayor Ky, aunque ha habido excepciones, principalmente debidas a las restricciones

aplicadas en la metodología y a las condiciones climáticas en las que se desarrolló el

cultivo. En la etapa Ky (i’) existe la limitación de que como máximo se aplique un estrés

hídrico del 20% para asegurar la nascencia (Domínguez et al. 2012b; 2012c). Aunque

esta etapa tiene un coeficiente de Ky igual a 0,2, supone poca ETm acumulada (aplicar

mucho déficit hídrico supondría ahorrar poca agua). En los tres tipos de TMY, las lluvias

superan la ETm acumulada, por tanto, la relación ETa/ETm siempre fue 1, superando a

etapas con mayor sensibilidad al déficit hídrico. La etapa Ky (ii) es la más sensible al

déficit hídrico, dado que durante esta etapa es cuando se define el número potencial de

granos por unidad de superficie y se produce parte del llenado del grano, que son los

componentes más importantes que definen el rendimiento final (Carter y Stoker 1985;

Fischer, 1985; Savin y Slafer, 1991; Giunta et al., 1993; Oweis et al., 2000; Acevedo et


76

al., 2002; Ugarte et al., 2007; Cossani et al., 2007; 2009; Albrizio et al., 2010; Abrha et

al., 2012).

Figura 3.10. Relaciones ETa/ETm propuestas por ORDI para las etapas Ky (factor de

respuesta al rendimiento del cultivo) durante los años 2015 (a), 2016 (b) y 2017 (c) en

los diferentes tratamientos de riego (SD: Sin déficit; T100: Tratamiento con un volumen

de agua disponible igual al 100% de las necesidades de riego durante un TMY-

intermedio “IN”; T90: Tratamiento con 90% de las necesidades de un TMY-intermedio;

T80: Tratamiento con 80% de las necesidades de un TMY-intermedio; T70:

Tratamiento con 70% de las necesidades de un TMY-intermedio).

Obviando la etapa Ky (i’), en todas las optimizaciones salvo en dos, la metodología ORDI

propone mantener la etapa Ky (ii) con el menor déficit hídrico posible (Figura 3.10).

Ambas excepciones tuvieron lugar en 2016, en los tratamientos T90 y T70. En el caso del

T90 se debió a que la precipitación real durante esta etapa fue mayor a la marcada por el

TMY, por lo que se dispuso de mayor volumen de agua de riego para las siguientes etapas,

buscando el optimizador una relación ETa/ETm lo mayor posible en la etapa Ky (iii) para

maximizar el rendimiento. En el caso del T70, debido a la restricción de que la diferencia

máxima entre ETa/ETm acumuladas de dos etapas consecutivas no puede superar 0,25

(Capítulo 2). La etapa Ky (iii) engloba parte del llenado del grano, es por tanto una de las

etapas más sensibles al déficit hídrico a la hora de definir el rendimiento final (Carter y

Stoker 1985; Ugarte et al., 2007; Cossani et al., 2009; Abrha et al. 2012; Thameur et al.,

2012). Lo lógico es que para esta etapa el optimizador, como en la etapa anterior, buscase

relaciones ETa/ETm elevadas, pero no siempre ha sido así. En los tres años de ensayos, y

en los tratamientos más restrictivos, se ha visto penalizada por disponer de poca agua de

riego debido a la reserva de agua para la siguiente (y última) etapa, y por no poder aplicar

mucho estrés en la etapa Ky (i’’) (menos sensible) por la limitación de máximas

diferencias entre ETa/ETm acumuladas de dos etapas consecutivas. Los valores de

1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00

0,75

0,99

0,73

0,86

1,00

0,75

0,98

0,73

0,63

1,00

0,75

0,92

0,67 0,66

0,4

0,5

0,6

0,7

0,8

0,9

1,0

1,1

i' i'' ii iii iv i' i'' ii iii iv i' i'' ii iii iv i' i'' ii iii iv i' i'' ii iii iv

SD T100 T90 T80 T70

1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00

0,75

0,83

0,93

0,50

1,00

0,75 0,76 0,75

0,50

1,00

0,75

0,640,59

0,50

0,4

0,5

0,6

0,7

0,8

0,9

1,0

1,1

1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00

0,75

1,00

0,76 0,77

1,00

0,75

0,96

0,60

0,50

1,00

0,75

0,84

0,540,50

0,4

0,5

0,6

0,7

0,8

0,9

1,0

1,1

ETa/E

T mob

jetiv

o

Etapa Ky:

Tratamiento:

a

c

b


77

ETa/ETm objetivo más restrictivos fueron para la etapa Ky (iv) que es la menos sensible

(Tabla 3.5). La distribución del déficit hídrico propuesta por ORDI, teniendo en cuenta

la diferente sensibilidad al déficit hídrico de las distintas etapas de desarrollo, salvo por

algunas excepciones justificadas anteriormente, está en sintonía con los resultados y las

recomendaciones publicadas por otros autores (Giunta et al., 1993; Oweis et al., 2000;

Acevedo et al., 2002; Arisnabarreta y Miralles, 2008; Katerji et al., 2009; Tavakoli, 2014).

Aunque en la Figura 3.10 se muestra un salto de 0,43 entre las relaciones ETa/ETm de las

etapas Ky (iii) y Ky (iv) del T90 del año 2016, en las optimizaciones nunca se superó la

máxima diferencia de 0,25 entre etapas consecutivas de Ky. Ese 0,43 se debió a que en la

etapa Ky (iii) no se alcanzó realmente el objetivo planteado de 0,93 por una avería en el

sistema de bombeo, quedándose realmente en una relación ETa/ETm de 0,68, hecho que

tuvo en cuenta el optimizador a la hora de plantear el objetivo de la siguiente etapa.

En el año 2015, el agua total aplicada como riego osciló entre 285,6 mm en el tratamiento

sin déficit, y 175,3 mm para el tratamiento T70. Por lo tanto, el tratamiento no deficitario

aplicó un 14% más de agua que el tratamiento T100; un 27% más de agua de riego que el

tratamiento T90, un 43% más que el T80 y un 63% más que el T70.

Tabla 3.9. Volumen de agua aplicada en cada riego por tratamiento durante 2015.

Fecha

Lámina de riego aplicada (mm)

Sin déficit T100 T90 T80 T70

07/04/2015 17,8 17,8 -- -- --

14/04/2015 -- -- 12,8 13,1 13,1

17/04/2015 17,6 17,6 -- -- --

21/04/2015 13,4 13,4 11,6 11,7 11,4

27/04/2015 17,5 17,5 11,5 11,5 8,7

30/04/2015 17,2 17,2 17,0 17,2 17,2

06/05/2015 21,5 21,5 16,9 -- --

07/05/2015 14,3 14,3 21,1 21,4 21,2

08/05/2015 8,4 8,4 7,7 20,6 21,7

11/05/2015 17,1 17,1 20,1 17,5 15,8

13/05/2015 23,7 23,7 23,6 25,9 17,3

15/05/2015 12,7 12,7 13,1 11,9 11,7

18/05/2015 8,5 8,5 19,6 19,7 7,9

21/05/2015 25,5 25,5 -- -- --

22/05/2015 -- -- -- -- 9,2

25/05/2015 19,9 19,9 -- -- --

26/05/2015 -- -- 6,5 6,8 6,9

28/05/2015 15,5 15,5 -- -- --

29/05/2015 -- -- 12,8 10,8 13,2

02/06/2015 16,7 -- 18,6 12,1 --

05/06/2015 18,3 -- 12,2 -- --

Total 285,6 250,6 225,1 200,2 175,3

ETa/ETm global 1,00 0,94 0,87 0,82 0,76

Donde ETa: evapotranspiración real; ETm: evapotranspiración máxima.


78

En 2016, la ETm acumulada para completar el ciclo de cultivo fue mayor que en 2015

(Tabla 3.3). Además, la distribución temporal del agua disponible se vio condicionada

por unas características climáticas más secas que en 2015 (Tabla 3.7). Esto propició una

mayor variación en el volumen total de riego a aplicar entre el tratamiento no deficitario

y el resto, suponiendo 157,9 mm con el T70, que traducida en porcentaje significó un

90% (Tabla 3.10).


Fecha



05/02/2016 12,0 14,8 2,4 -- --

11/02/2016 9,8 6,6 17,8 16,3 17,8

25/02/2016 15,1 15,2 11,6 11,8 11,6

28/03/2016 12,1 12,4 -- -- --

12/04/2016 23,4 21,1 -- -- --

14/04/2016 -- -- 14,8 15,0 14,3

18/04/2016 15,8 14,8 11,5 11,4 11,4

22/04/2016 22,1 24,6 -- -- --

25/04/2016 -- -- 10,8 11,2 11,2

27/04/2016 -- -- 17,0 16,9 --

28/04/2016 24,2 25,3 -- -- --

02/05/2016 -- -- 15,7 12,1 11,9

05/05/2016 14,4 15,7 11,1 9,1 7,7

06/05/2016 15,1 15,0 -- -- 7,9

18/05/2016 18,3 20,7 -- -- --

20/05/2016 22,5 20,4 15,5 15,8 15,6

23/05/2016 15,8 10,4 21,6 14,0 8,0

27/05/2016 -- -- -- -- 8,0

30/05/2016 -- -- -- -- 8,0

01/06/2016 36,2 29,0 31,3 34,3 35,0

04/06/2016 17,9 12,4 16,0 16,1 --

07/06/2016 18,5 -- -- -- --

08/06/2016 -- -- 16,2 -- --

09/06/2016 18,5 -- -- -- 7,2

10/06/2016 -- -- -- 16,3 --

14/06/2016 21,9 -- 11,8 -- --

Total 333,4 258,4 225,0 200,4 175,5

ETa/ETm global 0,96 0,84 0,83 0,78 0,73


En la campaña 2017, las diferencias entre el volumen aplicado en el tratamiento sin déficit

y el resto se acrecentaron aún más, llegando a suponer 193,1 mm (111%) con el T70

(Tabla 3.11). Estas diferencias se debieron a varios factores, uno de ellos fue la ETm

acumulada para completar el ciclo, que superó sensiblemente a los otros dos años, sobre

todo si se compara con 2015, el cual necesitó 61,1 mm menos para completar el ciclo

(Tabla 3.3). Otro factor destacable fueron las condiciones climáticas acontecidas durante

esa campaña ya que, aparte de las altas temperaturas durante la última mitad del ciclo de


79

cultivo (Figura 3.4), el 73% de toda la precipitación del ciclo se concentró durante la

etapa Ky (i), y de este 73%, un 58% se perdió por percolación.


Fecha



29/03/2017 17,0 14,6 -- -- --

03/04/2017 14,7 -- -- -- --

04/04/2017 -- 14,4 -- -- --

05/04/2017 7,1 6,8 9,2 9,2 9,3

12/04/2017 19,3 19,5 13,9 13,8 14,0

18/04/2017 20,8 21,2 13,9 13,8 13,9

21/04/2017 20,8 21,2 13,9 13,8 13,9

26/04/2017 14,7 12,6 13,8 13,8 14,5

03/05/2017 16,0 16,2 19,6 19,6 13,6

06/05/2017 22,0 19,0 19,6 19,6 13,6

09/05/2017 20,0 20,9 19,4 13,4 13,6

11/05/2017 14,3 17,1 19,4 19,3 14,9

16/05/2017 18,8 19,3 19,6 14,7 8,4

19/05/2017 18,6 19,0 19,5 14,7 8,2

22/05/2017 19,5 9,0 7,5 6,5 6,9

24/05/2017 19,2 9,9 -- -- --

25/05/2017 -- -- -- 6,2 7,0

26/05/2017 -- 9,5 -- -- --

27/05/2017 19,3 -- -- -- --

29/05/2017 19,2 -- -- -- --

01/06/2017 14,2 -- 14,2 7,9 14,4

04/06/2017 14,2 -- -- 7,7 --

05/06/2017 -- -- 13,8 -- --

07/06/2017 12,8 -- -- 7,6 8,6

08/06/2017 -- -- 7,8 -- --

10/06/2017 12,8 -- -- -- --

14/06/2017 12,8 -- -- -- --

Total 367,9 250,0 225,1 201,7 174,8

ETa/ETm global 1,00 0,85 0,81 0,77 0,71


Al emplear esta metodología, la cantidad de agua de riego aplicada a los tratamientos

limitados fue la definida inicialmente, a pesar de que las condiciones climáticas fueron

distintas en los tres años. Con otra metodología como la de buscar una ETa/ETm objetivo,

el agua utilizada habría sido distinta, lo que puede ocasionar problemas en la gestión del

agua, sobre todo en zonas con escasez de este recurso.

Por etapas, la Ky (ii), además de ser la más sensible, suele ser la que mayor demanda

evaporativa y menores precipitaciones recibe, por lo que, salvo alguna excepción, fue en

la que se aplicó el mayor volumen de agua de riego (Tabla 3.12). La excepción se produjo

en el T70 del año 2016, donde los objetivos de ETa/ETm y las necesidades de las etapas

Ky (ii) y Ky (iii) fueron muy parecidos, con el apunte de que durante la etapa Ky (ii) hubo

una precipitación efectiva de 52,5 mm mientras que durante la etapa Ky (iii) no llovió

nada. Esta diferencia propició que el riego en el periodo de Ky (iii) representase el mayor


80

volumen (Tabla 3.12). Las lluvias invernales y las bajas temperaturas evitaron que en

2015 y 2017 fuese necesario regar durante Ky (i’). Sin embargo, si hubo que aplicar riegos

durante esta etapa en 2016, debido a las bajas precipitaciones (Tabla 3.12) y a una mayor

demanda evaporativa de la atmósfera (Figura 3.4).

Tabla 3.12. Volumen de agua de riego aplicado, ETm acumulada, duración en días y

precipitación efectiva recibida por el cultivo en cada etapa de desarrollo Ky durante los

tres años de ensayo.

Volumen de agua (mm)

Año Etapa Días ETm Pe SD T100 T90 T80 T70

2015

Ky (i') 57,0 30,5 29,8 0,0 0,0 0,0 0,0 0,0

Ky (i'') 51,0 111,9 59,7 66,3 66,3 35,9 36,2 33,2

Ky (ii) 16,0 102,0 0,0 115,0 115,0 119,5 114,6 105,0

Ky (iii) 13,0 76,3 3,9 69,3 69,3 26,1 26,5 23,9

Ky (iv) 17,0 66,9 12,6 35,0 0,0 43,6 22,9 13,2

Total 154,0 387,7 106,0 285,6 250,6 225,1 200,2 175,3

Total riego + Pe 391,6 356,6 331,1 306,2 281,3

N° riegos 17,0 15,0 13,0 13,0 13,0

2016

Ky (i') 43,0 19,9 5,6 21,8 21,3 20,1 16,3 17,8

Ky (i'') 57,0 116,1 45,9 66,3 63,5 37,9 38,2 37,3

Ky (ii) 30,0 132,4 52,5 116,5 121,7 70,1 65,2 54,3

Ky (iii) 18,0 123,5 0,0 106,8 51,8 68,9 64,4 59,0

Ky (iv) 10,0 41,4 0,0 21,9 0,0 27,9 16,3 7,2

Total 158,0 433,4 103,9 333,4 258,9 225,0 200,4 175,5

Total riego + Pe 437,6 362,3 328,9 304,3 279,5

N° riegos 18,0 15,0 15,0 13,0 14,0

2017

Ky (i') 50,0 24,8 54,7 0,0 0,0 0,0 0,0 0,0

Ky (i'') 48,0 105,7 49,4 78,8 76,5 37,0 36,9 37,2

Ky (ii) 28,0 134,2 25,8 126,5 126,2 125,3 114,3 92,5

Ky (iii) 17,0 122,3 12,6 124,2 47,3 27,0 27,4 22,2

Ky (iv) 11,0 61,9 0,0 38,4 0,0 35,8 23,3 22,9

Total 154,0 448,8 142,4 367,9 250,0 225,1 201,7 174,8

Total riego + Pe 510,3 392,4 367,5 344,1 317,2

N° riegos 22,0 16,0 15,0 16,0 15,0

Donde SD: tratamiento sin déficit; ETm: evapotranspiración máxima; Pe: precipitación efectiva.

En los tres años, la distribución temporal de las lluvias fue distinta (Tabla 3.12). En 2015

las precipitaciones efectivas de mayor relevancia se concentraron durante la etapa Ky (i’)

y en el inicio de la etapa Ky (i’’), suponiendo el 84% (89,5 mm) del total del ciclo de

cultivo, siendo prácticamente inexistentes en las dos etapas siguientes (Figura 3.11a).

Durante 2016 las precipitaciones se concentraron en las etapas Ky (i’’) y Ky (ii),

suponiendo el 95% del total (98,4 mm), mientras que el 5% restante se produjo en la etapa

Ky (i’), no teniendo lugar lluvias a lo largo de Ky (iii) y Ky (iv) (Figura 3.11b). En 2017,

al igual que en 2015, las precipitaciones se concentraron en la etapa Ky (i’) y en el inicio


81

de la etapa Ky (i’’), suponiendo un 73% (104,1 mm), pero como se ha comentado

anteriormente, de ese 73%, un 58% (60,4 mm) se perdió por percolación profunda. El

resto de precipitaciones tuvieron lugar durante las etapas Ky (ii) y Ky (iii), siendo muy

puntuales y espaciadas, llegando a pasar 44 y 29 días consecutivos sin ninguna lluvia. La

precipitación efectiva (Pe) supuso frente al agua total recibida por el cultivo, el 38% en

el tratamiento más deficitario y al 27% para el SD en 2015, al 37% y 24% para los mismos

tratamientos en 2016, y al 45% y 28% para los mismos tratamientos en 2017.

El año que presentó los valores acumulados más elevados de ETm al final del ciclo fue

2017 (448,8 mm frente a 433,4 mm en 2016 y 387,7 mm en 2015) (Tabla 3.12). Estos

valores fueron superiores a los 300 mm obtenidos por Tubiello et al. (2000) en Italia y a

los 350-377 mm en Portugal por Pereira et al. (2015) con la variedad “Publican”.

Similares a los 434 mm alcanzados por Jamieson et al. (1995) en Nueva Zelanda con la

variedad “Triumph” y a los 421-446 mm para la variedad “Scarlett” en Castilla-La

Mancha por Martínez-Romero et al. (2017). También parecidos a los obtenidos por

Broner et al. (1997) en Idaho y Colorado (EE.UU.) (entre 350 y 400 mm). Asimismo, se

encontraron dentro de los rangos estimados por Zhao-Fei et al. (2013) para la variedad

“Highland” en varias regiones del Tibet (entre 322 y 462 mm), y por Abrha et al. (2012)

(276-566 mm) para 5 variedades distintas en Italia, Etiopia, Siria y Montana (EE.UU.).

La diversidad de ETm junto con la distribución de las precipitaciones justifica la

diferencia de agua de riego aplicada en el tratamiento SD en los tres años, llegando a

suponer un 29% más en 2017 con respecto a 2015 (Tabla 3.12). La cantidad de agua total

recibida por los tratamientos deficitarios (Pe + riego) comenzó a diferenciarse a partir del

vigésimo octavo y vigésimo segundo día de la etapa Ky (i’’) en 2015 y 2017 (Figura

3.11a, c), mientras que, en 2016, la diferenciación comenzó al inicio de Ky (i’’) (Figura

3.11b).

La cantidad de agua de riego aplicada coincide con la empleada por otros autores bajo

condiciones similares a las de la zona de estudio. Martínez-Romero et al. (2017) en la

misma zona de estudio con la variedad “Scarlett” suministraron entre 322 y 383 mm para

tratamientos no deficitarios, y entre 218 y 270 mm para tratamientos deficitarios (entre

0,70-0,8 de ETa/ETm), encontrando diferencias significativas en los rendimientos de los

tratamientos con volúmenes de riego menores. Jamieson et al. (1995), en Nueva Zelanda,

para la variedad “Triumph”, con condiciones similares de temperatura y 126 mm de

precipitación, aplicaron 384 mm en el tratamiento no deficitario y 117 mm en el más


82

deficitario (0,56 de ETa/ETm), obteniendo también diferencias significativas de

rendimientos. Broner et al. (1997) con precipitaciones de 58 mm usaron entre 318 y 450

mm de agua de riego en Idaho y Colorado (EEUU).

Figura 3.11. Evolución de los valores de ETm acumulados, de la precipitación efectiva

acumulada, del agua total aplicada y de la temperatura media para los años 2015 (a),

2016 (b) y 2017 (c).

0

3

6

9

12

15

18

21

24

27

30

33

36

39

0

50

100

150

200

250

300

350

400

450

500

550

13 28 43 58 73 88 103 118 133 148 163 178

Tem

per

atura

med

ia ( C

)

ET

mac

um

ula

da,

Pre

cipit

ació

ny A

gua

tota

l (m

m)

Día del año

ETm Acumulada Pe Acumulada T100 Agua total acumulada SD Agua total acumulada

T90 Agua total acumulada T80 Agua total acumulada T70 Agua total acumulada T.med

Ky (i’’): Desarrollovegetativo

Ky (ii): Periodo de floración

Ky (iii): Formación

de rendimiento

Ky (iv): Maduración

Ky (i’): Inicial

0

3

6

9

12

15

18

21

24

27

30

33

36

39

0

50

100

150

200

250

300

350

400

450

500

550

13 28 43 58 73 88 103 118 133 148 163 178

Tem

per

atura

med

ia ( C

)

ET

mac

um

ula

da,

Pre

cipit

ació

ny A

gua

tota

l (m

m)

Día del año



Ky (i’’): Desarrollovegetativo

Ky (ii): Periodo

de floración Ky (iii): Formación

de rendimiento

Ky (iv): MaduraciónKy (i’): Inicial

0

3

6

9

12

15

18

21

24

27

30

33

36

39

0

50

100

150

200

250

300

350

400

450

500

550

12 27 42 57 72 87 102 117 132 147 162 177

Tem

per

atura

med

ia ( C

)

ET

mac

um

ula

da,

Pre

cipit

ació

ny A

gua

tota

l (m

m)

Días del año



Ky (i’): Inicial Ky (i’’): Desarrollovegetativo

Ky (ii): Periodo

de floración

Ky (iii): Formación

de rendimiento

Ky (iv): Maduración

a

c

b


83

En condiciones reales es difícil alcanzar los valores ETa/ETm objetivo exactos (Figura

3.10), debido principalmente a dos aspectos. Por una parte, la distribución del agua de

lluvia en el tiempo, que condiciona la capacidad de alcanzar el nivel de déficit deseado,

siendo menos determinante cuando el objetivo es mantener al cultivo bajo condiciones de

no déficit. Por otra, no siempre es posible programar el riego para el momento más

adecuado o aplicar la dosis de riego óptima para ese riego. Pese a esto, los valores

realmente alcanzados (Figura 3.12a, b, c) fueron similares a los propuestos (Figura

3.12a’, b’, c’).

Figura 3.12. Relaciones ETa/ETm reales para las etapas de Ky durante los años 2015 (a),

2016 (b) y 2017 (c); y ratio entre las relaciones ETa/ETm reales y las propuestas por

ORDI durante 2015 (a’), 2016 (b’) y 2017 (c’) en los diferentes tratamientos de riego.

1,00 1,00 0,99 0,99 1,00 1,00 1,00 0,99 0,99

0,67

1,00

0,87 0,900,81

0,87

1,00

0,87 0,850,80

0,60

1,00

0,86 0,84

0,65

0,44

0,1

0,3

0,5

0,7

0,9

1,1

1,00 1,00 1,00

0,87

1,00 1,00 1,00 1,00

0,73

0,18

1,00

0,89 0,88

0,680,76

1,00

0,87 0,85

0,59

0,70

1,00

0,87

0,77

0,580,50

0,1

0,3

0,5

0,7

0,9

1,1

1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00

0,84

0,26

1,00

0,78

0,97

0,65 0,67

1,00

0,78

0,97

0,590,51

1,00

0,78

0,91

0,39

0,50

0,1

0,3

0,5

0,7

0,9

1,1

0,1

0,3

0,5

0,7

0,9

1,1

1,3

1,5

1,7

0,1

0,3

0,5

0,7

0,9

1,1

1,3

1,5

1,7

0,1

0,3

0,5

0,7

0,9

1,1

1,3

1,5

1,7

i' i'' ii iii iv i' i'' ii iii iv i' i'' ii iii iv i' i'' ii iii iv i' i'' ii iii iv

SD T100 T90 T80 T70

ET

a/E

Tm

Rea

les

/ E

Ta/

ET

mO

pti

miz

acó

nE

Ta/

ET

mR

eale

s

a

c

b

a’

c’

b’

Etapa Ky:

Tratamiento:


84

El tratamiento que mostró las mayores diferencias con respecto al objetivo fue el T100

en 2016 y 2017, ya que al ser un tratamiento no optimizado y como las necesidades de

riego del cultivo fueron mayores al volumen disponible, agotó el agua de manera

prematura (en la etapa Ky (iii)). En el T100 de 2015 también se agotó el agua disponible

para el riego, pero en este caso en la última etapa (Ky (iv)), ya que las condiciones globales

de este año, pese a finalizar el ciclo como TMY-seco, fueron bastante similares a las del

TMY-intermedio. En el resto de casos, aún con unas condiciones climáticas de alta

demanda evaporativa y baja lluvia, pasando de intermedio a seco, y de húmedo a

intermedio, la metodología empleada logró llegar hasta el final del ciclo de desarrollo sin

ocasionar grandes situaciones de déficit a ninguno de los tratamientos, superando en todos

los casos, menos en dos (T70 en 2015 y T70 en 2017), el valor mínimo de ETa/ETm = 0,5

establecido por Allen et al. (1998) y Domínguez et al. (2013). En el año 2016, todos los

tratamientos salvo el T70 presentaron valores inferiores al objetivo durante Ky (iii)

(Figura 3.12b, b’). Esta circunstancia fue ocasionada por una avería en el sistema de

bombeo.

3.3.3. Evolución de la humedad del suelo

Las lecturas de tensión mátrica obtenidas por los sensores de humedad se analizaron en

función de la profundidad a la que estaban instalados en el suelo y del tratamiento. Para

comprobar la relación entre los valores de tensión y de humedad volumétrica, se generó

una curva de regresión entre ambos datos (Figura 3.13).

Figura 3.13. Comparación entre los valores de humedad volumétrica y el potencial

mátrico obtenido con los sensores del suelo.

y = 0,0006x2 + 0,2226x + 47,62

R² = 0,9133

0

5

10

15

20

25

30

35

40

45

50

-250 -200 -150 -100 -50 0

Hum

edad

volu

mét

rica

(D

EL

TA

T)

(%)

Potencial mátrico (WATERMARK) (cbar)


85

Con el fin de corroborar la evolución del contenido teórico de agua en el suelo simulado

por MOPECO, los valores ofrecidos por el modelo se compararon con las lecturas

recogidas por los sensores de humedad instalados en las parcelas de seguimiento. A modo

de ejemplo se muestra la evolución del contenido de humedad del suelo simulada y la

medida por los sensores de humedad tipo tensiómetro, la relación ETa/ETm calculada al

final de cada etapa de desarrollo, y la distribución de las lluvias y del agua de riego neta

para el tratamiento T80 durante la campaña 2016 (Figura 3.14).

Donde Pe: precipitación efectiva; 1-p: nivel de agotamiento permisible del suelo.

Figura 3.14. Comparación entre la curva de agua en el suelo propuesta por el modelo y

los valores de humedad del suelo reales obtenidos a partir de los tensiómetros para el

tratamiento T80 en el año 2016.

Como se puede observar en la Figura 3.14, MOPECO simula bastante bien la evolución

del contenido de agua en el suelo.

En la campaña 2017, con los datos registrados por el lisímetro de pesada continua de alta

precisión en una de las parcelas del tratamiento sin déficit (Figura 3.8), se calculó el valor

de Kc diario (Figura 3.15).

0

3

6

9

12

15

18

21

24

27

30

0,0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1,0

13

21

29

37

45

53

61

69

77

85

93

101

109

117

125

133

141

149

157

165

Agu

a n

eta (

mm

)

Part

es p

or

un

idad

Día del año

Agua útil simulada 1-pETa/ETm acumulada por etapa Agua util según sensores huemdad sueloPe Riego neto


86

Figura 3.15. Comparación entre la curva de Kc utilizada en MOPECO en el año 2017 y

los valores de Kc obtenidos en función de los registros del lisímetro en 2017.

Se observa como la evolución de Kc obtenida a partir de los datos del lisímetro es muy

parecida a la empleada por MOPECO (ITAP, 2004). La principal diferencia se encuentra

en la etapa Kc (I) donde según el lisímetro el valor medio de esta etapa es de 0,36 mientras

que según la curva teórica es de 0,3. Esta discrepancia se puede deber principalmente a

la componente evaporativa del suelo, ya que durante esa etapa hay un gran porcentaje de

superficie con suelo desnudo, y a su vez, a que la ETo y la ETc durante esta etapa son

bajas, y pequeños errores en la determinación ETo repercuten mucho en el cálculo de Kc,

quedando ésta mayorada si se ha infraestimado la ETo. Estas pequeñas diferencias no son

relevantes ya que la etapa Kc (I) supone en torno a un 6% de la evapotranspiración total

del cultivo para todo el ciclo. Según el lisímetro el cultivo evapotranspiró 475,70 mm,

mientras que MOPECO estimó la evapotranspiración total en 448,79 mm, lo que se

traduce en un RMSE de 0,53 mm día-1, un NRMSE de 17,26% y una EF de 0,95, que son

estadísticos similares a lo obtenido por López-Urrea (2004). También hay que tener en

cuenta que la parcela de protección que rodea al minilisímetro no cumple con lo

establecido en la bibliografía para determinar los valores de Kc, por lo que los resultados

obtenidos presentan un cierto nivel de error debido fundamentalmente a la advección

(Lecina y Martínez Cob, 2000).

0,00

0,20

0,40

0,60

0,80

1,00

1,20

1,40

1,60

1,80

2,00

14

19

24

29

34

39

44

49

54

59

64

69

74

79

84

89

94

99

10

4

10

9

11

4

11

9

12

4

12

9

13

4

13

9

14

4

14

9

15

4

15

9

16

4

16

9

Va

lore

s d

e K

c

Día del año

Kc diaria según lisímetro Evolución Kc teórica

Evolución Kc según lisímetro Kc medio de la etapa según lisímetro


87

3.3.4. Efecto de la metodología ORDI sobre el rendimiento de la cebada

Como era de esperar, el tratamiento no deficitario fue el que logró un mayor rendimiento

en las tres campañas, y el T70 el menor, encontrando diferencias significativas entre

algunos tratamientos (Tabla 3.13). En el año 2015, el tratamiento T100 no mostró

diferencias significativas en cuanto al rendimiento obtenido con respecto al SD al cubrirse

casi completamente las necesidades de agua con el volumen disponible (ETa/ETm = 0,94).

Por el contrario, en 2016 y 2017, donde las últimas etapas se desarrollaron bajo

condiciones predominantemente secas (Tabla 3.8), el agua disponible para el T100 quedó

lejos de cubrir las necesidades reales del cultivo (ETa/ETm = 0,84 y 0,85 respectivamente),

ocasionando un estrés por déficit hídrico elevado en la última etapa. Este estrés se tradujo

en una pérdida de rendimiento con respecto al tratamiento SD y al obtenido por el T100

en 2015. Por otro lado, los tratamientos T90 y T80 no mostraron diferencias significativas

entre ellos en ninguna de las tres campañas, aunque el rendimiento medio fue siempre

superior en el T90.

Tabla 3.13. Comparación intraanual entre los rendimientos obtenidos en los diferentes

tratamientos para los tres años de ensayo.

Año

Trata-

miento

Agua de riego

(m3 ha-1)

Agua total

(m3 ha-1)

ETa/ETm

global

Rendimiento

(kg ha-1)

Desviación

estándar (kg)

CV

(%)

2015

SD 2.856 3.915 1,00 9.199a 619,11 6,73

T100 2.506 3.565 0,94 8.614a 457,53 5,31

T90 2.251 3.311 0,87 7.620b 362,37 4,76

T80 2.002 3.061 0,82 7.362b 169,17 2,30

T70 1.753 2.812 0,76 6.404c 492,17 7,69

2016

SD 3.334 4.373 0,96 8.877a 295,38 3,33

T100 2.584 3.623 0,84 7.973b 300,84 3,77

T90 2.250 3.290 0,83 7.691bc 443,71 5,77

T80 2.004 3.043 0,78 7.224c 215,29 2,98

T70 1.755 2.795 0,73 6.331d 148,24 2,34

2017

SD 3.679 4.718 1,00 9.071a 510,89 5,63

T100 2.250 3.539 0,85 8.028b 398,41 4,96

T90 2.251 3.291 0,81 7.621bc 250,28 3,28

T80 2.017 3.057 0,77 7.311c 231,45 3,17

T70 1.748 2.787 0,71 6.282d 295,26 4,70

ETa: evapotranspiración real. ETm: evapotranspiración máxima. Significancia (p < 0.05). Test de Duncan.

CV: Coeficiente de variación.

Intraanualmente, diferencias de ETa/ETm global del 6% registradas entre el T70 y T80,

supusieron unas diferencias de rendimiento entre los 900 y 1.000 kg ha-1. Sin embargo,

diferencias del 5% registradas entre las ETa/ETm globales de los T80 y T90 implicaron

diferencias de entre 258 y 467 kg ha-1. Esto se debe a que, aunque globalmente las

diferencias son del 10% en cuanto a la disponibilidad de agua de riego, en las etapas más

importantes a la hora de definir el rendimiento (Ky (ii) y Ky (iii)), las diferencias entre las


88

ETa/ETm acumuladas entre T80 y T90 fueron mínimas, pero, entre T80 y T70, superaron

el 15% en algunos casos (Figura 3.12).

Interanualmente, la influencia de las características climáticas en los tres años de ensayo

(Figura 3.4) es bastante evidente en el tratamiento no optimizado con volumen limitado

de agua de riego (T100), donde la ETa/ETm global fue mucho menor en las últimas dos

campañas implicando un descenso de la producción de 614 kg ha-1 de media (7%) (Tabla

3.14). Sin embargo, aunque las diferencias de ETa/ETm globales entre similares

tratamientos optimizados han rondado el 5% de media, los rendimientos apenas han

variado un 1% (Tabla 3.14). Que el rendimiento se haya mantenido prácticamente

invariable en estos casos puede explicarse por el hecho de que la media de las ETa/ETm

en las etapas que definen el rendimiento ha sido similar en los tres años de ensayo.

Tabla 3.14. Comparación interanual entre los rendimientos obtenidos en los diferentes

tratamientos en función de la ETa/ETm global.

Año Tratamiento ETa/ETm global Rendimiento (kg ha-1)

2017 T70 0,71 6.282f

2016 T70 0,73 6.331f

2015 T70 0,76 6.426f

2015 T80 0,82 7.106e

2016 T80 0.78 7.224e

2017 T80 0,77 7.311de

2015 T90 0,87 7.620cde

2017 T90 0,81 7.621cde

2016 T90 0,83 7.691cde

2016 T100 0,84 7.973cd

2017 T100 0,85 8.028bc

2015 T100 0,94 8.614ab

2016 SD 0,96 8.877a

2015 SD 1,00 9.199a

2017 SD 1,00 9.071a

ETa: evapotranspiración real. ETm: evapotranspiración máxima. Significancia (p < 0.05). Test de Duncan.

Todos los tratamientos, en los tres años, presentaron rendimientos superiores o cerca del

promedio de la zona, que está alrededor de 6.000 kg ha-1 (MAPAMA, 2017), alcanzando

e incluso superando ligeramente los 9.000 kg ha-1 de rendimiento potencial utilizado en

la calibración de las Ky (Capítulo 2). Los valores de rendimiento máximo en todas las

campañas fueron similares a los obtenidos por Domínguez et al. (2017) en la misma zona

de estudio con la variedad “Scarlett”. Pereira et al. (2015) en Portugal, con una dosis de

siembra y precipitación similar a la de estos ensayos, obtuvieron un rendimiento de 7.194

kg ha-1 con la variedad “Publican” aplicando un volumen de riego de 145 mm. La

diferencia en el volumen empleado se puede deber principalmente a las variedades

utilizadas y a que los suelos son más profundos y con mayor almacén de agua en sus


89

ensayos. Jamieson et al. (1995), para la variedad “Triumph” en Nueva Zelanda,

obtuvieron 9.670 kg ha-1 en su tratamiento no deficitario aplicando una lámina de riego

384 mm. Por otro lado, los rendimientos obtenidos son superiores a los logrados por

Broner et al. (1997) en unos ensayos llevados a cabo en Idaho y Colorado (EE.UU.), que

con una variedad maltera no especificada y con lluvias entre 40 y 58 mm consiguieron

rendimientos entre 5.000 y 8.500 kg ha-1 aplicando láminas de riego comprendidas entre

308 y 450 mm. También se mejoraron los resultados logrados por Cossani et al. (2009)

con la variedad “Sunrise” (aproximadamente 5.000 kg ha-1) en Lérida (España), que bajo

condiciones climáticas y dosis de siembra similares, aplicaron una lámina de riego de 222

mm.

En comparación con el tratamiento SD, el tratamiento más deficitario (T70) mostró una

disminución del rendimiento del 30,4% en 2015, del 28,7% en 2016 y del 30,8% en 2017.

No obstante, la reducción del agua de riego aplicada fue del 38,6%, del 47,4%, y del

52,5% respectivamente. La menor caída del rendimiento, en comparación con la

reducción de agua de riego aplicada, pone de manifiesto que el riego deficitario

controlado, y en concreto la metodología ORDI, reduce el efecto del déficit hídrico sobre

el rendimiento final. Este resultado coincide con el obtenido por otros autores en éste y

otros cultivos (Hanson et al., 2003; Martín de Santa Olalla et al., 2004; Domínguez et al.,

2012b; Forey et al., 2016; Lellis, 2017; Martínez-Romero et al., 2017; Phogat et al.,

2017).

3.3.5. Validación de las simulaciones con MOPECO

Utilizando los parámetros establecidos en la calibración (Capítulo 2), así como los

mismos calendarios de riego y duración de las etapas del cultivo que los aplicados y

observadas en campo, los rendimientos simulados por MOPECO fueron ligeramente

inferiores a los observados en todos los casos salvo en dos (T90 y T70 de 2015) (Figura

3.16). Las máximas diferencias se produjeron en el T100 de los años 2016 y 2017 (9,9 y

5,4% respectivamente). En estos dos años, el T100 se quedó sin agua de riego a mitad de

la penúltima etapa, por lo que las ETa/ETm calculadas por el modelo en la última etapa

fueron muy bajas (0,18 y 0,26%), penalizando en gran medida el rendimiento previsto. A

pesar de que se recomienda que no se use la ecuación de Stewart cuando la relación

ETa/ETm es inferior a 0,5, ya que se puede perder precisión en la estimación (Doorenbos

y Kassam, 1979), la diferencia entre los valores observados y los simulados no superó el

10% en ningún caso. Para el resto de tratamientos las diferencias fueron menores. Así, la


90

diferencia entre los valores reales y los simulados para los tratamientos SD fue del 2,2%

de media, del 3,7% en el T90, del 5,2% en el T80 y menor del 1% en el T70. Dado que

se aceptan diferencias entre el rendimiento simulado y el observado de hasta el 10%

(Domínguez et al., 2012a), y que el modelo se considera bien ajustado cuando esto se

cumple en al menos el 70% de las simulaciones, puede concluirse que la calibración de

los valores de Ky propuesta en el Capítulo 2 ha sido validada también con estos

resultados.

Figura 3.16. Comparativa entre los rendimientos simulados por MOPECO y los

observados en campo en las campañas 2015 (a), 2016 (b) y 2017 (c).

0

1.000

2.000

3.000

4.000

5.000

6.000

7.000

8.000

9.000

10.000

2.000 2.250 2.500 2.750 3.000 3.250 3.500 3.750 4.000 4.250 4.500 4.750 5.000

Ren

dim

iento

(kg h

a-1)

Agua total (m3 ha-1)

Real MOPECO

Polinómica (Real) Polinómica (MOPECO)

0

1.000

2.000

3.000

4.000

5.000

6.000

7.000

8.000

9.000

10.000

2.000 2.250 2.500 2.750 3.000 3.250 3.500 3.750 4.000 4.250 4.500 4.750 5.000

Ren

dim

iento

(kg h

a-1)


Real MOPECO

Polinómica (Real) Polinómica (MOPECO)

a

b

0

1.000

2.000

3.000

4.000

5.000

6.000

7.000

8.000

9.000

10.000

2.000 2.250 2.500 2.750 3.000 3.250 3.500 3.750 4.000 4.250 4.500 4.750 5.000

Ren

dim

iento

(kg h

a-1)


Real MOPECO Polinómica (Real) Polinómica (MOPECO)

c


91

3.3.6. Margen bruto

Los costes asociados al cultivo de cebada se estimaron a partir de datos reales de

explotaciones de la zona (Domínguez et al., 2017), a partir del rendimiento esperado y la

lámina de agua empleada (Tabla 3.15). Los principales costes en este cultivo son el agua

de riego y la fertilización. Ambos suponen entre el 42 y el 53% de los costes totales, de

ahí la importancia de buscar la mayor eficiencia en el uso del agua y de una fertilización

ajustada a las extracciones del cultivo en función del rendimiento esperado, tanto por las

connotaciones medioambientales como por las económicas.

Tabla 3.15. Costes para los cinco tratamientos ensayados durante las tres campañas bajo

las condiciones de Castilla-La Mancha.

Total costes (€ ha-1)

Año Componente SD T100 T90 T80 T70

2015

Semilla 111,00 111,00 111,00 111,00 111,00

Fertilizantes

Fijos 100,00 100,00 100,00 100,00 100,00

Variables 199,98 187,26 165,65 160,04 139,22

Fitosanitarios 170,00 170,00 170,00 170,00 170,00

Maquinaria

Fijos 127,50 127,50 127,50 127,50 127,50

Variables (incluye alquiler) 162,31 149,44 127,58 121,91 100,84

Seguros y amortizaciones 146,18 136,89 121,09 116,99 101,77

Agua 343,20 300,00 270,00 240,00 210,00

TOTAL 1.360,17 1.282,09 1.192,83 1.147,44 1.060,32

2016

Semilla 111,00 111,00 111,00 111,00 111,00

Fertilizantes

Fijos 100,00 100,00 100,00 100,00 100,00

Variables 192,98 173,33 167,20 157,04 141,65

Fitosanitarios 170,00 170,00 170,00 170,00 170,00

Maquinaria

Fijos 127,50 127,50 127,50 127,50 127,50



Agua 400,02 310,07 270,03 240,51 210,65

TOTAL 1.397,79 1.253,94 1.197,09 1.139,72 1.067,65

2017

Semilla 111,00 111,00 111,00 111,00 111,00

Fertilizantes

Fijos 100,00 100,00 100,00 100,00 100,00

Variables 197,20 174,52 165,67 158,93 136,57

Fitosanitarios 170,00 170,00 170,00 170,00 170,00

Maquinaria

Fijos 127,50 127,50 127,50 127,50 127,50



Agua 441,48 300,02 270,16 242,09 209,78

TOTAL 1.450,82 1.247,18 1.193,05 1.146,49 1.052,83

Partiendo de estos costes, de los rendimientos obtenidos, y los precios medios de venta

del grano y la paja para las tres campañas, se calcularon los valores de MB para cada

tratamiento en los tres años de ensayo y se determinó la función de ajuste a esos datos


92

(Figura 3.17). El ajuste se realizó a partir de 5 puntos que corresponden a los 5

tratamientos de riego definidos en la metodología (SD, T100, T90, T80 y T70).

Figura 3.17. Relación entre el margen bruto y el riego bruto recibido por el cultivo.

El MB aumentó en función del agua aplicada al cultivo, coincidiendo el valor más alto

con el del máximo rendimiento del cultivo (Figura 3.17). Las necesidades de riego fueron

mayores en 2016 que en 2015, y a su vez en 2017 que en 2016, aplicando en el tratamiento

sin déficit, 285,6 mm, 333,4 mm y 367,9 mm, respectivamente (Tabla 3.12).

Hay que destacar que pese a la variabilidad climática de los tres años, los MB entre

tratamientos optimizados similares han permanecido casi invariables (Figura 3.17). Esto

pone de manifiesto que la metodología minimiza las diferencias en el margen bruto

debidas a la variación de las condiciones climáticas.

Las diferencias interanuales de MB obtenidas para un mismo tratamiento y un mismo

precio de venta oscilaron entre el 1% (T90) y el 23% (SD). Los tratamientos no

optimizados (SD y T100) fueron los que presentaron mayor variación (21 y 18% de media

respectivamente al comparar los tres años), mientras que los tratamientos optimizados se

mantuvieron casi constantes (2% de variación media en T90 y T80, y 5% en T70). En el

caso de los no optimizados, estas diferencias están justificadas por las mayores

necesidades de agua de riego en los tratamientos SD en las campañas 2016 y 2017, que

aumentó los costes, y en el caso del T100, por un descenso en los beneficios debidos a

una caída importante de rendimiento, causada por un agotamiento temprano del agua de

riego (durante Ky (iii)) que derivó en ETa/ ETm globales más bajas (0,84 y 0,85 frente a

y = -7E-05x2 + 0,5263x - 363,74R² = 0,9433

y = -6E-05x2 + 0,3881x - 122,36R² = 0,8999

y = -1E-04x2 + 0,5896x - 401,3

R² = 0,9061

0

100

200

300

400

500

600

0 500 1.000 1.500 2.000 2.500 3.000 3.500 4.000

Mar

gen

bru

to (€

ha-1

)

Riego bruto (m3 ha-1)

2015 2016 2017

Polinómica (2015) Polinómica (2016) Polinómica (2017)


93

0,94 de 2015). En los no optimizados, las diferencias son mínimas porque los

rendimientos obtenidos y los volúmenes de agua de riego aplicados han sido similares.

Intraanualmente, las máximas diferencias entre tratamientos distintos se produjeron en

2015, el MB del T80 y T90 fue un 30% menor comparado con el del SD, y el del T70 un

66%, mientras que el MB del T100 cayó un 6%. Sin embargo, aunque el ahorro de agua

en el T100 fue mayor que la pérdida de MB (12%), en el resto de tratamientos sólo supuso

un ahorro de agua menor (del 21% para el T90 y del 30 y 39% para el T80 y T70). El

hecho de que el porcentaje de ahorro de agua fuese menor al de las pérdidas de MB se

debió a que, en 2015, el tratamiento SD tuvo unas necesidades de riego muy bajas

comparadas con los otros años. Por el contrario, en las otras dos campañas, las diferencias

de MB entre el SD y los tratamientos optimizados fueron mucho menores que el ahorro

de agua conseguido, así, en el caso de T90 y T80, las caídas de MB fueron entre el 4 y el

13%, y el ahorro de agua entre el 32 y el 45%.

Todo esto pone de manifiesto que cuando las condiciones climáticas son más

desfavorables para el cultivo es cuando la metodología ORDI para volúmenes limitados

de agua muestra todo su potencial, obteniendo elevados rendimientos para los volúmenes

de agua de riego utilizados. En esta misma línea hay que destacar que los MB de los

tratamientos optimizados han sido prácticamente idénticos en las tres campañas, pero no

las ETa/ETm globales (diferencias de un 5%), qué, al tener un volumen de agua de riego

limitado, se ven muy afectadas por las condiciones climáticas. La metodología empleada

ha permitido que, para un mismo volumen de agua, pese a obtener ETa/ETm globales

distintas, los rendimientos (y por tanto el MB) permanezcan casi constantes. Esto se ha

debido a que en las etapas principales que definen el rendimiento (Ky (ii) y Ky (iii)) la

metodología ha buscado ETa/ETm acumuladas similares en las tres campañas.

3.3.7. Productividad del agua

En las tres campañas, la productividad del agua en términos de rendimiento (YWP)

aumentó con el déficit, alcanzando el máximo en el T80 en 2015 y 2017, y en el T70 en

2016. De este modo, la productividad del T80 fue un 14,4%, un 35,4% y un 47,0%

superior a la del SD para 2015, 2016 y 2017, respectivamente (Tabla 3.16). Del mismo

modo, la productividad económica del agua de riego (EWP) siguió la misma tendencia,

por lo que la rentabilidad de cada unidad de volumen de agua de riego aplicada al cultivo

se vio incrementada con ORDI, produciéndose unas diferencias del 9,6%, 47,0% y 69,2%

entre el SD y el T80 para los años 2015, 2016 y 2017, respectivamente.


94

Tabla 3.16. Productividad del agua de riego en los años 2015, 2016 y 2017.

Año Tratamiento YWP (kg m-3) EWP (€ m-3)

2015

SD 3,22b 0,19a

T100 3,45ab 0,21a

T90 3,39ab 0,19a

T80 3,68a 0,21a

T70 3,66a 0,19a

2016

SD 2,66c 0,14c

T100 3,09b 0,17bc

T90 3,42a 0,20ab

T80 3,60a 0,20a

T70 3,61a 0,20ab

2017

SD 2,47c 0,12c

T100 3,21b 0,18b

T90 3,39b 0,19ab

T80 3,62a 0,21a

T70 3,59a 0,18b

Significancia (p < 0.05). Test de Duncan. Donde YWP: productividad del agua de riego en términos de

rendimiento; EWP: productividad del agua de riego en términos económicos.

Los valores YWP y EWP se han mantenido constantes en los tratamientos optimizados

en todas las campañas, ya que los volúmenes de agua de riego aplicada y los rendimientos

obtenidos han sido similares, mientras que los no optimizados se han visto mermados en

los años 2016 y 2017 debido a que el volumen de agua total aplicado al cultivo fue mayor

en el caso del SD y los rendimientos menores en el caso de T100.

Estos resultados vuelven a ponen de manifiesto que, con volúmenes limitados de agua y

cuanto más severas son las condiciones, más interesa aplicar riego deficitario siguiendo

las recomendaciones de la metodología ORDI. En consecuencia, en explotaciones donde

el factor limitante es el agua de riego y no la superficie regable, puede resultar

económicamente rentable regar una mayor superficie de la explotación aplicando ORDI.

Esta estrategia se ha valorado en el Capítulo 6.

Otros autores también constataron un aumento de la YWP aplicando técnicas de riego

deficitario en cebada. Singh y Kumar (1981) lograron valores entre 0,8 y 1,5 kg m-3,

correspondiendo el máximo al tratamiento más deficitario. Cossani et al. (2012)

observaron la misma tendencia en unos ensayos llevados a cabo en Lérida (España), con

un valor máximo de 0,23 kg m-3. Martínez-Romero et al. (2017), en Castilla-La Mancha,

consiguieron unas diferencias entre un 6 y un 20% a favor de los tratamientos deficitarios,

con WPY comprendidas entre 1,38 y 2,69 kg m-3. Qureshi y Neibling (2009) y Albrizio

et al. (2010) también observaron un aumento de la WPY cuando se disminuía la cantidad

de agua aplicada.


95

3.3.8. La huella hídrica de la cebada

Para cada uno de los tratamientos de riego en los tres años de ensayo se calcularon las

huellas hídricas verde, azul, gris y la total del proceso productivo (Tabla 3.17).

Tabla 3.17. Huella hídrica en la producción de la cebada en los años 2015, 2016 y 2017.

Año Tratamiento WFverde (m3 Mkg-1) WFazul (m3 Mkg-1) WFgris (m3 kg-1) WFproceso (m3 kg-1)

2015

SD 96 310 103 510

T100 109 291 110 510

T90 120 295 121 536

T80 125 272 108 505

T70 143 274 106 523

2016

SD 98 373 150 621

T100 112 321 167 600

T90 145 293 137 575

T80 155 277 129 561

T70 178 277 127 583

2017

SD 93 397 123 612

T100 118 300 139 557

T90 138 286 118 542

T80 145 274 107 526

T70 169 278 106 554

Donde WFverde: huella hídrica del agua verde; WFazul: huella hídrica del agua azul; WFgris: huella hídrica

del agua gris; WFproceso: huella hídrica total del proceso.

En las tres campañas, los valores de WFverde más elevados correspondieron al tratamiento

T70, disminuyendo progresivamente hasta el tratamiento SD. Este resultado pone de

manifiesto que la metodología ORDI aprovecha en mayor medida el agua aportada por la

lluvia, reduciendo las necesidades de riego. Este hecho puede justificarse por un menor

contenido de humedad del suelo de los tratamientos deficitarios, lo que permite utilizar

un mayor porcentaje de lluvias copiosas que ocasionan percolación. Algunos autores

proponen un valor de 1.213 m3 Mkg-1 para el componente del agua verde en la cebada

(Mekonnen y Hoekstra, 2010). Este valor está determinado por las condiciones climáticas

de la zona para la que se obtuvo, siendo prácticamente imposible de alcanzar en zonas

semiáridas como la de este estudio donde la precipitación es escasa y, además, los suelos

son poco profundos.

Los valores obtenidos de WFazul están relacionados con la cantidad de agua de riego

aplicada al cultivo y su rendimiento final. En consecuencia, cuanto mayor fue la YWP,

menor fue la WFazul. Como era de esperar, este resultado se ha observado en los tres años

de ensayo, además de evidenciarse que en los años más secos (2016 y 2017) la WFazul es

mayor en el caso de los tratamientos SD ya que las necesidades de riego son mayores.

Hay que tener en cuenta que el agua azul lleva implícito un consumo de energía, la cual,

si no es de origen renovable, implica huella de carbono. Mekonnen y Hoekstra (2010)


96

proponen un valor de WFazul = 79 m3 Mkg-1 que, en este caso, es muy inferior a los valores

obtenidos en este trabajo. Esto se debe a que en la zona de ensayos la precipitación es

inferior y los suelos son menos profundos que en las estudiadas por estos autores, lo que

implica mucho mayor riego y por tanto mayor WFazul.

La menor percolación de los tratamientos deficitarios, así como una menor aplicación de

fertilizantes nitrogenados por esperar rendimientos más bajos, provocaron que la WFgris

fuera menor cuanto más deficitario fuese el tratamiento (salvo en 2015 donde se siguió

esa misma tendencia pero el menor valor lo obtuvo el tratamiento SD, aunque similar al

T70). Por esa misma razón, el T100, al abonarse como un sin déficit pero sufrir estrés en

las últimas etapas de desarrollo (con sus correspondientes pérdidas de rendimiento),

alcanzó los mayores valores de WFgris. En este caso, el valor propuesto por Mekonnen y

Hoekstra (2010) (131 m3 Mkg-1) es similar al calculado en este estudio, posiblemente

debido a que la cantidad de abono aplicada y la concentración de nitratos en el agua

utilizada en los ensayos es parecida a la considerada por estos autores.

Como consecuencia de los resultados anteriores, el T80 fue el tratamiento con menor

WFproceso en las tres campañas, seguido del T90 y del T70. Es decir, hubo una tendencia

de descenso de la huella hídrica conforme más deficitario era el tratamiento, apareciendo

un punto de inflexión en el T80, ya que en el T70 aumentaba con respecto a T80 y T90.

2015 fue la excepción, ya que el tratamiento SD obtuvo WFproceso inferior a la de los

tratamientos T90 y T70, debido fundamentalmente a su WFazul, que fue la más baja de las

tres campañas porque las necesidades de riego fueron las menores. Los valores de

WFproceso obtenidos en este estudio son inferiores en todos los casos al propuesto por

Mekonnen y Hoekstra (2010) (1.423 m3 Mkg-1), debido a que la WFverde de estos ensayos

fue significativamente menor y la cantidad de agua de riego necesaria para compensar la

falta de agua de lluvia no fue capaz de revertir la situación.

Estos resultados ponen de manifiesto que, en términos de huella hídrica, la metodología

ORDI es beneficiosa para el medio ambiente y mejora la competitividad de este producto

en el mercado. El mejor aprovechamiento del agua de lluvia, la mayor productividad del

agua de riego en términos de rendimiento, y el menor impacto de esta metodología sobre

la calidad de las aguas subterráneas, son las ventajas que aporta ORDI frente a la huella

hídrica que genera la cebada cuando el manejo del riego es no deficitario.


97

3.4. CONCLUSIONES

La metodología ORDI para volúmenes limitados de agua ha demostrado ser capaz de

lograr elevados rendimientos al final de la campaña, siendo éstos proporcionales al

volumen de agua de riego aplicado al cultivo.

Validar una metodología capaz de garantizar un adecuado rendimiento, incluso con

volúmenes inferiores a las necesidades del cultivo y desconociendo las condiciones

climáticas en las que éste se va a desarrollar, es fundamental para una región como

Castilla-La Mancha, con baja disponibilidad de recursos hídricos para la agricultura, y

donde las principales masas de agua subterránea se encuentran sobreexplotadas o con

elevado riesgo de estarlo.

ORDI ha incrementado la productividad del agua de riego tanto en términos de

rendimiento como económicos. La estrategia T80 fue la que mejores resultados obtuvo,

incrementando de media un 32% la YWP y un 42% la EWP con respecto al tratamiento

no deficitario.

La metodología ORDI ha reducido la huella hídrica de la cebada, en mayor medida cuanto

más deficitario fue el tratamiento, produciéndose un punto de inflexión con el tratamiento

T80, al ser con el que se alcanza la máxima productividad del agua de riego. Por lo tanto,

esta metodología es beneficiosa para el medio ambiente y mejora la competitividad de

este producto en el mercado.

El lisímetro de pesada de pequeño tamaño utilizado en este trabajo se presenta como una

herramienta útil y versátil para estimar las necesidades de riego de los cultivos bajo

condiciones reales de explotación. Los datos generados pueden ayudar a establecer un

primer nivel de aproximación de los valores de Kc con los que calcular la demanda del

cultivo, siendo especialmente útil para variedades o cultivos de los que no se disponga

información validada para la zona de cultivo.

MOPECO es una herramienta válida para simular el rendimiento de la cebada bajo las

condiciones climáticas de la zona de estudio, habiendo logrado un porcentaje de aciertos

(diferencia entre rendimientos observados y simulados < 10%) del 100%.


98

3.5. BIBLIOGRAFÍA




Expl. Agric., 48, 252-271.




Ahmadi, S.H., Plauborg, F., Andersen, M.N., Sepaskhah, A.R., Jensen, C.R., Hansen, S.,

2011. Effects of irrigation strategies and soils on field grown potatoes: root

distribution. Agric. Water Manage., 98, 1280–1290.






56, FAO, Italy.

Arisnabarreta, S., Miralles D.J., 2008. Critical period for grain number establishment of

near isogenic lines of two and six rowed barley. Field Crop. Res., 107, 196-202.

Assaf, R., Bravdo, B., Levin, I., 1974. Effects of irrigation according to water deficit in 2

different soil layers, on yield and growth of apple-trees. Journal of Horticultural

Science and Biotechnology, 49, 53–64.

Bethke, P.C., Sabba, R., Bussan, A.J., 2009. Tuber water and pressure potentials decrease

and sucrose contents increase in response to moderate drought and heat stress.

American Journal of Potato Research, 86, 519–532.

Boland, A.M., 1993. Effect of regulated deficit irrigation on tree water use and growth of

peach. Journal of Horticultural Science, 68, 261–274.

Boyeldiu, J. 1980. Les cultures céréalières. Hachette. Paris. 255 pp.

Broner, I., Thompson, K., Dillon, M., 1997. Validation of a malting barley water and

nutrient management expert system. Agric. Water Manage., 33, 159–168.


99

Camargo, D.C., 2013. Crecimiento y desarrollo en patata (Solanum tuberosum L.) con

diferentes tratamientos hídricos en sistema pivote. Tesis Doctoral, Universidad de

Castilla-La Mancha, Albacete, España.

Cantero-Martínez, C., Angas, P., Lampurlanés, J., 2003. Growth, yield and water

productivity of barley (Hordeum vulgare L.) affected by tillage and N fertilization

in Mediterranean semiarid, rainfed conditions of Spain. Field Crop. Res., 84, 341–

357.

Carducci. C.E., Oliveira, G.C, Curi, N., Severiano, E.C., Zeviani, W.M., 2012. Relations

of clay fraction mineralogy, structure and water retention in oxidic latosols

(oxisols) from the brazilian cerrado biome. InTech, 1, 149-170.

Carrión, F., Sanchez-Vizcaino, J., Corcoles, J.I., Tarjuelo, J.M., Moreno, M.A., 2016.

Optimization of groundwater abstraction system and distribution pipe in

pressurized irrigation systems for minimum cost. Irrig. Sci., 34, 145–159.



CHJ, 2017. Estado químico anual 2016. Informes del programa de control de vigilancia

de aguas subterráneas <http://www.chj.es/es-es/medioambiente/redescontrol/

Paginas/InformeSubterraneasVigilancia.aspx>. Confederación Hidrográfica del

Júcar. Ministerio de Agricultura y Pesca, Alimentación y Medio Ambiente.

(Consulta 21/09/17).

Cossani, C.M., Savin, R., Slafer, G.A., 2007. Contrasting performance of barley and

wheat in a wide range of conditions in Mediterranean Catatonia (Spain). Ann.

Appl. Biol., 151, 167–173.



213.

Cossani, C.M., Slafer, G.A., Savin, R., 2012. Nitrogen and water use efficiencies of wheat

and barley under a Mediterranean environment in Catalonia. Field Crop. Res.,

128, 109–118.

Danuso, F., Gani, M., Giovanardi, R., 1995. Field water balance: BidriCo 2. In: Pereira,

L.S., van der Broeck, B.J., Kabat, P., Allen, R.G. (Eds.), Crop-Water-Simulation


100

Models in Practice. ICI-CIID, SC-DLO. Wageningen Press, Wageningen, The

Netherlands.



de Juan, J.A., Tarjuelo, J.M., Ortega, J.F., 2003. Rasgos básicos de los factores naturales

del espacio agrario Castellano-Manchego. En: J.S., Castillo; F.J., Montero; J.M.

Tarjuelo (coords.). Sector Agrario Castilla-La Mancha (17-34). Escuela Técnica

Superior de Ingenieros Agrónomos de Albacete, Universidad de Castilla-La

Mancha, Albacete, España.

de Pauw, E., 2002. An Agrocoecological Exploration of the Arabian Peninsula.

ICARDA, Aleppo, Syria, 77 pp.










Manage., 113, 64-75.




Manage., 130, 154-167.

Domínguez, A., Martínez-Navarro, A., López-Mata, E., Tarjuelo, J.M., Martínez-

Romero, A., 2017. Real farm management depending on the available volume of

irrigation water (part I): Financial analysis. Agric. Water Manage., 192, 71–84.

Domínguez Vivancos, A. 1989. Tratado de fertilización. Ed. Mundi-Prensa. Madrid. 601

pp.


101



English, M.J., 1990. Deficit irrigation. I: Analytical framework. Journal of Irrigation and

Drainage Engineering, 116, 399–412.



Forey, O., Metay, A., Wery, J., 2016. Differential effect of regulated deficit irrigation on

growth and photosynthesis in young peach trees intercropped with grass. Eur. J.

Agron., 81, 106–116.





Franke, N.A., Boyacioglu, H., Hoekstra, A.Y., 2013. Grey water footprint accounting:

Tier 1 supporting guidelines, Value of Water Research Report Series No. 65,

UNESCO-IHE, Delft, the Netherlands.



33, 399–409.

González, H., 2010. Debates on food security and agrofood world governance.

International Journal of Food Science and Technology, 45, 1345–1352.

Hall I.J., Prairie R.R., Anderson H.E., Boes E.C. 1978. Generation of Typical

Meteorological Years for 26 SOL-MET stations. SAND 78-1601, Sandia National

Laboratories, Albuquerque, NM.

Hanson, B., May, D., Voss, R., Cantwell, M., Rice, R., 2003. Response of garlic to

irrigation water. Agric. Water Manage., 58, 29–43.

Harmsen, E.W., Miller, N.L., Schlegel, N.J., González, J.E., 2009. Seasonal climate

change impacts on evapotranspiration, precipitation deficit and crop yield in

Puerto Rico. Agric.Water Manage., 96, 1085–1095.


102

Heinemann, P.H., Walker, P.N., 1986. Modeling heat loss from surface heated

greenhouse water. Transactions of the ASABE, 29 (5), 1379-1384.

Hoekstra, A.Y., Chapagain, A.K., Aldaya, M.M., Mekonnen, M.M., 2009. Water

Footprint Manual State of the Art. Water Footpr. Netw. 131.

Hsiao, T.C., Heng, L., Steduto, P., Rojas-Lara, B., Raes, D., Fereres, E., 2009.

AquaCrop—The FAO crop model to simulate yield response to water: III.

Parameterization and testing for maize. Agron. J., 101, 448-459.

ITAP, 2004. Informe anual del seguimiento del SAR. Campaña 2003.

http://www.itap.es/media/3285/7.informe%20sar%202003.pdf. (consulta

20/09/2014).

Jamieson, P.D., Martin, R.J., Francis, G.S., 1995. Drought influences on grain yield of

barley, wheat, and maize. New Zeal. J. Crop Hortic. Sci., 23, 55–66.

Jones, C.A., Kiniry, J.R., 1986. CERES-Maize: A Simulation Model of Maize Growth

and Development. Texas A&M Univ. Press, College Station.

Jones, H.G., 1990. Physiological aspects of the control of water status in horticultural

crops. Hortscience, 25, 19–26.

Jones, J.W., Hoogenboom, G., Porter, C.H., Boote, K.J., Batchelor, W.D., Hunt, L.A.,

Wilkens, P.W., Singh, U., Gijsman, A.J., Ritchie, J.T., 2003. The DSSAT

cropping system model. Eur. J. Agron., 18, 235–265.

Jordan, W.R., 1983. Whole plats response to water deficit: an overview. In: Taylor, H.M.,

Jordan, W.R., Sinclair, T.R. (Eds.), Limitations of Efficient Water Use in Crop

Production. ASA CSSA and SSSA, Inc., Madison, WI, pp. 289–317.

Kang, S., Zhang, L., Liang, Y., Hu, X., Cai, H., Gu, B., 2002. Effects of limited irrigation

on yield and water use efficiency on winter wheat in the Loess Plateau of China.

Agric. Water Manage., 55, 203–216.

Katerji, N., Mastrorilli, M., van Hoorn, J.W., Lahmer, F.Z., Hamdy, A., Oweis, T., 2009.

Durum wheat and barley productivity in saline-drought environments. Eur. J.

Agron., 31, 1–9.

Keating, B.A., Carberry, P.S., Hammer, G.L., Probert, M.E., Robertson, M.J., Holzworth,

D., Huth, N.I., Hargreaves, J.N.G., Meinke, H., Hochman, Z., McLean, G.,


103

Verburg, K., Snow, V., Dimes, J.P., Silburn, M., Wang, E., Brown, S., Bristow,

K.L., Asseng, S., Chapman, S., McCown, R.L., Freebairn, D.M., Smith, C.J.,

2003. An overview of APSIM: a model designed for farming systems simulation.

Eur. J. Agron., 18, 267–288.

Lecina, S., Martínez Cob, A., 2000. Evaluación lisimétrica de la evapotranspiración de

referencia semihoraria calculada con el método FAO Penman-Monteith. XVIII

Congreso Nacional de Riegos. Huelva, del 20 al 22 de Junio. Asociación Española

de Riegos y Drenajes.

Leite, K.N., Martínez-Romero, A., Tarjuelo, J.M., Domínguez, A., 2015. Distribution of

limited Irrigation water based on optimized regulated deficit irrigation and typical

meteorological year concepts. Agric. Water Manage., 148, 164-176.

Lellis, B.C., 2017. Efecto del riego deficitario controlado optimizado por etapas, para

volúmenes limitados de agua, en el rendimiento y la calidad del ajo morado de

Las Pedroñeras. Tesis Doctoral, Universidad de Castilla-La Mancha, Albacete,

España.



López-Mata, E., Tarjuelo, J.M., de Juan, J.A., Ballesteros, R., Domínguez, A., 2010.

Effect of irrigation uniformity on the profitability of crops. Agric. Water Manage.,

98, 190-198.

López-Urrea, R., 2004. Evapotranspiración de referencia: métodos de cálculo y medición

directa en una estación lisimétrica en ambientes semiáridos. Tesis Doctoral,

Universidad Castilla-La Mancha, Albacete, España.

López-Urrea, R., Martín de Santa Olalla, F., Montoro, A., López-Fuster, P., 2009. Single

and dual crop coefficients and water requirements for onion (Allium cepa L.)

under semiarid conditions. Agric. Water Manage., 96, 1031–1036.

MAPAMA, 2017. Anuario de estadística 2015.




104

Marbis, J.M., 2001. CO2 enrichment and hot water heat in a greenhouse as a mean of

recovering bioresources from swine waste. Tesis Doctoral, North Carolina State

University, USA.

Marion, W., Urban, K., 1995. User´s manual for TMY2s. National Renewable Energy

Laboratory. Golden, Colorado, USA.

Martín De Santa Olalla, F., Domínguez-Padilla, A., López, R., 2004. Production and

quality of the onion crop (Allium cepa L.) cultivated under controlled deficit

irrigation conditions in a semi-arid climate. Agric. Water Manag., 68, 77–89.

Martín de Santa Olalla, F.J., Domínguez, A., Ortega, J.F., Artigao, A., Fabeiro, C., 2007.

Bayesian networks in planning a large aquifer in Eastern Mancha, Spain.

Environmental Modelling & Software, 22, 1089–1100.

Martínez-Romero, A., Martínez-Navarro, A., Pardo, J.J., Montoya, F., Domínguez, A.,

2017. Real farm management depending on the available volume of irrigation

water (part II): Analysis of crop parameters and harvest quality. Agric. Water

Manage., 192, 58–70.

Martínez-Valderrama, J., Ibáñez, J., Alcalá, F.J., Domínguez, A., Yassin, M.,

Puigdefábregas, J., 2011. The use of a hydrological-economic model to assess

sustainability in groundwater-dependent agriculture in drylands. J. Hydrol., 402,

80-91.

Mekonnen, M.M., Hoekstra, A.Y., 2010. The green, blue and grey water footprint of

crops and derived crop products, Value of Water Research Report Series No. 47,

UNESCO-IHE, Delft, the Netherlands.

Merriam, J.L., Keller, J., 1978. Farm Irrigation System Evaluation: A Guide For

Management, USA.

Microsoft, 2010. Microsoft Excel 2010. Product Guide. Microsoft Corp., USA.

Montoya, F., 2013. Calibración y validación de modelos para la simulación de patata

(Solanum tuberosum L.) bajo diferentes tratamientos de riego con pívot en

condiciones semiáridas. Tesis Doctoral, Universidad Castilla-La Mancha,

Albacete, España.

Ortiz J.N., Tarjuelo J.M., De Juan J.A., 2009. Characterisation of evaporation and drift

losses with centre pivots. Agric. Water Manage., 96, 1541–1546.


105



Papadakis, J., 1966. Climates of the World and their Agricultural Potentialities.

Hemisferio Sur. Buenos Aires, Argentina.

Pereira, L.S., Paredes, P., Rodrigues, G.C., Neves, M., 2015. Modeling malt barley water

use and evapotranspiration partitioning in two contrasting rainfall years.

Assessing AquaCrop and SIMDualKc models. Agric. Water Manage., 159, 239–

254.

Phogat, V., Skewes, M.A., McCarthy, M.G., Cox, J.W., Simunek, J., Petrie, P.R., 2017.

Evaluation of crop coefficients, water productivity, and water balance

components for wine grapes irrigated at different deficit levels by a sub-surface

drip. Agric. Water Manage., 180, 22–34.



Rosenzweig, C., Parry, M., 1994. Potential impact of climate change on world food

supply. Nature, 367, 133–138.

Sarkar, S., Singh, S.R., 2007. Interactive effect of tillage depth and mulch on soil

temperature, productivity and water use pattern of rainfed barley (Hordeum

vulgare L.). Soil Tillage Res., 92, 79–86.



Singh, K.P., Kumar, V., 1981. Water-Use and Water-Use Efficiency of Wheat and Barley

in Relation to Seeding Dates, Levels of Irrigation and Nitrogen-Fertilization.


Tavakoli, A.R., 2014. Effects of sowing date and single irrigation on yield and yield

components of rainfed barley cultivars. Iran. J. Rainfed Crops, 1, 53–68 (in Farsi).

Thameur, A., Lachiheb, B., Ferchichi, A., 2012. Drought effect on growth, gas exchange

and yield, in two strains of local barley Ardhaoui, under water deficit conditions

in southern Tunisia. Journal of Environmental Management, 113, 495-500.


106

TELENATURA, 2017. http://www.telenaturaebt.es/. Telenatura Empresa de Base

Tecnológica. (consulta 15/10/2017).

Tubiello, F.N., Donatelli, M., Rosenzweig, C., Stockle, C.O., 2000. Effects of climate

change and elevated CO2 on cropping systems: Model predictions at two Italian

locations. Eur. J. Agron., 13, 179–189.



Crop. Res., 100, 240–248.

USDA-NCRS., 2006. Keys to Soil Taxonomy. 10th ed., United States Department of

Agriculture. Natural Resources Conservation Services. Washington D.C., WA,

USA.

Vanderlinden, K., Girález, J.V., van Meirvenne, M. 2003. Evaluación de la capacidad de

retención de agua de los suelos de Andalucía mediante el análisis del balance

medio anual del agua. Estudios de la Zona No Saturada del Suelo 6, 131-136.



Manage., 98, 1776–1781.

Yau, S.K., Ryan, J., 2013. Differential impacts of climate variability on yields of rainfed

barley and legumes in semi-arid Mediterranean conditions. Arch. Agron. Soil Sci.,

59, 1659–1674.

Zhao-Fei, L., Zhi-Jun, Y., Cheng-Qun, Y., Zhi-Ming, Z., 2013. Assessing Crop Water

Demand and Deficit for the Growth of Spring Highland Barley in Tibet, China. J.

Integr. Agric., 12, 541–551.

Capítulo 4. Efecto de la

metodología ORDI sobre los

parámetros de calidad en la

cebada

Capítulo 4 Efecto de la metodología ORDI sobre los parámetros de calidad en la cebada

109

4.1. INTRODUCCIÓN

Los principales parámetros cualitativos que se han analizado en este trabajo son los

relacionados con la aptitud maltera de este cereal ya que, de alcanzarse esta catalogación,

el precio del grano se incrementa de media en un 15% (MAPAMA, 2017a). De las cerca

de 7.000.000 de toneladas de cebada que se producen anualmente en España (MAPAMA,

2017b) en torno a 1.000.000 (CE, 2018) corresponden a variedades cerveceras. La

industria maltera nacional produce alrededor de 485.000 toneladas de malta, para lo cual

necesita unas 631.000 toneladas de cebada cervecera con calidad maltera (CE, 2018). Con

las producciones nacionales actuales, esta demanda no queda cubierta, obligando a

realizar importaciones de en torno a un 10% (CE, 2018). Este porcentaje es mayor durante

campañas secas, como la de 2017, donde la calidad se ve más penalizada y el índice de

rechazo de las producciones de cebada cervecera nacional llega a superar el 50%. En

consecuencia, el incremento de precio del grano de cebada cuando éste alcanza los

requisitos de calidad establecidos por la industria queda justificado.

La aptitud cervecera de un lote de cebada se caracteriza por una serie de índices

representativos de los análisis realizados en diferentes etapas de la elaboración de la

cerveza (Coles et al., 1991). Los análisis se inician en el propio grano de cebada (tamaño

de los granos, contenido en proteína, humedad) y continúan en la malta y en el mosto que

se extrae de ésta (humedad de la malta, nitrógeno y proteínas solubles, extracto fino,

contenido en β-glucanos, viscosidad, friabilidad, pH, color, poder diastásico, índice de

Kolbach, actividad de α-amilasa) durante el proceso de elaboración. La definición y

rangos globalmente aceptados de los principales parámetros son los siguientes:

Tamaño de los granos. El tamaño influye en el proceso de malteado y elaboración de

cerveza (Grashoff y d’Antuono, 1997). Por lo tanto, los lotes de cebada deben separarse

por calibres (Burger y Laberge, 1985). Los granos de mayor tamaño suelen garantizar una

tasa de germinación elevada y uniforme (Passarella et al., 2003), además suelen contener

una mayor concentración de almidón, lo que aumenta la eficiencia del proceso de

extracción (volumen de mosto obtenido por kilogramo de malta). Sin embargo, si éstos

tienen un alto contenido en proteína, se dificulta la acción de las enzimas diastáticas sobre

los gránulos de almidón, reduciendo así la eficiencia del extracto, y aumentando la

viscosidad e inestabilidad del mosto (Grashoff y d’Antuono, 1997; Gianinetti et al.,

2005). La industria maltera exige por tanto granos uniformes, redondeados y de buen

calibre, con un contenido en proteína relativamente bajo.


110

Respecto al tamaño de los granos, la European Brewery Convention, (EBC, 2006)

distingue seis categorías principales:

- Fracción I: granos con calibre superior a 2,8 mm.

- Fracción II: granos con calibre superior a 2,5 mm.

- Fracción III: granos con calibre entre 2,2 y 2,5 mm.

- Fracción IV: granos con calibre inferior a 2,2 mm.

- Fracción V y VI: granos partidos e impurezas.

El tamaño mínimo de los granos exigido por la mayoría de empresas del sector a nivel

internacional es de 2,5 mm. Sin embargo, la EBC establece que la fracción de cribado por

encima de 2,2 mm también es adecuada para maltear en el caso de cebadas cultivadas en

el sur de Europa (EBC, 2007). Cada maltería determina el porcentaje mínimo de granos

con calibre superior a 2,5 mm, así como el porcentaje máximo tolerable de calibres <2,2

mm y de grano partido e impurezas que puede contener cada lote de cebada.

Generalmente, el mínimo requerido de granos con calibre >2,5 mm es del 80% (He et al.,

1993; Savin y Molina-Cano, 2002). En este sentido, la asociación “Malteros de España”,

en colaboración con el Ministerio de Agricultura y Pesca, Alimentación y Medio

Ambiente, publicaron unas especificaciones orientativas de calidad conforme a estudios

independientes donde establecen que el mínimo de granos con calibre >2,5 mm debe ser

del 65% (CE, 2018). Por otro lado, la empresa Intermalta, situada en Albacete y

perteneciente al grupo Malteurop, establece que los lotes deben contener más de un 90%

de granos con calibre superior a 2,5 mm y menos de un 2,5% de granos con calibre por

debajo de 2,2 mm (Intermalta, 2015).

Proteínas totales. Altos valores, indican una mayor dificultad en la transformación de

cebada en malta, ya que primero hay que disolver la matriz proteica que rodea los

gránulos de almidón, para que luego otras enzimas puedan llegar a las paredes del almidón

y disolverlas. Normalmente, altos valores se asocian a bajos contenidos de extracto,

mientras que bajos valores, por ejemplo menores a 9%, pueden implicar menores

cantidades de sustancias formadoras de espuma y de aminoácidos que son alimento para

las levaduras. Muchas industrias establecen su rango entre 9,5-11,5% (He et al., 1993;

Zhang et al., 2001; Grashoff y d’Antuono, 1997; Pettersson y Eckersten, 2007; Abeledo

et al., 2008). Con respecto al porcentaje de proteína, Intermalta acepta de forma general

un rango de entre el 9,5 y el 12%, llegando a aceptar en ocasiones, según el cliente al que


111

vaya dirigida la malta, lotes con un porcentaje de proteína de hasta el 12,5% (Intermalta,

2015).

La concentración de proteína de los granos de cebada se ve afectada por el genotipo, el

ambiente y las prácticas culturales (Bathgate, 1987; Smith, 1990). La alta disponibilidad

de nitrógeno (Varvel y Severson, 1987; Weston et al., 1993; Eagles et al., 1995), el déficit

hídrico (Morgan y Riggs, 1981; Coles et al., 1991; Grant et al., 1991; Birch et al., 1997),

o la combinación de altas temperaturas con estrés hídrico (Macnicol et al., 1993; Savin y

Nicolas, 1996) pueden hacer que el porcentaje de proteína de los granos supere el límite

establecido por las malterías. Especies con muchos hijuelos y bien desarrollados son más

susceptibles a que un estrés por déficit hídrico justo después de la antesis incremente en

mayor medida el contenido en proteínas del grano (Fathi et al., 1997). Por otro lado, en

hijuelos poco desarrollados que sufren estrés hídrico, el porcentaje de carbohidratos en el

grano puede verse incrementado y reducirse el riesgo de alto contenido proteico (Chafai

El Alaoui et al., 1992). Fernandez-Figares et al. (2000) sostienen que el estrés hídrico,

sobre todo durante el llenado del grano, produce maltas de baja calidad debido a un alto

contenido proteico del grano por insuficiente acumulación de carbohidratos. Wu et al.

(2015) también registraron una caída significativa en el peso de los granos acompañada

de un aumento de contenido en proteína en los ensayos sometidos a estrés hídrico.

Humedad granos cebada. Los criterios de humedad están más claramente definidos, con

un límite máximo del 12%. Esto se debe a que los granos de cebada deben germinar

completamente en la maltería, y cualquier hecho que pueda alterar la capacidad

germinativa es negativo, de ahí que se busquen granos con poca humedad para que no

lleguen pregerminados (Intermalta, 2015).

Humedad malta. Está considerada como un parámetro económico “no de calidad”

(Intermalta, 2015), ya que su influencia se centra en el tiempo en que las maltas pueden

ser almacenadas, aunque un alto contenido de humedad puede influir en el color (a mayor

tostación, mayor color), y a que la molienda sea más gruesa de lo normal, lo que afecta

negativamente a los rendimientos en la sala de cocido. Los valores de referencia oscilan

entre 4 y 5% (Intermalta, 2015).

Proteínas solubles. Es la cantidad de proteína que es solubilizada durante la maceración

y que está disponible en el mosto. Está influenciada tanto por el nivel total de proteína

como por el grado de modificación de la malta. La proteína soluble (mosto) contribuye a

la formación de color durante la ebullición del mosto y provee de aminoácidos para la


112

nutrición de la levadura durante la fermentación. De igual manera, la proteína soluble

residual contribuye a darle cuerpo y palatabilidad a la cerveza, así como aumenta el

potencial de formación de espuma, aunque niveles excesivos de la misma pueden

contribuir a la formación de turbidez. Los valores normales aceptados oscilan entre 4 y

6% según el tipo de malta buscada (Intermalta, 2015).

Extracto fino. Proviene de una malta molida fina, principalmente está dado por azúcares

solubles que son transformados a alcohol en la cervecería. Se persiguen valores altos para

lograr más cantidad de litros de cerveza por kg de malta utilizado. Depende a su vez de

la naturaleza de la cebada original y del grado de modificación logrado durante el malteo.

Se aceptan como valores de extracto buenos cuando están por encima del 80%

(Intermalta, 2015).

Índice de Kolbach. Es la relación entre proteína soluble y proteína total en la malta.

Depende de la degradación del endospermo y de la actividad enzimática de la proteólisis.

Altos valores son indicativos de maltas muy modificadas, con un potencial de enzimas

bastante elevado. Los parámetros normales aceptados como buenos son entre 35-45

(Intermalta, 2015).

Poder Diastásico. Es una medida de las enzimas que degradan el almidón presente en la

malta. Los valores están influenciados por la variedad de cebada y el contenido de

proteína. El resultado se expresa en WK (Windisch-Kolbach) y representa la cantidad de

maltosa que se obtiene de 100 gramos de malta. Las malterías exigen valores por encima

de 250 WK (Intermalta, 2015).

Contenido en β-glucanos solubles. Los β-glucanos son cadenas largas de moléculas de

glucosa, que se encuentra unidas entre sí en enlaces 1→3 y, más a menudo, en enlaces β-

1→4. Por lo general, valores extremadamente elevados (>400 mg L-1) pueden traer

problemas de formación de geles/gomas durante la elaboración de mosto, así como

problemas durante las filtraciones de mosto y cerveza y turbidez. Sin embargo, cierta

cantidad de β-glucanos es siempre beneficiosa para la cerveza, brindándole cuerpo a la

misma y estabilidad a la espuma. En el caso de Intermalta (2015), se buscan contenidos

por debajo de 175 mg L-1 aunque toleran hasta 200 mg L-1.

El contenido de β-glucanos, al igual que el proteico, está asociado con el genotipo, y

altamente influenciado por factores ambientales y culturales (Stuart et al., 1988; Güler,

2003). Varios autores han documentado diferencias en el contenido de β-glucanos según


113

la localización (Aman, 1986; Lehtonen y Aikasalo, 1987; Aman et al., 1989). Pérez-

Vendrell et al. (1996) encontraron diferencias significativas entre la viscosidad y el

contenido en β-glucanos entre diez cultivares, cultivados en siete localizaciones españolas

diferentes durante tres años consecutivos. Lehtonen y Aikasalo (1987) observaron que el

contenido de β-glucanos de las cebadas finesas difería con respecto a la variedad, tipo de

espiga y condiciones de crecimiento. Los niveles de nitrógeno en suelo y la fertilización

nitrogenada son algunos de los factores más importantes que afectan al contenido de β-

glucanos (Jackson et al., 1994; Güler, 2003). Henry (1985) reportó una correlación

positiva entre el contenido de β-glucanos y el contenido de nitrógeno en el grano. En esta

misma línea, Jansen et al. (2013) detectaron un incremento de β-glucanos al aumentar la

fertilización nitrogenada. La temperatura es otro factor que afecta al contenido en β-

glucanos. Anker-Nilssen et al. (2008) informaron sobre la influencia de la temperatura

durante el llenado del grano en el contenido total de β-glucanos, el cual varió del 4,0% al

7,4% para un cierto rango de temperaturas. Se ha comprobado que el estrés hídrico puede

influir tanto reduciendo como incrementando el contenido en β-glucanos. En unos

ensayos llevados a cabo por Güller (2003), el tratamiento con mayor estrés hídrico tuvo

el mayor grado de β-glucanos. Del mismo modo, Jansen et al. (2013) no encontraron

diferencias significativas en el contenido de β-glucanos en función del estrés hídrico,

aunque sí que fue superior en los tratamientos sometidos a estrés. Perez-Vendrell et al.

(1996) también detectaron mayor contenido en β-glucanos en los tratamientos sometidos

a mayor estrés hídrico. Por el contrario, Coles et al. (1991) y Wu et al. (2015) detectaron

que los β-glucanos descendían según se incrementaba el estrés hídrico en la variedad

“Triumph”.

Friabilidad (índice de Chapon). Indica la aptitud para desagregarse los gránulos del

almidón del endospermo y su facilidad para dar elementos solubles tras la actuación de

las enzimas amilolíticas y proteolíticas. Los valores de friabilidad están influenciados por

la variedad de cebada, contenido de humedad, tamaño y forma del grano, grosor de la

cascarilla y contenido de proteína. Se expresa en porcentaje de materias friables sobre el

total, debiendo ser mayor al 80% (Intermalta, 2015).

Viscosidad. Influye en el proceso de filtración. Valores altos son indicativos de una

modificación deficiente, así como de la presencia de β-glucanos no degradados, los cuales

pueden causar problemas de filtración de mosto y cerveza. Se mide en centipoises (cP) y

debe ser inferior a 1,55 cP, pudiéndose aceptar hasta 1,57 cP (Intermalta, 2015).


114

FAN (Free Amino Nitrogen). En la práctica, constituye la fracción de aminoácidos,

resultantes de la degradación de proteínas de alto peso molecular, que las levaduras

utilizan como alimento en su proceso de multiplicación durante la fase inicial del proceso

fermentativo. Valores de FAN por encima de 150 mg L-1 se consideran buenos

(Intermalta, 2015).

Color. El método EBC de medida del color se basa en espectrofotometría (EBC, 2006),

la intensidad del color en el mosto refleja el grado de modificación y secado de la malta.

El color post-ebullición da una idea del color que tendrán el mosto y la cerveza final. Se

suelen buscar valores por debajo de 4,5 EBC tras el tostado de la malta y por debajo de 7

EBC para post-ebullición (Intermalta, 2015).

No hay un consenso generalizado sobre el óptimo de cada uno de estos parámetros, los

cuales quedan definidos por los distintos fabricantes de malta y cerveza del mundo.

Tampoco hay unanimidad con respecto al factor más determinante en la calidad final de

la cebada maltera, por lo que hay que analizarlos todos en su conjunto. En este aspecto,

Coles et al. (1991) sostienen que el extracto fino es el indicador principal de la calidad

maltera, aunque hacen mención a que el contenido de proteínas de los granos es un buen

indicador de la calidad así como de la influencia de los β-glucanos en el proceso de

extracción de mosto de la malta y por ende en la calidad. Para Grashoff y d’Antuono

(1997) el tamaño, uniformidad de los granos y su contenido en proteína son los factores

más importantes, mientras que para Guerin et al. (1992) y Qi et al. (2006) el poder

diastásico es el factor clave. Bertholdsson (1998) y Pettersson y Eckersten (2007) se

centraron en el contenido en proteína del grano como factor determinante de la calidad.

Por otro lado, Váňová et al. (2006) consideran que los factores más importantes son el

nitrógeno, sacáridos, polifenoles y enzimas. Passarella et al. (2003) sostienen, junto con

Fox et al. (2003) y Palmer (1989) que el endospermo de la cebada tiene que ser harinoso,

con alta energía germinativa, actividad enzimática adecuada, bajo contenido en β-

glucanos, contenido en proteína relativamente bajo y alto contenido en almidón. Algunos

autores han encontrado una relación directa entre el contenido en proteína del grano y los

β-glucanos con varios de los índices de calidad que suele utilizar la industria. Entre ellos,

Wang et al. (2004) hallaron una alta correlación entre los β-glucanos y: la viscosidad, el

extracto, el índice de Kolbach y el poder diastásico.

Intermalta, somete los lotes de cebada cosechados por el agricultor a una primera criba

de calidad del grano que consiste en un análisis de calibres, contenido en proteína y


115

porcentaje de humedad. Si se cumplen los requisitos establecidos por la empresa, el

agricultor recibe una prima por calidad, que supone en torno a un 20% sobre el precio de

la cebada pienso. En caso contrario, se deriva el lote directamente a pienso y no percibe

prima alguna. A partir de ahí se toman muestras para realizar micromalteos y analizar los

parámetros de calidad de la malta y el mosto.

El objetivo principal de este capítulo es determinar si la metodología ORDI es capaz de

mejorar la productividad del agua de riego en la cebada (Capítulo 3) sin afectar

negativamente a los parámetros de calidad definidos por la empresa Malteurop, a la que

pertenece Intermalta. Para lograrlo se han propuesto los siguientes objetivos parciales:

1. Analizar el efecto de la metodología ORDI sobre los parámetros de calidad

del grano cosechado.

2. Analizar el efecto de la metodología ORDI sobre los parámetros de calidad de

la malta y el mosto.

4.2. MATERIALES Y MÉTODOS

4.2.1. Parámetros de calidad del grano de cebada

Siguiendo las recomendaciones de Intermalta (2015) para valorar la calidad maltera de la

cosecha, se evaluaron tres parámetros del grano: tamaño, porcentaje de proteína y

porcentaje de humedad. Para determinar el efecto de la metodología ORDI, de cada

tratamiento del ensayo se analizaron dos muestras de grano por subparcela de 0,3 kg cada

una.

Para determinar las fracciones, se utilizó un clasificador de calibres modelo Sortimat de

Pffeufer ® (Fig. 4.1a). Se introdujeron 100 gramos de muestra de cosecha de cada

subparcela, obteniendo la clasificación en las cuatro fracciones principales además del

porcentaje de impurezas y granos partidos. Para el contenido en proteína y humedad se

utilizó el analizador de granos FOSS Infratec Grain Analyzer Model 1241® (Fig. 4.1b).


116

Figura 4.1. Equipos utilizados para determinar los parámetros de calidad del grano, a)

Pffeufer Sortimat®, b) FOSS Infratec Grain Analyzer Model 1241®.

Aunque los parámetros “Peso de los 1000 granos” y “Peso específico” no son utilizados

como factor de calidad por las empresas malteras, en las campañas 2016 y 2017 se

midieron en laboratorio para comparar los resultados de los tratamientos. En 2015 no se

midieron estos parámetros, aunque posteriormente se constató su importancia para

completar el análisis cualitativo. En el primer caso, se pesó la masa de 1.000 granos

elegidos al azar de cada una de las muestras obtenidas en cosecha tras secado en estufa a

70ºC hasta peso constante. En el segundo, se pesó la masa de granos elegidos al azar de

cada una de las muestras obtenidas en cosecha que completaba un volumen conocido

(ISO, 2009).

4.2.2. Parámetros de calidad de la malta y el mosto

Para medir los parámetros de calidad de la malta y el mosto se enviaron muestras de cada

tratamiento y año a la sucursal que posee Malteurop en San Adrián (Navarra). Allí se

sometieron a programas de micromalteos para después determinar los parámetros según

la metodología oficial (EBC, 2006). Los parámetros analizados fueron:

- Para la cosecha de 2015: Humedad, Extracto fino, Proteínas totales, Proteínas

solubles, Índice de Kolbach, Friabilidad, Viscosidad, FAN, contenido de β-

glucanos, y Color.

- Para las cosechas de 2016 y 2017: Humedad, Extracto fino, Proteínas totales,

Proteínas solubles, Índice de Kolbach, Friabilidad, Viscosidad, y contenido de

β-glucanos.

a b


117


4.3.1. Parámetros de calidad del grano de cebada

Durante los tres años y en todos los tratamientos se superó el mínimo exigido de que más

del 90% de los granos cosechados tuviesen un calibre superior a 2,5 mm (Tabla 4.1). En

los años 2015 y 2017 se obtuvo el mayor porcentaje de calibre de granos de Fracción II,

con más del 96,5% en todos los tratamientos, mientras que en 2016 osciló entre el 90 y

92%. Estos resultados son similares a los obtenidos por Martínez-Romero et al. (2017)

con la variedad “Scarlett” en Castilla-La Mancha (90-96%), y superiores a los observados

por Pržulj et al. (2014) en Serbia con ocho variedades malteras (79-91%) o por Pettersson

y Eckersten (2007) para dos variedades malteras bajo diferentes dosis de fertilización

nitrogenada en Suecia (82-91%). Por otra parte, los porcentajes logrados fueron muy

superiores a los alcanzados por Högy et al. (2013) en Alemania con la variedad “Quench”

(73-81%) o Marconi et al. (2011) en Italia con seis variedades distintas (47-84%).

Tabla 4.1. Distribución por calibres de todos los tratamientos en los tres años de ensayo.

ETa/ETm

global

(adimensional)

Fracción I

(>2,8 mm)

(%)

Fracción II

(>2,5 mm)

(%)

Fracción III

(2,2-2,5 mm)

(%)

Fracción IV

(<2,2 mm)

(%) Año Tratamiento

2015

SD 1,00 82,18bc 97,75ab 1,55a 0,42a

T100 0,94 76,98d 96,99ab 2,18b 0,66a

T90 0,87 87,97a 97,71ab 1,24a 0,64a

T80 0,82 86,57ab 97,97a 1,31a 0,44a

T70 0,76 81,54c 96,80b 1,78ab 0,50a

p valor * * * ns

2016

SD 0,96 72,48a 91,62a 6,10a 2,28a

T100 0,84 67,04a 90,42a 7,16a 2,42a

T90 0,83 71,63a 91,53a 6,65a 1,82a

T80 0,78 70,48a 91,38a 6,32a 2,30a

T70 0,73 70,92a 91,78a 6,08a 2,14a

p valor ns ns ns ns

2017

SD 1,00 88,85a 97,50a 2,05a 0,40a

T100 0,85 79,97b 97,07a 2,50a 0,40a

T90 0,81 89,73a 97,15a 2,45a 0,43a

T80 0,77 89,58a 97,23a 2,30a 0,48a

T70 0,71 86,63a 97,23a 2,18a 0,40a

p valor * ns ns ns

ETa: evapotranspiración real. ETm: evapotranspiración máxima. ns: no significativo; *: Significancia (p

<0,05). Test de Duncan.

Intraanualmente y por fracciones analizadas, 2015 fue el que más diferencias

significativas registró entre tratamientos (Tabla 4.1), no apreciándose ninguna en 2016 y

solo en la Fracción I en 2017. En este sentido el T100 fue el peor en cuanto a la

distribución de calibres en todas las campañas, poniéndose de manifiesto sobre todo en el


118

porcentaje de calibres englobados en la Fracción I. Este resultado puede justificarse por

el estrés incontrolado sufrido por este tratamiento durante la última etapa de desarrollo,

al terminarse el agua de riego disponible. Durante la pre-antesis se define el número de

granos (Fischer, 1985; Savin y Slafer, 1991; Giunta et al., 1993; Ugarte et al., 2007;

Cossani et al., 2009) actuando el estrés hídrico como reductor del número final de éstos

(Albrizio et al., 2010). El tratamiento T100, a diferencia de los tratamientos optimizados,

no sufrió ningún tipo de estrés hídrico hasta el periodo de llenado del grano en ninguna

de las tres campañas, por lo que el número de granos por m2 fue superior. Además, el

agua se agotó sufriendo el cultivo un fuerte estrés hídrico durante esta última etapa,

viéndose penalizados los calibres, ya que un estrés hídrico severo durante el llenado del

grano afecta negativamente al peso final del grano y a su tamaño (Oweis et al., 2000;

Acevedo et al., 2002).

Interanualmente, las campañas 2015 y 2017 obtuvieron una distribución de calibres muy

similar, no habiendo prácticamente diferencias entre tratamientos pese a que las ETa/ETm

globales fueron distintas y cubrieron un amplio rango de valores (desde 0,71 a 1,00). Sin

embargo, los valores obtenidos durante la campaña 2016 fueron claramente peores en

todas las fracciones.

En 2016, el abonado nitrogenado aplicado fue significativamente superior comparado con

los otros dos años y, además, durante el periodo de llenado del grano, todos los

tratamientos estuvieron sometidos a un estrés hídrico severo por una avería en el sistema

de bombeo. En este aspecto Grashoff y d’Antuono (1997) observaron en Holanda, con la

variedad maltera “Prisma”, que cuanto mayor era la fertilización nitrogenada, más

aumentaba el número de granos por m2 reduciéndose el peso y calibre de éstos. Del mismo

modo Qi et al. (2006) en China, para las variedades malteras “Logan” y “Thompson” y

Albrizio et al. (2010), para la variedad “Ponente” en Italia, advirtieron el mismo

comportamiento. Por otro lado, el estrés hídrico desde la antesis hasta la madurez acelera

la senescencia foliar, reduce la duración y la tasa de llenado del grano, disminuye el

tiempo de translocación de las reservas de carbohidratos al grano (Oweis et al., 2000) y

reduce el peso medio y el tamaño del grano (Acevedo et al., 2002). Debido a la

distribución del agua de riego disponible en los tratamientos T100, y en concordancia con

lo observado por los autores anteriormente mencionados, la peor distribución de calibres

de este tratamiento con respecto al resto en todas las campañas queda justificada. Del

mismo modo, que durante la campaña 2016 la proporción de granos de Fracción I y II


119

fuese menor, y mayor de Fracción III y IV con respecto a las otras dos campañas, también

queda justificada por la elevada fertilización nitrogenada.

La Fracción I (>2,8 mm), aunque no se establece un valor mínimo para ella, está

considerada como la más interesante para la industria maltera, ya que los granos, al ser

más grandes, suelen tener mayor contenido en almidón y, por tanto, producen un mayor

rendimiento de extracto. Högy et al. (2013) documentaron porcentajes del 32-33% para

esta fracción. Sin embargo, los valores obtenidos en este ensayo fueron muy superiores,

oscilando entre el 77-90% en los años 2015 y 2017, y el 67 y 72% en 2016. Los

tratamientos optimizados, pese a tener un volumen de agua de riego limitado y ser éste

muy inferior a las necesidades de riego del cultivo, han alcanzado unos valores excelentes,

obteniendo en muchas ocasiones valores superiores al tratamiento sin déficit (SD). En

2015, los tratamientos T90 y T80 obtuvieron los mejores porcentajes de granos de

Fracción I (Tabla 4.1), seguidos del SD (con diferencias significativas con respecto al

T90), del T70 y finalizando en el T100. No se distinguieron diferencias estadísticamente

significativas entre el SD y el T70 (más restrictivo), si apareciendo entre el T100 y el

resto pese a disponer de más agua de riego que los tratamientos ORDI. En 2016, no

aparecieron diferencias significativas entre ningún tratamiento debido a la variabilidad de

las muestras, pero se observó que los tratamientos SD y optimizados tuvieron un valor

medio de porcentaje superior al T100 por los motivos antes expuestos. En 2017 se repitió

exactamente la dinámica de 2015, salvo que sólo se advirtieron diferencias significativas

entre el tratamiento T100 y el resto de tratamientos. Durante esta campaña, el T100 se vio

afectado negativamente, además de por lo citado anteriormente, por las altas temperaturas

durante el llenado del grano (Oweis et al., 2000; Acevedo et al., 2002; Högy et al., 2013;

García et al., 2016).

La Fracción II engloba a la Fracción I, y es la que limita en las malterías que un lote de

cebada sea aceptado o no. Todos los tratamientos en todos los años cumplieron los

objetivos mínimos requeridos por la industria. En 2015 los valores medios fueron muy

similares, aparecieron diferencias significativas sólo entre el T80 (el mejor) y el T70. En

2016 y 2017 los valores registrados en todos los tratamientos también fueron muy

parecidos, y no se hallaron diferencias significativas entre ningún tratamiento, aunque el

T100 obtuvo los peores resultados medios en ambos años.

Para el resto de Fracciones, el T100 siempre fue el peor en todos los años (salvo para los

calibres englobados en la Fracción IV del año 2017), pero aunque tuvo el mayor


120

porcentaje medio de granos, sólo se distinguieron diferencias estadísticamente

significativas en la Fracción III del año 2015. En ese caso, el T70 se situó tanto en el

grupo del T100 como en el formado por el resto de tratamientos.

Al igual que sucedió con los calibres, durante los tres años y en todos los tratamientos se

cumplieron los requisitos en cuanto a contenido en proteína, ya que éste no superó el

límite del 12% establecido por la maltería (Intermalta, 2015) (Tabla 4.2).

Excepcionalmente, el tratamiento T100 en el año 2017 superó ligeramente el límite con

un valor del 12,05%, aceptando la maltería en cualquier caso el lote, al ser prácticamente

del 12%.

Tabla 4.2. Contenido en proteínas y humedad de todos los tratamientos en los tres años

de ensayo.

Año Tratamiento ETa/ETm global Proteína (%) Humedad (%)

2015

SD 1,00 11,03a 10,08b

T100 0,94 11,19a 9,86ab

T90 0,87 11,62a 10,11b

T80 0,82 11,56a 9,97b

T70 0,76 11,50a 9,64a

p valor ns *

2016

SD 0,96 11,63a 10,40a

T100 0,84 11,94a 10,32a

T90 0,83 11,90a 10,37a

T80 0,78 11,62a 10,38a

T70 0,73 11,85a 10,43a

p valor ns ns

2017

SD 1,00 11,50a 10,57b

T100 0,85 12,05a 10,33a

T90 0,81 11,80a 10,55b

T80 0,77 11,75a 10,43ab

T70 0,71 11,60a 10,43ab

p valor ns *

ETa: evapotranspiración real. ETm: evapotranspiración máxima. ns: no significativo; *: Significancia (p

<0,05). Test de Duncan.

Intraanualmente no se distinguieron diferencias significativas entre ninguno de los

tratamientos en las tres campañas, aunque el tratamiento sin déficit fue el más alejado del

límite máximo en cada una de las tres campañas. Interanualmente, en el año 2015 el

porcentaje de proteína fue el más bajo en cada tratamiento con respecto al resto de años.

Las características climáticas de ese año, que fueron las más adecuadas para el desarrollo

del cultivo tanto por la distribución de las lluvias como por las temperaturas, junto con

los niveles de estrés hídrico alcanzados y la menor cantidad de abono nitrogenado

comparado con las otras campañas, propiciaron esos resultados. Mientras que en 2015, el

T100 fue el segundo tratamiento con menor porcentaje de proteínas, en 2016 y 2017 fue

el de mayor contenido. Esto fue debido a que el temprano agotamiento del agua, provocó


121

estrés hídrico severo, que acompañado de las altas temperaturas registradas en la fase de

llenado del grano, hizo que aumentase el contenido en proteína del grano. Esto coincide

con lo indicado por algunos autores como Morgan y Riggs (1981), Varvel y Severson

(1987), Grant et al. (1991), Weston et al. (1993), Eagles et al. (1995), Savin y Nicolas

(1996) o Birch et al. (1997). Aunque algunos autores como Coles et al. (1991) o Macnicol

et al. (1993) observaron que en las variedades “Triumph” y “Schooner”, el estrés hídrico

que aplicaron reducía el contenido en proteína para un mismo nivel de abonado, muchos

otros obtuvieron lo contrario. De este modo, Wu et al. (2015) detectaron diferencias de

más de cuatro puntos porcentuales en el contenido en proteína a favor de los tratamientos

deficitarios, Martínez-Romero et al. (2017) distinguieron diferencias significativas con el

mismo nivel de abonado para un nivel del estrés del 30%, y Albrizio et al. (2010)

superaron los límites establecidos por las malterías en los tratamientos deficitarios. Al

comparar los tratamientos SD y T100 se ha puesto de manifiesto que, para una misma

cantidad de abonado, el estrés hídrico hace que aumente el porcentaje de proteína (Tabla

4.2). Sin embargo, para el resto de tratamientos, que la metodología ORDI reserve agua

para la última etapa, junto con una disminución del abonado nitrogenado orientado a los

rendimientos esperados, ha compensado el aumento de proteínas debido al estrés hídrico.

De este modo, en las campañas con condiciones climáticas más severas, pese a que los

tratamientos optimizados (T90, T80 y T70) sufrieron un estrés hídrico global mayor y

dispusieron de menor volumen de agua que el T100, tuvieron menor porcentaje medio de

proteína. Que no hayan aparecido diferencias significativas entre ningún tratamiento y

que todos los resultados sean muy parecidos ponen en valor esta metodología.

En cuanto a la humedad, todos los tratamientos en las tres campañas estuvieron por debajo

del límite del 12%. Como se observa en la Tabla 4.2, apenas aparecieron diferencias

significativas, siendo el T100 el que menor porcentaje de humedad presentó, ya que es el

no optimizado y se quedó sin agua antes de terminar el ciclo de cultivo. Los tratamientos

optimizados y el sin déficit presentaron humedades similares, exceptuando el T70 de

2015. El mayor o menor porcentaje de humedad, aunque no haya diferencias

significativas, se debe al volumen y fecha del último riego de cada tratamiento.

El peso de los mil granos y el peso específico (Tabla 4.3) estuvieron en consonancia con

los tamaños observados (Tabla 4.2). Así, en 2016, cuando los calibres fueron menores y

la fertilización nitrogenada mayor, se obtuvieron los menores pesos. A diferencia de los


122

calibres y las proteínas, en estos dos parámetros sí que aparecieron diferencias

significativas, aunque los valores absolutos fueron prácticamente del mismo orden.

Tabla 4.3. Peso de los mil granos y peso específico en los años 2016 y 2017.

Año Tratamiento Peso mil granos (g) Peso específico (kg hL-1)

2016

SD 45,48a 75,26a

T100 44,87ab 74,23a

T90 45,19ab 74,17a

T80 45,03ab 72,56b

T70 42,88b 72,42b

p valor * *

2017

SD 47,72ab 82,87a

T100 46,58b 84,16a

T90 49,22a 84,83a

T80 49,04a 83,11a

T70 47,59ab 82,79a

p valor * ns

ns: no significativo; *: Significancia (p <0,05). Test de Duncan

Pese a la variabilidad de resultados obtenidos en las dos campañas analizadas, los pesos

de los mil granos fueron similares a los obtenidos por González et al. (1999) en 9

variedades ensayadas en Madrid con distintos tratamientos hídricos (27-47 g), por

Albrizio et al. (2010) con la variedad “Ponente” (41-52 g) en Italia, y por Martínez-

Romero et al. (2017) en CLM con la variedad “Scarlett” (38-50 g), pero superiores a los

alcanzados por Yau et al. (2011) en Líbano para cebada que recibió riego de apoyo (39-

42 g) o Paredes et al. (2017) en Portugal con la variedad “Publican” (30-41 g).

En cuanto al peso específico, solo se detectaron diferencias significativas en la campaña

2016, entre T80 y T70, y el resto de tratamientos. Los valores de peso específico

estuvieron dentro del rango obtenido por Oscarsson et al. (1998) para 10 variedades en

Suecia (65-81 kg hL-1), pero fueron superiores a los registrados por Marinaccio et al.

(2015) en Italia bajo distintos abonados nitrogenados en tres variedades distintas (62-70

kg hL-1) o Martínez-Romero et al. (2017) en CLM con estrés hídrico global del 30% (62-

70 kg hL-1).

El estrés hídrico implica menores pesos de los granos y mayor contenido en proteína

(Carter y Stoker, 1985; Katerji et al., 2009; Albrizio et al., 2010), e influye reduciendo el

número de granos por superficie (Oweis et al., 2000; Acevedo et al., 2002). Algunos

autores sostienen que a mayor fertilización nitrogenada mayor número de espigas y de

granos, pero más pequeños y de menor peso, lo que a su vez provoca mayor contenido en

proteína (Grashoff y d’Antuono, 1997; Qi et al., 2006; Pettersson y Eckersten, 2007; Wu

et al., 2015). A tenor de lo observado por esos autores, la distribución de agua obtenida


123

al aplicar la metodología ORDI junto con la planificación de la fertilización nitrogenada

en función del rendimiento esperado, que fue distinta para cada tratamiento, permitió que

no se encuentren diferencias significativas entre el número de espigas por metro cuadrado

y el contenido en proteína. Además, el peso de los granos se ha mantenido prácticamente

invariable entre los tratamientos salvo alguna excepción (Tabla 4.3). Por tanto, las

variaciones en los rendimientos finales de cada tratamiento se han debido principalmente

al número de granos por superficie, tal y como manifiestan Fischer (1985), Savin y Slafer

(1991), Cossani et al. (2009), Albrizio et al. (2010), García et al. (2016) y Paredes et al.

(2017) entre otros.

4.3.2. Parámetros de calidad de la malta y mosto

Los parámetros de calidad de los micromalteos para cada tratamiento se recogen en la

Tabla 4.4.

Tabla 4.4. Parámetros de calidad de la malta y mosto.

Hume-

dad

(%)

Proteínas

solubles

(%)

Proteínas

totales

(%)

Extracto

Fino

(%)

Índice

de

Kolbach

β-

glucanos

(mg L-1)

Friabi-

lidad

(%)

Viscosi-

dad

(cP)

FAN

(mg L-1)

Color

(EBC) Año

Trata-

miento

2015

SD 4,7 4,6 10,2 83,9 45 131 91 1,51 190 3,0

T100 4,9 4,7 11,2 82,9 41 133 90 1,49 185 2,8

T90 4,6 5,7 11,4 80,0 50 86 91 1,46 230 3,3

T80 4,8 5,0 11,1 83,3 45 135 90 1,49 207 3,0

T70 4,8 6,0 11,7 84,3 52 81 94 1,48 254 4,1

2016

SD 5,2 4,2 10,9 81,3 39 97 86 1,48 - -

T100 5,4 4,5 11,3 81,8 40 56 89 1,45 - -

T90 5,4 4,1 11,3 80,8 38 * 89 1,46 - -

T80 5,3 4,1 10,8 81,0 38 138 85 1,50 - -

T70 5,3 4,2 10,9 81,0 39 133 83 1,49 - -

2017

SD 5,8 4,4 11,3 82,3 39 50 92 1,47 - -

T100 5,9 4,4 12,1 81,1 36 61 84 1,49 - -

T90 5,8 4,2 11,7 81,7 36 117 86 1,53 - -

T80 5,9 4,0 11,1 82,0 36 110 82 1,51 - -

T70 5,8 4,2 11,6 81,7 36 71 89 1,49 - -

*No se pudo realizar por falta de muestra al tener que repetir los análisis dos veces por cambio en el software de

micromalteo.

El estrés hídrico manejado mediante ORDI no afectó negativamente a la calidad ya que

todos los parámetros estuvieron englobados dentro de los rangos exigidos por la maltería

en las tres campañas. No se observó ninguna correlación entre los parámetros medidos,

como por ejemplo hicieron Wang et al. (2004), con los β-glucanos y viscosidad, extracto,

índice de Kolbach y poder diastásico. Tampoco entre el estrés hídrico al que fueron

sometidos los tratamientos y algunos parámetros, como si relacionaron Jansen et al.


124

(2013) con los β-glucanos. Estos autores detectaron mayor contenido en β-glucanos en

los tratamientos sometidos a mayor estrés hídrico, hecho que no se observa en función de

los resultados obtenidos. Por el contrario, Coles et al. (1991) y Wu et al. (2015), también

advirtieron una relación entre β-glucanos y estrés hídrico pero, al contrario que Jansen et

al. (2013), estos autores revelaron que los β-glucanos descendían según se incrementaba

el estrés hídrico, tendencia que tampoco se ha percibido en este ensayo, al igual que una

relación positiva entre contenido en proteína del grano y de β-glucanos señalado por

Henry (1985) y Jansen et al. (2013).

Interanualmente sí se observa que, en líneas generales, y al igual que sucedía con los

calibres, 2016 fue el año con los parámetros menos favorables, aunque dentro de las

exigencias de la maltería. Así, parámetros como el extracto fino (mayor cantidad de litros

de cerveza por kg de malta), o friabilidad (facilidad para desagregarse los gránulos de

almidón) tuvieron valores más adecuados en las campañas 2015 y 2017, al igual que el

índice de Kolbach (mayor potencial enzimático) si se compara con 2015, o los β-glucanos

si se hace con 2017. Por otro lado, aunque siendo buenos los valores de viscosidad de

2015 y 2017, los de 2016 fueron ligeramente mejores en algunos casos.

Al comparar los tratamientos optimizados por ORDI con el tratamiento sin déficit, se

obtuvieron valores similares en casi todos los parámetros, mejorando incluso algunos

como Índice de Kolbach (solo en 2015), friabilidad y viscosidad, destacando FAN, donde

los valores obtenidos por los tratamientos optimizados fueron muy superiores a los no

optimizados. En cuanto al color, todos los tratamientos han obtenido un valor inferior a

4,5, no pudiéndose valorar porque depende del tipo de cerveza buscado.

Los parámetros de calidad de malta y mosto obtenidos en este ensayo han sido mejores a

los obtenidos por Nielsen y Munk (2003) en unos ensayos de la EBC con 25 variedades

en Dinamarca (extracto entre 79-83%, Índice de Kolbach entre 32-39%, friabilidad entre

46-84%, viscosidad entre 1,61-1,91 cP y β-glucanos entre 267 y 853 mg L-1), a los

obtenidos por Marconi et al. (2010) con seis variedades en Italia (humedad entre 4,2-

4,8%, extracto entre 78-80%, friabilidad entre 55-78%, viscosidad entre 1,52-1,68 cP,

FAN entre 130-166 mg L-1 y β-glucanos entre 245 y 452 mg L-1), y parecidos o

ligeramente mejores a los obtenidos por Pržulj et al. (2014) en Serbia para ocho

variedades distintas (extracto entre 76 y 80%, Índice de Kolbach entre 33-43%,

viscosidad entre 1,44 y 1,61 cP).


125

4.4. CONCLUSIONES

Los tratamientos optimizados mediante ORDI, pese a disponer menor volumen de agua

de riego que los no deficitarios o los T100, no han mostrado diferencias significativas en

parámetros de calidad del grano. De este modo, los calibres de más de 2,5 mm siempre

han superado el 90% del total de los granos, o el contenido en proteína y porcentaje de

humedad se han hallado por debajo del 12%.

Los parámetros de calidad de la malta y mosto han estado dentro de las exigencias de la

maltería en todos los casos, mejorando los tratamientos optimizados algunos parámetros

como el índice de Kolbach, la friabilidad o la viscosidad con respecto a los tratamientos

sin déficit o T100.

Por lo tanto, la distribución de volúmenes limitados de agua mediante la metodología

ORDI, junto con una planificación de la fertilización nitrogenada en función del

rendimiento previsto al inicio de campaña, ha permitido mantener la calidad maltera de

la cebada en todos los tratamientos y años estudiados con respecto a los tratamientos no

deficitarios.

4.5. BIBLIOGRAFÍA




Abeledo, G.L., Calderini, D.F., y Slafer, G.A., 2008. Nitrogen economy in old and

modern malting barleys. Field Crop. Res., 106, 171–178.




Aman, P., 1986. A note on the content of mixed-linked β-glucans in Swedish barley.

Swedish J. Agric. Res., 16, 73–75.

Aman, P., Graham, H., Tilly, A.C., 1989. Content and solubility of mixed-linked (1→3),

(1→4)-β-D-glucan in barley and oats during kernel development and storage. J.

Cereal Sci., 10, 45– 50.


126

Anker-Nilssen, K., Sahlstrom, S., Knutsen, S.H., Holtekjolen, A.K., Uhlen, A.K., 2008.

Influence of growth temperature on content, viscosity and relative molecular

weight of water-soluble ß-glucans in barley (Hordeum vulgare L.). J. Cereal Sci.,

48, 670-677.

Bathgate, G.N., 1987. Quality requirement for malting. Aspects Appl. Biol., 15, 18–32.

Bertholdsson, N.O., 1998. Selection methods for malting barley consistently low in

protein concentration. Eur. J. Agron., 9, 213–222.

Birch, C.J., Fukai, S., Broad, I.J., 1997. Estimation of responses of yield and GPC of

malting barley to nitrogen fertilizer using plant nitrogen uptake. Aust. J. Agric.

Res., 48, 635–648.

Burger, W.C. y Laberge, D.E., 1985. Malting and brewing quality. In: D.C Rasmussen

(Editor), Barley. Agronomy Monograph 26. American Society of Agronomy,

Madison.




http://www.cerveceros.org/pdf/CE-informe-economico-2017-FINAL.pdf.

Cerveceros de España. (consulta 19/02/2018).

Chafai El Alaoui, A., Simmons, S.R., Crookston, R.K., 1992. Allocation of photo

assimilate by main shoots and non surviving tillers in barley. Crop Sci., 32, 1233–

1237.

Coles, G.D., Jamieson, P.D., Haslemore, R.M., 1991. Effect of moisture stress on malting

quality in Triumph barley. J. Cereal Sci., 14, 161–177.



213.

Eagles, H.A., Bedggood, A.G., Panozzo, J.F., Martin, P.J., 1995. Cultivar and

environmental effects on malting quality in barley. Aust. J. Agric. Res., 46, 831–

844.


127

EBC, 2006. Analytica-EBC. European Brewery Convention. Fachverlag Hans Carl,

Nürnberg.

EBC, 2007. Results Field Trials Harvest 2006. European Brewery Convention,

Zoeterwoude.

Fathi, G., McDonald, G.K., Lance, R.C.M., 1997. Effects of post-anthesis water stress on

the yield and grain protein concentration of barley grown at two levels of

nitrogen. Aust. J. Agric. Res., 48, 67–80.

Fernandez-Figares, I., Marinetto, J., Royo, C., Ramos, J.M., García Del Moral, L.F.,

2000. Amino-acid composition and protein and carbohydrate accumulation in the

grain of triticale grown under terminal water stress simulated by a senescing

agent. J. Cereal Sci., 32, 249-258.



Fox, G.P., Panozzo, J.F., Li, C.D., Lance, R.C.M., Inkerman, P.A., Henry, R.J., 2003.

Molecular basis of barley quality. Australian Journal of Agricultural Research, 54,

1081–1101.

García, G.A., Serrago, R.A., Dreccer, M.F., Miralles, D.J., 2016. Post-anthesis warm

nights reduce grain weight in field-grown wheat and barley. Field Crop. Res., 195,

50–59.

Gianinetti, A., Toffoli, F., Cavallero, A., Delogu, G., Stanca, A.M., 2005. Improving

discrimination for malting quality in barley breeding programmes. Field Crop.

Res., 94, 189-200.



33, 399–409.

González, A., Martín, I., Ayerbe, L., 1999. Barley yield in water-stress conditions. The

influence of precocity, osmotic adjustment and stomatal conductance. Field Crop.

Res., 62, 23–34.

Grant, C.A., Gauer, L.E., Gehl, D.T., Bailey, L.D., 1991. Protein production and nitrogen

utilization by barley cultivars in response to nitrogen fertilization under varying

moisture conditions. Can. J. Pl. Sci., 71, 997–1009.


128

Grashoff, C., d’Antuono, L.F., 1997. Effect of shading and nitrogen application on yield,

grain size distribution and concentrations of nitrogen and water soluble

carbohydrates in malting spring barley (Hordeum vulgare L.). Eur. J. Agron., 6,

275–293.

Guerin, J.R., Lance, R.C.M., Wallace, W., 1992. Release and activation of barley β-

amylase by malt endopeptidases. J. Cereal Sci., 15, 5-14.

Güler, M., 2003. Barley grain β-glucan content as affected by nitrogen and irrigation.

Field Crop. Res., 84, 335–340.

He, K., Yoshida, H., Soutome, K., Kajiwara, H., Kpomatsu, S., Hirano, H., 1993.

Relations between seed storage proteins and malting quality in two-rowed barley

Hordeum vulgare L. Japanese Journal of Breeding, 43, 81-89.

Henry, R.J., 1985. A comparative study of the total β-glucan contents of some Australian

barleys. Aust. J. Exp. Agric., 25, 424–427.

Högy, P., Poll, C., Marhan, S., Kandeler, E., Fangmeier, A., 2013. Impacts of temperature

increase and change in precipitation pattern on crop yield and yield quality of

barley. Food Chem., 136, 1470–1477.

Intermalta, 2015. Parámetros de calidad para la elaboración de malta para cerveza.

Informe interno no publicado. Albacete, España.

ISO, 2009. Cereals - Determination of bulk density, called mass per hectolitre - Part 3:

Routine method. ISO 7971-3:2009. Suiza: ISO, 2009.

Jackson, G.D., Berg, R.K., Kushnak, G.D., Blake, T.K., Yarrow, G.I., 1994. Nitrogen

effects on yield, beta-glucan content, and other quality factors of oat and waxy

hulless barley. Commun. Soil Sci. Plant Anal., 25, 3047-3055.

Jansen, G., Schliephake, E., Kopahnke, D., Ordon, F., 2013. Effect of N-fertilization,

fungicide treatment, seed density and abiotic stress factors on the total beta-glucan

content of six-rowed winter barley (Hordeum vulgare L.). J. Appl. Bot. Food

Qual., 86, 180–184.

Katerji, N., Mastrorilli, M., van Hoorn, J.W., Lahmer, F.Z., Hamdy, A., Oweis, T., 2009.

Durum wheat and barley productivity in saline-drought environments. Eur. J.

Agron., 31, 1–9.


129

Lehtonen, M., Aikasalo, R., 1987. β-Glucan in two- and six-rowed barley. Cereal Chem.,

64, 191–192.

Macnicol, P.K., Jacobsen, J.V., Keys, M.M., Stuart, I.M., 1993. Effects of heat and water

stress on malt quality and grain parameters of Schooner barley grown in cabinets.

J. Cereal Sci., 18, 61-68.

MAPAMA, 2017a. Informe semanal de coyuntura.

http://www.mapama.gob.es/es/estadistica/temas/publicaciones/informe-semanal-

coyuntura/. Ministerio de Agricultura y Pesca, Alimentación y Medio Ambiente.

(consulta 20/10/2017).

MAPAMA, 2017b. Anuario de estadística 2015.



Marconi, O., Sileoni, V., Sensidoni, M., Amigo Rubio, J.M., Perretti, G., Fantozzi, P.,

2011. Influence of barley variety, timing of nitrogen fertilisation and sunn pest

infestation on malting and brewing. J. Sci. Food Agric., 91, 820–830.

Marinaccio, F., Reyneri, A., Blandino, M., 2015. Enhancing grain yield and quality of

winter barley through agronomic strategies to prolong canopy greenness. Field

Crop. Res., 170, 109–118.




Manage., 192, 58–70.

Morgan, A.G., Riggs, T.J., 1981. Effects of drought on yield and grain and malt characters

in spring barley. J. Sci. Food Agric., 32, 339–346.

Nielsen, J.P., Munck, L., 2003. Evaluation of malting barley quality using exploratory

data analysis. I. Extraction of information from micro-malting data of spring and

winter barley. J. Cereal Sci., 38, 173–180.

Oscarsson, M., Andersson, R., Åman, P., Olofsson, S., Jonsson, A., 1998. Effects of

cultivar, nitrogen fertilization rate and environment on yield and grain quality of

barley. J. Sci. Food Agric., 78, 359–366.


130



Palmer, G.H., 1989. Cereals in malting and brewing. In: Palmer, G.H. (Ed.), Cereal

Science and Technology. Aberdeen University Press, Aberdeen, pp. 61–242.

Paredes, P., Rodrigues, G.C., Cameira, M. do R., Torres, M.O., Pereira, L.S., 2017.

Assessing yield, water productivity and farm economic returns of malt barley as

influenced by the sowing dates and supplemental irrigation. Agric. Water

Manage., 179, 132–143.

Passarella, V.S., Savin, R., Abeledo, L.G., Slafer G.A., 2003. Malting quality as affected

by barley breeding (1944–1998) in Argentina. Euphytica, 134, 161–167.

Perez-Vendrell, A.M., Brufau, J., Molina-Cano, J.L., Francesch, M., Guasch, J., 1996.

Effects of cultivar and environment on β-(1→3)-(1→4)-D-glucan content and

acid extract viscosity of Spanish barleys. J. Cereal Sci., 23, 285–292.

Pettersson, C.G., Eckersten, H., 2007. Prediction of grain protein in spring malting barley

grown in northern Europe. Eur. J. Agron., 27, 205–214.

Pržulj, N., Momčilović, V., Simić, J., Mirosavljević, M., 2014. Effect of growing season

and variety on quality of spring tworowed barley. Genetika, 46, 59–73.

Qi, J.C., Zhang, G.P., Zhou, M.X., 2006. Protein and hordein content in barley seeds as

affected by nitrogen level and their relationship to beta-amylase activity. J. Cereal

Sci., 43, 102–107.



Savin, R.S., Nicolas, M.E., 1996. Effects of short periods of drought and high temperature

on grain growth and starch accumulation of two malting barley cultivars. Aust. J.

Pl. Physiol., 23, 201–210.

Savin, R., Molina-Cano, J.L., 2002. Changes in malting quality and its determinants in

response to abiotic stresses. In: Slafer, G.A., Molina-Cano, J.L., Savin, R., Araus

J.L., Romagosa, I. (eds), Barley science- recent advances from molecular biology

to agronomy of yield and quality, Food Products Press, New York, pp. 523-550.


131

Smith, D.B., 1990. Barley seed protein and its effects on malting and brewing quality. Pl.

Varieties Seeds, 3, 63–80.

Stuart, I.M., Loi, L., Fincher, G.B., 1988. Varietal and environmental variations in (1→3),

(1→4)-β-D-glucan levels and (1→3), (1→4)-β-D-glucanase potential in barley,

relationships to malting quality. J. Cereal Sci., 7, 61–71.



Crop. Res., 100, 240–248.

Varvel, G.E., Severson, R.K., 1987. Evaluation of cultivar and nitrogen management’s

options for malting barley. Agron. J., 79, 459–463.

Váňová, M., Palík, S., Hajšlová, J., Burešová, I., 2006. Grain quality and yield of spring

barley in field trials under variable growing conditions. Plant Soil Env., 52, 211–

219.

Wang, J., Zhang, G., Chen, J., Wu, F., 2004. The changes of  β-glucan content and β-

glucanase activity in barley before and after malting and their relationships to malt

qualities. Food Chem., 86, 223–228.

Weston, D.T., Horsley, R., Schwarz, P.B., Goos, R.J., 1993. Nitrogen and planting date

effects on low-protein spring barley. Agron. J., 85, 1170–1174.

Wu, X.J., Chen, X., Zeng, F.R., Zhang, G.P., 2015. The genotypic difference in the effect

of water stress after anthesis on the malt quality parameters in barley. J. Cereal

Sci., 65, 209–214.



Manage., 98, 1776–1781.

Zhang, G., Chen, J., Wang, J., Ding, S., 2001. Cultivar and Environmental Effects on

(1→3,1→4)β-D-Glucan and Protein Content in Malting Barley. J. Cereal Sci., 34,

295–301.

Capítulo 5. Efecto de la

metodología ORDI sobre la

respuesta fisiológica de la

cebada

Capítulo 5 Efecto de la metodología ORDI sobre la respuesta fisiológica de la cebada

135

5.1. INTRODUCCIÓN

Uno de los principales factores ambientales que limita la producción agrícola es la sequía

(Cattivelli et al., 2008). La selección de especies y variedades de cultivos que consigan

una mayor eficiencia en el uso del agua (EUA) puede ayudar a garantizar el

abastecimiento mundial de alimentos y conseguir que la agricultura sea una actividad

sostenible a largo plazo. La EUA ha sido definida desde distintos puntos de vista

(Ceulemans et al., 1980; Kumar et al., 2007; Egea et al., 2011; Badr et al., 2012; Motzo

et al., 2013), estableciéndose normalmente como la relación entre el rendimiento de los

cultivos y la cantidad de agua utilizada y, también, como la relación entre la fotosíntesis

y la transpiración del cultivo (Blum, 2009; Li et al., 2017).

El momento del riego se puede establecer mediante balances teóricos, medidas directas

(lisimetría) o indirectas (sensores de capacitancia) del contenido de agua en el suelo, o

mediante medidas del potencial mátrico en el suelo (Benli y Kodal, 2006; López-Urrea et

al., 2009; 2012), aunque lo más preciso sería determinarlo en función del estado de la

planta. Por ello, algunos autores proponen el uso de descriptores fisiológicos del estado

hídrico de la planta para determinar con mayor precisión el momento óptimo del riego

(Medici et al., 2014).

El agua juega un papel crucial en los procesos fisiológicos de la planta, tales como el

mantenimiento de la presión de turgencia, y el transporte de nutrientes y minerales con la

transpiración. Durante este último proceso, más del 90% del agua tomada del suelo se

pierde por los estomas, abiertos durante el proceso de fotosíntesis para la absorción de

CO2 (Larcher, 2003). En consecuencia, en la fijación de CO2 atmosférico se produce la

transpiración de una elevada cantidad de agua.

Cuando la planta está sometida a estrés por déficit hídrico, el normal funcionamiento de

muchos procesos fisiológicos, tales como la abertura de los estomas, la conductancia

estomática, la síntesis de proteínas, la fotosíntesis, y la actividad enzimática y hormonal,

se pueden ver afectados. Entre todos ellos, presentan especial relevancia los relacionados

con el intercambio de gases (vapor de agua y CO2), ya que influyen directamente en el

crecimiento de la planta. La intensidad de este efecto sobre las actividades fisiológicas de

la planta depende directamente del momento de desarrollo del ciclo fenológico en el que

se encuentre el cultivo (Hsiao, 1973). Cada especie vegetal genera una respuesta

morfológica y fisiológica diferente a este tipo de estrés, cuyo objetivo es limitar sus

efectos sobre las funciones de la planta. Estas estrategias de adaptación y tolerancia


136

pueden ser detectadas incluso visualmente y ambos mecanismos proporcionan la

capacidad de mantener las funciones vitales y sobrevivir durante un periodo más

prolongado en condiciones adversas (Levitt, 1980).

Para la determinación de los niveles de estrés en el cultivo hay que considerar factores

tanto internos como externos a la planta. La correcta interpretación de la respuesta del

cultivo a las condiciones de estrés a las que está sometido precisa conocer el valor de

ciertas variables ambientales (radiación solar, temperaturas, viento, etc.), de las

características del suelo (tipo del suelo, profundidad, textura, fertilidad, salinidad, etc.) y

los valores de algunas variables fisiológicas de la planta (características de crecimiento,

conductancia estomática, fotosíntesis, etc.) (Chen et al., 2010; Egea et al., 2011; Forey et

al., 2016; Gerhards et al., 2016; Gleason et al., 2016). La relación de todos estos

parámetros permite completar el ciclo suelo-planta-atmósfera, pudiendo ajustar el riego

en condiciones de restricción hídrica, al determinar los momentos óptimos de aplicación

de déficit, para reducir las pérdidas de rendimiento y elevar la EUA.

Analizar el crecimiento y el desarrollo de los cultivos permite determinar la influencia de

las condiciones climáticas y de otros factores ambientales sobre los procesos fisiológicos

que son determinantes para la obtención de un buen rendimiento agrícola, posibilitando

generar un aumento en el mismo (Botella et al., 1997). El incremento del peso seco de la

planta es resultado de la actividad fotosintética neta del aparato asimilador (cubierta

vegetal) y del crecimiento vegetativo de los demás órganos. La toma de datos primarios

de materia seca y superficie foliar a lo largo del ciclo, permite representar el desarrollo

del cultivo durante todo el ciclo biológico o agronómico, observando así la influencia de

las variables fácilmente cuantificables (riego, precipitaciones, temperaturas, etc.) y

posibles modificaciones ambientales (Losavio et al., 1985; Swank et al., 1987; Fabeiro et

al., 1995; Botella et al. 1997; Pereira, 2006).

La conductancia estomática (gs) mide el intercambio de vapor de agua y dióxido de

carbono entre las hojas y la atmósfera, por lo tanto, permite determinar la cantidad y la

eficiencia con la que se utiliza el agua y la productividad de los cultivos (Fisher et al.,

1998; Condon et al., 2002). Su respuesta depende de las variaciones del déficit de presión

de vapor (DPV), de la concentración de CO2 atmosférico, de la temperatura de la hoja (T)

y del nivel de luz (Q) (Sellers et al., 1997; Katul et al., 2012). Asimismo, está relacionada

con la pérdida de agua por transpiración en la hoja, afectando a la asimilación fotosintética

y, consecuentemente, al rendimiento del cultivo. El impacto de la conductancia


137

estomática en la transpiración y en la asimilación de CO2 y, por lo tanto, en el uso de la

radiación y de la eficiencia del uso del agua, se puede analizar en la hoja o en la planta

completa. Para la obtención de los valores de gs se utiliza un aparato conocido como

porómetro, el cual determina la conductividad estomática de las hojas mediante medidas

de la presión de vapor y del flujo de vapor sobre la superficie de la hoja (Pask et al., 2013).

La fotosíntesis es un proceso mediante el cual las plantas producen sustancias orgánicas

a partir de dióxido de carbono y agua en presencia de clorofila (captadora de la energía

solar) (Taiz y Zeiger, 2002). El aparato fotosintético se desarrolla gradualmente durante

la expansión de la hoja, mientras que la capacidad fotosintética tiende a aumentar

rápidamente a lo largo del ciclo del cultivo (Sesták, 1985). En general, la mejora en la

capacidad fotosintética está estrechamente asociada con la estructura de la hoja durante

el desarrollo foliar. La reducción de la actividad fotosintética en la cebada está

relacionada con la disminución de la asimilación de carbono atmosférico, indicando que

las plantas están sufriendo algún tipo de estrés. En general, la disponibilidad de menor

CO2 debido al cierre de estomas bajo estrés hídrico leve, disminuye la fotosíntesis

(Mansfield y Davies, 1985). Además, la regulación estomática responde a una interacción

compleja de factores internos y externos (Brodribb y Holbrook, 2003; Lazaridou y

Noitsakis, 2005), por lo que la gran reducción causada en las tasas de fotosíntesis bajo el

estrés hídrico se debe no solo a la limitación estomática sino también al deterioro

metabólico que se deduce del descenso en la eficiencia fotoquímica (Robredo, 2011).

Cuando el déficit hídrico es intenso o prolongado en el tiempo, la reducción de la

fotosíntesis se debe a mecanismos "no estomáticos" de intercambio de gases relacionados

con el daño de las células del mesófilo, membranas y cloroplastos, viéndose afectados la

asimilación y el transporte de nutrientes (Keutgen et al., 1997). Se ha informado que el

estrés por sequía daña la membrana del tilacoidal, altera su función y, en última instancia,

disminuye la fotosíntesis y el rendimiento del cultivo (Huseynova et al., 2007).

Actualmente, tanto para fines comerciales como de investigación, la medición del

intercambio de gases es la técnica más utilizada para medir la fotosíntesis en hojas

individuales y plantas completas. Las mediciones de intercambio gaseoso proporcionan

una medida directa de la tasa neta de asimilación de carbono fotosintético y además tienen

la ventaja de ser instantáneas, no destructivas y directas. El conocimiento de los

mecanismos fisiológicos relacionados con la fotosíntesis en respuesta al estrés hídrico,

puede permitir establecer estrategias de RD que influyan en los procesos de adaptación a


138

la sequía en las plantas (Loka et al., 2011), aumentando la EUA en condiciones de agua

limitada.

La recuperación de la fotosíntesis tras un riego es otro descriptor fisiológico que se ha

propuesto para controlar la demanda de agua de las plantas, pues una vez conocido el

potencial fotosintético del cultivo, se pueden establecer valores óptimos de fotosíntesis

neta, utilizando el aporte de agua de riego para lograr alcanzar los niveles deseados

(Flexas et al., 2004; 2006; 2012). Sin embargo, la recuperación está condicionada por

factores como el momento, la duración y la intensidad de la restricción de agua, antes de

la rehidratación de la planta (Xu et al., 2010).

El objetivo principal de este capítulo es analizar la respuesta fisiológica de la cebada al

estrés por déficit hídrico aplicando la metodología ORDI. Para lograrlo se han propuesto

los siguientes objetivos parciales:

3. Analizar el efecto de la metodología ORDI sobre la evolución de la biomasa

y del área foliar.

4. Analizar el efecto de la metodología ORDI sobre la conductancia estomática

y la capacidad fotosintética a lo largo del ciclo de desarrollo del cultivo.

5.2. MATERIAL Y MÉTODOS

5.2.1 Descripción del ensayo

Para analizar la respuesta fisiológica del cultivo de la cebada se propusieron 5

tratamientos de riego: Sin déficit (SD), 100% (T100), 90% (T90), 80% (T80), y 70%

(T70) de las necesidades típicas del cultivo bajo las condiciones climáticas de Albacete.

Las dimensiones y distribución de las parcelas de cada repetición de los distintos

tratamientos están recogidas en el Capítulo 3 y se muestra a modo de recordatorio en la

Figura 5.1.

Las mediciones de los parámetros fisiológicos (fotosíntesis, conductancia estomática), se

realizaron en condiciones estándar: en días claros y sin nubes (Chen et al., 2010); por las

mañanas, entre las 8:00 y 12:00 a.m.; y preferentemente con temperaturas entre 15 y 25°C

(Bondada y Syvertsen, 2005; Bing-Jie et al., 2014). Las mediciones se realizaron en la

última hoja bien desarrollada y completamente expandida que no presentase

deformidades o enfermedades.


139

Figura 5.1. Esquema de la distribución de las parcelas (P).

Se registraron datos de dos parcelas de cada tratamiento, alternándose en cada medición,

midiendo en dos plantas representativas de la zona central de muestreo de cada parcela.

La conductancia estomática se midió, con una frecuencia de entre 7 y 14 días, en función

de que se diesen las condiciones propicias indicadas anteriormente para su medida. Las

lecturas de la fotosíntesis se realizaron para cada tratamiento cuando se esperaba que se

diesen condiciones de estrés y en los cambios de etapa fenológica.

Además de los análisis fisiológicos, se tomaron muestras de material vegetal con una

periodicidad de 15 días, y de ellas se obtuvieron la evolución de la biomasa y del índice

de área foliar. Estos datos permitieron comprobar si los niveles de déficit hídrico

aplicados repercuten en una disminución de la actividad fotosintética y, por tanto, en el

desarrollo y crecimiento del cultivo.

5.2.2. Análisis del desarrollo vegetativo

En dos parcelas de cada tratamiento (Figura 5.1) se recogieron muestras cada 15 días, de

0,25 m2 de superficie (0,5 m x 0,5 m) representativas de cada parcela, ubicadas en la zona

central de las mismas.

En las campañas 2015 y 2016, los muestreos comenzaron a partir del establecimiento del

cultivo, después de aparecer la 4ª hoja aproximadamente. Esto sucedió el 16 de marzo en

2015, correspondiendo al día 63 después de la siembra (DDS) y el día 17 de marzo, 64

DDS en 2016. En 2017 el primer muestreo tuvo lugar el 31 de marzo, 77 DDS, con el

cultivo en estadio 4 hojas, pero más desarrollado que en las otras dos campañas. El último

muestreo fue realizado entre 7 y 15 días antes de la finalización del ciclo de cultivo,

correspondiendo al día 2 de junio en 2015 (141 DDS), al 1 de junio en 2016 (140 DDS)

y al 8 de junio en 2017 (146 DDS).

TRATAMIENTO SIN DÉFICIT

TRATAMIENTO T100

TRATAMIENTO T90

TRATAMIENTO T80

TRATAMIENTO T70

BORDE DE PROTECCIÓN

BORDE

BORDE

P 10 P 11 P 12 P 13 P 14 P 15P 0 P 5P 1 P 2 P 3 P 4 P 16 P 17P 6 P 7 P 8 P 9

WATERMARK

PR2

LISÍMETRO


140

En cada muestreo se midió in situ la altura de las plantas y la profundidad de las raíces

(Figura 5.2a) y, en el laboratorio, la longitud total de la planta (del extremo de la última

hoja hasta el punto de inserción de las raíces) y la masa fresca de las plantas. La materia

seca (MS) de las muestras se calculó tras el secado de las mismas en una estufa de

ventilación forzada a 70ºC hasta alcanzar peso constante (Figura 5.2b). En los muestreos

de cosecha, además, se midió el calibre de los granos, se pesó la masa de mil granos, se

determinó el peso específico, y se contó el número de espigas.

Figura 5.2. Recogida de datos para el seguimiento de crecimiento del cultivo: a)

profundidad de las raíces en campo; b) secado de las muestras.

Para analizar la evolución de la biomasa total y del índice de área foliar fue utilizado el

método funcional o dinámico, que permite la descripción del crecimiento como un

proceso continuo, ajustando los datos obtenidos en campo a un modelo matemático que

represente la evolución de los parámetros de crecimiento en el tiempo (Castrignano et al.,

1987). La evolución de la materia seca total (MST) se ajustó a un modelo del tipo

sigmoidal de Gompertz (Winsor, 1932). Este modelo fue escogido debido a su buen ajuste

a los datos de campo obtenidos, habiéndose utilizado en diversos cultivos, tales como la

patata, tomate, cebolla, maíz y cebada (Arazi et al., 1993; Koning, 1994; Mills, 2002,

Fleisher et al. 2008; Martínez-Romero et al., 2017), donde la variable dependiente es la

MST y la variable independiente es la duración del periodo en días. El índice de área

foliar (IAF) está relacionado con la capacidad del cultivo para interceptar la radiación

solar y realizar la fotosíntesis. Este índice se calculó a partir de la superficie foliar

fotosintéticamente activa (AF) obtenida con un medidor de área foliar modelo “LI-3000”

de “LI-COR” (Figura 5.3).

La evolución de IAF se representó mediante una función del tipo Peak, utilizando el

modelo de Gaussian de tres parámetros. Esta función ha sido comúnmente utilizada para

representar la evolución del IAF en diversos cultivos tales como la soja, la caña de azúcar,

a b


141

el girasol, la patata, el maíz, la cebolla o la cebada, logrando buenos ajustes para este

índice en relación a los datos observados en campo (Teruel et al., 1997; Botella et al.,

1997; Grimm et al., 2007; Hao et al., 2016; Martínez-Romero et al., 2017).

𝐼𝐴𝐹 =𝐴𝐹

𝑆

(5.1)

donde IAF es el índice de área foliar m2 m-2, AF es el área foliar por planta m2 y S es la superficie ocupada

por planta en m².

Figura 5.3. Medidor de área foliar LI-3000.

La relación entre el tejido fotosintéticamente activo y el total de tejido respiratorio es dada

por el índice de relación del área foliar (RAF), que deriva de las curvas que representan

la evolución de la materia seca total (MST) y del IAF. Este índice muestra la integración

de los efectos de la translocación de los fotoasimilados a las hojas y su proporción entre

el área foliar y el peso total de la planta. El descenso del RAF indica que una menor

cantidad de fotoasimilados ha sido destinada para la producción de área foliar, o sea, la

eficiencia fotosintética de la estructura asimiladora que era utilizada para el desarrollo de

las hojas y parte aérea de la planta da lugar al incremento de la materia seca total de la

planta, principalmente en los granos. El descenso del índice continúa hasta valores muy

cercanos a cero, coincidiendo con la senescencia del aparato foliar y la acumulación

máxima de biomasa en los granos (Scott y Batchelor, 1979) (Ec. 5.2).

𝑅𝐴𝐹 =𝐼𝐴𝐹

𝑀𝑆𝑇

(5.2)

donde RAF es la relación de área foliar (cm2 g-1), IAF es el índice de área foliar (cm2) (área foliar por cm2

de suelo), y MST es la materia seca total (g).


142

5.2.3. Análisis de conductancia estomática

Para la obtención de los valores de gs se han utilizado dos tipos de porómetros. El primero

fue el “AP4” de “Delta-T” (Figura 5.4a) que permite medir entre 5 y 1.200 mmol m² s-1,

es del tipo que realiza las mediciones utilizando la técnica de difusión dinámica. Mediante

esta técnica se mide la conductividad estomática de las hojas a través de lecturas de la

presión de vapor y el flujo de vapor sobre la superficie de la hoja. La pinza del porómetro,

que incorpora una cámara con un recorrido de difusión de aire conocido, se fija a la

superficie de las hojas. A continuación comienza a medir la presión de vapor entre dos

puntos de esta trayectoria, lo que permite calcular el flujo y el gradiente con las medidas

de presión de vapor y conductancia de difusión conocida (Pask et al., 2013). El segundo,

que se utilizó en las campañas 2016 y 2017, fue el modelo “Leaf Porometer SC-1” de la

marca “Decagon Devices”, más moderno y con un rango de medida de 0 a 1.000 mmol

m² s-1, que utiliza la técnica del estado estacionario y se calibra automáticamente después

de cada toma de datos (Pask et al., 2013, Decagon Devices, 2017) (Figura 5.4b).

Figura 5.4. Porómetros utilizados en el ensayo de riego deficitario: a) AP4 de Delta T;

b) SC-1 Leaf porometer de Decagon Devices.

a b


143

5.2.4. Análisis de la fotosíntesis neta

Para analizar la actividad fotosintética se recurrió a un analizador de gas infrarrojo

(IRGA) (Figura 5.5). Los IRGA miden la reducción en la transmisión de las ondas de

radiación infrarroja entre una fuente de radiación y un detector provocada por la presencia

de CO2. Esta reducción de transmisión es función de la concentración de CO2, por lo que

permiten medir la concentración de moléculas de CO2 por unidad de volumen de aire

(LICOR, 2017). Se utilizó un sistema portátil de medición fotosintética modelo “LI-

6400XT” fabricado por “LI-COR Bioscience”, el cual es utilizado con frecuencia para

medir la concentración de gas a nivel tanto de hojas como de copas (Figura 5.5). Los

parámetros fijados en la cámara foliar para la toma de datos fueron determinados de

acuerdo con las características de la zona de ensayo y conforme a otros trabajos (Sugiura

y Tateno, 2014; Wu et al., 2014; Ramírez et al., 2016) como la temperatura del aire y del

bloque (25 ± 0,5°C) y el flujo del aire (650 μmol s- 1). Los valores medios durante las

medidas fueron de 390 μmol mol-1 para la concentración atmosférica de CO2, y 1.500

μmol m-2 s-1 de densidad de flujo de fotones fotosintéticos. La cámara de contacto con las

hojas tenía un área de 6 cm² (cámara estándar del aparato). Como las mediciones se

hicieron en la parte central de hojas, el tamaño de éstas nunca cubría completamente la

superficie de la cámara, por lo que se midió la superficie real de hoja que ocupaba el

interior de la cámara para después corregir los registros mediante un software facilitado

por el fabricante.

Figura 5.5. Medición de fotosíntesis neta utilizando el LI-6400XT.


144


5.3.1. Efecto del riego deficitario controlado optimizado por etapas en la evolución

de la biomasa

En base a las condiciones climáticas reales de cada año y de los objetivos de ETa/ETm de

cada tratamiento, el comienzo de las campañas de riego se estableció en los días 85 DDS

(7 de abril) en 2015, 23 DDS (5 de febrero) en 2016 y el 75 DDS (29 de marzo) en 2017

(Figura 3.11). En consecuencia, hasta ese momento, todos los tratamientos se

desarrollaron de manera similar. La evolución de la biomasa seca total a lo largo del ciclo

se ajustó, para los tres años de ensayo, a un modelo de regresión no-lineal del tipo

Gompertz. Las variables independientes del modelo de Gompertz son altamente

significativas en todos los casos, y los coeficientes de determinación R2 superan el 89%

(Tabla 5.1).

Tabla 5.1. Coeficientes de los modelos de la evolución de biomasa generados para cada

tratamiento a partir de la ecuación de Gompertz en los años 2015, 2016 y 2017.

2015

Coeficientes

TRATAMIENTOS

SD T100 T90 T80 T70

a 1.909,016 1.763,142 1.646,161 1.539,123 1.434,142

b 16,634 14,654 16,010 16,549 16,622

x0 98,867 97,334 96,499 95,959 94,958

R2 0,952 0,915 0,922 0,930 0,908

Error estándar 179,311 229,763 202,163 176,228 190,789 2016

Coeficientes

TRATAMIENTOS

SD T100 T90 T80 T70

a 1.590,245 1.298,200 1.249,707 1.224,132 1.045,488

b 22,042 16,231 18,754 20,352 18,337

x0 92,685 89,076 90,445 90,281 87,127

R2 0,955 0,955 0,930 0,930 0,894

Error estándar 134,494 118,089 138,298 133,482 146,420

2017

Coeficientes

TRATAMIENTOS

SD T100 T90 T80 T70

a 2.210,981 1.797,285 1.737,774 1.696,514 1.442,151

b 30,188 24,082 24,078 22,254 19,844

x0 100,963 94,490 95,149 94,830 90,941

R2 0,982 0,982 0,973 0,949 0,904

Error estándar 103,737 92,943 112,276 155,059 190,271

Ecuación de Gompertz: f = a*exp(-exp(-(x-x0)/b))

La evolución temporal de la biomasa acumulada fue similar en las tres campañas y en

todos los tratamientos, pasando de un periodo de crecimiento casi nulo durante la etapa

de establecimiento, a otro con un aumento de biomasa exponencial entre la mitad/final de


145

la etapa Ky (i’’), y comienzo de Ky (iv) (entre el 90 DDS y el 140 DDS), para después ir

reduciéndose la pendiente hasta casi anularla durante el último periodo (llenado del

grano) (Figura 5.6).

Figura 5.6. Evolución de la biomasa seca (modelo de Gompertz) para los años 2015 (a),

2016 (b) y 2017 (c). Donde SD: Tratamiento sin déficit; T100, T90, T80 y T70:

Tratamientos con diferentes niveles de riego.

0

500

1.000

1.500

2.000

2.500

3.000

0

20

40

60

80

100

120

140

160

180

Bio

masa

sec

a (

g m

-2)

Días después de la siembra

SD T100 T90

T80 T70 Ecuación Gompertz SD

Ecuación Gompertz T100 Ecuación Gompertz T90 Ecuación Gompertz T80

Ecuación Gompertz T70

Ky (i’) Ky (i’’) Ky (ii) Ky(iii)

Ky(iv)

cosecha

0

500

1.000

1.500

2.000

2.500

3.000

0

20

40

60

80

100

120

140

160

180

Bio

masa

sec

a (

g m

-2)


SD T100 T90

T80 T70 Ecuación Gompertz SD

Ecuación Gompertz T100 Ecuación Gompertz T90 Ecuación Gompertz T80

Ecuación Gompertz T70

Ky (i’) Ky (i’’) Ky (ii) Ky (iii) Ky(iv)

cosecha

0

500

1.000

1.500

2.000

2.500

3.000

0

20

40

60

80

100

120

140

160

180

Bio

masa

sec

a (

g m

-2)


SD T100 T90T80 T70 Ecuación Gompertz SDEcuación Gompertz T100 Ecuación Gompertz T90 Ecuación Gompertz T80Ecuación Gompertz T70

c Ky (i’) Ky (i’’) Ky (ii) Ky (iii) Ky(iv)

cosecha

b

a


146

En líneas generales, se mantuvo una proporción de mayor a menor biomasa en función

de la cantidad de agua recibida en todas las campañas (Tabla 5.2). Los valores medidos

revelan que el incremento del aporte de agua de riego provoca un mayor acúmulo de

biomasa seca de la cebada, tal y como han puesto de manifiesto estudios similares

realizados en éste y otros cultivos (Jefferies y Marckerron, 1993; Sing et al., 1993; Fabeiro

et al., 2001; Kashyap y Panda, 2003; Fleisher et al., 2008; Nagaz et al., 2008; Cossani et

al., 2009; Albrizio et al., 2010; Yau et al., 2011; Abi Saab et al., 2015; Martínez-Romero

et al., 2017), siendo la biomasa seca total al final del ciclo de los tres tratamientos

optimizados en torno al 58 y el 83% del valor obtenido en el tratamiento SD para los tres

años de ensayo.

Lo valores de biomasa seca total más elevados en las tres campañas los obtuvieron los

tratamientos SD en el muestreo previo a la cosecha, cerca del final del ciclo productivo,

siendo 2.085 g m-2, 1.670 g m-2, y 1.933 g m-2 en 2015, 2016 y 2017 respectivamente

(Tabla 5.2). Estos valores son similares a los obtenidos por Martínez-Romero et al.

(2017) en Castilla-La Mancha con la variedad “Scarlett” (cerca de 2.000 g m-2) o por

Tabarzad et al. (2016) en Irán con una variedad local (1.600-1.800 g m-2), pero superiores

a los observados por Abi Saab et al. (2015) con la variedad “Ponente” en Italia (1.450 g

m-2) o por Wahbi y Sinclair (2005) en Siria con cinco variedades distintas (hasta 1.250 g

m-2). El hecho de que la máxima biomasa se alcance antes de la cosecha para luego verse

reducida ya ha sido constatado por varios autores. De este modo, Petr et al. (2002), Abrha

et al. (2012) y Martínez-Romero et al. (2017) observaron este mismo comportamiento en

cebada y otros cultivos como maíz y cebolla. Otros autores como Cantero-Martínez et al.

(1995) o Tabarzad et al. (2016) documentaron que la máxima biomasa se alcanzaba en

cosecha, aunque los primeros autores distinguieron una caída de biomasa correspondiente

a tallos y hojas desde el muestreo previo a la cosecha hasta la madurez fisiológica.

En las tres campañas, las diferencias significativas de biomasa entre tratamientos se

detectaron en fechas distintas, estando englobadas dentro de la etapa Ky (ii) en las

campañas 2015 y 2016, y en la cosecha en el caso de la campaña 2017, aunque en esa

última ya se detectaron diferencias no significativas entre tratamientos de hasta el 10%

en Ky (ii) (Tabla 5.2).


147

Tabla 5.2. Análisis estadístico de la evolución de la biomasa seca total (g m-2) del cultivo

de cebada durante cada etapa de desarrollo Ky en los años 2015, 2016 y 2017.

2015

Ky (i’’) Ky (ii) Ky (iii) Ky (iv) cosecha

Trat./DDS 63* 73* 88* 102* 114* 127* 141* 170

SD 49,22a 132,76a 401,64a 706,60a 1197,84a 1638,20a 2085,10a 1629,08a

T100 49,22a 132,76a 401,64a 706,60a 1197,84a 1638,20a 2085,10a 1385,88ab

T90 49,22a 132,76a 401,64a 692,72a 1052,04b 1537,86ab 1908,40b 1311,42b

T80 49,22a 132,76a 401,64a 628,18a 1002,02b 1467,36b 1720,22c 1250,25b

T70 49,22a 132,76a 401,64a 606,60a 931,18b 1396,32b 1659,48c 1118,71b

p valor ns ns ns ns ** ** ** **

2016

Ky (i’’) Ky (ii) Ky (iii) cosecha

Trat./DDS 64 85 98 110 126 140 161

SD 93,82a 362,94a 757,06a 978,44a 1155,28a 1670,04a 1391,96a

T100 91,40a 364,68a 712,41b 959,12a 1155,28a 1457,12ab 1117,54b

T90 95,04a 357,46a 586,48c 840,66ab 1088,74ab 1388,92ab 1041,16b

T80 90,40a 354,88a 577,50c 801,14b 1000,62ab 1373,70ab 1013,60b

T70 86,83a 352,30a 568,52c 733,42b 930,18b 1267,34b 808,70c

p valor ns ns ** ** ** ** **

2017

Ky (i’’) Ky (ii) Ky (iii) Ky (iv) cosecha

Trat./DDS 77* 98* 111 129 146 160

SD 271,30a 731,66a 1041,76a 1450,94a 1932,90a 1813,46a

T100 271,30a 731,66a 1023,88a 1487,82a 1686,76a 1583,14b

T90 241,16a 688,56a 1024,16a 1322,36a 1727,18a 1492,34b

T80 241,16a 688,56a 970,12a 1401,96a 1776,56a 1401,69b

T70 241,16a 688,56a 926,38a 1285,76a 1671,24a 1117,14c

p valor ns ns ns ns ns **

Trat.: tratamiento; DDS: días después de siembra; ns: no significativo; *:en el caso de no haber

diferencias en los riegos aplicados a los tratamientos, se tomó una muestra de uno de los tratamientos

como representación de todos, de ahí que aparezcan valores iguales; **:Significancia (p <0,05). Test de

Duncan

En los tres años de ensayo, durante Ky (i’’) comenzó la diferenciación de riegos entre los

tratamientos SD y T100, y los optimizados, ya que los objetivos de ETa/ETm eran distintos

(1 en el caso de los primeros, 0,75 en el caso de los optimizados). Sin embargo, hasta la

etapa Ky (ii), donde los objetivos de ETa/ETm de los no optimizados (SD y T100) seguía

siendo 1, pero en los no optimizados era distinto para cada uno de ellos (Figura 3.10), no

aparecieron diferencias significativas en cuanto a la biomasa seca. De esta manera, en

2015, el volumen de agua de riego aplicado hasta el momento en el que aparecieron las

diferencias significativas en biomasa (114 DDS) fue de 1050,0 m3 ha-1 en los tratamientos

SD y T100, mientras que en el T90 fue de 690,0 m3 ha-1, y en los otros dos de 534 m3 ha-

1. En 2016, los volúmenes de agua de riego acumulados hasta la primera diferenciación

(98 DDS) fueron de 881 m3 ha-1 en los tratamientos SD y T100, y de 580, 550 y 545 m3

ha-1 en los tratamientos T90, T80 y T70 respectivamente. En 2017, aparecen diferencias,


148

aunque no significativas, de aproximadamente un 10% en el 98 DDS, cuando se habían

aplicado 996 m3 ha-1 en SD y T100, y 511,0 m3 ha-1 en T90, T80 y T70.

Analizando los resultados interanualmente, en 2015 se obtuvieron los valores máximos

de biomasa seca acumulada por tratamiento, debido, principalmente, a que se alcanzaron

las ETa/ETm globales más altas, y que se dieron las condiciones climáticas globales más

favorables para el desarrollo del cultivo, observándose como consecuencia de ello, un

crecimiento exponencial más marcado que en las otras dos campañas (Figura 5.6). En

2016, la biomasa seca acumulada fue significativamente menor en comparación a las otras

dos campañas, además el incremento de biomasa seca total acumulada fue el más lento.

Cabe destacar que, proporcionalmente, los tratamientos optimizados se vieron más

afectados. La caída de biomasa total con respecto al tratamiento SD fue ligeramente

mayor al de la campaña 2017, pese a alcanzar ETa/ETm globales similares (27% en el caso

del T80 de 2016, frente a 23% en el T80 de 2017). En ese año, el periodo de

establecimiento fue muy corto debido a las elevadas temperaturas durante la etapa Ky (i’)

(Figura 3.11b). El cultivo adelantó considerablemente el ahijado y encañado, y la

densidad de planta fue menor que en las otras campañas, por esa razón, los tratamientos

no optimizados, en torno al 100 DDS acumulaban la misma biomasa seca que en las otras

dos campañas pese a ir más adelantado. Las condiciones climáticas en el resto de etapas

junto con un estrés severo sufrido por todos los tratamientos durante unos días debido una

avería en el sistema de bombeo, propiciaron un crecimiento más paulatino del cultivo.

Además, el periodo de llenado del grano fue el más corto de las tres campañas, lo cual

puede justificar que la biomasa en esa campaña fuera sensiblemente inferior a las otras

dos. En 2017, los valores máximos de biomasa de todos los tratamientos, salvo el T100 y

T90, fueron muy parecidos a los de 2015 pese a que las ETa/ETm globales fueron menores

ya que la evapotranspiración acumulada del cultivo fue significativamente mayor (Tabla

3.3). Las temperaturas más suaves en 2017 con respecto a 2015 durante las etapas de

formación y llenado del grano permitieron que éstas fuesen más largas, conduciendo a un

mejor desarrollo de los granos, lo que compensó las diferencias de ETa/ETm globales.

Aunque en 2017 el ratio de crecimiento fue parecido al 2015, el temprano agotamiento

del agua del tratamiento T100 debido a la alta demanda evaporativa, junto con los

calendarios propuestos por ORDI para los tratamientos T90 y T80, derivaron en que las

curvas de estos tres tratamientos prácticamente se igualasen, cosa que no ocurrió en las

otras campañas (Figura 5.6).


149


del índice de área foliar (IAF)

Las variables independientes de la ecuación utilizada para modelar el IAF son altamente

significativas en todos los casos, y los coeficientes de determinación R2 superan el 91%

(Tabla 5.3).

Tabla 5.3. Coeficientes de los modelos del índice de área foliar generados para cada

tratamiento a partir de la ecuación de Peak-Gaussian en el año de 2015, 2016 y 2017.

2015

Coeficientes

TRATAMIENTOS

SD T100 T90 T80 T70

a 11,845 11,845 10,419 9,995 9,040

b 19,236 19,236 20,336 19,065 19,864

x0 110,463 110,463 110,494 108,827 108,394

R2 0,993 0,993 0,990 0,957 0,935

Error estándar 0,391 0,391 0,424 0,862 0,975 2016

Coeficientes

TRATAMIENTOS

SD T100 T90 T80 T70

a 8,257 7,497 5,757 5,381 5,112

b 20,361 20,750 23,365 21,649 20,839

x0 103,060 102,295 102,544 99,536 97,518

R2 0,912 0,933 0,988 0,976 0,966

Error estándar 1,044 0,827 0,268 0,353 0,399

2017

Coeficientes

TRATAMIENTOS

SD T100 T90 T80 T70

a 8,109 8,077 7,243 7,315 6,849

b 22,862 23,198 23,081 23,268 23,097

x0 102,006 102,279 101,865 102,510 99,616

R2 0,926 0,916 0,925 0,917 0,952

Error estándar 1,000 1,067 0,902 0,955 0,675

Ecuación Peak-Gaussian: f = a*exp(-0.5*((x-x0)/b)^2)

La evolución temporal del IAF tuvo forma de campana de Gauss en las tres campañas y

en todos los tratamientos (Figura 5.7) El patrón de evolución fue similar al obtenido para

el análisis de biomasa seca, manteniéndose una proporción de mayor a menor IAF en

función del agua recibida en todas las campañas, produciéndose la máxima separación

entre curvas de distintos tratamientos en los periodos próximos al máximo de IAF, para

después igualarse poco a poco según avanzaba la senescencia foliar (Figura 5.7). El IAF

de los tratamientos optimizados, cuando éste era máximo, supuso en torno al 54 y el 88%

del valor del tratamiento SD para los tres años de ensayo.


150

Figura 5.7. Evolución del índice del área foliar (modelo de Peak-Gaussian) para los

años 2015 (a) y 2016 (b). Donde SD: Tratamiento sin déficit; T100, T90, T80 y T70:


0

2

4

6

8

10

12

0

20

40

60

80

100

120

140

160

180

Índ

ice

de

áre

afo

liar

(m2

m-2

)


SD T100T90 T80T70 Ecuación Peak-Gaussian SDEcuación Peak-Gaussian T100 Ecuación Peak-Gaussian T90

Ky (i’) Ky (i’’)

Ky(ii)

Ky(iii)

Ky(iv)

0

2

4

6

8

10

12

0

20

40

60

80

100

120

140

160

180

Índ

ice

de

áre

afo

liar

(m2

m-2

)


SD T100T90 T80T70 Ecuación Peak-Gaussian SDEcuación Peak-Gaussian T100 Ecuación Peak-Gaussian T90

Ky (i’) Ky (i’’) Ky (ii) Ky (iii) Ky(iv)

0

2

4

6

8

10

12

0

20

40

60

80

100

120

140

160

180

Índ

ice

de

áre

afo

liar

(m2

m-2

)

Días después de la siembraSD T100T90 T80T70 Ecuación Peak-Gaussian SDEcuación Peak-Gaussian T100 Ecuación Peak-Gaussian T90Ecuación Peak-Gaussian T80 Ecuación Peak-Gaussian T70

Ky (i’) Ky (i’’) Ky (ii) Ky(iii)

Ky(iv)

b

c

a


151

En los tres años de ensayo, los valores máximos siempre fueron alcanzados por el

tratamiento SD, y los mínimos por el T70, oscilando los primeros entre 8,25 m2 m-2 y

11,19 m2 m-2 según la campaña (Tabla 5.4). En este sentido, otros autores consiguieron

valores pico muy por debajo de los alcanzados en este estudio. Abi Saab et al. (2015),

obtuvieron valores entre 4,2 y 5,4 m2 m-2 con la variedad “Ponente” en Italia. Cantero-

Martinez et al. (1995), Ugarte et al. (2007) y Martínez-Romero et al. (2017) obtuvieron

valores máximos entre 4 y 6 m2 m-2 en Cataluña, Argentina y Castilla-La Mancha

respectivamente con las variedades “Dobla” y “Tina”, “Quilmes”, y “Scarlett”. Los

momentos de IAF máximo y las máximas diferencias entre tratamientos sucedieron en la

etapa Ky (ii), periodo donde empezaron a distinguirse diferencias significativas de

biomasa seca acumulada entre tratamientos. Tabarzad et al. (2016) también observaron

que tanto la biomasa seca acumulada como el IAF se diferenciaban de igual manera según

el agua disponible, alcanzando el máximo de IAF también en Ky (ii).

Tabla 5.4. Análisis estadístico de la evolución del índice de área foliar (m2 m-2) del

cultivo de cebada durante cada etapa de desarrollo Ky en los años de 2015, 2016 y 2017.

2015

Ky (i’’) Ky (ii) Ky (iii) Ky (iv)

Trat./DDS 63* 73* 88* 102* 114* 127* 141*

SD 0,73a 1,41a 6,24a 10,83a 11,19a 8,82a 2,91a

T100 0,73a 1,41a 6,24a 10,83a 11,19a 8,82a 2,91a

T90 0,73a 1,41a 6,24a 9,27b 10,02b 8,06b 2,97a

T80 0,73a 1,41a 6,24a 8,71b 9,39b 7,72bc 0,88b

T70 0,73a 1,41a 6,24a 7,88c 8,27c 7,44c 0,77b

p valor ns ns ns ** ** ** **

2016

Ky (i’’) Ky (ii) Ky (iii)

Trat./DDS 64 85 98 110 126 140

SD 1,13a 4,76a 9,73a 6,50a 4,21a 2,72a

T100 1,11a 4,78a 8,74b 5,75ab 4,07ab 2,11ab

T90 1,14a 4,65a 5,70c 5,14bc 3,63ab 1,76b

T80 1,10a 4,58a 5,37c 4,43cd 2,97bc 0,77c

T70 1,06a 4,53a 5,22c 3,82d 2,36c 0,73c

p valor ns ns ** ** ** **

2017

Ky (i’’) Ky (ii) Ky (iii)

Trat./DDS 77* 98* 111 129

SD 5,00a 6,97a 8,25a 4,49a

T100 5,00a 6,97a 8,14a 4,78a

T90 4,47a 6,38a 7,17b 4,16a

T80 4,47a 6,38a 7,28b 4,49a

T70 4,47a 6,38a 6,34b 3,46a

p valor ns ns ** ns

Trat.: tratamiento; DDS: días después de siembra; ns: no significativo; *:en el caso de no haber

diferencias en los riegos aplicados a los tratamientos, se tomó una muestra de uno de los tratamientos

como representación de todos, de ahí que aparezcan valores iguales; **: Significancia (p <0,05). Test de

Duncan.


152

El análisis de la varianza indica, con algunas excepciones, la existencia de diferencias

significativas para los valores de IAF para las tres campañas y entre los tratamientos

hídricos en la misma etapa que en el caso de la biomasa seca acumulada (Ky (ii)) (Tabla

5.4). En 2015 las diferencias significativas aparecieron justo en el muestreo anterior que

en el caso de la evolución de biomasa seca (102 DDS en lugar de 114 DDS), coincidiendo

con el final de la etapa Ky (i’’), si bien, en el 102 DDS ya se detectaron diferencias, aunque

no significativas, del 14% de biomasa seca acumulada entre tratamientos. En 2016, el

momento de la diferenciación estadísticamente significativa coincidió con la de la

biomasa seca, mientras que en 2017, aunque se observan diferencias entre tratamientos,

al igual que ocurrió con la biomasa seca, sólo en un muestreo fueron significativas. Éstas

se dieron cuando las diferencias, aunque no significativas, de biomasa seca acumulada

entre tratamientos eran del 11% (111 DDS).

Interanualmente, con la excepción de los valores máximos de SD y T100 de 2016, se

alcanzaron los valores máximos en 2015, seguidos de 2017 y 2016, similar a lo que

ocurrió con los valores máximos de biomasa seca. En 2015, la curva de aumento y

decrecimiento de IAF fue mucho más pronunciada que en el resto de campañas, debido

principalmente a las condiciones climáticas más favorables para el desarrollo de cultivo

durante ese periodo, lo que justifica también que los valores máximos del ensayo se

obtuviesen en esta campaña. En dicho año, al igual que en 2017, el máximo IAF coincidió

con la mitad de la etapa Ky (ii) (114-111 DDS), mientras que en 2016, año en el que las

primeras etapas se acortaron y tuvo un rápido desarrollo debido a las condiciones

climáticas, se adelantó al inicio de ésta (98 DDS) (Figura 5.7). En 2016, pese a contar

con menor biomasa, los valores máximos de IAF de los tratamientos SD y T100 fueron

mayores que en 2017. Sin embargo, los valores de los tratamientos optimizados fueron

los más bajos. En el caso de los tratamientos SD y T100, esto se puede justificar porque

la proporción de masa foliar sobre el total fue mayor durante esa campaña (las plantas

eran unos 30 cm más pequeñas de media en ese año comparadas con las otras dos

campañas), y en el caso de los tratamientos optimizados porque la superficie foliar fue

menor debido a que el máximo estrés se originó durante la etapa en la que se produce el

desarrollo vegetativo. Por ello, la diferencia entre los valores pico de los tratamientos SD

y T70 del 2016, fue mucho mayor que en las otras dos campañas (46% frente a 26%, y

23% en 2015 y 2017 respectivamente). En 2017, a diferencia de las otras dos campañas,

en los tratamientos optimizados se registró un rápido crecimiento entre los primeros


153

muestreos, para después reducirse ligeramente hasta alcanzar el máximo y disminuir de

forma precipitada en el último muestreo.


de la relación del área foliar (RAF)

Para relacionar la actividad del tejido fotosintético y el respiratorio de la planta se ha

utilizado el RAF (Ec. 5.2). La evolución del RAF fue similar en todos los tratamientos

para un mismo año, alcanzando el máximo cuando mayor era la tasa de aumento de IAF.

Esto se produjo alrededor de 15 días antes de que se registrasen los valores más altos de

IAF en los dos primeros años de ensayo, y en torno a 34 días en 2017 (Figura. 5.8). En

estudios realizados con patata, los valores máximos del RAF coinciden con el momento

en el cual la planta alcanza los valores máximos de IAF (Castallanos et al., 2010). Sin

embargo, en otros realizados con ajo morado de Las Pedroñeras, el valor máximo se sitúa

en torno a 30 días antes, al final de la Ky (i’’) (Lellis, 2017). En este estudio, al igual que

con el ajo, los valores máximos de RAF sucedieron próximos al final de la etapa de

desarrollo vegetativo (Ky (i’’)) (Figura 5.8). Una vez alcanzado el máximo, lo valores

empiezan a reducirse hasta valores próximos a cero, indicando la translocación de los

asimilados para el desarrollo y llenado de los granos y la senescencia foliar.

El RAF se ve afectado directamente por la disponibilidad hídrica, puesto que durante el

crecimiento vegetativo de las plantas sometidas a déficit se desarrollaron hojas más

pequeñas y en menor número, lo que se ve reflejado en los valores de IAF (Figura 5.7).

Además, en las plantas estresadas hídricamente y por temperaturas más elevadas, durante

la senescencia se acentúa la pérdida de área foliar fotosintéticamente activa (Ladesma et

al., 1997). En líneas generales, no ha habido diferencias de RAF entre tratamientos debido

a que las diferencias de IAF han sido proporcionales a las de biomasa acumulada con

respecto al tratamiento de referencia (SD), aunque los tratamientos SD y T100 siempre

han tenido valores de RAF ligeramente superiores (Figura 5.8).

Interanualmente, la evolución del RAF, aunque con pequeñas variaciones, fue similar en

las tres campañas (Figura 5.8). En 2015, a diferencia de 2016, se aprecia una caída de

RAF entre los dos primeros muestreos de Ky (i’’), para después alcanzar el máximo, como

en las otras dos campañas, al final de Ky (i’’). Después de alcanzar el máximo RAF, a

diferencia de 2017, en las campañas 2015 y 2016, el descenso del RAF se produce antes

en los tratamientos deficitarios. En los no deficitarios, hay una pequeña meseta con

valores próximos al máximo de unos 15 días de duración después de alcanzarlo (entre el


154

88 y el 102 DDS en 2015, y el 85 y 98 DDS en 2016) mientras que en los tratamientos

deficitarios, se produce la caída desde el momento que se consiguió dicho máximo. La

caída de RAF en el segundo muestreo de 2015 puede ser justificado porque la planta

estaba muy poco desarrollada, acumulaba muy poca biomasa seca y el IAF era muy

pequeño (Tablas 5.2 y 5.4), por lo que pequeñas diferencias en estos parámetros

repercuten de manera importante en el RAF. En el caso de 2016, como el cultivo estaba

más desarrollado debido a las condiciones climáticas, la biomasa y el IAF eran mayores,

por tanto el RAF era más estable. La meseta del RAF entre Ky(i’’) y Ky (ii) en las

campañas 2015 y 2016 fue debida a que en el 102 DDS en 2015, y en el 98 DDS en 2016,

fue cuando aparecieron diferencias significativas entre tratamientos, tanto en biomasa

seca acumulada como en IAF. Sin embargo, en 2017 no aparecieron diferencias

significativas en la biomasa seca acumulada entre tratamientos hasta la cosecha, y en el

caso de IAF, sólo en el muestreo que se realizó el 111 DDS. Por esa razón, ese día fue

donde se registraron las mayores diferencias en RAF en esa campaña.

Figura 5.8. Evolución del índice de relación del área foliar (RAF) en 2015 (a), 2016 (b)

y 2017 (c). Donde SD: Tratamiento sin déficit; T100, T90, T80 y T70: Tratamientos con

diferentes niveles de riego.

0,00

2,00

4,00

6,00

8,00

10,00

12,00

14,00

16,00

18,00

20,00

22,00

0 20 40 60 80 100 120 140 160 180

RA

F (

m2

kg-1

)


SD T100 T90 T80 T70

aKy (i’) Ky (i’’) Ky (ii) Ky

(iii)Ky(iv)

0,00

2,00

4,00

6,00

8,00

10,00

12,00

14,00

16,00

18,00

20,00

22,00

0 20 40 60 80 100 120 140 160 180

RA

F (

m2

kg-1

)


SD T100 T90 T80 T70

bKy (i’) Ky (i’’) Ky

(iii)Ky(iv)

Ky (ii)

0,00

2,00

4,00

6,00

8,00

10,00

12,00

14,00

16,00

18,00

20,00

22,00

0 20 40 60 80 100 120 140 160 180

RA

F (

m2

kg-1

)


SD T100 T90 T80 T70

cKy (i’) Ky (i’’) Ky

(iii)Ky(iv)

Ky (ii)


155


conductancia estomática

La evolución temporal de la conductancia estomática en los tres años de ensayo para cada

tratamiento se registró con el porómetro AP4 de Delta-T y, adicionalmente para los años

2016 y 2017, también se utilizó un porómetro SC-1 de Decagon (Figura 5.9). En el año

2015, la primera medición de la conductancia estomática se realizó el 108 DDS (30 de

abril), al inicio de Ky (ii) (Tabla 5.5). En el año 2016, las condiciones climáticas

desencadenaron un desarrollo precoz del cultivo con una mayor necesidad de consumo

de agua. En consecuencia, el inicio de los riegos y la diferenciación de éstos se anticiparon

con respecto a un año intermedio, por lo que se adelantaron las mediciones de la

conductancia. Éstas comenzaron el 63 DDS (16 de marzo), lo que supuso una diferencia

de 45 días con respecto al año 2015 (Tabla 5.5; Figura. 3.11). En 2017, las primeras

etapas de desarrollo también fueron más cortas que en 2015, la primera medida tuvo lugar

el 98 DDS (diez días antes que en 2015), justo después de comenzar Ky (ii), al igual que

en 2015.

Tabla 5.5. Días después de la siembra (DDS) de las mediciones de la conductancia

estomática.

2015 2016 2017

Etapas Ky

DDS del

cambio de

etapa

DDS de

medición

DDS del

cambio de

etapa

DDS de

medición

DDS del

cambio de

etapa

DDS de

medición

Ky i' --- --- --- --- --- ---

--- --- --- --- --- ---

--- --- ---

Ky i'' 56 --- 42 --- 49 ---

--- 63 ---

--- 79 ---

--- 90 ---

Ky ii 107 --- 99 --- 97 ---

108 100 98

116 111 110

120 127 115

--- --- 122

Ky iii 123 --- 129 --- 125 --- 130 133 126

--- --- 130

--- --- 136

--- --- 139

Ky iv 136 --- 147 --- 142 ---

137 --- ---

141 --- ---

Fin Ky iv 153 --- 157 --- 153 ---


156

El estrés hídrico provoca el cierre estomático y, por tanto, la reducción de la conductancia

estomática. El análisis de la evolución temporal de ésta, asociada al estado fenológico del

cultivo y a los tratamientos de riego permite caracterizar la sensibilidad al estrés en cada

etapa de desarrollo de la cebada. El comportamiento de las curvas obtenidas en los

diferentes tratamientos fue similar (Figura 5.9), diferenciándose principalmente en las

etapas en las que se aplicó un nivel de déficit más elevado en función de la ETa/ETm

objetivo, aumentando la conductancia conforme incrementa la expansión foliar, para

luego disminuir gradualmente con la senescencia foliar, coincidiendo con lo observado

por Wu et al. (2014). En este sentido, otros autores como González et al. (1999) también

registraron valores de conductancia estomática directamente relacionados con la

evolución del área foliar en tratamientos sin déficit, advirtiendo que ésta disminuía

bruscamente en los periodos de máxima sensibilidad en los tratamientos con déficit

hídrico constante.

Los valores máximos de conductancia estomática, se consiguieron en torno al final de la

etapa Ky (ii) y comienzo de la etapa Ky (iii), coincidiendo con el periodo de máximo

crecimiento de la biomasa seca. No hubo diferencias significativas entre los valores

máximos en las tres campañas, aunque los valores medios rondaron, en 2015, los 950

mmol m-2 s-1 mientras que para 2016 y 2017, estuvieron en torno a 800 mmol m-2 s-1. Wall

et al. (2011), con la variedad “Alexis” en EE.UU, midieron conductancia durante un día

en cada etapa de desarrollo del cultivo a lo largo de todo el ciclo. Estos autores, a

diferencia de lo observado en este ensayo, alcanzaron los valores máximos de 700 mmol

m-2 s-1 al inicio de Ky (ii), obteniendo valores de en torno 500 mmol m-2 s-1 al final de

dicha etapa. Por otro lado, Tambussi et al. (2005) publicaron valores con las variedades

“Graphic” y “Kym” de entre 400 y 500 mmol m-2 s-1 en el final del ahijado. En este ensayo

sólo se pudo medir en ese estado fenológico en la campaña 2016, y los valores oscilaron

entre 200 y 400 mmol m-2 s-1 (Figura 5.9).


157

Figura 5.9. Conductancia estomática en la cebada para los años 2015 (a), 2016 (b, c) y

2017 (d, e) y porcentaje del valor de la conductancia de cada tratamiento con respecto al

SD para los años 2015 (a’), 2016 (b’ y c’) y 2017 (d’ y e’). Las lecturas obtenidas

mediante el porómetro AP4, Delta-T corresponden a (a, a’), (b, b’) y (d, d’), y del

porómetro SC-1, Decagon Devices a (c, c’) y (e, e’). Donde SD: Tratamiento sin déficit;

T100, T90, T80 y T70: Tratamientos con diferentes niveles de riego.

La tendencia de las curvas, aunque distinta interanualmente, fue similar entre

tratamientos, siguiendo un patrón lógico. Al finalizar la etapa Ky (i’’), los tratamientos

optimizados sufrían estrés hídrico en las tres campañas, su conductancia por tanto fue

sensiblemente menor que la de los tratamientos optimizados (Figura 5.9). Sin embargo,

0

100

200

300

400

500

600

700

800

900

1.000

Co

nd

ucta

ncia

est

om

áti

ca

(m

mo

l m

-2s-1

)


SD T100 T90 T80 T70

0

100

200

300

400

500

600

700

800

900

1.000

Co

nd

ucta

ncia

est

om

áti

ca

(m

mo

l m

-2s-1

)


SD T100 T90 T80 T70

0

10

20

30

40

50

60

70

80

90

100

110

120

130

140

% d

e c

on

du

cta

ncia

resp

ecto

a S

D


SD T100 T90 T80 T70

0

100

200

300

400

500

600

700

800

900

1.000

Co

nd

ucta

ncia

est

om

áti

ca

(m

mo

l m

-2s-1

)


SD T100 T90 T80 T70

0

100

200

300

400

500

600

700

800

900

1.000

Co

nd

ucta

ncia

est

om

áti

ca

(m

mo

l m

-2s-1

)


SD T100 T90 T80 T70

0

100

200

300

400

500

600

700

800

900

1.000

Co

nd

ucta

ncia

est

om

áti

ca

(m

mo

l m

-2s-1

)


SD T100 T90 T80 T70

0

10

20

30

40

50

60

70

80

90

100

110

120

130

140

% d

e c

on

du

cta

ncia

resp

ecto

a S

D


SD T100 T90 T80 T70

0

10

20

30

40

50

60

70

80

90

100

110

120

130

140

% d

e c

on

du

cta

ncia

resp

ecto

a S

D


SD T100 T90 T80 T70

0

10

20

30

40

50

60

70

80

90

100

110

120

130

140

% d

e c

on

du

cta

ncia

resp

ecto

a S

D


SD T100 T90 T80 T70

0

10

20

30

40

50

60

70

80

90

100

110

120

130

140

% d

e c

on

du

cta

ncia

resp

ecto

a S

D


SD T100 T90 T80 T70

Ky (i’’)d’

Ky (i’)

Ky (ii)Ky(iii) Ky

(iv)

e’

b’

c’

Ky(i’)

Ky (i’’) Ky (ii)Ky (iii)

Ky(iv)

a’

Ky (i’)

Ky (i’’)Ky(ii)

Ky(iii) Ky (iv)

Ky (iv)

c

d

e

Ky (i’)

Ky (i’’) Ky (ii)Ky(iii) Ky

(iv)

b

Ky(i’)

Ky (i’’) Ky (ii) Ky (iii) Ky(iv)

aKy (i’) Ky (i’’)

Ky(ii) Ky

(iii)


158

en la siguiente etapa (Ky (ii)) que es la más sensible al déficit hídrico, se buscó aplicar el

mínimo estrés posible, por lo que las conductancias tendieron a igualarse en todos los

tratamientos hacia mediados y final de ésta (Figura 5.9a, e). Esto se observó tanto en la

campaña de 2015 como en la de 2017, pero en la de 2016 no sé llegaron a igualar las

conductancias durante esa etapa. Esto fue debido a una avería en el sistema de bombeo

que obligó a retrasar la aplicación de algunos riegos, provocando un estrés severo,

generando una rápida respuesta en la planta (Hsiao, 1973). En las dos últimas etapas (Ky

(iii) y Ky (iv)) el estrés hídrico aplicado en los tratamientos optimizados fue de una

intensidad y duración mucho mayor. Para un estrés más severo y prolongado, el cierre

estomático también se prolonga, acelerando la senescencia foliar (Bradford y Hsiao,

1982), lo que reduce el área foliar y, por tanto, la conductancia durante un tiempo de

respuesta significativamente más largo. Esto se observa claramente en la Figura 5.9. Las

diferencias entre conductancias estomáticas de los tratamientos no deficitarios frente a

los deficitarios se van incrementando a lo largo del tiempo. También se observa una clara

caída en la conductancia del T100 cuando éste se queda sin agua hacía el final de Ky (iii)

en 2017 (Figura 5.9d, e). Al comparar las lecturas de ambos porómetros (Figura 5.9),

en general, los valores son similares, siguiendo la misma tendencia, excepto en la

campaña 2017. Entre las lecturas del 115DDS y del 122DDS, el AP4 registra un aumento

de conductancia en todos los tratamientos salvo el T70, mientras que en las lecturas del

SC-1 se observa un descenso de conductancia en todos los tratamientos salvo el T80.

Algo parecido ocurre entre las lecturas del 122DDS y del 126DDS, donde en el AP4 se

registró un aumento de la conductancia en todos los tratamientos, mientras que con el SC-

1 se observó el aumento únicamente en el tratamiento SD, disminuyendo ésta en el resto.

La comparación estadística de las lecturas de ambos porómetros presenta una alta

correlación (R2 = 92%), la pendiente de la línea de tendencia es muy próxima a uno.

Además, se han obtenido muy buenos datos de otros estadísticos como el índice de

similitud, que es del 98%. Gran parte de las lecturas presentaron diferencias inferiores al

10% (Figura 5.10).


159

Figura 5.10. Comparación entre los datos de conductancia obtenidos en los dos

porómetros en las campañas 2016 y 2017.

La utilización de la metodología ORDI en este trabajo permitió reducir la caída de la

conductancia estomática en las etapas de mayor sensibilidad al estrés hídrico, lo que

puede justificar menores diferencias entre los tratamientos.


fotosíntesis neta

Las fechas de referencia para realizar las mediciones de fotosíntesis se establecieron en

función de los cambios de etapa del cultivo y de la disponibilidad del IRGA, pues era

compartido con otros grupos de investigación. En 2015 se realizaron dos medidas durante

la etapa Ky (ii) y una tanto en Ky (iii) como en Ky (iv). En 2016 por otro lado se pudo

realizar una medida en Ky (i’’) y otra en Ky (iv), así como tres durante Ky (ii) pero ninguna

en Ky (iii). En 2017, las medidas estuvieron más concentradas, agrupando las etapas Ky

(ii) y Ky (iii). La evolución de la fotosíntesis neta durante las tres campañas queda

representada en la Figura 5.11.

La evolución de los valores de fotosíntesis fue similar en las tres campañas, alcanzando

el máximo durante Ky (ii) (que es la etapa de crecimiento más rápido de biomasa, mayor

IAF y valores más elevados de conductancia estomática en las tres campañas) para luego

ir disminuyendo conforme avanzaba la senescencia foliar (Figura 5.11). Son escasos los

trabajos en los que se ha medido la evolución de la fotosíntesis durante el ciclo de cultivo

y = 1,0117x

R² = 0,9173

0

100

200

300

400

500

600

700

800

900

1.000

0 100 200 300 400 500 600 700 800 900 1.000

Co

nd

uct

an

cia

est

om

áti

ca D

EC

AG

ON

(m

mo

l m

-2s-1

)

Conductancia estomática DELTA T (mmol m-2 s-1)

+10%

-10%


160

de la cebada. Wall et al. (2011) midieron en EE.UU valores de fotosíntesis a lo largo de

días completos en las distintas etapas de desarrollo del cultivo en la variedad “Alexis”,

obteniendo valores máximos en torno a 25-30 µmol CO2 m-2 s-1 durante Ky (ii), siempre

sobre las 10 a.m., para luego ir disminuyendo hasta 8-9 µmol CO2 m-2 s-1 durante la

madurez pastosa del grano, es decir, valores y tendencia similares a las observada en este

ensayo en los tratamientos sin déficit. Por otra parte, aunque los valores en un mismo día

para los distintos tratamientos están generalmente condicionados por el nivel de déficit

hídrico aplicado, permitiendo establecer una jerarquía entre los tratamientos de riego, hay

otros factores externos tales como la distribución de lluvia, déficit de presión de vapor

del aire y concentración de CO2 (Nielsen et al., 2005; Da Costa y Huang, 2006) que

influyen en los valores obtenidos. Así, si cerca del momento en el que se realizaron las

mediciones se aplicó un riego u ocurrió una lluvia, los valores registrados pudieron verse

afectados.

Los valores máximos oscilaron entre 23,2 y 26,6 µmol CO2 m-2 s-1, valores que se

aproximan a los intervalos observados en la mayoría de las plantas C3 para condiciones

sin estrés (entre 20 y 40 µmol CO2 m-2 s-1, Larcher, 2003), que se pueden asociar a una

productividad fotosintética moderada, similar a otros cultivos C3 como la cebolla y la

patata (van Gestel et al., 2005; Kim et al., 2007; Fleisher et al., 2010). En este sentido,

Tambussi et al. (2005), bajo condiciones de no estrés en Lleida, alcanzaron valores

máximos entre 23 y 27 µmol CO2 m-2 s-1 al final del encañado con las variedades

“Graphic” y “Kym”, y Robredo (2011), 22,4 µmol CO2 m-2 s-1 al final del ahijamiento en

el tratamiento control con la variedad “Iranis”. Por otro lado, De Mezer et al. (2014)

analizaron 9 variedades distintas bajo sala de cultivo en Polonia con distintos niveles de

estrés hídrico, obteniendo valores en el estadio de tres hojas desarrolladas, entre 14,3 y

24,4 µmol CO2 m-2 s-1 en los tratamientos sin estrés y entre 0,5 y 4,9 µmol CO2 m

-2 s-1 en

el estrés hídrico más severo (10% del agua útil del suelo). Esto último pone de manifiesto

lo sugerido por Rosen y Tong, (2001) de que el potencial fotosintético puede variar con

el cultivar y también con las prácticas culturales, al igual que por la fase de desarrollo y

por la intensidad y duración del estrés (Szira et al., 2008), por lo que es difícil establecer

unos valores de referencia.


161

Figura 5.11. Fotosíntesis neta para los años 2015 (a), 2016 (b) y 2017 (c) y porcentaje

del valor de la fotosíntesis de cada tratamiento con respecto al SD para los años 2015

(a’), 2016 (b’) y 2017 (c’).Donde SD: Tratamiento sin déficit; T100, T90, T80 y T70:


Siguiendo estas premisas y en función de los resultados obtenidos por distintos autores

nombrados anteriormente, los valores de fotosíntesis registrados en los distintos

tratamientos sometidos a la metodología ORDI, tienen coherencia cuando se comparan

con los valores de ETa/ETm. Esto coincide con el hecho comprobado de que el déficit

hídrico disminuye la capacidad fotosintética (Habash et al., 1995; Lawlor, 2002; Tezara

et al., 2002). Aunque se plantea que la mayor parte de la reducción en la tasa de

fotosíntesis, en respuesta al estrés hídrico, es atribuida al cierre estomático, por otra parte,

el descenso del potencial hídrico también afecta a la capacidad intrínseca fotosintética

(Robredo, 2011). A su vez, también se observa una relación con los valores de biomasa

seca y de rendimiento, ya que la tasa fotosintética determina la asimilación de la biomasa

y, por tanto, la productividad (Sugiura y Tateno, 2014). En este sentido, al finalizar la

etapa Ky (i’’), los tratamientos optimizados estaban sometidos a estrés ya que su ETa/ETm

0

5

10

15

20

25

30

30 40 50 60 70 80 90 100 110 120 130 140 150 160

Fo

tosí

nte

sis

net

a (

µm

ol

CO

2m

-2s-1

)


SD T100 T90 T80 T70

a Ky (i’) Ky (ii) Ky (iii)Ky (i’’) Ky (iv)

0

5

10

15

20

25

30

30 40 50 60 70 80 90 100 110 120 130 140 150 160

Fo

tosí

nte

sis

net

a (

µm

ol

CO

2m

-2s-1

)


SD T100 T90 T80 T70

bKy (i’)

Ky (ii) Ky (iii)Ky (i’’) Ky(iv)

0

5

10

15

20

25

30

30 40 50 60 70 80 90 100 110 120 130 140 150 160

Fo

tosí

nte

sis

net

a (

µm

ol

CO

2m

-2s-1

)


SD T100 T90 T80 T70

c

Ky (i’)


0

20

40

60

80

100

120

30 40 50 60 70 80 90 100 110 120 130 140 150 160

% c

on

res

po

cto

al

SD


SD T100 T90 T80 T70

a’ Ky (i’) Ky (ii) Ky (iii)Ky (i’’) Ky (iv)

0

20

40

60

80

100

120

30 40 50 60 70 80 90 100 110 120 130 140 150 160

% c

on

res

pec

to a

l S

DDías después de la siembra

SD T100 T90 T80 T70

b’Ky (i’)


0

20

40

60

80

100

120

30 40 50 60 70 80 90 100 110 120 130 140 150 160

% c

on

res

pec

to a

l S

D


SD T100 T90 T80 T70

c’

Ky (i’)

Ky (i’’) Ky (ii) Ky (iii) Ky(iv)


162

objetivo era 0,75, mientras que los no optimizados buscaban 1. La fotosíntesis se vio

penalizada siendo aproximadamente la mitad en los tratamientos optimizados (Figura

5.11b). Robredo (2011) constató resultados parecidos, ya que tras someter algunas plantas

a 16 días de sequía al final del ahijamiento, la tasa fotosintética fue un 49% menor que la

del tratamiento control. Durante la siguiente etapa (Ky (ii)), donde las ETa/ETm objetivo

son las más altas y se buscaba ningún o mínimo estrés, la fotosíntesis tendió a igualarse.

Sin embargo, la recuperación no fue total en los tratamientos optimizados (Figura 5.11b).

Esto ya fue observado por Robredo (2011), con la variedad “Iranis”, donde después del

restablecimiento del riego tras unos periodos de 9 y 16 días bajo estrés hídrico, los valores

de fotosíntesis fueron del 88% sobre el control en los tratamientos más restrictivos,

mientras que en los menos estresados fueron similares. En esa etapa, cabe destacar que

en 2016, en la segunda medida se observó una caída importante de tasa fotosintética en

todos los tratamientos, ese día en particular. Según MOPECO, ninguno de los

tratamientos estaba sufriendo estrés, pero el balance indicaba que el contenido de agua en

el suelo estaba muy próximo al nivel de agotamiento permisible. Posiblemente, por falta

de precisión de MOPECO, es posible que todos los tratamientos estuvieran sometidos a

estrés durante ese día, lo que justifica las diferencias entre lo simulado y lo medido.

Durante las medidas al final del ciclo, el nivel de estrés de los tratamientos optimizados

estaba muy igualado, se había reservado agua y los objetivos de ETa/ETm eran muy

parecidos, aunque en el T70 era ligeramente más severo, por lo que las tasas fotosintéticas

estuvieron muy igualadas entre estos tratamientos (Figura 5.11a, b) siendo siempre

menores que las del SD, como es lógico. Por otro lado, el T100 había agotado el agua y

también estaba sometido a estrés hídrico, haciendo que su tasa fotosintética cayese incluso

por debajo de los tratamientos optimizados (Figura 5.11b).

James et al. (2002) sostienen que la medición de la conductancia estomática tiene una

ventaja sobre la medición de la fotosíntesis a la hora de determinar el estrés hídrico que

pueda estar sufriendo la planta porque ésta es más sensible a ese parámetro. Estos autores

distinguieron una reducción del 50% de la conductancia estomática inducida por el estrés

hídrico mientras que la tasa fotosintética se vio afectada solo en un 10%. Del mismo

modo, De Mezer et al. (2014) observaron que la conductancia estomática se veía reducida

antes y en mayor proporción que la tasa fotosintética. En este ensayo, comparando los

registros de las tres campañas de conductancia estomática y tasa fotosintética, se ha

puesto de manifiesto la misma proporcionalidad observada por ellos a partir de la etapa


163

Ky (ii) siendo la tendencia inversa (mayor caída de tasa fotosintética que de conductancia

estomática) en la etapa Ky (i’) (Figura 5.12). En el resto de etapas, para una caída de tasa

fotosintética de un 10% provocada por déficit hídrico, se han constatado reducciones de

conductancia estomática cercanas al 60% (Figura 5.13b).


reducción de conductancia estomática en los tres años de ensayo comparados con el

tratamiento sin déficit en las distintas etapas de desarrollo de cultivo y las distintas

ETa/ETm alcanzadas.


reducción de conductancia estomática en los tres años de ensayo comparados respecto al

tratamiento sin déficit durante todo el ciclo de cultivo (a), y a partir de la etapa Ky (ii)

(b).

En la Figura 5.13a se observa como el ajuste de la relación entre la caída de tasas

fotosintética y caída de conductancia estomática para todo el ciclo de cultivo no es muy

bueno (R2 = 0,67), ya que la tendencia durante la etapa Ky (i’) (puntos rojos) es distinta a

0

10

20

30

40

50

60

70

80

90

100

ET

a/

ET

m (

0,0

0-0

,50

)

ET

a/

ET

m (

0,5

1-0

,60

)

ET

a/

ET

m (

0,6

1-0

,70

)

ET

a/

ET

m (

0,7

1-0

,80

)

ET

a/

ET

m (

0,8

1-0

,90

)

ET

a/

ET

m (

0,9

1-1

,00

)

ET

a/

ET

m (

0,0

0-0

,50

)

ET

a/

ET

m (

0,5

1-0

,60

)

ET

a/

ET

m (

0,6

1-0

,70

)

ET

a/

ET

m (

0,7

1-0

,80

)

ET

a/

ET

m (

0,8

1-0

,90

)

ET

a/

ET

m (

0,9

1-1

,00

)

ET

a/

ET

m (

0,0

0-0

,50

)

ET

a/

ET

m (

0,5

1-0

,60

)

ET

a/

ET

m (

0,6

1-0

,70

)

ET

a/

ET

m (

0,7

1-0

,80

)

ET

a/

ET

m (

0,8

1-0

,90

)

ET

a/

ET

m (

0,9

1-1

,00

)

ET

a/

ET

m (

0,0

0-0

,50

)

ET

a/

ET

m (

0,5

1-0

,60

)

ET

a/

ET

m (

0,6

1-0

,70

)

ET

a/

ET

m (

0,7

1-0

,80

)

ET

a/

ET

m (

0,8

1-0

,90

)

ET

a/

ET

m (

0,9

1-1

,00

)

Ky (i'') Ky (ii) Ky (iii) Ky (iv)

Pér

did

a d

e p

orc

enta

je c

on

res

pec

to a

l S

D

Etapa y relación ETa/ETm en el momento de la medida

Pérdida de fotosíntesis con respecto al SD (%)

Pérdida de conductancia estomática con respecto al SD (%)

y = 12,796ln(x) + 13,953

R² = 0,6719

0

10

20

30

40

50

60

70

80

90

100

0 10 20 30 40 50 60 70

Pér

did

a e

n p

orc

enta

je d

e co

nd

uct

an

cia

esto

má

tica

Pérdida en porcentaje de tasa fotosintética

y = 14,873ln(x) + 13,212

R² = 0,8304

0

10

20

30

40

50

60

70

80

90

100

0 10 20 30 40 50 60 70

Pér

did

a e

n p

orc

enta

je d

e co

nd

uct

an

cia

esto

má

tica

Pérdida en porcentaje de tasa fotosintética

ba


164

la observada en el resto de etapas. Eliminando esos puntos, lo que equivale a realizar el

ajuste a partir de la etapa Ky (ii) (Figura 5.13b), éste es bastante mejor (R2 = 0,83), y

mantiene la tendencia observada por otros autores como James et al. (2002), Robredo

(2011) y De Mezer et al. (2014).

5.4. CONCLUSIONES

El déficit hídrico afecta directamente a los parámetros fisiológicos analizados en este

estudio, reduciendo la biomasa producida, el área foliar, la conductancia estomática y la

fotosíntesis en mayor medida cuanto mayor ha sido el déficit aplicado.

El efecto del riego deficitario es evidente en la evolución del crecimiento del área foliar,

lo que afecta directamente a la producción de asimilados fotosintéticos, provocando una

reducción en la biomasa seca.

La conductancia estomática de la cebada ensayada reacciona rápidamente a las

condiciones hídricas del cultivo y puede reducir o aumentar rápidamente en caso de un

estrés hídrico de corta duración o un aporte elevado de agua a la planta.

A corto plazo, la conductancia estomática es afectada en mayor medida que la

fotosíntesis, al menos a partir de la etapa Ky (i’), por lo que puede ser un método más

rápido para detectar el estrés inmediato en las plantas. Para confirmar la tendencia inversa

observada en la etapa Ky (i’) serían necesarios estudios más profundos y mayores

medidas, ya que a lo largo del desarrollo de esta Tesis sólo se midió en un año de los tres

años de ensayos.

La respuesta de la fotosíntesis al estrés está directamente relacionada con las condiciones

hídricas en las que se encuentre la planta, aunque está muy influenciada por condiciones

climáticas puntuales y de humedad del suelo a las que está sometido el cultivo en el

momento de la medición. La respuesta fisiológica de la cebada al estrés hídrico está

directamente relacionada con la etapa fisiológica en la que se encuentra.

5.5. BIBLIOGRAFÍA

Abi Saab, M.T., Todorovic, M., Albrizio, R., 2015. Comparing aquaCrop and cropSyst

models in simulating barley growth and yield under different water and nitrogen

regimes: Does calibration year influence the performance of crop growth models?



165




Expl. Agric. 48, 252-271.




Arazi, Y., Wolf, S., Marani, A., 1993. A prediction of developmental stages in potato

plants based on the accumulation of heat units. Agricultural Systems, 43, 35-50.

Badr, M.A., El-tohamy, W.A., Zaghloul, A.M., 2012. Yield and water use efficiency of

potato grown under different irrigation and nitrogen levels in an arid region.


Benli, B., Kodal, S., 2006. Determination of evapotranspiration and basal crop coefficient

of alfalfa with a weighing lysimeter. Agric. Water Manage., 81, 358–370.

Bing-Jie W., Chow W. S., Liu Y.J, Shi L., Jianget C.D., 2014. Effects of stomatal

development on stomatal conductance and on stomatal limitation of

photosynthesis in Syringa oblata and Euonymus japonicus Thunb. Plant Science,

229, 23–31.

Blum, A., 2009. Effective use of water (EUW) and not water-use efficiency (WUE) is the

target of crop yield improvement under drought stress. Field Crop. Res., 112, 119–

123.

Bondada, B.R., Syvertsen, J.P., 2005. Concurrent changes in net CO2assimilation and

chloroplast ultrastructure in nitrogen deficient citrus leaves. Environ. Exp. Bot.,

54, 41–48.

Botella, O., de Juan, J.A., Martín de Santa Olalla, F., 1997. Growth, development and

yield of five sunflower hybrids. Eur. J. Agron., 6, 47-59.

Bradford, K., Hsiao, T., 1982. Physiological responses to moderate water stress.

Physiological Plant Ecology II, Springer. 263–324.

Brodribb, T.J., Holbrook, N.M., 2003. Stomatal closure during leaf dehydration,

correlation with other leaf physiological traits. Plant Physiol., 132, 2166-2173.


166

Cantero-Martfnez, C., Villar, J.M., Romagosa, I., Fereres, E., 1995. Growth and yield

responses of two contrasting barley cultivars in a Mediterranean environment.

Eur. J. Agron., 4, 317–326.

Castallanos, M.S., Abril, M.S., López, C.E.Ñ., 2010. Análisis del crecimiento y relación

fuente-demanda de cuatro variedades de papa (Solanum tuberosum L.) en el

municipio de Zipaquirá (Cundinamarca, Colombia). Revista Facultad Nacional de

Agronomía – Medellín, 63, 5253-5266.

Castrignano, A.M., Abril, M.S., Tarantino, E., Cilardi, A.M., 1987. Confronto tra due

metodi: clássico e funcionale, per ló studio dell, acrescimento del pomodoro.

Revista di Agronomia, 21, 282-292.

Cattivelli, L., Rizza, F., Badeck, F.W., Mazzucotelli, E., Mastrangelo, E.M., Francia, E.,

Marè, C., Tondelli, A., Stanca, A.M., 2008. Drought tolerance improvement in

crop plants: an integrated view from breeding to genomics. Field Crop. Res., 05,

1–14.

Ceulemans, R., Impens, I., Gabriëls, R., 1980. Comparative study of photosynthesis,

transpiration, diffusion resistances and water-use efficiency of two azalea

cultivars. Sci. Hortic. (Amsterdam), 13, 283–288.

Chen, X.H., Zhuang, C.G., He, Y.F., Wang, L., Han, G.Q., Chen, C., He, H.Q., 2010.

Photosynthesis, yield, and chemical composition of Tieguanyin tea plants

(Camellia sinensis (L.) O. Kuntze) in response to irrigation treatments. Agric.

Water Manage., 97, 419–425.

Condon, A.G., Richards, R.A., Rebetzke, G.J., Farquhar, G.D., 2002. Improving intrinsic

water-use efficiency and crop yield. Crop Sci., 42, 122–131.



213.

Da Costa, M., Huang, B., 2006. Deficit irrigation effects on water use characteristics of

bentgrass species. Crop Sci., 46, 1779-1786.

De Mezer, M., Turska-Taraska, A., Kaczmarek, Z., Glowacka, K., Swarcewicz, B., Rorat,

T., 2014. Differential physiological and molecular response of barley genotypes

to water deficit. Plant Physiol. Biochem., 80, 234–248.


167

Decagon Devices, 2017. Leaf Porometer Operator’s Manual.

http://manuals.decagon.com/Manuals/10711_Leaf%20Porometer_Web.pdf.

(consulta 11/12/2017).

Egea, G., Verhoef, A., Vidale, P.L., 2011. Towards an improved and more flexible

representation of water stress in coupled photosynthesis-stomatal conductance

models. Agric. For. Meteorol., 151, 1370–1384.

Fabeiro, C., 1995. Análisis del crecimiento y del rendimiento del cultivo de soja

(Glicinemax (L.) Meer) Sometido a diferentes tratamientos hídricos en la zona de

los Llanos de Albacete. Tesis Doctoral, Universidad Castilla-La Mancha,

Albacete, España.

Fabeiro, C., Martín de Santa Olalla, F., de Juan, J.A., 2001. Yield and size of deficit

irrigated potatoes. Agric, Water Manage., 48, 255-266.

Fischer, R.A., Rees, D., Sayre, K.D., Lu, Z.-M., Condon, A.G., Larque Saavedra, A.,

1998. Wheat yield progress associated with higher stomatal conductance and

photosynthetic rate, and cooler canopies. Crop Sci., 38, 1475–1476.

Fleisher, D.H., Timlin, D.J., Reddy, V.R., 2008. Elevated carbon dioxe and water stress

effects on potato canopy gas Exchange, water use, and productivity. Agric. For.

Meteorol., 148, 1109-1122.

Fleisher, D.H., Timlin, D.J., Yang, Y., Reddy, V.R., 2010. Simulation of potato gas

exchange rates using SPUDSIM. Agri. For. Meteorol., 150, 432–442.

Flexas, J., Bota, J., Cifre, J., Mariano Escalona, J., Galmés, J., Gulías, J., Lefi, E.-K.,

Florinda Martínez-Cañellas, S., Moreno, M.T., Ribas-Carbó, M., Riera, D.,

Sampol, B., Medrano, H., 2004. Understanding down-regulation of

photosynthesis under water stress: future prospects and searching for

physiological tools for irrigation management. Ann. Appl. Biol., 144, 273-283.

Flexas, J., Bota, J., Galmés, J., Medrano, H., Ribas-Carbó, M., 2006. Keeping a positive

carbon balance under adverse conditions: responses of photosynthesis and

respiration to water stress. Physiol. Plant., 127, 343–352.

Flexas, J., Gallé, A., Galmés, J., Ribas-Carbo, M., Medrano, H., 2012. The response of

photosynthesis to soil water stress. In: Aroca, R. (Ed.), Plant Responses to

Drought Stress. Springer, Berlin, 129–144.


168

Forey, O., Metay, A., Wery, J., 2016. Differential effect of regulated deficit irrigation on

growth and photosynthesis in young peach trees intercropped with grass. Eur. J.

Agron., 81, 106–116.

Gerhards, M., Rock, G., Schlerf, M., Udelhoven, T., 2016. Water stress detection in

potato plants using leaf temperature, emissivity, and reflectance. Int. J. Appl.

Earth Obs. Geoinf., 53, 27–39.

Gleason, S.M., Wiggans, D.R., Bliss, C.A., Comas, L.H., Cooper, M., DeJonge, K.C.,

Young, J.S., Zhang, H., 2016. Coordinated decline in photosynthesis and

hydraulic conductance during drought stress in Zea mays. Flora - Morphol.

Distrib. Funct. Ecol. Plants, 227, 1–9.

González, A., Martín, I., Ayerbe, L., 1999. Barley yield in water-stress conditions. The

influence of precocity, osmotic adjustment and stomatal conductance. Field Crop.

Res., 62, 23–34.

Grimm, E.L., 2007. Efeito de diferentes niveis de irrigaçao na produtividade e ocorrencia

de requeima na cultura da batata. Tesis doctoral, Departamento de Engenharia

Agrícola, Universidade Federal de Santa María, Rio grande so Sul, Brasil.

Habash. D.Z., Paul, M.J., Parry, M.A.J., Keys, A.J., Lawlor, D.W., 1995. Increased

capacity for photosynthesis in wheat grown at elevated CO2: the relationship

between electron transport, carbon metabolism. Planta, 197, 482-489.

Hao, Z., Hao, F., Singyh, V.P., Sun, A.Y., Xia, Y. 2016. Probabilistic prediction of

hydrologic drought using a conditional probability approach based on the meta-

Gaussian model. Journal of Hydrology, 542, 772-780.

Hsiao, T.C. 1973. Plant responses to water stress. Annual Review of Plant Physiology

and Plant Molecular Biology, 24, 519-570.

Huseynova, I.M., Suleymanov, S.Y., Aliyev, J.A., 2007. Structural-functional state of

thylakoid membranes of wheat genotypes under water stress. Biochim. Biophys.

Acta, 1767, 869–875.

James, R.A., Rivelli, A.R., Munns, R., von Caemmerer, S., 2002. Factors affecting CO2

assimilation, leaf injury and growth in salt-stressed durum wheat. Functional Plant

Biology, 29, 1393–1403.


169

Jefferies, R.A., Marckerron, K.L., 1993. Response of potato genotypes to drougth. II Leaf

area index, growth and yield. Ann. Appl. Biol., 122, 105-112.

Kashyap, P.S., Panda, R.K. 2003. Effect of irrigation scheduling on potato crop

parameters under water stress conditions. Agric. Water Manage., 59, 49-66.

Katul, G.G., Oren, R., Manzoni, S., Higgins, C., Parlange, M.B., 2012.

Evapotranspiration: a process driving mass transport and energy exchange in the

soil–plant–atmosphere–climate system. Rev. Geophys, 50, 1-25.

Keutgen, N., Chen, K., Lenz, F., 1997. Responses of strawberry leaf photosynthesis,

chlorophyll fluorescence and macronutrient contents to elevated CO2. J. Plant

Physiol., 150, 395–400.

Kim, S.-H., P.R. Fisher, and J.H. Lieth. 2007. Analysis and modeling of gas exchange

processes in Scaevola aemula. Sci. Hort., 114, 170– 176.

Koning, A.N.M., 1994. Development and dry matter distribution in glasshouse tomato: a

quantitative approach. Tesis Doctoral, Agricutural University Wageningen, The

Netherlands.

Kumar, S., Imtiyaz, M., Kumar, A., Singh, R., 2007. Response of onion (Allium cepa L.)

to different levels of irrigation water. Agric. Water Manage., 89, 161–166.

Ladesma, A., Nunez, S.B., Arguello, J.A., Burba, J.L., Galmarini, C.R.., 1997. Bulbing

physiology in garlic (Allium sativum L.) cv. Rosado Paraguayo. Characterization

of ontogenic stages by shoot growth dynamics and its relation to bulbing. Acta

Hortic., 433, 405-416.

Larcher, W., 2003. Physiological Plant Ecology: Ecophysiology and Stress Physiology

of Functional Groups, second ed. Springer Verlag, Berlin.

Lawlor, D.W., 2002. Limitation to photosynthesis in water-stressed leaves: Stomata vs.

Metabolism, the role of ATP. Annals of Botany, 89, 871-885

Lazaridou, M., Noitsakis, V., 2005. The effect of cutting on water balance of alfalfa

plants. J. Biological Res., 4, 189-195.




170


España.

Levitt, J., 1980. Responses of Plants to Environmental Stresses. Water, Radiation, Salt

and Other Stresses. Vol. II. Academic Press, New York.

Li, Y., Li, H., Li, Y., Zhang, S., 2017. Improving water-use efficiency by decreasing

stomatal conductance and transpiration rate to maintain higher photosynthetic rate

in drought-resistant wheat. Crop J., 5, 231–239.

LICOR, 2017. Using the LI-6400/LI-640XT Portable Photosynthesis System Version 6.

https://www.licor.com/documents/s8zyqu2vwndny903qutg. (consulta

11/12/2011).

Loka, D., Oosterhuis, D., Ritchie, G., 2011. Water deficit stress in cotton. In: Oosterhuis

DM, editor. Stress physiology in cotton. Cordova. The Cotton Foundation, 37–72.

López-Urrea, R., Martín de Santa Olalla, F., Montoro, A., López-Fuster, P., 2009. Single

and dual crop coefficients and water requirements for onion (Allium cepa L.)

under semiarid conditions. Agric. Water Manage., 96, 1031–1036.

López-Urrea, R., Montoro, A., Mañas, F., López-Fuster, P., Fereres, E., 2012.

Evapotranspiration and crop coefficients from lysimeter measurements of mature

“Tempranillo” wine grapes. Agric. Water Manage., 112, 13–20.

Losavio, M., Mastrorilli, M., Scarascia, M.E.V., 1985. Il girasole nella zona

mediterránea: Architetura e accrescimento della coltura. Ann. Ist. Sper. Agron.,

16, 83-97.

Mansfield, T., Davies, W., 1985. Mechanisms for leaf control of gas exchange.

BioScience 35, 158–164.




Manage., 192, 58–70.

Medici, L.O., Reinert, F., Carvalho, D.F., Kozak, M., Azevedo, R.A., 2014. What about

keeping plants well watered? Environ. Exp. Bot., 99, 38–42.


171

Mills, A., 2002. Effects of polyacrylamide (PAM) and gypsum on irrigated and dryland

potatoes (Solanum tuberosum L.). Tesis Doctoral, Lincoln University, New

Zealand.

Motzo, R., Pruneddu, G., Giunta, F., 2013. The role of stomatal conductance for water

and radiation use efficiency of durum wheat and triticale in a mediterranean

environment. Eur. J. Agron., 44, 87–97.

Nagaz, K., Toumi, I., Masmoudi, M.M., Mechilia, N.B., 2008. Soil salinity and barley

production under full and deficit irrigation with saline water in Arid conditions of

Southern Tunisia. Res. J. Agron., 2, 90–95.

Nielsen, D.C., Unger, P.W., Miller, P.R., 2005. Efficient water use in dryland cropping

systems in the great plains. Agron. J., 97, 364-372.

Pask, A.J.D., Pietragalla, J., Mullan, DM., Chávez-Dulanto P.N., Reynolds, M.P., 2013.

Fitomejoramiento Fisiológico II: Una Guía de Campo para la Caracterización

Fenotípica de Trigo. México, D.F., CIMMYT.

Pereira, J.B.A., 2006. Avaliação do crescimeto, necessidade hídrica e eficiência no uso

da água pela cultura do pimentão (Capsicum annuum. L), sob manejo orgánico

nos sistemas de plantio com preparo do sol e direto. Seropédica, RJ. Tesis

Doctoral, Instituto de Agronomia, Universidade Federal Rural do Rio de Janeiro,

Rio de Janeiro, Brasil.

Petr, J., Lipavský, J., Hradecká, D., 2002. Production process in old and modern spring

barley varieties. Bodenkultur, 53, 19–27.

Ramírez, D.A., Yactayo, W., Rens, L.R., Rolando, J.L., Palacios, S., De Mendiburu, F.,

Mares, V., Barreda, C., Loayza, H., Monneveux, P., Zotarelli, L., Khan, A.,

Quiroz, R., 2016. Defining biological thresholds associated to plant water status

for monitoring water restriction effects: Stomatal conductance and photosynthesis

recovery as key indicators in potato. Agric. Water Manage., 177, 369–378.

Robredo, A., 2011. Mecanismos fisiológicos de respuesta de la cebada al impacto de la

sequía y el elevado CO2 –ADAPTACIÓN AL CAMBIO CLIMÁTICO-. Tesis

Doctoral, Universidad del País Vasco, Leioa, España.


172

Rosen, C.J., Tong, C.B.S., 2001. Yield, dry matter partitioning, and storage quality of

hardneck garlic as affected by soil amendments and scape removal. HortScience,

36, 1235–1239.

Scott, H.D., Batchelor, J.T., 1979. Dry weight and leaf area production rates of irrigated

determinate soybeans. Agronomy Journal, 71, 776-782.

Sellers, P.J., Dickinson, R.E., Randall, D.A., Betts, A.K., Hall, F.G., Berry, J.A., Collatz,

G.J., Denning, A.S., Mooney, H.A., Nobre, C.A., Sato, N., Field, C.B., Henderson

Sellers, A., 1997. Modeling the exchanges of energy, water, and carbon between

continents and the atmosphere. Science, 275, 502–509.

Sesták, Z., 1985. Ontogeny of leaf morphology and anatomy, in: Z, Sesták (Ed.),

Photosynthesis During Leaf Development, Dr. W. Junk, Boston, MA. 16–50.

Sugiura, D., Tateno, M., 2014. Effects of the experimental alteration of fine roots on

stomatal conductance and photosynthesis: Case study of devil maple (Acer

diabolicum) in a cool temperate region. Environ. Exp. Bot., 100, 105–113.

Swank, J.C., Engli, D.B., Pfeiffer, T.W., 1987. Seed Growth characteristic of soybean

genotypes differing in duration of seed fill. Crop Sci., 27, 85-89.

Szira, F., Bálint, A.F., Börner, A., Galiba, G., 2008. Evaluation of drought-related traits

and screening methods at different developmental stages in spring barley. J.

Agron. Crop Sci., 194, 334-342.

Tabarzad, A., Ghaemi, A.A., Zand-Parsa, S., 2016. Extinction coefficients and radiation

use efficiency of barley under different irrigation regimes and sowing dates.


Taiz, L., Zeiger, E., 2002. Plant Physiology. Sinauer Associantes. 3 ed. 690p.

Tambussi, E.A., Nogués, S., Ferrio, P., Voltas, J., Araus, J.L., 2005. Does higher yield

potential improve barley performance in Mediterranean conditions? A case study.

Field Crop. Res., 91, 149–160.

Teruel, D.A., Barbieri, V., Ferraro, L.A., 1997. Sugarcane leaf area index modeling under

different soil water conditions. Scientia Agricola, 54, 39-44.


173

Tezara, W., Mitchell, V., Driscoll, S.P., Lawlor, D.W., 2002. Effects of water deficit and

its interaction with CO2 supply on the biochemistry and physiology of

photosynthesis in sunflower. Journal of Experimental Botany, 53, 1781-1791.



Crop. Res., 100, 240–248.

van Gestel, N.C., Nesbit, A.D., Gordon, E.P., Green, C., Pare, P.W., Thompson, L.,

Peffley, E.B., Tissue, D.T., 2005. Continuous light may induce photosynthetic

downregulation in onion: Consequences for growth and biomass partitioning.

Physiol. Plant., 125, 235–246.

Wahbi, A., Sinclair, T.R., 2005. Simulation analysis of relative yield advantage of barley

and wheat in an eastern Mediterranean climate. Field Crop. Res., 91, 287–296.

Wall, G.W., Garcia, R.L., Wechsung, F., Kimball, B. A., 2011. Elevated atmospheric

CO2 and drought effects on leaf gas exchange properties of barley. Agric. Ecosyst.

Environ., 144, 390–404.

Winsor, C.P., 1932. The Gompertz curve as a growth curve. Procceeding of the National

Academy of Sciences, 18, 1-7.

Wu, B.-J., Chow, W.S., Liu, Y.J., Shi, L., Jiang, C.D., 2014. Effects of stomatal

development on stomatal conductance and on stomatal limitation of

photosynthesis in Syringa oblata and Euonymus japonicus Thunb. Plant Sci., 229,

23–31.

Xu, Z., Zhou, G., Shimizu, H., 2010. Plant responses to drought and rewatering. Plant

Signal. Behav., 5, 649–654.



Manage., 98, 1776–1781.

Capítulo 6. Repercusión de

los resultados obtenidos y

futuras líneas de investigación

Capítulo 6 Repercusión de los resultados obtenidos y futuras líneas de investigación

177

6.1. REPERCUSIÓN EN EL SECTOR PRODUCTIVO

6.1.1. Huella hídrica

La metodología ORDI permitió reducir la huella hídrica en el proceso productivo de la

cebada durante los tres años de ensayo (Capítulo 3). El impacto sobre el medio ambiente

de esta mejora se puede cuantificar si se extrapola al ámbito de la provincia de Albacete.

La superficie cultivada de cebada en regadío en Albacete es de 24.600 ha, siendo el

rendimiento medio de 6,30 t ha-1. Por lo tanto, la producción media anual es de unas

155.000 toneladas (MAPAMA, 2017). El volumen de agua azul necesario para lograr este

resultado es de 55,79 hm3 bajo las condiciones climáticas medias de los tres años de

ensayos y manejando el cultivo sin déficit. Como alternativa, para las mismas condiciones

climáticas si se aplica la metodología ORDI y un manejo del riego correspondiente al

tratamiento T80, que fija en 2.000 m3 ha-1 la cantidad de agua a aplicar a este cultivo,

sería necesario aumentar la superficie un 24% (Tabla 6.1) para lograr la misma

producción total. Sin embargo, pese a este aumento de superficie, el volumen de agua

azul necesario sería de 42,52 hm3, es decir, alrededor de un 24% menos (Tabla 6.1),

gracias en parte a un mejor aprovechamiento del agua verde (Tabla 3.17). Dado que la

componente gris también es inferior con este manejo (Tabla 3.17), el volumen teórico

total de agua necesario para el proceso sería 7,80 hm3 inferior con esta metodología,

reduciendo en un 9% la huella hídrica total pese haber aumentado la superficie regada

(Tabla 6.1). Para la obtención de estos resultados no se han considerado los rendimientos

netos conseguidos en los ensayos, sino los proporcionales con respecto al tratamiento sin

déficit. De esta manera, el tratamiento SD se corresponde con el rendimiento medio

obtenido en la provincia de Albacete, ajustando el rendimiento del T80 teórico para la

provincia en función de la disminución de rendimiento medio observado en los ensayos.

Los consumos de agua utilizados para las estrategias SD y T80 si son los observados en

los ensayos.

Tabla 6.1. Mejora de la huella hídrica de la cebada en la provincia de Albacete con la

metodología ORDI.

Tratamiento

Superficie

regada (ha)

Agua azul

(hm3)

Reducción con

respecto a SD (%)

Agua total

proceso (hm3)

Reducción con

respecto a SD (%)

SD 24.600 55,79 0 90,04 0

T90 29.122 45,15 19 85,39 5

T80 30.498 42,52 24 82,24 9

T70 35.117 42,83 23 85,76 5


178

Los resultados anteriores, basados en los obtenidos en el Capítulo 3, cuantifican el ahorro

de agua que supondría la aplicación de la metodología ORDI en la zona.

6.1.2. Mejora de la competitividad de la cebada

Tras analizar los resultados obtenidos en este trabajo, es posible concluir que la

metodología ORDI mantiene las características cualitativas de la cebada para maltería

(calibres, contenido en proteínas y demás parámetros de calidad de la malta y mosto)

(Capítulo 4).

En este apartado se pretende poner de manifiesto el impacto económico de ORDI sobre

el cultivo de la cebada, en el caso de que los agricultores decidieran aplicar esta

metodología.

En este sentido, entre las grandes zonas regables de Castilla-La Mancha hay que distinguir

dos situaciones diferentes. Por un lado, las zonas regables “Mancha Occidental” y

“Campo de Montiel”, pertenecientes a la cuenca del Guadiana, donde los volúmenes de

agua de riego disponibles son bajos por la situación de sobreexplotación de los acuíferos

de los que se abastecen. En estas zonas regables, las explotaciones disponen de un

volumen de agua de riego fijo para toda la campaña que no puede ser superado, estando

controlado por caudalímetros instalados a la salida de los sistemas de bombeo que extraen

el agua de las masas subterráneas. Por otro, la “Mancha Oriental”, perteneciente a la

cuenca del Júcar, donde la disponibilidad de agua, aunque baja, es superior a la de los

casos anteriores, siendo la principal diferencia entre ambas zonas el modelo de gestión

del agua. Así, en esta zona los agricultores trabajan con volúmenes estimados, es decir,

tienen limitada la superficie que pueden cultivar en función del agua que se les asigna

cada año y de los consumos teóricos de los cultivos en la zona. La gran ventaja de esta

metodología es que en años secos, el volumen no está limitado y pueden cubrir las

necesidades de los cultivos sin penalizaciones. Sin embargo, los agricultores pueden optar

por instalar caudalímetros en sus explotaciones y cultivar toda la superficie que deseen,

sin sobrepasar el volumen asignado al inicio de la campaña.

Como ejemplo, se supone una situación en la que un productor está planificando la

distribución de cultivos en su explotación para la próxima campaña. Le quedan

disponibles 35.000 m3 de agua de riego y una superficie regable de 20 ha en las que desea

sembrar cebada, destinando la superficie sobrante a un cultivo en secano.


179

Los datos económicos utilizados son los recogidos en el Capítulo 3, considerando que el

cultivo de secano genera 125 € ha-1 de margen bruto. Para transformar las necesidades

netas de riego a necesidades brutas, se ha considerado que las pérdidas por evaporación

y arrastre, junto con la falta de uniformidad del sistema de riego, suponen un incremento

del 12% en los consumos netos.

Se han comparado tres escenarios en los que el agricultor puede optar por aplicar al

cultivo un volumen de agua de riego que cubra totalmente sus necesidades hídricas (SD),

que cubra el 100% de las necesidades teóricas para el año intermedio con el riesgo de

quedarse sin agua al final de la campaña (T100), o un volumen equivalente al 90%, 80%

o 70% de las necesidades típicas del cultivo, siguiendo la metodología ORDI (T90, T80

o T70). A su vez, las distintas combinaciones se han analizado desde el punto de vista en

el que un agricultor tiene su explotación en la cuenca del Júcar y otro en la cuenca del

Guadiana.

En el primer escenario, se han calculado y comparado el margen bruto (MB) que

obtendría cada uno de estos agricultores para cada una de las estrategias de riego bajo las

condiciones climáticas de los años meteorológicos típicos seco, intermedio y húmedo

(Leite et al., 2015). Después se han extrapolado los resultados a la proporción de años

secos, intermedios y húmedos que ocurrirían en una serie temporal de 10 años.

En el segundo escenario, se han calculado y comparado los márgenes brutos de cada una

de las estrategias de riego como si las características climáticas, rendimientos y

necesidades del cultivo fueran una media de los tres años de ensayo de esta Tesis.

También se ha analizado la repercusión tanto económica como de volumen de agua que

hubiese supuesto seguir una estrategia T80 frente a una SD en toda la superficie de cebada

cultivada en la “Mancha Oriental”.

En el tercer escenario, se ha comparado una estrategia SD con una T80, utilizando en esta

segunda la misma superficie que en la SD, pero aplicando el agua sobrante en un cultivo

con mayor productividad económica del agua de riego como es el ajo morado de Las

Pedroñeras bajo una estrategia T100 (Lellis, 2017).

6.1.2.1. Escenario 1.

La superficie que podría dedicar a la cebada en cada una de estas situaciones y el margen

bruto que obtendría, tanto por unidad de superficie como para el conjunto de la

explotación, se han calculado para un año seco, intermedio y húmedo (Tabla 6.2) según


180

las características de la explotación planteada. Como era de esperar, la superficie dedicada

a la cebada en regadío es mayor según va siendo más restrictiva la estrategia, con

alrededor de un 43% más en el caso del T70 frente al SD. El margen bruto esperado por

unidad de superficie, según los resultados obtenidos por MOPECO al simular los tres

tipos de años, sería mayor para la estrategia SD en prácticamente todos los casos, salvo

para el T100 en el año seco que es algo superior (Tabla 6.2). Por otro lado, para el

conjunto de las 20 ha, el tratamiento SD es el que menor rentabilidad consigue en los tres

tipos de años, siendo la estrategia T80 la más interesante para los años húmedos (13,73%

de aumento de margen bruto) y la T90 para los años secos e intermedios (por encima de

un 6%) (Tabla 6.2). Esto se debe a que la mayor superficie dedicada en las estrategias

optimizadas compensa el menor margen bruto unitario, destacando los años húmedos

donde los márgenes brutos por unidad de superficie son bastante similares entre las

distintas estrategias (salvo la T70 que es sensiblemente menor).


disponible utilizando la estrategia SD, la T100, la T90, la T80 y la T70 para los tres tipos

de TMY.

Estra-

tegia

Área

(ha)

Riego

bruto

(m3

ha-1)

Margen bruto cebada Margen bruto explotación ΔMB frente a SD

Seco

(€ ha-1)

Inter.

(€ ha-1)

Húm.

(€ ha-1)

Seco

(€)

Inter.

(€)

Húm.

(€)

Seco

(%)

Inter.

(%)

Húm.

(%)

SD 12,32 --- 507,68 517,23 544,50 7.215 7.332 7.668 0,00 0,00 0,00

T100 12,32 2.841 516,97 517,23 544,50 7.329 7.332 7.668 1,59 0,00 0,00

T90 13,69 2.557 504,50 511,45 530,05 7.695 7.790 8.044 6,66 6,24 4,91

T80 15,40 2.273 461,65 459,51 528,99 7.684 7.651 8.721 6,51 4,35 13,73

T70 17,60 1.989 407,18 403,42 475,98 7.466 7.400 8.677 3,49 0,93 13,16

Para la serie histórica de los últimos 50 años de la estación de Los Llanos (Albacete), se

ha determinado que el número de años secos, intermedios y húmedos fue de 14, 21 y 15,

respectivamente. Aplicando esta proporción a una serie de 10 años (3 secos, 4 intermedios

y 3 húmedos), se ha comparado la diferencia de margen bruto por unidad de superficie y

año que habría entre aplicar la estrategia SD y el resto en una explotación en la “Mancha

Oriental” (volúmenes estimados), y la T100 y el resto en una explotación situada en la

“Mancha Occidental” (volúmenes fijos) (Tabla 6.3).

En todos los casos, en la “Mancha Oriental” siempre se consigue mayor incremento de

beneficio que en la “Mancha Occidental”. Esto se debe a que el margen bruto por unidad

de superficie de la estrategia T100 siempre es mayor o igual que el de la SD (Tabla 6.2).

En ambas ubicaciones la estrategia T80 generaría el mayor margen bruto, suponiendo una

mejora media, en una serie de 10 años, de más de 550 € año-1 (entre un 6,9 y 7,3% más

de beneficio comparado con la estrategia SD).


181


una explotación de 20 ha y 35.000 m3 de agua de riego disponible situada en la “Mancha

Oriental” con volúmenes estimados, y la T100 y el resto en la “Mancha Occidental” con

volúmenes limitados (valores positivos significan menor rentabilidad del tratamiento SD)

para una serie de 10 años.

Estrategia

de riego

Ubicación de la

Explotación

Diferencia de MB Explotación (€ ha-1) Diferencia

MB anual

(€)

% de

aumento

de MB Seco Intermedio Húmedo

Media

10 años

SD Mancha Oriental 0,00 0,00 0,00 0,00 0,00 0,00

Mancha Occidental --- --- --- --- --- ---

T100 Mancha Oriental 5,72 0,00 0,00 1,72 34,34 0,46

Mancha Occidental 0,00 0,00 0,00 0,00 0,00 0,00







Los resultados anteriores ponen de manifiesto que la metodología ORDI puede ayudar a

incrementar la rentabilidad de explotaciones situadas en zonas con baja disponibilidad

hídrica y volúmenes limitados de agua.


En este escenario, se va a considerar que las condiciones en las que se va a desarrollar el

cultivo en ambas ubicaciones serán similares a las de los tres años de ensayo de esta Tesis.

La disponibilidad de agua se ha calculado en función de las necesidades netas típicas del

cultivo (2.500 m3 ha-1), por lo que las superficies cultivadas y el riego neto en las

estrategias con volúmenes limitados son similares a las del escenario 1 (Tabla 6.4).

Durante los tres años de ensayos, los ciclos de cultivo tuvieron características de año seco,

siendo las necesidades netas reales de agua de riego mucho mayores que las estimadas

para las condiciones típicas intermedias. El margen bruto por unidad de superficie,

comparado con el escenario 1, fue menor en todos los casos. En las estrategias SD se

debió a que la cantidad de agua de riego necesaria fue mayor, derivando en un aumento

de los costes que redujo el MB, y para las estrategias con volúmenes limitados, a que el

cultivo sufrió más estrés del esperado, las relaciones ETa/ETm fueron menores, con las

consiguientes pérdidas de rendimiento y por tanto de MB. Al contrario de lo que sucedía

en el escenario 1, la estrategia SD no siempre consiguió el mayor MB unitario. Así, en

2017, el mayor rendimiento obtenido en la estrategia SD no compensó los costes

derivados de aplicar el agua de riego necesaria para cubrir las necesidades netas del


182

cultivo (casi 2.000 m3 ha-1 más que en la estrategia T80) (Tabla 6.4). Para el conjunto de

las 20 ha, el tratamiento SD es el que mayor rentabilidad consigue en el año 2015. Esta

campaña fue la menor de las tres en cuanto necesidades de agua de riego, siendo próximas

a las estimadas (2.860 m3 ha-1) y el rendimiento conseguido fue equivalente al potencial,

por lo que el MB unitario del SD estuvo muy próximo al de un TMY-seco (Tabla 6.2).

Sin embargo, el rendimiento del resto de estrategias fue mucho menor al de un TMY-

seco, viéndose muy mermado el MB unitario de éstas, llegando a ser hasta un 60% menor

en el caso del T70. Fue tanta la diferencia entre MB unitarios en esa campaña, que la

mayor superficie dedicada en las estrategias optimizadas no pudo compensar el menor

margen bruto unitario, quedando el MB de la explotación hasta un 22% menor en el caso

del T70 (Tabla 6.4). Por otro lado, en las otras dos campañas, las necesidades de agua de

riego fueron mucho mayores (3.334 m3 ha-1 y 3.679 m3 ha-1 para 2016 y 2017

respectivamente), el MB unitario fue bastante similar entre las distintas estrategias ya que

el coste del agua de la SD compensó la merma de rendimientos de las otras estrategias (a

excepción del T70 que es sensiblemente menor), la mayor superficie dedicada en las

estrategias optimizadas corrigió el menor margen bruto unitario, siendo la estrategia T80

la más interesante (6,34 y 12,77% de aumento de margen bruto de la explotación con

respecto a la SD) (Tabla 6.4).


disponible utilizando la estrategia SD, la T100, la T90, la T80 y la T70 en los años 2015,

2016 y 2017.

Estra-

tegia

Área

(ha)

Riego

bruto

(m3

ha-1)

Margen bruto cebada Margen bruto explotación ΔMB frente a SD

2015

(€ ha-1)

2016

(€ ha-1)

2017

(€ ha-1)

2015

(€)

2016

(€)

2017

(€)

2015

(%)

2016

(%)

2017

(%)

SD 12,32 --- 507,23 409,45 390,89 7.209 6.004 5.776 0,00 0,00 0,00

T100 12,32 2.841 482,19 393,54 408,29 6.901 5.808 5.990 -4,28 -3,26 3,71

T90 13,69 2.557 391,10 403,66 396,95 6.143 6.315 6.223 -14,79 5,16 7,74

T80 15,40 2.273 391,71 377,27 385,60 6.607 6.385 6.513 -8,35 6,34 12,77

T70 17,60 1.989 304,40 322,65 287,91 5.657 5.979 5.367 -21,52 -0,43 -7,07

En la Tabla 6.5 se ha comparado la diferencia de margen bruto por unidad de superficie

y año que habría entre aplicar la estrategia SD y el resto en una explotación en la “Mancha

Oriental” (volúmenes estimados), y la T100 y el resto en una explotación situada en la

“Mancha Occidental” (volúmenes fijos) considerando una media de los tres años de

ensayo.


183


una explotación de 20 ha y 35.000 m3 de agua de riego disponible situada en la “Mancha

Oriental” con volúmenes estimados, y la T100 y el resto en la “Mancha Occidental” con

volúmenes limitados, bajo condiciones del escenario 2.

Estrategia

de riego

Ubicación de la

Explotación

Diferencia de MB Explotación (€ ha-1) Diferencia

MB anual

(€)

% de

aumento

de MB 2015 2016 2017 Media



T100 Mancha Oriental -15,43 -9,80 10,72 -4,84 -96,72 -1,55


T90 Mancha Oriental -53,32 15,50 22,35 -5,16 -103,13 -1,66

Mancha Occidental -37,90 25,31 11,63 -0,32 -6,41 -0,10

T80 Mancha Oriental -30,09 19,03 36,87 8,61 172,10 2,65

Mancha Occidental -14,66 28,83 26,15 13,44 268,82 4,13

T70 Mancha Oriental -77,58 -1,29 -20,43 -33,10 -661,98 -11,68

Mancha Occidental -62,15 8,51 -31,14 -28,26 -565,26 -9,97

Observando la Tabla 6.5, se concluye que la única estrategia interesante como alternativa

a la SD en las explotaciones ejemplo es la T80, ya que supone un aumento de margen

bruto entre el 2,65 y 4,14% bajo las condiciones climáticas de los tres años de ensayo,

según donde se sitúen, mientras que las otras estrategias implicarían pérdidas. El

porcentaje de aumento de beneficio en el caso de la “Mancha Oriental” (2,65%) puede

parecer bajo, pero si se analiza cómo repercuten estos datos extrapolándolos a toda la

zona englobada por el acuífero, se observan resultados interesantes.

Según la JCRMO, en las campañas 2015, 2016 y 2017 se aplicaron de media unos 340

hm3 año-1 de agua para regar todos los cultivos dentro de su ámbito de actuación. Así

mismo, se cultivaron de media unas 15.000 ha año-1 de cebada en regadío (en torno a un

14% de la superficie total cultivada) (JCRMO, 2018) (Tabla 6.6). Según las necesidades

que establecen los Planes de Explotación a los que se adscriben los agricultores, el

consumo teórico de la cebada en función de la superficie cultivada, habría sido de 127,7

hm3. Sin embargo, al realizar el control del uso del agua mediante el Plan de Explotación,

no se tiene que justificar el agua realmente consumida, por tanto, en años secos como

estas tres campañas, el consumo es mucho mayor que el previsto. De esta manera, si se

extrapolan las necesidades de riego observadas en los ensayos de esta Tesis a la superficie

total cultivada de la “Mancha Oriental”, el consumo real habría sido de 166,1 hm3, es

decir, unos 38,3 hm3 más de lo previsto para las tres campañas.


184

Tabla 6.6. Superficie cultivada de cebada y agua de riego teórica y total aplicada en la

“Mancha Oriental” en las campañas 2015, 2016 y 2017.

Año

Superficie

cebada (ha)

Riego total “Mancha

Oriental” (hm3)

Riego cebada (hm3)

SD (real) Teórico (Plan Explotación)

2015 17.412 338,2 56,7 49,5

2016 14.971 340,1 56,7 42,5

2017 12.584 353,4 52,6 35,8

Total 44.967 1.031,7 166,1 127,7

Si los agricultores hubiesen optado por la estrategia T80 y el uso de contador, la superficie

cultivada de cebada podría haber sido mayor (un 25% más ya que el agua que aplica el

T80 es menor a las necesidades que recoge el Plan de Explotación), de esta manera, no

solo se habrían ahorrado esos 38,3 hm3, sino que el MB, considerando un precio de venta

de la cebada como si el 8% de la producción alcanzase la calidad maltera (proporción

nacional según CE (2018)), habría mejorado en 1,72 millones de euros (13%) en estas

tres campañas tal y como recoge la Tabla 6.7.

Tabla 6.7. Superficie cultivada y márgenes brutos (MB) de cebada comparando

estrategias SD y T80 en la “Mancha Oriental” durante las campañas 2015, 2016 y 2017.

Año

Sup. cebada

SD (ha)

Sup. cebada

T80 (ha)

MB (€ ha-1) MB (Mill. €) Ahorro de agua de

riego (hm3) SD T80 SD T80

2015 17.412 21.765 350,66 266,41 6,11 5,80 7,3

2016 14.971 18.714 258,37 254,32 3,87 4,76 14,2

2017 12.584 15.730 236,50 261,17 2,98 4,11 16,9

Total 44.967 56.209 - - 12,95 14,67 38,3

Además, la CHJ recoge en el Plan Hidrológico de la demarcación hidrográfica del Júcar

para el ciclo de planificación hidrológica 2015-2021 (CHJ, 2018) que la productividad

económica del agua en el sector agrario dentro de la “Mancha Oriental” es de 0,78, 0,80

y 0,81 € m3 para los años 2015, 2016 y 2017 respectivamente. Por lo tanto, esos 38,3 hm3

que se han consumido de más durante esas tres campañas en la cebada, además del

impacto ambiental, podrían haber generado 30,68 millones de euros extra en el conjunto

del acuífero si se hubieran aplicado a cultivos con mayor rentabilidad, mejorando

sustancialmente la economía de la zona.


En este tercer escenario se va a comparar una estrategia SD, otra T100 y una tercera donde

se va a combinar un T80 de cebada con un T100 de ajo morado de Las Pedroñeras

(estrategia 3). La elección de este cultivo es debida a que Lellis (2017) realizó un ensayo

similar y bajo las mismas condiciones climáticas que en esta Tesis. Las condiciones

climáticas, necesidades netas y márgenes brutos por unidad de superficie van a ser los


185

mismos que los considerados en el escenario 1. En el caso del tratamiento T80, los 35.000

m3 disponibles permitirían sembrar la misma superficie de cebada que en los tratamientos

SD y T100 (12,32 ha) y, además, 2,27 ha de ajo morado (Tabla 6.8). El ajo morado de

Las Pedroñeras, al ser un cultivo con una mayor productividad económica del agua que

la cebada, consigue que distribuyendo la misma cantidad de agua mediante la estrategia

3, y pese a que la superficie de ajo solo representa un 16% del total, el margen bruto sea

casi un 300% mayor en comparación con la con estrategia SD (Tabla 6.8).


disponible utilizando la estrategia SD, la T100, y combinación de T80 con T100 de ajo

morado de Las Pedroñeras (estrategia 3).

Estrategia

Área

(ha)

Riego

bruto

(m3

ha-1)

Margen bruto cultivo Margen bruto explotación ΔMB frente a SD

Seco

(€ ha-1)

Inter.

(€ ha-1)

Húm.

(€ ha-1)

Seco

(€)

Inter.

(€)

Húm.

(€)

Seco

(%)

Inter.

(%)

Húm.

(%)

SD 12,32 --- 507,68 517,23 544,50 7.215 7.332 7.668 0,00 0,00 0,00

T100 12,32 2.841 516,97 517,23 544,50 7.329 7.332 7.668 1,59 0,00 0,00

T80 12,32 2.273 461,65 459,51 528,99 --- --- --- --- --- ---

T100 (ajo) 2,27 3.080 7.485,03 9.700,00 10.161,00 --- --- --- --- --- ---

Estrategia

3 14,59 2.399 1.555,05 1.898,07 2.028,51 23.367 28.372 30.275 223,88 286,95 294,81

Considerando la proporción de TMY secos, intermedios y húmedos determinada en el

escenario 1, se ha comparado la diferencia de margen bruto por unidad de superficie y

año que habría entre aplicar la estrategia SD y la estrategia 3 en la “Mancha Oriental”

(volúmenes estimados), y la T100 y estrategia 3 en una explotación situada en la “Mancha

Occidental” (volúmenes fijos) (Tabla 6.9).

Tabla 6.9. Diferencia de margen bruto (MB) anual entre la estrategia SD y la

combinación T80 cebada y T100 de ajo morado de Las Pedroñeras (estrategia 3) en una

explotación de 20 ha y 35.000 m3 de agua de riego disponible situada en la “Mancha

Oriental” con volúmenes estimados, y la T100 y estrategia 3 en la “Mancha Occidental”

con volúmenes limitados.

Estrategia

de riego

Ubicación de la

Explotación

Diferencia de margen bruto (€ ha-1) Diferencia

MB anual

(€)

% de

aumento

de MB Seco Intermedio Húmedo

Media

10 años





Estrategia

3

Mancha Oriental 807,61 1.051,99 1.130,35 1.002,18 20.043,68 270,94

Mancha Occidental 801,88 1.051,99 1.130,35 1.000,47 20.009,34 269,23

En todos los casos, en la “Mancha Oriental” siempre se consigue un ligero mayor

incremento de beneficio que en la “Mancha Occidental”. Esto se debe a que el margen

bruto por unidad de superficie de la estrategia T100 siempre es mayor o igual que el de


186

la SD (Tabla 6.8). En ambas ubicaciones la estrategia 3 generaría el mayor margen bruto,

suponiendo una mejora media, en una serie de 10 años, de más de 20.000 € año-1 (en torno

a un 270% de beneficio comparado con la estrategia SD). Dado que el riesgo que debe

asumir el agricultor es cultivar un 18% más de superficie con otro cultivo y que los

beneficios podrían ser hasta un 271% mayores, parece razonable optar por la estrategia 3

(Tabla 6.9).

Los resultados anteriores ponen de manifiesto que la metodología ORDI puede ayudar a

incrementar la rentabilidad del conjunto de explotaciones situadas en zonas con baja

disponibilidad hídrica y volúmenes limitados de agua, y/o a reducir el impacto sobre el

medio ambiente. Así, para cultivos de baja rentabilidad como la cebada, la metodología

ORDI permitiría garantizar la producción, incrementar la rentabilidad en la zona de

aplicación al liberar recursos para otros cultivos más rentables, reducir el nivel de

extracciones, lo que implicaría una elevación de los niveles piezométricos y un menor

coste energético en zonas con recursos subterráneos, y disminuir la percolación de

nutrientes y otros productos químicos que puedan afectar a la calidad de las aguas

subterráneas.

6.2. FUTURAS LÍNEAS DE INVESTIGACIÓN

Los resultados de esta Tesis Doctoral animan a ampliar el conocimiento sobre ciertos

aspectos del riego deficitario en la cebada y a seguir avanzando en el desarrollo de nuevas

metodologías y módulos de cálculo del programa MOPECO:

- Realizar más ensayos específicos sobre la cebada tanto para confirmar la

calibración de los valores de Ky como para ajustar mejor el valor de diferencia

máxima de ETa/ETm entre dos etapas consecutivas de desarrollo.

- Estudiar los efectos de la calibración y calendarios de riego propuestos por

MOPECO en otros modelos más extendidos como Aquacrop para ver si realizan

un mejor ajuste de las experiencias reales en sus simulaciones.

- Mejorar la metodología ORDI considerando el contenido inicial del agua del suelo

en las optimizaciones, así como que la determinación del tipo de TMY en las

optimizaciones se realice en función de la etapa de desarrollo anterior o a partir

del inicio del ciclo de cultivo y no desde el inicio del año hidrológico. También

buscar cambios en el criterio de reserva de volúmenes de agua para la última etapa


187

de desarrollo para que no se vean afectadas etapas anteriores más sensibles al

déficit hídrico.

- Estudiar el efecto combinado de la fertilización con la metodología ORDI sobre

los parámetros de calidad y rendimiento en la cebada, buscando un mejor ajuste a

los criterios de calidad y reducir costes y huella hídrica en mayor medida.

- Estudiar la aplicación de las metodologías ORDI y TMY en otros cultivos de

importancia económica en la zona.

- Adaptar esta metodología a la gestión de grandes explotaciones y/o comunidades

de regantes, con el fin de optimizar la distribución del agua disponible entre

diferentes cultivos y periodos del año en función de la evolución climática del año

en curso, relacionándola con la adecuada demanda de energía a lo largo de la

campaña de riegos.

Todos estos avances deben transferirse al sector productivo mediante un adecuado

proceso de información y formación, así como mediante el desarrollo de herramientas

informáticas adaptadas a los conocimientos y necesidades de los técnicos y agricultores

responsables de las explotaciones agrarias. En este sentido, se está trabajando en una

nueva versión del modelo MOPECO que estará disponible a través de la página web del

Centro Regional de Estudios del Agua (http://crea.uclm.es).

6.3. BIBLIOGRAFÍA


http://www.cerveceros.org/pdf/CE-informe-economico-2017-FINAL.pdf.

Cerveceros de España. (consulta 19/02/2018).

CHJ, 2018. Plan hidrológico de la demarcación hidrográfica del Júcar. Memoria–anejo 3.

Usos y demandas del Agua. Ciclo de planificación hidrológica 2015-2021.

http://www.chj.es/Descargas/ProyectosOPH/Consulta%20publica/PHC-2015-

2021/PHJ1521_Anejo03_UsosyDemandas_151126.pdf. Confederación

Hidrográfica del Júcar. Ministerio de Agricultura y Pesca, Alimentación y Medio

Ambiente. (consulta 20/01/2018).

JCRMO, 2018. Memorias Junta de Regantes Mancha Oriental.

http://www.jcrmo.org/index.php?id=38. Junta Central de Regantes de la Mancha

Oriental. (consulta 20/01/2018).

http://crea.uclm.es/


188

Leite, K.N., Martínez-Romero, A., Tarjuelo, J.M., Domínguez, A., 2015. Distribution of

limited Irrigation water based on optimized regulated deficit irrigation and typical

meteorological year concepts. Agric. Water Manage., 148, 164-176.




España.

MAPAMA, 2017. Anuario de estadística 2015.


de Agricultura y Pesca, Alimentación y Medio Ambiente. (consulta 20/01/2017)

tesis doctoral efecto del riego deficitario …

Documents