Análisis de métodos estadísticos para evaluar el desempeño de modelos de simulación en cultivos hortícolas

Resumen Introducción. Todo modelo de simulación debe ser calibrado y validado, de lo contrario las conclusiones pueden ser especulativas y erróneas. Los métodos para evaluar modelos de simulación habitualmente se aplican “por costumbre”, evitando entrar en detalles metodológicos básicos, lo cual ha sido causa de que se utilice terminología y simbología que conllevan a la confusión. Objetivo. El objetivo del presente estudio fue analizar los diferentes métodos estadísticos utilizados para evaluar el desempeño de modelos de simulación en agricultura, y así proponer el método más apropiado desde el punto de vista práctico. Materiales y métodos. Se analizaron métodos estadísticos basados en el análisis de diferencias y en el análisis de regresión, entre valores medidos y simulados. El análisis de diferencias, incluyó la raíz cuadrada del error medio estándar (RMSE), el error medio absoluto (EMA), el error relativo (ER), el índice de ajuste (d), el sesgo medio del error (MBE) y la eficiencia del modelo (E). En el análisis de regresión se analizó el intercepto, los coeficientes de regresión lineal (b) y de determinación (R2), y los límites de confianza de la estimación. Resultados. El ER, el d y la E, son medidas cuyo objetivo es más la comparación entre diferentes modelos que la evaluación del desempeño de un modelo como tal. La raíz cuadrada del error medio usualmente utilizada para evaluar diferencias entre valores observados y simulados, es diferente al RMSE de una regresión. En los diferentes casos ilustrados con el modelo “Eurotate_N”, demostraron la correcta aplicación práctica del análisis de regresión como herramienta estadística para evaluar su capacidad para simular rendimiento de fruto, humedad volumétrica del suelo, evapotranspiración y materia seca del cultivo de tomate bajo invernadero. Conclusión. El método estadístico propuesto más apropiado para evaluar un modelo de simulación en tomate fue el análisis de regresión.