Rev. Fac. Agron. (LUZ). 1997, 14: 21-31
Estudio de períodos secos del Municipio La Cañada de Urdaneta del
Estado Zulia, Venezuela.1
The study of dry spell pattern in "La Cañada de Urdaneta"
District, Zulia State, Venezuela.
l Aceptado el 23-05-1996
1. Proyecto N° 1037-94 y S2378 cofinanciado por CONDES y CONICIT, respectivamente.
2. Departamento de Agronomía. Facultad de Agronomía. Universidad del Zulia. Apartado
15205, ZU 4005, Venezuela.
3. Facultad de Agronomía UCV. Maracay.
Alfredo Faría R.2 Marelia Puche3
Resumen
Se estableció como objetivo estimar los períodos secos en el año y
su probabilidad de ocurrencia, utilizando registros de la estación meteorológica La
Cañada (10° 34' N, 71° 44' O), éste análisis ayuda a conocer el
patrón de precipitaciones en períodos más cortos que un mes. Se emplearon dos umbrales
(0.1 mm y 1 mm) para definir un día como seco (DS) y se compararon. Se contaron los
períodos secos (PS) (número de DS consecutivos) y se determinó el máximo PS en los
próximos 30 días, a intervalos de 10 días, realizando también el análisis
condicionado a que el primer día llueva. Se estimó la probabilidad de ocurrencia de PS
de al menos 5 (PS ³ 5 d), 10 (PS ³ 10 d), 15 (PS ³ 15 d) y 20 días (PS ³ 20 d), y se comparó tanto el efecto de los umbrales como el de condicionar o no el
análisis. Al utilizar el umbral de 1 mm (DS < 1 mm) aumenta la probabilidad de
ocurrencia de los PS. Para ambos umbrales las mayores diferencias entre los análisis
condicionado y no condicionado se presentan entre mediados de abril y principios de mayo
cuando ocurren las primeras lluvias del año. En el análisis no condicionado, cuando DS
< 1 mm, la probabilidad de ocurrencia de PS ³ 5 d es muy
alta durante todo el año. PS ³ 10 d se presentan todos los
años desde noviembre hasta principios de abril cuando disminuye drásticamente la
probabilidad. Desde septiembre hasta finales de octubre se presentan las menores
probabilidades. Los PS ³ 15 d se presentan en todos los años
desde diciembre hasta principios de abril, y con su menor frecuencia en septiembre y
octubre, constituyéndose ésta como la época menos riesgosa para la ocurrencia de PS muy
largos. Los PS ³ 20 d se presentan con la misma tendencia que
los PS ³ 15 d con probabilidades menores.
Palabras claves: Período seco, día seco, precipitación.
Abstract
Due to the importance of a better knowledge of the rainfalls pattern in
the studied area was determinated as objective, estimate the dry spells to the year and
the probability of occurrence, from registers of the meteorological station "La
Cañada" (10° 34' N, 71° 44' W). They were defined and compared two thresholds
(0.1 mm and 1 mm) under which the days were considered dry (DS). Were calculated dry spell
(PS) (highest number of consecutive dry days) in the next 30 days, to intervals of 10
days, was made the conditioned analysis to the first day rains. Probability occurrence was
estimated of PS of at least 5 (PS ³ 5 d), 10 (PS ³ 10 d), 15 (PS ³ 15 d) and 20 days (PS ³ 20 d), comparisons were doing, to determine the differences
obtained using of the employed methods. The results show that an analysis more restrictive
(DS < 1 mm) increases the probability occurrence of the PS. For both thresholds studied
the greater differences between the conditioned analysis and not conditioned are presented
by middle of April until beginning May when occur the first rains of the year. In the
analysis not conditioned, when DS < 1 mm, the probability occurrence of PS ³ 5 d is very high during all year. PS ³ 10 d are presented all years from November until of April when reduces hardly the
probability, from September until end of October are presented the smaller probabilities.
The PS ³ 15 d are presented in all years from December and
until beginning April, and with smaller frequency from September until October, this is
the stage less risky for the occurrence of PS very lengths. The PS ³ 20 d are presented throughout the year with the same trend that the PS ³ 15 d with smaller probabilities.
Key words: Dry spell, dry day, precipitation.
Introducción
A escala mundial el clima y los cambios climáticos son sin lugar a
dudas el factor más importante en la producción agrícola sobre una base anual (11).
Se ha dicho que de los tres principales recursos naturales (suelo, agua
y aire) el estado de la atmósfera afecta no solamente la productividad de los organismos
vivos sino también a los otros dos recursos (12).
La acometida de numerosos proyectos de desarrollo agrícola sin el
conocimiento suficiente de las características climáticas de una región, ha resultado
en desastres frecuentemente asociados con la degradación del suelo, que conlleva a la
pérdida irreversible de tierras cultivables (3). Por ende los modelos agroclimáticos y
los sistemas de información sobre recursos climáticos representan un primer paso hacia
una revolución dirigida a una «ecoproductividad» agrícola apropiada desde el punto de
vista ecológico, climático y cultural (2).
La información climática puede contribuir a la planificación
económica en al menos, dos aspectos; a corto plazo ésta puede suministrar una entrada a
avisos tempranos (oportunos) y programas de monitoreo de cultivos tanto para regiones de
cultivos comerciales como de subsistencia, y a largo plazo, ésta puede ayudar en el
desarrollo agrícola mejorando la utilización de la tierra y por tanto reduciendo la
vulnerabilidad a las sequías que inducen escasez de alimentos (10).
En referencia a los sistemas de información y sus usos en climas
semiáridos se sostiene que en climas secos, el rendimiento de los cultivos agrícolas
depende principalmente de la lluvia (5), para enfatizar la utilidad y manejo de
información meteorológica este investigador cita trabajos que relacionan los
rendimientos del trigo de primavera con la precipitación durante la estación de
crecimiento en varios países, encontrándose que entre un 36 % y un 80 % de la variación
del rendimiento del cultivo era explicada por esta variable. Explica también que la
correlación del rendimiento con las variables del clima fue más grande en las regiones
más secas. Bajo estas circunstancias, modelos simples de agroclima (lluvia) pueden
suministrar un servicio de información útil. En Irán algunos modelos pueden explicar el
60 % y en El Salvador el 80 % de la variabilidad en el rendimiento de trigo y maíz,
respectivamente (5).
Los productores agrícolas pueden ser usuarios de este tipo de
información, señalándose como una concepción errada común, que la información del
tiempo meteorológico no es útil a agricultores porque ellos simplemente deben vivir
según se presenten las condiciones del clima; pero las decisiones de los productores
sobre siembra, cosecha y el programa de entradas tienen alguna flexibilidad (7). Los
agricultores toman decisiones de manejo secuenciales basadas en suposiciones sobre las
futuras condiciones climáticas. Estas decisiones probablemente podrían hacerse de forma
diferente si estuviera disponible mejor información climática.
Para un agricultor, la interrogante sobre la lluvia se refiere al
inicio, final y la longitud de la estación lluviosa, la distribución de la cantidad de
lluvia a través del año y el riesgo de períodos secos. Gran parte de la investigación
se ha dedicado a estos tópicos, pero poco de ésta se ha basado en datos diarios, quizás
entendible si se considera el extenso conjunto de números que deben ser manipulados. El
análisis de cantidad de lluvia sobre la base diaria parece compleja ya que hay una
razonable probabilidad de que un día sea seco, aún dentro de la estación lluviosa, y el
análisis parece más fácil cuando se totaliza la lluvia para cinco, siete o diez días.
Mucha información agronómicamente útil se pierde al sumar en totales, siendo notable en
el análisis de períodos secos y determinación del inicio y final de las lluvias (8).
Secuencias más cortas de períodos secos y húmedos dentro de la
estación lluviosa son también importantes para operaciones agrícolas y de
planificación. Persistencia de períodos secos durante la estación lluviosa puede causar
estres en estados críticos de crecimiento y tener efectos deletéreos sobre los
rendimientos. Estrés durante el estado de floración es usualmente el más crítico,
causando una reducción en la formación de frutos (1).
Un análisis de probabilidad de período seco, es útil para llenar un
vacío, dando un conocimiento climatológico más profundo en el patrón de
precipitación, sin requerir información previa sobre factores de suelo (4).
Debido a la necesidad de un mayor conocimiento del patrón de
precipitaciones en la zona se estableció como objetivo central de esta investigación
estimar los períodos secos al año y su probabilidad de ocurrencia, en base a los
registros de la estación meteorológica La Cañada.
Materiales y métodos
Registros utilizados. Se emplearon registros diarios de
precipitación de la estación La Cañada, ubicada a 10° 34' de Latitud Norte y 71° 44'
de Longitud Occidental, en el Municipio La Cañada de Urdaneta del Estado Zulia. Se
utilizaron los datos correspondiente a los años 1978 hasta 1993, los cuales fueron
suministrados por el Servicio de Meteorología de las Fuerzas Aéreas Venezolanas (FAV).
Día seco (DS). Para estudiar los períodos secos (PS), primero
se debe definir un umbral bajo el cual un día es considerado seco, la cantidad mínima de
lluvia que usualmente es registrada por los instrumentos es 0.1 mm, así esta es una
posibilidad a establecer como umbral. No obstante, cantidades tan pequeñas son a menudo
consideradas de dudoso valor para el cultivo, pero los métodos pueden ser utilizados con
cualquier umbral (8). En este trabajo se utilizaron para el análisis dos umbrales 0.1 mm
y 1 mm, por lo tanto para determinar un día como seco, la precipitación diaria debe ser
inferior a 0.1 mm en el primer caso, y para el segundo análisis la precipitación diaria
debe ser inferior a 1 mm.
Estimación de los períodos secos (PS). Un período seco puede
definirse como el número de días consecutivos durante los cuales la precipitación
diaria no excede el umbral preestablecido (0.1 mm y 1 mm). A continuación se señalan los
pasos para la determinación del riesgo de períodos secos: a) Partiendo de los registros
de lluvia diaria (el cuadro 1 presenta el año 1980 como ejemplo), se realiza la
recodificación de dichos datos como secuencias de días secos y húmedos (cuadro 2) (8).
b) Utilizando estas secuencias se determinó para cada uno de los años el máximo número
de días secos consecutivos en los 30 días siguientes, comenzando cada 10 días de la
siguiente manera: desde el día 1 hasta el 30, desde el día 10 hasta el 40, etc.
Realizándose de esta manera en períodos solapados (1), obteniendose 37 valores para cada
año. Este método permite suavizar las curvas de las probabilidades estimadas de PS.
Cálculos similares se hicieron condicionando el análisis a que el
primer día llueva por lo menos lo indicado en el umbral, estas probabilidades
condicionales muestran cual sería la probabilidad de un largo período seco en los
próximos 30 días si llueve el primer día del período en consideración (6).
Estos cálculos se hicieron a través del programa INSTAT (9) de la
Universidad de Reading (Inglaterra), debiéndose realizar algunos ajustes de los
resultados en forma manual como lo fue, el cálculo de los tres últimos períodos de cada
año puesto que el conteo finaliza el año siguiente y a través del programa no se pudo
hacer directamente.
Cuadro 1. Precipitación diaria (mm) para la estación La Cañada
para el año 1980.
Mes |
Ene |
Feb |
Mar |
Abr |
May |
Jun |
Jul |
Ago |
Sep |
Oct |
Nov |
Dic |
Día |
|
|
|
|
|
|
|
|
|
|
|
|
1 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
16.2 |
0.0 |
0.0 |
4.1 |
0.4 |
0.0 |
0.0 |
2 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.4 |
0.2 |
0.9 |
0.0 |
1.2 |
0.0 |
0.0 |
3 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.7 |
0.0 |
0.0 |
0.7 |
0.0 |
0.0 |
0.0 |
4 |
0.0 |
0.0 |
0.0 |
0.0 |
0.2 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
5 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
6 |
0.0 |
0.0 |
0.0 |
0.0 |
0.4 |
0.0 |
0.0 |
18.0 |
0.0 |
0.0 |
14.6 |
0.0 |
7 |
0.0 |
0.0 |
0.0 |
0.0 |
11.1 |
0.1 |
0.0 |
0.0 |
3.1 |
21.7 |
22.8 |
0.0 |
8 |
0.0 |
0.0 |
0.0 |
0.0 |
0.7 |
0.0 |
0.0 |
1.6 |
0.0 |
61.6 |
0.0 |
0.0 |
9 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
3.3 |
0.0 |
0.0 |
1.0 |
0.8 |
10 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.2 |
0.0 |
0.2 |
0.1 |
0.0 |
11 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.2 |
0.0 |
0.0 |
3.8 |
1.1 |
0.0 |
12 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.3 |
4.1 |
0.0 |
0.0 |
13 |
0.0 |
0.0 |
0.0 |
0.0 |
0.1 |
0.0 |
0.0 |
0.2 |
0.0 |
0.0 |
10.4 |
0.0 |
14 |
0.0 |
0.0 |
0.0 |
0.0 |
10.0 |
0.0 |
0.0 |
1.8 |
0.0 |
0.3 |
0.1 |
0.0 |
15 |
0.0 |
0.0 |
0.0 |
0.0 |
1.2 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
16 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.2 |
0.0 |
3.9 |
0.3 |
0.0 |
0.0 |
17 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.8 |
0.0 |
0.0 |
0.0 |
0.0 |
18 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.6 |
0.0 |
0.0 |
0.0 |
0.0 |
19 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.1 |
0.0 |
0.8 |
5.0 |
0.0 |
0.0 |
20 |
0.0 |
0.0 |
0.0 |
0.0 |
1.3 |
4.4 |
0.1 |
0.0 |
0.0 |
0.7 |
0.0 |
0.0 |
21 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.0 |
0.0 |
0.0 |
2.1 |
0.0 |
0.0 |
0.0 |
22 |
4.8 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
73.4 |
0.0 |
0.3 |
0.0 |
23 |
0.0 |
0.0 |
0.0 |
24.6 |
0.0 |
31.6 |
0.0 |
0.0 |
3.3 |
0.0 |
0.0 |
0.0 |
24 |
0.0 |
0.0 |
0.0 |
0.4 |
0.0 |
0.5 |
4.5 |
22.3 |
0.0 |
0.0 |
0.2 |
0.0 |
25 |
0.0 |
0.0 |
0.0 |
51.2 |
0.0 |
0.0 |
0.6 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
26 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.5 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
27 |
0.0 |
0.0 |
0.0 |
0.0 |
2.4 |
0.0 |
0.0 |
0.6 |
1.0 |
0.0 |
0.0 |
0.0 |
28 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
42.3 |
0.0 |
0.0 |
0.0 |
0.0 |
29 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
1.1 |
0.5 |
0.0 |
0.0 |
0.0 |
0.0 |
30 |
0.0 |
|
0.0 |
0.0 |
2.8 |
0.0 |
0.1 |
0.0 |
0.0 |
0.0 |
0.0 |
0.0 |
31 |
0.0 |
|
0.0 |
|
0.0 |
|
3.2 |
0.0 |
|
1.7 |
|
0.0 |
Los últimos tres períodos del año se solapan con el año siguiente y
por lo tanto para el año 1993 hubiera sido necesario considerarlos faltantes, ya que
estos finalizan en 1994 y no estuvieron disponibles estos registros, para que el análisis
no quedara desbalanceado el estudio se completó utilizando los tres últimos períodos de
1978. Esto permitió analizar quince años para todos los períodos considerados.
También debieron corregirse los resultados del período que comienza
el día 60 que coincide con el 29 de Febrero y en caso de años no bisiestos se comenzó
el conteo el 28 de Febrero.
Cuadro 2. Datos recodificados mostrando el conteo de días secos con
el umbral de 1 mm para el año 1980.
Mes |
Ene |
Feb |
Mar |
Abr |
May |
Jun |
Jul |
Ago |
Sep |
Oct |
Nov |
Dic |
Día |
|
|
|
|
|
|
|
|
|
|
|
|
1 |
9 |
10 |
39 |
70 |
6 |
0 |
8 |
1 |
0 |
4 |
1 |
18 |
2 |
10 |
11 |
40 |
71 |
7 |
1 |
9 |
0 |
1 |
0 |
2 |
19 |
3 |
11 |
12 |
41 |
72 |
8 |
2 |
10 |
1 |
2 |
1 |
3 |
20 |
4 |
12 |
13 |
42 |
73 |
9 |
3 |
11 |
2 |
3 |
2 |
4 |
21 |
5 |
13 |
14 |
43 |
74 |
10 |
4 |
12 |
3 |
4 |
3 |
5 |
22 |
6 |
14 |
15 |
44 |
75 |
11 |
5 |
13 |
0 |
5 |
4 |
0 |
23 |
7 |
15 |
16 |
45 |
76 |
0 |
6 |
14 |
1 |
0 |
0 |
0 |
24 |
8 |
16 |
17 |
46 |
77 |
1 |
7 |
15 |
0 |
1 |
0 |
1 |
25 |
9 |
17 |
18 |
47 |
78 |
2 |
8 |
16 |
0 |
2 |
1 |
0 |
26 |
10 |
18 |
19 |
48 |
79 |
3 |
9 |
17 |
1 |
3 |
2 |
1 |
27 |
11 |
19 |
20 |
49 |
80 |
4 |
10 |
0 |
2 |
4 |
0 |
0 |
28 |
12 |
20 |
21 |
50 |
81 |
5 |
11 |
1 |
3 |
5 |
0 |
1 |
29 |
13 |
21 |
22 |
51 |
82 |
6 |
12 |
2 |
4 |
6 |
1 |
0 |
30 |
14 |
22 |
23 |
52 |
83 |
0 |
13 |
3 |
0 |
7 |
2 |
1 |
31 |
15 |
23 |
24 |
53 |
84 |
0 |
14 |
4 |
1 |
8 |
3 |
2 |
32 |
16 |
24 |
25 |
54 |
85 |
1 |
15 |
5 |
2 |
0 |
4 |
3 |
33 |
17 |
25 |
26 |
55 |
86 |
2 |
16 |
6 |
3 |
1 |
5 |
4 |
34 |
18 |
26 |
27 |
56 |
87 |
3 |
17 |
7 |
4 |
2 |
6 |
5 |
35 |
19 |
27 |
28 |
57 |
88 |
4 |
18 |
0 |
5 |
3 |
0 |
6 |
36 |
20 |
28 |
29 |
58 |
89 |
0 |
0 |
1 |
6 |
4 |
1 |
7 |
37 |
21 |
29 |
30 |
59 |
90 |
1 |
0 |
2 |
7 |
0 |
2 |
8 |
38 |
22 |
0 |
31 |
60 |
91 |
2 |
1 |
3 |
8 |
0 |
3 |
9 |
39 |
23 |
1 |
32 |
61 |
0 |
3 |
0 |
4 |
9 |
0 |
4 |
10 |
40 |
24 |
2 |
33 |
62 |
1 |
4 |
1 |
0 |
0 |
1 |
5 |
11 |
41 |
25 |
3 |
34 |
63 |
0 |
5 |
2 |
1 |
1 |
2 |
6 |
12 |
42 |
26 |
4 |
35 |
64 |
1 |
6 |
3 |
2 |
2 |
3 |
7 |
13 |
43 |
27 |
5 |
36 |
65 |
2 |
0 |
4 |
3 |
3 |
0 |
8 |
14 |
44 |
28 |
6 |
37 |
66 |
3 |
1 |
5 |
4 |
0 |
1 |
9 |
15 |
45 |
29 |
7 |
38 |
67 |
4 |
2 |
6 |
0 |
1 |
2 |
10 |
16 |
46 |
30 |
8 |
|
68 |
5 |
0 |
7 |
1 |
2 |
3 |
11 |
17 |
47 |
31 |
9 |
|
69 |
|
1 |
|
0 |
3 |
|
0 |
|
48 |
Con los resultados obtenidos se estimó la probabilidad de ocurrencia
de períodos secos de al menos 5 (PS ³ 5 d), 10 (PS ³ 10 d), 15 (PS ³ 15 d) y 20 días
(PS ³ 20 d) y se realizaron comparaciones para determinar las diferencias obtenidas a
través de los diferentes métodos empleados.
Resultados y discusión
Longitud de PS durante el año. Para describir los PS se
seleccionó solamente el análisis no condicionado para el umbral de 1 mm que indica los
PS tal como ocurrieron en esos años (sin condicionamiento), y se seleccionó el umbral
más restrictivo de los utilizados (1 mm), debido al escaso valor que representan para los
cultivos precipitaciones muy pequeñas (8).
En el análisis no condicionado, cuando consideramos un día seco si la
precipitación diaria es < 1 mm (DS < 1 mm), se encontró que la probabilidad
de ocurrencia de PS ³ 5 d es muy alta durante todo el
año aun en la época de mayores precipitaciones (figura 1), siendo esta probabilidad
siempre mayor o igual a 0.93 y en el 87 % de los casos estudiados es igual a uno,
significando que en esta zona ocurren PS cortos en cualquier época del año en todos o
casi todos los años.
³ 10 d, se encontraron
probabilidades de 1 hasta principios de abril cuando disminuye drásticamente (figura 1)
apreciándose una inclinación brusca de la curva, posteriormente baja a valores entre
0.87 y 0.53 hasta finales de agosto, y es a partir de septiembre y hasta finales de
octubre cuando se presentan las menores probabilidades (Prob < 0.4), siendo aquí la
época de menor riesgo por sequía para la agricultura de secano. Posteriormente aumentan
nuevamente las probabilidades y a partir de allí se presentan PS ³ 10
d todos los años a partir de finales de noviembre y hasta principios de abril.
Figura 1. Probabilidad de período seco de al menos 5, 10, 15 o 20
días en los próximos 30 días. No condicionado a que el primer día llueva
(Precipitación ³ 1 mm).
Figura 2. Probabilidad de período seco de al menos 5, 10, 15 o 20
días en los próximos 30 días. No condicionado a que el primer día llueva
(Precipitación ³ 0.1 mm).
³ 15 d se presentan en todos los
años desde diciembre y hasta principios de abril, disminuyendo brúscamente las
probabilidades en este mes, para ubicarse en valores cercanos a 0.5 durante los meses de
mayo, junio, julio y hasta mediados de agosto. En estos meses aproximadamente en la mitad
de los años estudiados se presentaron PS ³ 15 d. Esto
significa un riesgo muy alto para la agricultura de secano siendo sólo apropiada la
producción vegetal con riego complementario.
Figura 3. Probabilidad de período seco de al menos 5, 10, 15 o 20
días en los próximos 30 días. Condicionado a que el primer día llueva (Precipitación ³ 1 mm).
Figura 4. Probabilidad de período seco de al menos 5, 10, 15 o 20
días en los próximos 30 días. Condicionado a que el primer día llueva (Precipitación ³ 1.1 mm).
La probabilidad de ocurrencia de estos PS es realmente baja (< 0.15)
a partir de septiembre y hasta octubre al igual que la ocurrencia de PS ³ 10 d, constituyéndose ésta como la época menos riesgosa para la
ocurrencia de PS muy largos.
³ 20 d se presentan a través del
año con la misma tendencia que los PS ³ 15 d con
probabilidades menores (figura 1).
Se observan tres períodos claramente definidos el primero
diciembre-abril, donde la probabilidad de ocurrencia de PS largos es muy alta,
presentándose éstos en casi todos los años estudiados. El segundo período
Abril-Agosto, donde la ocurrencia de períodos secos es errática, ocurriendo en algunos
años PS largos. La tercera época se presenta en septiembre-octubre, donde la ocurrencia
de PS largos es muy escasa.
Comparación de los umbrales (0.1 mm y 1 mm). Tanto para el
análisis condicionado como el no condicionado las probabilidades de ocurrencia de
períodos secos (PS) de al menos 5, 10, 15 y 20 días se encontró, que éstas fueron
mayores para el umbral de 1 mm que el de 0.1 mm.
Estos resultados muestran que un análisis más restrictivo (DS < 1
mm) aumenta la probabilidad de ocurrencia de los períodos secos estudiados, al considerar
secos aquellos días donde la precipitación diaria es muy pequeña (< 1 mm), y cuyo
valor para el cultivo es limitado ya que no alcanza para satisfacer sus necesidades
hídricas.
Comparando las probabilidades para los umbrales estudiados en el
análisis no condicionado (figuras 1 y 2) para los PS ³ 5 d se
observó poca diferencia entre ambos análisis, siendo la mayor diferencia de 0.267 y la
misma se presenta sólo en dos ocasiones, además en el 67 % de los 37 períodos
estudiados el valor fue igual para ambos análisis. Para PS ³ 10
d, PS ³ 15 d y PS ³ 20 d, las
probabilidades de estos difieren más que en el caso anterior siendo las mayores
diferencias encontradas de 0.33 para PS ³ 10 d y PS ³ 20 d y de 0.4 para PS ³ 15 d.
En el análisis condicionado (figuras 3 y 4) la comparación de los
umbrales bajo estudio arroja diferencias similares a las encontradas en el análisis no
condicionado, siendo la variación básica en éste último, la máxima diferencia entre
las probabilidades de ocurrencia de los PS ³ 10 d es de 0.4 y
de PS ³ 15 es de 0.33; observándose valores muy cercanos con
respecto al anterior, y en general presentando la misma tendencia.
Comparación de los análisis condicionado y no condicionado. Para ambos umbrales estudiados las mayores diferencias entre los análisis condicionado y
no condicionado se presentan a mediados de abril hasta principios de mayo cuando ocurren
las primeras lluvias del año.
Recomendaciones
Se recomienda profundizar el estudio con un número mayor de años de
registros diarios de precipitación.
Realizar un análisis de cantidad y de balance de entradas y salidas de
agua del sistema, que permita definir la disponibilidad de agua para los cultivos durante
el año en la zona.
Estudiar uno o varios cultivos perennes existentes en la zona tales
como pastos y frutales, que pudieran servir de indicadores del potencial agrícola de la
zona bajo condiciones de secano.
Agradecimiento
El autor desea expresar su agradecimiento al servicio de meteorología
de las Fuerzas Aéreas Venezolanas por su colaboración al suministrar los datos de
precipitación utilizados en el estudio. A las profesoras Belkys Bracho y Adriana Sánchez
de la Facultad de Agronomía de La Universidad del Zulia por sus acertadas sugerencias y
constante apoyo.
Literatura citada
- Archer, D. R. 1981. Rainfall sequences in northern
Malawi.Weather 36: 2-9.
- Cusack, D. F., 1981. Reviviendo la revolución verde
(Editorial). Interciencia. 6(4): 202-203.
- Frère, M. 1983. Información agroclimática y perspectiva
alimentaria mundial. En. Información agroclimática para el desarrollo: Reviviendo la
revolución verde. Fondo Nacional de Investigaciones Agropecuarias (FONAIAP), Banco
Interamericano de Desarrollo (BID) Caracas, Venezuela. pp. 17-24.
- Hills R. C. and J. H. T Morgan. 1981. Rainfall statistics: an
interactive approach to analysing rainfall records for agricultural purposes. Experimental
Agriculture 17: 1-16.
- Lomas, J. 1981. Simple agroclimatic models as a basis for an
information system. Interciencia. 6(4): 219-225.
- Puche C. M. 1994. Evaluation of the water regime for rainfed
agriculture in areas of seasonal rainfall in Venezuela. PhD Thesis, University of Reading,
England.
- Sah, R. 1981. Social and economic gains from weather
information to third world agriculture. Interciencia. 6(4): 251-253.
- Stern, R. D., M. D. Dennett and I. C. Dale. 1982. Analysing
daily rainfall measurements to give useful agronomic results. I Direct methods.
Experimental Agriculture 18: 223-236.
- Stern, R., J. Knock, and H. Hack. 1989. Guía Climática
INSTAT. Trad. Ramírez P. y Campos M. University of Reading. Whiteknights, Reading, U.K.
238 pp.
- Steyaert, L. T., C. M. Sakamoto, J. C. Hock and P. F. Krumpe.
1981. Agroclimate as a resource for food security and economic development. Interciencia.
6(4): 210-215.
- Walter, R. 1983. Clima y agricultura en el siglo veinte. En.
Información agroclimática para el desarrollo: Reviviendo la revolución verde. Fondo
Nacional de Investigaciones Agropecuarias (FONAIAP), Banco Interamericano de Desarrollo
(BID). Caracas, Venezuela. pp. 17-24.
- Wang, J.Y. 1981. A computerized weather monitoring unit for
farm operation. Interciencia. 6(4): 254-256.
.
|