Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 548
Modelación DSSAT del maíz bajo cambio climático y
densidad de siembra en época lluviosa
DSSAT modeling of corn under climate change and planting density
during the rainy season
Brito-Gómez, Víctor Manuel
1
Herrera-Jácome, Darío Fernando
2
https://orcid.org/0000-0001-7655-1480
https://orcid.org/0000-0003-2569-796X
vbrito@uteq.edu.ec
dherreraj@uteq.edu.ec
Universidad Técnica Estatal de Quevedo, Ecuador,
Quevedo.
Universidad Técnica Estatal de Quevedo, Ecuador,
Quevedo.
Miranda-Monar, Gino Hipolito
3
Conrado-Palma, Diego Javier
4
https://orcid.org/0009-0000-9556-5298
https://orcid.org/0000-0002-1917-0814
gino.miranda2018@uteq.edu.ec
dconradop@uteq.edu.ec
Universidad Técnica Estatal de Quevedo, Ecuador,
Quevedo.
Universidad Técnica Estatal de Quevedo, Ecuador,
Quevedo.
Miranda-Monar, Heiddy Paola
5
https://orcid.org/0009-0009-3474-4263
heiddypmon.miranda@uteq.edu.ec
Universidad Técnica Estatal de Quevedo, Ecuador,
Quevedo.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n1/170
Resumen: El cultivo de maíz en época lluviosa es
vulnerable a la variabilidad climática; por ello se evaluó su
comportamiento agronómico bajo escenarios de cambio
climático y diferentes densidades de siembra mediante un
modelo de simulación de cultivos. Se integraron
mediciones de campo con información climática y edáfica
del sitio y se ejecutaron tres escenarios. Se analizaron
altura de planta, número de hojas, índice de área foliar,
biomasa aérea y radical y crecimiento radical. La validación
se efectuó comparando valores observados y simulados
con el coeficiente de determinación. En el primer escenario,
el número de hojas mostró una media observada de 15 y
una simulada de 16, y el índice de área foliar fue superior
en la simulación. En el tercer escenario, el modelo
sobreestimó la longitud radical y subestimó la altura de
planta, aunque mantuvo un ajuste alto para variables del
dosel. En conjunto, el modelo permitió representar la
dinámica vegetativa y respaldar decisiones de manejo ante
variabilidad climática en sistemas productivos de la zona.
Palabras clave: fenología, modelización, biomasa, Zea
mays.
Artículo Científico
Received: 26/Ene/2026
Accepted: 15/Feb/2026
Published: 12/Mar/2026
Cita: Brito-Gómez, V. M., Herrera-Jácome, D.
F., Miranda-Monar, G. H., Conrado-Palma, D.
J., & Miranda-Monar, H. P. (2026). Modelación
DSSAT del maíz bajo cambio climático y
densidad de siembra en época
lluviosa. Revista Científica Ciencia Y
Método, 4(1), 548-
562. https://doi.org/10.55813/gaea/rcym/v4/n1
/170
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 549
Artículo Científico
Abstract:
Corn cultivation during the rainy season can be affected by climate variability;
therefore, this study evaluated the agronomic performance of corn during the rainy
season under climate change and planting densities using a crop simulation model.
Field, climate, and soil data were integrated, and three scenarios were run; plant
height, number of leaves, leaf area index, above-ground and root biomass, and root
growth were analyzed. The simulation was validated by comparing observations and
simulations with the coefficient of determination. In the first scenario, the number of
leaves observed was 9 and the simulated number was 12, with a coefficient of
determination of 0.946; the leaf area index was 0.56 observed and 0.68 simulated. In
the third scenario, the simulated root length was 0.51 meters compared to 0.23 meters
observed, and the simulated height was 0.16 meters compared to 0.61 meters
observed. It is concluded that the model allows for the projection of corn development
and supports agronomic decisions in the face of short-term climate variability.
Keywords: phenology, modeling, biomass, Zea mays.
1. Introducción
El maíz se mantiene como un alimento básico y un componente clave de la seguridad
alimentaria, por lo que su productividad depende de prácticas de manejo que
optimizan el suelo y los nutrientes. En sistemas de producción, la labranza
mecanizada y la fertilización influyen en el establecimiento, el crecimiento y la
expresión del rendimiento, con efectos que cambian según el ambiente y el manejo.
Estos componentes determinan la eficiencia del uso de recursos y la estabilidad
productiva en el tiempo, y aportan evidencia aplicada para ajustar recomendaciones
agronómicas en condiciones reales (Vera et al., 2023).
En contextos donde coexisten productores tecnificados y de pequeña escala, el
rendimiento del maíz se explica por la interacción entre genotipo, manejo y ambiente.
La evaluación comparativa de híbridos permite describir diferencias en desarrollo
fenológico, vigor y rendimiento, y orienta la selección de materiales según condiciones
locales. Esta evidencia resulta relevante para reducir brechas de productividad,
especialmente cuando el acceso a información técnica es limitado. La literatura
nacional muestra que los híbridos responden de manera diferencial y que la elección
del material incide en la eficiencia del sistema bajo lluvia estacional (Guamán et al.,
2020).
La gestión del riesgo climático en maíz requiere herramientas que traduzcan
información meteorológica en respuestas agronómicas esperadas. Los modelos de
simulación basados en procesos, como el modelo CERES-Maíz integrado en el
Sistema de Apoyo para la Transferencia de Tecnología Agropecuaria, permiten
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 550
Artículo Científico
evaluar pronósticos agroclimáticos y explorar el desempeño de híbridos en distintas
localidades, en diferentes ventanas temporales, manteniendo coherencia fisiológica
en la simulación del cultivo. Su uso favorece la planificación de siembras, la
comparación de estrategias de manejo y la anticipación de escenarios productivos,
con base en validaciones frente a datos observados (Ordoñez, 2018).
El cambio climático modifica la disponibilidad hídrica y el balance térmico durante el
ciclo del maíz, lo que altera tasas de crecimiento, duración fenológica y potencial de
rendimiento. El aumento de temperatura puede acelerar el desarrollo y acortar etapas
críticas, mientras la variabilidad de lluvias condiciona la humedad del suelo y el estrés
hídrico. En consecuencia, se incrementa la incertidumbre productiva y se refuerza la
necesidad de estrategias de adaptación basadas en evidencia. Estudios describen
efectos del calentamiento global sobre el comportamiento del cultivo y destacan la
relevancia de evaluar escenarios futuros (Montilla-Pacheco & Pastrán-Calles, 2024).
La investigación sobre maíz incorpora enfoques de modelación para estimar
crecimiento y rendimiento bajo escenarios de clima cambiante, en época lluviosa y
seca. Revisiones especializadas señalan que los modelos integran procesos
fisiológicos, manejo y condiciones edáficas para comparar alternativas y evaluar
sensibilidad a temperatura y precipitación. También resaltan que la utilidad depende
de calibración y validación con información local, así como de variables que
representen el desempeño del cultivo. En conjunto, la literatura describe la modelación
como apoyo para diseñar medidas de adaptación y gestionar el riesgo climático en
sistemas maiceros (Noriega et al., 2021).
En este contexto, el desempeño del maíz durante la época lluviosa requiere ser
analizado, porque la precipitación, la humedad del suelo y la variabilidad térmica
condicionan el crecimiento y el desarrollo radical. Además, la densidad de siembra
modifica la competencia por luz, agua y nutrientes, y puede amplificar respuestas ante
condiciones climáticas cambiantes. Por ello, este trabajo evalúa el comportamiento
agronómico del maíz en la Finca La María de la Universidad Técnica Estatal de
Quevedo, mediante simulación y validación con datos de campo, para estimar la
capacidad predictiva del modelo y apoyar decisiones de manejo.
2. Materiales y métodos
La investigación se desarrolló en el Campus Universitario “La María” de la Universidad
Técnica Estatal de Quevedo, ubicado en el km 7 ½ de la vía Quevedo–El Empalme,
cantón Mocache, provincia de Los Ríos, Ecuador (1°3’18’’ S y 79°25’24’’ O), a 77,60
m s. n. m., durante la época lluviosa (diciembre–junio). El área corresponde a una
zona ecológica Bh-T, con topografía plana. Las condiciones agroclimáticas promedio
del sitio incluyeron temperatura media de 24,9 °C, humedad relativa de 87,71%,
precipitación anual de 2295,1 mm y heliofanía de 870,2 h año⁻¹. El estudio se
estructuró en tres escenarios de análisis, definidos para integrar condiciones
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 551
Artículo Científico
climáticas, edáficas y de manejo en el marco de la simulación y su contraste con
registros de campo.
Se adoptó un enfoque cuantitativo con integración de evaluación de campo y
simulación, con alcance descriptivo–correlacional, orientado a analizar la respuesta
del cultivo ante variabilidad climática y densidad de siembra. La información primaria
se obtuvo mediante mediciones periódicas del desarrollo del cultivo durante la etapa
vegetativa, mientras que la información secundaria provino de bases climáticas y de
la caracterización edáfica del sitio, empleadas como insumos para la parametrización
y ejecución del modelo DSSAT. Los registros climáticos (precipitación, temperatura
máxima y mínima y humedad relativa) se obtuvieron de una estación meteorológica
del área de estudio, se depuraron y se organizaron en el formato requerido por el
modelo para garantizar consistencia en la simulación.
Para el componente edáfico, se utilizó la caracterización del suelo de la finca,
incorporando información de textura, horizontes y propiedades físico-hídricas
necesarias para representar el balance de agua en el perfil. En DSSAT se configuró
el módulo de agua del suelo para simular la dinámica de almacenamiento y
movimiento de agua en función de los días después de la siembra, lo que permitió
analizar, por escenario, variables hidro-físicas derivadas del modelo, incluyendo
precipitación acumulada, agua total en el suelo, agua extraíble, drenaje profundo y
escorrentía acumulada. Esta salida del modelo se utilizó para interpretar el
comportamiento hídrico del perfil en época lluviosa y su relación con el desarrollo
vegetativo.
El material vegetal correspondió a maíz (Zea mays L.) y se trabajó con los híbridos
Esplendor y Advanta. La parametrización del cultivo consideró la duración del ciclo y
los rasgos fenológicos necesarios para la simulación, de manera que el modelo
pudiera reproducir la evolución del cultivo y permitir la comparación con las
observaciones de campo. Se definieron tres escenarios de simulación y se ejecutaron
con la combinación correspondiente de clima, suelo y manejo agronómico. El manejo
incorporado en la simulación incluyó la densidad de siembra y el número de semillas
por hoyo, como factores centrales del análisis, en conjunto con las condiciones
ambientales del periodo lluvioso.
El procedimiento se organizó en tres fases. En la primera se estableció el cultivo bajo
el manejo definido para el estudio y se realizó el monitoreo periódico de las unidades
evaluadas durante la etapa vegetativa. En la segunda se integraron los datos
climáticos, edáficos y de manejo en DSSAT para generar las simulaciones de cada
escenario, asegurando coherencia temporal entre registros meteorológicos y fechas
de siembra. En la tercera se contrastaron las variables simuladas y observadas para
valorar el desempeño del modelo y describir su capacidad para representar la
dinámica del cultivo en el periodo de evaluación, identificando concordancias y
discrepancias por escenario.
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 552
Artículo Científico
Las mediciones de campo se realizaron cada ocho días y se seleccionaron, para el
artículo, variables directamente comparables con las salidas del modelo y relevantes
para la etapa vegetativa: número de hojas, índice de área foliar, altura de planta,
materia seca total de planta, materia seca de raíz y longitud radical. La altura se midió
desde la base del tallo hasta el punto más alto de la planta; el número de hojas se
contabilizó considerando hojas completamente desplegadas. El índice de área foliar
se estimó a partir del largo y ancho de la hoja, aplicando un factor de ajuste de 0,75
para el cálculo del área foliar por hoja y su agregación por planta. Para materia seca
total, las muestras se secaron en estufa a 65–70 °C hasta peso constante y se
pesaron; para materia seca de raíz, las raíces se extrajeron, lavaron para eliminar
suelo adherido, se sometieron al mismo procedimiento de secado y se registró el peso
seco. La longitud radical se evaluó mediante muestreos en momentos representativos
del crecimiento y análisis en laboratorio.
El desempeño del modelo se evaluó mediante comparación entre valores observados
y simulados, utilizando el coeficiente de determinación, la raíz del error cuadrático
medio y el estadístico de concordancia, de acuerdo con el enfoque de validación
aplicado en el estudio. Los datos se registraron en libro de campo y se consolidaron
en una base digital por variable en hojas de cálculo; de forma paralela, los registros
climáticos y edáficos se depuraron para asegurar consistencia antes de su integración
a la simulación. La investigación se ejecutó en instalaciones universitarias como parte
de un proyecto institucional y no involucró participantes humanos ni experimentación
con animales, por lo que no requirió consentimiento informado ni evaluación por
comité de ética.
3. Resultados
3.1. Evaluación agroclimática del maíz en época lluviosa con DSSAT
3.1.1. Temperatura
Durante el periodo evaluado se registraron condiciones térmicas variables. La
temperatura máxima (Tmax) osciló entre 24.6 °C y 30.5 °C, mientras que la mínima
(Tmin) se mantuvo entre 17.9 °C y 20.4 °C. La temperatura media presentó un
comportamiento estable dentro de rangos típicos en climas tropicales, con variaciones
puntuales asociadas a la dinámica climática del sitio de estudio (Figura 1).
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 553
Artículo Científico
Figura 1
Temperatura máxima
Nota: (INAMHI. Instituto Nacional de Meteorología e Hidrología 2025).
3.2. Precipitación
La precipitación mostró alta variabilidad temporal, con registros entre 0 y 94.8 mm. En
paralelo, la nubosidad fluctuó entre 0.33 y 0.73, evidenciando días con cobertura
moderada a alta, coherentes con condiciones húmedas predominantes durante la
etapa de seguimiento del cultivo (Figura 2).
Figura 2
Precipitación
Nota: (INAMHI. Instituto Nacional de Meteorología e Hidrología 2025).
3.3. Radiación solar
La radiación solar presentó valores entre 7.2 MJ·m⁻²·d⁻¹ a 18.1 MJ·m⁻²·d⁻¹, con
variaciones marcadas entre fechas de muestreo. Los registros evidenciaron periodos
de menor disponibilidad energética asociados a la cobertura nubosa, alternados con
intervalos de mayor radiación incidente (Figura 3).
15
17
19
21
23
25
27
29
31
10 15 20 25 30 35 40 45 50 55 60
Temperatura °C
DDS
MAX TEMP °C MIN TEMP °C MED TEMP °C
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 554
Artículo Científico
Figura 3
Radiación solar
Nota: (National Aeronautics and Space Administration [NASA], 2026).
3.4. Suelo del escenario 1
En el Escenario 1 se describe la dinámica hídrica del suelo según los días después
de la siembra. La precipitación acumulada aumentó de forma marcada desde los 20
días y alcanzó sus máximos al final del periodo. Tras estos pulsos, el agua extraíble y
el drenaje respondieron con incrementos y picos, evidenciando sensibilidad del
sistema suelo planta. El agua total del suelo se mantuvo relativamente estable, con
fluctuaciones por infiltración, evaporación y percolación. La escorrentía acumulada fue
baja, lo que sugiere predominio de infiltración y disponibilidad hídrica para el cultivo
(Figura 4).
Figura 4
Dinámica del agua en el suelo
Nota: (Autores, 2026).
3.5. Suelo del escenario 2
Durante la etapa vegetativa, la precipitación acumulada mostró un incremento
sostenido con pulsos marcados después de los 20 días, alcanzando su máximo hacia
el final del periodo. Estos eventos se reflejaron en aumentos del drenaje y del agua
7
9
11
13
15
17
19
5 10 15 20 25 30 35 40 45 50 55 60
Radiación solar (MJ/m2.d )
DDS
Radiación solar
0
100
200
300
400
500
600
10 20 30 40 50 60
Balance hídrico (mm)
DDS
Agua del suelo Agua extraible Escorrentía acumulada
Drenaje Precipitación
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 555
Artículo Científico
extraíble, evidenciando una respuesta inmediata del suelo a los aportes hídricos. El
agua total del suelo se mantuvo en niveles altos y relativamente estables, con
fluctuaciones leves asociadas al balance entre infiltración, evaporación y percolación.
La escorrentía acumulada fue baja, lo que sugiere predominio de infiltración y pérdidas
superficiales limitadas (Figura 5).
Figura 5
Comportamiento de las variables hidro-físicas
Nota: (Autores, 2026).
3.6. Suelo del escenario 3
El agua total del suelo se mantuvo prácticamente constante durante el ciclo, con
valores cercanos a 680 mm, lo que evidencia alta capacidad de almacenamiento y
estabilidad de la humedad. La precipitación aumentó de forma progresiva y presentó
picos después de 50 DDS, asociados a incrementos del drenaje profundo y de la
escorrentía acumulada. Este patrón sugiere que, una vez alcanzada la capacidad de
campo, el exceso hídrico se pierde por percolación y escurrimiento superficial. En
paralelo, el agua extraíble mostró una tendencia levemente decreciente conforme
avanzaron los DDS, reflejando el consumo progresivo del cultivo (Figura 6).
Figura 6
Comportamiento hídrico
Nota: (Autores, 2026).
0
100
200
300
400
500
600
10 20 30 40 50 60
Balance hídrico (mm)
DDS
Agua del suelo Agua extraible Escorrentía acumulada Drenaje Precipitación
0
100
200
300
400
500
600
700
800
10 20 30 40 50 60
Balance hídrico (mm)
DDS
Agua del suelo Agua extraible
Escorrentía acumulada Drenaje
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 556
Artículo Científico
3.7. Validación del modelo DSSAT por escenarios de simulación en época
lluviosa
3.7.1. Escenario 1: desempeño del modelo en la simulación 1
En el Escenario 1, el componente fenológico y de dosel, DSSAT reprodujo de forma
consistente la dinámica del número de hojas y del índice de área foliar. La media
simulada superó ligeramente a la observada en hojas (16 frente a 15 hojas) y en IAF
(0.68 frente a 0.56, adimensional), con ratios de 1.39 y 1.84. El ajuste temporal fue
alto, con coeficientes de determinación de 0.946 (hojas) y 0.964 (IAF), además de
RMSE de 3.74 hojas y 0.14 unidades de IAF; los índices de concordancia (d-Stat) de
0.861 y 0.951 respaldaron una correspondencia adecuada entre series observadas y
simuladas (Tabla 1).
En la biomasa y la arquitectura, la simulación mostró sobreestimación en peso de raíz
MS (119 frente a 96 kg ha⁻¹) y en peso MS de planta completa (770 frente a 454 kg
ha⁻¹), con ratios de 1.41 y 1.66. Aunque el ajuste fue alto (R² de 0.917 para raíz y
0.956 para planta completa), el error fue mayor en la materia seca total (RMSE de
398.03 kg ha⁻¹), manteniendo una concordancia moderada (d-Stat de 0.85). En
contraste, el desempeño fue desigual en crecimiento: la altura fue subestimada (0.24
frente a 0.95 m; ratio 0.34), mientras que la longitud radical fue sobreestimada (0.64
frente a 0.22 m; ratio 3.24); si bien el R² fue 0.955 en raíz, los d-Stat de 0.54 (altura) y
0.34 (raíz) evidenciaron discrepancias en la magnitud y forma conjunta de las curvas
(Tabla 1).
Tabla 1
Validación del modelo en el escenario 1 (observado vs. simulado)
Variable
Media
observada
Media
simulada
Ratio
R²
RMSE
d-Stat
Número de hojas
15
16
1.39
0.946
3.74
0.861
Índice de área foliar
0.56
0.68
1.84
0.964
0.14
0.951
Peso de raíz (materia
seca) (kg ha⁻¹)
96
119
1.41
0.917
29.48
0.94
Materia seca planta
completa (kg ha⁻¹)
454
770
1.66
0.956
398.03
0.85
Altura de planta (m)
0.95
0.24
0.34
0.720
0.99
0.54
Longitud radical (m)
0.22
0.64
3.24
0.955
0.44
0.34
Nota: (Autores, 2026).
3.7.2. Escenario 2: desempeño del modelo en la simulación 2
En el Escenario 2, en las variables fenológicas el modelo mantuvo una alta capacidad
de seguimiento temporal. El número de hojas presentó una media simulada de 12
hojas frente a 11 observadas (ratio 1.61), mientras que el IAF alcanzó 0.92 en la
simulación frente a 0.76 observado (ratio 1.41). Los coeficientes de determinación
fueron elevados (0.982 en hojas y 0.970 en IAF), con RMSE de 5.26 hojas y 0.19
unidades de IAF. La concordancia fue moderada en hojas (d-Stat de 0.71) y alta en
IAF (d-Stat de 0.96), indicando un mejor desempeño del modelo al reproducir el
desarrollo del dosel que el conteo foliar en magnitud absoluta (Tabla 2).
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 557
Artículo Científico
En términos de biomasa y crecimiento, DSSAT sobreestimó el peso de raíz MS (157
frente a 88 kg ha⁻¹; ratio 1.84) y el peso MS de planta completa (977 frente a 574 kg
ha⁻¹; ratio 2.636). Aunque los ajustes fueron altos (R² de 0.949 en raíz y 0.966 en
materia seca total), los errores aumentaron notablemente para biomasa (RMSE de
80.18 kg ha⁻¹ en raíz y 509.52 kg ha⁻¹ en planta completa), manteniendo una
concordancia global aceptable (d-Stat de 0.778 y 0.85). En la arquitectura, se observó
subestimación de altura (0.27 frente a 0.59 m; ratio 0.58) y sobreestimación de longitud
radical (0.62 frente a 0.24 m; ratio 2.43); el ajuste fue moderado para altura (R² de
0.672) y alto para raíz (R² de 0.949), pero la concordancia de la raíz fue baja (d-Stat
de 0.34), sugiriendo desviaciones relevantes en la forma/magnitud del patrón radical
simulado (Tabla 2).
Tabla 2
Validación del modelo en el escenario 2 (observado vs. simulado)
Variable
Media
observada
Media
simulada
Ratio
R²
RMSE
d-Stat
Número de hojas
11
12
1.61
0.982
5.26
0.71
Índice de área foliar
0.76
0.92
1.41
0.970
0.19
0.96
Peso de raíz (materia
seca) (kg ha⁻¹)
88
157
1.84
0.949
80.18
0.778
Materia seca planta
completa (kg ha⁻¹)
574
977
2636
0.966
509.52
0.85
Altura de planta (m)
0.59
0.27
0.58
0.672
0.50
0.62
Longitud radical (m)
0.24
0.62
2.43
0.949
0.41
0.34
Nota: (Autores, 2026).
3.7.3. Escenario 3: desempeño del modelo en la simulación 3
En el Escenario 3, el componente fenológico, DSSAT reprodujo adecuadamente la
trayectoria del número de hojas (12 simuladas frente a 11 observadas; ratio 1.13) y
del IAF (0.38 frente a 0.22; ratio 2.07). El ajuste fue alto para hojas (R² de 0.987) y
aceptable para IAF (R² de 0.889), con RMSE de 2.58 hojas y 0.18 unidades de IAF.
Los índices de concordancia mostraron buen desempeño, con d-Stat de 0.89 para
hojas y 0.79 para IAF, indicando correspondencia sólida entre los patrones
observados y simulados pese al sesgo positivo en IAF (Tabla 3).
En la biomasa y arquitectura, el modelo sobreestimó el peso de raíz MS (100 frente a
69 kg ha⁻¹; ratio 1.66) con ajuste alto (R² de 0.985) y concordancia elevada (d-Stat de
0.903), mientras que en peso MS de planta completa la sobreestimación fue más
marcada (329 frente a 134 kg ha⁻¹; ratio 2.21), con R² de 0.979 pero concordancia
moderada (d-Stat de 0.61) y RMSE de 247.63 kg ha⁻¹. En crecimiento, la altura de
planta fue subestimada (0.16 frente a 0.61 m; ratio 0.32) con R² de 0.619 y d-Stat de
0.54, mientras que la longitud radical fue sobreestimada (0.51 frente a 0.23 m; ratio
2.14) con R² de 0.925, aunque con baja concordancia (d-Stat de 0.28), lo que
evidencia discrepancias importantes en la forma/magnitud del crecimiento radical
simulado bajo este escenario (Tabla 3).
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 558
Artículo Científico
Tabla 3
Validación del modelo en el Escenario 3 (observado vs. simulado)
Variable
Media
observada
Media
simulada
Ratio
R²
RMSE
d-Stat
Número de hojas
11
12
1.13
0.987
2.58
0.89
Índice de área foliar
0.22
0.38
2.07
0.889
0.18
0.79
Peso de raíz (materia
seca) (kg ha⁻¹)
69
100
1.66
0.985
37.77
0.903
Materia seca planta
completa (kg ha⁻¹)
134
329
2.21
0.979
247.63
0.61
Altura de planta (m)
0.61
0.16
0.32
0.619
0.61
0.54
Longitud radical (m)
0.23
0.51
2.14
0.925
0.33
0.28
Nota: (Autores, 2026).
4. Discusión
Las condiciones agroclimáticas evaluadas en época lluviosa evidencian un entorno
tropical donde la variabilidad de precipitación y temperatura actúa como un modulador
directo del desempeño agronómico del maíz, especialmente sobre el balance hídrico
y el desarrollo del dosel. Este comportamiento es consistente con la literatura que
atribuye al cambio climático y a la variabilidad intraestacional alteraciones en la
disponibilidad hídrica, la estabilidad productiva y la respuesta fisiológica del cultivo
(Intergovernmental Panel on Climate Change, 2022; Montilla-Pacheco & Pastrán-
Calles, 2024). En este marco, la modelación basada en procesos permite integrar
clima, suelo y manejo para interpretar trayectorias de crecimiento bajo escenarios
contrastantes y aportar evidencia útil para la toma de decisiones agronómicas
(Noriega et al., 2021; López-Escudero et al., 2025). Asimismo, DSSAT establece que
la consistencia predictiva depende de la calidad de series climáticas, la caracterización
del suelo y la calibración genética, particularmente cuando el objetivo es reproducir
patrones temporales del cultivo (Hoogenboom et al., 2017).
Desde una perspectiva metodológica, la pertinencia de usar simulación en maíz se
sustenta en su capacidad para evaluar respuestas del sistema cultivo–suelo bajo
condiciones variables sin depender exclusivamente de la repetición de ensayos de
campo. En concordancia con lo señalado por Hoogenboom et al. (2017), el
desempeño del modelo está condicionado por la coherencia interna entre entradas
climáticas, propiedades edáficas y parámetros del genotipo, lo que vuelve crítica la
consistencia de la parametrización cuando se analizan escenarios de alta variabilidad.
En esa línea, la integración de resultados bajo diferentes escenarios permite
interpretar cambios en el comportamiento del cultivo como producto de interacciones
complejas, más que como respuestas aisladas a un único factor ambiental (Noriega
et al., 2021; López-Escudero et al., 2025).
La dinámica hídrica del suelo mostró una respuesta coherente a los pulsos de
precipitación: incrementos de lluvia se reflejaron en variaciones del agua disponible y
del drenaje, con escorrentía relativamente baja en los escenarios donde predominó la
infiltración. Este comportamiento se asocia a perfiles con capacidad de retención y
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 559
Artículo Científico
conductividad adecuada, donde la precipitación se incorpora al suelo y el excedente
se expresa principalmente mediante percolación. Según Monge-Freile et al. (2025),
estos contextos suelen favorecer el aprovechamiento del agua por el cultivo cuando
el manejo acompaña las condiciones del suelo. Asimismo, estudios en maíz bajo
diferentes frecuencias de riego muestran variaciones morfológicas y de eficiencia
hídrica que pueden no trasladarse correctamente a simulación si el manejo y la
disponibilidad real de agua no están bien descritos (Monge-Freile et al., 2025). En
contraste, en el escenario con mayor estabilidad del almacenamiento total, los picos
tardíos de precipitación se asociaron a incrementos de drenaje profundo y escorrentía,
lo que sugiere episodios de saturación temporal y pérdidas por excedente hídrico una
vez superada la capacidad de almacenamiento del perfil (Colombi et al., 2024;
Intergovernmental Panel on Climate Change, 2022). Este resultado refuerza que la
disponibilidad hídrica no depende solo del agua almacenada, sino también de las rutas
de pérdida y del momento en que ocurren respecto al desarrollo fenológico (Noriega
et al., 2021).
En cuanto al desempeño del modelo, la validación mostró que DSSAT reproduce con
solidez el componente fenológico y la dinámica del dosel, coherente con estudios que
reportan alta capacidad del modelo para simular desarrollo foliar y variables asociadas
al crecimiento vegetativo cuando el genotipo y el ambiente están adecuadamente
parametrizados (Feleke et al., 2021; Jha et al., 2021). Este resultado es relevante
porque confirma que, bajo condiciones lluviosas, el modelo puede describir de manera
consistente la trayectoria del crecimiento temprano del cultivo, lo cual constituye un
requisito para utilizar simulación en análisis de manejo y de riesgo agroclimático
(Noriega et al., 2021; Hoogenboom et al., 2017). Además, la evidencia de que el ajuste
del dosel se mantiene estable a través de escenarios concuerda con aplicaciones del
modelo para comparar estrategias agronómicas, siempre que se preserve la
coherencia de los parámetros del cultivo y del ambiente (Kipkulei et al., 2022).
Sin embargo, se observó un patrón recurrente de sesgos en biomasa y variables
estructurales, con tendencia a sobreestimar componentes de materia seca y a
presentar discrepancias en la arquitectura (altura y crecimiento radical), lo que
coincide con trabajos que señalan alta sensibilidad de la partición de biomasa y del
sistema radical a parámetros genéticos, supuestos del balance hídrico y restricciones
del suelo que pueden no estar completamente capturadas en la configuración del
modelo (Attia et al., 2021; Ma et al., 2023; Abasolo-Pacheco et al., 2025). En
ambientes tropicales, estas desviaciones pueden amplificarse cuando la radiación
efectiva, la humedad y la competencia por recursos varían espacialmente, afectando
simultáneamente expansión foliar y asignación de asimilados (Kipkulei et al., 2022;
Vinces-Tachong et al., 2025). En consecuencia, la interpretación del desempeño debe
considerar que un buen seguimiento de la tendencia temporal no necesariamente
implica precisión equivalente en magnitudes absolutas de crecimiento y partición,
especialmente en componentes subterráneos.
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 560
Artículo Científico
Desde el punto de vista aplicado, los hallazgos respaldan que DSSAT es útil para
analizar escenarios y comparar estrategias de manejo en época lluviosa, pero que la
transferencia a recomendaciones exige fortalecer la calibración local, especialmente
del componente de biomasa y raíces, así como mejorar la representación del perfil
edáfico y del balance hídrico (Herrera et al., 2026; Hoogenboom et al., 2017). Además,
aunque el análisis se centra en clima y suelo, factores bióticos pueden introducir
variabilidad adicional en campo y contribuir a diferencias observado–simulado; por
ejemplo, el gusano cogollero puede afectar el área foliar efectiva y alterar la respuesta
productiva si no se controla oportunamente (Herrera-Jácome et al., 2023). En
conjunto, el estudio confirma el potencial del modelado para anticipar respuestas del
maíz bajo variabilidad climática, siempre que se complemente con calibración robusta
y contextualización agronómica del sistema productivo, particularmente en sistemas
con brechas tecnológicas y heterogeneidad de manejo (Guamán et al., 2020; Vera et
al., 2023; Noriega et al., 2021).
5. Conclusiones
La simulación con DSSAT evidenció capacidad para representar de forma consistente
el desarrollo vegetativo del maíz en época lluviosa bajo escenarios de variabilidad
climática y diferentes densidades de siembra, particularmente en variables del dosel
y la fenología, donde se mantuvieron altos niveles de ajuste entre valores observados
y simulados. El comportamiento del balance hídrico del suelo mostró una respuesta
marcada a los pulsos de precipitación, lo que permitió interpretar la disponibilidad de
agua y las rutas de pérdida por drenaje y escorrentía según el escenario. Persistieron,
no obstante, discrepancias en biomasa y en variables estructurales, con sesgos en
altura y crecimiento radical, lo que indica que la precisión mejora al fortalecer la
calibración local del genotipo y la parametrización del perfil edáfico. En conjunto, el
enfoque aporta una base sólida para sustentar decisiones de manejo y evaluación de
riesgo bajo condiciones climáticas cambiantes.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Abasolo-Pacheco, F., Sellan-Canales, M. J., García-Gallirgos, V. J., & Onofre-Correa,
J. A. (2025). Desarrollo vegetativo del maíz bajo influencia de diluciones
minerales y biológicas. Revista Científica Zambos, 4(2), 265-280.
https://doi.org/10.69484/rcz/v4/n2/121
Attia, A., El-Hendawy, S., Al-Suhaibani, N., Tahir, M. U., Mubushar, M., Vianna, M. dos
S., Ullah, H., Mansour, E., & Datta, A. (2021). Sensitivity of the DSSAT model
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 561
Artículo Científico
in simulating maize yield and soil carbon dynamics in arid Mediterranean
climate: Effect of soil, genotype and crop management. Field Crops Research,
260, 107981. https://doi.org/10.1016/j.fcr.2020.107981
Colombi, A., Bancheri, M., Acutis, M., Basile, A., Botta, M., & Perego, A. (2024). A
sound understanding of a cropping system model with the global sensitivity
analysis. Environmental Modelling & Software, 173, 105932.
https://doi.org/10.1016/j.envsoft.2023.105932
Feleke, H. G., Savage, M. J., & Tesfaye, K. (2021). Calibration and validation of
APSIM–Maize, DSSAT CERES–Maize and AquaCrop models for Ethiopian
tropical environments. South African Journal of Plant and Soil, 38(1), 36–51.
https://doi.org/10.1080/02571862.2020.1837271
Guamán Guamán, R. N., Desiderio Vera, T. X., Villavicencio Abril, Á. F., Ulloa
Cortázar, S. M., & Romero Salguero, E. J. (2020). Evaluación del desarrollo y
rendimiento del cultivo de maíz (Zea mays L.) utilizando cuatro híbridos.
Siembra, 7(2), 47–56. https://doi.org/10.29166/siembra.v7i2.2196
Herrera-Jácome, D., Herrera-Feijoo, R. J., Quiñonez-Saltos, A. M., & Carrión-Salazar,
B. E. (2023). Uso de trampas con feromonas sintéticas sexuales y uso de
insecticida orgánico para el control del gusano cogollero (Spodoptera
frugiperda) en el cultivo de maíz (Zea mays L.). Código Científico Revista de
Investigación, 4(E2), 1185–1202.
https://doi.org/10.55813/gaea/ccri/v4/nE2/217
Herrera, D., Brito, V., Corrales, R., Pillasagua, I., & Conrado, P. (2026). Características
productivas del cultivo de maíz (Zea mays L.) mediante la modelación de
DSSAT, frente al cambio climático en diferentes densidades de siembra en
época lluviosa. Revista G-Nerando, 6(2), 21–59.
https://doi.org/10.60100/rcmg.v7i1.903
Hoogenboom, G., Porter, C. H., Shelia, V., Boote, K. J., Singh, U., White, J. W., Hunt,
L. A., Ogoshi, R., Lizaso, J. I., Koo, J., Asseng, S., Singels, A., Moreno, L. P., &
Jones, J. W. (2017). Decision Support System for Agrotechnology Transfer
(DSSAT) (Version 4.7) [Software]. DSSAT Foundation. https://www.dssat.net/
Intergovernmental Panel on Climate Change. (2022). Climate change 2022: Impacts,
adaptation and vulnerability. Contribution of Working Group II to the Sixth
Assessment Report of the Intergovernmental Panel on Climate Change (H.-O.
Pörtner et al., Eds.). Cambridge University Press.
https://doi.org/10.1017/9781009325844
Jha, P. K., Ines, A. V. M., & Singh, M. P. (2021). A multiple and ensembling approach
for calibration and evaluation of genetic coefficients of CERES-Maize to
simulate maize phenology and yield in Michigan. Environmental Modelling &
Software, 135, 104901. https://doi.org/10.1016/j.envsoft.2020.104901
Kipkulei, H. K., Bellingrath-Kimura, S. D., Lana, M., Ghazaryan, G., Baatz, R., Boitt,
M., Chisanga, C. B., Rotich, B., & Sieber, S. (2022). Assessment of maize yield
response to agricultural management strategies using the DSSAT–CERES-
Maize model in Trans Nzoia County in Kenya. International Journal of Plant
Production, 16, 557–577. https://doi.org/10.1007/s42106-022-00220-5
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 562
Artículo Científico
López-Escudero, R. de J., Gallardo-López, F., López-Romero, G., Lango-Reynoso, V.,
López-Collado, C. J., & Inurreta-Aguirre, H. D. (2025). Modelos de simulación
de cultivos como herramienta para el análisis de agroecosistemas. Revista
Mexicana de Ciencias Agrícolas, 16(4), e3674.
https://doi.org/10.29312/remexca.v16i4.3674
Ma, H., Wang, J., Liu, T., Guo, Y., Zhou, Y., Yang, T., Zhang, W., & Sun, C. (2023).
Time series global sensitivity analysis of genetic parameters of CERES-maize
model under water stresses at different growth stages. Agricultural Water
Management, 275, 108027. https://doi.org/10.1016/j.agwat.2022.108027
Monge-Freile, M. F., Brito-Gomez, V. M., Herrera-Jacome, D. F., & Vintimilla Quintana,
V. (2025). Influencia de la frecuencia de riego por goteo en el rendimiento del
cultivo de maíz (Zea mays L.). Revista de Investigación de Agroproducción
Sustentable, 6(2), 75–83. https://doi.org/10.25127/agrops.20252.1091
Montilla-Pacheco, A. de J., Pastrán-Calles, F. R., & De La Torre-Burgos, H. A. (2024).
Efectos del calentamiento global sobre el comportamiento del cultivo de maíz.
Revista de Ciencias Agropecuarias ALLPA, 7(13), 48–58.
https://doi.org/10.56124/allpa.v7i13.0069
National Aeronautics and Space Administration. (2026, February 10). Solar radiation.
NASA Earthdata. https://www.earthdata.nasa.gov/topics/atmosphere/solar-
radiation
Noriega, L., Navarrete, R., Moreno, J., López, L., & Cruz, I. (2021). Revisión: modelos
de crecimiento y rendimiento de maíz en escenarios de cambio climático.
Revista Mexicana de Ciencias Agrícolas, 12(1), 127–139.
https://doi.org/10.29312/remexca.v12i1.2552
nstituto Nacional de Meteorología e Hidrología. (s. f.). INAMHI. Recuperado el 7 de
marzo de 2026, de https://servicios.inamhi.gob.ec/
Ordoñez Loaiza, L. C. (2018). Evaluación de pronósticos agroclimáticos usando el
modelo DSSAT CERES para cuatro híbridos de maíz en tres localidades de
Colombia [Tesis de maestría, Universidad Nacional de Colombia, Sede
Palmira]. Repositorio Institucional Universidad Nacional de Colombia.
https://repositorio.unal.edu.co/handle/unal/68888
Vera Aviles, D., Orrala Icaza, M., Mendoza Hernández, C., & Sabando Ávila, F. (2023).
Labranza mecanizada y fertilización del suelo: efectos sobre el comportamiento
agronómico y productividad del cultivo de maíz (Zea mays L.). Ciencia y
Tecnología, 16(1), 1–11. https://doi.org/10.18779/cyt.v16i1.650
Vinces-Tachong, R. E., Solorzano-Cedeño, L. J., Zambrano-Morales, D. M., Murillo-
Orellana, D. D., & Muñoz-Montoya, J. A. (2025). Productividad del maíz en
función de distintas dosis del biofertilizante Ferti-Organ. Revista Científica
Ciencia Y Método, 3(4), 414-425. https://doi.org/10.55813/gaea/rcym/v3/n4/121