Escolar Documentos
Profissional Documentos
Cultura Documentos
TESIS DOCTORAL
TESIS DOCTORAL
CONTROL JERRQUICO MULTIOBJETIVO DE
CRECIMIENTO DE CULTIVOS BAJO
INVERNADERO
por
Universidad de Almera
Para la obtencin del
Dr. Francisco
Rodrguez Daz
Dr. Manuel
Berenguel Soria
Autor
A Carmen
A mi madre
Agradecimientos
Al programa SUPERA de la Asociacin Nacional de Universidades e Institutos de
Enseanza Superior (ANUIES), Mxico, por su apoyo financiero mediante una beca al
autor de la presente tesis.
A la Universidad Autnoma Chapingo por el apoyo institucional.
Mencin especial merecen Manuel Berenguel Soria y Francisco Rodrguez Daz, quienes
con sus conocimientos, observaciones, trabajo, dedicacin y confianza han contribuido de
manera fundamental en el desarrollo de este trabajo.
De manera importante a Diego Valera por su apoyo moral y las facilidades brindadas.
A Jos Luis Guzmn por las horas dedicadas para desarrollar los programas
computacionales.
A Antonio Fernndez Fernndez por su incondicional ayuda para realizar ensayos
experimentales en su invernadero.
A Jernimo Prez, Juan Carlos Lpez, Juan Carlos Gzquez, David Meca, Corpus Garca,
Javier Cabrera, Esteban Baeza, Antonio Cspedes, Juan Hueso, Guillermo Zaragoza,
Cristina Segovia, Francisco Bretones y a todo el personal de la Estacin Experimental Las
Palmerillas, por su constante apoyo en el desarrollo de los ensayos de campo. Mencin
especial a Juan Jos Magn y Mara Dolores Fernndez por compartir sus conocimientos
sobre los temas relacionados con los cultivos sin suelo y el riego.
A Allain Baille y Mara Milagros Gonzlez Real de la Universidad de Cartagena, Pilar
Lorenzo del CIFA La Mojonera, Cees Sonneveld de la Estacin Experimental de
Naaldwij, Holanda, Ep Heuvelink y Cecilia Stanghellini de la Universidad de Wageningen
Holanda, por su apoyo cuando ste fue necesario.
A Mari Carmen Salas y Miguel Urrestarazu por su respaldo en la resolucin de las dudas
que surgieron durante el desarrollo de la tesis.
A Paco Garca y Antonio Gil por el apoyo constante en el invernadero.
A los compaeros de los Departamentos de Lenguajes y Computacin e Ingeniera Rural
de la Universidad de Almera, en especial a: Francisco Guil, Joaqun Caadas, Antonio
Becerra, David Lacasa, Daniel Landa, Samuel Tnez y Julin Snchez Hermosilla.
A la raza de la Universidad Autnoma Chapingo, por su apoyo para hacer posible mi
estancia doctoral fuera de Mxico. En especial a: Aurelio, David, Ignacio, Gil, Juan H.,
Juan M. y Romel por su constante intercambio de ideas y apoyo.
A doa Senorina y sus hijos, mis hermanos: Gaby, Male, Marco, Mirna y Oscar, porque
aunque lejos siempre estn presentes. A Jorge porque su huella es camino a seguir.
A Carmen, Paco, Richard y doa Conchita, por su incondicional y permanente apoyo.
I
A Irineo Lpez con quien el recorrido por nuevos horizontes de la tecnologa ha sido
interesante.
En el proceso de elaboracin de este trabajo muchas personas han contribuido para
alcanzar los objetivos del mismo, a todos ellos mi agradecimiento.
A las manos annimas que con su trabajo diario transforman energa en alimentos.
II
Resumen
En la produccin en invernadero se han utilizado tcnicas de control ptimo considerando
como objetivo fundamental del agricultor la optimizacin de beneficios. Sin embargo, la
problemtica asociada a este tipo de produccin trasciende la optimizacin de un nico
objetivo, siendo posible abordarla desde un punto de vista de optimizacin multiobjetivo.
Este ha sido el enfoque utilizado en esta tesis, permitiendo incluir varios objetivos en la
produccin de cultivo de tomate, como son la maximizacin de beneficios, de calidad de
frutos y de eficiencia en el uso de agua. El problema ha sido planteado, desarrollado,
implementado y resuelto utilizando una tcnica de control ptimo multiobjetivo de
horizonte deslizante, que proporciona en cada periodo de optimizacin un conjunto de
soluciones de compromiso (consignas ptimas), de entre las cuales quin tome las
decisiones seleccionar la que finalmente se aplique al sistema. Para optimizar los
objetivos previamente mencionados se requiere de modelos explicativos para crecimiento
de cultivo, consumo de agua y clima del invernadero.
Los modelos de crecimiento en tomate Tomgro simplicado y Tomsim fueron modificados,
implementados, calibrados y validados para las condiciones locales de produccin
utilizando datos de cuatro ensayos experimentales de cultivo de tomate, dos de los cuales
fueron desarrollados en otoo-invierno y los otros dos en invierno-primavera; un ensayo
experimental fue realizado en invernadero de produccin comercial. Los modelos han sido
adaptados para simular rendimiento fresco de frutos incluyendo el efecto de salinidad y
dficit hdrico.
En la misma lnea se ha modificado, implementado, calibrado y validado un modelo
genrico de balance hdrico para simular el agua en el continuo substrato-suelo-atmsfera.
El modelo estima los flujos y las reservas de agua en el sustrato, la raz y el dosel y ha sido
evaluado con cultivo de tomate desarrollado en un sistema de cultivo sin suelo, sin
recirculacin y con substrato de lana de roca. Las modificaciones y la estimacin de
parmetros posibilitan la estimacin de la dinmica del agua en el sistema.
Para la prediccin de temperatura en el invernadero se ha utilizado un modelo simple que
permite estimar la cantidad de energa que es necesario suministrar al sistema cuando se
requiere activar el sistema de calefaccin en el proceso de optimizacin, para un desarrollo
ptimo del cultivo. La radiacin fotosinttica activa y el dixido de carbono son
considerados como perturbaciones al sistema.
El proceso de optimizacin multiobjetivo ha sido incorporado en una estructura jerrquica
de tres niveles: capa superior de control de crecimiento de cultivo (escala de tiempo de
meses), capa intermedia de adaptacin de consignas (escala de tiempo de das) y capa
inferior de control de clima y nutricin (escala de tiempo de minutos). En la capa superior
se lleva a cabo una prediccin de variables climticas con horizonte de meses (hasta la
fecha en que est previsto que finalice la campaa), utilizando una herramienta software
que ejecuta una bsqueda de patrones climticos y en base a ello realiza las predicciones.
Con los datos pronosticados, los modelos de crecimiento de cultivo, de nutricin y clima
(de estado estacionario) y los objetivos proporcionados por el usuario, se lleva a cabo el
proceso de optimizacin, que genera trayectorias de referencia en temperatura y
conductividad elctrica para el resto de la campaa, que son enviadas a la capa intermedia,
donde se comprueba que son alcanzables al menos en un periodo especificado de corto
plazo, utilizando una prediccin de variables climticas para el intervalo de optimizacin y
III
IV
Abstract
Optimal control techniques have been used in greenhouse crop production to maximize
profit as the main objective of the grower. However, the problem associated to greenhouse
management is more than to optimize a single objective, therefore a different approach can
be used: multiobjective optimization. This is the approach used in this thesis, allowing the
inclusion of several objectives in tomato crop production, namely to maximize profits, fruit
quality and water use efficiency. The problem has been addressed, developed,
implemented and solved using a receding horizon multiobjective optimal control approach,
that produces a set of compromise solutions (optimal setpoints) each optimizing period,
and just one of them can be selected to satisfy the maker decision criteria. In order to
optimize the mentioned objectives in the greenhouse crop production, mechanistic models
for crop growth, water consumption and greenhouse climate are necessary.
The simplified Tomgro and Tomsim tomato crop growth models have been modified,
implemented, calibrated and validated for local conditions using four data sets
corresponding to four experiments for tomato crop growth, two of them were grown in
autumn-winter and two in winter-spring; one data set was taken from commercial
greenhouse production. The models have been adapted to simulate fresh fruit yield in
which the salinity and water deficit effect were included.
Following the same approach, a generic water model has been modified, implemented,
calibrated and evaluated to simulate the water in the substrate-plant-atmosphere
continuum. The model estimates fluxes and pool water in the substrate, root and shoot. A
crop soilless system with run and waste technique and rockwool as substrate were used to
adapt the model, which was tested on tomato crop. The modifications and the estimation of
the parameters of the model enable to estimate the dynamics of the water in the system.
A simple climate model has been used to predict the greenhouse temperature to estimate
the amount of energy to be supplied from the heater when necessary for the optimal crop
growth. Carbon dioxide and photosyntethically active radiation were accounted as
disturbances.
The multiobjective optimization process has been incorporated into a hierarchical structure
with three levels: upper layer of crop growth control (time scale of months), intermediate
layer for setpoint modification (time scale of days) and lower layer for climate and
nutrition control (time scale of minutes). A prediction of climate variables using a horizon
of months (until the end of the crop season) is carried out in the upper layer, using a
software tool developed to perform climate patterns search. The predicted data, crop
growth, nutrition and climate (steady state) models, and the objectives given by the user,
are used in conjunction to begin the optimization process, generating reference trajectories
of temperature and electrical conductivity for the rest of the season, that are then sent to the
intermediate layer, where it is verified that they are achievable at least for a specific short
term period, using a prediction of climate variables for the selected optimization interval
and sample time; adjustments are performed if necessary. The resulting setpoints for the
next optimization interval are sent to the lower layer, where the climate and nutrition
control systems generate the adequate control signals for the actuators to let the climate
and nutrition variables reach the prescribed setpoints. Following a receding horizon
strategy, the explained process is then repeated each optimization interval, typically each
day, using the information provided by the new measurements.
V
The mentioned crop, water and climate models were used in the multiobjective
optimization process with the objectives mentioned in the first paragraph, where the
economical profit has been estimated with the costs of fuel and electrical energy, water and
amount of fertilizers used, and incomes have been calculated from the sale of the fresh fruit
yield. Organoleptic properties, firmness and size of the fruit were the features included to
estimate fruit quality. Water use efficiency was estimated from the relationship between
water consumption and fresh fruit yield. The water consumption was estimated by the
addition of transpiration, leaching fraction and fresh crop growth. The trajectories
calculated by the process are inside air temperature and electrical conductivity of the
nutrient solution.
Low level controllers (lower layer in the hierarchical control architecture) have been also
developed. Generalized predictive control techniques have been used to control the
greenhouse temperature during the night. The results have shown that up to 20% fuel
savings can be obtained using this technique in comparison with an on-off control strategy.
Water supply to the crop based on transpiration models has been also tested in
experiments, constituting an alternative option to irrigation management.
The full multiobjective optimal control architecture has provided acceptable results,
constituting a powerful tool for decision support that is currently being systematically
tested in real production.
VI
ndice
Agradecimientos _______________________________________________________ I
Resumen _____________________________________________________________ III
Abstract ______________________________________________________________ V
ndice________________________________________________________________ VII
Lista de figuras________________________________________________________ XI
Lista de tablas _______________________________________________________ XV
Nomenclatura _______________________________________________________XVII
Notacin ___________________________________________________________XVII
Variables de estado_________________________________________________XVII
Variables y parmetros de modelos ____________________________________XVII
Notacin matemtica en optimizacin y control __________________________XXV
Introduccin ___________________________________________________________ 1
1.1 Complejidad del sistema invernadero_____________________________________ 1
1.2 Naturaleza del problema de control ptimo en invernaderos ___________________ 2
1.3 Principales tendencias relacionadas con la calidad en el proceso productivo de
hortalizas______________________________________________________________ 5
1.4 Objetivos de la investigacin ___________________________________________ 7
1.5 Principales contribuciones _____________________________________________ 7
1.6 Contexto de la investigacin____________________________________________ 9
1.7 Estructura de la tesis _________________________________________________ 10
Material y mtodos ____________________________________________________ 11
2.1 Localizacin y descripcin de invernaderos_______________________________ 11
2.1.1 Invernadero Estacin Experimental Las Palmerillas ___________________ 11
2.1.2 Invernadero comercial ____________________________________________ 12
2.2 Ensayos realizados __________________________________________________ 12
2.2.1 Ensayos para la validacin de los modelos de crecimiento y desarrollo de cultivo
de tomate __________________________________________________________ 12
2.2.2 Mediciones realizadas ____________________________________________ 15
2.2.2.1 Fenologa __________________________________________________ 15
2.2.2.2 Biomasa ___________________________________________________ 15
2.2.2.3 ndice de rea foliar __________________________________________ 15
2.2.2.4 Mediciones para calcular rea foliar especfica _____________________ 16
2.2.2.5 Medicin de dinmica de frutos _________________________________ 16
2.3 Sustrato y sistema de riego y nutricin___________________________________ 16
2.4 Sistema de medida y control___________________________________________ 17
2.4.1 Mediciones de las variables climticas en el interior y el exterior del invernadero
__________________________________________________________________ 17
2.4.2 Mediciones para la evaluacin del balance hdrico ______________________ 21
2.5 Herramientas estadsticas y de ajuste de parmetros ________________________ 23
2.5.1 Herramientas estadsticas _________________________________________ 23
2.5.2 Anlisis de sensibilidad ___________________________________________ 24
2.6 Herramientas de modelado y simulacin _________________________________ 25
Modelos de crecimiento y desarrollo de tomate__________________________ 27
3.1 El ambiente y su relacin con los procesos fisiolgicos, el crecimiento y el desarrollo
de las plantas__________________________________________________________ 27
3.1.1 Radiacin fotosinttica activa ______________________________________ 28
3.1.2 Dixido de Carbono (CO2) ________________________________________ 29
VII
Lista de figuras
Figura 1.1 Diagrama conceptual de la produccin en invernadero ___________________ 2
Figura 2.1 Vista general de los invernaderos ___________________________________ 13
Figura 2.2 Ventilacin cenital ______________________________________________ 13
Figura 2.3 Ventilacin lateral _______________________________________________ 13
Figura 2.4 Sistema de calefaccin ___________________________________________ 15
Figura 2.5 Equipo de laboratorio para mediciones de biomasa _____________________ 16
Figura 2.6 Sensores utilizados en la medicin de variables climticas _______________ 18
Figura 2.7 Sensores utilizados en la medicin de variables climticas _______________ 19
Figura 2.8 Sistema de control de invernadero __________________________________ 19
Figura 2.9 Sensores utilizados en la medicin del balance hdrico __________________ 23
Figura 2.10 Fases en el proceso de modelado __________________________________ 26
Figura 3.1 Evolucin de la raz del error cuadrtico medio en diferentes iteraciones para
estimar parmetros de ndice de rea foliar (XIAF) ___________________________ 43
Figura 3.2 Funciones modificadas en el modelo Tomgro _________________________ 44
Figura 3.3 Sensibilidad de los parmetros, expresada en error absoluto. A) Sobre peso seco
total. B) Sobre IAF. C) Sobre peso seco de frutos. D) Sobre peso seco de frutos
maduros ___________________________________________________________ 46
Figura 3.4 Efecto de parmetros sobre variables de estado: A) sobre ndice de rea foliar.
B) Eficiencia en uso de la luz () sobre materia seca total. C) Temperatura crtica
sobre peso seco de frutos. D) Mxima distribucin a frutos sobre peso seco de frutos
__________________________________________________________________ 49
Figura 3.5 Simulacin y datos medidos durante la campaa primavera de 2003. A)
Cantidad de nodos. B) ndice de rea foliar, XIAF-a sin ajuste por conductividad
elctrica, XIAF-b ajustada por conductividad elctrica. C) Peso seco total. D) Peso seco
de frutos y de frutos maduros (ddt - das despus de trasplante) ________________ 51
Figura 3.6 Simulacin y datos medidos en la campaa primavera de 2004. A) Nmero de
nodos. B) ndice de rea foliar. C) Peso seco total. D) Peso seco de frutos y de frutos
maduros. ___________________________________________________________ 52
Figura 3.7 Simulacin y datos medidos en la campaa otoo de 2004. A) Nmero de
nodos. B) ndice de rea foliar. C) Peso seco total. D) Peso seco de frutos y de frutos
maduros ___________________________________________________________ 52
Figura 3.8 Simulacin y datos medidos en la campaa primavera de 1999. A) Nmero de
nodos. B) ndice de rea foliar. C) Peso seco total. D) Peso seco de frutos________ 53
Figura 3.9 XIAF interpolado en base a valores medidos y XIAF estimado por Tomsim
completo ___________________________________________________________ 60
Figura 3.10. A) Sensibilidad del modelo a los parmetros: eficiencia fotoqumica en
ausencia de oxgeno (o), coeficiente de extincin de radiacin (CK) y parmetro de
respiracin (cfr). Efecto de parmetros sobre peso seco total durante el ciclo de
cultivo: B) o; C) CK; D) cfr. ____________________________________________ 61
Figura 3.11 Dinmica de las variables durante la campaa primavera de 2003. A) Cantidad
de racimos. B) Peso seco total. C) Peso seco de frutos. D) Racimos _____________ 62
Figura 3.12 Simulacin y datos medidos durante la campaa otoo de 2003. A) Cantidad
de racimos. B) Peso seco total. C) Peso seco de frutos. D) Crecimiento de racimos.
Racimos medidos: 2, 5 y 6 _____________________________________________ 63
Figura 3.13 Simulacin y datos medidos durante la campaa primavera de 2004. A)
Cantidad de racimos. B) Peso seco total. C) Peso seco de frutos. D) Racimos 1, 3 y 5
__________________________________________________________________ 63
XI
Figura 3.14 Simulacin y datos medidos durante la campaa otoo de 2004. A) Cantidad
de racimos. B) Peso seco total. C) Peso seco de frutos. D) Racimos 1, 3 y 5______ 64
Figura 3.15 Variables intermedias del modelo Tomsim. A) Crecimiento potencial de
racimos. B) Estado de desarrollo de racimos. C) Crecimiento potencial total (racimos
y unidades vegetativas) por da. D) Racimos completos _____________________ 65
Figura 3.16 Diagrama de crecimiento de cultivo en invernadero ___________________ 67
Figura 3.17 Efecto de la salinidad mS cm-1 en el rendimiento en fresco de tomate. A)
Rendimiento relativo respecto a conductividad elctrica. B) Rendimiento con
conductividad elctrica entre 0.3 y 1.5 mS cm-1. C) Rendimiento con conductividad
elctrica entre 2.5 y 9.5 mS cm-1, estimado con valores promedio de la tabla 3.11. D)
Rendimiento con conductividad elctrica entre 2.5 y 9.5 mS cm-1, estimado con
valores de trabajos en la Pennsula Ibrica ________________________________ 69
Figura 3.18 Efecto de dficit hdrico en el rendimiento. A) En base a ecuacin de Stewart,
Cky=0.68. B) Ecuacin lineal 3.43. C) Ecuacin de Stewart, Cky=1.0. D) Ecuacin de
Stewart, Cky =1.1 ____________________________________________________ 72
Figura 3.19 Dficit de presin de vapor y su efecto en el rendimiento. A) Funcin de
disminucin de rendimiento por dficit de presin de vapor. B) Efecto DPV en
rendimiento (0.1, 0.3 y 0.5 kPa). C) Efecto de DPV por encima del ptimo en
rendimiento (1.6, 1.8, 2.0 y 2.2 kPa)_____________________________________ 73
Figura 3.20 Interfaz de definicin del experimento de la herramienta de simulacin de
crecimiento de tomate ________________________________________________ 74
Figura 3.21 Interfaz grfica de simulacin de cultivo en el simulador de crecimiento __ 74
Figura 4.1 A) Sensibilidad del modelo al ndice de rea foliar (XIAF), resistencia de capa
lmite (rcl) y resistencia interna (rh). B) Transpiracin medida y simulada. XIAF =0.7 103
Figura 4.2 Transpiracin medida y simulada con diferente ndice de rea foliar. A)
XIAF=1.3. B) XIAF =2.3. C) XIAF =3.5. D) Detalle para un da nublado XIAF =3.3 __ 104
Figura 4.3 Transpiracin y variables relacionadas para su estimacin: A) Resistencia de
capa lmite (rcl) e interna (rh). B) Temperatura de aire de invernadero (Xta),
temperatura de hojas (Th) y temperatura de malla cubre suelo (Tcss). C) Radiacin
solar global (Rg) y dficit de presin de vapor (DPV). D) Transpiracin________ 104
Figura 4.4 A) Relacin transpiracin radiacin solar. B). Relacin dficit de presin de
vapor radiacin solar. Marzo 26 de 2004. XIAF =2.5 m2 m-2 ________________ 105
Figura 4.5 A) Relacin transpiracin radiacin solar. B). Relacin dficit de presin de
vapor radiacin solar. Octubre 26 de 2004. XIAF =3.4 m2 m-2 _______________ 105
Figura 4.6 Dinmica de agua en el sustrato. A) Contenido de humedad en 15 das ciclo
primavera-verano 2004. B) Riegos, contenido de humedad y drenajes durante dos
das, XIAF=3.5. C) Detalle durante las primeras horas del da. D) Detalle durante las
horas centrales del da _______________________________________________ 107
Figura 4.7 A) Curva de retencin de agua en lana de roca respecto a la humedad efectiva
del substrato. B) Conductividad hidrulica en funcin de humedad efectiva _____ 108
Figura 4.8 Potencial hdrico en lana de roca y variables relacionadas durante dos das. A)
Potencial hdrico en el substrato. B) Radiacin en el interior del invernadero. C)
Conductividad elctrica en el substrato (XCE), en la disolucin nutritiva (Cea), seal
de riego (ur). D) Temperatura de lana de roca (Ts) y del aire de invernadero (Xta) _ 109
Figura 4.9 Potenciales hdricos en la planta. A) Potencial de presin (p,r) y osmtico
(os,r) en la raz. B) Potencial de presin (p,d ) y osmtico (os,d) en el dosel. C)
Potencial hdrico en la raz. D) Potencial hdrico en el dosel _________________ 110
Figura 4.10 A) Radiacin global en el interior del invernadero y potencial hdrico en el
dosel. B) Potenciales hdricos en: el substrato (h,s), la raz (h,r) y el dosel (h,d)
_________________________________________________________________ 111
XII
Figura 4.11 A) Sensibilidad a los parmetros del modelo. B) Sensibilidad a las condiciones
iniciales. C) Efecto del parmetro de resistencia suelo-raz (Ckrhr) introducido al
modelo sobre el contenido de agua en el substrato _________________________ 111
Figura 4.12 Contenido de humedad en lana de roca simulada y medida. A) Diferentes
etapas y condiciones. B) Detalle de un da. C) Detalle de dos das _____________ 113
Figura 4.13 Reserva de agua simulada en: A) El dosel. B) La raz. C) El substrato. D)
Simulacin de reserva de agua en el substrato al cambiar condiciones iniciales de
masa de agua en el dosel en un 10% ____________________________________ 115
Figura 5.1 Diagrama esquemtico del sistema de calefaccin por ventilacin forzada __ 121
Figura 5.2 Tcnica de ramificacin y poda con MPC ___________________________ 125
Figura 5.3 Respuesta del controlador todo-nada con zona muerta__________________ 126
Figura 5.4 Resultados con el controlador GPC-PWM. A) Evolucin de la temperatura
interior. B) Seal de control continua. C) Seal de control discreta ____________ 127
Figura 5.5 Resultados de control de riego por transpiracin durante dos das. A)
Transpiracin del cultivo. B) Contenido de humedad en el substrato y seal de
control. C) Dficit de presin de vapor de agua y radiacin global en el invernadero
_________________________________________________________________ 138
Figura 5.6 Variables asociadas a control de riego por transpiracin. A) Dinmica de
drenaje. B) Conductividad elctrica en el substrato. C) Humedad relativa y
temperatura del aire en el invernadero ___________________________________ 138
Figura 5.7 Control de riego por bandeja de demanda. A) Transpiracin del cultivo. B)
Contenido de humedad en el substrato y seal de control. C) Dficit de presin de
vapor de agua y radiacin global en el invernadero _________________________ 139
Figura 5.8 Variables asociadas al riego. A) Drenajes. B) Conductividad elctrica en el
substrato. C) Humedad relativa y temperatura del aire en el invernadero ________ 139
Figura 5.9 Fraccin de volumen de drenaje durante el ciclo de cultivo, aplicando riego con
bandeja de demanda _________________________________________________ 140
Figura 5.10 Control de riego en base contenido de humedad en el substrato, y otras
variables del modelo de balance hdrico. A) Control todo-nada. B) Control
proporcional. C) Materia seca estructural en la raz D) Materia seca estructural en el
dosel. E) Masa de agua en la raz. F) Masa de agua en el dosel. G) Temperatura del
substrato. H) Transpiracin ___________________________________________ 142
Figura 6.1 Efecto de la conductividad elctrica (XCE) del substrato (mS cm-1) en el
rendimiento del fruto (g m-2) y la presencia de slidos solubles (%). A) XCE=2. B)
XCE=3. C) XCE =5. D) XCE=7___________________________________________ 160
Figura 6.2 Efecto de la conductividad elctrica (XCE) del substrato (mS cm-1) en el grado de
acidez y rendimiento del fruto (g m-2). A) XCE=2. B) XCE=4. C) XCE =5. D) XCE=8 160
Figura 6.3 Diagrama de la arquitectura de control jerrquico multicapa. Modificada de
[Rod02]___________________________________________________________ 176
Figura 6.4 Comparacin de modelos de crecimiento de cultivo: dinmico y en rgimen
permanente. A) ndice de rea foliar. B) Biomasa total. C) Nmero de nodos. D)
Biomasa de frutos ___________________________________________________ 181
Figura 6.5 Variables de relacin noche-da. A) Duracin del da (horas con luz) durante el
ao, tiempo en minutos hasta el amanecer y tiempo en minutos hasta el ocaso. B)
Duracin de la noche y del da para 232 intervalos da-noche_________________ 181
Figura 6.6 Variables climticas pronosticadas y medidas. A) Temperatura exterior. B)
Radiacin solar _____________________________________________________ 182
Figura 6.7 Prediccin y datos medidos de variables climticas con un horizonte de 61 das.
A) temperatura promedio. B) Temperatura mnima. C) Temperatura mxima. D)
Radiacin solar _____________________________________________________ 182
XIII
Figura 6.8 Soluciones en el espacio posible (cada punto marcado es una solucin) ___ 184
Figura 6.9 Superficie de soluciones indicando el frente de soluciones no dominadas en el
espacio tridimensional_______________________________________________ 185
Figura 6.10 Trayectorias de temperatura (C) y conductividad elctrica (mS cm-1) en el
problema multiobjetivo, priorizando un objetivo. A) Mximos beneficios. B) Mxima
calidad. C) Mxima eficiencia en el uso del agua. D) Una solucin no dominada sin
objetivo prioritario (td - temperatura en el da, tn - temperatura en la noche, ce conductividad elctrica) _____________________________________________ 186
Figura 6.11 Trayectorias de temperatura y conductividad elctrica de soluciones no
dominadas. A) y B) para soluciones del frente de Pareto ms cercanas a mxima
calidad. C) y D) para soluciones del frente de Pareto ms cercanas a mximos
beneficios ________________________________________________________ 188
Figura 6.12 Trayectorias para horizonte de 116 das (232 intervalos). A) Objetivo
prioritario: mximos beneficios. B) Objetivo prioritario: calidad. C) Objetivo
prioritario eficiencia en el uso de agua. D) No hay objetivo prioritario, solucin
dominada _________________________________________________________ 189
Figura 6.13 Punto ideal y posible mtrica (Ld) a las soluciones no dominadas _______ 191
XIV
Lista de tablas
Tabla 2.1 Datos generales y climticos de los ensayos ___________________________ 14
Tabla 2.2 Nmero de muestreos de biomasa por ensayo __________________________ 15
Tabla 2.3 Caractersticas del agua de riego y concentracin de la disolucin nutritiva
aportada en las diferentes fases de cultivo. Invernadero Estacin Experimental Las
Palmerillas ________________________________________________________ 20
Tabla 2.4 Caractersticas del agua de riego y concentracin de la disolucin nutritiva
aportada en las diferentes fases de cultivo. Invernadero produccin comercial ____ 20
Tabla 2.5 Caractersticas de los sensores climticos y de lana de roca utilizados _______ 22
Tabla 3.1 Valores de la funcin fN(Xta) para la estimacin de nodos _________________ 44
Tabla 3.2 Parmetros estimados de XIAF _______________________________________ 45
Tabla 3.3 Valores para el parmetro Nb en funcin de temperatura__________________ 45
Tabla 3.4 Distribucin a frutos en funcin de temperatura promedio diaria ___________ 45
Tabla 3.5 Desarrollo de fruto como funcin de temperatura promedio diaria __________ 45
Tabla 3.6 Parmetros estimados para Tomgro modelo reducido ____________________ 47
Tabla 3.7 Sensibilidad relativa del modelo al cambio en los parmetros de las variables de
estado (ndice de rea foliar, biomasa total y peso seco de frutos) ______________ 48
Tabla 3.8 Raz del error cuadrtico medio en el modelo Tomgro ___________________ 50
Tabla 3.9 Error absoluto promedio y mximo en la estimacin de las variables ________ 53
Tabla 3.10 Parmetros estimados para el modelo Tomsim_________________________ 59
Tabla 3.11 Cantidad de muestreos en la estimacin de parmetros estadsticos ________ 60
Tabla 3.12 Raz del error cuadrtico medio en modelo Tomsim ____________________ 61
Tabla 3.13 Error absoluto medio y mximo en la estimacin Tomsim _______________ 62
Tabla 3.14 Conductividad elctrica indicada por diferentes autores en relacin a
rendimiento de frutos en tomate _________________________________________ 70
Tabla 4.1 Potencial hdrico, potencial osmtico y presin de turgencia en hojas de plantas
desarrolladas en medios salinos _________________________________________ 83
Tabla 4.2 Transpiracin en cultivos desarrollados en invernadero __________________ 88
Tabla 4.3 Eficiencia en el uso de agua para algunos cultivos ______________________ 97
Tabla 4.4 Expresiones obtenidas para la estimacin de rea foliar de hojas. N=206____ 102
Tabla 4.5 Errores de transpiracin estimada por el modelo respecto a transpiracin medida
_________________________________________________________________ 102
Tabla 4.6 Parmetros estimados y otros parmetros utilizados en el modelo _________ 112
Tabla 4.7 Estadsticas de error en la estimacin de contenido de humedad___________ 113
Tabla 5.1 Estrategias de control de temperatura nocturna usando calefaccin ________ 128
Tabla 6.1 Mtodos aplicados en control de invernaderos, objetivo principal y variables
controladas ________________________________________________________ 153
Tabla 6.2 Conductividad elctrica y su relacin con algunos indicadores de calidad en
tomate ____________________________________________________________ 159
Tabla 6.3 Dficit hdrico y su relacin con slidos solubles y acidez en tomate _______ 161
Tabla 6.4 Relacin entre la humedad del suelo y slidos solubles y acidez valorable en
tomate ____________________________________________________________ 162
Tabla 6.5 Relacin de conductividad elctrica y el consumo hdrico _______________ 163
Tabla 6.6 Valoracin de criterios de calidad __________________________________ 183
Tabla 6.7 Soluciones de compromiso del problema multiobjetivo _________________ 186
Tabla 6.8 Ponderacin de cada objetivo y valores obtenidos. La misma solucin es
alcanzada con diferente ponderacin ____________________________________ 189
XV
XVI
Nomenclatura
Notacin
Dada la cantidad de smbolos utilizados en las frmulas desarrolladas en la tesis, se han
incluido en este apartado unas tablas que clarifican la notacin utilizada. Dicha notacin ha
seguido los convencionalismos de las publicaciones internacionales de referencia que se
han usado a lo largo del desarrollo de la tesis. Se han incluido tambin las unidades del
Sistema Internacional de las distintas variables o constantes1, usando a veces mltiplos y
submltiplos en funcin de las escalas de las magnitudes fsicas consideradas.
Variables de estado
Smbolo
Descripcin
XAG,d
XAG,r
XAG,s
XCE
XF
XFFT
XIAF
XM
XN
XNR
XPS
Xobs
XPS,h
XPS,r
XPS,t
Xsim
Xta
Unidades
kg agua m-2
kg agua m-2
kg agua m-2
mS cm-1
g m-2
kg m-2
m2 m-2
g m-2
nodo
racimo
g m-2
g m-2
g m-2
g m-2
C
Descripcin
ag
*
ag
ef
Asub
c
1
Unidades
En algunas grficas del texto no se han utilizado las unidades bsicas del sistema internacional (por
ejemplo, grados Centgrados [C] en vez de Kelvin [K]) para facilitar la interpretacin de los resultados.
XVII
Smbolo
XFM
Descripcin
g,s
h,d
h,r
h,s
m,s
os,d
os,r
os,s
pr,d
pr,r
pr,s
res
s
s,max
Aabs
Aap
Ac
AF
AFE
ah
AScr
ASf
ASh
ASr
ASt
Ca
Ca,is
cal,vap
mntn
Cabs
Cagm
XVIII
Unidades
m3 m-2
mol (CO2) mol-1
fotn absorbido
Pa K-1
mol mol-1
J kg-1
J (kg agua)-1
J (kg agua)-1
J (kg agua)-1
J (kg agua)-1
J (kg agua)-1
J (kg agua)-1
J (kg agua)-1
J (kg agua)-1
J (kg agua)-1
J (kg agua)-1
J (kg agua)-1
kg mol-1
plantas m-2
kg de materia seca (m3
suelo)-1
W m-2 K-4
mol (CO2) m-2 s-1
[mol mol-1 (CO2)]-1
nodo-1
m3 m-2
m3 m-2
m2
m2
g m-2 (hoja)
m
g (CH2O) planta-1
g CH2O g-1 materia
seca
g CH2O g-1 materia
seca
g CH2O g-1 materia
seca
g CH2O g-1 materia
seca
kg m-3
mmol l-1
mmol l-1
-
Smbolo
Descripcin
Unidades
Cagn
Cag
Can
Carea,ss
CAT
Cb
Cbs
CBT
Ccag
Ccal,ap
Ccal,i
Ccc,cal
Cch
Ccndag
Ccnv,cnd,a-e
Ccnv,em
Ccnv,sm
Ccnv,ss,a
Ccnvfot
Ccsol
Cd
Cddt
Cden,a
Cdes
cdias
CE
Cee,cal
Cefi,cal
Cesp,a
Cf
cfa, cfb, cfc,
cfd
Cfa,d
Cfa,r
Cfdr
cfr
Cg
Ch
Chref
CIAF,max
CK
m
m2
kg m-2 h-1 kPa
m-2 min
W m-2
kg min-1
m
m-2 d
W m-2 K-1
W-1 kg s-1
s min-1
W m-2 C-1
g CH2O min-1
(mol de CO2)-1 s
mol m-3
mmol l-1
d
kg m-3
d
g (materia seca) g -1
(CH2O)
kW min-1
J C-1 kg-1
mmol l-1
(kg mol-1)-1
(kg mol-1)-1
m s-2
m
m
m2 m-2
-
XIX
Smbolo
Descripcin
Unidades
Ckcond
Ckf
Ckrhr
Ckwrsr
Cpr,d
Cpr,r
Cprag
Cpree
Cprfer
Cprg
Cr
CR
cre
crm
CRn
Crsr
CRUV
Csafi
Csafp
Cky
Cm
Cm,inv
Cn
Cnfr
cni
Cp
Csava
Csavp
Csors
Csraa
Csrap
Cssola
Cssolp
Cstfr
Cstfrpce
Csuaa
Csuav
XX
kg materia seca
estructural (kg agua)-1
fruto
mol m-3
m
kg materia seca
estructural (kg agua)-1
kg materia seca
estructural (kg agua)-1
m-3
(kW)-1
kg-1
kg-1
mmol l-1
J K-1mol-1
s m-1
s m-1
g m-2 min-1
m s-1
g (materia seca) d-1
% (mS cm-1)-1
m2
mS cm-1
% (mS cm-1)-1
g (mS cm-1)-1
mS cm-1
mS cm-1
Smbolo
Descripcin
Unidades
Csufi
Csusol
Csutfr
Cvmax
Cvv
Cz
C
d
DF(Td)
DFmax
DPV
Dr-ini
EDF
EDR
Eee
ET
ETintv
Euag
Fa
Fac
fact,cal
FAG,d-atm
FAG,dr
FAG,lluvia-atm
Fag,r
FAG,r-d
FAG,s
FAG,s-r
Fap
Fcm
FDf
FDo,i
FDuv
Ff
fF(Td)
Fh
Fmax
fN(Xta)
fneoa,d
fneoa,r
fod,i
FOTb
mS cm-1
mS cm-1
g (materia seca) nodo-1
m
Pa
min-1
k Pa
kg de materia seca (m3
suelo)-1
kW
kg m-2 s-1
m3 m-2 intervalo-1
kg fruto fresco m-3
m3 s-1
%
kg agua m-2 min-1
kg agua m-2 min-1
kg agua m-2 min-1
kg m-2 min-1
kg agua m-2 min-1
kg agua m-2 min-1
kg agua m-2 min-1
kg m-2
kg mol-1
g d-1
g d-1
g d-1
mol m-2 s-1
g (CH2O) m-2 min-1
XXI
Smbolo
Descripcin
FOTb,d
FOTb,max
FOTe,max
FOTn,max
FOTnc,max
Fr
fR(XN)
frna,d
Fss
Ft
ftfot
g(Tdia)
Gac
gAG,r,d
gcl
gd
gtr
Hcal
KAG,rsr
Integral de fotoasimilados
Mxima velocidad de fotosntesis bruta
Mxima capacidad fotosinttica endgena
Mxima fotosntesis neta
Fotosntesis neta mxima limitada por dixido de carbono
Fraccin de fotoasimilados distribuidos a raz
Fraccin de crecimiento distribuido a races
Fraccin de radiacin neta absorbida por el dosel
Contenido de azcares en el fruto
Fraccin de fotoasimilados distribuidos a tallo
Funcin que modifica la fotosntesis por temperatura
Funcin de distribucin a frutos en das muy clidos
Grado de aceptacin del consumidor
Conductancia hidrulica raz-dosel
Conductancia de capa lmite
Conductancia de agua en el dosel
Conductancia de transpiracin en modelo
Combustible consumido por calefaccin
Parmetro que afecta la resistencia suelo raz
KF
KrSe
Ks
KSe
lch
Lf
lh
MAGd-ini
MAGr-ini
MAGs-ini
Me,d
Me,r
Mfr
Mh
Mne,d
Mne,r
Mr
Mt
Nb
Nf1
Nm
Nod
Nui
p1
PFF
XXII
Unidades
%
kg m4 min-1
m s-1
m s-1
m s-1
kg
kg materia seca
estructural m-2
nodo
kg m-3 s
kg m-3 s
kg m-3 s
m
m
kg agua m-2
kg agua m-2
kg agua m-2
kg materia seca
estructural m-2
kg materia seca
estructural m-2
g (CH2O) g-1 d-1
g (CH2O) g-1 d-1
kg materia seca no
estructural m-2
kg materia seca no
estructural m-2
g (CH2O) g-1 d-1
g (CH2O) g-1 d-1
nodo
Nodo d-1
g (hoja) nodo-1
g
Smbolo
Descripcin
Unidades
Q10
W m-2
rAG,s-t
rAGm,s-r
Rc
rcl
Rg
rh
Rl
rlluvia
Rm
rm
Rm,d
rmin
Rn
Rna,d
Ro,20
Ro,Th
s
Se
Slat
ST
Suv
s
Tcal
TCPF
TCPR
TCPUV
Tcrit
Tcss
Td
Tdia
Te
tf
Th
ti
Tintv
tj
Tr
Ts
Tsc
Qcal
Qcnv,a-ss
Qcnv,cnd,a-e
Qper,a-e
Qsol,a
Qtr,c
Qven,a-e
W m-2
W m-2
W m-2
W m-2
W m-2
W m-2
kg-1 m4 s-1
kg-1 m4 s-1
W m-2
s m-1
W m-2
s m-1
W m-2
m
g (CH2O) m-2 min-1
g (CH2O) g -1 (materia
seca) min-1
g (CH2O) m-2 d-1
s m-1
W m-2
J m-2 d-1
mol m-2 s-1
mol m-2 s-1
m2
m2
g d-1
K Pa-1
K
g d-1
g d-1
g d-1
C
K
C
C
C
C
m3 m-2 invervalo-1
C
K
K
XXIII
Smbolo
Descripcin
Unidades
Ucal
Vav
Vav,n
VCO2
Vcos
VCR
VDF
%
mol mol-1
m-2
d-1
Vdint
Vdr
Vfi
Vfi,n
Ving
Vk,rs
Vperd
Vpr
VR
VRFA
VRmax
VSSol
VSSol,n
Vtf
Vtf,n
Vvv
Vvvext
V
W
wav
wfi
wssol
wtfr
XXIV
s
m3 m-2
N mm-1
m-2
C W m-2
W m-2
kg-1
g m-2
mol m-2 s-1
g m-2
%
g
m s-1
m s-1
-
Significado
ci
i
fi
u(t)
wi
x*
x
E{.}
F
F*
H1
H2
Hu
J
Mi
o
c
c(j)
mmx
c(j)
XXV
Introduccin
1.1 Complejidad del sistema invernadero
El invernadero es un recinto cerrado en el que se busca producir la mxima cantidad de un
producto, con la mayor calidad, al coste mnimo posible. Las variables climticas, de
nutricin, biticas y de manejo cultural influyen en el crecimiento y desarrollo del cultivo
y, la gestin adecuada de stas permite maximizar la diferencia entre los ingresos por venta
de la produccin y los costes asociados, evaluando a la vez los posibles riesgos a lo largo
del ciclo de cultivo. Por tanto definir las consignas de manejo del invernadero constituye
un tpico problema de control ptimo.
Los diversos elementos que lo componen y las mltiples relaciones que se establecen en el
invernadero hacen de l un sistema complejo, en el cual los flujos de energa, masa e
informacin (la inherente al material gentico de las plantas y la que el hombre
proporciona) son dinmicos y de diferente magnitud. El cultivo es su elemento central y
sobre ste actan variables como el clima (temperatura, humedad del ambiente, radiacin
fotosinttica activa y dixido de carbono), la nutricin (agua y nutrientes), biticas (plagas,
enfermedades, virus, bacterias y malas hierbas) y de manejo cultural (podas). Estas
variables establecen interacciones entre s de manera que su complejidad ha hecho
necesario que sean estudiadas en profundidad e identificadas en subsistemas. Para alcanzar
el conocimiento detallado de stos, los modelos han constituido una herramienta
importante de ayuda, lo que ha permitido explicar el comportamiento de los mismos. Los
subsistemas del invernadero han sido caracterizados de manera dinmica por diversos
autores, tanto a nivel de clima [Bot83], [Udi83], [Sta95], [Hen94], [Tap00], [Rod02],
[Gar05] comportamiento del agua en el suelo o substrato [Bai94], [Hei97], [Gie00],
[Sig01], nutricin [Hei97], [Son00] y plagas y enfermedades [Rab93], entre otros.
La figura 1.1 muestra los subsistemas, los procesos y las variables en su relacin con el
cultivo: las entradas son variables susceptibles de ser controladas (temperatura en el
interior, agua, nutrientes y otros), las perturbaciones son variables que no pueden
manipularse, pero si medirse para poder tener en cuenta su efecto sobre el sistema (por
ejemplo las condiciones climticas del exterior, plagas y enfermedades) y las salidas son
las variables que se pretende controlar, distinguindose dos tipos: aqullas que son el
objetivo de la produccin (frutos, hojas, tallos o races) y las de residuos contaminantes
(por ejemplo desechos de productos fitosanitarios). Adems, se indican elementos como el
mercado o las regulaciones ambientales que influyen en las decisiones de control sobre las
variables de entrada. La integracin de los elementos del sistema invernadero bajo una
perspectiva de conjunto constituye entonces un reto importante por el potencial no slo de
comprender las interacciones entre los diferentes elementos, sino por la posibilidad de
controlarlo.
Introduccin
Perturbaciones
Perturbaciones
Plagas y enfermedades
Temperatura Humedad Velocidad Direccin
viento de viento
exterior
relativa
Reductores de
asimilacin
Entradas
PAR
Clima
Ventilacin
Calefaccin
CO2
Mallas
Pantalla trmica
Humidificacin
Temp. aire
Conveccin
Radiacin trmica
Conduccin
Transpiracin
Condensacin
Evaporacin
Planta
Temp. cubierta
Absorcin
Transporte
Fotosntesis
Respiracin
Transpiracin
Actividades metablicas
Almacenamiento
Perturbaciones
Salidas
Hojas
Tallo
Races
Cantidad
Calidad
Flor
Fruto
a X profundidad Agua
Lluvia
Salidas
Mercado
Normativa
ambiental
Suelo o substrato
Agua
Entrada
Fe2+,Zn2+,
Mo2+, Mn2+,
Cu2+,H2BO3
Na+
Eliminacin de
Residuos:
hojas o frutos
Agua
Aplicacin de
Iones
plaguicidas
Productos
fitosanitarios Labores culturales
Infiltracin
Percolacin
Lixiviacin
...
Nutrientes
NO3Cl-
Entradas
(XCE)
Entradas
Introduccin
El seguimiento de las consignas no es el ideal, ya que hay interacciones entre los bucles
de control y existen restricciones en los dispositivos de control.
A los problemas anteriores hay que aadir que en los sistemas instalados fuera de las
condiciones donde se desarrollaron se requiere de un proceso de adaptacin y refinamiento
de los diferentes parmetros operativos para conseguir resultados aceptables.
En sistemas de control ms avanzados, que son objeto de investigacin en la actualidad, el
control se realiza basndose en modelos matemticos, como ocurre generalmente en la
industria de procesos. A partir de una funcin objetivo, con el uso de modelos del clima y
del cultivo, y la utilizacin de tcnicas de optimizacin, se determinan las trayectorias
ptimas a seguir por los controladores durante el ciclo de cultivo [Hen94], [Tap00],
[Rod02], [Ios02], [Lop03]. Existen pocos trabajos publicados con resultados
experimentales, habindose simulado en la mayora las trayectorias ptimas de las
variables climticas [Hen94], [Tap00], [Rod02], [Ios02]. En los trabajos de campo donde
se han aplicado estas tcnicas a la produccin en invernaderos se han obtenido ahorros en
los costes de energa [Tap00]. Aunque en estas experiencias preliminares se han obtenido
resultados aceptables, los efectos econmicos son difciles de evaluar con los pocos
ensayos realizados, y slo se puede probar su validez con una extensiva aplicacin de estas
tcnicas en instalaciones comerciales reales [Str00].
Abordar el problema del manejo del agrosistema invernadero desde el enfoque de control
ptimo no es un problema trivial [Hen94]. La naturaleza del sistema es tal que analizado
desde una perspectiva integral requiere del establecimiento de los nexos necesarios, que
van desde el manejo de fotosntesis o respiracin en el nivel ms detallado del sistema
hasta la prediccin de la tendencia de mercados del producto en cuestin. Ante la magnitud
y complejidad del problema, ste se ha sido tratado como un sistema de control jerrquico
[Cha93], [Tan93], [Hen94], [Tap00], [Rod02]. La suposicin fundamental para la
descomposicin del sistema es la existencia de distintas escalas de tiempo (adaptacin de
subsistemas a los tiempos de respuesta). Mientras que el clima del invernadero cambia en
cuestin de segundos o minutos, el cultivo desarrolla cambios despus de horas o das. Se
puede establecer entonces un sistema estructurado en capas que permite la interaccin
entre ellas de manera que las entradas a cada nivel inferior son las salidas del nivel superior
[Rod03].
Introduccin
Introduccin
Por el fuerte impacto que representa la emisin de contaminantes a los mantos acuferos en
la produccin en invernadero [Sid98], [Sta03a], el problema de reduccin de
contaminantes se ha incluido en las recientes directivas europeas sobre el ambiente
[Pas04].
El problema de la produccin desde el punto de vista del control ptimo jerrquico se
resuelve, por tanto, de forma ms completa cuando se tienen en consideracin los distintos
objetivos, pero a la vez se complica, porque la consecucin de dichos objetivos puede
establecer relaciones en conflicto, como son la bsqueda simultnea de la mxima calidad
y rendimientos, o la reduccin de costes y los mximos rendimientos [Son00], [Li01b],
[Mag03], [Cha93].
De lo anterior se puede concluir que el problema del manejo del agrosistema invernadero
puede ser planteado como un problema de optimizacin desde un enfoque de mltiples
objetivos, con algunos de ellos en conflicto.
Introduccin
Los cambios en la sociedad se han traducido en una reduccin del tiempo destinado a
la compra, preparacin y consumo de alimentos. Ha adquirido importancia la
realizacin de una o varias comidas diarias fuera del hogar y la compra de alimentos
listos para el consumo, incluyendo las hortalizas. Se presta por tanto mayor atencin al
desarrollo de tecnologas tiles en la conservacin de alimentos y los tratamientos que
valorizan los atributos naturales y de salud de los alimentos.
Las tendencias que se prevn para el ao 2010 respecto al mercado son [Uff01]: la
globalizacin, la concentracin de mercado y la individualizacin e intensificacin de
productos. Como efecto de las tendencias, algunos pases de Europa del Norte han
planteado un enfoque orientado al mercado o bien hacia la produccin de aquellos
productos con las caractersticas que demandan los consumidores. Como resultado de ello
se plantea un sistema de manejo de calidad total a ser adoptado por los agricultores
[Uff00], [Uff01], [Uet00], que consta de cinco etapas a cumplir en base al punto de vista
del consumidor, considerando calidad en: 1) el producto, 2) el proceso, 3) el sistema, 4) la
cadena productor-distribuidor-consumidor y 5) el nivel social [Uff00]. El concepto busca
la excelencia en los diversos mbitos, desde el producto hasta la aceptacin social,
constituyendo un reto interesante de cambio del paradigma en la produccin de hortalizas.
Es claro entonces que la tendencia a lograr alimentos de alta calidad, que consideran no
slo el producto sino otros elementos en el proceso produccin-distribucin-consumo, se
ha puesto en marcha y avanza en las empresas de produccin de pases como Reino Unido
u Holanda.
En el mbito productivo, Espaa se ha constituido en los ltimos aos en uno de los
principales pases exportadores de hortalizas a la Unin Europea durante los meses
comprendidos entre diciembre y abril, y abastece en un 30% el mercado de hortalizas de
Europa, destacando la provincia de Almera como la principal productora de hortalizas en
Espaa [Caj04]. Durante los ltimos 10 aos se ha destinado ms del 50% del volumen de
produccin a la exportacin, siendo Alemania, Francia, Holanda y Reino Unido los pases
a los que se destina en conjunto aproximadamente el 73% de las exportaciones.
Las tendencias de mercado y el destino de la produccin hacia la exportacin indican de
manera clara que adems de importante, es improrrogable abordar el tema de calidad tanto
del producto como del proceso de produccin, constituyendo un reto a lograr para que el
sector productivo presente la adecuada capacidad competitiva y pueda alcanzar a la vez
que altos rendimientos, hortalizas de calidad y eficiencia en el uso de bienes escasos a
travs de procesos de produccin cada vez ms respetuosos con el ambiente.
Introduccin
Introduccin
El modelado del flujo de agua abre diversas posibilidades para realizar control de
suministro de agua basado en modelos desde un enfoque integral que acople el estado
hdrico del substrato, de la planta y los objetivos de produccin, ya que el manejo en el
aporte de agua puede potenciarse como una estrategia para buscar otros objetivos como
calidad de fruto, ms que el mximo rendimiento.
Introduccin
El campo de estudio abarcado por esta tesis es muy amplio y el estudio profundo de cada
uno de los captulos propuestos y desarrollados podra constituir trabajos de investigacin
de entidad. Como se ha indicado anteriormente, el objetivo principal de la presente tesis ha
sido aportar una solucin integrada al problema del control multiobjetivo del crecimiento
de cultivos bajo invernadero, para lo cual ha sido preciso estudiar y desarrollar objetivos
parciales que pueden ser objeto de estudios futuros para ampliar los contenidos de esta
tesis o proponer soluciones alternativas a los mismos.
Introduccin
10
Material y mtodos
2.1 Localizacin y descripcin de invernaderos
En esta tesis se han realizado cuatro ensayos completos con cultivo de tomate en
invernaderos caractersticos de las condiciones de produccin de la provincia de Almera,
tipo parral raspa y amagado, durante los aos 2003, 2004 y 2005. Uno de los ensayos se ha
llevado a cabo en condiciones de produccin comercial, en un invernadero ubicado en el
paraje Los Llanos s/n, en el trmino municipal de El Ejido, Almera, latitud 36 42 N,
longitud 247 O y altitud de 40 m. El resto se han desarrollado en la Estacin
Experimental Las Palmerillas (EEP) latitud 36 48 N, longitud 243 O y altitud de 63
m.
Material y mtodos
Las ventanas cenitales estn colocadas en la cumbrera de cada seccin y abren hacia el
lado oeste en un ngulo mximo de 45, gobernadas tambin por un motor de corriente
alterna. No hay sensores de posicin angular instalados, por lo que la apertura de las
ventanas (laterales y cenitales) se estima calculando el tiempo que tarda en abrir (o cerrar)
hasta la posicin deseada. Los tiempos son diferentes en apertura o cierre por el efecto de
la gravedad. Las figuras 2.2A y 2.3A muestran el sistema de ventilacin del invernadero.
El sistema de calefaccin est constituido por un calefactor por aire caliente alimentado
con gasoil, un ventilador de distribucin de aire y un depsito de combustible. El calefactor
tiene una capacidad de aporte de 95000 kcal y el ventilador es de 70 cm de dimetro con
potencia de 0.39 kW. En la figura 2.4 se puede apreciar la mquina y el ventilador del
sistema de calefaccin.
En las plantas con hbito de crecimiento indeterminado el tallo crece de manera indefinida durante todo su
ciclo de vida, a diferencia del crecimiento determinado en el que el tallo termina en una inflorescencia.
12
Material y mtodos
A) Invernadero EEP
B) Invernadero comercial
A) Invernadero EEP
B) Invernadero comercial
A) Invernadero EEP
B) Invernadero comercial
13
Material y mtodos
Campaa
Das
Fecha de
trasplante
Fecha final
Variedad
Densidad
plantas
(m-2)
Temperatura
promedio
diaria (C)
Primavera
2003
Otoo
2003
Primavera
2004
Otoo
2004
Primavera
1999
Primavera
1999
143
10-Ene-2003
1 -Jun-2003
Belle
2.01
146
21-Ago-2003
13-Ene-2004
Boludo
171
19-Ene-2004
7-Jul-2004
146
27-Ago-2004
98
98
2
3
4
5
6
14
Mnima
Temperatura
promedio diaria
C
9.8
Radiacin PAR
promedio
mol m-2 d-1
17.5
Mxima
Temperatura
promedio
diaria (C)
23.4
2.0
19.5
25.7
13.7
14.56
Boludo
2.0
19.3
27.4
12.1
14.25
19-Ene-2005
Boludo
2.0
19.5
33.4
12.2
13.08
11-Mar-1999
16-Jun-1999
Ramy
3.04
20.1
24.8
14.6
11.53
11-Mar-1999
16-Jun-1999
Ramy
4.02
20.1
24.8
14.6
11.53
11.47
Material y mtodos
A) Mquina de calefaccin
Nmero de muestreos
1
2
3
4
6
10
9
8
6
6
6
6
15
Material y mtodos
A) Estufa de secado
B) Balanza digital
Se consider unidad simpodial aqulla que consta de dos hojas debajo de cada racimo y una hoja en la parte
superior a ese racimo.
16
Material y mtodos
Las instalaciones de riego son similares en los dos lugares donde se realizaron los ensayos,
describindose a continuacin las caractersticas ms importantes.
La instalacin posee cinco tanques de polietileno con capacidad de 1000 l cada uno, un
depsito de 500 l para cidos y un depsito adicional de 100 l para microelementos. Cada
tanque contiene nitratos, fosfatos y sulfatos. La solucin se concentr 200 veces y fue
diluida en el agua de riego mediante sistema de inyeccin por venturis controlado por
electrovlvulas. El sistema consta de sondas de conductividad elctrica y pH que permiten
la regulacin de la disolucin nutritiva aportada.
El sistema de distribucin de fertirriego es por goteo con ramales portagoteros separados
1.8 m, con un gotero por cada taco de lana de roca. El caudal de los goteros fue de 2 l h-1 a
una presin de 1 kg cm-2. El coeficiente de uniformidad del sistema fue de 94% en el
invernadero de la EEP y de 90% en el invernadero comercial.
En las instalaciones de la EEP el agua de riego es de buena calidad y sus caractersticas y
las concentraciones de la disolucin nutritiva aportada se indican en la tabla 2.3; para las
condiciones de produccin comercial las caractersticas del agua y disolucin nutritiva
aportada se indican en la tabla 2.4, donde se puede apreciar que el agua es de menor
calidad.
Para el desarrollo de la tesis tambin se acondicion un sistema de suministro de
disolucin nutritiva, diferente al sistema normal de riego, que permitiese efectuar ensayos
de control de riego basados en modelos de transpiracin. Este sistema est constituido por
un depsito de disolucin nutritiva, vlvulas y tuberas de distribucin que se acoplan al
sistema de distribucin normal de riego.
Material y mtodos
fue ubicado a 2.8 m del suelo; los sensores de cubierta se instalaron sobre las caras
orientadas al este y oeste respectivamente. En la tabla 2.5 se indican las principales
caractersticas de los sensores. Las figuras 2.6 y 2.7 muestran algunos de los sensores
utilizados.
El sistema de adquisicin de datos utilizado est compuesto por un bus de campo con
capacidad de conexin de 80 estaciones remotas usando el protocolo RS-485, tarjeta de
control central de comunicaciones que enlaza las estaciones y el computador personal, va
puerto serie, mediante el protocolo RS-232 y software para computador personal. Cada
estacin remota puede gestionar sensores o sistemas de actuacin. El hardware ha sido
desarrollado por la empresa Industria de Telecomunicacin y Control (ITC-Espaa)
mientras que el software ha sido desarrollado por el grupo de investigacin Automtica,
Electrnica y Robtica TEP-197 de la Universidad de Almera. La figura 2.8 muestra
imgenes del sistema de control.
B) Temperatura de hoja
D) Temperatura de cubierta
18
Material y mtodos
C) Temperatura de suelo
19
Material y mtodos
Tabla 2.3 Caractersticas del agua de riego y concentracin de la disolucin nutritiva aportada en las diferentes fases de cultivo. Invernadero
Estacin Experimental Las Palmerillas
AR
C
F
P
CE
pH
NO3-
NH4+
0.4
2.2
2.3
2.2
7.9
6.2
6.4
6.2
13.0
9.1
11.5
2.30
2.50
1.50
Macroelementos
mmol L-1
+
H2PO4
K
Ca2+
1.5
1.4
1.0
C- Crecimiento
0.12
6.00
6.5
4.0
0.58
4.50
4.50
5.50
F- Floracin
Mg2+
SO42-
HCO3 -
Fe+
Microelementos
mol L-1
Mn
Zn+
B-
1.26
2.00
2.30
1.51
0.24
3.00
5.20
1.00
2.80
2.80
1.00
0.50
1.0
1.7
1.1
0.7
1.0
0.7
0.02
0.46
0.30
0.50
0.02
0.25
0.41
0.30
Cu
Na+
Cl-
0.60
0.66
1.43
0.66
0.57
0.57
1.73
0.62
Tabla 2.4 Caractersticas del agua de riego y concentracin de la disolucin nutritiva aportada en las diferentes fases de cultivo. Invernadero
produccin comercial
CE pH
AR
1.4 7.7
C
3.5 6.0
F
3.2 6.4
P
3.3 6.1
AR- Agua de riego
20
Macroelementos
Microelementos
-1
mmol L
mol L-1
NO3NH4+ H2PO4- K+
Ca2+
Mg2+
SO42HCO3 Fe+
MnZn+
B0.04 3.79
0.22
1.26
1.3
0.75
0.0
0.02 0.02
14.1
0.64 2.2
8.7
4.1
3.2
3.2
1.3
1.05
0.7
0.46 0.25
13.9
0.55 1.8
8.5
4.4
2.9
2.6
1.5
0.75
0.5
0.33 0.18
15.7
0.80 1.0
7.6
4.7
2.1
1.9
1.3
1.10
0.70 0.50 0.30
C- Crecimiento
F- Floracin P- Produccin CE-Conductividad elctrica
Cu+
-
Na+
8.09
9.1
10.4
8.8
Cl8.34
9.2
11.7
9.11
Material y mtodos
La frecuencia de toma de datos fue de un minuto en todas las variables climticas medidas.
Los sistemas de control para ventilacin, calefaccin y riego fueron acondicionados para
que la seal de control pudiese ser gestionada desde un computador personal, de modo que
el control se realiz utilizando el sistema anteriormente descrito, el cual permite gran
flexibilidad para la incorporacin de diferentes algoritmos de control, a diferencia de los
sistemas de control comerciales.
21
Material y mtodos
Fabricante
Telaire
Siemens
Rango
0 3000 ppm
0 3000 ppm
Precisin
50
30
Sensor
infrarrojo
infrarrojo
Modelo
2001VTC
ZPF-DZ
Radiacin
PAR
ITC
0 700 W m-2
10 W m-2
fotodiodo
MRG-1P
Radiacin
Global
ITC
0 3000 W m-2
10 W m-2
termopila
MRP-1P
codificador
03102
potencimetro
03202
Velocidad
viento (*)
de Young
Direccin de
viento
Young
Velocidad de
viento (**)
0 50 m s-1
1 m s-1
0 360
0 10 m s-1
0.1 m s-1
hilo caliente
0.1 mm
ultrasonido
Drenajes
Thies
0 - 100 mm
Humedad
relativa
ITC
0 - 100
ITC
- 20 80 C
0.1 C
PT-100
Hojas, malla
de piso y
cubierta.
ITC
-20 80 C
0.1 C
Sustrato y
suelo a 40 cm
ITC
-20 80 C
0.1 C
Pt-100
ITC-S01
Temperatura
CultileneDelta-T
-5 50 C
1.5 C
semiconduct
or
Spider-Wet
Contenido de
Humedad
CultileneDelt-T
20 90 %
5%
FDR
Spider-Wet
CE
CultileneDelta-T
0 30
mS cm-1
1.5
FDR
Spider-Wet
pH
Hanna
0 14 pH
CE
Hanna
0- 10 mS cm-1
Temperatura:
Aire
5%
U.Evaporatransmitter
ITC-P01
En sustrato:
En aporte y
drenajes:
0.5 %
22
2 %
** interior
HI-1090B/6
HI-7637
Material y mtodos
A) Detalle de balanza-lismetro
23
Material y mtodos
J = X obs X sim
= ( X obs X sim ) 2
i =1
(2.1)
donde Xobs=(Xobs,1,, Xobs,n) es el vector de medidas con tamao n de la variable (X) que se
evala y Xsim=(Xsim,1,, Xsim,n) es el vector de estimaciones del modelo con la misma
dimensin.
Los modelos presentan un comportamiento complejo y contienen una gran cantidad de
parmetros, por tanto la estimacin de la funcin propuesta en (2.1) no es sencilla
utilizando tcnicas clsicas de optimizacin no lineal y requiere de tcnicas de
optimizacin iterativas; en stas se desarrolla el siguiente proceso general: inicializacin,
ejecucin del algoritmo de bsqueda, revisin de un criterio de finalizacin, si ste se
cumple finaliza el proceso y si no, se ejecuta nuevamente el algoritmo de bsqueda
[Bla99].
En el proceso de optimizacin de la ecuacin (2.1) se utiliz el mtodo de bsqueda
secuencial directa. En el mismo se realiza bsqueda iterativa de los valores establecidos
entre los lmites inferior y superior, con un incremento establecido de forma que en cada
iteracin se obtiene un conjunto de parmetros que minimizan el criterio descrito mediante
(2.1). Los valores de los parmetros se van refinando y los lmites van cambiando en las
sucesivas iteraciones, de manera que disminuyen los lmites del intervalo de bsqueda y
tambin el incremento en la variacin de los parmetros. En el proceso se parte de
condiciones iniciales en las que se asume que el mnimo se encuentra en el intervalo de
bsqueda, por ello se definen lmites suficientemente amplios que aumentan la
probabilidad de contener el mnimo. El mtodo anterior presenta la ventaja de que con
incrementos grandes en el valor de los parmetros el costo computacional es bajo y se
aproxima una solucin. No obstante para refinar los valores al hacer menor el incremento
de bsqueda, el costo computacional incrementa.
Aunque existen otros mtodos heursticos como algoritmos evolutivos o revenido simulado
que convergen en soluciones que minimizan la ecuacin (2.1), se ha considerado que en el
mbito del presente trabajo el mtodo descrito anteriormente es suficiente para encontrar
las soluciones buscadas.
24
Material y mtodos
25
Material y mtodos
Im p lem en ta c i n
d e l m o d e lo
A n lis is d e
s e n s ibilid a d p relim in a r
A ju s te
p a ra m tric o
A n lis is d e
s e ns ib ilid a d fin a l
V alid a c i n d e l
m o d e lo
26
27
Una gran parte de los asimilados de cada da son utilizados en respiracin en el mismo
periodo. La respiracin obscura es necesaria para la produccin de energa y de esqueletos
de carbono para sostener el crecimiento de la planta. La utilizacin de los fotosintatos en
las plantas depende del suministro de nutrientes, en condiciones de amplia disponibilidad
de stos el crecimiento de la parte vegetativa puede utilizar el 40-57% de los asimilados, el
crecimiento de raz un 17-18%, la respiracin de partes vegetativas un 17-24 %, la
respiracin de races un 8-19% (respiracin de crecimiento 3.5-4.6%, de mantenimiento
0.6-2.6%, adquisicin de iones 4-13%) [Lam98]. Para condiciones de limitacin en cuanto
al suministro de nutrientes el crecimiento vegetativo utiliza el 15-27%, el crecimiento de
raz un 33-35%, la respiracin vegetativa el 19-20% y la respiracin de races el 6-9%, de
los fotosintatos disponibles [Lam98].
En el modelado de crecimiento y desarrollo de cultivos en invernadero, el microambiente
ha sido bastante estudiado por su gran importancia, ya que incluye los principales
elementos que tienen efecto sobre los procesos fisiolgicos de la planta: radiacin solar,
concentracin de CO2 y temperatura. La radiacin considerada es aqulla cuya longitud de
onda est en el rango utilizado por las plantas, es decir la luz fotosinttica activa. Hay otros
elementos limitantes que intervienen como la humedad del ambiente. Diversos autores
matizan la importancia de los elementos antes mencionados, as para Challa y
colaboradores [Cha95] los mayores factores del clima en el interior del invernadero son:
concentracin de CO2, temperatura del aire y presin de vapor de agua; la radiacin puede
ser considerada como una condicin de contorno ya que es impuesta por el clima exterior.
Se describen a continuacin estos elementos y su efecto en los procesos fisiolgicos y en el
crecimiento o desarrollo de los vegetales. Puesto que la bibliografa es muy extensa al
respecto, se citan los trabajos que se han considerado ms significativos.
28
29
Dos barreras tienen que ser superadas en el flujo descrito anteriormente, que pueden ser
caracterizadas por sus diferentes conductancias: la conductancia de capa lmite y la
conductancia estomtica [Gij95], aunque tambin puede incluirse la conductancia de la
cutcula [Law93]. Se desarrolla entonces un gradiente de CO2 a travs de la envoltura del
cloroplasto, el hialoplasma, la membrana y pared celular a los espacios intercelulares, va
que va desde el estoma al aire del ambiente [Law93].
La capa lmite es la capa de aire adyacente a la hoja que es modificada por la hoja; su
umbral est comnmente definido como el punto en el cual las propiedades del aire estn
en el 99% de los valores del aire ambiente [Lam98]. La velocidad del aire en el interior del
invernadero genera gruesas capas de aire alrededor de la hoja y en consecuencia baja
conductancia de capa lmite, fluctuando sus valores entre 0.01 m s-1 en cultivo de tomate
[Sta87] y 0.025-0.05 m s-1 en cultivos de campo abierto [Tho00]; tambin se sealan
valores de 10 mol m-2 s-1 (0.24 m s-1) a velocidades de viento de 5 m s-1 [Lam98]; o valores
de 0.2 a 4 mol m-2 s-1 (0.0048 0.01 m s-1) a velocidades entre 0.5 y 2 m s-1 [Law93].
La conductancia estomtica incrementa a altos niveles de intensidad lumnica y decrece a
altas concentraciones de CO2 ambiente. Algunos valores indicados para esta conductancia
son: de 0.4 mol m-2 s-1 (0.096 m s-1) en mediciones con estomas abiertos [Law93], 1 mol
m-2 s-1 (0.024 m s-1) en estomas abiertos y alta densidad de estomas [Lam98]; en estomas
cerrados de 0.01 mol m-2 s-1 (0.00024 m s-1) [Law93], en estudios realizados en tomate y
pepino fue muy baja y alcanz 0.02 a 0.025 mol m-2 s-1 (0.00048-0.0006 m s-1) [Ned93]; la
conductancia en la cutcula es muy baja, del orden de 0.005 mol m-2 s-1 (0.000012 m s-1) o
an de magnitud inferior [Law93].
Para el transporte del CO2 desde la cavidad subestomatal hasta el cloroplasto tambin hay
una resistencia interna o conductancia interna, como consecuencia de ello, la presin
parcial del CO2 dentro el cloroplasto es menor que la presin del CO2 intercelular
Lamb98]. La proporcin de concentracin de CO2 intercelular a concentracin de CO2
ambiente tiende a conservarse constante a completa luz del sol en valores de 0.7 0.8
[Gij95].
La conductancia interna vara bastante entre especies y se correlaciona a la capacidad
fotosinttica de la hoja. Es posible separar la conductancia interna antes mencionada en
conductancia en el espacio intercelular y la conductancia del mesfilo, la primera depende
de la geometra de los espacios de aire del mesfilo, y sus valores fluctan entre 4 y 0.8
mol m-2 s-1, hojas con altas tasas fotosintticas tienen grandes espacios interiores [Law93],
mientras que la conductancia del mesfilo incluye una serie de resistencias en las fases
lquidas de la pared celular, membrana celular, hialoplasma, membranas del cloroplasto y
estroma hasta el sitio de la enzima activa [Law93]. Esta resistencia del mesfilo es dificil
de estimar porque la concentracin de CO2 en el sitio de la enzima es desconocida. Se
conoce, no obstante, que el contenido de CO2 en el cloroplasto es un 30% inferior respecto
al del espacio intercelular [Law93]; algunos autores asumen una conductancia del mesfilo
muy baja, del orden de 0.005 m s-1 [Heu96a].
Para analizar las limitaciones de la difusin de CO2 es conveniente utilizar el trmino
resistencia, ya que su propiedad aditiva permite obtener una resistencia total. Cuando se
consideran flujos, sin embargo, es ms conveniente utilizar el trmino conductancia,
inverso de la resistencia, porque el flujo vara en proporcin a la conductancia como se
seala en [Lam98].
30
3.1.3 Temperatura
Las respuestas de las plantas a la temperatura son muy dependientes de las especies y las
condiciones de crecimiento. La capacidad de las plantas para funcionar a temperaturas
extremas est correlacionada con su capacidad de fotosntesis a esas temperaturas [Law93],
[Lam98], [Moh95]. Generalmente, la fotosntesis es lenta a temperaturas bajas,
incrementando a un mximo (que puede ser amplio o estrecho) conforme la temperatura
aumenta y entonces a temperaturas ms altas, cae abruptamente a un punto en el cual el
tejido muere [Law93].
A altas temperaturas la reaccin de oxigenacin de la enzima rubisco incrementa ms que
la reaccin de carboxilacin, y la fotorespiracin viene a ser proporcionalmente ms
importante. Esto es parcialmente causado porque la solubilidad del CO2 disminuye ms
acentuadamente que la solubilidad del O2, adems la temperatura ejerce efecto sobre las
propiedades cinticas de rubisco, por lo que la fotosntesis neta declina a altas temperaturas
[Law93], [Lam98]
En plantas capaces de tolerar fro, el crecimiento a bajas temperaturas incrementa el
contenido de clorofilas, carotenoides, plastoquinonas y citocromos, pero generalmente las
proporciones permanecen muy similares (esto es, la proporcin de complejos de captacin
de luz de fotosntesis respecto a los fotosistemas). Los lpidos de los tilacoides tambin
pueden alterarse con la temperatura a la cual ellos se desarrollan. Las enzimas de
fotosntesis pueden ser modificadas en hojas cultivadas a diferentes temperaturas [Law93].
31
En plantas subtropicales y tropicales hay dao causado por fro, el cual ocurre a
temperaturas entre 10 y 20 oC, y ese dao est asociado con la disminucin en la fluidez de
la membrana, cambios en la actividad de la membrana asociados con enzimas y procesos,
tales como el transporte fotosinttico de electrones y prdida de actividad de las enzimas
sensibles al fro [Lam98].
En [Red98] se seala que en fotosntesis de algodn el enriquecimiento de CO2 a
temperaturas altas puede ser ms beneficioso que a regmenes de temperaturas bajas, la
tasa de fotosntesis neta se increment desde 24 mol CO2 m-2 s-1 con temperaturas danoche de 26-18 oC y 350 ppm de concentracin de CO2 hasta 41 mol CO2 m-2 s-1 en
temperaturas de 36-28 oC y 700 ppm de CO2 .
En tomate la temperatura de las primeras semanas de crecimiento de las plntulas
determina el nmero de hojas que se forman antes del primer racimo. El nmero se
incrementa por encima del mnimo de hojas usual (siete) en la medida en que la
temperatura se incrementa. La intensidad de la luz tambin afecta el nmero de hojas, pues
poca cantidad de luz induce alto nmero de hojas. En experimentos con alta temperatura y
baja cantidad de luz, result en una planta con 18 hojas antes del primer racimo [Kin73].
La temperatura tiene un efecto muy significativo de promover la velocidad de floracin y
sta puede ser modelada por una relacin cuadrtica con la temperatura promedio diaria
[Kon94]. Diferencias importantes de temperatura entre el da y la noche (27-19) indujeron
menor velocidad de floracin que la esperada a temperatura promedio de 24 h [Kon94]. El
establecimiento o cuajado de frutos muestra una alta correlacin con la temperatura [ElAhm79], [Kon94] con temperaturas ptimas entre 19 y 20 C [Kon94].
El efecto de temperatura en tomate en etapa de maduracin de fruto, comparando
diferentes temperaturas (14, 18, 22, 26 oC) di como resultado que las mejores
temperaturas fueron de 18 y 22 oC en cuanto a rendimiento, tasa de crecimiento y frutos
establecidos por racimo se refiere; el porcentaje de materia en fresco distribuida a frutos
fue de 47.8, 72, 75.1 y 44.6% para 14, 18, 22, 26 oC respectivamente, mientras que en
materia seca 44.4, 61.2, 61.8 y 29.1% en el mismo orden, con tiempos de maduracin de
frutos de 94.8, 64.5, 46.3 y 41.5 das para temperaturas de 14, 18, 22 y 26 oC
respectivamente [Ada01]. En experimentos con temperatura del ambiente de 20 oC y
racimos aislados a temperaturas de 15, 20 y 25 oC, el tiempo de maduracin fue de 97.4,
56.6 y 42.2 das respectivamente [Ada01].
Uno de los criterios utilizados para la estimacin de maduracin de frutos es la integral
trmica o tiempo trmico. Aikman trabajando con datos de Vertek para maduracin de
frutos en tomate concluye que hay un requerimiento de la integral de temperatura de 840
o
C-d con temperatura base de 3.5oC, mientras que estimando con datos de Hurd y Graves
estima una integral de 890oC-d [Aik96], con el mismo criterio se han estimado 812oC-d
para tomate cv Liberto por Adams y colaboradores [Ada01]; al respecto, de Koning
considera que este tipo de modelo no es apropiado, ya que los frutos de los primeros y los
ltimos racimos son ms sensibles [Kon94].
En crecimiento hay una marcada influencia de la temperatura sobre la planta, acentuado en
la diferencia entre la temperatura del da menos la temperatura de la noche, observndose
que hay un efecto significativo en longitud de nodos, altura de la planta, orientacin de la
planta, orientacin de la parte vegetativa, ramificacin lateral y elongacin de peciolos y
32
34
35
Las limitantes de los modelos descriptivos pueden sintetizarse en que: 1) los anlisis de
regresin pueden reflejar relaciones equvocas de causa y efecto entre las variables
estudiadas; 2) los modelos de regresin pueden ser muy subjetivos, producto de las
variables que el modelador seleccione para incluir en su modelo; 3) las predicciones
basadas sobre los anlisis de regresin son vlidas tan slo dentro de la gama de
condiciones temporales, fsicas y de manejo [Sal93].
La mayora de los modelos para prediccin de fechas de cosecha son descriptivos.
Tambin se han desarrollado muchos modelos descriptivos y explicativos para la
prediccin de materia seca.
La mayora de los modelos explicativos son modelos basados en fotosntesis. Los
componentes importantes de los modelos basados en fotosntesis son: desarrollo de rea
foliar, intercepcin de luz, fotosntesis y respiracin [Mar98].
Los modelos de cultivos permiten diversas aplicaciones, es posible utilizarlos en: sistemas
de ayuda para la toma de decisiones en la produccin agrcola, la investigacin cientfica,
la definicin de polticas de desarrollo agrcola, la enseanza de la agronoma [Gar98a] y
en control climtico de invernaderos [Tap00], [Rod03], [Str99a], [Str99b].
Desde el punto de vista tcnico, el desarrollo de modelos ha tenido un importante avance y
se ha constituido en una importante herramienta de investigacin en horticultura, as como
en otras reas de la produccin vegetal. Una razn para tal xito es la versatilidad de esta
tcnica, ya que ha permitido abordar marcos conceptuales y ha ofrecido estudios de caso
originales, por ejemplo la fotosntesis o la arquitectura de las plantas. Los ingenieros
requieren de procedimientos para solucionar problemas prcticos, y la horticultura es un
campo donde la prediccin de rendimientos, la evaluacin de polticas de accin o la
optimizacin de procesos puede ser muy importante [Gar98a].
Los modelos que predicen la produccin pueden constituirse en una herramienta de
importancia estratgica en las relaciones de productores y compradores. Los modelos
pueden ser utilizados como una herramienta para la estimacin de la produccin potencial
y para la identificacin de los factores principales limitantes en un rea de produccin. La
produccin en condiciones de invernadero es un sistema complejo y requiere de muchas
decisiones a diario. El entrenamiento de tcnicos y estudiantes puede ser ms rpido
usando simuladores que permitan al usuario comparar un nmero ilimitado de polticas
para el control del clima o el cultivo [Gar98a].
En la investigacin cientfica, un buen modelo debe auxiliar al investigador proveyndole
de direcciones inesperadas y perspectivas novedosas, por medio de la unificacin del
conocimiento y la explicacin de los fenmenos, y no debido sencillamente a la mera
recapitulacin o descripcin de los comportamientos biolgicos ya bien conocidos [Sal93].
Por sus caractersticas particulares, los cultivos de hortalizas pueden ser considerados
como herramientas de laboratorio para estudiar y modelar diferentes procesos de los
vegetales [Gar98a]. As pues, los modelos se constituyen como una herramienta muy
importante para el desarrollo de la investigacin postulando conceptos a partir de los datos
disponibles, desarrollando teoras y ponindolas a prueba por medio de la comparacin de
predicciones de la teora propuesta con el comportamiento de los sujetos bajo estudio
[Sal93], [Len98].
36
En la enseanza puede ser muy til el uso de modelos que permitan ensear la respuesta de
los vegetales al ambiente y al manejo del cultivo, as como las diferencias entre especies de
hortalizas. Pueden ayudar tambin en la demostracin de las interacciones entre procesos o
componentes de los sistemas de produccin de cultivos [Gar98a]. El modelo Simulserre
[Gar98b] es un claro ejemplo de esto, ste simulador permite que el usuario defina estudios
de caso tales como costos y beneficios en el uso de enriquecimiento con CO2, podas de
racimos, nmero de frutos, tamao de frutos y otras variables. Los estudiantes exploran el
problema y derivan conclusiones a partir del anlisis de varias simulaciones.
El simulador Simulserre contiene dos grandes mdulos: uno que implementa el modelo
fsico del invernadero y otro que describe el modelo del cultivo. El modelo del invernadero
permite simular el comportamiento del clima dentro del invernadero y las estrategias para
alcanzar los puntos de referencia deseados. El modelo del invernadero contiene balances
estticos de energa y CO2. Los principales flujos considerados son intercambios de
energa debidos a la ventilacin, intercambios a travs de la cubierta, intercambio de
energa del aire y suelo, el flujo de calor producido por la radiacin solar, el suministro
artificial de calor y el calor latente generado por la transpiracin del cultivo. Se asume que
las consignas deseadas pueden ser alcanzadas con los dispositivos de control disponibles
[Gar98b].
37
38
El modelo simplificado Tomgro surge como una opcin para eliminar la complejidad del
modelo completo Tomgro [Jon91a] y posibilitar su uso en sistemas de control en lnea
conservando sus caractersticas fisiolgicas [Jon99]. Las variables de estado que contiene
son: nmero de nodos (XN), ndice de rea foliar (XIAF), peso seco total (XPS), materia seca
de frutos (XF) y materia seca de frutos maduros (XM).
Cantidad de nodos. La aparicin de nodos es modelada considerando la temperatura
como el elemento principal que la regula:
dX N
= Nm f N ( X ta )
dt
(3.1)
39
0
0.1833(Xta 9 )
f N ( X ta ) = 0.028125(Xta 12 ) + 0.55
1.0 0.4545(Xta 28 )
Xta < 9 C
9 C Xta < 12 C
12 C Xta < 28 C
28 C Xta < 50 C
(3.2)
Xta 50 C
Esta variable de estado es calculada de la misma manera en todas las versiones de Tomgro
[Jon99].
ndice de rea foliar. El ndice de rea foliar es estimado por:
exp [ ( X N N b ) ] dX N
dX IAF
=
dt
1 + exp [ ( X N N b ] dt
d ( X IAF )
= 0.0
dt
(3.3)
Si X IAF C IAF,max
Td < 8.5 C
8.5 C Td < 12.5 C
12.5 C Td < 16.5 C
16.5 C Td < 20.5 C
20.5 C Td < 24.5 C
(3.4)
40
(3.5)
donde p1 es un parmetro que pondera la prdida de materia seca por nodo despus que se
alcanza el mximo de rea foliar (CIAF,max), CRn es una funcin que expresa el crecimiento
de la planta y se define as:
CRn = C E ( FOTb Rm )(1 ( f R ( X N ))
(3.6)
(1 Cm ) Fmax + CK VRFA
ln
(3.7)
(3.8)
f tfot
0
0.0744 Xta
0.67 + 0.11(Xta 9 )
=
1.0
1.0 0.1429( Xta 28)
Xta < 0 C
0C Xta < 9.0C
9.0 C Xta 12.0 C
12.0 C < Xta 28.0 C
28.0 C < Xta < 35.0 C
Xta 35.0 C
(3.9)
Rm = Q10( X ta 20 ) / 10 rm ( X PS X M )dt
(3.10)
ti
41
La funcin fR(XN) es una funcin lineal a tramos con los siguientes valores:
0.2
0.2 0.0045 (X 1)
N
0.07
XN = 1
1 < X N 12
12 < X N 21
(3.11)
21 < X N < 30
X N 30
En condiciones de climas clidos el crecimiento de los frutos puede llegar a ser muy bajo
debido a altas temperaturas, por tanto habr exceso de carbohidratos. Este modelo no
incluye el clculo de demanda por frutos y por tanto se asume que hay un mximo
crecimiento vegetativo por nodo y que el incremento de materia seca total puede estar
restringido por este lmite, modelndolo mediante la siguiente ecuacin:
(
dX PS
dX N
dX F
) max =
+ (Cvmax p1 )
dt
dt
dt
(3.12)
dX F
( X N )
= CRn F f F (Td ) 1 e N f 1 g (Tdia )
dt
(3.13)
Td 12.5 C
12.5 C < Td 16.5 C
16.5 C < Td 20.5 C
(3.14)
(3.15)
donde Tdia es la temperatura promedio de las horas con luz durante el da y Tcrit es la
temperatura por encima de la cual el crecimiento del fruto se reduce.
42
Materia seca de frutos maduros. La dinmica de frutos maduros est basada en el efecto
de la temperatura sobre la maduracin de frutos y se estima as:
dX M
= DF (Td )( X F X M )
dt
Si X N > ( N f 1 + K F )
(3.16)
donde KF indica el nmero de nodos desde que aparece el primer fruto hasta que madura,
Nf1 indica el nmero de nodos cuando aparece el primer fruto y DF(Td) es una funcin
lineal a tramos con los siguientes valores:
0
0.0025T
d
0.015 + 0.0058Td
DF (Td ) =
0.05
0.05 0.0033Td
Td 9 C
9 C < Td 15 C
15 C < Td 21 C
(3.17)
21 C < Td 35 C
35C < Td 50C
Td > 50 C
El modelo Tomgro con cinco variables requiere de un proceso de ajuste de parmetros, que
aparecen en las ecuaciones diferenciales y algebraicas que describen la dinmica de las
principales variables de estado: nmero de nodos (XN), ndice de rea foliar (XIAF), biomasa
de frutos (XF), materia seca de frutos maduros (XM) y materia seca total (XPS). El clculo de
las variables de estado se realiz cada minuto, de manera que coincide con la dinmica de
cambios climticos en el interior del invernadero. El mtodo utilizado para la estimacin
fue por mnimos cuadrados buscando el mnimo valor de la raz del error cuadrtico medio,
probando secuencialmente diferentes valores en cada iteracin. Como ejemplo la grfica
3.1 muestra el error obtenido para diferentes iteraciones en el proceso de calibracin de los
parmetros del ndice de rea foliar, que se explicar en una seccin posterior.
Como se indic en el primer capitulo,
hay datos de seis ensayos con diferentes
0.7
pocas de trasplante. En cuatro de ellos
se cuenta con datos completos de la
0.6
dinmica de maduracin de los frutos,
variable importante en la estimacin de
0.5
peso seco total y por tanto de peso de
0.4
frutos, ya que la variable XM tiene efecto
sobre el proceso de respiracin, puesto
0.3
que al madurar los frutos son restados
en la estimacin de respiracin por tanto
0.2
habr ms fotoasimilados disponibles
0.1
para formacin de nueva biomasa, tal
0
500
1000
1500
2000
2500
3000
iteraciones
como se describe en la ecuacin (3.10)
Figura 3.1 Evolucin de la raz del error de respiracin. Por lo anterior se
cuadrtico medio en diferentes iteraciones para consider realizar la estimacin de
parmetros por separado para los
estimar parmetros de ndice de rea foliar (XIAF)
experimentos 1-4 y 5-6.
error
0.8
43
0
0
0
9
0
0
12
0.55
0.50
20
0.775
0.75
24
0.88
1.0
28
1.0
0.85
50
0
0
50
1
A
0.9
45
0.8
40
0.7
35
0.6
fN(X ta)
fNb(Td)
30
0.5
25
0.4
20
0.3
15
0.2
10
0.1
0
10
15
20
25
30
Temperatura
35
40
45
50
10
20
30
Temperatura
40
50
60
Parmetros de IAF (XIAF). El parmetro Nb para estimar el ndice de rea foliar se indica
como parmetro constante [Jon99] y su valor fue estimado con datos de otoo 2003, al
aplicarlo a datos de primavera del 2004 el error resultante fue grande, razn por la cual se
estim tambin un valor para primavera, los resultados del proceso anterior se indican en la
tabla 3.2. Como se ha enunciado en la explicacin del modelo, ste parmetro (Nb) puede
ser variable en funcin de la temperatura y se considera como una funcin lineal a tramos
[Jon97], dicha funcin tambin ha sido ajustada en el proceso de calibracin y los
resultados se resumen en la tabla 3.3 y la figura 3.2B, lo cual nos permite utilizarlo en
forma constante o en funcin de la temperatura. El mismo procedimiento fue utilizado para
los parmetros de mxima expansin de rea foliar por nodo ( ) y el parmetro de
ecuacin expolineal ( ) y los resultados que se indican en la tabla 3.2 muestran que no
hubo diferencias en funcin del ciclo.
44
Otoo 2003
Primavera 2004
0.062
0.062
0.5
0.5
0
50
30
8.5
46.5
23
12.5
26.5
13
16.5
22.5
11
20
18.5
9.8
24.5
16.5
8.2
28.5
14.5
7.2
32.5 40.5
13.5 13
6.8 6.5
60
10
5
8.5
0
0
12.5
0
0
16.5
0.4
0.7
20.5
0.78
0.85
24.5
1.0
1.0
28.5
0
0
32.5
0
0
Parmetros para la estimacin de frutos maduros (XM). Para la estimacin del peso de
frutos maduros se indica por Jones y colaboradores [Jon99] que los parmetros factibles de
ser modificados son el nmero de nodos que hay desde que aparece el primer fruto hasta
que madura (KF) y la mxima velocidad de desarrollo de frutos en funcin de la
temperatura diaria promedio (DFmax). El parmetro KF fue considerado como dato
observado en los ensayos 1-4 y tomado de literatura para los ensayos 5-6, mientras que el
valor de DFmax fue el mismo que se propone en el modelo y su valor es de 0.05.
0
0
0
9
0
0
15
0.015
0.025
21
0.05
0.05
28
0.05
0.05
35
0.05
0.05
50
0
0
Parmetros de estimacin de peso seco total (XPS). Los parmetros estimados para el
clculo de peso seco total se indican en la tabla 3.6 y como se puede apreciar los valores
son los mismos para todos los conjuntos de datos. Los valores de los parmetros de esta
variable han sido tomados de la calibracin de otoo 2003 siendo los mismos que se han
aplicado a los datos de primavera 2003, primavera 2004 y otoo 2004.
45
La figura 3.3 muestra la sensibilidad de los parmetros sobre las variables de estado XIAF,
XPS, XF y XM; en ella se puede apreciar que la eficiencia en el uso de la luz () y el
coeficiente de conversin a materia seca (CE) son los que tienen mayor efecto sobre la
estimacin de materia seca, sigue en importancia el coeficiente de extincin de luz (CK) y
el coeficiente de utilizacin de CO2 () en la estimacin de esa variable, figura 3.3A,
mientras que el efecto del parmetro Cvmax es mnimo.
En la variable XIAF los parmetros y Nb, de la ecuacin expolineal son los ms
importantes (figura 3.3B). En la estimacin de peso seco de frutos la temperatura promedio
diaria por encima de la cual hay aborto de frutos (Tcrit) y la mxima distribucin a frutos
(F) son los parmetros ms importantes, seguidos de la funcin de distribucin a frutos en
funcin de temperatura (fF(Td)), aunque el parmetro de nmero de nodos a partir de los
cuales aparece el primer fruto tiene el efecto que tambin se observa en la figura 3.3C; en
ste caso fue un dato observado pero puede ser estimado como se ha hecho por Jones y
colaboradores [Jon99]. La influencia de la mxima velocidad de desarrollo de fruto en
funcin de la temperatura sobre frutos maduros se muestra en la figura 3.3D.
60
0.25
A
Error
Error
CE
40
0.2
CK
30
Nb
Cv m ax
20
-10
-5
0
5
% de v ariac in
10
-5
0
5
% de v ariac in
10
37
C
80
T c rit
60
40
N ff
fT d
36
-5
0
5
% de v ariac in
D F m ax
36.5
Error
Error
0.15
-10
100
20
-10
50
10
35.5
-10
-5
0
5
% de v ariac in
10
Figura 3.3 Sensibilidad de los parmetros, expresada en error absoluto. A) Sobre peso seco total.
B) Sobre IAF. C) Sobre peso seco de frutos. D) Sobre peso seco de frutos maduros
46
Nm
Nb
Vmax
CK
CE
Tcrit
Descripcin
Valor
datos
1999
0.495
13
0.041
0.22
6
0.09
0.12
0.59
0.74
24
0.95
0.24
*[Jon99]; **[Jon91a]
Valor
datos
otoo
2003
0.57
7
0.062
0.5
6
0.09
0.12
0.61
0.74
26
0.95
0.38
Valor
datos
primavera
2004
0.57
12
0.062
0.5
-
Rango de
estimacin
Valores publicados
por otros autores
Efecto sobre
la variable
Variable
0.1 0.9
3 25
0.01 0.1
0.06 0.7
2 12
0.01 - 0.5
0.01 0.5
0.3 0.9
0.5 0.9
17 32
0.1-0.95
0.05 0.9
0.50*
16*
0.030
0.169*
8*
0.0645**
0.0693**
0.58**
0.7**
24.4*
0.95*
0.20*
+++
++
+++
+
+
+++
+
++
+++
+++
+++
+
Nodos (XN)
IAF
(XIAF)
Materia
seca total
(XPS)
Materia
seca de
fruto (XF)
47
La tabla 3.7 indica la sensibilidad relativa de los parmetros sobre las variables de estado.
Al cambiar en un -5, -10, 5 y 10% cada parmetro de entrada se estim el cambio en la
variable de salida; los valores mostrados son el promedio del cambio en el valor de las
variables al cambiar los parmetros en los porcentajes anteriormente indicados. Del cuadro
citado resulta obvia la correspondencia de los parmetros con los resultados mostrados en
la figura 3.3. Tambin se puede apreciar en el mismo la importancia del parmetro de
temperatura crtica, no slo sobre la produccin de frutos, sino tambin su efecto en la
materia seca total. Hay que destacar el reducido efecto de , Cvmax y v sobre su
correspondiente variable de estado. La sensibilidad relativa de la tabla 3.7 indica que
cuando su valor es la unidad un cambio en un porcentaje en el parmetro de entrada induce
un cambio de igual proporcin en la variable de salida. De esta manera para tener una idea
ms completa se han clasificado los parmetros en tres clases: de efecto muy significativo,
cuando la sensibilidad relativa es mayor de 0.5; de efecto significativo, cuando la
sensibilidad relativa es mayor que 0.2 y menor que 0.5 y de efecto poco significativo
cuando el valor es menor que 0.2. De lo anterior resulta claro que en el modelo se pueden
considerar seis parmetros con efecto muy significativo, cuatro con efecto significativo y
el resto con efecto poco significativo.
Tabla 3.7 Sensibilidad relativa del modelo al cambio en los parmetros de las variables de
estado (ndice de rea foliar, materia seca total y peso seco de frutos)
Parmetro
Nm
(XN)
0.9
(XIAF)
(XF)
0.72
0.68
0.29
0.24
0.016
0.15
0.13
0.12
0.10
0.002
0.10
1098.5
0.74
0.65
0.28
0.21
0.016
1.05
1.10
0.39
0.11
0.11
0.05
642.5
0.99
0.22
0.01
Nb
CE
CK
Cvmax
Tcrit
F
Nf1
KF
fF(Td)
Valor de referencia
(XPS)
33.9
3.322
Efecto
+++
+++
++
+
+++
+++
++
++
+
+++
+++
++
+
+
+
48
1200
A
1000 B
*1.1
*0.9
800
g m-2
m-2 m-2
1
0
50
100
Tiempo (dias
400
150
50
100
Tiempo (dias)
800 D
Tcrit
400
Tcrit*0.9
200
g m-2
Tcrit*1.1
600
g m-2
*0.9
200
800 C
600
*1.1
150
F*1.1
F
F*0.9
600
400
200
50
100
Tiempo (dias)
150
50
100
Tiempo (dias)
150
Figura 3.4 Efecto de parmetros sobre variables de estado: A) sobre ndice de rea foliar. B)
Eficiencia en uso de la luz () sobre materia seca total. C) Temperatura crtica sobre peso seco de
frutos. D) Mxima distribucin a frutos sobre peso seco de frutos
La tabla 3.8 es un cuadro comparativo de las cinco variables de estado al aplicar los
parmetros obtenidos a los conjuntos de datos de diferentes campaas, sin incluir por
supuesto la campaa otoo 2003, cuyos datos se utilizaron en el proceso de calibracin.
Debido a la importancia del parmetro Nb en la estimacin del ndice de rea foliar se ha
registrado por separado, por un lado como constante en funcin de si el trasplante fue
realizado en verano o en campaa de primavera, y por otro en funcin de la temperatura
promedio diaria f(Td). Se muestra el comportamiento de las variables al considerarlo de una
o de otra manera. La tabla 3.9 muestra el error absoluto promedio, el error mximo y el
nmero de muestras en las campaas en que se aplicaron los parmetros estimados.
49
Las simulaciones a travs del ciclo de cultivo y su comparacin con los datos medidos se
muestran en las figuras 3.5, 3.6, 3.7 y 3.8, en las que se puede observar la dinmica de las
variables a travs de los das desde la fecha de trasplante hasta el final del ciclo (ddt). Es
notorio que el nmero de nodos se estim peor en el experimento desarrollado en
condiciones de produccin comercial de la campaa de primavera 2003, cuya variedad fue
de tomate tipo ensalada y en condiciones de agua de riego de alta conductividad elctrica
(1.4 mS cm-1); la simulacin sobreestima el nmero de nodos (ver figura 3.5). En la
campaa de otoo 2004, la simulacin puede considerarse bastante aceptable, no obstante
en las dos campaas agrcolas el error promedio es inferior al 10%.
Tabla 3.8 Raz del error cuadrtico medio en el modelo Tomgro
Campaa
Agrcola
Nb
Nodos
n1
XIAF
Peso
seco
total
n2
Peso
seco
frutos
25.4
25.3
48.2
44.3
66.3
65.9
50.9
Peso
seco
frutos
maduros
36.1
35.9
42.7
40.2
63.1
62.7
nd
Primavera
2003
Primavera
2004
Otoo
2004
Primavera
1999
[Jon99]
12
fNb(Td)
12
fNb(Td)
7
fNb(Td)
13
2.5
2.5
0.9
0.9
1.8
1.8
0.7
6
6
15
15
12
12
10
0.28
0.28
0.30
0.32
0.29
0.30
0.13
50.3
51.3
51.9
41.6
64.8
63.9
29.5
6
6
10
10
9
9
9
5
5
8
8
7
7
nd
16
nd
nd
1.43
217.8
nd
72.5
73.7
n3
nd dato no disponible n1: nmero de muestreos realizados en nodos. n2: nmero de muestreos realizados
en XIAF y peso seco total, n3: nmero de muestreos en frutos. En cada muestreo se midieron seis plantas.
El ndice de rea foliar fue estimado de manera aceptable, aunque es la variable de estado
cuyo error relativo es el ms alto de estas y flucta entre 5 y 15%. En la figura 3.5B se
indica la simulacin de ndice de rea foliar (XIAF) sin correccin por conductividad
elctrica (XIAF-a) considerando agua de buena calidad y conductividad elctrica en un rango
aceptable de 2.0 a 2.7 mS cm-1; sin embargo, la conductividad elctrica en el sustrato
durante la campaa fluctu entre 4.0 y 7.0 por lo cual se hizo el ajuste correspondiente en
la simulacin de dicha variable. Estudios sobre este tema indican que hay disminucin de
ndice de rea foliar en plantas desarrolladas en medios salinos [Mag03] y que ste es
disminuido un 6.5% por cada unidad de XCE por encima del valor umbral 2.7 mS cm-1. La
curva XIAF-b de la figura 3.5B incluye la correccin por salinidad y muestra la dinmica del
ndice de rea foliar; evidentemente el comportamiento en la simulacin de esta variable
est ms prximo a los datos medidos y la simulacin mejora considerablemente.
En las figuras 3.6B y 3.7B tambin se puede apreciar el comportamiento del ndice de rea
foliar para campaas de primavera 2004 y otoo 2004, en las cuales se observa el efecto de
las podas de hojas a travs del ciclo y la practica de eliminacin del meristemo apical
varias semanas antes del final del cultivo, la dinmica de XIAF en estas dos campaas es
simulada satisfactoriamente como se corrobora en la tabla 3.8 que muestra que la raz del
error cuadrtico medio para sta variable no excede de 0.32.
50
60
5
A
m2 m-2
40
nodos
20
LAI-a
XIAF-a
XLAI-a
3
XLAI-b
XIAF-b
LAI-b
1
0
50
100
150
50
ddt
1000
100
150
600
g m-2
g m-2
800
600
400
400
200
200
0
150
ddt
800
100
50
100
ddt
150
50
ddt
Figura 3.5 Simulacin y datos medidos durante la campaa primavera de 2003. A) Cantidad de
nodos. B) ndice de rea foliar, XIAF-a sin ajuste por conductividad elctrica, XIAF-b ajustada por
conductividad elctrica. C) Peso seco total. D) Peso seco de frutos y de frutos maduros (ddt - das
despus de trasplante)
Para la variable peso seco total el error flucta entre 29.5 y 64.8 g m-2 presentando el error
ms alto la campaa otoo 2004, en la cual se presentaron temperaturas altas en el inicio
del cultivo lo que indujo algunos problemas de polinizacin y cuajado de frutos. Aunque el
error es de magnitud considerable es menor que el indicado por [Jon99] para datos
experimentales de diferente localizacin respecto al lugar donde se realiz la calibracin
del modelo.
El error en la estimacin de peso seco de frutos flucta entre 25.3 y 66.3 g m-2 mientras que
en la variable de frutos maduros va en el orden de 35.9 a 63.1 g m-2. Cabe resaltar que las
simulaciones para las campaas de primavera 2003 y primavera 2004 son en conjunto
bastante aceptables como se demuestra en las tablas 3.8 y se observa en los grficos 3.5 y
3.6; sin embargo en el ciclo de otoo 2004 muestra un comportamiento diferente, el
nmero de nodos y el ndice de rea foliar son simulados de manera satisfactoria, el peso
seco de frutos y de frutos maduros son variables en las cuales el error es mayor, por los
problemas antes mencionados, lo cual se expone ms ampliamente en la seccin de
discusin de resultados.
51
80
5
A
m2 m-2
nodos
60
40
20
0
4
3
2
1
50
100
ddt
150
200
50
100
ddt
150
200
50
100
ddt
150
200
1000
C
1000
600
400
500
0
800
g m-2
g m-2
1500
200
0
50
100
ddt
150
200
m2 m-2
nodos
Figura 3.6 Simulacin y datos medidos en la campaa primavera de 2004. A) Nmero de nodos.
B) ndice de rea foliar. C) Peso seco total. D) Peso seco de frutos y de frutos maduros.
80
5
A
B
4
60
40
20
0
3
2
1
50
100
150
50
ddt
1500
100
150
D
600
g m-2
1000
g m-2
150
800
C
500
100
ddt
400
200
50
100
ddt
150
50
ddt
Figura 3.7 Simulacin y datos medidos en la campaa otoo de 2004. A) Nmero de nodos. B)
ndice de rea foliar. C) Peso seco total. D) Peso seco de frutos y de frutos maduros
52
Error
Nodos
XIAF
Peso seco
total
Peso seco
frutos
Primavera
2003
Promedio
Mximo
n
Promedio
Mximo
n
Promedio
Mximo
n
Promedio
Mximo
n
1.9
4.2
6
0.7
1.7
15
1.8
1.8
12
0.5
1.6
9
0.18
0.60
6
0.22
0.47
10
0.24
0.57
9
0.11
0.21
9
37.2
87.4
6
26.1
55.8
10
44.4
98.4
9
23.9
52.0
9
19.9
44.8
5
20.7
51.8
8
39.2
154.1
7
42.1
80.4
8
Primavera
2004
Otoo
2004
Primavera
1999
Peso seco
frutos
maduros
44.1
62.4
4
37.1
58.3
5
44.9
94.4
5
nd
nd
nd
nd- dato no disponible para calcular error. n- nmero de muestreos realizados. En cada muestreo se midieron
seis plantas.
50
6
A
B
m2 m-2
nodos
40
30
20
10
1200
100
600
1000
800
g m-2
g m-2
50
ddt
600
400
50
ddt
100
50
ddt
100
400
200
200
0
50
ddt
100
Figura 3.8 Simulacin y datos medidos en la campaa primavera de 1999. A) Nmero de nodos.
B) ndice de rea foliar. C) Peso seco total. D) Peso seco de frutos
53
dX PS
= C E ( FOTb ,d Rm ,d )
dt
(3.18)
VRFA
FOTb ,d = ( FOTb )dt ; FOTb = FOTb ,max 1 exp
ti
FOTb ,max
Ccnv ,sm
(3.19)
(3.20)
54
FOTnc ,max =
41.6(VCO 2 )
crm + 1.36rcl + 1.6cre
(3.22)
FOTe. max
0
4.3(T 5 )
h
= 43
43 2.86(T 25 )
h
Th 5 C
5 C < Th < 15 C
15 C Th 25 C
(3.23)
o (VCO 2 )
(3.24)
VCO 2 + 2
(3.25)
c fr *VCR
(3.27)
ti
(3.28)
donde XPS,h es materia seca de hojas, XPS,t materia seca de tallo, XPS,r materia seca de races,
XF materia seca de frutos, Mh, Mt, Mr y Mfr son velocidad de respiracin de mantenimiento
55
ln( X PS ( t ) ) ln( X PS ( t 5) )
t (t 5)
(3.29)
C E = 1 /( AS h Fh + AS t Ft + AS r Fr + AS f F f )
(3.30)
donde ASh, ASt, ASr y ASf son requerimientos de fotoasimilados para hojas, tallo, races y
frutos respectivamente y Fh, Ft, Fr y Ff son las fracciones de fotoasimilados que se
distribuyen a cada rgano: hojas, tallo, races y frutos respectivamente.
Estimacin de floracin. La funcin de aparicin de racimos por da en Tomsim (XNR) ha
sido desarrollada con datos de diferentes experimentos [Kon94], [Heu96a] y es una
funcin emprica que considera la temperatura como variable fundamental:
dX NR
= 0.2903 + 0.145 ln(Td )
dt
(3.31)
(3.32)
56
Td
2
3
)(0.0392 0.213EDF(t 1) + 0.451EDF( t 1) 0.240 EDF(t 1) )
20
(3.33)
El estado de desarrollo del racimo (EDR) se define como el estado de desarrollo del fruto
(Cnfr/2) de ese racimo, as para ramilletes con ocho frutos el estado de desarrollo del
ramillete lo define el desarrollo del cuarto fruto del racimo.
Crecimiento potencial de racimo. El crecimiento potencial de cada racimo es el
crecimiento que el racimo puede llegar a alcanzar en condiciones ptimas, es modelado a
partir de diferentes parmetros obtenidos de manera emprica:
TCPR( t ) =
C nfr cf a cf b (1 + e
(cf d 1)(e
1
cf b ( EDR( t ) cf c ) 1 cf d
cf b ( EDR( t ) cf c )
+ 1)
(3.34)
donde Cnfr es el nmero de frutos del racimo, EDR(t) es el estado de desarrollo del racimo
en el dia t, cfa, cfb, cfc y cfd son parmetros de crecimiento del racimo.
Crecimiento potencial de unidades vegetativas. Este modelo tambin considera
crecimiento detallado de la parte vegetativa del cultivo, y la contabiliza por unidades
vegetativas; cada unidad vegetativa est constituida por el tallo y tres hojas que hay entre
dos racimos, aunque el nmero de hojas que hay antes del primer racimo es de 9 a 12 hojas
y por tanto se asume que la primera unidad vegetativa es 2.5 veces ms grande que las
restantes [Heu96a], [Heu96b].
(3.35)
57
Los fotoasimilados disponibles cada da expresados como g de CH2O por planta son
distribuidos entre el nmero total de demandas por planta de acuerdo a su fuerza de
demanda (FDo,i), la fuerza de demanda se estima con las expresiones de crecimiento
potencial de racimos o unidades vegetativas comentadas anteriormente. Para calcular la
fraccin de fotoasimilados que se distribuye a cada racimo o unidad vegetativa (fod,i) se
utiliza la siguiente expresin:
f od ,i =
FDo ,i
Nod
FD
(3.36)
o ,i
i =1
donde FDo,i es la fuerza de demanda del rgano en cuestin o sea el crecimiento potencial
que puede alcanzar y Nod es la cantidad de unidades de demanda.
La fuerza de demanda de las races se establece en 15% de la fuerza de demanda
vegetativa. La distribucin dentro de la parte vegetativa de la planta es: 7:3:1.5 para hojas,
tallo y races respectivamente [Heu99].
Otra forma de estimar distribucin a frutos es mediante la siguiente ecuacin:
Ff =
C nfr
C nfr + FDuv / FD f
(3.37)
donde Cnfr es el nmero de frutos por racimo, FDuv es la fuerza de demanda por unidad
vegetativa y FDf es la fuerza de demanda de un fruto.
La cantidad de fotoasimilados disponibles cada da por planta (AScr) se estiman
distribuyendo la cantidad de fotoasimilados producida para ese da al nmero de plantas
por unidad de superficie. Con ello tenemos un almacn de fotoasimilados a ser distribuido
en funcin de la demanda de los racimos y las unidades vegetativas.
AS cr =
FOTb ,d Rm ,d
(3.38)
donde FOTb,d son fotoasimilados producidos cada da, Rm,d son aquellos que se consumen
por la respiracin y es la densidad de plantas por unidad de superficie.
El crecimiento de cada racimo o unidad vegetativa se obtiene con la expresin:
CRUV ,i = f od ,i AScr
(3.39)
58
ndice de rea foliar. El rea foliar es simulada en base a la materia seca del rea foliar
(XPS,h) y el rea foliar especifica (AFE) simuladas. El modelo considera que las hojas son
eliminadas cuando el estado de desarrollo de su racimo correspondiente alcanza un valor
de 0.9; a 20 C los racimos crecen por 60 das, as las hojas se podan 6 das antes de que el
racimo correspondiente est maduro para ser cosechado [Heu99]. Para las condiciones
locales sta prctica no se realiza de esa manera, as que se considera como una entrada por
el usuario cuando ste realiza la poda de hojas.
X IAF = AFEX PS , h
(3.40)
El rea foliar especfica expresada en [cm2 g-1] es modelado por Tomsim con una funcin
del da del ao:
2 (t j + 68)
(3.41)
De la misma manera que en el modelo Tomgro, con los datos de otoo de 2003 se ha
procedido a la estimacin de los parmetros de peso seco total, fundamentalmente aqullos
del proceso de fotosntesis o respiracin que se han indicado como importantes en la
determinacin del mismo [Ber93]. La tabla 3.10 muestra los resultados del proceso de
estimacin de parmetros, as como los valores de los mismos estimados en el trabajo de
[Heu96a]. Con excepcin del parmetro emprico de respiracin los restantes parmetros
tienen valores bastante similares a los indicados previamente.
Tabla 3.10 Parmetros estimados para el modelo Tomsim
Parmetro
cfr
CK
o
Descripcin
Valor
Rango de
estimacin
Parmetro de respiracin
Coeficiente de extincin de
radiacin
Eficiencia fotoqumica en
ausencia de oxgeno
10
0.712
1-50
0.5-0.9
Valores
publicados en
[Heu96a]
33
0.72
0.084
0.05-0.10
0.084
Variable
Peso
seco
total
59
IAF
IAF
XNR
XPS
XF
R-1
7
7
15
10
6
11
8
8
5
11
8
7
5
9
7
7
60
R-2
R-3
R-4
R-5
R-6
R-7
5
9
7
7
5
9
7
7
5
9
7
7
5
9
5
5
9
5
5
6
5
5
500
1500
o
g m-2
Error
400
300
CK
200
o*1.1
1000
o*0.9
500
cfr
100
-10
1500 C
-5
0
tiempo (das)
1440
1420
1400
1380
1360
10
CK*1.1
CK
1500
CK*0.9
1000
50
100
tiempo (das)
cfr*1.1
1440
1430
1420
1410
cfr
1400
1320
122
124
126
128
130
132
134
136
138
140
142
g m-2
g m-2
1390
1340
1000
500
0
150
1380
1370
132
133
134
135
136
137
138
139
140
cfr*0.9
500
50
100
tiempo (das)
150
50
100
tiempo (das)
150
Figura 3.10. A) Sensibilidad del modelo a los parmetros: eficiencia fotoqumica en ausencia de
oxgeno (o), coeficiente de extincin de radiacin (CK) y parmetro de respiracin (cfr). Efecto de
parmetros sobre peso seco total durante el ciclo de cultivo: B) o; C) CK; D) cfr.
La tabla 3.12 muestra la raz del error cuadrtico medio de las diferentes variables al
realizar las simulaciones con el modelo Tomsim, mientras que la tabla 3.13 indica los
errores promedio y mximo absolutos para las variables estimadas. Es evidente que el
modelo proporciona estimaciones bastante aceptables en las variables de cantidad de
racimos (XNR), peso seco total (XPS) y peso seco de frutos (XF), en las cuales el porcentaje
del error relativo es inferior al 8% respecto a los datos medidos.
Tabla 3.12 Raz del error cuadrtico medio en modelo Tomsim
Primavera 2003
Otoo 2003
Primavera 2004
Otoo 2004
XNR
0.50
0.62
0.58
0.68
XPS
29.44
44.84
57.70
59.87
XF
13.28
23.65
34.42
33.84
R-1
4.0
2.7
1.6
2.4
R-2
5.4
2.6
4.4
2.7
R-3
2.7
3.5
2.0
4.1
R-4
9.9
5.7
4.2
3.3
R-5
3.4
7.8
5.2
2.3
R-6
R-7
1.9
6.0
5.4
4.9
5.1
3.3
Las estimaciones de crecimiento de racimos son aceptables en los tres primeros racimos,
sin embargo a partir del cuarto racimo en todos los experimentos se pueden observar
errores de considerable magnitud, es decir que el comportamiento del modelo difiere de las
mediciones realizadas, lo cual se puede apreciar en las tablas 3.12 y 3.13. Las diferencias
en la estimacin de racimos en el experimento de primavera 2003 son los que alcanzan
mayor magnitud, aunque tambin en los experimentos de otoo 2003, primavera 2004 y
otoo 2004 el error relativo fue mayor al 10% para la mayora de los racimos y la
magnitud del error mximo absoluto lleg a alcanzar hasta un 21%.
61
XNR
XPS
XF
Racimo 1
Racimo 2
Racimo 3
Racimo 4
Racimo 5
Racimo 6
Racimo 7
Otoo 2003
Medio
Mximo
0.55
1.05
39.94
81.38
19.02
45.51
1.99
5.36
2.07
4.39
2.73
7.32
3.74
7.69
6.46
7.08
1.38
4.68
4.33
4.82
Primavera 2004
Medio
Mximo
0.43
1.09
48.89
118.21
28.38
58.01
1.53
1.76
3.35
5.90
1.57
3.55
4.03
5.40
4.23
7.22
5.32
7.71
4.41
7.33
Otoo 2004
Medio
Mximo
0.59
1.21
52.31
96.74
25.11
66.77
1.94
4.04
2.33
4.51
2.86
8.10
2.61
6.71
1.68
3.80
4.76
7.73
2.85
4.87
Las figuras 3.11, 3.12, 3.13 y 3.14 muestran el comportamiento del modelo respecto a los
datos observados en los diferentes ensayos. Las simulaciones inician a partir de que el
primer racimo alcanzaba el estado de apertura de la tercera o cuarta flor, que es el estado
de condiciones iniciales planteado en el modelo.
En la campaa de primavera de 2003 la dinmica de crecimiento de racimos (figura
3.11D), aunque no muestra los datos medidos, stos si se han considerado en los
estadsticos mostrados en las tablas 3.12 y 3.13. Las simulaciones de las variables XNR, XPS
y XF a travs del ciclo muestran un comportamiento que sigue adecuadamente la dinmica
de crecimiento de las mismas.
15
1000
B
800
10
g m-2
racimos
600
400
200
800
50
100
Tiempo (das)
50
30
400
g m-2
50
100
Tiempo (das)
40
600
20
200
0
10
0
50
100
Tiempo (das)
50
100
Tiempo (das)
Figura 3.11 Dinmica de las variables durante la campaa primavera de 2003. A) Cantidad de
racimos. B) Peso seco total. C) Peso seco de frutos. D) Racimos
62
15
1200
B
1000
10
800
g m -2
racimos
600
400
200
800
50
100
Tiempo (das)
40
30
-2
gm
400
gm
50
100
Tiempo (das)
50
600
200
0
20
10
50
100
Tiempo (das)
50
100
Tiempo (das)
Figura 3.12 Simulacin y datos medidos durante la campaa otoo de 2003. A) Cantidad de
racimos. B) Peso seco total. C) Peso seco de frutos. D) Crecimiento de racimos. Racimos medidos:
2, 5 y 6
15
1500
B
10
1000
gm
-2
racimos
50
100
Tiempo (das)
500
150
1000
50
100
Tiempo (das)
150
50
C
800
40
600
30
g m-2
400
20
200
10
50
100
150
Tiempo (das)
200
+
+
0
50
100
Tiempo (das)
150
Figura 3.13 Simulacin y datos medidos durante la campaa primavera de 2004. A) Cantidad de
racimos. B) Peso seco total. C) Peso seco de frutos. D) Racimos 1, 3 y 5
63
La simulacin del peso seco total de los ensayos de primavera 2004 y otoo 2004 tiende a
sobreestimar ligeramente el peso seco total al comparar con los datos medidos, mientras
que la simulacin del peso seco de frutos mantiene una dinmica concordante con los datos
medidos.
En la figura 3.12D correspondiente a la campaa otoo de 2003 se muestran datos medidos
de los racimos 2, 5 y 6, as como la dinmica de crecimiento de los racimos. El
comportamiento del modelo indica una drstica reduccin en el crecimiento de racimos a
partir del da 60 en parte porque hay competencia por fotoasimilados por los racimos y por
las unidades vegetativas, as como por disminucin de crecimiento por descenso de
temperaturas. Al observar la figura antes mencionada es evidente que la tendencia del
modelo es a reducir el tamao de los racimos.
Las figuras 3.12D, 3.13D y 3.14D muestran que la simulacin del primero, segundo y
tercer racimos siguen un comportamiento aceptable respecto a los datos medidos, sin
embargo el quinto y sexto racimos las diferencias son mayores, lo cual ha sido mostrado en
los estadsticos de las tablas 3.12 y 3.13.
15
1200
1000
10
800
g m-2
racimos
600
400
200
50
100
Tiempo (das)
800
50
C
30
400
g m-2
50
100
Tiempo (das)
40
600
20
200
0
10
0
50
100
Tiempo (das)
50
100
Tiempo (das)
150
Figura 3.14 Simulacin y datos medidos durante la campaa otoo de 2004. A) Cantidad de
racimos. B) Peso seco total. C) Peso seco de frutos. D) Racimos 1, 3 y 5
1.5
A
B
1
0.5
0.5
g d-1
20
50
100
Tiempo (das)
150
150
D
racimos
g d-1
100
15
10
5
50
Tiempo (das)
15
50
100
Tiempo (das)
150
10
50
100
150
Tiempo (das)
Figura 3.15 Variables intermedias del modelo Tomsim. A) Crecimiento potencial de racimos. B)
Estado de desarrollo de racimos. C) Crecimiento potencial total (racimos y unidades vegetativas)
por da. D) Racimos completos
65
66
Consumidores de
hoja/tejido
Reductores
de poblacin
Reductores de tasa
de asimilacin
Temperatura
CO2
IAF
AFE
Eliminacin
de hojas
Respiracin
de mantenimiento
Hojas
Materia seca total
Consumidores de
fotoasimilados
Fotosntesis
Crecimiento
Asimilados
Formacin de
calidad
Parmetros
de fotosntesis
Tallo
Races
Frutos
Calidad
de
producto
Cmsf
Respiracin
de crecimiento
Cosecha
Rendimiento
en fresco
RFA
Hurtadores
de luz
Radiacin
Cm,inv
externa
H2O
NO3
Absorcin
Elementos
nutritivos
H2PO4
SO42
Cl-
K+
Ca2
Cu2
+
Mn2
Fe2+ H2BO
Na+
3.4.1 Salinidad
Se ha investigado y demostrado que la salinidad en el medio de la raz causa reduccin en
el rendimiento en peso fresco comercial de las hortalizas de fruto [Son91], [Sor98],
[Son00], [Li01b], [Elt02], [Stm03], [Cla05].
La tabla 3.14 indica la magnitud de disminucin de rendimiento con diferente salinidad
expresada como conductividad elctrica. En algunas condiciones no se ha encontrado
efecto, por ejemplo en [Son00] se indica que con una conductividad elctrica (XCE) de 2.9
mS cm-1 durante los primeros 90 das que fue incrementada a 5.0 mS cm-1 en un
tratamiento y a 6.8 en otro durante los das 91 al 130 no hubo diferencias significativas de
rendimiento respecto al tratamiento con 2.9 mS cm-1 durante todo el ciclo de cultivo, con
una variedad tipo ensalada desarrollada en otoo; mientras que cuando el incremento se
hizo a los 60 das si hubo una disminucin de 3.1% por cada mS cm-1 en que se increment
la conductividad elctrica.
En el diagrama las lneas contnuas representan flujo y direccin de una substancia, las lneas discontnuas
representan flujo de informacin, el smbolo de vlvula en el flujo indica una velocidad de cambio, los
crculos representan variables intermedias, los rectngulos variables de estado y la lnea con un punto central
son variables de entrada, parmetros o constantes.
67
En experimentos realizados con XCE en un rango entre 2.0 a 5.6 no hubo reduccin de
rendimiento en frutos comerciales desarrollados en condiciones de luz artificial de 100
mol m-2 s-1, CO2 de 800200 ppm y temperaturas entre 17 y 21 C [Dor00]. De manera
similar Soneveld [Son00] indica que bajo condiciones deficientes en luz en estados
tempranos de crecimiento, altos valores de XCE no afectaron adversamente el rendimiento
de largo plazo, y que lo mismo fue observado con valores de alta XCE aplicada en estado
reproductivo cuando las condiciones de luz fueron bajas.
El enriquecimiento con CO2 en el ambiente del invernadero ha mostrado ser una
posibilidad para mantener el rendimiento sin disminucin de calidad [Li99], en donde
regando con agua de 7 mS cm-1 y 1200 ppm de CO2 el rendimiento fue incrementado y la
calidad fue conservada.
El umbral de disminucin de rendimiento parece ser entonces un umbral dinmico en
funcin de las condiciones ambientales, aunque bajo el conocimiento actual pareciera que
se requiere de mayor investigacin para establecer el umbral en funcin de las condiciones
ambientales de crecimiento. Sonneveld indica al respecto que los valores de 3 a 6 mS cm-1
sugeridos por Gale y Zeroni parecen tener una base realista en condiciones de clima
hmedo y fro, riego por goteo y enriquecimiento de CO2, similares a las que pueden ser
encontradas en el Noroeste de Europa desde otoo hasta inicios de primavera; sin embargo
para condiciones de verano los valores umbral estn entre 2.5 y 2.9 para tomate [Son00].
En otros trabajos se indica que a partir de 2.0 mS cm-1 disminuye el rendimiento de frutos
comerciales, tanto en tratamientos de alta transpiracin como en tratamientos de baja
transpiracin [Li01b].
Un enfoque diferente ha sido planteado y probado en [Cla05] quien concluy que el
contenido del aminocido prolina en las hojas es un indicador del estrs ambiental que
sufren las plantas, indicador que incorpora el efecto de salinidad y sus interacciones con la
radiacin y que puede ser importante en la determinacin de umbrales de productividad y
calidad.
A pesar del decremento en rendimiento en peso fresco causado por salinidad, no hay
disminucin en rendimiento de materia seca [Son00], [Li01b], sin embargo otros autores
informan que s hubo disminucin en la produccin de materia seca de frutos a partir de los
tratamientos de 5 mS cm-1 [Mag03], una tendencia similar de disminucin de materia seca
ha sido indicada por [Cla05] para cultivo de tomate desarrollado en verano, pero no para el
que se desarroll en otoo. En otros trabajos con incrementos de salinidad bajo sistema de
cultivo de pelcula nutritiva hay disminucin de materia seca, mientras que en el sistema de
lana de roca no la hay [Xu95]. De una u otra manera el decremento en peso fresco de
frutos es efecto de la disminucin en acumulacin de agua en ellos.
Si bien el incremento de salinidad por encima de un umbral causa disminucin de
rendimiento, cuando la concentracin de la disolucin nutritiva no es suficiente para que el
cultivo disponga de los nutrientes necesarios el rendimiento es muy bajo. En [Son00] se
propone una relacin entre conductividad elctrica en la rizsfera y el rendimiento, que se
describe con la figura 3.17A en la cual si la conductividad elctrica est por debajo de un
mnimo, o por encima de un lmite umbral, el rendimiento disminuye.
68
14000
B
1.5
12000
1.3
10000
1.1
8000
0.6
g m-2
rendimiento relativo
0.8
0.9
6000
0.7
4000
0.5
0.4
0.3
0.2
2000
10
50
100
14000
14000
D
C
2.5
12000
12000
2.5
3.5
4.5
10000
5.5
g m-2
8.5
9.5
6000
10000
3.5
8000
5.5
4.5
g m-2
6.5
7.5
8000
6.5
6000
4000
4000
2000
2000
150
dias
mS cm-1
50
100
dias
150
7.5
8.5
9.5
50
100
150
dias
69
Tabla 3.14 Conductividad elctrica indicada por diferentes autores en relacin a rendimiento de frutos en tomate
Variedad
Estafette
Turbo
Abunda, Angela, Calypso
Rambo, Daniela, Moneymaker
Daniela
Chaser
nd
Gkce F1
FA 361
Counter
Capello
Blitz
70
Umbral de
rendimiento
(mS cm-1)
2.5
2.9
2.4
2.6
2.7
3.79
2.0
2.0
3.4
Reduccin de rendimiento
comercial fresco
(% por unidad de XCE)
2.3
7.2
5.2
7.0
9.8
8.7
5.1
3.4
4.4
1.9
1.9
3.0
3.0
2.5
2.6 5.1
8.3
9.1
5.7
1.5
3.7
2.8 6.2
2.3 5.8
1.0 11.0 *
1.0 11.0 *
2.5-5-5
Referencias
[Son91]
[Son00]
[Sor98]
[Mag03]
[Li01b]
[Stm03]
[Elt02]
[Cla05]
[Xu95]
[Dor00]
VR
ET
= C ky (1
)
ETmax
V R max
(3.42)
ET
) 0.14
ETmax
(3.43)
14000
14000
A
1.0
12000
12000
0.9
10000
0.7
0.6
0.5
0.4
8000
6000
6000
4000
4000
2000
2000
0.9
0.8
g m -2
8000
g m -2
1.0
0.8
10000
0.7
0.6
0.5
50
100
150
0.4
50
100
14000
14000
C
12000
1.0
12000
1.0
0.9
10000
0.5
6000
8000
g m-2
g m-2
0.8
0.7
0.6
6000
0.5
4000
2000
2000
50
100
150
0.7
0.6
4000
0.9
10000
0.8
8000
150
dias
dias
0.4
dias
50
100
150
dias
72
14000
1.1
A
1.05
12000
0.5
1
10000
0.3
0.9
8000
g m-2
Rendimiento relativo
0.95
0.85
0.1
6000
0.8
4000
0.75
0.7
2000
0.65
0
0.6
0.5
1.5
kPa
2.5
50
100
150
dias
14000
C
1.6
12000
1.8
2.0
10000
2.2
g m-2
8000
6000
4000
2000
50
100
150
dias
73
74
75
La magnitud del error para cada variable est en un rango igual o menor al obtenido por
otros autores [Jon99] una vez que en los trabajos de stos los parmetros fueron ajustados a
diversos lugares con la finalidad de observar su comportamiento; la comparacin puede
constatarse en la tabla 3.8.
La diferencia entre la simulacin y los resultados observados en frutos para el ciclo de
otoo de 2004 se debe en gran medida al retraso en polinizacin y a la incidencia de frutos
no desarrollados (partenocrpicos algunos de ellos) del primero, segundo y tercer racimos,
lo cual ha sido explicado como efecto de altas temperaturas en [Sat01] ya que la
temperatura promedio diaria durante la fertilizacin de esos racimos oscil entre 24.9 y
26.5 C; e incluso como se informado en [Wil98] hay efectos de disminucin en nmero y
peso de frutos cuando las temperaturas nocturnas estn por encima de 21 C situacin que
se dio en este caso para esa etapa de los citados racimos.
Por otra parte, el modelo Tomsim proporciona resultados aceptables en la simulacin de
nmero de racimos, peso seco total y peso seco de frutos. Sin embargo es importante
reconocer que lo anterior es posible considerando el ndice de rea foliar como una
variable de entrada, cuya estimacin requiere de mayor esfuerzo de investigacin ya que en
las condiciones de los ensayos del presente trabajo presenta problemas su adecuada
prediccin.
La simulacin de la dinmica de crecimiento de racimos en Tomsim ha mostrado un
comportamiento aceptable fundamentalmente en el primer y segundo racimos, y en
algunos casos tambin en el tercer racimo, sin embargo en el resto se observaron
importantes diferencias entre las simulaciones y las datos observados. Esto puede tener su
explicacin en dos causas importantes: las condiciones en las que se desarrollaron los
ensayos, ya que no hubo la uniformidad deseable en cuanto a fechas de cuajado de
racimos, nmero de frutos cuajados por racimo y condiciones adversas de humedad y
temperatura durante los meses de agosto y septiembre de los ciclos de otoo. Por otro lado
el comportamiento del modelo en cuanto a crecimiento de racimos tiende disminuir
excesivamente el tamao de stos en la medida que aparecen ms rganos de demanda. Lo
anterior ha sido objeto de discusin ya que algunos autores han indicado la importancia del
efecto de la posicin de los racimos respecto al meristemo apical en el crecimiento de stos
[Sla77]; sin embargo [Heu96a] ha indicado que la distancia respecto al meristemo apical
no es importante.
Los modelos Tomgro reducido y Tomsim tienen una de sus principales ventajas en que sin
contener demasiadas variables de estado (por ejemplo 574 en Tomgro v3) han realizado
una prediccin aceptable de la dinmica de los cultivos en los ensayos realizados en el
marco del presente trabajo y ello hace posible su utilizacin en esquemas de control
jerrquico de produccin en invernadero.
No obstante lo anterior, es importante mencionar que los modelos aqu descritos y
evaluados, aunque tienen su base en los procesos de fotosntesis y respiracin que les
confiere el carcter explicativo, requieren de un conjunto de funciones empricas y
parmetros que los asemeja a modelos de caja negra. Es posible que en el proceso de
estimacin de parmetros y funciones, la distancia entre el carcter explicativo y el
descriptivo sea muy estrecha ya que el proceso de estimacin de parmetros por medio de
mnimos cuadrados no se fundamenta en aspectos mecanicistas de los modelos.
76
El aspecto descrito en el prrafo anterior es una posible explicacin de porqu los modelos
no slo resultan muy sensibles a algunos parmetros como la eficiencia fotoqumica () en
Tomgro (o) en Tomsim, como se ha mostrado en la seccin correspondiente de este
trabajo, sino tambin que el mismo parmetro posibilita alta incertidumbre en la
estimacin de XIAF, XPS y XF como ha sido indicado en [Coo04] al analizar incertidumbre a
los parmetros en Tomgro.
El problema de combinar el carcter explicativo basado en principios biolgicos, fsicos y
fsico-qumicos con la simplicidad de los modelos, para conseguir modelos robustos
capaces de resolver problemas especficos sigue siendo un reto vigente, tal como ha sido
reconocido por diversos autores [Gar98], [Ham98], [Mar98], [Str99b]. El presente trabajo
contribuye en la medida en que contina en la va de adaptar modelos de crecimiento a
condiciones locales y detecta aspectos en los que es necesario profundizar y realizar mayor
investigacin que posibilite la utilizacin de los mismos en aplicaciones tecnolgicas.
3.6.3 Conclusiones
Se han modificado, implementado, calibrado y validado los modelos de crecimiento y
desarrollo en tomate Tomgro reducido y Tomsim para las condiciones de cultivo sin suelo
en invernaderos tipo parral en ensayos experimentales en condiciones con calefaccin, sin
calefaccin, con agua de riego de buena calidad, en los ensayos experimentales, y de
calidad moderada en invernadero comercial.
77
Los modelos evaluados son factibles de ser utilizados en control climtico en lnea, ya que
el tiempo de simulacin permite su utilizacin sin problemas.
El modelo Tomgro permite simulaciones satisfactorias de nmero de nodos, ndice de rea
foliar, materia seca total y materia seca de frutos y materia seca de frutos maduros. Por otra
parte el modelo Tomsim simula satisfactoriamente nmero de racimos, materia seca total y
materia seca de frutos.
Se ha propuesto una estructura que permite el modelado de crecimiento desde un enfoque
holstico, que integra al modelado del cultivo de tomate el efecto de salinidad, dficit
hdrico y dficit de presin de vapor de agua. La incorporacin de las variables
mencionadas permite la prediccin de rendimiento en peso fresco en diversas condiciones
de produccin y trasciende el supuesto bsico del modelado de crecimiento de asumir
perfectas condiciones de aporte hdrico y condiciones de nutricin.
Se han establecido las bases para un simulador de cultivos en invernadero que incluye en
una primera etapa el modelado de crecimiento y desarrollo de tomate, con posibilidad de
plantear escenarios de produccin. Lo anterior hace posible su utilizacin como
herramienta de ayuda a la toma de decisiones.
78
79
La divisin artificial antes mencionada facilita el anlisis, puesto que realmente existe una
estrecha interdependencia entre estos procesos.
h , s = pr , s + g , s + os , s
(4.1)
g ,s = C a C g C z
(4.2)
os ,s = Ccsol C RTs
(4.3)
80
F = C kf
d
dx
(4.4)
donde F es la densidad de flujo de agua, d la diferencia de potencial entre los dos puntos,
y Ckf es una constante de proporcionalidad [Jon98b]. Esta ecuacin se aplica generalmente
en su forma integrada (Ley de Ohm), constituyendo una sobre-simplificacin ya que asume
un flujo en estado estable y resistencia constante, condiciones que difcilmente el sistema
presenta [Kra95], [Ste98], [Ste00], [Zhu01].
Por otro lado, desde el punto de vista de la caracterizacin de sustratos, uno de sus aspectos
importantes es la capacidad de retencin de agua, en funcin de las caractersticas fsicas
de los mismos, de su porosidad, estructura, tamao de partculas y distribucin del tamao
de stas [Ans94], [Bur97]. Los sustratos con partculas de tamao entre 1 y 10 mm tienen
poca variacin en la cantidad de agua retenida, aumentando la capacidad de retencin de
agua cuando el tamao de partculas es inferior a un mm [Ans94]. Al contenido mximo de
agua en un sustrato se le conoce como capacidad de contenedor y es funcin de las
caractersticas del sustrato y de la altura del contenedor [Ans94], [Bur97].
El agua retenida en el sustrato expresada como su contenido de humedad sigue una
relacin no lineal con el potencial matricial y adems presenta el fenmeno de histresis,
es decir, que es diferente si el sustrato est en proceso de secado que si se est
humedeciendo [Bur97]. El conocimiento de esta relacin ha sido objeto de muchos
estudios [Sil95], [Bur97] y es de gran utilidad para formular modelos de balance hdrico.
81
Osmolalidad: Concentracin de solutos en un kg de agua. Una solucin molal contiene una molcula gramo
disuelta en un kg de agua. Una solucin molar contiene una molcula del soluto disuelta en agua hasta
completar un litro.
82
Al aplicar dficit hdrico severo tambin se ha observado disminucin del potencial hdrico
en las hojas, llegando a alcanzar valores de hasta 2.5 MPa, aunque posteriormente es
restablecido parcialmente una vez que el dficit deja de ser aplicado (-1.8 MPa) en
plntulas de Populus [Sie03]; en tomate fue de -1.65 y -0.40 MPa en el punto de mximo
estrs hdrico y cuando se reestableci el riego respectivamente [Tor95].
La salinidad induce disminucin del potencial hdrico en la planta (comnmente medida en
las hojas) [Car98], [San98] [Rom01], [Mar04a], y la respuesta es diferente en funcin de
las especies y el grado de salinidad, como se seala en la tabla 4.1, donde se muestran
ejemplos para hortalizas y una planta nativa de la costa del Mediterrneo.
El gradiente mnimo de potencial hdrico para que haya flujo de agua al interior de las
races se ha establecido en un rango entre 0.08 y 0.49 MPa en estudios con plantas intactas,
y est asociado a la presencia de exodermis en la raz pero no est correlacionado con el
espesor del cortex o con el dimetro de la raz [Rie99].
Tabla 4.1 Potencial hdrico, potencial osmtico y presin de turgencia en hojas de plantas
desarrolladas en medios salinos
Especie
Tratamiento
salino (mM
de NaCl)
Tomate
Tomate
Meln
Pimiento
Lotus
70
60+
60
60
70
Potencial
hdrico*
(MPa)
S
C
0.12
0.08
1.25
0.75
0.55
0.24
0.23
0.17
0.90
0.55
Potencial
osmtico*
(MPa)
S
C
0.99 0.68
1.70 1.05
0.80 0.53
2.40 1.70
1.80 1.30
Presin de
turgencia**
(MPa)
S
C
0.87
0.59
0.45
0.30
0.25
0.29
2.17
1.53
0.75
0.70
Referencia
[Rom01]
[Car00]
[Car98]
[Mar04a]
[San98]
83
Algunos estudios sealan que la salinidad reduce la conductividad hidrulica de las races,
causada ms que por la concentracin osmtica por el efecto txico negativo de sales como
NaCl o KCl [Mar04a]. Tambin se ha documentado que est relacionada con la estructura
anatmica de la raz, especficamente con el ancho del cortex y la presencia o ausencia de
exodermis suberizada [Rie99].
La conductividad hidrulica aumenta conforme la velocidad de transpiracin se incrementa
[Ste98], [Jon98b], mientras que disminuye cuando las plantas se inundan al inicio de la
maana, coincidiendo con el inicio del fotoperiodo, y esto puede ser originado por la
disminucin de O2 en la zona de races [Del01].
La magnitud de la conductividad hidrulica en las races para diferentes especies es muy
variable y oscila entre 0.810-8 y 7.910-8 m s-1 MPa-1 en soja, melocotn, esprrago
[Rie99]; 0.510-8 y 6.110-8 m s-1 MPa-1 en frijol, haba, maz, girasol y tomate (Newman,
1973, citado por [Rie99]); 1010-8 y 2310-8 m s-1 MPa-1 en algodn (Raden y Eidenbock,
1984 citados por [Rie99]). En [Kra95] se indica que tiene valores entre 10-6 y 10-8 m s-1
MPa-1 para clulas vegetales y en [Zhu01] se estima a partir de una funcin lineal dada por
k10-6 cuando k toma valores entre 0.1 y 1, y depende de las condiciones ambientales.
Algunos modelos incluyen la conductancia hidrulica en dos trminos: uno que
corresponde a la conductividad radial para el flujo de agua del suelo o sustrato al xilema de
la raz, y otro considerado como conductividad axial para el flujo de agua a travs del
xilema [Dou98a]. Se indica tambin que una conductancia constante en el sistema de races
no puede reproducir los perfiles de flujo observados, es decir, que la conductancia cambia
con la edad de la raz, lo cual tambin ha sido observado por [Mar04a]. Para ajustar los
perfiles de flujo es necesario pues hacer una distribucin de conductancia a lo largo de la
raz. Se ha analizado en [Dou98b] que durante la maduracin del tejido de raz, la
conductancia radial disminuye en un orden de magnitud mientras que la conductancia axial
incrementa en tres rdenes de magnitud.
La raz ofrece usualmente la ms baja conductancia al agua dentro del continuo sueloplanta-atmsfera. Su influencia es compleja y depende de la estructura de la raz, de la
anatoma y del patrn por el cual diferentes partes de la raz contribuyen al transporte total
[Zhu01].
4.1.3 Transpiracin
Las hojas pierden agua a travs de sus poros estomticos como efecto de la actividad
fotosinttica de las clulas del mesfilo de las hojas [Lam98]. A esa prdida de agua se le
conoce como transpiracin, caracterizada por un proceso de intercambio gaseoso en el que
sale vapor de agua y entra CO2.
Un enfoque en relacin con este proceso plantea que la apertura de los estomas tiene como
objetivo minimizar la prdida de agua relativa respecto a una cantidad de absorcin de
dixido de carbono [Jon98a]; sin embargo, una de las debilidades de este enfoque es que
no provee una solucin explcita para la transpiracin ptima [Jon98a] y no toma en cuenta
de manera directa los efectos del dficit hdrico en la planta sobre los procesos fisiolgicos
como son transporte o el crecimiento [Jon98a]. Otro enfoque propone que el principal rol
de los estomas podra ser evitar daos en la planta por dficit hdrico [Jon91b].
84
85
86
Los problemas para estimar transpiracin son de dos tipos, el primero es la inherente no
homogeneidad del follaje, y el segundo es la naturaleza turbulenta del flujo de aire dentro y
sobre el dosel del cultivo, implicando que la direccin y magnitud de los flujos antes
mencionados vare en cualquier momento y no puedan ser pronosticados exactamente
[Sta87].
La mayora de los modelos se basan en la ecuacin de Penman-Monteith, y difieren
principalmente en el mtodo para calcular la radiacin neta, conductancia aerodinmica y
conductancia estomtica [Jol94]. Dicha ecuacin est basada en principios fsicos y el
enfoque es visto como una interfase entre estudios de fisiologa vegetal y fsica del
ambiente [Tho00].
El enfoque de Penman-Monteith esencialmente combina la ecuacin para transferencia de
calor entre el cultivo y la masa de aire a su alrededor, que resulta de la diferencia de sus
temperaturas, con la ecuacin de evaporacin en relacin a la diferencia en concentracin
de vapor entre la superficie de evaporacin y la masa de aire [Tho00].
En [Jol91] se concluye que el modelo de una capa propuesto en [Sta87] predice con
precisin la transpiracin en tomate, ya que considera el efecto tanto de la radiacin solar
como del dficit de presin de vapor para calcular la conductancia estomtica. Una de sus
limitantes es que utiliza la humedad en el interior del invernadero como un dato de entrada,
cuando en la prctica hay un efecto de realimentacin de la transpiracin sobre la humedad
interior [Jol94].
Si se considera como regla heurstica que la transpiracin durante el da en un invernadero
puede ser fcilmente deducida teniendo en cuenta los siguientes factores [Sta87]:
(4.5)
(4.6)
donde DPV es el dficit de presin de vapor, XIAF es el ndice de rea foliar, CAT y CBT son
parmetros empricos.
87
Modelo
utilizado
Variables
climticas Condiciones experimentales
medidas y pas
Principales resultados
Referencia
Evaluacin y medicin de
transpiracin.
PenmanMonteith
modificado
Temperatura
de
aire,
cubierta, suelo y cultivo,
humedad, radiacin solar,
CO2 y velocidad de aire
interior.
Simulacin de transpiracin
con 8 parmetros medidos en
continuo, simplificacin de
ecuaciones para la estimacin
de transpiracin.
[Sta87]
Modelo
simple
para
predecir
transpiracin,
condensacin y ventilacin
desde el clima exterior.
Estiman tambin el agua o
energa para lograr valores
de referencia (consigna) de
humedad o transpiracin.
Estimar transpiracin desde
condiciones climticas del
exterior.
HORTITRANS
Modelo lineal
Tomate
Tomate
Tomate
Holanda.
Humedad, transpiracin,
agua
condensada
temperatura de cubierta.
Reino Unido.
PenmanMonteith
modificado
Velocidad
de
viento,
temperatura de bulbo seco y
hmedo exterior e interior y
radiacin global.
Francia
Pepino
Evaluar transpiracin de
pepino en cultivo sin suelo
en diferentes estados de
crecimiento.
PenmanMonteith
simplificado
Temperatura
de
bulbo
hmedo y seco, radiacin
solar y radiacin PAR.
Espaa.
88
Valida
modelo
de
transpiracin con variables de
clima exterior en dos tipos de
condiciones: verano cuando
hay acoplamiento entre el
invernadero y el clima exterior
e invierno cuando el aire del
invernadero est confinado. El
modelo puede ser utilizado
para determinar la temperatura
y humedad dentro del
invernadero.
Estimacin de parmetros
diferentes para condiciones de
da y de noche, evaluacin
estacional de la transpiracin y
a travs del desarrollo de
cultivo.
[Jol94]
[Bou00]
[Med05]
Cultivo
Tomate
Nueve
especies
ornamentales
Geranio
Modelo
utilizado
Variables
climticas Condiciones experimentales
medidas y pas
Principales resultados
Referencia
Determinar
experimentalmente
el
balance de energa de un
cultivo de tomate, analizar
la transpiracin del cultivo
y la temperatura de la hoja
y desarrollar y verificar un
modelo dinmico para
transpiracin de tomate.
Validar
modelo
simplificado
de
evapotranspiracin
en:
Begonia,
Cyclamen,
Gardenia,
Gloxinia,
Hibiscus,
Impatiens,
Euphorbia, Pelargonium, y
Schefflera.
Transferencia y
balance
de
energa
[Pap94]
Bai94b]
Analizar la velocidad de
transpiracin y respuesta
estomtica de geranio y
desarrollar un modelo
simplificado
para
invernaderos en regiones
clidas.
PenmanMonteith
Grecia.
Lineal
Temperatura
de
bulbo
hmedo y seco, radiacin
solar y radiacin neta total.
Francia.
[Mon01]
89
Cultivo
Modelo
utilizado
Variables
climticas Condiciones experimentales
medidas y pas
Principales resultados
Referencia
Proponer y evaluar un
modelo de transpiracin en
frutos de tomate en
invernadero
Modelo lineal
Tomate
(frutos)
Temperatura de fruto, de
aire, radiacin global a nivel
de frutos, presin de vapor
de aire.
El modelo ms adecuado es el
de transpiracin en funcin de
DPV
fruto-aire.
La
conductancia cuticular dio
valores entre 0.03 y 0.12 mm
s-1.
[Leo00b]
[Bri98]
Francia.
Soja
Parametrizar el modelo
resistivo de ShuttleworthWallace
para
estimar
transpiracin mxima que
tiene en cuenta flujos entre
el suelo y el dosel.
ShuttleworthWallace
IAF,
radiacin
neta,
velocidad de viento y dficit
de presin de vapor.
Francia.
90
(4.7)
(4.8)
(1 + s )rcl + rh
2 X IAF ( a* a )
(1 + s )rcl + rh
(4.9)
(4.10)
g tr
ef
(4.11)
(4.12)
Por tanto, la concentracin de vapor de agua en el dosel es la suma de dos trminos: uno
que depende de la temperatura y el otro que depende de la radiacin.
91
Rn = (1 C m C n ) Rc + Rl Th4
(4.13)
(4.14)
donde Rc fue medida en la parte superior del dosel, Th es la temperatura promedio del
cultivo Tsc, Tcal y Tcss son temperaturas de la superficie de cubierta del invernadero, de las
tuberas de calefaccin y de capa que cubre el suelo respectivamente, la emitancia de estas
cubiertas ha sido considerada igual a uno [Sta87]. La expresin anterior es para cultivos
con disposicin aleatoria de hojas, debiendo incluir un factor de correccin (W) que
multiplica al valor calculado en (4.14). Es menor que la unidad y en los casos de cultivos
agrcolas ordenados en filas se calcula as:
W=
2
(Can + Can )
2
; Can = C p + Ch (C p + Ch )1 / 2
Can + C p
(4.15)
donde Can es ancho de la hilera(s) del cultivo, Cp es la distancia del pasillo sin tomar en
cuenta el ancho de la hilera, y Ch es altura del cultivo. Despus de realizar una serie de
experimentos [Sta87], se obtuvo una expresin simplificada:
W = 0.83(1 0.7e 0.24 X IAF )
(4.16)
Hay otros estudios como el desarrollado en [Tho00] donde se considera que la radiacin
neta en la superficie del dosel (Rn) es igual a la radiacin absorbida por el cultivo (Ra)
menos la radiacin neta de onda larga transmitida por el dosel (Rl), Rn = Rna ,d Rl , donde:
1 Cn Cm
Rc (1 e CK X IAF )
Rna,d =
1
C
m
(4.17)
92
(4.18)
1 Cn Cm
CK X IAF
(1 e
f rna ,d =
)
1 Cm
(4.19)
donde:
(4.20)
+ 27
Rc + 0.54 e
1 / 4
(4.21)
(4.22)
93
rcl =
220lch
0.8
Vvv
(4.23)
donde lch es la longitud caracterstica de la hoja y Vvv es la velocidad promedio del viento
en el interior del invernadero.
Otra ecuacin fue determinada en [Sta87], donde se realizaron simulaciones y
experimentos para determinar la resistencia de capa lmite en condiciones de rgimen de
conveccin mixto:
0.5
1174lch
(4.24)
rcl =
2
(lch | Th X ta | +207Vvv ) 0.25
siendo Xta la temperatura del aire. La longitud caracterstica de la hoja puede ser estimada
segn la ecuacin (4.28) [Mon01]:
lch =
2
(1 / lh ) + (1 / ah )
(4.25)
Fa
Ac
(4.26)
C des S T
2
T C ch
2
( 2C gV 2 (
+ C vvVvvext ) 0.5
)
Te
2
(4.27)
94
V =
2(2Cb ) 0.5
2
(1 + Cb )(1 + Cb ) 0.5
(4.28)
ST
Vvvext Cdes Cvv
2
(4.29)
g cl =
C kcond Vvv
d ) / cal ,vap ) ln((C href + mntm d ) / mntm )
mntm = 0.013Ch
(4.30)
d = 0.77Ch
Los vasos vasculares, que son formados por la desintegracin de las paredes
celulares terminales de las clulas, formando estructuras parecidas a tubos que
presentan dimensiones en el rango de algunos centmetros a varios metros de
longitud y dimetro desde 20 a 700 m.
95
96
Condiciones
Alfalfa
Cebada
Maz
Trigo
Algodn
No disponibles.
No disponibles.
No disponibles.
No disponibles.
No disponibles.
Se hicieron pruebas con
diferentes condiciones de CO2
Tomate
Cmara de crecimiento, 12 h
luz 12 h oscuridad; PPFD =
450 mol m-2 s-1. Temperatura:
25 C, cv. Heinz.
Invernadero, cultivo en
recipientes de 3.3 l.
Temperatura: 18 28 C.
Mnima HR: 50 %.
Campo abierto, suelo arcilloTrigo de
limoso.
primavera Densidad: 109-194 plantas/m2.
Alto N: 350 kg /Ha. Bajo N: 70
kg/Ha. CO2 : CO2 ambiente +
200 ppm.
Tomate
Trigo de
invierno
Rosa
100 - 250
mM NaCl
0
35
70
Eficiencia
559
559
581
Alto N
Control
Referencia
[Kra95]
[Kra95]
[Kra95]
[Kra95]
[Hsi00]
[Mag02]
[Rom01]
[Hum00]
813
682
CO2
(rendimiento de grano)
Campo abierto, suelo arcillo
Riegos
Eficiencia
limosos, densidad de siembra:
No riego
961
600 semilla/m2.
1
662
4
869
(rendimiento de grano)
Sistema
Eficiencia
Sistemas sin suelo diferentes
condiciones.
Abierto:
Abierto
1428
Mediterrneo.
Recirculado:
Recirculado
556
Canad.
[Zha98]
[Rav01]
97
(4.31)
(4.32)
donde FAG,r-d es el flujo de agua de raz al dosel, FAG,d-atm es el flujo de agua del dosel a la
atmsfera y FAG,s-r es el flujo del suelo a la raz.
Cuando el contenido relativo de agua del suelo (s) es mayor o igual a la capacidad de
campo (s,max), el flujo de agua es un flujo de exceso, es decir, de drenaje (FAG,dr), y por
tanto la masa de agua en el suelo (XAG,s) no cambia; en otro caso se cumple que:
dX AG ,s
= FAG ,s
dt
(4.33)
donde FAG,s es el flujo de agua en el suelo. Los flujos de agua se determinan segn (4.34)(4.37):
FAG ,s = C a rlluvia FAG ,lluviaatm FAG ,s r
FAG ,s r =
60( h ,s h ,r )
rAG ,s r
(4.34)
(4.35)
(4.36)
(4.37)
98
h ,s = s ,max s ,max
s
h,r = os ,r + pr ,r
Cbs
(4.38)
(4.39)
h ,d = os ,d + pr ,d
(4.40)
siendo Cbs es un parmetro de calibracin del modelo. Los potenciales en la raz y el dosel
estn definidos por un potencial osmtico ( os,r , os,d ) y un potencial de presin
( pr,r , pr,d ) en cada uno de ellos, que se determinan segn las expresiones (4.41) y (4.42).
os ,r =
C R ( X ta + 273.15) f neoa ,r M ne ,r
S M AG ,r
C pr ,r M AG ,r
pr ,r = C
(4.41)
1 C a
M e ,r
(4.42)
os ,d =
pr ,d = C
M e ,d
(4.43)
1 C a
(4.44)
donde Mne,d es la materia seca no estructural en el dosel, Me,d es la materia seca estructural
en el dosel y fneoa,d es la fraccin de almacenamiento osmticamente activa en el dosel.
La resistencia al paso del agua del suelo a la raz esta definida por la ecuacin (4.45), en la
que Csors y Crsr son parmetros que afectan la resistencia entre el suelo y la raz, Ckwrsr es un
parmetro que afecta la resistencia suelo raz, Kso es la conductividad hidrulica del suelo y
r es la densidad de races.
rAG ,s r =
Csors r Crsr
+
K so M e ,r
r
M e ,r + Ckwrsr
M e ,r
(4.45)
La conductividad hidrulica de raz a dosel viene determinada por la ecuacin (4.46) donde
Ccndag es un parmetro de conductividad de agua de la planta y el flujo de agua del dosel a
la atmsfera por la expresin (4.47), siendo Rna,d la radiacin neta absorbida por el dosel,
gcl y gd son conductancia de capa lmite y conductancia de agua en el dosel
respectivamente, a es la concentracin de vapor de agua actual y a* es la concentracin
de vapor de agua a saturacin y s la pendiente de la curva de presin de vapor de agua
saturado.
99
g AG ,r s = Ccndag
FAG ,d atm
X AG ,r X AG ,d
X AG ,r + X AG ,d
sRna ,d + 60g cl ( a* a )
=
( s + (1 + g cl / g d ))
(4.46)
(4.47)
(4.48)
h,s = os, s + m, s
(4.49)
Tambin se han tenido en cuenta las relaciones que se establecen entre el potencial
matricial y la curva caracterstica de retencin de agua utilizando la funcin propuesta
en [Gen80].
Se =
(1+ | C
Cagn
)
ag m , s |
Cagm
(4.50)
100
(4.51)
1/ Cagm Cagm 2
KrSe = Se 1 (1 Se
(4.52)
donde KrSe es la conductividad hidrulica relativa del sustrato es decir KrSe = KSe / Ks ,
donde Ks es la conductividad hidrulica a saturacin. Para su estimacin se han
asumido los parmetros que han sido obtenidos despus de detallados estudios en lana
de roca [Sil95].
6) El autor del modelo [Tho96] indica que con fines de adaptacin del modelo los
parmetros de fraccin de materia seca no estructural osmticamente activa en raz y
dosel (fneoa,r , fneoa,d ) y masa molal de almacenamiento (S) pueden ser considerados
como uno solo. De esta manera se ha establecido con fines de ajuste de parmetros la
relacin fraccin osmticamasa molal en raz (Cfa,r) y la relacin fraccin osmticamasa molal en dosel (Cfa,d):
C fa ,r = f neoa ,r / s
(4.53)
C fa,d = f neoa,d / s
(4.54)
(4.55)
AF = 28.54ah 422.3
R2
0.82
Longitud
AF = 35.3lh 688.4
0.63
0.83
Ancho
AF = 0.39ah2 + 32.6
0.84
Ancho
0.85
Expresin obtenida
Longitud y ancho
lh y ah en cm, AF en cm2
El modelo de transpiracin de [Sta87] ha sido evaluado para formar parte del modelo de
balance hdrico, por lo que fue evaluado en diferentes estados de desarrollo del cultivo con
distintos valores de ndice de rea foliar, con datos de 42 das de primavera-verano y
otoo-invierno. Los parmetros utilizados fueron aquellos indicados en la literatura
[Sta87], [Sta95].
Los resultados que se muestran en la tabla 4.5 indican las diferencias obtenidas por el
modelo respecto a la transpiracin medida. El modelo se comporta de manera satisfactoria
como lo muestra el error relativo promedio menor del 10%, que indica la bondad del
modelo en la estimacin de transpiracin. Adems el 80% de los datos present un error
absoluto menor que 0.34 gr m-2 min-1; no obstante, en la misma tabla se indica un error
absoluto mximo de considerable magnitud, el cual puede ser debido a errores de medicin
o a perturbaciones como apertura de puertas cuando hay alta velocidad de viento en el
exterior.
Tabla 4.5 Errores de transpiracin estimada por el modelo respecto a transpiracin medida
ndice de
rea foliar
1-2
2-3
3-4
>4
Todos
102
Error absoluto
mximo
(gr m-2 min-1)
2.9
3.3
3.4
2.02
3.4
Error promedio
(gr m-2 min-1)
0.026
0.08
0.029
0.0012
0.028
Raz de error
cuadrtico medio
(gr m-2 min-1)
0.30
0.50
0.63
0.41
0.41
Error relativo
%
5.1
8.7
4.3
1.5
5.0
La respuesta del modelo a las variables de entrada temperatura de la hoja, radiacin solar,
dficit de presin de vapor de aire, velocidad interior del aire, temperatura del suelo y de la
cubierta y dixido de carbono han sido analizada por [Sta87]. En las siguientes figuras se
van a analizar resultados similares para el modelo implementado y comparado con las
condiciones de desarrollo de los ensayos realizados en el presente proyecto de
investigacin. Como se ha indicado en los resultados de la tabla 4.5 el comportamiento del
modelo y los parmetros no hizo necesaria su modificacin.
En la figura 4.1A se muestra la sensibilidad del modelo a la resistencia interna, resistencia
de capa lmite e ndice de rea foliar. La grafica indica que es el ndice de rea foliar la
variable ms sensible seguida por la resistencia de capa lmite.
0.35
2.5
A
0.3
X
XIAFLAI
0.25
1.5
gr m -2 min-1
0.2
rmse
rrclb
0.15
1
rl
0.1
rh
0.5
0.05
0
-10
-8
-6
-4
-2
0
% variacion
10
1000
2000
3000
4000
5000
tiempo (min)
6000
7000
8000
9000
Figura 4.1 A) Sensibilidad del modelo al ndice de rea foliar (XIAF), resistencia de capa lmite (rcl)
y resistencia interna (rh). B) Transpiracin medida y simulada. XIAF =0.7
Las figuras 4.1B y 4.2 muestran ejemplos de transpiracin medida y estimada con diferente
ndice de rea foliar y condiciones ambientales. Como se puede observar la dinmica de
transpiracin es simulada de forma satisfactoria, sin embargo en algunas situaciones se
aprecia un efecto de retardo en la respuesta medida, sobre todo en das con baja radiacin
como se aprecia en la figura 4.2D.
Para ejemplificar el comportamiento de transpiracin y su relacin con las variables
relacionadas en la estimacin de la misma, la figura 4.3 muestra el curso de transpiracin
durante dos das del mes de septiembre con un ndice de rea foliar de 1.8 m2 m-2. Es
posible apreciar el efecto de la temperatura de hoja, radiacin solar y dficit de presin de
vapor de agua en el ambiente sobre la resistencia interna, y de la temperatura de hoja sobre
la resistencia de capa lmite, aunque esta ltima es determinada tambin por la dimensin
de las hojas y la velocidad interior del viento, que para esos das tuvo valores que
fluctuaron entre 0.02 y 0.12 m s-1. La resistencia de capa lmite muestra un
comportamiento bastante estable a travs del da (figura 4.3A), y esa estabilidad tambin
fue observada para el conjunto de los datos.
Es evidente en la grfica 4.3B la diferencia entre temperatura de hoja, temperatura del aire
y temperatura de la malla que cubre el suelo durante las horas del da, diferencia que
disminuye en la noche, y que puede alcanzar valores de 5 a 9 C entre la temperatura de la
hoja respecto a la de la malla que cubre el suelo y de 2 a 5 C entre la temperatura de hoja
respecto a la temperatura del aire del invernadero en los datos del periodo analizado.
103
8
B
g m-2 min-1
g m-2 min-1
4
2
0
10
20
30
horas
6
4
2
0
40
10
20
30
horas
40
8
1.5
g m-2 min-1
g m-2 min-1
4
2
0
1
0.5
0
10
20
30
horas
40
__ medida
10
15
horas
20
--- simulada
Figura 4.2 Transpiracin medida y simulada con diferente ndice de rea foliar. A) XIAF=1.3. B)
XIAF =2.3. C) XIAF =3.5. D) Detalle para un da nublado XIAF =3.3
6000
40
A
rirh
ts
Xta
ti
30
C
s m-1
4000
Tcss
35
2000
25
th
Th
20
0
rre
cl
10
20
30
horas
40
15
10
20
30
horas
40
10
20
30
horas
40
2500
C
1500
1000
rgg
R
500
0
10
20
30
horas
dpv
DPV
g m-2 min-1
Wm-2 - Pa
2000
40
4
2
0
104
2500
A
6
A
2000
1500
4
Pa
g m-2 min-1
1000
2
500
100
200
300
400
W m-2
500
600
700
100
200
300
800
+ maana
400
W m-2
500
600
700
800
o tarde
Figura 4.4 A) Relacin transpiracin radiacin solar. B). Relacin dficit de presin de vapor
radiacin solar. Marzo 26 de 2004. XIAF =2.5 m2 m-2
2000
1800
BA
1600
1400
Pa
g m-2 min-1
1200
1000
800
600
400
200
100
200
300
W m-2
400
500
100
600
+ maana
200
300
W m-2
400
500
600
o tarde
Figura 4.5 A) Relacin transpiracin radiacin solar. B). Relacin dficit de presin de vapor
radiacin solar. Octubre 26 de 2004. XIAF =3.4 m2 m-2
105
Diferentes fechas durante el ciclo de cultivo. En este caso, para un cultivo de primavera
verano de 2004, se muestran 15 das en los que el suministro de agua fue variable:
desde uno hasta 12 riegos por da, presentando el contenido de humedad fluctuaciones
entre 55 y 68% (Figura 4.6A). Los primeros tres das corresponden a la etapa inicial de
un cultivo en los que la dotacin de agua era solamente de un riego. En los ltimos 6
das mostrados en la grfica corresponden con etapa de produccin en los que la
demanda es alta y la cantidad de riegos fue de 10 a 12 durante cada da.
El proceso de riego trae consigo la presencia de tres estados en la dinmica de agua del
sistema: aporte de agua, aporte de agua y lixiviado de manera simultnea, o nicamente
lixiviado. Es comn que en el primer riego y frecuentemente en el segundo riego no
haya flujo de agua por drenaje, ya que el sustrato est en proceso de recuperacin del
agua que ha sido absorbida durante la tarde y noche anterior. La figura 4.6C muestra en
detalle la dinmica de incremento de contenido de humedad asociado a los riegos,
llegando a alcanzar la primera cresta del da una vez que el sustrato ha superado un
nivel mnimo de contenido de humedad y es entonces cuando el agua excedente es
drenada. Es interesante hacer notar que en un lapso aproximado de 60 minutos fueron
necesarios 15 minutos de aplicacin de riego en las condiciones representadas por sta
figura.
En las horas centrales del da el sustrato entra en un ciclo de prdida de agua por
absorcin de las races y la recupera por aporte mediante el riego. La frecuencia est
determinada por las condiciones ya mencionadas anteriormente, pero se requiere que el
sustrato posea el agua necesaria para suplir los requerimientos del cultivo. Es evidente
106
al observar la figura 4.6D que la mayor parte del tiempo el substrato se encuentra en
proceso de prdida de humedad respecto al tiempo de hidratacin del mismo.
68
68
66
66
m3 m-3
m3 m-3
64
64
62
62
60
60
58
58
56
8
dias
10
12
14
56
16
66
65
500
1000
1500
tiempo (min)
2000
2500
3000
67
66
64
D
Humedad substrato
Riego
65
63
64
62
63
m3 m-3
m3 m-3
Riego
61
62
60
61
59
60
Lixiviado
Drenaje
Drenaje
Lixiviado
59
58
58
57
580
600
620
640
tiempo (min)
660
680
700
700
720
740
760
780
tiempo (min)
800
820
Figura 4.6 Dinmica de agua en el sustrato. A) Contenido de humedad en 15 das ciclo primaveraverano 2004. B) Riegos, contenido de humedad y drenajes durante dos das, XIAF=3.5. C) Detalle
durante las primeras horas del da. D) Detalle durante las horas centrales del da
107
100
10
90
10
80
-1
10
70
-2
10
cm min-1
cm
60
50
40
-3
10
-4
10
30
-5
10
20
-6
10
10
0
-7
0.1
0.2
0.3
0.4
0.5
0.6
humedad efectiva
0.7
0.8
0.9
10
0.1
0.2
0.3
0.4
0.5
0.6
humedad efectiva
0.7
0.8
0.9
Figura 4.7 A) Curva de retencin de agua en lana de roca respecto a la humedad efectiva del
substrato. B) Conductividad hidrulica en funcin de humedad efectiva
108
dosel respectivamente, mientras que 4.9C y 4.9D muestran el potencial hdrico en la raz y
en el dosel respectivamente.
En las horas centrales del da, en torno al medioda, las plantas presentan los potenciales
ms negativos y es por tanto el periodo en que las plantas son ms susceptibles de sufrir
estrs hdrico en caso de que el agua no sea suficiente en el substrato. En el caso opuesto
los potenciales menos negativos se alcanzan al alba, como se puede apreciar con detalle en
la figura 4.10A que relaciona potencial hdrico en el dosel y radiacin solar. Es tambin en
esos momentos antes del amanecer cuando el sistema substrato-raz-dosel llega a alcanzar
puntos de equilibrio como se indica en la figura 4.10B.
Una vez descritos los principales elementos que constituyen las fuerzas para el movimiento
de agua, considerados en el modelo, se abordar la importancia de los parmetros en el
comportamiento de ste.
-0.08
500
A
-0.12
-0.14
-0.16
-0.18
300
200
100
10
20
30
horas
40
10
XCE
ces
40
taX
ta
20
ts
T
s
20
30
horas
25
C
mS cm-1
400
W m-2
MPa
-0.1
15
Cea
cea
0
10
urir
20
30
horas
40
10
10
20
30
horas
40
Figura 4.8 Potencial hdrico en lana de roca y variables relacionadas durante dos das. A) Potencial
hdrico en el substrato. B) Radiacin en el interior del invernadero. C) Conductividad elctrica en
el substrato (XCE), en la disolucin nutritiva (Cea), seal de riego (ur). D) Temperatura de lana de
roca (Ts) y del aire de invernadero (Xta)
109
4
A
os,r
po
-0.5
-1
50
horas
os,d
po
-4
100
50
horas
100
50
horas
100
0
C
-0.1
-0.1
-0.2
MPa
Mpa
0
-2
-0.3
-0.4
-0.5
p,dpt
2
MPa
0.5
MPa
p,r
pt
-0.2
-0.3
-0.4
50
horas
100
-0.5
Figura 4.9 Potenciales hdricos en la planta. A) Potencial de presin (p,r) y osmtico (os,r) en
la raz. B) Potencial de presin (p,d ) y osmtico (os,d) en el dosel. C) Potencial hdrico en la
raz. D) Potencial hdrico en el dosel
110
400
-50
ps
h,s
A
300
-100
W m-2
200
prh,r
-150
100
-200
KPa
-250
-100
KPa
-350
-300
-400
-400
-500
h,d
pd
-300
-200
1000
2000
minutos
3000
-450
2000
4000
minutos
6000
Figura 4.10 A) Radiacin global en el interior del invernadero y potencial hdrico en el dosel. B)
Potenciales hdricos en: el substrato (h,s), la raz (h,r) y el dosel (h,d)
-4
0.74
Cprv
Cpr,d
4.5
3.5
3
-10
-5
-3
0.735
CFFv
Cfa,d
Cprr
Cpr,r
Ccndw
Ccndag
CFFr
Cfa,r
Ckrhr
Ckrhr
0
5
% variacion
0.725
10
x 10
2.5
1.5
0.71
0.705
1
0.5
-10
0.72
0.715
MWso-ini
XAGs-ini
MWsh-ini
XAGd-ini
MXWrt-ini
AGr-ini
DDrt-ini
r-ini
.. sin Ckrhr
- con Ckrhr
0.73
m3 m-3
5.5
x 10
-5
0
5
% variacion
10
0.7
500
Minutos
1000
Figura 4.11 A) Sensibilidad a los parmetros del modelo. B) Sensibilidad a las condiciones
iniciales. C) Efecto del parmetro de resistencia suelo-raz (Ckrhr) introducido al modelo sobre el
contenido de agua en el substrato
111
El efecto de la introduccin del parmetro que afecta la resistencia del flujo de agua sueloraz en funcin de la transpiracin que expresado en la ecuacin (4.54) es ilustrado en la
figura 4.11C y, aunque su impacto en el error total no es de magnitud considerable en el
anlisis de sensibilidad, si contribuye a mejorar el rendimiento del modelo en la simulacin
del proceso de prdida de agua del substrato durante las horas centrales del da.
El anlisis de sensibilidad tambin indica que el modelo es sensible a las condiciones
iniciales. El orden de importancia de las condiciones iniciales es: masa inicial de agua en el
substrato (MAGs-ini) y la masa de agua en el dosel (MAGd-ini), finalmente y con muy poco
efecto estn la masa de agua en la raz (MAGr-ini) y la densidad inicial de las races (Dr-ini).
Lo anterior se puede corroborar en la figura 4.11B.
En la tabla 4.6 se indican los valores obtenidos de los parmetros, el rango de estimacin y
los valores que han sido utilizados para el modelo aplicado a un ecosistema forestal o de
pastizal. Se indican tambin otros parmetros que no han sido estimados pero que han sido
obtenidos del modelo original o bien de otros autores como ya ha sido mencionado en la
descripcin del modelo.
Tabla 4.6 Parmetros estimados y otros parmetros utilizados en el modelo
Parmetro
C
Ccondag
Ckwrsr
Crsr
Csors
Cpr,r
Descripcin
Parmetro de rigidez de la pared celular
Conductividad de agua
Resistencia suelo-raz
Resistencia suelo-raz
Resistencia suelo-raz
Componente de presin en la raz
Valor estimado
10e+6
0.010
0.25
450000
100
0.20
Rango
0.7e+6 1.5 e+6
0.001 0.200
0.1 1.5
200000 900000
10 500
0.05 0.9
Cpr,d
Cfa,r
0.34
50
0.05 - 0.9
5 200
70
10 200
0.92
600
0.0873
Cfa,d
Cmax,ag,s
Ckrhr
Cag
Ks
Cagn
Cagm
res
s ,max
0.00077*
3.904
0.745
0.0067
0.924
Error absoluto
mximo
(% en volumen)
6.5
25920
Error promedio
(% en volumen)
1.04
Error relativo
%
2.01
Aunque el error relativo promedio es bajo hubo algunos registros con error relativo del
orden del 11%. No obstante en el 84% de los datos el error absoluto fue inferior al 2% de
contenido de humedad expresado en volumen.
La figura 4.12 muestra valores estimados y medidos de contenido de humedad bajo
diferentes condiciones de manejo de la misma. Al utilizar el modelo en la etapa de
crecimiento del cultivo, periodo crtico en el cual el contenido de humedad en el substrato
estuvo sujeto a ascenso continuo desde 50% hasta 70% durante un lapso de cuatro das, la
dinmica fue simulada de manera satisfactoria. En la misma figura se pueden apreciar
detalles de diferentes das.
80
% en volumen
A
70
60
50
40
10
12
14
16
18
72
B
% en volumen
% en volumen
das
70
68
66
65
60
55
50
45
4 4.2 4.4
9.5
10
10.5
das
11
11.5
Figura 4.12 Contenido de humedad en lana de roca simulada y medida. A) Diferentes etapas y
condiciones. B) Detalle de un da. C) Detalle de dos das
113
simulaciones en las que esta temperatura fue cambiada por la temperatura de la hoja. Al
incluir la temperatura de hoja la diferencia en la estimacin del contenido de humedad en
el substrato no es significativa, ya que la raz del error cuadrtico medio fue de 0.02 % de
contenido de agua expresado volumen. Lo mismo sucede con el efecto de sustituir la
temperatura del substrato por la temperatura del aire en el invernadero ya que ese mismo
tipo de error es de 0.012 %.
10.55
1.1
B
A
1.05
kg m-2
kg m-2
10.5
10.45
10.4
10.35
1
0.95
50
horas
0.9
100
5
C
100
1000
2000
minutos
3000
4.95
4.9
kg m-2
kg m-2
50
horas
4.95
4.85
4.8
4.75
4.9
4.85
4.8
50
horas
100
4.75
Figura 4.13 Reserva de agua simulada en: A) El dosel. B) La raz. C) El substrato. D) Simulacin
de reserva de agua en el substrato al cambiar condiciones iniciales de masa de agua en el dosel en
un 10%
115
116
4.4.3 Conclusiones
Se ha realizado la adaptacin de un modelo completo de balance hdrico que integra el
substrato, la planta en crecimiento y el ambiente.
Se ha realizado un proceso de calibracin y validacin del modelo de balance hdrico
propuesto, mismo que ha sido modificado para cultivo sin suelo en lana de roca y cultivo
de tomate desarrollado bajo invernadero.
El modelo de transpiracin de tomate para cultivo de invernadero adoptado permite una
estimacin aceptable de este proceso y puede ser utilizado como una parte de un modelo
ms general de balance hdrico.
El modelo de balance hdrico con las modificaciones propuestas permite la simulacin
adecuada de la dinmica en el contenido de humedad del substrato a partir de las
condiciones ambientales, temperatura del aire del invernadero, temperatura de substrato y
de manejo del sistema de nutricin (cantidad de agua suministrada y conductividad
elctrica en el sistema). Es importante sealar que los resultados sugieren que podra ser
posible utilizar la temperatura de aire en lugar de la temperatura de substrato sin
detrimento importante en la prediccin del modelo.
El conocimiento de la humedad del substrato permite incorporar esa variable como un
elemento ms a tener en cuenta para buscar un control eficiente en el suministro de agua al
cultivo. El contenido de humedad en el substrato puede ser manejado conjuntamente con la
dinmica de transpiracin y posibilita en principio conocer el efecto de las acciones de
control de riego sobre el sistema.
Otra de las aplicaciones que permite el modelo es un entendimiento mejor de la dinmica
del agua en las plantas y la posibilidad de efectuar acciones de control climtico, basados
la prediccin de los efectos combinados de control climtico y riego.
117
118
119
En este caso, se ha aportado una solucin basada en modelos linealizados del sistema en
torno a determinados puntos de trabajo dada la sencillez asociada a su implementacin. En
[Ram05] se puede encontrar un anlisis similar para sistemas de calefaccin con tuberas
areas de agua caliente.
120
La principal ventaja de los sistemas por aire caliente frente a los otros comentados
previamente es su rpida respuesta a la seal de control, mientras que su inconveniente
fundamental es el consumo adicional de electricidad, que puede ser del orden del 10% de
la energa requerida para el calefactor. Resumiendo las caractersticas principales del
sistema utilizado, se trata de un generador de aire caliente de combustin indirecta.
Mediante un cambiador de calor, se separan los gases de combustin expulsndolos al
exterior, introduciendo nicamente aire caliente al invernadero. Dado que parte del calor es
expulsado con los gases de combustin, el rendimiento de estas mquinas suele estar entre
el 80% y el 90%. Est equipado con tres unidades:
Un ventilador para pulsar, entre los tubos del cambiador, el aire ambiente que se
calienta antes de pasar por el invernadero.
En este caso el cambiador separa el aire caliente de los gases de combustin (en general
derivados del azufre) que, debido a su fitotoxicidad, no pueden inyectarse directamente en
el invernadero y deben extraerse hacia el exterior a travs de una chimenea.
Extraccin de humos
Aire caliente
Combustible
Cmara
combustin
Quemador
Aire caliente
Cambiador
de calor
Aire combustin
Aire ambiente
Aire ambiente
Figura 5.1 Diagrama esquemtico del sistema de calefaccin por ventilacin forzada
Debido a las favorables condiciones meteorolgicas del sudeste de Espaa, durante los
periodos diurnos, la energa necesaria para alcanzar la temperatura ptima la proporciona
el sol, no siendo necesario por tanto el aporte de energa suplementaria salvo en situaciones
extremas durante el invierno. El problema de control de la temperatura diurna radica en
evitar que la temperatura sea superior a ese ptimo, ya que su efecto es nocivo para el
cultivo. Para esto se utiliza la ventilacin natural, extractores de aire o enfriamiento
evaporativo; el primero es el sistema de actuacin ms implantado en los invernaderos de
la zona. Durante la noche, se determina una consigna menor que la del da pero apropiada
para las plantas y as se evita consumir energa, reduciendo el coste econmico (gasto del
combustible que utiliza la calefaccin). Mientras la temperatura se mantenga por encima
del valor de consigna nocturna el controlador no acta, activndose la calefaccin cuando
su valor sea inferior. La produccin de materia seca del cultivo no se ve afectada para el
cultivo de tomate siempre y cuando los valores lmite de temperatura nocturna se
mantengan por encima de los mnimos recomendables sin llegar al mnimo biolgico. Por
tanto, el problema de control de la temperatura nocturna consiste en evitar que sea inferior
a la consigna, sin importar que tome un valor superior [Rod02].
En la literatura existen diversos trabajos donde se aplican distintas tcnicas de control de la
temperatura utilizando calefaccin (fundamentalmente basada en tuberas areas con agua
caliente). En [Udi83] se evaluaron diversas estructuras de control PI y se compararon con
estrategias de control adaptativo por modelo de referencia en un invernadero Venlo con
cultivo de tomate, mostrando un buen comportamiento de estado estacionario pero con
grandes sobreoscilaciones y sin optimizar la eficiencia. En [Dav91] se introdujo un control
PI en cascada para el control de la calefaccin en un invernadero Venlo, mejorando los
resultados alcanzados con un control PI clsico. En [You01] se ensay un controlador PIP
con un modelo de un invernadero Venlo, mientras que en [Tan85b], [Tan93] y [El-Gho02]
se utilizaron controladores por adelanto y controladores predictivos extendidos linealizados
con buenos resultaos. En [Boa97] y [Coe02] se utilizaron controladores PID y GPC en un
invernadero tnel en Portugal, alcanzando mejores resultados con el controlador GPC, de
acuerdo con los resultados de [Nie96] en climas fros. Las experiencias ms importantes
con controladores ptimos de horizonte deslizante se han llevado a cabo en Wageningen
[Str99a], [Str00], [Str02], [Tap96a], [Tap96b], [Tap00], demostrando la factibilidad de
aplicacin y las caractersticas de esta tcnica de control en invernadero tipo Venlo. En
Israel [Gut93], [Ios96] estudiaron diferentes tcnicas usando programacin lineal y el
Principio de Pontryagin para minimizar los costes de calefaccin. En Espaa, [Rod03]
llev a cabo la integracin de un sistema de calefaccin dentro de un esquema de control
jerrquico, y en [Gar05] se indican evaluaciones de modelado y control de temperatura por
calefaccin de aire caliente y por calefaccin en el piso del invernadero. Muchos autores
han proporcionado resultados slo a nivel de simulacin, como los controladores de ajuste
por tabla de ganancias explicados en [Kam96], los controladores MPC descentralizados en
[Kyr02] y controladores predictivos con linealizacin por realimentacin y robustos en
[Pi02b]. En [Ale94] se aplicaron tcnicas de control predictivo no lineal y ptimo usando
redes neuronales artificiales. Como ha quedado de manifiesto, muchos autores han
seleccionado las tcnicas MPC para el control de los sistemas de la calefaccin, debido a
su capacidad para tener en consideracin los costes asociados a las seales de control,
adems de las caractersticas propias de este tipo de controladores.
La tabla 5.1 muestra un resumen de distintos autores que han desarrollado estrategias de
control de la temperatura interior del invernadero usando calefaccin [Rod02].
122
Los sistemas de control comerciales de calefaccin que utilizan ventilacin forzada suelen
controlarse mediante algoritmos todo-nada con zona muerta, que no tienen por tanto en
cuenta ningn criterio de tipo econmico y que son sintonizados de forma heurstica para
conseguir una solucin de compromiso entre regulacin y nmero de conmutaciones.
Existen diversos motivos que justifican el uso de estrategias de control predictivo basado
en modelo (Model-based Predictive Control MPC) para controlar la temperatura usando
sistemas de calefaccin, puesto que el problema no es nicamente conseguir que la
temperatura se regule en torno (o sobre) una consigna definida, sino tambin intentar
minimizar los costes asociados a las acciones de control (consumo de combustible). En
este sentido, el uso de una funcin de coste como la utilizada en tcnicas MPC permite en
cierta medida penalizar los costes asociados en la accin de control en el diseo del
controlador. Aunque el retardo en este tipo de aplicaciones es del mismo orden de
magnitud que la constante de tiempo dominante del sistema, dicho retardo puede tener una
notable influencia en el consumo. Es ms, aunque existen numerosas estrategias de control
que tratan de una forma sistemtica el problema de rechazo de perturbaciones
(fundamentalmente cambios en la temperatura y viento exterior, puesto que por la noche
no existe efecto de la radiacin solar), las tcnicas MPC incorporan de forma directa el
control por prealimentacin, control de retardo y las restricciones que hay que tener en
consideracin en el proceso de diseo y optimizacin.
En este captulo se ha utilizado la estrategia MPC denominada Control Predictivo
Generalizado (Generalized Predictive Control GPC) [Cla87], [Cam04]. Mediante el uso
de un modelo (habitualmente lineal) del proceso, en cada periodo de muestreo, se predicen
las salidas futuras para un horizonte de prediccin dado ((t+k|t), k=1...H) y se sustituyen
en una funcin objetivo para poder calcular las acciones de control futuras (u(t+k|t),
k=0...H-1), teniendo en cuenta adems las restricciones del proceso. Siguiendo una
estrategia de horizonte deslizante, se aplica al proceso la primera seal de control calculada
(u(t|t)), se desplaza el horizonte un periodo de muestreo y se repite el procedimiento el
siguiente instante de muestreo una vez que se mide la nueva salida real del proceso
(actualizando todas las secuencias de entradas y salidas). Se utiliza un modelo CARIMA
del proceso [Cla87] obtenido a partir de funciones de transferencia calculadas por
linealizacin de un modelo no-lineal del sistema y a partir de ensayos con seales de
prueba [Rod02], que relacionan los cambios en la temperatura del invernadero con
cambios en el sistema de calefaccin y en las perturbaciones (fundamentalmente cambios
en la temperatura y velocidad de viento exteriores) cuando se opera en torno a un punto de
trabajo. Se ha utilizado la funcin de coste clsica del control GPC [Cla87], [Guz05].
H2
Hu
j =1
(5.1)
En esta funcin de coste, E{.} es la esperanza matemtica, (t+j|t) es una secuencia ptima
de salidas futuras que se calcula con datos conocidos hasta el instante t, u(t+j-1) es una
secuencia de incrementos de control futuros, obtenidos de la minimizacin de la funcin de
coste, H1 y H2 son los horizontes de prediccin mnimo y mximo respectivamente, Hu es
el horizonte de control y c(j) y c(j) son secuencias de ponderacin que penalizan los
errores de seguimiento y los esfuerzos de control futuros, respectivamente, a lo largo de los
horizontes. Los valores de los horizontes y de las secuencias de ponderacin son
parmetros de diseo del algoritmo. En este trabajo c se ha seleccionado igual a 1 y c es
123
j = H1
j =1
(5.2)
124
(t+j/t)
tiempo
H1
H2
horizonte de prediccin
(t)
u(t+Hu-1)
u(t-1)
u(t+1)
tiempo
Hu
horizonte de control
(t+1/t)
(t+2/t)
...
(t+Hu/t)
(t+Hu-1/t)=0
(t+Hu/t)=1
(t/t)=0
...
(t+1/t)=1
(t+1/t)=0
...
...
(t+H2-1/t)=1
...
(t+Hu/t)=0
...
(t+H2-1/t)=0
...
(t+1/t)=1
t+1
(t+H2-1/t)=0
(t+Hu-1/t)=1
...
(t+Hu-1/t)=0
(t/t)=1
...
(t+H2/t)
...
(t+1/t)=0
y(t)
(t+Hu/t)=0
...
(t+Hu/t)=1
t+2
(t+Hu-1/t)=1
...
t+Hu
...
...
(t+H2-1/t)=1
t+N2
125
Despus de realizar diversas simulaciones y varios ensayos en las instalaciones reales, los
valores finales que se han utilizando ha sido H2=10 y Hu=6, ya que no se observan mejoras
significativas cuando se incrementan estos valores. El valor de H2 es un compromiso entre
un seguimiento adecuado de consigna y el nmero de activaciones del controlador. Se han
obtenido modelos similares de las relaciones entre los cambios de la temperatura interior
respecto a cambios en la temperatura exterior y la velocidad media de viento exterior, que
han permitido la inclusin de las perturbaciones en la formulacin del controlador (de esta
forma, se puede ampliar ms la zona de operacin para la cual es vlido el controlador). La
forma en que se obtienen dichos modelos viene indicada en [Rod02]. La eleccin de dichos
modelos no ha modificado los valores de los horizontes escogidos de acuerdo a la seal de
control manipulable.
La figura 5.3 muestra un perfil tpico del control utilizando la solucin comercial basada en
un controlador todo-nada con zona muerta de 0.5C y un periodo de muestreo de 10 min.
Se llevaron a cabo muchas pruebas en el sistema comercial modificando el tiempo de
activacin al mnimo permitido por el sistema (4 min) y se obtuvieron similares resultados
en cuanto a nmero de conmutaciones y tiempos de activacin.
La figura 5.4 muestra resultados representativos del controlador GPC-PWM (similares a
los que se obtienen con los algoritmos de ramificacin y poda). Este controlador permite
reducir del orden del 20% el consumo de combustible, aunque se ha observado que,
incluso utilizando diferentes parmetros de sintonizacin del control GPC, este controlador
provoca ms conmutaciones y menor consumo que el controlador todo-nada, estando el
nmero de conmutaciones en el rango permitido por el suministrador del sistema de
calefaccin comercial.
El menor tiempo entre conmutaciones en el controlador todo nada origina que la dinmica
de temperatura flucte con un gradiente mayor entre el valle y la cresta de cada ciclo
activado-desactivado. Mientas que el controlador GPC-PWM anticipa el comportamiento
de temperatura y al contabilizar en seal continua y posteriormente traducirla a una seal
de control discreta tiene como efecto un mayor nmero de conmutaciones como se puede
observar en la figura 5.4.
Como un ejemplo del desempeo de los controladores en una noche tpica de invierno el
controlador todo-nada mantuvo el sistema de calefaccin activado durante 221, mientras
que el controlador GPC en sistema de calefaccin estuvo activado durante 164 min.
1
26
0.9
A
24
0.8
Salida Todo/Nada(0-1)
Temperatura
Temperature (C)
(C)
22
20
18
16
0.7
0.6
0.5
0.4
0.3
0.2
14
12
0.1
500
1000
time (min)
1500
Tiempo (minutos)
B) Evolucin de la temperatura
126
500
1000
Tiempo (minutos)
B) Acciones de control
1500
32
30
17.4
Temperatura
temperature (C)(C)
28
17.2
17
26
16.8
24
16.6
16.4
22
16.2
20
16
1400
1500
1600
1700
1800
1900
18
16
14
500
1000
1500
t i m e ( m i(min)
n)
Tiempo
2000
2500
3000
70
0.9
0.8
50
PW
Moutput (0/1
)
PWM
output
(0/1)
control
signal (%)
Seal de control GPC
GPC
(%)
60
40
30
20
0.7
0.6
0.5
0.4
0.3
0.2
10
0.1
0
500
1000
1500
time (min)
Tiempo
(min)
2000
2500
3000
0
0
500
1000
1500
time (min)
2000
2500
3000
Tiempo (min)
127
Tcnicas de control
Temperatura exterior
Humedad exterior
Velocidad viento
Direccin viento
Radiacin exterior
Diurno: Control P
Nocturno:
Control PI + anti-windup (Varias estructuras)
Control PID
Control adaptativo con modelo de referencia
Invernadero Venlo
224 m2
Naaldwijk (Hol)
Tomate
Radiacin exterior
Temperatura exterior
Radiacin solar
Control PIP
Invernadero Venlo
42.8 m2
Bedford (U.K.)
Tomate
Invernadero Venlo
Bedford (U.K.)
Tomate
Temperatura exterior
Radiacin solar
Control PDF
Temperatura exterior
Radiacin exterior
Temperatura exterior
Humedad exterior
Velocidad viento
Direccin viento
Radiacin exterior
Lluvia
Temperatura exterior
Radiacin exterior
Humedad interior
Temperatura y humedad:
Control por ajuste con tabla
128
Experiencias
1000 m2
Resultados
No se indican resultados
Cambios de carga:
- Comportamiento aceptable en permanente.
- Sobreoscilacin elevada
No mejora control PI.
Mala poltica energtica
Resultados obtenidos mejores que PI.
Error cuadrtico medio menor de 0.39 K.
Mximo error de 1 K.
Resultados de simulacin
Buenos resultados a:
- Cambios de consigna
- Seguimiento trayectorias
Resultados de simulacin
Buenos resultados a:
- Cambios de consigna
- Seguimiento trayectorias
Temperatura estable y cercana a la consigna
Referencias
[Udi83]
[Dav91]
[You93a]
[You93b]
[You01]
[Alb01]
[Tan85a]
[Tan85b]
[Tan93]
[Kam96]
Radiacin y CO2
Todo/nada con zona muerta
Control PID
Control predictivo GPC
Invernadero tnel
210 m2
Vila Real (Por)
Tomate
[Boa97]
Perturbaciones
consideradas
Tcnicas de control
Temperatura exterior
Radiacin exterior
Temperatura exterior
Radiacin exterior
Temperatura exterior
Humedad exterior
Velocidad viento
Radiacin exterior
Temperatura exterior
Radiacin exterior
Temperatura suelo
Control MBPC
Ensayos
Invernadero Venlo
200 m2
Hannover (Ale)
Sin cultivo
Se utilizan datos climticos
de San Juan (Argentina) y
un modelo para simular el
comportamiento
de un
invernadero
Temperatura exterior
Radiacin exterior
Temperatura exterior
Humedad exterior
Velocidad viento
Direccin viento
Radiacin exterior
Referencias
Cubierta cristal
Mejor comportamiento que un PID
172 m2 (8 x 21.5)
Con cultivo
Arlsev (Din)
Es una propuesta y no se indican experiencias ni resultados
Control MBPC+FL
Control MBPC
Resultados
Planta piloto
2.28 m2
Con cultivo
Invernadero tnel
210 m2
Vila Real (Por)
Tomate
Se especifica una
experiencia pero no se
describe
Resultados
aceptables
en
seguimiento
trayectorias.
Mejor comportamiento que un PI adaptativo.
[Nie96]
[Kyr02]
de
[El-Gho02]
[El-Gho01]
[Meg99]
[Pi02a]
[Pi02b]
[Pi01]
Resultados de simulacin.
Buenos resultados en seguimiento de consignas.
Algoritmo de Swarm mejora en 40% al gentico
[Coe02]
Resultados de simulacin.
Buenos resultados.
[Wan99b]
129
Perturbaciones
consideradas
Tcnicas de control
Temperatura exterior
Humedad exterior
Velocidad viento
Temperatura exterior
Humedad exterior
Velocidad viento
Direccin viento
Radiacin exterior
CO2 exterior
Temperatura exterior
Radiacin exterior
CO2 exterior
Temperatura exterior
Radiacin exterior
Velocidad viento
Temperatura exterior
Radiacin exterior
Velocidad viento
Ventilacin
Velocidad viento
130
Experiencias
Se
especifica
experiencia pero
describe.
Tomate.
Invernadero Venlo
300 m2
Wageningen (Hol)
Tomate, lechuga
no
Referencias
[Inc81]
[Inc79]
Por Portugal
una
se
Resultados
Resultados de simulacin.
Demuestran la viabilidad de la utilizacin de este
tipo de tcnicas.
Demuestra la viabilidad de resolver el problema del
control del clima en un invernadero utilizando este
tipo de tcnicas.
Resultados de simulacin.
Buen comportamiento
Resultados de simulacin.
Presenta buenos resultados para grandes variaciones
de los parmetros.
Resultados de simulacin.
Se obtienen buenos resultados mejores que los
todo/nada comerciales
[Str02]
[Tap00]
[Str99a]
[Tap96a]
[Tap96b]
[Hen94]
[Ale94]
[Gut93]
[Ios96]
[Sig99b]
[Laf02]
Adicin de la cantidad de agua que se pronostica sea la absorbida por las plantas
(criterio de cantidad).
131
Est basado en la medida del contenido volumtrico de agua o del potencial matricial del
suelo o del substrato. En cultivos intensivos desarrollados en sistemas sin suelo el ambiente
de la raz es un medio altamente salino y por tanto su potencial osmtico contribuye
considerablemente al potencial hdrico total del substrato, por lo cual debe ser tomado en
cuenta en la determinacin de este indicador. Conociendo el contenido volumtrico de
agua deseado que debe mantener el sustrato o el potencial hdrico correspondiente a la
capacidad de reserva de agua del sustrato a la que se desea aportar la dosis de riego se
determina cundo iniciar el riego.
Los sensores que se utilizan en la determinacin del contenido de humedad provienen de
tecnologa basada en la medida de la constante dieltrica de la matriz del substrato, ya sea
de reflectometra con dominio magntico en el tiempo (TDR) [Cor05], [Bra96] o de
frecuencia (FDR) [Bra96]. Los primeros estn basados en el tiempo de transmisin de una
seal electromagntica a lo largo de una sonda metlica introducida en el substrato,
mientras que los segundos utilizan la capacitancia para medir la constante dieltrica
[Bra96].
Los tensimetros determinan el potencial matricial del substrato y en base al mismo se
establece la consigna de riego. El potencial matricial para cultivos sin suelo muestra
valores poco negativos, menores que -10 kPa. En cultivo de tomate se han indicado valores
de activacin de la seal de riego de -10 kPa para los primeros 139 das y de -4 kPa en el
periodo de 140 a 221 das despus de trasplante [Her03]; mientras que en pimiento se ha
recomendado un umbral de inicio de riego de -8 kPa [Pas98].
Los sensores basados en resistencia elctrica estn compuestos por dos electrodos, de
forma que la disolucin del substrato mantiene un equilibrio con la matriz del sensor. La
resistencia elctrica entre los electrodos es funcin del contenido de humedad, este tipo de
sensores requieren de calibracin, aunque son simples y fciles de instalar [Tho04].
Las clulas de carga son un tipo de lismetro por medio del cual se estima el contenido de
humedad en el substrato [Dor04]. Varias plataformas de peso sostienen las plantas y se
establece una correlacin especfica del cultivo y la edad del mismo con el contenido de
humedad en el substrato. El sistema enva la seal constantemente al controlador de riego
que es activado al llegar al lmite establecido por el usuario.
En un estudio comparativo de diferentes mtodos de medicin de contenido volumtrico de
agua (TDR, tensimetros y clulas de carga) en el substrato con indicadores fisiolgicos de
la planta (fotosntesis y conductancia estomtica) se seala el limitado poder predictivo de
las clulas de carga para el manejo de agua en substrato de lana de roca y aserrn puro
[Dor04]. Las clulas de carga y TDR mostraron correlacin con conductividad estomtica
y flujo de savia en el substrato mezclado de aserrn ms 30% de fibras de madera [Dor04].
Un aspecto de importancia a considerar con este tipo de mediciones es la variacin del
contenido de humedad o del potencial hdrico en el substrato, puesto que no hay
uniformidad en su distribucin. En estudios con lana de roca se ha determinado que se
presenta mayor humedad en el nivel inferior del substrato situado junto al fondo del
contenedor y menor en la parte superior del mismo [Rij98], [Bru04].
132
Una opcin dentro de este tipo de enfoque es el registro de las variaciones micromtricas
del dimetro de la planta, por medio de dendrmetros, que dependen del estado hdrico de
la planta; es posible utilizar este tipo de mediciones despus de un tratamiento de los datos
ya que las variaciones del dimetro tambin pueden ser causadas por crecimiento. Este tipo
de sensores se han utilizado en ensayos experimentales en tomate [Go89], [Bru92],
[Lee98], [Val05], ornamentales [Bai92], meln [Val05] y pimiento [Coh98], [Val05].
La temperatura de la hoja tambin se ha utilizado para medir el estado hdrico de la planta
que determina un ndice de estrs hdrico, el cual es factible de ser utilizado para
programacin de riegos. Esta tcnica presenta el problema de ser un indicador tardo de
estrs hdrico ya que el incremento de temperatura ocurre cuando hay cierre parcial de
estomas lo cual tiene lugar posteriormente a la reduccin de otros procesos ms sensibles
como el crecimiento por expansin de la hoja [Gal03]. En [Sta94] se determin el ndice de
estrs hdrico de cultivo en una especie de gramneas (Lolium perenne), mediante
termometra infrarroja. En [Kac02] se determin el ndice de estrs hdrico en el cultivo de
Impatients con la finalidad de establecer un umbral para aplicacin de riego, se
determinaron valores lmite que permitieron detectar estrs hdrico con uno o dos das de
anticipacin respecto a los sntomas visuales.
133
Las tcnicas de control utilizadas en control de riego estn basadas en autmatas simples
de activacin-desactivacin del actuador, en este caso bomba y vlvulas de riego, o bien
utilizando computador por medio de control todo-nada establecido en base a un criterio
que puede ser un nivel de agua, cantidad de radiacin solar acumulada o cantidad de
transpiracin acumulada.
En los trabajos realizados para el suministro de agua se han indicado tcnicas de control
por adelanto [Kl97], [Sig01]. En [Gie00] se instrumenta control realimentado por
drenajes, mientras que la absorcin de agua es tratada como una perturbacin al sistema.
En [Zha96] y [Rui00] se implement control borroso, de modo que a partir de medidas de
humedad del substrato y cantidad de agua drenada se determina cundo y cunto regar. En
[Zha96] se desarroll e implement control borroso aplicado para el control de riego de
plantas ornamentales en invernadero desarrolladas en substrato de mezcla de turba y
corteza de pino. En [Rui00] las variables de entrada fueron el contenido de humedad del
substrato y la evapotranspiracin estimada a partir de datos climticos, con stas se
construyeron reglas de decisin para aplicacin de riego en tomate cultivado en arena.
135
En sistemas sin suelo, el control de riego de agua est estrechamente ligado al control de
suministro de nutrientes, de forma que muchos de los trabajos realizados estn
encaminados a lograr el control de agua y de nutrientes, como se menciona posteriormente.
En [Kl97] se propone control por adelanto de la concentracin de la disolucin nutritiva,
utilizando modelos de fotosntesis, con absorcin de agua estimada por medio de un
modelo de transpiracin y asumiendo constante el contenido de elementos mayores de la
materia seca producida. Siguiendo en esa lnea de trabajo en [Kl99a] se indican resultados
en los que se sincroniz la demanda de agua y nutrientes con el suministro de los mismos
en funcin de parmetros climticos y en base a ello se determinaron consignas diarias de
concentracin en la disolucin nutritiva para cada da, basados en una estimacin emprica
de la proporcin entre demanda de agua y de nutrientes [Kl98]. Se indican resultados en
los que aplicaron control por adelanto y sealan que no fue necesario controlar por
realimentacin basada en la concentracin de lixiviados [Kl98]. Los ensayos los
realizaron en tomate y pimiento desarrollados en sistemas con reutilizacin del agua
drenada y fueron comparados con otros de concentracin constante en la disolucin
nutritiva; la ventaja del control por adelanto result en la reduccin de pudricin apical en
los frutos y en incremento de rendimiento en peso fresco de frutos [Kl99b].
En otros trabajos se ha sealado control de riego por adelanto utilizando identificacin de
sistemas en pelcula nutritiva (nutrient film technique NFT) y en susbstrato. La cantidad
de agua suministrada al sistema es una funcin directa de la radiacin solar y el control es
realizado con el objetivo de mantener constante el nivel del drenaje. Lo anterior fue
evaluado experimentalmente en un sistema sin plantas [Gie01].
En [Gie97] se ha utilizado control por adelanto multivariable en la aplicacin de agua y
ocho elementos de la disolucin nutritiva. En el trabajo se desarrollan simulaciones en las
que el controlador es capaz de alcanzar un nivel constante en el contenido de potasio en los
lixiviados.
En [Hon91] se proponen redes neuronales para controlar el suministro de agua y nutrientes,
aprovechando la pericia del agricultor. Las variables de entrada a la red son radiacin solar,
temperatura y humedad relativa del invernadero, temperatura del agua y concentracin de
dixido de carbono en el invernadero. Las variables de salida son la cantidad de agua y de
nutrientes que deben ser suministrados al sistema.
136
137
6
4
2
0
500
1000
1500
2000
70
1
B
68
0.8
66
0.6
64
0.4
62
0.2
60
500
1000
1500
2000
0
2500
600
2.5
kPa
2500
500
400
1.5
300
200
0.5
100
salida todo-nada
500
1000
1500
2000
W m-2
-2 -1 -1
gml
m-2mmin
min
0
2500
Tiempo (min)
Figura 5.5 Resultados de control de riego por transpiracin durante dos das. A) Transpiracin del
cultivo. B) Contenido de humedad en el substrato y seal de control. C) Dficit de presin de vapor
de agua y radiacin global en el invernadero
mgl m
m-2
m in1-1
-2 min
15
A
10
5
0
500
1000
1500
2000
2500
500
1000
1500
2000
2500
5
4
3
2
30
50
20
100
m S cm-1
C
0
500
1000
1500
2000
10
2500
Tiempo (min)
Figura 5.6 Variables asociadas a control de riego por transpiracin. A) Dinmica de drenaje. B)
Conductividad elctrica en el substrato. C) Humedad relativa y temperatura del aire en el
invernadero
138
4
2
0
500
1000
1500
80
B
70
60
0.5
500
0
1500
1000
salida de control
-2
-1
gm
ml
m-2 min
min-1
-3
x 10
1000
500
500
W m-2
kPa
0
1500
1000
Tiempo (min)
Figura 5.7 Control de riego por bandeja de demanda. A) Transpiracin del cultivo. B) Contenido de
humedad en el substrato y seal de control. C) Dficit de presin de vapor de agua y radiacin
global en el invernadero
15
g m-2 min-1
ml m-2 min1
A
10
5
0
200
400
600
800
1000
1200
1400
mS cm
-1
B
4
3
2
500
1000
100
1500
30
50
20
500
1000
10
1500
Tiem po (m in)
139
La dinmica del volumen de drenaje se aprecia en la figura 5.8A; durante los dos primeros
riegos no se hubo agua drenada y la fraccin de drenaje durante el da fue de 18%. A pesar
que la grfica de drenajes durante un da muestra cierta uniformidad, las variaciones en las
condiciones ambientales a travs del ciclo de cultivo causan que este sistema no se ajuste a
una fraccin establecida de drenajes y se hace difcil el control de los mismos como se
puede observar en la figura 5.9, que muestra la variacin en la fraccin de drenajes durante
varios meses utilizando el sistema de bandeja de demanda.
70
60
50
40
30
20
10
20
40
60
80
Tiempo (dias)
100
120
140
Figura 5.9 Fraccin de volumen de drenaje durante el ciclo de cultivo, aplicando riego con bandeja
de demanda
140
La figura 5.10A muestra la simulacin de riegos con control todo-nada y se compara con la
estrategia de riego por bandeja de demanda. Es evidente que a pesar de la simplicidad del
controlador, el contenido de humedad es mantenido en el rango establecido por el usuario,
y durante la noche se evita que la cantidad de agua en el substrato disminuya por debajo
del umbral establecido, como se aprecia en la activacin del primer riego de la figura
5.10A. El controlador todo-nada permite un control ms adecuado de la humedad en el
substrato respecto a la bandeja de demanda, ya que la fluctuacin mxima en el contenido
de humedad es de 0.6% respecto a 3.3% de la bandeja de demanda.
Se ha simulado tambin el suministro de riegos aplicando un controlador proporcional en
el cual se establece una consigna de contenido de humedad a alcanzar. El criterio es similar
al controlador todo-nada en cuanto a que se define un periodo durante el da en el cual se
deben aplicar riegos. La simulacin aplicando esta tcnica de control se puede observar en
la figura 5.10B; en ella tambin se compara con el control por bandeja de demanda, y se
indica la seal de control. La figura 5.10 tambin incluye otras variables que se simulan
por medio del modelo de balance hdrico y que interactan con el sistema de control de
riego. Es posible observar la dinmica de materia seca estructural en la raz (figura 5.10C)
y en el dosel (figura 5.10D), la dinmica de reserva de agua en la raz y en el dosel, en las
figuras 5.10E y 5.10F respectivamente, la temperatura en el substrato (figura 5.10G) y la
transpiracin (figura 5.10H).
A pesar del evidente mejor desempeo del controlador proporcional sobre el controlador
todo-nada, que permite mantener el contenido de humedad con variaciones pequeas del
orden del 0.05%, el primero es difcil de utilizar en los sistemas de riego por la dificultad
de llevarlo a la prctica. El problema de adaptar vlvulas y sobre todo bombas que
funcionen de forma diferencial en un rango amplio de posibilidades, suministrando dosis
graduales de agua y en estado continuo, probablemente puede ser resuelto pero a un coste
inadmisible.
Las figuras de materia seca estructural en la raz y en el dosel (5.10C y 5.10D) son tpicas
de la dinmica de un da, durante la noche predomina el proceso respiratorio y la materia
seca es simulada en descenso, mientras que durante las horas luz hay un fuerte incremento
a causa de la fotosntesis. Por otro lado la simulacin de agua en el dosel y en la raz
muestra una estrecha relacin entre el proceso de transpiracin y la cantidad de agua en el
dosel mediante una relacin inversa, la reserva de agua en el dosel disminuye al medio da
y se recupera durante la noche, mientras que la de la raz muestra un patrn de reserva
temporal con variaciones durante el da que se estabiliza en la noche (figuras 5.10E y
5.10F).
66
66
64
control proporcional
64
todo-nada
62
% en volumen
bandeja de demanda
58
56
1.0
seal de riego
54
0.5
52
50
60
58
56
200
400
600
800
tiempo (min)
1000
1200
54
0.5
0.005
52
50
200
400
1400
600
800
tiempo (min)
1000
1200
1400
0.0
0.61
0.0964
0.01
1.0
seal de riego
0.0
0
bandeja de demanda
D
0.609
0.0962
0.608
k g m-2
kg m
-2
0.096
0.0958
0.607
0.606
0.0956
0.605
0.0954
200
400
600
800
tiempo (min)
1000
1200
1400
8.96
1.26
200
400
600
800
tiem po (m in)
1000
1200
1400
200
400
600
800
tiem po (m in)
1000
1200
1400
400
600
800
tiempo (min)
1000
1200
1400
8.94
1.24
8.92
8.9
kg m
kg m
-2
-2
1.22
1.2
8.88
8.86
8.84
1.18
8.82
1.16
8.8
200
400
600
800
tiem po (m in)
1000
1200
1400
x 10
19
18
-3
k g m m in
-2
-1
17
16
15
2
14
1
13
0
200
400
600
800
tiem po (m in)
1000
1200
1400
200
Figura 5.10 Control de riego en base contenido de humedad en el substrato, y otras variables del
modelo de balance hdrico. A) Control todo-nada. B) Control proporcional. C) Materia seca
estructural en la raz D) Materia seca estructural en el dosel. E) Masa de agua en la raz. F) Masa de
agua en el dosel. G) Temperatura del substrato. H) Transpiracin
142
seal de control
60
seal de control
% en volumen
62
5.3.3 Conclusiones
Se ha propuesto e implementado un controlador predictivo generalizado GPC para el
control del sistema de calefaccin. La tcnica de control propuesta se ha implementado con
dos algoritmos, modulacin de ancho de pulso y ramificacin y poda, los cuales han sido
validados mostrando resultados similares y consiguiendo un ahorro de un 20% de
combustible cuando se comparan con un controlador todo-nada.
Se ha implementado y desarrollado un sistema de control de suministro de agua basado en
transpiracin, que permite realizar un aporte de agua utilizando los datos climticos del
invernadero.
144
Los mtodos utilizados para generar las consignas de las variables a controlar. Se
sealan diferentes mtodos: heursticos, basados en tcnicas de inteligencia artificial y
optimizacin matemtica [Ram98].
145
146
Uno de los primeros trabajos fue la aplicacin al cultivo de lechuga, donde se utiliz un
modelo simple de crecimiento vegetativo para simular la acumulacin de materia seca,
junto a un modelo de clima en equilibrio esttico, de manera que las entradas de control
fueron resueltas utilizando multiplicadores de Lagrange fijos [Gal84]. En el mismo
cultivo, pero utilizando un modelo de crecimiento dinmico que toma en cuenta
materia seca estructural y no estructural, acoplado a un modelo dinmico del clima del
invernadero y mediante el Principio mximo de Pontryagin y una estructura jerrquica,
se obtuvieron las entradas de control de ventilacin, calefaccin y concentracin de
CO2 que maximizan un criterio de beneficio econmico [Hen94].
148
150
Hashimoto [Has93] ha planteado una arquitectura conceptual donde existe una capa de
alto nivel que toma decisiones y que tiene en ella motores basados en sistemas
expertos, redes neuronales y lgica borrosa y un conjunto de procesadores en el bajo
nivel dedicados al control de procesos bsicos. Su arquitectura incluye el nexo entre los
sistemas expertos desarrollados para operacin en cultivo, para diagnstico de plagas y
enfermedades, y para ajuste de consignas de control. Como parte importante del
proceso de optimizacin relaciona las variables ambientales con las respuestas de las
plantas en lo que ha denominado como el enfoque de plant speaking approach
(plantas que hablan) [Has93]. En trabajos recientes, pero en la misma lnea que la
anterior, se precisa una arquitectura de dos capas en la que la capa superior contiene un
sistema experto que determina las consignas adecuadas a travs del largo plazo,
mientras en una capa inferior el optimizador (en el cual se incluyen tcnicas de redes
neuronales y algoritmos genticos) modifica las consignas en etapas crticas de
desarrollo basndose en la respuesta de las plantas [Mor00]. Una de las aplicaciones ha
sido mantener el balance entre dos tipos de crecimiento: reproductivo y generativo;
cuando las plantas alcanzan un estado de crecimiento importante el optimizador
proporciona las consignas de concentracin de nutrientes para optimizar la relacin
longitud de la hoja/dimetro del tallo como indicador del crecimiento, midindose los
estados por medio de cmaras de manera constante. En otra aplicacin de los mismos
autores se busca la combinacin ptima de tiempo de aporte de nutrientes y drenaje en
series de 4 pasos, con el objetivo de maximizar fotosntesis neta, usando una
optimizacin basada en algoritmos genticos. La estimacin de la fotosntesis neta se
ejecuta con una red neuronal que tiene como entradas la cantidad de suministro de
nutrientes y lixiviados [Mor95].
Otras aproximaciones parten de la base de que se conocen las condiciones del clima y
se proponen futuras polticas razonables de control utilizando simulaciones con redes
neuronales, de manera que se prueban todas las polticas de control posibles y se
selecciona la que maximiza el criterio de mximas ganancias en tomate, considerando
costos de calefaccin, ventilacin y renta de invernadero [Seg93]. Se concluye que este
procedimiento genera trayectorias de consignas cercanas a lo ptimo. El complemento
de este trabajo incluye la posibilidad de incorporacin de las decisiones diarias de
control del agricultor de manera que sean incorporadas en una base de conocimiento
que puede usarse para entrenar una red neuronal, lo cual requiere de grandes cantidades
de datos, difciles de obtener, pero que pueden ser de utilidad a escala regional [Seg97].
En [Mar96] se indica una comparacin de los dos enfoques previamente descritos y que se
indica en la tabla 6.1, que ha sido completada con referencias sobre las variables
controladas en cada enfoque. La principal crtica hacia los mtodos de optimizacin
matemtica es que en ellos su objetivo ms importante es la maximizacin de produccin
de materia seca, pero ste no sintetiza los objetivos del productor completamente [Mar96].
Por otro lado, en la recopilacin bibliogrfica sobre modelado de procesos fisiolgicos de
los vegetales [Pee99], muestra que la mayora de dichos modelos no han sido validados
consistentemente, lo que puede constituir otro problema para los mtodos de optimizacin,
ya que en los modelos de cultivos subyacen modelos matemticos de dichos procesos.
152
Referencia
Maximizar
beneficios
Temperatura
[Seg93]
[Gut93]
[Tch93]
[Rod02]
Maximizar
beneficios
Temperatura y
CO2
[Hen94]
[Tap96],
[Str99b]
[Tap00]
[Str02]
Maximizar
beneficios
Temperatura,
CO2
[Cha02a]
[Cha02b]
Temperatura,
humedad relativa
y CO2
[Tap00]
[Oot03]
[Oot04]
Minimizar costos
por suministro de
radiacin RFA y
con restriccin de
nitratos en el
estado final.
Minimizar costes y
restriccin de
nitratos en estado
final
Temperatura
CO2
RFA
[Lop03]
Temperatura y
suministro de
nitratos en la
nutricin
[Ios02]
Ventajas
Desventajas
Objetivo
Variables
controladas
Referencia
No hay nocin de
Optimizar
Nutrientes y
optimalidad respecto a nutrientes
lixiviados
los procesos
Maximizar
El motor de
beneficios
Temperatura y
planificacin debe ser
Apropiado para la
CO2
definido, los existentes
generacin de metas
no son capaces de
Optimizar
Temperatura
hacerlo
Capacidad de
integral de
CO2
La solucin de
aprovechar
radiacin RFA
RFA
conflictos entre
conocimiento
prctico y cualitativo decisiones
Generar trayectorias Temperatura
inconsistentes requiere
de los procesos
de solucin basada en
casos
Representacin
explicita y entendible
del conocimiento
Elaborado en base a [Mar96] del que fueron incluidas ventajas y desventajas de los paradigmas.
Las soluciones son
racionales en el
sentido del usuario
[Mor95]
[Mor00]
[Poh99]
[Lop03]
[Mar93]
[Mar96]
[Tch98]
[Seg93]
153
154
La produccin del sistema invernadero genera subproductos contaminantes, tales como los
residuos de pesticidas, fertilizantes y aditivos qumicos [Sta03a]. Este tipo de
contaminacin es un problema que cada da cobra ms importancia [Pas04], [Sta03a] y que
ha sido ya incluido en las nuevas polticas de la Unin Europea, que priman el logro de
objetivos de proteccin medioambiental [Pas04]. Por estos motivos, la minimizacin de la
contaminacin tambin podra o debera ser contemplada como un objetivo en los sistemas
de produccin, ya que no se toma en cuenta como parte importante en la produccin bajo
invernadero desde las perspectivas descritas en la seccin anterior.
De lo anteriormente expuesto hay que destacar que los objetivos del productor rebasan con
creces el de la optimizacin basada en produccin de materia seca como nico elemento
para lograr la maximizacin de beneficios. La realidad indica que hay otros objetivos que
debieran ser considerados de manera explcita como son: la calidad del producto, la
eficiencia en el uso del agua, la reduccin de contaminantes (modulados por los criterios
de mantenimiento de la capacidad productiva) y disminucin de riesgos de produccin
derivados del ataque de plagas y enfermedades [Cha93]. Es factible tratar el problema
desde una perspectiva de mltiples objetivos.
No obstante, la incorporacin de varios objetivos plantea consideraciones importantes, ya
que a veces los objetivos son contrapuestos, como ocurre en el caso en que la bsqueda de
altos rendimientos pueda ir en detrimento de la calidad del producto, la reduccin de costes
pueda traer consigo la disminucin de la capacidad productiva de largo plazo en el cultivo,
o el incremento del contenido de azcares en hortalizas de fruto pueda ocasionar
disminucin de rendimiento fsico e incremento de contaminacin. En estos ejemplos se
plantea un problema que presenta objetivos en conflicto.
El reconocimiento de las ventajas e inconvenientes asociados a la inclusin de varios
objetivos plantea un cambio en la concepcin del problema. Desde la perspectiva de la
optimizacin no slo hay que conseguir hacer eficiente el proceso de fotosntesis, hay que
hacer eficiente tambin el uso del agua, es necesario reducir al mximo la contaminacin y
es fundamental generar productos de alta calidad, por citar slo algunas vertientes del
problema.
Precisamente, debido a que la dinmica de la produccin en invernadero es de naturaleza
multiobjetivo y trata elementos susceptibles de ser automatizados, se han realizado trabajos
buscando ahorro o suministro adecuado de agua [Gie01], [Sta03b], [Sig01], [Sav02],
[Os99], concentracin apropiada de la disolucin nutritiva [Kl99a], [Kl99b], [Kl01],
reduccin de contaminantes [Tou99], [Sta03a], apoyo al control de enfermedades mediante
control climtico [Kr04] e incremento de la calidad del producto [Ho96], [Ho99],
[Son00], [Ios02], [Lop03]. Estos ejemplos ilustrativos muestran la importancia de abordar
otros objetivos.
En conclusin, es posible establecer que la produccin en el agrosistema invernadero
debiera satisfacer varios objetivos, que stos pueden ser integrados de manera explcita en
los sistemas de control (como de manera incipiente se propone en los sistemas derivados
desde las tcnicas de inteligencia artificial) y que pueden ser jerarquizados segn las
prioridades del caso particular (que pueden cambiar a lo largo del ciclo del cultivo).
155
Incluir otros objetivos requiere el conocimiento de las variables que los determinan. Dada
la creciente importancia de la calidad de los productos [She99], [Aue99], [Lop04b] y del
uso eficiente del agua [Os99], [Sta03b], [Pas04], la siguiente seccin aborda algunos
elementos necesarios para establecer una formulacin de optimizacin de problema
multiobjetivo en la produccin bajo invernadero considerando estos aspectos.
(6.1)
Sin pretender cubrir el extenso campo de estudios sobre calidad en hortalizas de frutos y
sus elementos relacionados, se indicarn algunos trabajos sobre los principales factores que
influyen en ella desde el manejo del cultivo, ya que como se ha indicado cada variedad
(con su inherente material gentico) posee diferente capacidad para almacenamiento de
azcares o grado de acidez. Por la misma razn las citas se refieren al efecto en tomate,
cultivo sobre el que se desarrolla la optimizacin de trayectorias en esta tesis. Los factores
que se abordan son: concentracin inica de la disolucin nutritiva, dficit hdrico, dficit
de presin de vapor de agua, temperatura, dixido de carbono y poda de hojas y frutos.
157
En [Ho96] se indica que el incremento de materia seca, al que considera como indicador
indirecto de calidad en el fruto de tomate, es de 0.23% por cada unidad de incremento en la
concentracin de la solucin nutritiva, en un rango de 2.0 a 10 mS cm-1, para cultivos
desarrollados en un sistema de pelcula nutritiva (nutrient film technique).
El efecto de aumentar la concentracin de la disolucin nutritiva sobre los slidos solubles
presenta su contraparte en la disminucin del rendimiento. Los dos efectos son mostrados
en la figura 6.1 a diferente concentracin inica expresada como conductividad elctrica en
el substrato. En la figura 6.1A es posible observar la dinmica de rendimiento en peso
fresco de frutos y el porcentaje de slidos solubles cuando la conductividad elctrica (XCE)
es de 2.0 mS cm-1, de la misma manera en las figuras 6.1B, 6.1C y 6.1D en las que XCE es
de 3, 5 y 7 mS cm-1 respectivamente. Es evidente el incremento en slidos solubles y
disminucin de rendimiento cuando XCE es de 7 mS cm-1 (Figura 6.1D) respecto a XCE de 2
mS cm-1 (Figura 6.1A).
De manera similar se ha propuesto una relacin lineal directa entre el grado de acidez del
fruto y la concentracin inica. Algunos trabajos al respecto se indican en la tabla 6.2.
La figura 6.2 muestra el efecto de salinidad respecto al grado de acidez expresado en
porcentaje de cido ctrico.
158
Intervalo de XCE
en el ensayo
experimental
(mS cm-1)
Valor de la
variable en el
umbral
Variedad
Referencias
2 14
4.6
[Cua99]
3.2 9.2
2.2 9.3
2.3 6.8
2.6 7.7
2.5 5.2
2.5 5.2
3.4 5.7
2.5 7.0 pv
2.5 7.0 ot
2.8 6.2 pv
2.3 5.8 ot
2.6
5.1
3.6
4.32
4.55
4.45
4.7
5.1
4.7
5.5
4.0
3.65
4.60
Daniella
Turbo
Estafette
Nd
Daniella
[Mag04]
[Son91]
Gkce F1
FA 361
[Elt02]
0.178*
0.19**
0.14**
0.23**
0.148***
0.185***
0.3**
0.22***
0.24***
0.24**
0.10**
10
21
Acidez
valorable
17.9
Rambo,
Daniela
Matador
Chaser
2 -14
75+
3
2.5
2.5
2.5
0.016
2.2
3.3
1.55
3 10
2.5 5.2
2.5 5.2
2.5 7.0
0.435++++
68++
69++
15+++
Umbral de
calidad
(mS cm-1)
2
3
2.2
2.3
2.6
2.5
2.5
3.4
2.5
2.8
2.3
2.3
4.5
[Pet98]
[Li01b]
[Stm03]
[Cra01]
[Dor00]
Rambo,
Daniella
Matador
Turbo
Estafette
Daniela
[Cua99]
[Pet98]
[Son91]
[Cra01]
De las grficas 6.1 y 6.2 se observa que el incremento en los principales componentes de
sabor mediante el manejo de concentracin en la disolucin nutritiva conlleva disminucin
en rendimiento.
En relacin con el tamao de fruto, se ha mostrado que el incremento de conductividad
elctrica en el substrato disminuye el tamao de frutos [Son00], [Mag03], [Mag04]. En
[Mag03] se postula la siguiente expresin lineal para disminucin de tamao en frutos de
tomate, con la consiguiente disminucin en peso, en funcin de la conductividad elctrica
(XCE):
(6.2)
PFF = 8.46 X CE + 156
donde PFF es el peso fresco de fruto, indicando un umbral de 2.59 mS cm-1 de
conductividad elctrica.
159
12000
10000
10000
8000
6000
8000
6000
4
4000
2000
g m-2
12000
4000
2000
50
100
3
150
50
dias
das
3
150
dias
das
6
12000
10000
12000
10000
8000
6000
8000
6000
4000
2000
g m-2
100
4000
2000
0
50
100
3
150
50
das
dias
100
3
150
das
dias
Figura 6.1 Efecto de la conductividad elctrica (XCE) del substrato (mS cm-1) en el rendimiento del
fruto (g m-2) y la presencia de slidos solubles (%). A) XCE=2. B) XCE=3. C) XCE =5. D) XCE=7
10000
10000
0.5
6000
8000
0.5
6000
0.4
4000
2000
0.4
4000
2000
50
100
0.3
150
50
das
0.6 12000
C
10000
0.3
150
das
12000
0.6
D
10000
8000
g m-2
100
0.5
6000
8000
0.5
6000
4000
0.4
2000
4000
0.4
% acidez
g m-2
8000
0.6
% acidez
0.6 12000
12000
2000
0
50
100
das
0.3
150
50
100
0.3
150
das
Figura 6.2 Efecto de la conductividad elctrica (XCE) del substrato (mS cm-1) en el grado de acidez
y rendimiento del fruto (g m-2). A) XCE=2. B) XCE=4. C) XCE =5. D) XCE=8
160
Otro efecto sobre el peso fresco de fruto ha sido la reduccin de ste al incrementarse el
DPV. Se ha indicado disminucin entre un 9 y un 18% al comparar un tratamiento de 2.2
kPa respecto a otro de 1.6 kPa [Leo00a].
En trabajos similares y con tratamientos de 0.1 kPa frente a 0.5 kPa se ha demostrado que
en el tratamiento de muy bajo dficit hubo un 66% de frutos de primera calidad respecto al
aproximadamente 95% del tratamiento con 0.5 kPa [Mul01].
La influencia sobre pudricin apical en el fruto se resume en que a mayor DPV, se
incrementa la presencia de pudricin entre un 5 y un 24% [Ber00].
Dficit hdrico. El dficit hdrico que ocasiona estrs hdrico en las plantas tambin ha
sido relacionado con el incremento en slidos solubles como elemento indicador de
azcares en tomate [Gia88], [Shi95], [Kir04], [Zeg03] y tambin con un incremento en
acidez titulable [Gia88], [Shi95]. La tabla 6.3 muestra algunas referencias sobre el grado
en que estas variables son modificadas.
Incremento
en slidos
solubles (%)
30
50
50
1.0
1.03
0.5
Acidez
valorable
0.06
0.06
30
50
Intervalo de
riego en el
ensayo
experimental
(%)
50 100
Valor de la
variable en el
umbral
Variedad
Referencias
3.7
Fantastic
[Kir04]
50 100
4.2
Petopride
[Zeg03]
50-100
0.36
Fantastic
[Kir04]
161
Tabla 6.4 Relacin entre la humedad del suelo y slidos solubles y acidez valorable en
tomate
% humedad en el
suelo
75-90
90-15
15 -90
30-15
Rendimiento
kg/planta
9.71
7.56
4.12
1.21
Slidos solubles %
3.45
3.85
4.50
6.10
Acidez
valorable (%)
0.32
0.32
0.39
0.53
Fuente: [Gia88]
Cr + C f Ca ,is
(6.3)
Cd Ca ,is
Intervalo de
XCE en el
experimento
(mS cm-1)
2.7 13.0
2.7
2.7 7.8
[Mag03]
1.98
2.86
1.98 7.68
2.86 8.3
[Car00]
1.0 9.0
[Sch98]
2.72 7.84
[Mag03]
Umbral
(mS cm-1)
Rambo
Daniela
Moneymaker
Daniela
2.7
Daniela
Variedad
Counter
1.0
[Sor98]
2.72
6.3
Optimizacin multiobjetivo.
tcnicas de optimizacin
Elementos
conceptuales
163
'
el problema de encontrar el vector x * = x1* , x2* ,..., xn* que satisface m restricciones de
desigualdad:
gi ( x ) 0
i = 1,2,...,m
(6.4)
hi ( x) = 0
i = 1,2,..., p
(6.5)
p restricciones de igualdad:
y optimiza la funcin:
]'
(6.6)
Las restricciones definidas en (6.4) y (6.5) definen la regin factible F y cualquier punto
x F define una solucin factible. La funcin f (x ) es una funcin que mapea el conjunto
F en el conjunto X, que representa todos los valores posibles de las funciones objetivo. Los
componentes k I representan los criterios que deben ser considerados; las restricciones
gi (x) y hi (x) representan las restricciones impuestas sobre las variables de decisin y el
vector x * denota las soluciones ptimas.
En el mbito de optimizacin multiobjetivo, el trmino optimizar significa maximizar
todas las funciones objetivo, minimizar todas las funciones objetivo o minimizar algunas y
maximizar otras [Coe96]. Por cuestiones de simplificacin del problema, generalmente
todas las funciones son convertidas para resolver problemas de maximizacin o
minimizacin.
164
Los objetivos mltiples son comnmente no conmensurables6 y estn en conflicto unos con
otros. Esto significa que, en general, un problema de optimizacin multiobjetivo no tiene
una solucin nica que pueda optimizar todos los objetivos simultneamente. Por ello, la
optimizacin multiobjetivo no es la bsqueda de soluciones ptimas sino de soluciones
eficientes (no inferiores, no dominadas o Pareto-ptimas) que puedan obtener de la mejor
manera los objetivos mltiples priorizados [Liu01]. En lo que sigue se supondr que se
estn resolviendo problemas de minimizacin.
Se dice que una solucin x * F es no dominada si para cada x F se cumple que:
( f (x) = f (x
iI
))
donde
(6.7)
(6.8)
Las funciones objetivo conmensurables se miden en las mismas unidades, las no conmensurables se miden
en diferentes unidades.
7
Desidere, el que toma las decisiones, equivalente a decision maker.
165
min wi f i ( x )
(6.9)
i =1
min wi f i ( x )ci
i =1
166
(6.10)
En este mtodo se parte de que el punto ideal no es una solucin factible. La regla de
decisin del mtodo de punto ideal es que dado un conjunto de pesos o una ponderacin
para cada objetivo se debe seleccionar una solucin factible tal que la desviacin
combinada entre la solucin factible y la solucin ideal sea minimizada. Esto significa que
la mejor solucin compromiso es aqulla que se encuentra ms cercana al punto ideal en el
espacio de los objetivos [Liu01]. El procedimiento del mtodo es el siguiente:
1) Se define el problema de minimizacin multiobjetivo:
min f ( x ) = [ f 1 ( x ), f 2 ( x ),..., f k ( x )]
(6.11)
sujeto a: x F
2) Se resuelve cada uno de los problemas con un solo objetivo:
min f i ( x ) , i=1, 2, , k
sujeto a: x F
(6.12)
'
wj
f j f j (x l )
pe
(6.13)
(6.14)
min mmx
sujeto a w j ( f j ( x ) f j ( x l )) mmx , l=1,2,,k
xF
(6.15)
167
En este mtodo el que toma las decisiones debe asignar metas que desea lograr para cada
objetivo. Estos valores son incorporados en el problema como restricciones adicionales. La
funcin objetivo intentar minimizar las desviaciones absolutas de las metas de cada
objetivo. La forma ms simple de este mtodo puede ser formulada de la siguiente forma
[Liu01]:
k
min | f i ( x ) M i |
i =1
(6.16)
sujeto a: x F
donde Mi denota la meta establecida por el que toma las decisiones para la i-sima funcin
objetivo f i ( x ) y F representa la regin de soluciones factibles. El criterio consiste en
minimizar la suma de los valores absolutos de las diferencias entre los valores de las metas
y los valores actualmente logrados.
Puede ser una tcnica muy eficiente desde el punto de vista computacional si se conocen
las metas y stas se encuentran en la regin factible. Sin embargo quien toma las
decisiones debe aconsejar las prioridades o pesos adecuados de cada objetivo que eliminen
las caractersticas no conmensurables del problema, lo cual es muy difcil en la mayora de
los casos [Coe00].
6.3.2.4 Alcance de metas
(6.17)
donde o es un vector escalar no restringido en signo y los pesos (wi) son normalizados
para que:
k
| w | = 1
i =1
(6.18)
168
Est basado en la minimizacin de una funcin objetivo, considera las otras funciones
objetivo como restricciones lmite con niveles permisibles i. Se minimiza la funcin
objetivo ms relevante, con restricciones sobre las otras funciones objetivo, y entonces los
niveles i son modificados para generar el conjunto completo de soluciones no dominadas.
Los pasos son los siguientes:
1. Encontrar el mnimo de la funcin objetivo j-sima, buscar x * tal que:
f j ( x * ) = min f j ( x )
xF
(6.19)
Este mtodo sigue una serie de etapas que se pueden resumir en los siguientes pasos
bsicos.
1. El que decide establece un orden en las funciones objetivo de acuerdo con la
importancia que les asigna.
2. Se optimiza la funcin objetivo ms importante con las restricciones iniciales. Si el
problema tiene una nica solucin sta es la solucin al problema multiobjetivo. Si no,
se minimiza la segunda funcin objetivo aadiendo al conjunto de restricciones una
nueva para que la primera funcin objetivo mantenga su valor ptimo.
3. El paso anterior se repite hasta que se encuentra una nica solucin que es la ptima.
169
Son mtodos realimentados en los que la informacin obtenida en las soluciones permite
mejorar los criterios o preferencias sobre los cuales se basar la decisin final. Entre los
mtodos ms utilizados se encuentran: el mtodo de Geoffrion, el mtodo de bsqueda
interactiva dirigida (STEM), el mtodo de compromiso por pasos (ISTM) y el mtodo de
proyeccin de gradientes [Liu01].
No hay una formulacin nica sobre la forma en que debe realizarse el proceso interactivo,
pero algunos aspectos importantes a considerar son [Cru03]:
170
(6.20)
(6.21)
J 3 = f ( Aap , X FFT )
(6.22)
171
J1 = V pr (t f ) X FFT (t f ) Vcos (t ) dt
ti
(6.23)
(6.24)
donde Cprg es el coste de combustible, Cpree es el coste de energa elctrica, Cprfer el costo
de fertilizantes, Cprag es el costo del agua, Hcal es el combustible consumido por
calefaccin, Eee es la energa elctrica consumida por el sistema de calefaccin (calefactor
y ventilador de distribucin de aire caliente), Aap es el agua aportada y Fap son los
fertilizantes aportados.
La estimacin del combustible es funcin de la temperatura del invernadero, por lo que se
utiliza como punto de partida un modelo simplificado basado en el balance de energa en
rgimen permanente, con la siguiente ecuacin:
0 = Qsol,a + Qcnv,ass Qcal Qcnv,cnd,ae Qven,ae Qper,ae Qtr,c
(6.25)
donde Qsol,a es la radiacin solar que absorbe el aire del invernadero, Qcnv,a-ss es la
transferencia de calor por conveccin con la superficie del suelo, Qcal es la transferencia de
calor aplicado por la mquina de calefaccin, Qcnv,cnd,a-e es la transferencia de calor por
conveccin y conduccin entre el aire interior y exterior del invernadero, Qven,a-e es el
intercambio de calor con el aire exterior debido a ventilacin natural, Qper,a-e es el
intercambio de calor con el aire exterior por infiltracin y Qtra,c es el calor latente
producido por el proceso de transpiracin del cultivo.
Se asume que slo durante la noche se puede activar la calefaccin y que en ese periodo el
flujo de ventilacin es nulo ya que el invernadero est cerrado, adems de que no existe
flujo de energa por radiacin solar. Por tanto la ecuacin (6.25) se simplifica ya que, Qsol,a
y Qven,a-e son nulos. Los flujos de energa son estimados as:
172
(6.26)
(6.27)
(6.28)
Q perd = V perd
(6.29)
Qtr ,c = ET
(6.30)
donde Vperd es el flujo de energa por prdidas, Xta es la temperatura del aire, Tcss es la
temperatura de capa que cubre el suelo, Ccnv,ss,a es el coeficiente de conveccin de sueloaire, Ccal,ap es el coeficiente de aporte de energa por el calefactor, Cefi,ca es un coeficiente
de eficiencia en el aporte de energa por el calefactor ya que el rendimiento del sistema no
es del 100%, Ccnv,cnd,a-e es el coeficiente de conduccin-conveccin de aire hacia el
exterior, ET es la transpiracin del cultivo, Ucal es el coeficiente de activacin del
calefactor y es el calor latente de evaporacin.
Para estimar el consumo de combustible se requiere conocer si la calefaccin se encuentra
o no activada. En base a la ecuacin (6.25) los aportes de energa deben ser iguales a las
prdidas. La calefaccin se debe utilizar cuando este balance sea negativo. Por tanto
siempre que la expresin (6.31) sea menor que cero (existen ms prdidas de energa que
aportes), se deber activar la calefaccin.
U cal C cal ,ap C efi ,cal = Q cnv ,a , ss Q cnv ,cnd ,a e Q per ,a e Q tr ,c
(6.31)
(6.32)
(6.33)
(6.34)
donde Aabs es el agua absorbida por la planta, Vdr es el volumen de agua de lixiviados y
Asub es el volumen de agua que se suministra para incrementar el contenido de humedad
en el substrato.
La absorcin de agua se determina considerando la transpiracin de la planta, ms el agua
que se acumula en ella por crecimiento, modificados por el consumo relativo de agua en
funcin de la conductividad elctrica en el substrato ( 1 ( X CE C suaa )C sraa ), como se ha
expresado en la tabla 6.5. Se utilizan las siguientes expresiones:
Aabs = ( ETint v + X FM )(1 ( X CE C suaa )C sraa )
ETint v = ET (Vd int ) / C a
(6.35)
(6.36)
Vdr = Aabs L f
(6.37)
substrato, Csuaa es el umbral de conductividad elctrica por encima del cual hay
disminucin de absorcin de agua, Csraa es el coeficiente de reduccin de absorcin de
agua por unidad de conductividad elctrica. El incremento de volumen es un incremento
debido a la acumulacin de agua en la planta. La fraccin de lixiviados se ha indicado en la
ecuacin (6.3).
Para la estimacin de fertilizantes aportados se parte de la premisa que se aplica una
solucin nutritiva base cuya conductividad elctrica es 2.0 mS cm-1. Si se requiere
incrementar la salinidad el aumento se logra por adicin de NaCl en lugar de hacerlo por
incremento de los macro elementos, ya que es la forma ms econmica de incrementar la
salinidad. Los fertilizantes aportados se estiman de la siguiente forma:
ne
(6.38)
Como se ha analizado en apartados previos, los criterios para determinar la calidad son
varios y complejos. En este apartado se ha partido del supuesto que stos deben incluir
aspectos que sean requeridos por el consumidor y otros que sean de importancia para el
agricultor, establecindose los siguientes: sabor, firmeza de fruto y tamao de fruto. El
primero est determinado por la cantidad de azcares y el grado de acidez, como ya ha sido
descrito en la seccin 6.2.2. La funcin objetivo propuesta es la siguiente:
tf
(6.39)
ti
(6.40)
Las variables de calidad se han normalizado a una escala 50-100, de forma que el mnimo de la escala
corresponde con el mnimo permitido en la variable que determina ese criterio y el mximo con el mximo
determinado por la ecuacin correspondiente.
174
(6.41)
donde VSSol es el contenido en slidos solubles y Vav es el grado de acidez valorable, Cssola
es un coeficiente constante de incremento en slidos solubles, Cssolp es el coeficiente de
incremento en slidos solubles por unidad de incremento en XCE, Csusol es el umbral de
conductividad elctrica por encima del cual hay incremento en slidos solubles, Csava es un
coeficiente de incremento de acidez valorable, Csavp es el coeficiente de incremento en
acidez valorable por unidad de incremento en XCE y Csuav es el umbral de conductividad
elctrica por encima del cual hay incremento de acidez valorable.
La firmeza Vfi se obtiene mediante la expresin:
V fi = Csafi + Csafp ( X ta Csufi )
(6.42)
(6.43)
Esta funcin objetivo ha sido definida como la relacin entre la produccin obtenida al
final del horizonte de tiempo de la optimizacin y la cantidad total de agua aportada al
sistema en ese lapso de tiempo:
J 3 = X FFT (t f )
tf
ti
Aap (t )dt
(6.44)
donde XFFT es la produccin de frutos obtenida en el tiempo final, Aap es el agua aportada
hasta el tiempo final tf , ti es el tiempo inicial.
175
El problema es encontrar las trayectorias de las variables que permiten el logro de los
objetivos planteados en el apartado 6.4.1, temperatura del invernadero y conductividad
elctrica del substrato. El rendimiento en fresco, los criterios de calidad y el uso de agua
estn directamente relacionados con las variables anteriores, por tanto los ingresos tambin
son funcin de esas variables.
En base a las condiciones iniciales, a criterios de ponderacin y a la prediccin de
perturbaciones climticas, se optimiza el beneficio econmico, la calidad y la eficiencia en
el uso del agua, obteniendo las trayectorias que debe seguir las variables a lo largo del
ciclo de cultivo.
Capa de control de crecimiento. En funcin de los objetivos de largo plazo definidos
(precios de mercado, fechas de recoleccin, calidad requerida) y de las predicciones de
largo plazo, del estado de crecimiento medido o estimado se optimiza y se calculan calcula
la trayectorias que debe seguir la temperatura interior del invernadero y la conductividad
elctrica en el substrato durante el horizonte de control planteado, varios meses.
Capa de modificacin de modificacin de consignas. En base en las trayectorias
generadas en la capa superior, en la prediccin climtica de corto plazo, un da, en el
estado actual del invernadero y en los objetivos de corto plazo del agricultor (considerando
su pericia y el estado del cultivo) se modifican las consignas que sern enviadas a la capa
inferior a ser logradas durante el siguiente da.
Capa de control climtico y nutricin. Con las consignas de control climtico los
controladores calculan el estado que deben tener los sistemas de actuacin. Los algoritmos
de control incluyen una gama que va desde algoritmos PI por ajuste por tabla,
compensacin por adelanto y PWM.
CAPA MEDIA
Adaptacin
de consignas
CAPA INFERIOR
Control climtico y
de nutricin
Prediccin de
clima de corto
plazo (da)
Usuario
Variables trayectorias
MODIFICACIN
DE
CONSIGNAS
Prediccin de clima
de largo plazo
(Estacin)
Temp.
Cond. elctrica
OPTIMIZACIN
MULTIOBJETIVO
Algoritmos y criterios
de optimizacin
CONTROL DE CLIMA
Y NUTRICION
ENTRADAS
Algoritmos de DE CONTROL
control
Ventilacin
Calefaccin
Malla sombreo
Agua
Cond. elctrica
Objetivos de
Corto plazo
CAPA SUPERIOR
Control de crecimiento de cultivo
Modelo de
crecimiento
de cultivo
CONDICIONES
SISTEMA
Temperatura de aire
Humedad aire
INVERNADERO
PERTURBACIONES
DE CLIMA
Radiacin PAR
Concentracin de CO2
Cond. elctrica
Agua
CULTIVO
Objetivos de
largo plazo
Tipo de estacin
Fecha de cosecha
Datos Econmicos
precios producto
costes energia
Reglas de decisin
Criterios de
calidad
SALIDAS DE
CRECIMIENTO DE
CULTIVO
Peso seco total, frutos
Nodos
Indice rea foliar
Peso fresco frutos
PERTURBACIONES
DE CULTIVO
176
Definicin de restricciones. Se definen los lmites en los que deben mantenerse las
variables que se manejan.
177
1 n n
c jk x j xk
2 j =1 k =1
j =1
c jk = ckj , k=1,2,,n
f ( x) = c j x j +
sujeto a:
a
j =1
ij
x j + bi 0 , i=1,2,,m
(6.45)
(6.46)
x j 0, j=1,2,,n
donde cj son parmetros, xj son variables, y como se observa el segundo trmino de la
funcin objetivo (6.45) es cuadrtico. Si la funcin objetivo cuadrtica es definida positiva
o semidefinida positiva, entonces la funcin es estrictamente convexa. Considerando que el
espacio de solucin factible de un problema es un conjunto convexo, un programa de
programacin cuadrtica es un problema convexo. Para este tipo de problemas, un ptimo
local tambin es un ptimo global y la condicin de Kuhn-Tucker no slo es condicin
178
k =1
i =1
( aij x j + bi ) yn+i = 0 ,
i=1,2,,m
(6.47)
(6.48)
j =1
x j y j = 0, j=1,2,,n
Adicionando variables a (6.46):
n
a x
j =1
ij
xn+i + bi = 0 ,
i=1,2,,m
(6.49)
j=1,2,,n+m
xj 0 , yj 0 ,
j=1,2,,n+m
(6.50)
(6.51)
k =1
i =1
(6.52)
j=1,2,, n
(6.53)
xn+i = bi ,
xj = 0,
i=1,2,, m
j=1,2,, n
(6.54)
(6.55)
yj = 0,
j=1,2,, n+m
(6.56)
min ( z ) = z j
(6.57)
j =1
179
k =1
n
i =1
a x
(6.58)
i=1,2,, m
(6.59)
xj 0 ,
j=1,2,, n+m
(6.60)
yj 0 ,
j=1,2,, n+m
(6.61)
zj 0,
j=1,2,, n
(6.62)
j =1
ij
xn+i + bi = 0 ,
La solucin del programa lineal anterior debe satisfacer (6.50). Esto significa que cada j, xj,
yj no deben ser variables bsicas simultneamente. Si la solucin ptima del problema
(6.57) es ( x1* , x2* , x3* ,..., xn*+m , y1* , y2* ,..., yn*+m , z1* = 0, z 2* = 0,..., z n* ) , entonces ( x1* , x2* , x3* ,..., xn* ) es
la solucin ptima del problema cuadrtico original.
1200
1000
800
g m-2
m2 m-2
400
200
10
20
30
40
50
dias
60
70
80
90
100
40
10
20
30
40
50
dias
60
70
80
90
100
D
300
250
25
200
m2 m-2
30
20
150
15
100
10
50
350
35
Nodos
600
10
20
30
40
50
60
70
10
20
dias
30
40
50
60
70
dias
900
1100
duracion noche
850
1000
800
800
750
min
Tiempo (min)
900
700
700
600
650
500
600
400
tiempo hasta el amancer
300
200
50
100
150
200
Dia juliano
250
300
350
550
duracion dia
50
100
150
intervalos da-noche
200
250
400
Figura 6.5 Variables de relacin noche-da. A) Duracin del da (horas con luz) durante el ao,
tiempo en minutos hasta el amanecer y tiempo en minutos hasta el ocaso. B) Duracin de la noche
y del da para 232 intervalos da-noche
181
600
A
prediccin
medida
12
400
W m-2
10
300
200
100
prediccin
medida
500
500
1000
1500
tiempo (min)
500
1000
1500
tiempo (min)
22
A
20
prediccion
18
14
16
12
14
10
12
10
10
20
30
40
tiempo (dias)
50
60
medida
16
prediccion
medida
70
10
20
30
40
tiempo (dias)
50
60
70
60
70
26
C
24
medida
22
prediccion
kWh m-2 dia-1
20
18
16
5
4
3
14
2
12
medida
1
10
8
10
20
30
40
tiempo (dias)
50
60
70
prediccion
0
10
20
30
40
tiempo (dias)
50
Figura 6.7 Prediccin y datos medidos de variables climticas con un horizonte de 61 das. A)
temperatura promedio. B) Temperatura mnima. C) Temperatura mxima. D) Radiacin solar
Valoracin
Consumidor
4
4
2
1
Elaboracin propia.
Valoracin
Productor
1
1
4
3
Valoracin
Distribuidor
2
1
4
2
183
Figura 6.8 Soluciones en el espacio posible (cada punto marcado es una solucin)
En la figura 6.8A se muestran las soluciones desde una perspectiva que permite observar la
relacin eficiencia en el uso de agua (eua) y calidad del fruto. Es posible apreciar en esta
figura el frente de Pareto conformado por la curva que une los mximos de estas funciones.
La figura 6.8B muestra el comportamiento de la relacin calidad de fruto respecto a los
beneficios obtenidos; la maximizacin de calidad implica disminucin de beneficios y se
184
185
25
10
5
tn
15
50
100
interv alos
C
25
5
0
150
50
100
interv alos
D
150
td
tn
15
ce
10
5
0
50
100
interv alos
150
20
mS cm-1
25
td
20
ce
10
ce
0
tn
15
tn
15
10
ce
5
0
50
100
interv alos
mS cm-1
td
20
mS cm-1
20
96.062
95.963
95.086
93.935
93.403
92.269
91.418
91.068
89.881
88.640
87.636
84.563
82.876
78.641
68.435
25
td
Calidad
mS cm-1
Beneficios
( m-2)
1.113
1.752
1.960
2.086
2.167
2.280
2.388
2.457
2.506
2.549
2.582
2.606
2.630
2.657
2.659
150
Figura 6.10 Trayectorias de temperatura (C) y conductividad elctrica (mS cm-1) en el problema
multiobjetivo, priorizando un objetivo. A) Mximos beneficios. B) Mxima calidad. C) Mxima
eficiencia en el uso del agua. D) Una solucin no dominada sin objetivo prioritario (td temperatura en el da, tn - temperatura en la noche, ce - conductividad elctrica)
187
20
20
15
10
5
0
50
100
intervalos
150
20
20
15
10
5
0
50
100
intervalos
150
50
100
intervalos
150
mS cm-1
25 D
25 C
mS cm-1
15
10
5
0
mS cm-1
25 B
25 A
mS cm-1
15
10
5
50
100
intervalos
150
25 B
15
10
20
5
0
50
100 150
intervalos
200
20
20
15
10
5
0
50
100 150
intervalos
200
50
100 150
intervalos
200
mS cm-1
25 D
25 C
mS cm-1
15
10
5
0
mS cm-1
mS cm-1
20
25
15
10
5
50
100 150
intervalos
200
Figura 6.12 Trayectorias para horizonte de 116 das (232 intervalos). A) Objetivo prioritario:
mximos beneficios. B) Objetivo prioritario: calidad. C) Objetivo prioritario eficiencia en el uso
de agua. D) No hay objetivo prioritario, solucin dominada
189
190
Figura 6.13 Punto ideal y posible mtrica (Ld) a las soluciones no dominadas
191
trabajo que aqu se sustenta. Al respecto es importante sealar que la mejor estrategia de
incrementar eficiencia de uso de agua es por la va de incremento de rendimientos ms que
por aqulla de incremento en salinidad que tambin permite ahorro de agua.
Finalmente es necesario resaltar que el presente trabajo plantea una perspectiva poco
tratada en optimizacin de la produccin en invernadero, desde un enfoque de
optimizacin multiobjetivo, como parte de una arquitectura jerrquica y con posibilidad de
auxiliar en la toma de decisiones cada da. Lo anterior permite un avance importante en el
manejo de la produccin en sistemas intensivos, ya que integra aspectos econmicos y los
liga directamente al manejo en lnea del control de clima, agua y conductividad elctrica de
la disolucin nutritiva.
Una de las limitantes lo constituye la carencia de modelos de prediccin de precios del
producto y los componentes de los costes, de manera que fuese posible completar la
arquitectura en sus diferentes niveles o capas. Por tanto, un trabajo futuro debe suplir esa
carencia con modelos de prediccin de tendencias de precios de mercado. Por otro lado,
con el enfoque multiobjetivo se abre una diversidad de escenarios: agua de riego de
diferente calidad, precios con cambios frecuentes en los costes y en el producto, inclusin
de otros sistemas de actuacin, incluir otros objetivos como contaminacin al medio, etc.
Tambin la posibilidad de trabajar desde la perspectiva del proceso de optimizacin con
mltiples horizontes deslizantes y diversas tcnicas de optimizacin. Cada uno de los
aspectos mencionados requiere de informacin detallada y son en si mismos motivo de
relevantes proyectos especficos.
192
Conclusiones
En este captulo se exponen las conclusiones ms relevantes a las que se ha llegado en el
desarrollo de esta tesis, as como algunas de las futuras lneas de investigacin. En cada
uno de los captulos se han comentado las conclusiones relacionadas con los aspectos
particulares del problema que tratan, as como los futuros trabajos a realizar en cada uno de
esos campos.
Como se ha establecido en el transcurso de los captulos de sta tesis, el punto de partida
de la investigacin ha sido estudiar la factibilidad de tratar el manejo de la produccin en
invernadero como un problema de optimizacin multiobjetivo, ya que este enfoque permite
tratar la complejidad del problema de manera integrada y en el presente trabajo ha incluido
los subsistemas: clima, agua y nutricin. Tambin, se ha planteado demostrar la viabilidad
de optimizacin multiobjetivo y sus ventajas asociadas en el mbito de una estructura de
control jerrquico basada en modelos de los procesos que tienen lugar en la produccin en
invernadero.
El trabajo desarrollado en la tesis ha sido extenso, no se ha restringido al anlisis y
desarrollo de modelos conceptuales y algoritmos, sino que se ha llevado a cabo la
implementacin prctica de un sistema completo de optimizacin multiobjetivo que ha
demostrado ser una herramienta de utilidad como apoyo a la toma de decisiones, ya que
bajo este enfoque se generan diferentes soluciones no dominadas, de entre la cuales se
decide acerca de la ms idnea en funcin de las preferencias de quien toma las decisiones.
En esta tesis doctoral se han definido como objetivos la maximizacin de beneficios
econmicos, de la calidad de la produccin y de la eficiencia en el uso del agua, para los
cuales se han obtenido soluciones de compromiso o no dominadas. No obstante, se podran
incorporar nuevos objetivos o modificar los existentes, puesto que el fundamento de la
tcnica desarrollada sera el mismo y proporcionara flexibilidad en la optimizacin de los
recursos utilizados.
En cuanto al modelado de cultivos, se han modificado, implementado, calibrado y validado
los modelos Tomgro y Tomsim. Esto ha permitido su utilizacin para predecir el
crecimiento y desarrollo del cultivo de tomate en condiciones de invernaderos con
tecnologa media (cubierta de plstico, ausencia de actuadores activos de refrigeracin, con
calefaccin o sin ella) desarrollados en cultivo sin suelo. Los resultados obtenidos tras el
proceso de adaptacin han sido positivos, de modo que estos modelos pueden ser
incorporados en el control en lnea dentro de la arquitectura de control jerrquico con
optimizacin multiobjetivo. Las modificaciones realizadas permiten la prediccin de
rendimiento en fresco en respuesta a condiciones no ptimas de nutricin (XCE) y dficit
hdrico.
193
Conclusiones
194
3 ,6
1 1 ,9
2 3 ,0
0 ,8
3 ,7 8
4 ,4
7 ,56
1,8 5 2 ,3
1 2 ,54
6 ,49
Invernadero I-7
23 ,2
4 ,1 7
2 ,8
37 ,8
195
196
Referencias bibliogrficas
Referencias bibliogrficas
[Ada01]
Adams K.E., Cockshull K.E., Cave R.J. 2001. Effect of temperature on the
growth and development of tomato fruits. Annals of Botany 88:869-877.
[Aik96]
[Akr00]
Akram A., Altman A., Heuer. 2000. Genotypic difference in salinity and water
stress tolerance of fresh market tomato cultivars. Plant Science 152: 59-65.
[Alb01]
Albright L.D., Gates R.S., Arvanitis K.G., Drysdale A.E. 2001. Environmental
control for plants on earth and in space. IEEE Control Systems Magazine
21(5):28-47.
[Ale94]
Alessandri A., Bini F., Parisini T., Torrini A. 1994. Neural approximation for
the optimal control of heating systems. 3rd IEEE Conference on Control
Applications. Glasgow, UK 3:1613-1618.
[All00]
[All02]
Allen Ch.M., Smith A.M., Clinton S.K., Schwartz S.J. 2002. Tomato
consumption increases lycopene isomer concentrations in breast milk and
plasma of lactating women. Journal American Dietetic Association 102:12571262.
[Alt00]
Alt C., Sttzel H., Kage H. 2000. Optimal nitrogen content and photosynthesis
in caulifower (Brassica oleracea L. botrytis.). Scalling up from a leaf to the
whole plant. Annals of Botany 85:779-787.
[Amt00]
[Ana04]
[Ans94]
[Aue99]
Auerswald H., Schwarz D., Kornelson C., Krumbein A., Brckner B. 1999.
Sensory analysis, sugar and acid content of tomato at different EC values of the
nutrient solution. Scientia Horticulturae 82:227-242.
[Azc93]
[Azo03]
Azodanlou R., Darbellay Ch., Luisier J.L., Villettaz J.C., Amad R. 2003.
Development of a model for quality assessment of tomatoes and apricots.
Lebensmittel-Wissenchaft und-Technologie, 36:223-233.
[Bai75]
Bailey B.J. 1975. The design of ducted-air heating systems. Acta Horticulturae
46:41-54.
197
Referencias bibliogrficas
[Bai88]
Baille A., von Elsner, B. 1988. Low temperature heating systems. In: Energy
Conservation and Renewable Energies for Greenhouse Heating. Ed. von
Zabeltitz Chr. European Cooperative Networks and Rural Energy, CNRE
Guideline 2:149-167.
[Bai92]
Bakker J.C., Challa H. 1995. Aim of the Greenhouse Climate Control. In:
Greenhouse Climate Control: An Integrated Approach. Eds. Bakker, J.C., Bot,
G.P.A., Challa, H., Van de Braak, N.J. Wageningen Press. p. 1-3.
[Bak98]
[Bat93]
Batchelor, W.D., Jones, J.W., Boote, K.J., Pinnschmidt, H.O. 1993. Extending
the use of crop models to study pest damage. Transactions of the ASAE 36:551558.
[Ben03] Ben-Gal A., Karlberg L., Jansson P.E., Shani U. 2003. Temporal robustness of
linear relationship between production and transpiration. Plant and Soil
251:211-218.
[Ber93]
[Ber98]
Bertin N., Gary C. 1998. Short and long term fluctuation of the leaf mass per
area of tomato plants-implications for growth models. Annals of Botany 82:7181.
[Ber99]
[Ber00]
Bertin N., Guichard S., Leonardi C., Longuenesse J.J., Langlois D., Navez B.
2000. Seasonal evolution of the quality of fresh glasshouse tomatoes under
Mediteranean conditions, as affected by air vapour pressure deficit and plant
fruit load. Annals of Botany 85:741-750.
[Ber01]
Bernard T., Sajidman M., Kuntze H.B. 2001. A new fuzzy-based multiobjective
optimization concept for process control systems. In: Fuzzy days. Ed. Reusch B.
Springer Verlag. pp. 653-670
[Ber04]
Berenguel M., Rodrguez F., Acin F.G., Garca J.L. 2004. Model predictive
control of pH in tubular photobioreactors. Journal of Process Control
14(4):377-387.
198
Referencias bibliogrficas
[Bid74]
Bidwell R.G.S. 1974. Plant physiology. Macmillan Publishing Co. London. 643
pp.
[Bil99]
[Bla96]
Blaise P., Dietrich R., Jermini M. 1996. Coupling a disease epidemic model
with a crop model to simulate yield losses of grapevine due to Plasmopara
viticola. Acta Horticulturae 416:285-292.
[Bla99]
[Bla01]
Blasco X., Martnez M., Sanchis J., Senent J. 2001. Model based predictive
control using genetic algorithms. Application to greenhouse climate control. In:
Connectionist Models of Neurons, Learning Processes, and Artificial
Intelligence, 6th International Work Conference on Artificial and Natural
Neural Network IWANN2001, LNCS 2084, pp. 457-465, Granada, Spain, June
2001. Springer-Verlag.
[Boa97]
Boaventura J., Couto C., Ruano A.E. 1997. Real-Time parameters estimation of
dynamic temperature models for greenhouse environmental control. Control
Engineering Practice 5(10):1473-1481.
[Bon00]
[Bon04]
[Boo93]
Boote K.J., Batchelor W.D., Jones J.W., Pinnschmidt H., Bourgeois G. 1993.
Pest damage relations at the field level. In: Systems Approaches for Agricultural
Development. Eds. Penning de Vries F.W.T., Teng P., Metselaar K. Kluwer
Academic. pp. 227-296.
[Bot83]
[Bot01]
[Bou95]
[Bou00]
[Boy93]
[Bra96]
199
Referencias bibliogrficas
[Bri98]
Brisson N., Itier B., LHotel J.C., Lorendea J.Y. 1998. Parameterisation of the
Shutleworth-Wallace model to estimate daily maximum transpiration for use in
crop models. Ecological Modeling 107:159-169.
[Bru92]
[Bru02]
[Bru04]
Brun R., Longuenesse J.J., Barthelemy L., Reich P. 2004. Distribution of water
in rockwool slabs. Proceedings of Greensys 2004. Leuven, Belgium. 8 pp.
[Buc99]
Buckley T., Farquhar G., Mott K. 1999. Carbon-water balance and patchy
stomatal conductances. Oecologia 118:132-143.
[Bur97]
[Cad04]
Cadet C., Bteau J.F., Hernndez C. 2004. Multicriteria control strategy for
cost/quality compromise in wastewater treatment plants. Control Engineering
Practice 12:335-347.
[Caj04]
[Cal00]
Calvet J.C. 2000. Investigating soil and atmospheric plant water use stress using
physiological and micrometeorological data. Agricultural and Forest
Meteorology 103:229-247.
Carvajal M., del Amor F., Fernndez-Ballester G., Martnez V., Cerd A. 1998.
Time course of solute accumulation and water relations in muskmelon plants
exponed to salt during different growth stages. Plant Science 138:103-112.
[Car00]
[Cau02]
Causse M., Saliba-Colombiani V., Lecomte L., Duff P., Rouselle P., Buret M.
2002. QTL analysis of fruit quality in fresh market tomato: a few chromosome
regions control the variation of sensory and instrumental traits. Journal of
Experimental Botany 53:2089-2098.
[Cha93]
Challa H., van Straten G. 1993. Optimal diurnal climate control in greenhouses
as related to greenhose management and crop requirements. In: The
computerized greenhouse. Eds. Hashimoto Y., Bot G., Tantau H.J., Day W.,
Nonami H. Academic Press pp. 119-137.
[Cha95]
Challa H., Heuvelink E., van Meeteren U. 1995. Crop growth and development.
In: Greenhouse Climate Control: An Integrated Approach. Eds. Bakker, J.C.,
Bot, G.P.A., Challa, H., Van de Braak, N.J. Wageningen Press. pp. 62-84.
200
Referencias bibliogrficas
[Cha02a] Chalabi Z.S., Biro A., Bailey B.J., Aikman D.P., Cockshull K.E. 2002. Optimal
control strategies for carbon dioxide enrichment in greenhouse tomato crops.
Part I: Using pure carbon dioxide. Biosystems Engineering 81:421-431.
[Cha02b] Chalabi Z.S., Biro A., Bailey B.J., Aikman D.P., Cockshull K.E. 2002. Optimal
control strategies for carbon dioxide enrichment in greenhouse tomato crops.
Part II: Using exhaust gases of natural gas fired boilers. Biosystems Engineering
81:323-332.
[Chm01] Chmelnitsky I., Colauzzi M., Algom R., Zieslin N. 2001. Effects on phyllod
expresion and cytokinin content in floral organs of rose flowers. Plant growth
regulation 35:207-214.
[Cla87]
Clarke D.W., Mohtadi C., Tuffs P.F. 1987. Generalized predictive control
parts I and II. Automatica 23(2):137-160.
[Cla05]
[Coe96]
[Coe00]
[Coe02]
[Coe03]
[Coh98]
Cohen M., Sav R., Biel C., Marf O. 1998. Simultaneuous measurements of
water stress with LVDT sensors and electrotensiometers: applications in pepper
plants grown in two types of perlites. Acta Horticulturae 421:193-199.
[Coo04]
[Cor05]
[Cra01]
[Cre94]
Creighton J.H.C. 1994. Probability models and statistical inference. SpringerVerlag. 717 pp.
[Cru03]
[Cua99]
201
Referencias bibliogrficas
[Cua01]
[Cur71]
[Dav91]
[Day93a] Dayan E., van Keulen H., Jones J.W., Zipori I., Simuel D., Challa H. 1993.
Development, calibration and validation of a greenhouse tomato growth model:
I. Description of the model. Agricultural Systems 43:145-163.
[Day93b] Dayan E., van Keulen H., Jones J.W., Zipori I., Shmuel D., Challa H. 1993.
Development, calibration and validation of a greenhouse tomato growth model:
II. Field calibration and validation. Agricultural Systems 43:165-183.
[Day01]
Dayan E., Fuchs M., Plaut Z., Presnov E., Matan E., Dinar M., Solphoy A.,
Mugira E., Pines N., Ben-Asher J. 2001. A model to describe rose bush growth
based on the plants morphological parameters. Proceedings of the Fourth
International Symposium on Mathematical Modelling and Simulation in
Agricultural and Bio-Industries (M2SABI01). Haifa, Israel.
[Day02]
Dayan E., Presnov E., Fuchs M., Ben-Asher J. 2002. Rose grow: a model to
describe greenhouse rose growth. Acta Horticulturae 593:63-70.
[Del01]
DellAmico J., Torrecillas A., Rodrguez P., Morales D., Snchez-Blanco M.J.
2001. Differences in the effects of flooding the soil early and late in the
photoperiod on the water realtions of pot-grown tomato plants. Plant Science
160:481-487.
[Dem01] Demrati H., Boulard T., Bekkaoui A., Bouirden L. 2001. Natural ventilation
and microclimatic performance of a large sacele banana greenhouse. Journal of
Agricultural Engineering Research 80(3):261-271.
[Doe04]
Doerner K.F., Gutjahr W.J., Hartl R.F., Strauss C., Stummer C. 2004. Pareto
ant colony optimization with ILP preprocessing in multiobjective project
portfolio selection. European Journal of Operational Research. En prensa.
[Dor86]
Doorenbos J., Kassam A.H. 1986. Efectos del agua sobre el rendimiento de los
cultivos. Estudio FAO Riego y Drenaje 33. 212 pp.
[Dor00]
Dorais M., Dorval R., Demers D.A., Micevic D., Turcott G., Hao X.,
Papadopoulos A., Ehret D.L., Goseelin A. 2000. Improving tomato fruit quality
by increasing salinity: effects on ion uptake, growth and yield. Acta
Horticulturae 511:185-195.
[Dou98a] Doussan C., Pages L., Vercambre G. 1998. Modelling of the hydraulic
architecture of root systems: an integrated approach to water absorption
model description. Annals of Botany 81:213-223.
[Dou98b] Doussan C., Vercambre G., Pages L. 1998. Modelling of the hydraulic
architecture of root systems: an integrated approach to water absorption
distribution of axial and radial conductances in maize. Annals of Botany
81:225-232.
202
Referencias bibliogrficas
[Dre00]
Dreccer M.F., Van Oijen M., Schapendonk H.C.M., Pot C.S. Rabbinge R. 2000.
Dynamics of vertical leaf nitrogen distribution in a vegetative wheat canopy.
Impact on canopy photosynthesis. Annals of Botany 86:821-831.
[Eit04]
Eitzinger J., Trnka M., Hsch J., Zalud Z., Dubrosvsky M. 2004. Comparison
of CERES, WOFOST and SWAP models in simulating water content during
growing season under different soil conditions. Ecological Modelling
171(3):223-246.
Elsner von B., Briassoulis D., Waaijenberg D., Mistriotis A., Zbeltitz von Chr.,
Gratraud J., Russo G., Suay-Cortes R. 2000. Review of structural and
functional characteristics of greenhouses in European Union countries. Journal
of Agricultural Engineering Research 75:111-126.
[Elt02]
Eltez R.Z., Tuzel Y., Gl A., Tuzel I.H., Duyar H. 2002. Effects of different EC
levels of nutrient solution on greenhouse tomato growing. Acta Horticulturae
573:443-448.
[Eme97] Emerman S.H., Dawson T.E. 1997. Experiments using split-root chambers on
water uptake from soil macropores by sunflowers. Plant and Soil 189:57-63.
[Ehr01]
Ehret D., Lau A., Bittman S., Lin W., Shelford T. 2001. Automated monitoring
of greenhouse crops. Agronomie 21:403-414.
[Eva01]
[Fer01]
Fernndez J.E., Palomo M.J., Diaz Espejo A., Clothier B.E., Green S.R., Girn
L.F., Moreno F. 2001. Heat pulse measurements of sap flow in olives for
automating irrigation: tests, root flow and diagnostics of water stress.
Agricultural Water Management 51:99-123.
[Fin93]
[Fon98]
[Gal84]
Gal S., Angel A., Seginer I. 1984. Optimal control of greenhouse climate:
methodology. European Journal of Operational Research. 17:45-56.
203
Referencias bibliogrficas
[Gal03]
[Gar95]
Gary C., Barczi J.F., Bertin N., Tchamitchian M. 1995. Simulation of individual
organ growth and development on a tomato plant: a model and a user-friendly
interface. Acta Horticulturae 399:199-205.
[Gar96]
Gary C., Baille A., Navarrete M., Espanet R. 1996. Tompousse, un modele
simplifie de previous du rendement et du calibre de la tomate. Actes du
Seminaire de IAIP Serres.
[Gar98a] Gary C., Jones J.W., Tchamitchian M. 1998. Crop modeling in horticulture:
state of the art. Scientia Horticulturae 74:3-20.
[Gar98b] Gary C., Tchamitchian M., Bertin N., Boulard T., Baille A., Charasse L.,
Rebilard A., Cardi J.P. 1998. Simulserre: An educational software simulating
the greenhouse-crop system. Acta Horticulturae 456:451-458.
[Gar05]
Garca J.L., Perdigones A., Pastor M., Benavente R.M., Luna L., Chaya C., de
la Plaza S. 2005. Effect of heating control strategies on greenhouse energy
efficiency: experimental results and modelling. Transactions of ASAE. En
prensa.
[Gau01]
[Gen80]
van Genutchen M.T. 1980. A closed-form equation for predicting the hydraulic
conductivity of unsaturated soils. Soil Science Society of America Journal
44:892-898.
[Gia88]
Giardiani L., Giovanardi R., Borin M. 1988. Water comsumption and yield
response of tomato in relation to water availability at different soil depths. Acta
Horticulturae 228:119-126.
[Gia95]
Giaglaras P., Baille M., Baille A. 1995. Net photosynthesis response to light
and air CO2 concentration of Begonia xhiemalis: whole plant measurements and
modeling. Scientia Horticulturae 63:83-100.
[Gie97]
[Gie00]
Gieling Th.H., Janssen H.J.J., van Straten G., Suurmond M. 2000. Identification
and simulated control of greenhouse closed water supply systems. Computers
and Electronics in Agriculture 26:361-374.
[Gie01]
Gieling Th.H. 2001. Control of water supply and specific nutrient application
in closed growing systems. Ph. D. Thesis. Wageningen University. The
Netherlands. 176 pp.
[Gie04]
[Gij92]
204
Referencias bibliogrficas
[Gij95]
Gijzen H. 1995. Short term crop responses. In: Greenhouse Climate control, an
Integrated Approach. Eds. Bakker, J.C., Bot G.P.A., Challa, H., van de Braak,
N.J., Wageningen Press. pp. 16-35.
[Gij98]
Gijzen H., Heuvelink E., Challa H., Marcelis L.F.M., Dayan E., Cohen S.,
Fuchs M., 1998. Hortisim: A model for greenhouse crops and greenhouse
climate. Acta Horticulturae 456:441-450.
[Gle02]
Glei M., Liegibel U.M., Ebert M.N., Bhm V., Pool-Zobel B.L. 2002. carotene reduces bleomycin-induced genetic damage in human lymphocytes.
Toxicology and Applied Pharmacology 179:65-73.
[Gra98]
de Graaf R., Esmeijer M.H. 1998. Calculated and measured water comsumption
in a study of the (minimal) transpiration of cucumbers grown in rockwool. Acta
Horticulturae 458:103-112.
[Gou94]
Goudrian J., van Laar H.H. 1994. Modelling potencial crop growth processes.
Kluwer Academic Publishers. 239 pp.
[Gua90]
[Gui01]
Guichard S., Bertin N., Leonardi Ch., Gary Ch. 2001. Tomato fruit quality in
relation to water and carbon fluxes. Agronomie 21:385-392
[Go89]
Gohler F., Heibner A., Schmeil H. 1989. Control of water and nutrient supply
in greenhouse vegetable production by means of hydroponic systems. Acta
Horticulturae 260:237-254.
[Gut93]
Gutman P.O., Lindberg, O., Ioslovich, I., Seginer I. 1993. A non linear optimal
greenhouse control problem solved by linear programming. Journal of
Agricultural Engineering Research 55:335-351.
[Guz05]
[Ham98a] Hammer G.L. 1998. Crop modeling: current status and opportunities to
advance. Acta Horticulturae 456:27-36.
[Ham98b] Hamer J.C.P. 1998. Validation of a model used for irrigation control of a
greenhouse crop. Acta Horticulturae 458:75-82.
[Han93]
Hand D.W., Warren W.J., Acock B. 1993. Effects of light and CO2 on net
photosynthetic rates of stands of aubergine and Amaranthus. Annals of Botany
71:209-216.
[Has93]
[Hei97]
[Hei02]
Heinen M., Marcelis L.F.M., Elings A., Figueroa R., del Amor F.M. 2002.
Effects of EC and fertigation strategy on water and nutrient uptake of tomato
plants. Acta Horticulturae 593:101-107.
205
Referencias bibliogrficas
[Hel01]
[Hen94]
[Her03]
Hernndez A.S. Fernndez R.E.J., Fernndez V.J. 2003. El uso del laptmetro
como alternativa a la bandeja de demanda para el control del riego en sistemas
de cultivo sin suelo. En: Innovaciones Tecnolgicas en cultivos de Invernadero.
Ed. Fernndez E.J. pp. 97-120.
[Her04]
Herrero J.M., Blasco X., Ramos C., Salcedo J.V. 2004. Identificacin robusta
mediante Gas en modelos no lineales. En: XXV Jornadas de Automtica.
Ciudad Real, Espaa. Septiembre 2004.
[Het98]
[Heu93]
[Heu96a] Heuvelink E. 1996. Tomato growth and yield: quantitative analysis and
synthesis. Ph. D. Thesis. Wageningen University. The Netherlands. 326 pp.
[Heu96b] Heuvelink E. 1996. Dry matter partitioning in tomato: validation of a dynamic
simulation model. Annals of Botany 77:71-80.
[Heu99]
[Hsi00]
Hsiao T.C., Xu L.K. 2000. Predicting water use efficiency of crops. Acta
Horticulturae 537:199-206.
[Ho96]
Ho L.C. 1996. Improving tomato fruit quality by cultivation. In: Genetic and
environment manipulation of horticultural crops. Eds. Cockshull K., Gray D.,
Seynor G., Thomas B., Cabi Pu. pp. 17-29.
[Ho99]
[Hom02] Homaee M., Dirksen C., Feddes R.A. 2002. Simulation of root water uptake. I.
Non uniform transient salinity using different macroscopic reduction functions.
Agricultural Water Management 57:89-109.
[Hon91]
[Hum00] Humsaker D., Kimball B.A., Pinter P.J., Wall G.W., LaMore R.L., Adamsen
F.J., Leavit S.W., Thompson T.L., Mathias A.D., Brooks T.J. 2000. CO2
enrichment and soil nitrogen effects on wheat evapotranspiration and water use
efficiency. Agricultural and Forest Meteorology 104:83-105.
206
Referencias bibliogrficas
[Inc79]
[Inc81]
[Ios96]
[Ios02]
[Isl96]
Islam S., Matsui T., Yoshida Y. 1996. Effect of carbon dioxide enrichment on
physico-chemical and enzymatic changes in tomato fruits at various stages of
maturity. Scientia Horticulturae 65:137-149.
[Jac96b]
Jacobs C.M.J., van den Hurt, B.J.J., de Bruin H.A.R. 1996. Stomatal behaviour
and photosynthetic rate of unstressed grapevine in semi-arid conditions.
Agricultural Forest and Meteorology 80:111-134.
[Jac96a]
[Jaj01]
Jajoo A., Bharti S., Mohannty P. 2001. Evaluation of the especific roles of
anions in electron transport and energy transfer reactions in photosynthesis.
Photosynthetica 39:321-337.
[Jem95]
Jemaa R., Boulard T., Baille A. 1995. Some results on water and nutrient
consumption of a greenhouse tomato crop grown in rockwool. Acta
Horticulturae 408:137-146.
[Ji03]
[Jol91]
Jolliet O., Bayley B.J. 1991. The effect of climate on tomato transpiration in
greenhouses: measurements and models comparison. Agricultural Forestry and
Meteorology 58:43-62.
[Jol94]
[Jon86]
[Jon91a] Jones J.W., Dayan E., Allen L.H., van Keulen, H., Challa H. 1991. A dynamic
tomato growth and yield model (Tomgro). Transactions of ASAE 34:663-672.
[Jon91b] Jones H.G., Sutherland R.A. 1991. Stomatal control of xylem embolism. Plant
Cell and Environment 6:607-162.
[Jon97]
Jones J.W., Hwang Y.K., Kenig A. 1997. Developing a simplified crop model.
Ch. III-6. In: Optimal Environmental Control for Indeterminate Greenhouse
Crops. Eds. Seginer I., Jones J.W., Gutman P., Vallejos C.E. BARD Research
Report No. IS-1995-91RC. Haifa, Israel.
207
Referencias bibliogrficas
[Jon98a] Jones H.G. 1998. Stomatal control of photosynthesis and transpiration. Journal
of Experimental Botany 49:387-398.
[Jon98b] Jones H.G., Tardieu F. 1998. Modelling water relations of horticultural crops: a
review. Scientia Horticulturae 74:21-46.
[Jon99]
Jones J.W., Kenig A., Vallejos C.E. 1999. Reduced state-variable tomato
growth model. Transactions of ASAE 42:255-265.
[Jon00]
[Jon03]
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., Tichie J.T. 2003. The DSSAT
cropping system model. European Journal of Agronomy 18:235-265.
[Kac02]
Kacira M., Ling P.P., Short T.H. 2002. Machine vision extracted plant
movement for early detection of plant water stress. Transactions of ASAE
45(4):1147-1153.
[Kad78]
Karlsson M.G., Heins R.D. 1985. Modelling of light and temperature effects on
Chrysanthemum morifolium. Acta Horticulturae 174:321-327.
[Kat00]
Katerji N., van Hoorn J.W., Hamdy A., Mastrorilli M. 2000. Salt tolerance of
crops according to three classification methods and examination of some
hypothesis about salt tolerance. Agricultural Water Management 47:1-8.
[Kat01]
Kastsoulas N., Baille A., Kittas C. 2001. Effect of misting on transpiration and
conductances of a greenhouse rose canopy. Agricultural Forest and
Meteorology 106:233-247.
[Kat02]
Katsoulas N., Baille A., Kittas C. 2002. Influence of leaf area index on canopy
energy partitioning and greenhouse cooling requirements. Byosistems
Engineering 83(3):349-359.
[Ken97]
Kenig A., Jones J.W. 1997. TOMGRO v3.0 A dynamic model of tomato
growth and yield. Ch. II-5 In: Optimal environmental control for indeterminate
greenhouse crops. Eds. Seginer I., Jones J.W., Gutman P., Vallejos C.E. BARD
Research Report No. IS-1995-91RC. Haifa, Israel.
[Kin73]
Khingham H. G. 1973. The UK tomato manual. Ed. Grower Books. 223 pp.
[Kir04]
Kirda C., Cetin M., Dasgan Y., Topcu S., Kaman H., Ekici B., Derici M.R.
Ozguven A.I. 2004. Yield response of greenhouse grown tomato to partial root
drying and conventional deficit irrigation. Agricultural Water Management
69:191-201.
[Kit98]
Kittas C., Papadakis G., Giaglaras P. 1998. Heat and mass transfer processes in
the greenhouse ecosystem. EurAgEng Paper No. 98-B-02 AgEng98, Oslo,
Norway.
208
Referencias bibliogrficas
[Kl97]
[Kl98]
[Koc87]
Koch K.R. 1987. Parameter estimation and hypothesis testing in linear models.
Springer-Verlag. 378 pp.
[Kon88]
[Kon90]
[Kon94]
[Koo96]
Kool M.T.N., de Koning J.C.M. 1996. Analysis of rose crop production. Acta
Horticulturae 424:79-86.
[Kr04]
[Kra95]
Kramer P., Boyer J. 1995. Water relations of plants and soils. Academic Press.
495 pp.
[Kro95]
Kropff M.J., Teng P.S., Rabbinge R. 1995. The challenge of linking pest and
crop models. Agricultural Systems 49:413-434.
[Kyr02]
[Laa92]
van Laar H.H., Goudrian J., van Keulen H. 1992. Simulation of crop growth for
potential and water limited production situations (as applied to spring).
Simulations reports. CABO-TT. 27-DLO/TPE-WAU. Wageningen, The
Netherlands. 78 pp.
[Lab98]
209
Referencias bibliogrficas
[Laf02]
Lafont F., Balmat J.F. 2002. Optimized fuzzy control of greenhouse. Fuzzy Sets
and Systems 128:47-59.
[Lam98] Lambers H., Chapin S., Pons T. 1998. Plant physiological ecology. SpringerVerlag. 567 pp.
[Lar90]
Larsen R.U. 1990. Plant grow modelling by light and temperature. Acta
Horticulturae 272:235-242.
[Law93]
[Law02]
[LeB98]
[Lee98]
[Lef99]
[Len98]
[Leo00a] Leonardi C., Guichard S., Bertin N. 2000. High vapour pressure deficit
influences growth, transpiration and quality of tomato fruits. Scientia
Horticulturae 84:285-296.
[Leo00b] Leonardi C., Baille A., Guichard S. 2000. Predicting transpiration of shaded
and non-shaded tomato fruits under greenhouse environments. Scientia
Horticulturae 84:297-307.
[Li99]
[Li01a]
[Li01b]
[Li04]
[Lie85]
Liebig H.P. 1985. Model of cucumber rowth and yield II. Prediction of yields.
Acta Horticulturae 156:139-154.
[Lie91]
Lieth J.H., Pasian C.C. 1991. A simulation model for the growth and
development of flowering rose shoots. Scientia Horticulturae 46:109-128.
210
Referencias bibliogrficas
[Liu01]
Liu G.P., Yang J.B., Whidborne J.F. 2001. Multiobjective Optimization and
Control. Ed. Research Studies Press Ltd. Baldock, Hertfordshire, England. 320
pp.
[Lop03]
Lpez-Cruz I., van Willigenburg L.G., van Straten G. 2003. Optimal control of
nitrate in lettuce by a hybrid approach: differential evolution and adjustable
control weight gradient algorithms. Computers and Electronics in Agriculture
40:179-197.
Maathuis F.J.M., Amtmann A. 1999. K+ nutrition and Na+ toxicity: The basis
of cellullar K+/Na+ ratios. Annals of Botany 84:124-133.
[Maf01]
[Mag02] Maggio A., Dalton F.N., Piccinni G. 2002. The effects of elevated carbon
dioxide on static and dynamic indices for tomato salt tolerance. European
Journal of Agronomy 16:197-206.
[Mag03] Magn C.J.J. 2003. Efectos de la salinidad sobre el tomate en cultivo en
sustrato en las condiciones del sudeste peninsular: resultados experimentales.
En: Mejora de la eficiencia en el uso del agua en cultivos protegidos. Eds.
Fernndez F.M., Lorenzo M.P., Cuadrado G.M.I. Almeria, Espaa. pp. 169-187.
[Mag04] Magn C.J.J., Moreno N., Meca D., Cnovas F. 2004. Response to salinty of a
tomato crop in Mediterranean greenhouse climate conditions. Acta
Horticulturae 644:479-484.
[Mal95]
Malundo T.M.M., Shewfelt R.L., Scott J.W. 1995. Flavor quality of fresh
tomato (Lycopersicon esculentum Mill.) as affected by sugar and acid levels.
Postharvest Biology and Technology 6:103-110.
[Mar92]
Marcelis L.F.M. 1992. The dynamics of growth and dry matter distribution in
cucumber. Annals of Botany 69:487-492.
[Mar93]
[Mar94]
[Mar96]
[Mar97]
Martnez M., Senent J., Sanchis J., Blasco X. 1997. Control predictivo
multivariable de un invernadero optimizado mediante simulated annealing
(SA). En: XVII Jornadas de Automtica, Girona, Espaa. Septiembre 1997.
211
Referencias bibliogrficas
[Mar98]
[Mar01]
[Mor95a] Morimoto T., Torii T., Hashimoto Y. 1995. Optimal control of physiological
processes of plants in green plant factory. Control Engineering Practice 4:505551.
[Mor95b] Morales S.V.M., Llopis G.M., Tejerizo P.M.L. 1995. Impact of nitrates in
drinking water on cancer mortality in Valencia, Spain. European Journal of
Epidemiology 11(1):15-21.
[Mor00]
[Mua76] Mualem Y. 1976. A new model for predicting the hydraulic conductivity of
unsaturated porous media. Water Resources Research 12(3):513-522.
[Mul01]
212
Mulholland B.J., Fusell M., Edmonson R.N., Basahm J., Mckee J.M. 2001.
Effects of vpd, K nutritition and root-zone temperature on leaf area
development, accumulation of Ca and K and yield in tomato. Journal of
Horticultural Science and Biotechnology 76(5):641-647.
Referencias bibliogrficas
[Mul03]
Mulholland B.J., Edmonson R.N., Fusell M., Basahm J., Ho L.C. 2003. Effects
of high temperature on tomato summer fruit quality. Journal of Horticultural
Science and Biotechnology 78(3):365-374.
[Mys95]
[Ned93]
[Ned94]
[Nin00]
[Nie96]
[Noo95]
von Noordegraaf C., Welles G.W.H. 1995. Product quality. In: Greenhouse
Climate Control: An Integrated Approach Eds. Bakker J.C., Bot G:P.A., Challa
H., Van de Braak N.J. Wageningen Press. pp. 93-97.
[Oga01]
Ogasawara N., Hiramasu T., Ishiyama K., Fushimi H., Suzuki H., Takagi H.
2001. Effects of gibberellic acid and temperature on growth and root
carbohidrates of Delphinium seedlings. Plant Growth Regulation 33:181-187.
[Oli03]
[Oob03]
Ooba M., Takahashi H. 2003. Effect of asymmetric stomatal response on gasexchange dynamics. Ecological Modelling 164:65-82.
[Oot03]
Ooteghem R.J.C., Stigter J.D., van Willigenurg L.G., van Straten G. 2003.
Optimal control of solar greenhouse. Proceedings of the European Control
Conference ECC-20003. Cambridge, U.K. 8 pp.
[Oot04]
Ooteghem R.J.C., Stigter J.D., van Willigenurg L.G., van Straten G. 2004.
Receding horizon optimal control of a solar greenhouse. Proceedings of
Greensys 2004. Leuven, Belgium. 12 pp.
[Os99]
[Osa01]
[Osy85]
[Pac94]
[Pap94]
213
Referencias bibliogrficas
[Par04]
[Pas98]
Paschold P.J., Zengerle K.H. 1998. Sweet pepper production in a closed system
in mound culture with special consideration to irrigation scheduling. Acta
Horticulturae 458:329-334.
[Pas04]
[Pat03]
Pataki D.E., Oren R. 2003. Species differences in stomatal control of water loss
at the canopy scale in a mature bottomland deciduous forest. Advances in
Water Resources 26:1267-1278.
[Pat05]
[Pee99]
van Pee M., Berckmans D. 1999. Quality of modeling plant responses for
environment control purposes. Computers and Electronics in Agriculture
22:209-219.
[Per04]
Prez P.J., Baeza E., J.I. Montero, Bailey B. 2004. Natural ventilation of parral
greenhouses. Biosystems Engineering 87:355-366.
[Pet98]
Petersen K., Willumsen J., Kaack K. 1998. Composition and taste of tomatoes
as affected by increased salinity and different salinity sources. Journal of
Horticultural Science and Biotechnology 73(2):205-215.
[Pi01]
[Pi02a]
Pin S.M., Pea M., Camacho E.F. 2002. Control predictivo robusto:
aplicacin al control de temperatura de un invernadero. XXIII Jornadas de
Automtica, Tenerife, Espaa.
[Pi02b] Pin S.M., Camacho E.F., Kuchen, B. 2002. Constrained predictive control of
a greenhouse. 15th IFAC World Congress. Barcelona, Spain. 6 pp.
[Poh99]
Porter J.R. 1993. Afrcwheat2: a model of the growth and development of wheat
incorporating responses to water and nitrogen. European Journal of Agronomy
2:69-82.
[Por01]
Porporato A., Laio F., Ridolfi L., Rodrguez-Iturbe I. 2001. Plants in watercontrolled ecosystems: active role in hydrologic processes and response to
water stress. III. Vegetation water stress. Advances in Water Resources. 24:725744.
214
Referencias bibliogrficas
[Pre97]
Pressman E., Bar-Tal A., Shaked R., Rosenfeld K. 1997. The development of
tomato root system in relation to the carbohydrate status of the whole plant.
Annals of Botany 80:533-538.
[Pro02]
Pross A. 2002. The driving force for lifes emergence: kinetic and
thermodynamic considerations. Journal of Theoretichal Biology 220:393-406.
[Rab93]
Rabbinge R., Rossing, W.A.H., van der Werf, W. 1993. Systems approaches in
epidemiology and plant disease management. Netherlands Journal of Plant
Pathology 99(3):161-171.
Raviv M., Blom T.J. 2001. The effect of water availability and quality on
photosynthesis and productivity of soilless-grown cut roses. Review. Scientia
Horticulturae 88:257-276.
[Red98]
Reddy A.R., Reddy K.R., Hodges H.F. 1998. Interactive effects of elevated
carbon dioxide and growth temperature on photosynthesis in cotton leaves.
Plant Growth Regulation 26:33-40.
[Rie99]
Rieger M., Litvin P. 1999. Root system hydraulic conductivity in species with
contrasting root anatomy. Journal of Experimental Botany 50:201-209.
[Rij98]
[Rit85]
[Rod02]
[Rod03]
Rodrguez F., Berenguel, M., Arahal M.R. 2003. A hierarchical control system
for maximizing profit in greenhouse crop production. Proceedings of the
European Control Conference ECC-20003. Cambridge, U.K. 8 pp.
[Rui00]
215
Referencias bibliogrficas
[Rug99]
Ruggiero C., de Pascale S., Fagnano M. 1999. Plant and soil resistance to water
flow in faba bean (Vicia faba L. major). Plant and Soil 210:219-231.
[Sal93]
[Sal97]
Salas San Juan C., Urrestarazu G.M. 1997. Mtodos de riego y fertigacin en
cultivos sin suelo. En: Manual de cultivos sin suelo. Ed. Urrestarazu G.M.
Mundiprensa. pp. 186-243.
[Sal00]
Salas San Juan C. 2000. Modelo de fertirrigacin para cultivo sin suelo para
tomate en invernadero. Tesis doctoral. Universidad de Almera, Espaa. 132
pp.
[Sal04]
[San92]
de Santa O.F.M., de Juan V.A. 1992. Agronoma del Riego. Mundi Prensa. 732
pp.
[San98]
Snchez-Blanco M.J., Morales M.A., Torrecillas A., Alarcn J.J. 1998. Diurnal
and seasonal osmotic potencial changes in Lotus creticus creticus plants grown
under saline stress. Plant Science 136:1:10
[Sas98]
Sas L., Rengel Z., Tang C. 1998. Excess cation uptake, and extrusion of protons
and organic acid anions by Lupinus albus under phosphorus deficiency. Plant
Science 160:1191-1198.
[Sat01]
Sato S., Pett M.M., Gardner R., 2001. Formation of parthenocarpic fruit,
undeveloped flowers and aborted flowers in tomato under moderately elevated
temperatures. Scientia Horticulturae 90:243-254.
[Sav02]
[Sch84]
[Sch98]
[Seg93]
[Seg97]
[Seg98]
[Sen98]
Senent J.S., Martnez M., Blasco X., Sanchis J. 1998. MIMO predictive control
of temperatura and humidity inside a greenhouse using simulated annealing
216
Referencias bibliogrficas
[She99]
[Shi95]
Shinohara Y., Akiba K., Mauro T., Ito T. 1995. Effect of water stress on the
fruit yield, quality and physiological condition of tomato plants using the gravel
culture. Acta Horticulturae 396:211-217.
[Sid98]
Siddiqi M.Y., Kronzucker H.J., Britto D.T., Glass A.D.M. 1998. Growth of a
tomato crop at reduced nutrient concentrations as a strategy to limit
eutrophication. Journal of Plant Nutrition 21(9):1879-1895.
[Sie03]
Siemens A., Zwiazek J.J. 2003. Effects of water deficit stress and recovery on
the root water relations of trembling aspen (Populus tremuloides) seedlings.
Plant Science 165:113-120.
[Sig99]
Sigrimis N., Arvanitis K.G., Kookos I.K., Paraskevopoulos P.N. 1999. H-PI
Controller tuning for greenhouse temperature control. 14th IFAC World
Congress. Beijing, China. pp. 485-490.
[Sig01]
[Sil95]
[Sla77]
Slack G., Calvert A. 1977. The effect of truss removal on the yield of early
sown tomatoes. Journal of Horticulutral Science 52:309-315.
[Son91]
Sonneveld C., van der Burg A.M.N. 1991. Sodium chloride salinity in fruit
vegetable crops in soilless culture. Netherlands Journal of Agricultural Science
39:115-122.
[Son00]
[Sor98]
Soria T., Cuartero J. 1998. Tomato fruit yield and water consumption with salty
water irrigation. Acta Horticulturae 458:215-219.
[Sne84]
[Sta87]
[Sta92]
217
Referencias bibliogrficas
[Sta94]
[Sta95]
[Sta03a]
[Sta03b]
Stanghellini C., Kempkes F., Heuvelink E., Bonasia A., Karas A. 2003. Water
and nutrient uptake of sweet pepper and tomato as (un)affected by watering
regime and salinity. Acta Horticulturae 614:691- 695.
[Stc05]
[Ste98]
Stedule E., Peterson C.A. 1998. How does water get through roots? Journal of
Experimental Botany 49:775-788.
[Ste00]
Steudle E., 2000. Water uptake by plant roots: an integration of views. Plant
and Soil 226:45-56.
[Stm03]
Stamatakis A., Papadantonakis N., Savvas D., Lidakis N., Kefalas P. 2003.
Effects of silicon and salinity on fruit yield and quality of tomato grown
hydroponically. Acta Horticulturae 609:141-147.
[Str99a]
van Straten, G., Tap F., van Willengenburg L.G. 1999. Sensitivity of on-line
RHOC of greenhouse climate to adjoint variables for the crop. 14th IFAC World
Congress, Beijing, China. pp. 383-387.
[Str99b]
van Straten G. 1999. Acceptance of optimal operation and control methods for
greenhouse cultivation. Annual Reviews in Control 23:83-90.
[Str00]
van Straten G., Challa H., Buwalda F. 2000. Towards user accepted optimal
control of greenhouse climate. Computers and Electronics in Agriculture
26:221-238.
[Str02]
van Straten G., van Willengenburg L.G., Tap F. 2002. The significance of crop
co-states for receding horizon optimal control of greenhouse climate. Control
Engineering Practice 10(6):625-632.
[Sun01]
Sun G., Zhao P., Zeng X., Peng S. 2001. Influence of elevated atmosferic CO2
concentration on photosynthesis and leaf nitrogen partition in process of
photosynthetic carbon cycle in Musa paradisiaca. The Journal of Applied
Ecology 12:429-434.
[Swe81]
Sweeney D.G., Hand D.W., Slack G., Thornley J.H.M. 1981. Modelling the
growth of winter lettuce. In: Mathematics and plant physiology. Eds. Rose
D.A., Charles-Edwards D.A. New York. Academic Press. pp. 217-229.
[Sys99]
[Tai98]
Taiz L., Zeiger E. 1998. Plant Physiology. Sinauer Associates Pu. 792 pp.
218
Referencias bibliogrficas
[Tak98]
Takagi K., Tsuboya T., Takahashi H. 1998. Diurnal hystresis of stomatal and
bulk surface conductances in relation to vapour pressure deficit in a cooltemperate wetland. Agricultural Forest and Meteorology 91:177-191.
[Tan90]
[Tan85a] Tantau H.J. 1985. Analysis and synthesis of climate control algorithms. Acta
Horticulturae 174:375-380.
[Tan85b] Tantau H.J. 1985. Greenhouse climate control using mathematical models. Acta
Horticulturae 174:449-459.
[Tan93]
Tantau H.J. 1993. Optimal control for plants production in greenhouses. In:
The Computerized Greenhouse. Eds. Hashimoto Y., Bot G., Tantau H.J., Day
W., Nonami H. Academic Press. California, USA. pp. 139-152.
[Tap93]
Tap F., van Willigenburg L.G., van Straten G., van Henten E. 1993. Optimal
control of greenhouse climate: computation of the influence of fast and slow
dynamics. Proceedings of the 12th IFAC World Congress Control. Sydney,
Australia. 10:320-324.
[Tap96a] Tap F., van Willigenburg L.G., van Staten G. 1996. Experimental results of
receding horizon optimal control in greenhouse climate. Acta Horticulturae
406:229-238.
[Tap96b] Tap F., van Willigenburg L.G., van Staten G. 1996. Receding horizon optimal
control of greenhouses climate based on he lazy man weather prediction. 13th
IFAC World Congress. San Francisco, USA. 3:387-392.
[Tap00]
[Tar98]
[Tch93]
Tchamitchian M., van Willigenburg L.G., van Straten G. 1993. Optimal control
applied to tomato crop production in a greenhouse. European Control
Conference. Grooningen, The Netherlands. Vol. 3, pp. 318-324.
[Tch98]
[Tei99]
Teitel M., Segal I., Shklyar A., Barak M. 1999. A comparison between pipe and
air heating methods for greenhouses. Journal of Agricultural Engineering
Research 72:259-273.
[Tho95]
[Tho96]
Thornley J.H.M. 1996. Modelling water in crops and plant ecosystems. Annals
of Botany 77:261-275.
219
Referencias bibliogrficas
[Tho00]
[Tho04]
[Tie00]
Tiekstra A.E., Else M.A. Kackson M.B. 2000. External pressures based on leaf
water potentials do not induce xylem sap to flow at rates of whole plant
transpiration from roots of flooded or well drained tomato and maize plants.
Impact of shoot hydraulic resistances. Annals of Botany 86:665-674.
[Ton01]
Ton Y., Nilov N., Kopyt M. 2001. Phytomonitoring: the new information
technology for improving crop production. Acta Horticulturae 562:257-262.
[Ton03]
[Too05]
[Tor95]
Torrecillas A., Guillaume C., Alarcn J.J., Ruz-Snchez M.C. 1995. Water
relations of two tomato species under water stress and recovery. Plant Science
105:169-176.
[Tou99]
[Tuz01]
Tuzel I.H., Tuzel Y., Gul A., Meric M.K., Yavuz O., Eltez R.Z. 2001.
Comparison of open and closed of yied, water and nutrient comsumption and
their environment impact. Acta Horticulturae 554:221-228.
[Tye99]
Tyerman S.D., Bohnert H.J., Maurel C., Steudle E., Smith A.C.J. 1999. Plant
aquaporins: their molecular biology, biophysics and significance for plant water
relations. Journal of Experimental Botany 50:1055-1077.
[Udi83]
Udink ten Cate, A.J. 1983. Modeling and (adaptive) control of greenhouse
climates. Ph. D. Thesis. Agricultural University of Wageningen. The
Netherlands. 159 pp.
[Uet00]
[Uff00]
van Uffelen R.L.M., van der Mass A.A., Vremeulen P.C.M., Ammerlaan J.C.J.
2000. TQM applied to the Dutch glasshouse industry: state of the art in 2000.
Acta Horticulturae 536:679-686.
[Uff01]
van Uffelen R.L.M., Ammerlaan J.C.J. 2001. Management of the future: Ducth
glasshouse horticulture towards TQM. Acta Horticulturae 566:37-43.
[Val05]
Valdz T.L.C. 2005. Medidas contnuas del estado hdrico de la planta y del
suelo para la programacin del riego en cultivos hortcolas de invernaderos.
Tesis Doctoral. Universidad de Almera. Espaa. 237 pp.
[Vin96]
Vincent T.L.S., Vincent T. 1996. Using the ESS maximum principle to explore
root-shoot allocation, competition and coexistence. Journal of Theoretical
Biology 180:111-120.
220
Referencias bibliogrficas
[Vil02]
Villalobos F.J., Mateos L., Orgaz F., Fereres E. 2002. Fitotecnia. Bases y
tecnologas de la produccin agrcola. Mundi Prensa. 496 pp.
[Vis90]
[Wan99a] Wang S., Boulard T., Haxaire R. 1999. Air speed profiles in a naturally ventiled
greenhouse with a tomato crop. Agricultural Forest and Meteorology 96:181188.
[Wan99b] Wan-Liang W., Qi-Di W. 1999. Neural network modelling and intelligence
control of the distributed parameter greenhouse climate. 14th IFAC World
Congress. Beijing, China. 1:479-484.
[Wan02] Wang Z., Zong Z., Li S., Chen B. 2002. Nitrate accumulation in vegetables and
its residual in vegetable fields. Huan Jing Ke Xue 23:79-83.
[Weg00] Wegehenkel M. 2000. Test of a modeling system for simulating water balances
and plant growth using various different complex approaches. Ecological
Modelling 129:39-64.
[Wei99]
Wei Ch., Steudle E., Tyree M. 1999. Water ascent in plants: do ongoing
controversies have a sound basis? Trends in Plant Science 4(9):372-375.
[Whi86]
Whisler F.D., Acock B., Baker D.N., Fye R.E. Hodges H.F., Lambert J.R.,
Lemmon H.E., McKinion J.M., Reddy V.R. 1986. Crop simulation models in
agronomic systems. Advances in Agronomy 40:141-207.
[Wil89]
Williams J.R., Jones C.A., Kiniry J.R., Spanel D. 1989. The Epic crop growth
model. Transactions of ASAE 32(2):497-511.
[Wil98]
[Xu95]
[Yan99]
Yang J.B. 1999. Gradient projection and local region search for multiobjective
optimization. European Journal of Operacional Research 112:432:459
[You93a] Young P., Chotai A., Tych W. 1993. Identification, estimation and true digital
control of glasshouse system. The Computerized Greenhouse. Academic Press,
Inc. Londres. Reino Unido. pp. 3-50.
[You93b] Young P., Chotai A., Tych W. 1993. The modelling and multivariable control
of glasshouse system. 12th IFAC World Congress. Sidney, Australia. 10:313316.
[You01]
[Zap04]
221
Referencias bibliogrficas
[Zek99]
[Zeg03]
[Zha96]
[Zha98]
Zhang J., Sui X., Li B., Su B., Li J., Zhou D. 1998. An improved water-use
efficiency for winter wheat grown under reduced irrigation. Field Crop
Research. 59:91-98.
[Zhu01]
[Zim94]
[Zim00]
Zimmerman U., Wagner H.J., Schneider H., Rokitta M., Haase A., Bentrup
F.W. 2000. Water ascent in plants: the ongoing debate. Trends in Plant Science
5(4):145-146.
222