Indice - Precedente - Siguiente

Aplicación avanzada 2. Estimación del potencial de tierras cultivables de secano

La determinación de la extensión y calidad de las tierras cultivables es uno de los resultados finales en el cálculo de la productividad. La Tabla 21 relaciona la extensión de tierras cultivables con las clases de productividad, de acuerdo con el conjunto de suposiciones B.

Este conjunto de suposiciones se refiere al potencial de producción de cultivos en todas las tierras que no corresponden a bosques y zonas naturales, o no pertenecen a una zona regable. Ahora bien, siempre que ha sido posible o adecuado, combinaciones secuenciales de dos o tres cultivos consecutivos han sido considerados para asegurar las mejores estimaciones en zonas sub-húmedas y húmedas.

Seis clases de aptitud fueron definidas relacionando la aptitud para un cultivo determinado con el rendimiento potencial máximo. Las clases C1 a C5 se refieren a rendimientos potenciales medios de > 80%, 60-80%, 40-60%, 2040% y 5-20% sobre el rendimiento agro-climático máximo. Es de resaltar que las zonas de clase C5 no son normalmente consideradas entre las opciones de cultivo viables, aunque se incluyen para indicar el nivel de producción de estas áreas marginales. Una sexta clase de aptitud se utiliza para clasificar las áreas que son completamente improductivas o que producen < 5 % del rendimiento máximo. Los datos correspondientes a esta sexta clase no se incluyen en la tabla de resultados.

El potencial de producción se calcula a partir de la extensión correspondiente a las clases de aptitud C1 a C4, exclusivamente. El potencial de producción medio, máximo y mínimo, así como los rendimientos se determinan de acuerdo con el modelo de DPC y sus probabilidades asociadas. Estas columnas se denominan como AVG, MIN y MÁX respectivamente. El uso múltiple de tierras con relación al tiempo, rotación de cultivos, se indica mediante el índice multi-cultivos (MCI).

La Tabla 21 muestra las estimaciones de tierra cultivable mediante la clase de productividad. El algoritmo utilizado para determinar las extensiones de área cultivable de secano, en un trabajo ZAE, funciona en dos fases. En primer lugar, se determina el cultivo (o combinación monocultivos) que es más apto bajo las peores condiciones climáticas, en función del modelo de DPC. A continuación, todas las combinaciones de cultivos que superan las limitaciones de estabilidad de producción (ej. los que quedan dentro de un rango tolerable de rendimiento con relación al mejor) se consideran en la selección final. Por último, entre todos los cultivos seleccionados, la combinación que maximiza la suma de extensiones de las clases C1 a C4 se considera definitoria del potencial de tierras cultivables en las diferentes celdas. Las extensiones de aptitud del primer tipo de cultivo en la combinación seleccionada (ej. el primer cultivo a desarrollar en el modelo secuencial de ellos) se consideran en los totales de tierras cultivables.

Aplicación avanzada 3. Distribución espacial de los recursos. Optimización de los usos de tierras

La optimización de los usos de tierras como único objetivo

La capacidad de soportar población, tal y como es considerada en esta publicación, se refiere al máximo potencial de los recursos edáficos y climáticos para producir alimentos energéticos y proteicas, a un determinado nivel tecnológico. Un nivel intermedio de insumos y tecnología es considerado en este caso (Fischer et al., 1996). La cuestión es simplemente cuanto alimento se puede producir en una tierra potencialmente apta bajo un tipo de uso óptimo.

Un ejemplo representativo puede ser el correspondiente al distrito Bungoma en Kenia, para el que se muestra en la Figura 10 la distribución del área cosechada tras la selección de una tierra óptima para conseguir producción máxima de alimentos. El escenario utilizado en este proceso de optimización incluya todas las tierras aptas para cultivo, además de los bosques y zonas naturales. Dado que se disponía del mapa de recursos tierra del distrito de Bungoma en forma digitalizada, fue fácil elaborar otro mapa mostrando el tipo de cereal que seria cultivado para conseguir dicho objetivo único de maximizar la producción de alimentos.

La optimización de los usos de tierras como objetivo múltiple

El ejemplo anterior mostró la aplicación de las técnicas de optimización lineal para el análisis de escenarios de uso de tierras con el único objetivo de maximizar la producción. Pero con frecuencia la especificación de un único objetivo no refleja adecuadamente las preferencias de los políticos o agricultores, que son de naturaleza diversa en muchos de los casos prácticos de optimización. La optimización multi-objetivos se ocupa del planeamiento de problemas y soluciones de una forma más real.

FIGURA 10. Área cosechada bajo máxima producción de alimentos en Bungoma

En el estudio de Kenia la principal preocupación fue el análisis de la capacidad de soportar una población potencial bajo varios escenarios de uso de tierras, considerando simultáneamente varios objetivos tales como maximizar la producción de pastos y cultivos, maximizar la autosuficiencia en producción agrícola, y minimizar los costos de producción y daños ambientales como consecuencia de la erosión de suelos. La optimización multi-objetivos se llevó a cabo a la vez que se hacía uso también de técnicas de apoyo a la decisión multi-criterios (MCDA) utilizando la metodología de decisión basada en la Aspiración/Reservación (ARDBS).

El programa de objetivos múltiples incluye los siguientes pasos:

1. maximizar la producción de alimentos (Food_val) (relación cosecha/ producción);
2. maximizar los ingresos netos (Net_rev);
3. minimizar los costos de producción;
4. maximizar el rendimiento bruto;
5. minimizar el uso cultivable (asignando el índice 1 para cultivos y O para pastos);
6. minimizar el área a cosechar;
7. maximizar la producción de alimentos (Food_min) (rendimiento mínimo de los peores años);
8. minimizar la erosión total (Eros_tot) (suma de todas las celdas con erosión);
9. maximizar el índice de auto-abastecimiento (SSR_v);
10. minimizar la erosión máxima (Eros_max) (mayor presencia de erosión por ha en una celda).

Los resultados del análisis realizado en el distrito de Bungoma se muestran en la Tabla 22. Las primeras 7 columnas de la tabla corresponden a los valores de los criterios obtenidos como soluciones cuando cada criterio es optimizado en sucesivas aproximaciones simples. Los elementos diagonales de la matriz representan los mejores valores para los siete criterios (ej. 1197.2, 1316.6, 96.2, 1010.5, 1164.9,1337.8, 12.2). Por el contrario, los peores valores corresponden a los más bajos de los criterios a ser maximizados (ej. Food_val = 742.ó, Net_rev = 783.0, Food_min = 548.4, SSR_v= 1000.0) y a los más altos de los criterios a ser minimizados (ej. Arable = 165.4, Eros_tot = 3527.0, Eros_max = 227.8).

TABLA 22. Resultados de un análisis ALDS en el distrito de Bungoma

Fuente: Fischer et al. (1996).

Las últimas cinco columnas de la Tabla 22 contienen los resultados correspondientes a un análisis interactivo multicriterio considerando cinco interacciones. Los resultados se obtienen con el programa informático a través de sucesivas pantallas que muestran gráficos de las variables de decisión pudiéndose hacer fácilmente (mediante el simple uso del "ratón" de la computadora) los cambios deseados en los valores de las variables.

Estos resultados muestran un modelo irregular de variación de las variables de decisión dentro de la secuencia MCD-B ... MCD-E. Generalmente el incremento en las tierras cultivables va acompañado de producciones más elevadas; y, a veces, el índice de auto-abastecimiento parece estar asociado a incrementos de erosión. La producción de alimentos, el retorno económico y la seguridad de alimentos en términos de garantía de la producción mínima en años malos y erosión máxima varian dentro de un margen pequeño y tiende a estabilizarse.

Dado que las soluciones contempladas producen unos índices de auto-abastecimiento por encima del 80% del limite mínimo que fue establecido para estos escenarios, la solución MCD-C aparece ser una buen opción al representar la mejor combinación relativa de valores de las variables de decisión.

Indice - Precedente - Siguiente