Traducido del inglés al español - www.onlinedoctranslator.

com

Ciencia del Medio Ambiente Total 463–464 (2013) 810–822

Listas de contenidos disponibles enCienciaDirecta

Ciencia del Medio Ambiente Total

página de inicio de la revista: www.el sevier.com/localize/sci totenv

Modificación de la herramienta de evaluación de suelos y aguas para simular el flujo de

carbono de las tierras de cultivo: desarrollo del modelo y evaluación inicial

Xuesong Zhanga,⁎, R. César Izaurraldea, Jeffrey G. Arnoldb, Jimmy R WilliamsC, Raghavan Srinivasand
aInstituto Conjunto de Investigación del Cambio Global, Laboratorio Nacional del Noroeste del Pacífico y Universidad de Maryland, College Park, MD 20740, EE. UU.
bLaboratorio de investigación de pastizales, suelo y agua USDA-ARS, Temple, TX 76502, EE. UU.
CCentro de Investigación y Extensión Blackland, AgriLIFE Research, 720 E. Blackland Road, Temple, TX 76502, EE. UU.
dLaboratorio de Ciencias Espaciales del Departamento de Ciencias y Manejo de Ecosistemas, Universidad Texas A&M, College Stations, TX 77845, EE. UU.

REFLEJOS

• Expansión del modelo SWAT con la nueva capacidad de simular el intercambio de carbono entre la tierra y la atmósfera
• Evaluación de modelos en sitios distribuidos espacialmente usando observaciones diarias de Eddy Covariance
• Discusión exhaustiva del rendimiento del modelo influenciado por diferentes factores

información del artículo abstracto

Historial del artículo:
Recibido el 2 de enero de 2013 Recibido en forma
revisada el 11 de junio de 2013 Aceptado el 12 de
junio de 2013
Disponible en línea el 13 de julio de 2013
El cambio climático es uno de los problemas modernos más apremiantes y tiene implicaciones importantes para casi todos los aspectos
de los sistemas naturales y humanos. El modelo de la Herramienta de Evaluación de Suelos y Aguas (SWAT) se ha aplicado en todo el
mundo para respaldar la gestión sostenible de la tierra y el agua en un clima cambiante. Sin embargo, las deficiencias del algoritmo de
carbono existente en SWAT limitan su aplicación para evaluar los impactos de las actividades humanas en el CO2
emisión, una fuente importante de gases de efecto invernadero (GEI) que atrapa el calor en el sistema terrestre y da como resultado el calentamiento global. En esta investigación, incorporamos una versión revisada

Editor: Eddy Y. Zeng del modelo de carbono CENTURY en SWAT para describir la dinámica de los residuos de materia orgánica del suelo (MOS) y simular el intercambio de carbono entre la tierra y la atmósfera. Probamos este nuevo

modelo SWAT-C con observaciones diarias de covarianza de remolinos (EC) del intercambio neto del ecosistema (NEE) y la evapotranspiración (ET) y el rendimiento anual de cultivos en seis sitios en el medio oeste de

Palabras clave: EE. UU. Los resultados muestran que SWAT-C simula bien NEE y ET promedio de varios años en los sitios distribuidos espacialmente y captura la mayor parte de la variación temporal de estas dos variables en una

Carbón escala de tiempo diaria en cada sitio. Nuestros análisis también revelan que el rendimiento de SWAT-C está influenciado por múltiples factores, tales como prácticas de manejo de cultivos (irrigación versus secano),

Cambio climático integridad y precisión de los datos de entrada, especies de cultivos e inicialización de variables de estado. En general, el nuevo SWAT-C demuestra un rendimiento favorable para simular el intercambio de carbono

Evapotranspiración entre la tierra y la atmósfera en sitios agrícolas con diferentes suelos, climas y prácticas de gestión. Se espera que SWAT-C sirva como una herramienta útil para incluir el flujo de carbono en consideración en la
Intercambio neto de ecosistemas
gestión sostenible de cuencas bajo un clima cambiante. También notamos que se requiere una evaluación exhaustiva de SWAT-C con observaciones de campo para mejorar aún más el modelo y comprender las
Modelado de cuencas hidrográficas de
posibles incertidumbres de su aplicación en grandes regiones con paisajes complejos. el nuevo SWAT-C demuestra un rendimiento favorable para simular el intercambio de carbono entre la tierra y la atmósfera en
variación espacial y temporal
sitios agrícolas con diferentes suelos, climas y prácticas de gestión. Se espera que SWAT-C sirva como una herramienta útil para incluir el flujo de carbono en consideración en la gestión sostenible de cuencas bajo un

clima cambiante. También notamos que se requiere una evaluación exhaustiva de SWAT-C con observaciones de campo para mejorar aún más el modelo y comprender las posibles incertidumbres de su aplicación en

grandes regiones con paisajes complejos. el nuevo SWAT-C demuestra un rendimiento favorable para simular el intercambio de carbono entre la tierra y la atmósfera en sitios agrícolas con diferentes suelos, climas y

prácticas de gestión. Se espera que SWAT-C sirva como una herramienta útil para incluir el flujo de carbono en consideración en la gestión sostenible de cuencas bajo un clima cambiante. También notamos que se

requiere una evaluación exhaustiva de SWAT-C con observaciones de campo para mejorar aún más el modelo y comprender las posibles incertidumbres de su aplicación en grandes regiones con paisajes complejos.

© 2013 Elsevier BV Todos los derechos reservados.

1. Introducción
Los modelos de cuencas hidrográficas han sido ampliamente utilizados por
investigadores y tomadores de decisiones para comprender los procesos hidrológicos,
ecológicos y biogeoquímicos, así como para examinar los efectos de las actividades
humanas y el cambio/variabilidad climáticos en la cantidad y calidad del agua. El modelo
de cuenca SWAT (Arnold et al., 1998) fue diseñado para predecir los impactos a corto y
largo plazo de las prácticas de gestión de la tierra y el cambio climático
⁎Autor correspondiente. Teléfono: +1 3013146706.
sobre los rendimientos de agua, sedimentos y productos químicos agrícolas en cuencas
hidrográficas complejas con diferentes suelos, usos de la tierra y condiciones
topográficas. Se ha incorporado a la Agencia de Protección Ambiental de los EE. UU.
Mejor evaluación de la ciencia Integración de fuentes puntuales y no puntuales (BASINS,
http://water.epa.gov/scitech/datait/models/basins/index.cfm) paquete de software y está
siendo aplicado por el Departamento de Agricultura de los Estados Unidos (USDA) para el
Proyecto de Evaluación de los Efectos de la Conservación (CEAP) (Van Liew et al., 2007;
Richardson et al., 2008) a lo largo de las cuencas hidrográficas en los Estados Unidos
contiguos Investigadores y administradores de recursos hídricos de más de 90 países
han utilizado SWAT para diseñar prácticas sostenibles de gestión del agua (https://
swatmodel.tamu.edu;Gassman

0048-9697/$ – ver portada © 2013 Elsevier BV Todos los derechos reservados.

http://dx.doi.org/10.1016/j.scitotenv.2013.06.056
 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822
et al., 2007). En las aplicaciones de SWAT, la mayor parte de la investigación se ha
centrado en evaluar los beneficios de la calidad del agua (p. ej., reducción de
sedimentos fluviales, pesticidas, nitrógeno y fósforo) a través de simulaciones de
mejores prácticas de gestión (BMP, por sus siglas en inglés) en ubicaciones
espaciales dentro de las cuencas bajo escenarios climáticos actuales o futuros (
https://www. card.iastate.edu/swat_articles/). Sin embargo, las posibles
consecuencias de la gestión de la tierra sobre el balance de carbono (C) terrestre
rara vez se han evaluado con SWAT y no se han relacionado con los procesos
fluviales.
Estabilizar las concentraciones atmosféricas de dióxido de carbono (CO2) y
otros gases de efecto invernadero (GEI) en niveles que no representen una
amenaza para la biosfera es uno de los problemas más urgentes de la actualidad y
con profundas implicaciones para el medio ambiente del planeta (IPCC, 2007). Las
tierras agrícolas no solo proporcionan bienes ecosistémicos esenciales (como
alimentos, ganado y fibra) para la humanidad, sino que también tienen un
potencial significativo para secuestrar C y, por lo tanto, atenuar la tasa de
aumento del CO atmosférico.2(p.ejLal et al., 1999; Allmaras et al., 2000; Thomson
et al., 2006). Se estimó que las tecnologías y prácticas agrícolas pueden mitigar
potencialmente ~5.5–6.0 Pg CO2-eq año−1emisiones a escala global, de las cuales el
89% provienen del secuestro de C del suelo (Smith et al., 2007). Pasar por alto los
impactos de carbono de las prácticas de manejo de la tierra puede conducir a la
selección de BMP que causen una pérdida no intencional de carbono orgánico del
suelo (COS) a la atmósfera. Además, el C erosionado y lixiviado que ingresa a los
ríos puede causar la degradación de la calidad del agua y, posteriormente, tener
un impacto negativo en la salud de los ecosistemas humanos y acuáticos. Por lo
tanto, es de vital importancia considerar los beneficios o costos del C como una
dimensión integral de la sostenibilidad de las estrategias de gestión de cuencas.
Hasta donde sabemos, el modelo SWAT SOC actual (Kemanian et al., 2011; Arnold
et al., 2011) pasa por alto varios factores clave que determinan la dinámica del
COS, como el efecto de la lignina en la descomposición de la hojarasca, el
movimiento del COS con los flujos de agua y la pérdida de COS a través de la
erosión del suelo. Estas debilidades limitan la aplicabilidad de SWAT para abordar
las implicaciones de C en el diseño de prácticas sostenibles de gestión de cuencas.
Hay muchos modelos SOC disponibles para diferentes propósitos (McGill,
1996; Smith, 2001), como CENTURY (Parton et al., 1994), el modelo CARbon-
Nitrogen-DYnamics (CANDY;Franko et al., 1995), el modelo de simulación danés
DAISY (Hansen et al., 1991), el modelo de DesNitrificación-Descomposición (DNDC;
Li et al., 1994),ecosistema (Subvención et al., 2001), y el modelo de rotación de
carbono orgánico de Rothamsted (RothC; Jenkinson y Coleman, 1994; Coleman y
Jenkinson, 1996), el Modelo de Materia Orgánica del Suelo (SOMM;Chertov y
Komarov, 1997), y HSB-C (Fu et al., 2000). Entre estos, CENTURY ha demostrado un
rendimiento superior constante basado en los resultados de las pruebas utilizando
12 conjuntos de datos a largo plazo caracterizados con fertilizantes inorgánicos,
abono orgánico y varias rotaciones (Smith et al., 1997). Además, los experimentos
de rendimiento de modelos realizados porIzaurralde et al. (2001)confirmó la
capacidad de CENTURY para brindar un desempeño satisfactorio en la
representación de la dinámica del SOC en sitios bajo diferentes condiciones. Su
capacidad de simular la dinámica del SOC de pozos bajo tratamientos de bajo y
alto contenido de N (Kelly et al., 1997) es muy deseable porque el aporte excesivo
de N es una de las principales razones de la degradación de la calidad del agua,
como la eutrofización de los lagos y la hipoxia del golfo.
Debido a su robustez en la representación de la dinámica del SOC
influenciada por las prácticas de gestión agrícola, el modelo de residuos de
materia orgánica del suelo (MOS) de CENTURY ha sido adoptado por los
modelos de agroecosistemas. Por ejemplo, la Política Ambiental Integrada
Climática (EPIC,Williams, 1995; Izaurralde et al., 2006) y Sistema de Apoyo a
la Decisión para la Transferencia de Agrotecnología (DSSAT,Jones et al.,
2003; Gijsman et al., 2002) han incorporado conceptos y ecuaciones de
CENTURY para la simulación de la dinámica acoplada de C y N del suelo. El
modelo de residuos de SOM EPIC basado en CENTURY ha sido ampliamente
probado para simular cambios en el SOC en tierras de cultivo con varios
tipos de cultivos y prácticas de manejo (por ejemplo,Izaurralde et al., 2006; Él
et al., 2006; Wang et al., 2005; Causarano et al., 2007, 2008, 2010; Apezteguía
et al., 2009; Schwalm et al., 2010). La capacidad ampliada
811
de EPIC para simular pérdidas de C erosionadas y lixiviadas (Izaurralde et al.,
2007) es una característica importante que permite conexiones entre los
procesos C terrestres y acuáticos. Esta fortaleza de EPIC se enfatizó al
sopesar los algoritmos de residuos SOM candidatos para SWAT, que tiene un
módulo de enrutamiento de red fluvial bien establecido que aborda el flujo
de corriente y el destino de los pesticidas y nutrientes fluviales. Además, la
coherencia entre SWAT y EPIC en la simulación del ciclo del agua terrestre, el
crecimiento y desarrollo de cultivos y la erosión del suelo (Williams et al.,
2008; Arnold et al., 2011) resolvió el modelo EPIC SOM-residuo. Como tal, el
objetivo principal de esta investigación fue incorporar el modelo de residuos
de SOM EPIC en SWAT y evaluar su desempeño para evaluar los efectos
potenciales de secuestro/emisión de C de diferentes BMP a escala de
cuenca. Aunque estaba más allá del alcance de esta investigación rastrear el
transporte y el destino del C erosionado y lixiviado en las redes fluviales, se
espera que el nuevo modelo SWAT establezca una base sólida para futuras
investigaciones en este aspecto. Dado el aparente énfasis de esta versión de
SWAT en Carbon, nos referiremos a ella como SWAT-C en el resto de este
documento.
Para cumplir con el objetivo, primero proporcionamos un marco conceptual
de los procesos relacionados con la dinámica de residuos de MOS en el suelo. A
continuación, formulamos una serie de ecuaciones que describen la adición,
descomposición, transformación y pérdida de residuos de MOS mediante la
combinación de ecuaciones utilizadas en EPIC, CENTURY y DSSAT. Estas
ecuaciones se interconectaron con los algoritmos existentes que representan el
ciclo del agua, el ciclo de nutrientes, el crecimiento de las plantas y la erosión del
suelo en SWAT, lo que permitió simular los impactos de la rotación de cultivos y las
prácticas de gestión. Luego usamos seis sitios agrícolas de la red AmeriFlux (
http://public.ornl.gov/ameriflux/) para evaluar SWAT-C en la cuantificación del
intercambio de C entre la tierra y la atmósfera. En la evaluación se utilizaron las
observaciones diarias de la covarianza de remolinos (EC) y la evapotranspiración
(ET) del flujo de C o el intercambio neto del ecosistema (NEE) entre la tierra y la
atmósfera. En aquellos sitios con datos de rendimiento de cultivos, también
evaluamos SWAT-C en términos de predicción del crecimiento de biomasa, un
componente importante de NEE. Finalmente, se discutió el desempeño de SWAT-C
frente a otros modelos de ciclos de carbono terrestres y la literatura informó SOC
erosionado y lixiviado. Basado en una revisión de la literatura (https://www.tarjeta.
iastate.edu/swat_articles/), este es el primer estudio que examina SWAT-C
utilizando el intercambio diario de agua y C observado por EC entre la tierra y la
atmósfera. Se espera que los resultados de las pruebas obtenidos aquí brinden
información valiosa sobre la confiabilidad del SWAT-C recientemente desarrollado
para simular el flujo de C en tierras de cultivo.
2. Métodos y materiales
2.1. Representación de la dinámica de MOS y residuos.
SWAT-C aborda la adición, descomposición, transformación y eliminación de
cada depósito de residuos de MOS presente en las capas superficiales y
subterráneas del suelo (Figura 1adaptado deParton et al. (1994)yIzaurralde et al.
(2006)). El número de capas de suelo y su profundidad son parámetros de entrada
ajustables para SWAT, según las propiedades del suelo en un sitio específico. En
particular, la formación de humus lento y pasivo está altamente asociada con la
estabilización del C del suelo, lo que lleva a la ausencia de humus lento y pasivo en
la capa superficial (Parton et al., 1994; Gijsman et al., 2002). El C y el N producidos
durante la descomposición de la hojarasca estructural y la biomasa microbiana en
la superficie del suelo se agregan al humus lento en la primera capa del suelo en
CENTURY. Seguimos este esquema para desarrollar conjuntamente los residuos
de SOM tanto en la superficie del suelo como en la primera capa del suelo. En
SWAT y EPIC, la primera capa del suelo generalmente se delinea con un grosor de
10 mm, para representar mejor el cambio rápido de humedad, temperatura y
nutrientes en la superficie del suelo, según la influencia de las condiciones
climáticas y las actividades humanas (p. ej., precipitación, riego). y aplicación de
fertilizantes). Aquí, para ser acorde con la estructura existente de SWAT, SWAT-C
aborda simultáneamente la dinámica de residuos de MOS tanto en la superficie
como en las capas superiores de 10 mm.
812 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822

Figura 1.Esquema de la dinámica de residuos de MOS simulada en SWAT-C.

 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822
El material vegetal muerto que ingresa a las capas superficiales y subterráneas
se distribuye en depósitos de hojarasca metabólica (p. ej., proteínas y azúcares) y
estructural recalcitrante (p. ej., lignina y paredes celulares) fácilmente
descomponible, según su contenido de C, N y lignina y la disponibilidad de
nitrógeno mineral del suelo (McGill et al., 1981; Parton et al., 1987). Toda la lignina
de los residuos se asigna a la reserva de basura estructural. La MOS está
representada en biomasa microbiana, humus lento y depósitos de humus pasivo
con diferentes tamaños, tasas de descomposición y composición de C&N. La
reserva de biomasa microbiana incluye microbios del suelo y productos
microbianos, que aumentan de tamaño al recibir C y N descompuestos de
componentes que no son lignina de la basura estructural, la basura metabólica, el
humus lento y el humus pasivo. La rotación de biomasa microbiana redistribuye C
y N entre CO2, humus lento y humus pasivo. La biomasa microbiana tiene una
rotación de meses a algunos años. El humus lento recibe C y N de la hojarasca
estructural, la hojarasca metabólica y la biomasa microbiana. Su descomposición
da como resultado la transferencia de C y N en humus pasivo y biomasa
microbiana, junto con CO2
emisión. Tiene un tiempo de rotación típico de 20 a 50 años. El humus pasivo recibe
insumos de la descomposición del humus lento y la biomasa microbiana, mientras libera
carbono a la biomasa microbiana o como CO2. Es el grupo más recalcitrante, que incluye
MOS estabilizada física y químicamente absorbida en arcillas con largos tiempos de
rotación (400–2000 años) (Parton et al., 1993, 1994). Además de las propiedades
específicas del sustrato, la descomposición y transformación de la hojarasca estructural,
la hojarasca metabólica, el humus pasivo, el humus lento y la biomasa microbiana
también están influenciados por factores abióticos, como la temperatura del suelo, el
contenido de agua del suelo, la mejora de la labranza, la disponibilidad de oxígeno y la
textura del suelo. (Izaurralde et al., 2006; Gijsman et al., 2002). Por ejemplo, los efectos de
la arena, el limo y la arcilla se consideran explícitamente al calcular la concentración de
carbono orgánico disuelto (DOC) en la solución del suelo, la tasa de descomposición de
residuos de MOS y la respiración heterótrofa, lo que permite abordar la variación de la
textura del suelo entre ubicaciones espaciales. En el documento complementario se
proporciona más información sobre las ecuaciones utilizadas en SWAT-C para
representar la dinámica de residuos de MOS.
Además de los flujos de carbono mediados por microbios entre los
depósitos de residuos de MOS dentro de cada capa, la pérdida de carbono
también está asociada con la percolación, el flujo lateral y la erosión. La
labranza y la percolación pueden redistribuir verticalmente los residuos de
MOS, mientras que el flujo lateral y la erosión mueven los residuos de MOS
lateralmente fuera de la columna de suelo. distribuida uniformemente a
través de los suelos arados. El GLEAMS (Efectos de carga de aguas
subterráneas de los sistemas de gestión agrícola,Leonardo et al., 1987) se
emplea para estimar la concentración de carbono orgánico disuelto (DOC)
en solución y su pérdida con la escorrentía, el flujo lateral y la percolación. El
DOC filtrado se agrega a la reserva de biomasa microbiana en la capa
inferior del suelo o se filtra del fondo del suelo. Basado en la erosión del
suelo estimada con la ecuación universal modificada de pérdida de suelo
(MUSLE;Williams y Berndt, 1977), la pérdida de COS erosionado se obtiene
multiplicando la cantidad de suelo erosionado por la concentración de COS
en suelos minerales y una relación de enriquecimiento (Izaurralde et al.,
2007).
El algoritmo de residuos de SOM en SWAT-C hereda varias características de
EPIC que son diferentes del modelo CENTURY. Por ejemplo, SWAT-C considera la
disponibilidad de oxígeno variable en profundidad (que va de 0 a 1) como un
factor abiótico importante que controla las tasas de descomposición de las
piscinas de residuos de MOS. Cuanto más profunda es la capa del suelo, menor es
el factor de oxígeno. El uso conjunto de la temperatura del suelo, la humedad del
suelo y la disponibilidad de oxígeno ayuda a mejorar la representación del cambio
de la eficiencia y la intensidad de la actividad microbiana dentro del perfil del
suelo. SWAT-C usa las mismas ecuaciones en EPIC para calcular los controles de
temperatura y agua que afectan las tasas de descomposición y transformación (
Williams, 1995). La concentración de lignina en el material vegetal muerto se
calcula utilizando una función sigmoidal de la edad de la planta como en EPIC (
Izaurralde et al., 2006), en lugar de una función de la precipitación anual como en
CENTURY (Parton et al., 1987). Además, utilizamos el enfoque del factor de
labranza deGijsmann et al. (2002)dar cuenta de lo temporal
813
efectos de mejora de las prácticas de labranza en la descomposición de residuos
de MOS. Se supone que la eficiencia de la actividad microbiana hasta una
profundidad de labranza específica aumenta 1,6 veces en los 30 días siguientes a
la ocurrencia de la labranza.
En general, SWAT-C combina el algoritmo de residuos SOM de CENTURY (
Parton et al., 1987, 1993, 1994) y las modificaciones en EPIC (Izaurralde et al.,
2006, 2007) para representar la dinámica de residuos de MOS. Los métodos
existentes en SWAT que han sido ampliamente probados para el crecimiento de
las plantas, el ciclo del agua, la temperatura del suelo y la erosión del suelo, junto
con una amplia gama de prácticas de manejo de cultivos, como labranza, riego y
aplicación de fertilizantes (Arnold et al., 2011), proporcionan variables ambientales
y condiciones de contorno utilizadas para calcular los factores de control para la
descomposición, transformación y pérdida de C. Las ecuaciones utilizadas para
describir la dinámica de los residuos de MOS se proporcionan en el documento
complementario.
SWAT-C simula el intercambio de carbono tierra-atmósfera o el intercambio
neto de ecosistemas (NEE) al abordar la producción primaria neta (NPP) y la
respiración heterótrofa del suelo (HR) por separado. HR se calcula como una suma
de CO2liberada durante la descomposición del residuo de MOS. La versión actual
de SWAT-C no cuantifica explícitamente la producción primaria bruta (NPP) y la
respiración autótrofa (AR), sino un modelo de cultivo simple basado en la
eficiencia del uso de la radiación (Williams et al., 1989) se emplea para calcular la
acumulación de biomasa neta (o NPP) todos los días. Por lo tanto, NEE se calcula
como HR-NPP. Los valores negativos significan absorción de C de la atmósfera
hacia la tierra, mientras que los valores positivos indican pérdida de C a la
atmósfera.
2.2. Datos utilizados para impulsar y evaluar simulaciones de modelos
Utilizamos datos diarios de intercambio neto de ecosistemas (NEE)
de seis AmeriFlux (http://ameriflux.ornl.gov/) sitios de torre de flujo de
covarianza de remolino (EC) (Figura 2) para evaluar el rendimiento de
SWAT-C en la simulación del intercambio de C entre la tierra y la
atmósfera (tabla 1). Estos sitios están ubicados en todo el medio oeste
de EE. UU.; una región que aporta aproximadamente el 80 % del maíz,
el 80 % de la soja y el 50 % del trigo producido en los EE.Papale y
Valentini, 2003). También usamos los datos de calor latente
(evapotranspiración, ET) de nivel 4 para examinar SWAT-C para simular
el flujo de agua. Los datos de NEE y ET en un paso de tiempo diario se
descargaron dehttp://cdiac.ornl. gov/ftp/ameriflux/data/Level4
organizado por el Centro de Análisis de Información de Dióxido de
Carbono (CDIAC), Laboratorio Nacional de Oak Ridge.
Los datos meteorológicos (temperatura del aire, humedad, radiación de onda
corta, velocidad del viento y datos de precipitación) en cada sitio de la CE que llenó
la brecha con DAYMET (Thornton et al., 1997) antes de 2003 o la estación climática
disponible más cercana en la base de datos Global Surface Summary of the Day
(GSOD) del National Climatic Data Center (Centro Nacional de Datos Climáticos) (
Schwalm et al., 2010) se utilizaron para conducir SWAT-C. Los datos de
programación de la gestión de cultivos, incluida la siembra, la aplicación de
fertilizantes, la labranza, la cosecha y el riego, fueron proporcionados por el
equipo de síntesis provisional a nivel del sitio (SLIS) del Programa de Carbono de
América del Norte (NACP) (Schwalm et al., 2010;http://www.nacarbon.org/nacp/;
http://nacp.ornl.gov/docs/Site_Synthesis_Protocol_v7.pdf) para cada sitio con
diferentes niveles de detalle (Tabla 2).
Como SWAT-C no aborda explícitamente el GPP y AR, no empleamos el GPP de nivel 4
estimado ni la respiración del ecosistema que contiene tanto HR como AR en nuestra
evaluación, aunque estudios anteriores mostraron que estas variables son útiles para
evaluar los componentes del presupuesto de carbono del ecosistema (Smith et al., 2010;
Wattenbach et al., 2010). En su lugar, los datos de rendimiento de los cultivos se
utilizaron como sustitutos para evaluar SWAT-C para predecir la NPP, ya que la predicción
precisa de la biomasa total es la base para una estimación fiable del rendimiento de los
cultivos. Para cuatro de los seis sitios de torres de flujo, los datos de rendimiento de
cultivos estaban disponibles para la evaluación del modelo (NACP-SLIS,http://
www.nacarbon.org/nacp/). Los años con datos de rendimiento de cultivos para cada uno
de los cuatro sitios se indican enFig. 3.
814 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822
Figura 2.Rendimiento de cultivo promedio multianual simulado y observado en cuatro sitios de torres de flujo.
Las seis torres de flujo empleadas aquí representan una variedad de
combinaciones de clima, suelos y rotación y manejo de cultivos, como se describe
entabla 1. Se espera que los resultados de las pruebas en estos sitios
proporcionen una evaluación creíble de la aplicabilidad de SWAT-C en la
estimación del intercambio tierra-atmósfera de agua y CO2a través de diversos
paisajes agrícolas.
2.3. Parametrización e inicialización del modelo
Además de los datos de entrada, es necesario determinar los parámetros clave
y las variables de estado inicial antes de ejecutar modelos con fines de predicción.
Una estrategia de parametrización popular consiste en identificar los parámetros
más inciertos y ajustarlos dentro de rangos prescritos para minimizar la diferencia
entre las variables de interés simuladas y observadas. Sin embargo, cuando solo
se dispone de unas pocas variables observadas para la calibración del modelo, los
contenidos de información dentro de los cuales pueden no garantizar una
caracterización sólida de los complejos procesos hidrológicos, biofísicos y
biogeoquímicos (Jakeman et al. 1993) y, por lo tanto, dan como resultado un
sobreajuste de parámetros. En este caso, los parámetros se ajustan para
compensar los errores asociados con los datos de entrada, la estructura del
modelo y las observaciones con las que se calibra un modelo. Otra estrategia que
se ha vuelto cada vez más aceptada
por la comunidad SWAT (p. ej.Srinivasan et al., 2010) y adoptado en múltiples proyectos
de intercomparación de modelos (por ejemplo, Intercomparación y mejoras de modelos
agrícolas, AgMIP,http://www.agmip.org/; Síntesis provisional a nivel de sitio de NACP,
Schwalm et al., 2010) consiste en parametrizar variables basadas en información previa
(por ejemplo, de la literatura o experimentos de campo) sin intentar calibrar
ampliamente los parámetros para que coincidan con las variables de interés observadas
en una o pocas ubicaciones espaciales. A menudo, el último enfoque da como resultado
un rendimiento del modelo más bajo que el primero para aquellos sitios contra los que
se ha optimizado el modelo o sitios con atributos similares, pero proporciona una
evaluación más objetiva de la capacidad de generalización del modelo, ya que las
ubicaciones con datos observados para la calibración generalmente representan solo
una pequeña parte. parte de la variabilidad de los diversos paisajes. En este estudio,
adoptamos el segundo enfoque de parametrización, a veces llamado "evaluación ciega",
dado que solo teníamos acceso a datos en seis sitios y la falta de comprensión de las
incertidumbres asociadas a los datos de entrada y numerosos parámetros y procesos
relacionados con la dinámica de residuos de MOS. También observamos que la
identificación y caracterización de la incertidumbre de los parámetros de entrada y del
modelo son importantes y tienen el potencial de ayudar a evaluar cuantitativamente los
errores asociados con la predicción de los componentes del presupuesto de carbono, que
son fundamentales para minimizar los riesgos de los acuerdos de gestión y la
formulación de políticas relacionadas con el carbono (Post et al., 2008a,b).
Los numerosos parámetros hidrológicos y biofísicos (como el número de
curvas, el factor de compensación de la evaporación del suelo/planta, el índice de
área foliar y la eficiencia del uso de la radiación) se determinaron de acuerdo con
Arnold et al. (2011). Las propiedades físicas y químicas del suelo (como arcilla,
limo, arena, profundidad de la capa, pendiente, longitud de la pendiente, albedo y
contenido de COS) se derivaron del estudio Soil Survey Geographic (SSURGO,
Personal de estudio de suelos, 2011) base de datos. Para los parámetros que
controlan la dinámica de los residuos de MOS (como las tasas de descomposición
de cada reservorio de residuos de MOS y la asignación de flujos de carbono entre
reservorios), adoptamos valores informados de un grupo de referencias, que
incluyen McGill et al. (1981),Parton et al. (1993, 1994),Vitouseck et al. (1994),
Gijsmann et al. (2002), yIzaurralde et al. (2006). La mayor parte de la
parametrización relacionada con los residuos de SOM en SWAT-C es similar a la de
EPIC (Izaurralde et al., 2006) como se detalla en S1 del documento
complementario. Una diferencia importante radica en la parametrización del
factor de labranza. SiguienteGijsmann et al. (2002), asumimos que los residuos de
MOS a la profundidad (100 mm para labranza convencional) de una práctica de
labranza aumentaron en un factor de 1,6 dentro de un período de 30 días. Tenga
en cuenta que el factor de mejora de la labranza es un parámetro de entrada para
SWAT-C y los usuarios pueden cambiarlo para reflejar las condiciones locales.
Residencia enArnold et al. (2011), aquí se empleó una eficiencia de mezcla de 0,3
para representar los efectos de la mezcla de labranza en la redistribución de los
residuos de MOS hasta una profundidad de labranza. Consideramos la deposición
húmeda de nitrógeno al establecer la concentración de nitrógeno en la lluvia
como 1,0 mg NL−1(Arnold et al., 2011), pero no incluyó la deposición seca.
Una cuestión clave relacionada con el rendimiento de los modelos
hidrológicos y biogeoquímicos es cómo se determinan las variables de estado
inicial (como el agua del suelo, la cobertura de residuos y la partición de las
piscinas de MOS). Para obtener fracciones de SOM iniciales creíbles, generalmente
se requieren regímenes de cultivo históricos y condiciones climáticas para los
ecosistemas agrícolas (Basso et al., 2011). Debido a la falta de datos
meteorológicos confiables a largo plazo y datos históricos de uso de la tierra antes
de los períodos de modelado, no realizamos simulaciones de giro a largo plazo
para determinar las fracciones iniciales de los depósitos de SOM, sino que
empleamos fracciones típicas de depósitos de SOM para suelos cultivados (es
decir, 0,54, 0,44 y 0,02, respectivamente, para HP, HS y BM);Gijsman et al., 2002;
McGill et al., 1986). El agua del suelo y los residuos se establecieron en cero al
comienzo de los períodos de simulación debido a la falta de información a priori
sobre el estado inicial de los suelos.
2.4. Modelo de evaluación de habilidades
Utilizamos el porcentaje de sesgo (PBIAS,Gupta et al., 1999) y coeficiente
de determinación (R2 , Legados y McCabe, 1999), para evaluar
 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822 815

rendimiento de SWAT-C (Santhi et al., 2001; Moriasi et al., 2007). PBIAS

sistema de cultivo. Para el caso de las tierras secas, solo se incluye la ubicación del sitio y la rotación de cultivos en la denominación del sitio. Por ejemplo, Mead-CC-Irr denota el sitio ubicado en Mead con un sistema de cultivo de maíz continuo con riego, mientras que Mead-CS representa una
Verma et al.

Verma et al.

Verma et al.
et al. (2005)

Griffis et al.
se calcula como:

bernacchi

El nombre del sitio se define combinando la ubicación del sitio, la rotación de cultivos y las tierras de regadío/secas. La ubicación del sitio es el pueblo donde se encuentra una torre de flujo; la rotación de cultivos incluye CS (maíz-soja) y CC (maíz continuo); e “Irr” indica que se riega un
Publicar et al.

(2004)

(2005)

(2005)

(2005)

(2007)
0 1
Período/número de medición Disponibilidad de fuente detallada
gestiónb

PBIAS¼B
B
BX T
B
B
B
B
B
@
k¼1
dFk−ykÞ

XT
=yA
k
C
C
C
C
C
C -100
C
C
d1Þ

k¼1
No

No
Sí

Sí

Sí

Sí
donde fkes el valor simulado del modelo en la unidad de tiempo o ubicación k, yk
es el valor correspondiente de los datos observados, y T representa el total
de pares de observaciones. PBIAS mide la tendencia promedio de los datos
de días con NEE faltante

simulados a ser más grandes o más pequeños que sus contrapartes

observadas. Pequeña magnitud dePBIASvalores significa menos sesgo del
1996–2007/513

2005–2007/432

2001–2006/336

2001–2006/553

2001–2006/355

modelo.
2004–2006/0

La fórmula para calcular el coeficiente.R2es:

( " #0:5
" #
XT - -X T - -2 XT norte
2 0:5)
R2¼ dyk−yÞFk−f = yk−y Fk−f d2Þ
significa que se especifican las fechas de las operaciones de manejo de cultivos, mientras que “no” las fechas de las operaciones no están disponibles. Aquellos sitios con datos de gestión detallados también poseen datos de rendimiento de cultivos. norte
Convencional

Convencional

Convencional

k¼1 k¼1 k¼1

Temperatura anual Rotación Labranza (°C)

sin labranza

sin labranza

sin labranza

dóndeyes la media de los datos observados durante todo el período de tiempo o

en todos los sitios bajo evaluación, f es la media de los datos simulados. Los otros
símbolos son los mismos que los definidos anteriormente.R2oscila entre 0,0 y 1,0 y
representa la proporción de la varianza total en los datos observados que explica
CC
CS

CS

CS

CS

CS

el modelo. Cuanto mayor sea elR2

valores, mejor será el rendimiento del modelo.
Además, la métrica de habilidad del modelo de Taylor (Taylor, 2001) se
calculó para NEE agregado a un paso de tiempo mensual para comparar el
rendimiento de SWAT-C con aquellos modelos que han sido probados en los
mismos sitios (Schwalm et al., 2010). La métrica de Taylor se calcula como:
9.88

8.06
11.28

11.04

11.04

11.04

S¼2d1þRÞ=ðσnormaþ1=σnormaÞ2 d3Þ
Latitud Precipitación anual +

dóndeRes la raíz cuadrada deR2, σnormaes la relación entre la desviación

estándar simulada y la observada.Sestá ligado por el cero y la unidad, donde
riego (mm)

la unidad indica un acuerdo perfecto.

810

718

832

823

627

736

3. Resultados y discusión
40.0062

41.8593

41.1650

41.1649

41.1797

44.7143

3.1. Rendimiento de SWAT-C para simulación de rendimiento de cultivos

El rendimiento de los cultivos cosechados representa un componente

− 88.2904

− 88.2227

− 96.4766

− 96.4701

− 96.4396

− 93.0898
Longitud del estado

importante de la producción total de biomasa o NPP. Debido a la falta de

observaciones de residuos sobre el suelo y biomasa subterránea, utilizamos datos
de rendimiento de cultivos como un sustituto para evaluar la capacidad de SWAT-C
Minnesota
nordeste

nordeste

nordeste
ILLINOIS

ILLINOIS

para simular NPP en los cuatro sitios con datos de observación. En los tres sitios
de Mead,PBIASdel rendimiento del cultivo simulado promediado en todos los años
con subsuelo arcilloso

fue inferior al 10 %, en comparación con el 40 % en Rosemount-CS (Figura 2a).

franco arcilloso limoso

Arcilla limosa profunda

Arcilla limosa profunda

Arcilla limosa profunda

PBIAS de los rendimientos de maíz promedio simulados fue inferior al 5 % en

capa superficial del suelo

Mead-CC-Irr y Mead-CS-Irr, 22 % en Mead-CS y 58 % en Rosemount-CS,

Franco limoso

Franco limoso
Características generales de los sitios de torres de flujo.

francos

francos

francos

respectivamente (Figura 2b). para la soja,PBIASdel rendimiento promedio

Suelos

finca de maíz y soya de secano ubicada en Mead.

simulado fue −29 % en Mead-CS, −21 % en Mead-CS-Irr y −33 % en Rosemount-CS,

respectivamente (Figura 2C). El desempeño deficiente en Rosemount-CS podría
Verano fresco
Verano cálido

Verano cálido

Verano cálido

Verano cálido

Verano cálido

atribuirse a la falta de cronogramas detallados de manejo de cultivos, como fechas

continental

continental

continental

continental

continental

continental

exactas para la siembra, fertilización, labranza y cosecha. Las fechas estimadas de

Clima

las prácticas de manejo de cultivos realizadas con base en la experiencia de los

autores y los cronogramas generales de manejo de cultivos (USDANASS, 1997)
puede no representar bien el programa real implementado en la granja. En
Rosemount CS
Bondville-CS

Hidromiel-CC-Irr

Hidromiel-CS-Irr

contraste, los registros de gestión completos estaban disponibles en los tres sitios
Batavia CS
Nombre del sitioa

Hidromiel-CS

de Mead, que se creía que eran un factor importante que contribuía a la alta
tabla 1

precisión de SWAT-C en la simulación del rendimiento de los cultivos.

b“Sí”
a
816 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822

Tabla 2
Comparación entre la NEE diaria promedio plurianual simulada y observada (kg C ha−1día−1) y ET (mm H2oh día−1) para todos los días, temporada de crecimiento (mayo-octubre) y temporada de no crecimiento (noviembre-
abril), respectivamente.

Sitios NEE (todos los días) ET (todos los días)

Observado Simulado PBIAS Observado Simulado PBIAS

Bondville-CS − 8.10 − 7,47 − 7,78% 1.8 1.71 − 5,00%

Batavia CS − 7.14 − 10,63 48,88% 1.86 1.65 − 14,06%
Hidromiel-CS − 8,77 − 10,97 25,09% 1.74 1.57 − 9,77%
Hidromiel-CC-Irr − 11.13 − 15,86 42,50% 1.99 1.93 − 3,02%
Hidromiel-CS-Irr − 11,66 − 16.39 40,57% 1.91 1.75 − 8,38%
Rosemount CS − 3,73 − 0,41 − 89,01% 1.56 1.59 2,56%

Sitios NEE (temporada de crecimiento) ET (temporada de crecimiento)

Observado Simulado PBIAS Observado Simulado PBIAS

Bondville-CS − 18.48 − 27,3 47,73% 2.65 2.68 1,13%

Batavia CS − 22.45 − 25.13 11,94% 2.75 2.41 − 12,36%
Hidromiel-CS − 24.47 − 29.04 18,68% 2.8 2.5 − 10,71%
Hidromiel-CC-Irr − 31.07 − 45,83 47,51% 3.22 3.08 − 4,35%
Hidromiel-CS-Irr − 15.59 − 22.48 44,19% 3.13 2.88 − 7,99%
Rosemount CS − 11,73 − 12.27 4,60% 2.46 2.72 10,57%

Sitios NEE (temporada sin crecimiento) ET (temporada sin crecimiento)

Observado Simulado PBIAS Observado Simulado PBIAS

Bondville-CS 4.33 14.07 224,94% 0.97 0.72 − 25,77%

Batavia CS 9.41 7.45 − 20,83% 0.9 0,67 − 25,56%
Hidromiel-CS 8.45 8.51 0.71% 0,68 0,64 − 5,88%
Hidromiel-CC-Irr 11.07 16.89 52,57% 0,66 0,64 − 3,03%
Hidromiel-CS-Irr 9.67 10.19 5,38% 0.71 0,61 − 14,08%
Rosemount CS 5.57 12.77 129,26% 0,66 0.53 − 19,70%

Además, analizamos el rendimiento anual de cultivos simulado y observado (
Fig. 3). El gráfico de rendimiento anual de cultivos en Rosemount-CS confirmó que
la falta de datos detallados de gestión de cultivos puede reducir sustancialmente
el rendimiento del modelo, lo que concuerda con estudios anteriores (Kutsch et
al., 2010; Eugster et al., 2010). Rosemount-CS se excluyó del siguiente análisis en
esta sección. Para hidromiel-CC-Irr,PBIAS del rendimiento de maíz simulado
estuvo dentro de ±15% para cada año de maíz, lo que indica la solidez del
algoritmo de crecimiento y desarrollo de maíz en SWAT-C. Para los otros dos sitios
Mead con rotaciones CS, observamos
rendimiento inconsistente de SWAT-C con respecto al maíz y la soja. En
promedio, el desempeño SWAT para el maíz fue superior al de la soja. En la
mayoría de los años,PBIASdel maíz el rendimiento fue inferior al 15%,
mientras que el de la soja fue superior al 20%.
Un examen más detallado de los resultados de Mead-CS y Mead-CS-Irr mostró
que SWAT-C se desempeñó ligeramente mejor en condiciones de riego,
especialmente durante el primer año. El desempeño relativamente pobre de
SWAT-C en el primer año en sitios de secano podría estar relacionado con los
supuestos inadecuados de la nieve inicial y la humedad del suelo. para sitios

Fig. 3.Rendimiento de cultivo anual simulado y observado en Mead-CS, Mead-CS-Irr, Mead-CC-Irr y Rosemount-CS.
 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822 817

con riego, el agua añadida podría anular en gran medida los efectos de la estimación
inicial del contenido de agua en la dinámica de la humedad del suelo y en el crecimiento
de las plantas durante la siguiente temporada de crecimiento, lo que lleva a una
simulación más realista del crecimiento y desarrollo de los cultivos. La inicialización de
otras variables, como la concentración de nitrógeno y los residuos de SOM, también
pueden ejercer una influencia pronunciada en la simulación del crecimiento de las
plantas y deben investigarse más a fondo.
En general, los resultados derivados del examen de las simulaciones de
rendimiento de cultivos en los cuatro sitios corroboran investigaciones anteriores
de que SWAT-C es capaz de simular bien la producción de cultivos promedio a
largo plazo (por ejemplo,Srinivasan et al., 2010; Nair et al., 2011; Ávila-Carrasco et
al., 2012). También vale la pena señalar que el rendimiento de los cultivos es solo
una fracción de la producción total de biomasa o NPP. Los errores asociados con
los parámetros de cultivo como el índice de cosecha (la fracción cosechada de la
biomasa aérea) y la relación raíz-tallo pueden causar incertidumbres pronunciadas
en la predicción de la biomasa total o la PPN, incluso cuando el rendimiento del
cultivo se pronostica con precisión.

3.2. Rendimiento promedio de varios años de SWAT-C para simular NEE

y ET

Se evaluó la capacidad de SWAT-C para abordar simulaciones de NEE y ET

promedio de varios años (Tabla 2). Como NEE se compone de NPP y respiración
del suelo, analizamos más el flujo de C simulado y observado con respecto a la
temporada de no crecimiento (noviembre-abril) que estuvo dominada por la
respiración heterótrofa y la temporada de crecimiento (mayo-octubre) cuando
ambos NPP y se produjo respiración heterótrofa. También se realizó un análisis de
todos los días teniendo en cuenta las temporadas de crecimiento y no crecimiento
para evaluar el rendimiento general del modelo. Como no todos los días tenían un
registro observado (tabla 1), calculamos los coeficientes de evaluación incluyendo
solo aquellos días con observaciones.
El rendimiento de SWAT-C varió sustancialmente entre los seis sitios para
la simulación NEE (Tabla 2). Para el análisis de todos los días de NEE, SWAT-C
se desempeñó mejor en Bondville-CS pero peor en Rosemount-CS, conPBIAS
de aproximadamente -8% y -90%, respectivamente. Para Batavia-CS y los
tres sitios de Mead,PBIASosciló entre 25 y 49%. Una evaluación adicional con
respecto a las temporadas de crecimiento y no crecimiento mostró que
PBIASen Bondville-CS fue el peor entre los seis sitios. En Bondville-CS, SWAT-
C predijo en exceso tanto el secuestro de carbono durante la temporada de
crecimiento como la respiración heterótrofa del suelo durante la temporada
de no crecimiento, lo que se compensó entre sí y resultó en un pequeño
sesgo de todos los días para las simulaciones NEE. Rosemount-CS tuvo la
mayor temporada sin crecimientoPBIASdel 129%, lo que explica en gran
medida el gran sesgo de todos los días. La magnitud dePBIASen Batavia-CS,
Mead-CS, Mead-CS-Irr y Mead-CC-Irr oscilaron entre 0 y 53 % a pesar de los
períodos de evaluación.
Observamos un rendimiento variable de SWAT-C con respecto a diferentes
períodos para la simulación ET (Tabla 2). Para comparaciones de todos los días y
temporadas de cultivo,PBIASde la ET diaria promedio simulada estuvo dentro del
15%. Sin embargo, durante la temporada de no crecimiento,PBIASde la ET diaria
promedio simulada en Bondville-CS, Batavia-CS y Rosemount-CS alcanzó 20%–
25%. En general, los sesgos relativamente pequeños en las simulaciones ET
mostraron que SWAT representó bien este importante componente del ciclo del
agua. Como la ET está estrechamente relacionada con otros procesos clave del
ciclo del agua (como la infiltración y la humedad del suelo) y las características de Figura 4.Correlación espacial entre el NEE promedio diario simulado y observado.

la planta (por ejemplo, LAI y conductancia estomática), inferimos que SWAT

funcionó bien para la simulación del ciclo del agua en los sitios de prueba.
El rendimiento de SWAT-C durante la temporada de crecimiento en
Bondville-CS y Rosemount-CS fue comparable al de los otros cuatro sitios.
Esto indicó que el desempeño significativamente reducido de SWAT-C en
Bondville-CS y Rosemount-CS durante la no producción no se explicaba
completamente por la incompletitud de los datos de manejo de cultivos. Un
factor que contribuye al gran sesgo en Bondville-CS y Rosemount-CS podría
ser el crecimiento no abordado de malezas o cultivos de cobertura durante
la temporada de no crecimiento, que secuestraron el CO atmosférico.2en la
vegetación y CO negado2emisiones de la respiración heterótrofa del suelo,
en consecuencia resultó en la subestimación de NEE. Este fenómeno fue evidente,
especialmente en el sitio de Bondville-CS sin labranza cuando se examinó usando
datos diarios (ver S2 en el documento complementario).
3.3. Capacidad SWAT-C para explicar la variación espacial de NEE
SWAT-C explicó la mayor parte de la variación espacial del NEE promedio en los seis
sitios para los análisis de todos los días y de la temporada de crecimiento, pero tuvo un
desempeño mucho más pobre para la temporada de no crecimiento (Figura 4). SWAT-C
capturó más del 90% de la variación espacial entre sitios de varios años
818 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822

NEE promedio diario, como lo indica unR2valor de 0.92 (Figura 4a). Se
obtuvieron resultados similares para el análisis de la temporada de
crecimiento (Figura 4b), porque el NEE de ciclo vegetativo tuvo una
magnitud mayor que el de ciclo inactivo y dominó el patrón de NEE de todos
los días. SWAT-C explicó alrededor del 88% de la variación espacial del NEE
diario promedio de varios años durante la temporada de crecimiento. Para
la temporada de no crecimiento, la correlación espacial (R2) calculado
utilizando los datos de los seis sitios fue 0,01, en comparación con 0,78 al
excluir Bondville-CS y Rosemount-CS (Figura 4c), que no poseía datos
completos de manejo de cultivos y puede complicarse por el crecimiento de
vegetación no registrado.
La capacidad de SWAT-C para abordar bien la variación espacial de todos los
días NEE fue una evidencia sólida que respalda su aplicabilidad para la estimación
espacialmente explícita y de gran área del intercambio de C entre la tierra y la
atmósfera, según la influencia de diferentes prácticas de manejo de cultivos.
SWAT-C se desempeñó de manera desigual para los sitios con diferente calidad de
datos de entrada, clima, suelos y prácticas de manejo de cultivos.
3.4. Examen diario del rendimiento SWAT-C
Los registros diarios se utilizaron para examinar más a fondo el rendimiento
de SWAT-C e identificar y analizar las debilidades potenciales que pueden limitar
su aplicación en diversos entornos. Para eliminar los efectos de la falta de datos de
entrada en la evaluación del modelo (Kutsch et al., 2010; Eugster et al., 2010),
excluimos Bondville-CS y Rosemount-CS por datos de manejo de cultivos
incompletos y crecimiento de vegetación no registrado durante el período sin
crecimiento.
El análisis con datos de todos los días mostró que SWAT-C capturó más del 60
% de la variación temporal del NEE y ET diarios observados en cada uno de los
cuatro sitios examinados aquí (higos. 5 y 6). Se observó una diferencia notable
entre el rendimiento de SWAT-C para las temporadas de crecimiento y no
crecimiento. Para la temporada de no crecimiento, explicó SWAT-Cb36% de la
varianza del NEE diario observado, en comparación connorte66% para la
temporada de crecimiento, lo que indica que SWAT-C funcionó mejor para estimar
el intercambio de C entre la tierra y la atmósfera durante los períodos

Figura 5.NEE diario simulado y observado en Batavia-CS, Mead-CC-Irr, Mead-CS-Irr y Mead-CS.

 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822 819

Figura 6.Lo mismo queFigura 5, pero para ET.

dominado por vegetación CO2absorción que para simular la respiración del suelo, lo cual
fue consistente con los resultados presentados enSecciones 3.2 y 3.3. SWAT-C
generalmente supera la NEE predicha durante un corto período de tiempo posterior a la
cosecha (Figura 5). Esto podría deberse a la suposición en SWAT-C de que el material
vegetal muerto es plano inmediatamente después de la cosecha, lo que puede no
corresponder bien con las condiciones reales en las que el material vegetal muerto está
en pie y gradualmente caerá al suelo. Dado que el material vegetal en pie estaba menos
expuesto a la descomposición microbiana que el que estaba en contacto con los suelos,
los valores de NEE simulados por SWAT-C estaban sesgados hacia la predicción excesiva
de la emisión de C durante el período inmediatamente posterior a la cosecha, lo que
condujo a un rendimiento relativamente bajo en la captura de los patrones temporales
de la respiración heterótrofa. La incorporación de ecuaciones mecánicas en SWAT para
describir el estado y las características del material vegetal plano y en pie sobre el suelo
promete mejorar aún más SWAT-C para la predicción de la respiración del suelo.
De manera similar a los resultados de NEE, SWAT-C funcionó mejor para simular la ET de la
temporada de crecimiento que la temporada de no crecimiento (Figura 6). también se encontró
SWAT-C se desempeñó mejor en la representación de patrones de ET a lo largo de la
temporada (incluidos los períodos de crecimiento y no crecimiento) que los patrones
dentro de la temporada (ya sea la temporada de crecimiento o no). Se creía que la gran
variabilidad en los datos de ET a lo largo de la temporada y la capacidad de SWAT-C para
simular bien la magnitud de la ET para cada período de tiempo separado explicaban el
mejor rendimiento a lo largo de la temporada que dentro de la temporada. La
comparación adicional entre la ET diaria simulada y observada permitió identificar y
analizar posibles insuficiencias de las simulaciones SWAT con una resolución más fina
que el uso de datos promedio de varios años. Por ejemplo, para los sistemas de cultivo
de secano, SWAT-C pronosticó cerca de 0 ET durante varios días durante la temporada de
crecimiento (por ejemplo, del 18 al 27 de agosto de 2006 en Batavia-CS y del 4 al 8 de
septiembre de 2003 en Mead-CS;Figura 6a & c), mientras que las torres de flujo
observaron una cantidad significativa de ET para los mismos períodos, con norte3 mm de
altura2oh día−1en Batavia-CS ynorte2 mm de altura2oh día−1en Mead-CS, respectivamente.
SWAT-C agotó la humedad del suelo hasta el punto de marchitamiento y no había agua
del suelo disponible para satisfacer la demanda de evaporación del suelo y transpiración
de las plantas. Esto, hasta cierto punto, indicaba agua SWAT-C
820 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822
los algoritmos de ciclo pueden haber drenado demasiada agua en condiciones
secas o sobrestimar el contenido de agua del suelo en un nivel de punto de
marchitez. La investigación con datos del ciclo del agua más completos y
coubicados sería útil para determinar aún más los factores causales y
proporcionar información útil para mejorar SWAT.
Los altos todos los díasR2los valores en todos los sitios demostraron el
desempeño constante de SWAT-C para abordar la mayoría de las variaciones
diarias (alrededor del 66–77 %) de NEE y ET. Sin embargo, es posible que SWAT-C
no represente los procesos de pozos relacionados con el material vegetal plano y
en pie y el ciclo del agua en condiciones secas, que merecen más investigación y
mejoras.
3.5. Desempeño SWAT-C con respecto a maíz y soja
El desempeño desigual de SWAT-C con respecto a los rendimientos de
maíz y soja planteó preocupaciones sobre su desempeño específico de
cultivo para NEE y ET. Aquí solo se emplearon los sitios Mead-CS y Mead-CS-
irr en este análisis, porque Mead-CC-Irr no incluía soja en rotación;
Bondville-CS y Rosemount-CS poseían una programación detallada de
gestión de cultivos; y Batavia-CS no cubrió dos años completos. Debido al
número variable de registros faltantes distribuidos a lo largo de los años (
tabla 1), no analizamos los datos a escala anual, sino que calculamosPBIASyR
2utilizando registros diarios observados en años de maíz y soja,
respectivamente. Con respecto a ET, SWAT-C obtuvo un desempeño similar
tanto para maíz como para soya (Tabla 3). Sin embargo, encontramos una
diferencia notable entre el rendimiento de SWAT-C con respecto al maíz y la
soja para las simulaciones NEE. SWAT-C sobreestimó la NEE para el maíz en
un 20-30 %, pero por debajo de la NEE pronosticada para la soja en más del
50 % (Tabla 3).R2
mostró que SWAT-C en general explicaba más la variación del NEE diario para el
maíz que para la soja. Dado que muchos factores interrelacionados (como la
calidad de los datos de entrada y la precisión de los algoritmos de crecimiento de
las plantas y el enrutamiento del agua) influyeron en las simulaciones de NEE, fue
difícil identificar las causas específicas del rendimiento variado de SWAT-C con
respecto al maíz y la soja. La configuración de los parámetros de maíz y soja en
SWAT-C (p. ej., LAI, índice de cosecha y relación raíz-tallo) merecen un examen más
profundo con observaciones de campo de alta calidad para mejorar su
aplicabilidad en la estimación de CO en tierras de cultivo2flujo en regiones
dominadas por el maíz y la soja (por ejemplo, el medio oeste de EE. UU.).
3.6. El desempeño de SWAT-C en comparación con otros modelos de ecosistemas terrestres y la
literatura informaron pérdidas de SOC erosionadas y lixiviadas
Como parte de una intercomparación completa de modelo y datos de CO2
intercambio en América del Norte (Schwalm et al., 2010), se examinaron 20
modelos de biosfera para simular el flujo de carbono de las tierras de cultivo en un
paso de tiempo mensual para los tres sitios de Mead y Batavia-CS. De los
diagramas de caja de los conjuntos de la métrica de habilidad de TaylorSen
Schwalm et al. (2010), estimamos los rangos comob0,01–0,97, 0,01–0,97, 0,01–0,96
y 0,01–0,96 para Batavia-CS, Mead-CC-Irr, Mead-CS-Irr y Mead-CS,
respectivamente, y la mediana concomitanteSlos valores fueron 0,48, 0,64,
Tabla 3
Comparación entre NEE diario simulado y observado (kg C ha−1d−1) y ET (mm H2oh día−1) con respecto a los años de maíz y soja. (Promedio observado, promedio simulado, PBIAS,yR2se
calcularon utilizando valores diarios en años de maíz o años de soja).
Sitio NEE (años de maíz)
Promedio observado Promedio simulado PBIAS
Hidromiel-CS − 38,99 − 45,73 17,29%
Hidromiel-CS-Irr − 28,27 − 36,24 28,19%
Sitio ET (años de maíz)
Promedio observado Promedio simulado PBIAS
Hidromiel-CS 1.76 1.57 − 10,80%
Hidromiel-CS-Irr 3.13 2.88 − 7,99%
0,62 y 0,76. Al agregar la serie de tiempo diaria de NEE, calculamos
mensualmenteSpara SWAT-C en cada uno de los cuatro sitios. Estos valores
fueron 0,98, 0,92, 0,97 y 0,96 para Batavia-CS, Mead-CC-Irr, Mead-CS-Irr y
Mead-CS, respectivamente, lo que indica que el rendimiento de SWAT fue
consistentemente comparable con los mejores modelos en cada sitio y
mucho mejor que los medianos. Como no se proporcionaron detalles sobre
el rendimiento de cada modelo por sitio enSchwalm et al. (2010), aquí no
discutimos el rendimiento relativo de SWAT-C en comparación con un
modelo de biosfera específico.
Cabe resaltar quePublicar et al. (2007a,b)extendió el Modelo Integrado de
Suelo y Agua (SWIM,Krysanova et al., 1998), un modelo de cuenca hermano de
SWAT, con un módulo de carbono y nitrógeno del suelo (SCN) que dividió los
residuos de MOS en materia orgánica activa (AOM) y materia orgánica primaria
(POM). El POM contenía cinco fracciones para cada tipo de vegetación y cultivo. La
diferencia entre SWAT-C y SWIM-SCN en términos de representación de reservas
de carbono y complejidad de los procesos de flujo de carbono exige una
comparación de los dos modelos de cuencas contra conjuntos de datos confiables
para mejorar nuestra comprensión de su aplicabilidad para estudiar futuros
agroecosistemas. Además, se espera que las predicciones del modelo de conjunto
de estos dos modelos de cuenca ayuden a mejorar nuestra comprensión de las
incertidumbres de la dinámica del carbono de la cuenca fluvial que resultan de la
incertidumbre de la estructura del modelo.
Las observaciones conjuntas de los datos de pérdida de COS a través de
los procesos de erosión y lixiviación no estaban disponibles en los sitios de
evaluación; por lo tanto, comparamos el SOC anual erosionado y lixiviado
previsto por SWAT-C con los rangos de estas dos variables informados en la
literatura. SWAT-C pronosticó una pérdida anual de C erosionado en los seis
sitios entre 9 y 80 kg C ha−1año−1, bien dentro del rango (5,9 a 191 kg C ha−1
año−1) de observaciones durante años de maíz y soja en un campo
experimental en Coshocton, OH (Hao et al., 2001; Izaurralde et al., 2007). Las
pérdidas por lixiviación de DOC han sido reportadas como un componente
importante del balance de carbono del ecosistema. Basado en experimentos
de campo agrícola realizados en los EE. UU. y Europa (Brye et al., 2001;
Kindler et al., 2011; Walmsley et al., 2011), el rango de DOC de las tierras de
cultivo lixiviado del fondo del suelo estuvo entre 28 y 58 kg C ha−1año−1, que
se comparó favorablemente con las pérdidas de DOC simuladas por SWAT-C
en los seis sitios (23–93 kg C ha−1año−1). Estas comparaciones, hasta cierto
punto, indicaron que SWAT-C pudo capturar bien el orden de magnitud de
las pérdidas de COS a través de la erosión y la lixiviación.
4. Conclusiones
En esta investigación, incorporamos una versión revisada del modelo de
carbono CENTURY en SWAT para predecir el intercambio de C entre la tierra
y la atmósfera. Seleccionamos CENTURY por su amplio uso y robustez
comprobada. También heredamos mejoras deIzaurralde et al. (2006)para
acoplar la dinámica C con otros procesos biofísicos y biogeoquímicos (como
la erosión del suelo y la lixiviación del agua) representados en SWAT.
Evaluamos este nuevo modelo SWAT-C con datos de rendimiento de cultivos
anuales y observaciones diarias de EC de NEE y ET en seis sitios en el medio oeste
de EE. UU. El análisis de comparación mostró que SWAT simuló bien
NEE (años soja)
R2 Promedio observado Promedio simulado PBIAS R2
0,68 1.36 0.47 − 65,44% 0.54
0.81 1.99 − 1,01 − 150,75% 0,61
ET (años de soja)
R2 Promedio observado Promedio simulado PBIAS R2
0,66 1.72 1.56 − 9,30% 0,60
0,64 1.77 1.66 − 6,21% 0.72
 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822
rendimiento de cultivo anual y promedio multianual, excepto en un sitio sin datos
detallados de manejo de cultivo.PBIASde SWAT-C promedio multianual simulado ET
estuvo dentro del 15% para los seis sitios; SWAT-C explicó más del 90% de la variación
espacial del NEE promedio de varios años. Los análisis estacionales y diarios indicaron
que SWAT-C se desempeñó mejor en la temporada de crecimiento que en la temporada
de no crecimiento. El mejor rendimiento de SWAT-C durante la temporada de crecimiento
se justificó en gran medida por su sólido módulo de crecimiento de cultivos. Por el
contrario, el desempeño relativamente pobre de SWAT-C durante las temporadas de no
crecimiento podría deberse a la consideración inadecuada del crecimiento de la
vegetación (por ejemplo, malezas) después de la cosecha y las deficiencias en la
representación de la dinámica de los residuos planos y en pie. El análisis diario también
reveló que SWAT-C capturó la mayor parte de la variación temporal de NEE y ET en una
escala de tiempo diaria para cada sitio y mostró un rendimiento desigual con respecto al
maíz y la soja.
En comparación con 20 modelos de ecosistemas terrestres que se aplicaron en
Mead-CS, Mead-CC-Irr, Mead-CS-Irr y Batavia-CS, el rendimiento de SWAT-C fue
consistentemente comparable con los mejores modelos en cada sitio. SWAT-C
simula pérdidas de COS erosionadas y lixiviadas en comparación favorable con los
rangos informados en la literatura.
En general, los resultados de la prueba mostraron que SWAT-C simuló un
buen intercambio de C entre la tierra y la atmósfera en sitios en todo el medio
oeste de EE. UU. y con diferentes suelos, climas y prácticas de gestión. Se espera
que el nuevo SWAT-C sirva como una herramienta útil para ayudar en la gestión
sostenible de cuencas hidrográficas en un clima cambiante al permitir considerar
la captura/emisión de C. También notamos que se necesita una evaluación más
extensa de SWAT-C con observaciones de campo para mejorar aún más su solidez
y comprender las posibles incertidumbres de su aplicación en grandes regiones
con paisajes complejos.
Expresiones de gratitud
Nos gustaría agradecer a los dos revisores anónimos por sus
comentarios completos y constructivos, que mejoraron
sustancialmente la calidad de este documento. Agradecemos
sinceramente a la Dra. Cindy Keough del Laboratorio de Ecología de
Recursos Naturales de la Universidad Estatal de Colorado, por
compartir el código más reciente del modelo Daily CENTURY. Esta
investigación recibió apoyo financiero de la Oficina de Ciencias del DOE
(DE-FC02-07ER64494, KP1601050) y la Oficina de Eficiencia Energética y
Energía Renovable (DE-AC05-76RL01830, OBP 20469-19145) y la NASA
(NNH12AU03I y NNH08ZDA001N). Nos gustaría agradecer al equipo de
síntesis provisional a nivel del sitio del Programa de Carbono de
América del Norte, el Centro de datos temáticos de modelado y
síntesis, el Centro de archivo activo distribuido del Laboratorio Nacional
de Oak Ridge y el Centro de análisis de información de dióxido de
carbono, el sitio de Internet de la red AmeriFlux,
Apéndice A. Datos complementarios
Los datos complementarios a este artículo se pueden encontrar en línea en
http://dx.doi.org/10.1016/j.scitotenv.2013.06.056.
Referencias
Allmaras RR, Schomberg HH, Douglas Jr CL, Dao TH.Secuestro de carbono orgánico del suelo
potencial de adoptar la labranza de conservación en las tierras de cultivo de los Estados Unidos. J Soil Water
Conserv 2000;55:365–73.
Apezteguía HP, Izaurralde RC, Sereno R.Estudio de simulación de la dinámica de la materia orgánica del suelo.
como afectados por el uso del suelo y las prácticas agrícolas en el semiárido de Córdoba, Argentina. Labranza del
suelo Res 2009;102:101–8.
Arnold JG, Kiniry JR, Srinivasan R, Williams JR, Haney EB, Neitsch SL. suelo y agua
herramienta de evaluación archivo entrada/salida documentación versión 2009. Informe
técnico núm. 365. College Station, Texas: Centro de Investigación Blackland, Instituto de
Recursos Hídricos de Texas; 2011 [Disponible enhttp://swat.tamu.edu/media/19754/swat-
io-2009. pdf. (Verificado el 21 de agosto de 2012)].
Arnold JG, Srinivasan R, Muttiah RS, Williams JR.Modelado hidrológico de grandes áreas y
evaluación parte I: desarrollo del modelo. J Am Water Resour Assoc 1998;34:73–89.
Ávila-Carrasco JR, Dávila FM, Moriasi DN, Gowda PH, Bautista-Capetillo C, Echavarria-
Cháirez FG, Garbrecht JD, Steiner JL, Howell TA, Kanemasu ET, Verser AJ, Wagner
821
K, Hernández J.Calibración de SWAT2009 utilizando biomasa de cultivos, evapotranspiración
y recarga profunda: estudio de caso de la cuenca de Calera en Zacatecas, México. J Water
Resour Prot 2012;4(7):439–50.
Basso B, Gargiulod O, Paustiane K, Robertson GP, Porterd C, Grace PR, Jones JW.Procedimientos
para inicializar reservas de carbono orgánico del suelo en el modelo DSSAT-CENTURY para sistemas
agrícolas. Soil Sci Am J 2011;75:69–78.
Bernacchi CJ, Hollinger SE, Meyers T.La conversión del ecosistema maíz/soja a
la agricultura sin labranza puede resultar en un sumidero de carbono. Glob Chang Biol 2005;11:1867–
72. Brye KR, Norman JM, Bundy LG, Gower ST.Lixiviación de nitrógeno y carbono en agroecosistemas
y su papel en el potencial de desnitrificación. J Environ Qual 2001;30:58–70. Causarano HJ,
Shaw JN, Franzluebbers AJ, Reeves DW, Raper RL, Balkcom KS, Norfleet
ML, Izaurralde RC.Simulación de la dinámica del carbono orgánico del suelo a escala de campo
utilizando EPIC. Soil Sci Soc Am J 2007;71:1174–85.
Causarano HJ, Doraiswamy PC, McCarty GW, Hatfield JL, Milak S, Stern AJ.modelado PIC de
secuestro de carbono orgánico del suelo en tierras de cultivo de Iowa. J Environ Qual 2008;37:1345–
53. Causarano HJ, Doraiswamy PC, Muratova N, Pachikin K, McCarty GW, Akhmedov B,
Williams JR.Modelado mejorado del carbono orgánico del suelo en una región semiárida del
este central de Kazajstán utilizando EPIC. Agron Sustain Dev 2010;31:275–86.
Chertov OG, Komárov AS.SOMM: un modelo de la dinámica de la materia orgánica del suelo. modelo ecológico
1997;94:177–90.
Coleman K, Jenkinson DS.RothC-26. 3—un modelo para el recambio de carbono en el suelo. En:
Powlson DS, Smith P, Smith JU, editores. Evaluación de modelos de materia orgánica del suelo
utilizando conjuntos de datos existentes a largo plazo. Serie ASI de la OTAN IHeidelberg: Springer-
Verlag; 1996. pág. 237–46.
Eugster W, Moffat AM, Ceschia E, Aubinet M, Ammann C, Osborne B, Davis PA, Smith P,
Jacobs C, Moors E, Le Dantec V, Beziat P, Saunders M, Jans W, Grunwald T, Rebmann C,
Kutsch WL, Czerny R, Janous D, Moureaux C, Dufranne D, Carrara A, Magliulo V, Di Tommasi
P, Olesen JE, Schelde K, Olioso A, Bernhofer C, Cellier P, Larmanou E, Loubet B, Wattenbach
M, Marloie O, Sanz MJ, Sogaard H, Buchmann N.Efectos de la gestión en la respiración de las
tierras de cultivo europeas. Agric Ecosyst Environ 2010;139:346–62.
Franko U, Oelschlagel B, Schenk S.Simulación de temperatura, agua y nitrógeno
dinámica utilizando el modelo CANDY. Modelo Ecol 1995;81:213–22.
Fu S, Cabrera ML, Coleman DC, Kisselle KW, Garrett CJ, Hendrix Paul F, Crossley Jr DA.
Dinámica del carbono del suelo de labranza convencional y agroecosistemas sin labranza en Georgia
Piedmont: modelos HSB-C. Modelo Ecol 2000;131:229–48.
Gassman PW, Reyes M, Green CH, Arnold JG.La herramienta de evaluación del suelo y el agua: his-
desarrollo histórico, aplicaciones y direcciones futuras. Trans ASABE 2007;50: 1212–
50.
Gijsman AJ, Hoogenboom G, Parton WJ, Kerridge PC.Modificación de modelos de cultivo DSSAT para
sistemas agrícolas de bajos insumos que utilizan un módulo de residuos de materia orgánica del
suelo de CENTURY. Agron J 2002;94:462–74.
Grant RF, Juma NG, Robertson JA, Izaurralde RC, McGill WB.Cambios a largo plazo en el suelo C
bajo diferentes fertilizantes, estiércol y rotación: probando el modelo matemático
ecosys con datos de Breton Plots. Soil Sci Soc Am J 2001;65:205–14.
Griffis TJ, Zhang J, Baker JM, Kljun N, Billmark K.Determinación de la señal de isótopos de carbono
turas de mediciones micrometeorológicas: implicaciones para el estudio de los procesos de
intercambio biosphereatmosphere. Bound-Lay Meteorol 2007;123(2):201–18.
Gupta HV, Sorooshian S, Yapo PO.Estado de calibración automática para modelos hidrológicos:
comparación con la calibración experta multinivel. J Hydrol Eng 1999;4(2):135–43. Hansen S,
Jensen HE, Nielsen NE, Svendsen H.Simulación de la dinámica del nitrógeno y
producción de biomasa en trigo de invierno utilizando el modelo de simulación danés DAISY.
Fertil Res 1991;27:245–59.
Hao YL, Lal R, Izaurralde RC, Ritchie JC, Owens LB, Hothem DL.Evaluación histórica de
impactos agrícolas en la erosión del carbono orgánico del suelo en una cuenca de Ohio. Soil Sci 2001;
166: 116–26.
He X, Izaurralde RC, Vanotti MB, Williams JR, Thomson AM.Simulación de cultivo a largo plazo
productividad y dinámica del carbono orgánico del suelo con el modelo EPIC utilizando datos
de Arlington, WI. J Environ Qual 2006;35:1608–19.
IPCC (Panel Intergubernamental sobre Cambio Climático).Cambio climático 2007: el físico
base científica. En: Solomon S, Qin D, Manning M, Marquis M, Averyt K, Tignor MMB,
Miller Jr HL, Chen Z, editores. Contribución del grupo de trabajo I al cuarto informe
de evaluación del panel intergubernamental sobre cambio climático. Cambridge,
Reino Unido y Nueva York, NY, EE. UU.: Cambridge University Press; 2007a.
Izaurralde RC, Williams JR, Mcgill WB, Rosenberg NJ, Quiroga Jakas MC.Simulando suelo
Dinámica de C con EPIC: descripción del modelo y prueba contra datos a largo plazo. Modelo
Ecol 2006;192(3–4):362–84.
Izaurralde RC, Williams JR, Post WM, Thomson AM, Mcgill WB, Owens L, Lal R.
Modelado a largo plazo de la erosión y el secuestro de C del suelo a escala de cuencas
pequeñas. Cambio Climático 2007;80:73–90.http://dx.doi.org/10.1007/s10584-006-9167-6.
Izaurralde RC, Haugen-Kozyra KH, Jans DC, Mcgill WB, Grant RF, Hiley JC.Dinámica del suelo C:
Medición, simulación y escalado de sitio a región. En: Lai R, editor. Capítulo 37 en métodos de
evaluación del carbono del suelo. Boca Ratón, FL: Editorial Lewis; 2001. pág. 553–75. Jakeman
AJ, Hornberger GM.¿Cuánta complejidad se justifica en una lluvia-escorrentía?
¿modelo? Water Resour Res 1993;29:2637–49.
Jenkinson DS, Coleman K.Cálculo del aporte anual de materia orgánica al suelo a partir de
mediciones de carbono orgánico total y radiocarbono. Eur J Soil Sci 1994;45: 167–74.
Jones JW, Hoogenboom G, Porter CH, Boote KJ, Batchelor WD, Hunt LA, Wilkens PW,
Singh U, Gijsman AJ, Ritchie JT.El modelo del sistema de cultivo DSSAT. Eur J Agron
2003;18(3–4):235–65.
Kelly RH, Parton WJ, Crocker GJ, Grace PR, Klír J, Körschens M, Poulton PR, Richter DD.
Simulación de tendencias en el carbono orgánico del suelo en experimentos a largo plazo utilizando el
modelo CENTURY. Geoderma 1997;81:75–90.
Kemanian AR, Julich S, Manoranjan VS, Arnold JG.Integrar el ciclo del carbono del suelo con
la de nitrógeno y fósforo en el modelo de cuenca hidrográfica SWAT: teoría y prueba del
modelo. Modelo Ecol 2011;222(12):1913–21.
822 X. Zhang et al. / Ciencia del Medio Ambiente Total 463–464 (2013) 810–822
Kindler R, Siemens J, Kaiser K, Walmsley DC, Bernhofer C, Buchmann N, Cellier P,
Eugster W, Gleixner G, Grunwald T, Heim A, Ibrom A, Jones SK, Jones M, Klumpp K,
Kutsch W, Larsen KS, Lehuger S, Loubet B, Mckenzie R, Moors E, Osborne B,
Pilegaard K, Rebmann C , Saunders M, Schmidt MWI, Schrumpf M, Seyfferth J, Skiba
U, Soussana JF, Sutton MA, Tefs C, Vowinckel B, Zeeman MJ, Kaupenjohann M.La
lixiviación de carbono disuelto del suelo es un componente crucial del balance neto
de carbono del ecosistema. Glob Chang Biol 2011;17:1167–85.
Krysanova V, Müller-Wohlfeil DI, Becker A.Desarrollo y prueba de un espacio
modelo hidrológico/de calidad del agua distribuido para cuencas hidrográficas de mesoescala. Modelo Ecol
1998;106:263–89.
Kutsch WL, Aubinet M, Buchmann N, Smith P, Osborne B, Eugster W, Wattenbach M,
Schrumpf M, Schulze ED, Tomelleri E.La producción neta de bioma de rotaciones completas
de cultivos en Europa. Agric Ecosyst Environ 2010;139:336–45.
Lal R, Follett RF, Kimble J, Cole CV.Gestión de las tierras de cultivo de EE. UU. para secuestrar carbono en el suelo. j
Conservación del agua del suelo 1999;54:374–81.
Legados DR, McCabe GJ.Evaluar el uso de medidas de “bondad de ajuste” en hidrología
y validación de modelos hidroclimáticos. Water Res Res 1999;35(1):233–41. Leonard RA,
Knisel WG, Still DA.GLEAMS: efectos de la carga de agua subterránea en la agricultura
sistemas de gestión. Trans ASAE 1987;30(5):1403–28.
Li C, Frolking S, Harriss R.Modelización de la biogeoquímica del carbono en suelos agrícolas. Global
Biogeochem Cycles 1994;8:237–54.
McGill WB.Revisión y clasificación de diez modelos de materia orgánica del suelo (MOS). En:
Powlson DS, Smith P, Smith JU, editores. Evaluación de modelos de materia orgánica del suelo
utilizando conjuntos de datos existentes a largo plazo. Berlín: Springer; 1996. pág. 111–33.
McGill WB, Hunt HW, Woodmansee RG, Reuss JO.PHOENIX: un modelo de la dinámica
de carbono y nitrógeno en suelos de pastizales. En: Clark FE, Rosswall T, editores. Ciclos del
nitrógeno terrestre: procesos, ecosistema, estrategia e impactos de gestión, vol. 33. Toro
ecológico; 1981. pág. 49–115. [Estocolmo].
McGill WB, Cannon KR, Robertson JA, Cook FD.Dinámica de la biomasa microbiana del suelo y
C orgánico soluble en agua en Breton L después de 50 años de cultivo a dos rotaciones. Can J
Soil Sci 1986;66:1–19.
Moriasi DN, Arnold JG, Van Liew MW, Bingner RL, Harmel RD, Veith TL.Evaluación del modelo
Pautas generales para la cuantificación sistemática de la precisión en las simulaciones de cuencas hidrográficas.
Trans ASABE 2007;50(3):885–900.
Nair SS, King KW, Witter JD, Sohngen BL, Fausey NR.Importancia del rendimiento del cultivo en la calibración
herramientas de simulación de la calidad del agua de cuencas hidrográficas. J Am Water Resour Assoc 2011;47(6):
1285–97.
Papale D, Valentini R.Una nueva evaluación de los intercambios de carbono de los bosques europeos por eddy
flujos y espacialización de redes neuronales artificiales. Glob Chang Biol 2003;9:525–35. Parton WJ,
Ojima DS, Cole CV, Schimel DS.Un modelo general para la dinámica de la materia orgánica del suelo:
Sensibilidad a la química, textura y manejo de la cama. Modelado cuantitativo de procesos de
formación de suelos, especificación SSSA. Público n. 39, Madison, WI; 1994. pág. 147–67.
Parton WJ, Scurlock JMO, Ojima DS, Gilmanov TG, Scholes RJ, Schimel DS, Kirchner T,
Menaut JC, Seastedt T, García Moya E, Kamnalrut A, Kinyamario JI.Observaciones y modelado
de la dinámica de la biomasa y la materia orgánica del suelo para el bioma de pastizales en
todo el mundo. Global Biogeochem Cycles 1993;7:785–809.
Parton WJ, Schimel DS, Cole CV, Ojima DS.Análisis de los factores que controlan la materia orgánica del suelo
niveles de materia en los pastizales de las Grandes Llanuras. Soil Sci Soc Am J 1987;51:1173–
9. Post J, Conradt T, Suckow F, Krysanova V, Wechsung F, Hattermann FF.Integrado
evaluación de la sensibilidad al carbono del suelo de las tierras de cultivo al clima reciente y futuro en
la cuenca del río Elba. Hydrol Sci J 2008a;53:1043–58.
Post J, Hattermann FF, Krysanova V, Suckow F. Incertidumbre de parámetros y datos de entrada
estimación para la evaluación de la dinámica del carbono orgánico del suelo a largo plazo.
Software del modelo ambiental 2008b;23:125–38.http://dx.doi.org/10.1016/
j.envsoft.2007.05.010. Post J, Krysanova V, Suckow F, Mirschel W, Rogasik J, Merbach I.Integrado
modelado ecohidrológico de la dinámica de la materia orgánica del suelo para la evaluación
de los impactos del cambio ambiental en cuencas fluviales de meso a macroescala. Modelo
Ecol 2007a;206(1–2):93–109.
Post J, Krysanova V, Suckow F, Mirschel W, Rogasik J, Merbach I.Eco-hidrológico integrado
modelado de la dinámica de la materia orgánica del suelo para la evaluación de los impactos del
cambio ambiental en cuencas fluviales de meso a macroescala. Modelo Ecol 2007b;206:93–109.
Publicar WM, et al.Mejora del secuestro de carbono en los suelos de EE. UU. Biociencia 2004;54(10):
895–908.
Richardson CW, Bucks DA, Sadler EJ.El Proyecto de Evaluación de los Efectos de la Conservación
cuencas hidrográficas de referencia: síntesis de hallazgos preliminares. J Soil Water Conserv
2008;63:590–604.
Santhi C, Arnold JG, Williams JR, Dugas WA, Hauck L.Validación del modelo SWAT en
una gran cuenca fluvial con fuentes puntuales y difusas. J Am Water Resour Assoc
2001;37:1169–88.
Schwalm CR, Williams CA, Schaefer K, Anderson R, Altaf Arain M, Baker I, Barr A, Negro
TA, Chen G, Chen JM, Ciais P, Davis KJ, Desai A, Dietze M, Dragoni D, Fischer ML,
Flanagan LB, Grant R, Gu L, Hollinger D, Izaurralde RC, Kucharik C, Lafleur P, Law BE,
Li L, Li Z, Liu S, Lokupitiya E, Luo Y, Ma S, Margolis H, Matamala R, McCaughey H,
Monson RK, Oechel WC, Peng C, Poulter B, Price DT, Riciutto DM, Riley W, Sahoo AK ,
Sprintsin M, Sun J, Tian H, Tonitto C, Verbeeck H, Verma SB. Una intercomparación
modelo-datos de CO2intercambio durante un evento de sequía a gran escala:
resultados de la síntesis del sitio NACP. J Geophys Res 2010;115:G00H05. http://
dx.doi.org/10.1029/2009JG001229.
Smith p.Modelado de materia orgánica del suelo. En: Lal R, editor. Enciclopedia de la ciencia del suelo. NUEVA YORK:
Marcel Dekker Inc.; 2001.
Smith P, Martino D, Cai Z, Gwary D, Janzen H, Kumar P, McCarl B, Ogle S, O'Mara F, Rice
C, Scholes B, Sirotenko O.Agricultura. En: Metz B, Davidson OR, Bosch PR, Dave R,
Meyer LA, editores. Cambio climático 2007: mitigación. contribución del grupo de
trabajo III al cuarto informe de evaluación del panel intergubernamental sobre
cambio climático. Cambridge, Reino Unido y Nueva York, NY, EE. UU.: Cambridge
University Press; 2007.
Smith P, Lanigan G, Kutsch WL, Buchmann N, Eugster W, Aubinet M, Ceschia E, Beziat P,
Yeluripati JB, Osborne B, Moors EJ, Brut A, Wattenbach M, Saunders M, Jones M. Medidas
necesarias para evaluar el balance neto de carbono del ecosistema de las tierras de cultivo.
Agric Ecosyst Environ 2010;139:302–15.
Smith P, Smith JU, Powlson DS, McGill WB, Arah JRM, Chertov OG, Coleman K, Franco U,
Frolking S, Jenkinson DS, Jensen LS, Kelly RH, Klein-Gunnewiek H, Komarov AS, Li C, Molina
JAE, Mueller T, Parton WJ, Thornley JHM, Whitmore AP.Una comparación del rendimiento de
nueve modelos de materia orgánica del suelo utilizando conjuntos de datos de siete
experimentos a largo plazo. Geoderma 1997;81:153–225.
Personal de Estudio de Suelos. Servicio de Conservación de Recursos Naturales, Departamento de Estado de los Estados Unidos
Agricultura. Base de datos geográfica de estudio de suelos (SSURGO); 2011 [disponible en línea en
http://soildatamart.nrcs.usda.gov. Consultado el [12/06/2011]].
Srinivasan R, Zhang X, Arnold JG.SWAT sin medir: presupuesto hidrológico y rendimiento de cultivos
predicciones en la cuenca superior del río Mississippi. Trans ASABE 2010;53:1533–46. Taylor
K.E. Resumir múltiples aspectos del rendimiento del modelo en un solo diagrama.
J Geophys Res 2001;106:7183–92.http://dx.doi.org/10.1029/2000JD900719. Thomson AM,
Izaurralde RC, Rosenberg NJ, He X.Impactos del cambio climático en la agricultura
Potencial de secuestro de carbono en el suelo y la naturaleza en la llanura de Huang-Hai de
China. Agric Ecosyst Environ 2006;114(2–4):195–209.
Thornton PE, Running SW, White MA.Generación de superficies de meteorología diaria
variables sobre grandes regiones de terreno complejo. J Hydrol 1997;190:214–51. USDA NASS
(Estadísticas Agrícolas Nacionales del Departamento de Agricultura de los Estados Unidos)
Servicio). Fechas usuales de siembra y cosecha para cultivos extensivos de EE. UU. Disponible enhttp://
www.nass.usda.gov/Publications/Usual_Planting_and_Harvesting_Dates/uph97. pdf, 1997. [consultado
el 18 de octubre de 2011].
Van Liew MW, Veith TL, Bosch DD, Arnold JG.Idoneidad de SWAT para la conservación
proyecto de evaluación de efectos: una comparación en las cuencas hidrográficas USDA ARS. J Hydrol
Eng 2007;12(2):173–89.
Verma SB, et al.Intercambio anual de dióxido de carbono en cultivos de maíz de regadío y de secano
agroecosistemas. Agric para Meteorol 2005; 131: 77–96.
Vitousek PM, Turner DR, Parton WJ, Sanford RL.Descomposición de hojarasca en el Mauna Loa
matriz ambiental, Hawai: patrones, mecanismos y modelos. Ecología 1994;75:418–29.
Walmsley DC, Siemens J, Kindler R, Kirwan L, Kaiser K, Saunders M, Kaupenjohann M,
BA Osborne.La lixiviación de carbono disuelto de un suelo de tierras de cultivo irlandeses aumenta
con la reducción de la labranza y los cultivos de cobertura. Agric Ecosyst Environ 2011;142:393–402.
Wang X, He X, Williams JR, Izaurralde RC, Atwood JD.Sensibilidad e incertidumbre
análisis de productividad de cultivos y carbono orgánico del suelo simulado con EPIC.
Trans ASAE 2005;48:1041–54.
Wattenbach M, Sus O, Vuichard N, Lehuger S, Gottschalk P, Li L, Leip A, Williams M,
Tomelleri E, Kutsch WL, Buchmann N, Eugster W, Dietiker D, Aubinet M, Ceschia E, Béziat P,
Grünwald T, Hastings A, Osborne B, Ciais P, Cellier P, Smith P.El balance de carbono de las
tierras de cultivo europeas: una comparación entre sitios de modelos de simulación. Agric
Ecosyst Environ 2010;139:419–53.
Williams JR, Berndt HD.Predicción de la producción de sedimentos basada en la hidrología de la cuenca.
Trans ASAE 1977;20(6):1100–4.
Williams JR.El modelo ÉPICO. En: Singh VP, editor. Modelos informáticos de hidrología de cuencas.
Highlands Ranch, CO: Publicaciones de recursos hídricos; 1995. pág. 909–1000. Williams JR, Jones CA,
Kiniry JR, Spanel DA.El modelo de crecimiento de cultivos EPIC. Trans ASAE
1989; 32: 497–511.
Williams JR, Arnold JG, Kiniry JR, Gassman PW, Green CH.Historia del desarrollo del modelo
en Temple, Texas. Hydrol Sci J 2008;53:948–60.