04 — Publicaciones / Explicación
¿Por qué el rendimiento real no alcanza
el techo que marca el clima?
Cinco décadas de un ensayo de arroz en Filipinas, analizadas con un modelo de cultivo y aprendizaje automático
Todo arrozal tiene un techo, la mayor cosecha que permiten el clima de la estación y la variedad. Con unos 50 años de registros de un ensayo en Filipinas donde se cultiva arroz tres veces al año, medimos cuánto se quedaba el rendimiento real por debajo de él. En las estaciones lluviosas, los campos solo producían cerca de la mitad de lo posible, y las enfermedades y el envejecimiento de las variedades pesaban mucho en esa diferencia. Aun eliminando ambos factores en los cálculos, el rendimiento se quedó entre el 63 y el 69 % del techo, por debajo del umbral del 80 % que se usa en todo el mundo.
Puntos clave
- Incluso con las dos dosis más altas de nitrógeno, la cosecha llegó a cerca del 65 % del techo en la estación seca, pero solo a cerca del 52 % y del 47 % en las estaciones lluviosas temprana y tardía.
- El factor con más peso en el conjunto de las estaciones fue la dosis de nitrógeno. El tungro, una enfermedad causada por un virus, amplió la brecha en la estación seca, y el envejecimiento de las variedades, en la lluviosa tardía.
- Sin enfermedades ni envejecimiento varietal, el rendimiento predicho se situó entre el 63 y el 69 % del techo. El umbral mundial del 80 % parece difícil de alcanzar en las estaciones lluviosas tropicales.
¿Cuánto más podría dar el mismo campo?
¿Cuánto arroz más podría dar el mismo campo? La respuesta es un punto de partida para asegurar el abastecimiento de alimentos.
El rendimiento del arroz tiene un techo, llamado rendimiento potencial. Es la cosecha que daría una variedad con agua y nutrientes de sobra y sin plagas ni enfermedades. Depende de la radiación solar y la temperatura de la estación, y de las características de la variedad.
Los campos reales rinden menos, y esa diferencia se llama brecha de rendimiento. Expresamos el rendimiento real como porcentaje del potencial, lo que llamamos rendimiento relativo (figura 1). Cuanto más alto es, menor es la brecha. Conocer su tamaño y sus causas indica qué medidas conviene tomar primero.
No es realista esperar que un campo real llegue al 100 % de su techo. Siempre quedan algunas plagas y enfermedades, el clima varía y el manejo tiene límites. Por eso, en todo el mundo se toma alrededor del 80 % del techo como referencia de un campo bien manejado.
Hasta ahora, casi todos los estudios sobre la brecha se han hecho en campos de agricultores. Los ensayos de larga duración guardan durante décadas registros coherentes del mismo campo, así que son ideales para entender por qué cambió el rendimiento. Aun así, sus registros casi nunca se habían usado para estudiar la brecha.
Cincuenta años de registros, analizados en cuatro pasos
Un campo con tres cultivos de arroz al año
Usamos el Experimento de Cultivo Continuo a Largo Plazo del Instituto Internacional de Investigación del Arroz (IRRI), en Los Baños (Filipinas). Es el ensayo de arroz de regadío con tres cultivos al año que más tiempo lleva en marcha en el mundo.
El arroz se cultiva en la estación seca (enero a abril), la estación lluviosa temprana (mayo a agosto) y la estación lluviosa tardía (septiembre a diciembre), con un descanso de solo una a tres semanas entre cultivos. El campo tiene cuatro niveles de fertilizante nitrogenado, desde F1, que no recibe nitrógeno, hasta F4, que recibe la dosis más alta.
Las variedades se sustituían con regularidad por otras más resistentes a plagas y enfermedades, y entre 1968 y 2017 se usaron 72 (figura 2). Analizamos los registros de 1971 a 2017, porque los datos meteorológicos anteriores variaban de forma irregular.
El análisis siguió los cuatro pasos de la figura 3.
Un modelo de cultivo calcula el techo
Calculamos el rendimiento potencial con ORYZA, un modelo de cultivo. Es un programa que simula, día a día y a partir del clima, cómo crece una planta y cuánto rinde. En este caso supusimos agua y nutrientes de sobra y ninguna plaga ni enfermedad.
Lo aplicamos a IR8, IR72 e IRRI 146, tres variedades que se cultivaron en el ensayo durante más de diez años, y tomamos su media como el rendimiento potencial de cada año y estación. Los datos del clima procedían de JRA-55, una reconstrucción continua del clima pasado de la Agencia Meteorológica de Japón, ajustada a las mediciones locales.
El rendimiento relativo mide la brecha
Al dividir el rendimiento real entre el potencial, obtuvimos el rendimiento relativo. Nos centramos en F3 y F4, los dos niveles de nitrógeno más altos, con la media de sus variedades. Hicimos el mismo cálculo con la mejor combinación de variedad y fertilizante de cada año.
El aprendizaje automático busca las causas
Después usamos aprendizaje automático para averiguar por qué el rendimiento relativo subía y bajaba de un año a otro. El aprendizaje automático permite que un ordenador aprenda patrones a partir de muchos registros. Usamos un método llamado bosque aleatorio, con un modelo para cada estación.
Los modelos usaron pistas como la dosis de nitrógeno, el riesgo de enfermedades, la variedad, el envejecimiento varietal y el número de cultivos desde el inicio del ensayo. El envejecimiento varietal es el número de años que lleva una variedad en el ensayo. Un método llamado SHAP midió cuánto empujaba cada factor las predicciones hacia arriba o hacia abajo. Comprobamos cada modelo prediciendo años que no había visto.
Los niveles de enfermedad no se registraron de forma constante durante los 50 años. Por eso usamos EPIRICE, un modelo que estima a partir del clima con qué facilidad se propagan cinco enfermedades. Son la piricularia de la hoja, la mancha parda, el tizón bacteriano, el tizón de la vaina y el tungro. Los valores de EPIRICE son riesgos calculados con el clima, no daños observados en el campo.
Preguntarse «¿qué pasaría si…?»
Por último, usamos un modelo de aprendizaje automático que predice el rendimiento y que creamos en un estudio anterior (2025). Con él predijimos el rendimiento con el riesgo de enfermedad en cero, con el envejecimiento varietal en cero (como si todas las variedades fueran nuevas) y con ambos en cero. Después comparamos los rendimientos predichos con el rendimiento potencial. El caso con ambos en cero se parece al mundo sin estrés que supone ORYZA.
El tamaño y las causas de la brecha cambiaron con la estación
En las estaciones lluviosas, los campos solo llegaron a cerca de la mitad del techo
El rendimiento potencial fue más alto en la estación seca, con una media de 10,41 toneladas por hectárea. En la lluviosa temprana fue de 8,63 toneladas y en la lluviosa tardía, de 7,15.
En F3 y F4, el rendimiento real medio fue de 6,52 a 6,86 toneladas en la estación seca, de 4,39 a 4,50 en la lluviosa temprana y de 3,28 a 3,38 en la lluviosa tardía (figura 4). Eso equivale a rendimientos relativos del 64,5 %, el 51,7 % y el 46,7 %.
La mejor combinación de variedad y fertilizante de cada año siguió el mismo patrón, con un 72,6 %, un 60,4 % y un 56,0 %. Incluso en la estación seca, solo el 23,4 % de los años llegó al 80 %. En las lluviosas no lo logró ningún año, salvo unos pocos de la temprana.
El techo apenas cambiaba de un año a otro, así que la brecha dependía sobre todo del rendimiento real. Además, el rendimiento relativo subió de golpe entre 8,0 y 15,0 puntos porcentuales a comienzos de los años noventa. Creemos que ese salto se debió a la mejora del manejo del cultivo en esos años.
Cada estación tuvo sus propias causas
En el conjunto de las estaciones, el aprendizaje automático encontró que la dosis de nitrógeno era el factor con más peso en el rendimiento relativo (figura 5), como muestran desde hace tiempo los estudios en campos de agricultores. Además del nitrógeno, cada estación tuvo un factor propio.
En la estación seca, el tungro amplió la brecha. Es una enfermedad causada por un virus que transmite el saltahojas verde, y en este ensayo llegaba de campos vecinos sembrados en otras fechas. Puede reducir la cosecha sin síntomas claros, porque hace que se llenen menos granos. Su daño tendía a crecer con la dosis de nitrógeno, lo que concuerda con estudios según los cuales el nitrógeno vuelve el follaje más frondoso y atractivo para el saltahojas.
En la estación lluviosa temprana, cuantos más cultivos se habían hecho desde el inicio del ensayo, menor era la brecha.
En la estación lluviosa tardía, el envejecimiento de las variedades amplió la brecha y fue el segundo factor más importante, después del nitrógeno. Estudios anteriores han mostrado que, cuando una variedad se usa durante muchos años, las plagas y los patógenos cambian y la resistencia de la variedad se debilita poco a poco.
Sin enfermedades ni envejecimiento varietal, la brecha se redujo en las estaciones lluviosas
Con todos los factores incluidos, el rendimiento relativo predicho fue del 65,1 %, el 51,5 % y el 45,1 % en las estaciones seca, lluviosa temprana y lluviosa tardía (figura 6), cerca de lo observado en F3 y F4. Sin enfermedades ni envejecimiento varietal, subió al 69,0 %, el 63,4 % y el 69,4 %. Las mayores subidas se dieron en las estaciones lluviosas.
En las estaciones lluviosas, estas predicciones pasaron a subir y bajar junto con el techo de ORYZA de un año a otro. Por tanto, las principales causas de la brecha en esas estaciones eran justo lo que ORYZA no incluye, es decir, las enfermedades y la renovación de las variedades. Aun así, ninguna estación llegó al 80 %.
Un desfase que se mantuvo en la estación seca
En la estación seca, ni siquiera estas predicciones se movían con el techo de ORYZA. Encontramos siete casos en los que el techo superaba a la predicción en 4,1 toneladas por hectárea o más, y todos eran de la estación seca.
En esos años, la temperatura máxima diaria de la fase reproductiva, cuando la planta forma sus espigas, fue de 32,3 °C de media, frente a 30,4 °C en los demás años. La radiación solar también fue mayor y el riesgo de tungro, más alto (figura 7). Quizá ORYZA no recoja del todo el efecto del calor en la fotosíntesis, pero este estudio no permite saber si la causa está en el modelo, en los datos de entrada o en otro factor.
Metas adaptadas a cada estación y formas de reducir la brecha
En todo el mundo, el 80 % del techo ha servido como referencia de un campo bien manejado. Sin embargo, en las estaciones lluviosas de este ensayo, el rendimiento se quedó entre el 63 y el 69 % aun sin enfermedades ni envejecimiento varietal. En el trópico húmedo, y sobre todo en las estaciones lluviosas, quizá sea difícil incluso mantenerse de forma constante por encima de un 70 % del techo.
En la estación seca, tras la revisión del manejo en los años noventa, el rendimiento llegó de media al 77 % del techo, cerca del umbral. Creemos que las metas deben ajustarse a cada estación y lugar, en vez de seguir una única cifra mundial.
Formas de reducir la brecha
En las estaciones lluviosas, podría ayudar renovar las variedades con más frecuencia y reforzar el control de enfermedades. En la estación seca, la clave es controlar el tungro. Entre las medidas de eficacia probada están las variedades resistentes, la siembra al mismo tiempo que los campos vecinos y los periodos de barbecho que reducen las fuentes del virus. Ajustar el uso del nitrógeno junto con el control de enfermedades podría reducir algo más la brecha.
La mejor combinación de variedad y fertilizante de cada año quedó entre 6,5 y 10,0 puntos porcentuales por encima del rendimiento relativo medio de las dosis altas de nitrógeno. Junto con un buen manejo del fertilizante, elegir bien la variedad es una forma práctica de reducir la brecha.
Un modelo de cultivo muestra el techo que permite el clima, y el aprendizaje automático muestra qué mantiene a los campos reales por debajo de él. Juntos nos permitieron diagnosticar la brecha en cada estación.
Lo que aún no sabemos
- Estos resultados proceden de un solo ensayo de larga duración con cultivo intensivo de arroz de regadío en el trópico.
- Los valores de enfermedad son riesgos calculados con el clima, no daños medidos.
- El techo de ORYZA no tiene en cuenta las enfermedades, el envejecimiento varietal ni la falta de nitrógeno. Para la estación lluviosa temprana, nuestro estudio anterior apuntó a que el nitrógeno del suelo podría aumentar al subir las temperaturas al inicio de la estación.
- Quedan por aclarar la causa del desfase de la estación seca y cuánto de la brecha restante se puede cerrar.
Próximos pasos
Creemos que funcionaría bien un enfoque combinado. ORYZA fijaría el techo de cada estación, y a ese techo se añadirían el riesgo de enfermedades en cada fase del cultivo y la renovación de las variedades. Después, el aprendizaje automático estimaría la brecha restante. En la estación seca, conviene estudiar más a fondo el calor en la fase reproductiva y la respuesta a la radiación solar.
Glosario
- Rendimiento potencial
- La mayor cosecha posible con agua y nutrientes de sobra y sin plagas ni enfermedades. Depende del clima y de la variedad.
- Brecha de rendimiento
- La diferencia entre el rendimiento potencial y el real.
- Rendimiento relativo
- El rendimiento real expresado como porcentaje del potencial. Cuanto más alto, menor es la brecha.
- Modelo de cultivo (ORYZA)
- Un programa que simula el crecimiento y el rendimiento de un cultivo a partir del clima diario y otros datos. ORYZA es un modelo para el arroz.
- Aprendizaje automático (bosque aleatorio)
- Métodos que permiten que un ordenador aprenda patrones a partir de datos. El bosque aleatorio promedia las respuestas de muchos árboles de decisión sencillos, de sí o no.
- SHAP
- Un método que muestra cuánto y en qué sentido movió cada factor una predicción.
- Envejecimiento varietal
- Los años que lleva una variedad en el ensayo. Con el tiempo, una variedad puede perder resistencia a plagas y enfermedades.
- Tungro
- Una enfermedad del arroz causada por un virus que transmite el saltahojas verde. Puede reducir la cosecha incluso sin síntomas claros.
- EPIRICE
- Un modelo que estima a partir del clima con qué facilidad se propagan las enfermedades del arroz y da un índice de riesgo para cada fase del cultivo.
Sobre el artículo
Tomoaki Yamaguchi, Ando Mariot Radanielson, Olivyn Angeles, Keisuke Katsura & Kazuki Saito (2026). Understanding rice yield gaps with crop modeling and machine learning in a long-term continuous cropping experiment. Field Crops Research, 342, 110477. https://doi.org/10.1016/j.fcr.2026.110477
Es un artículo de acceso abierto que cualquiera puede leer gratis. Se publica con la licencia CC BY 4.0. La figura 8 se reproduce del artículo, y las figuras 4, 6 y 7 se elaboraron con los valores publicados en él.