Editorial

Este número nos trae artículos con varias perspectivas que fluctúan desde la consideración de la producción teniendo en cuenta las demandas del consumidor, el uso de herramientas de modelamiento para la predicción de eventos futuros y el uso de tecnologías para la intensificación de la producción.

Igualmente, se examina la producción y la calidad de la panela al introducir tecnologías más eficientes en el uso de la energía, pero que degradan la calidad y, consecuentemente, la competitividad del productor de panela si fuesen implementados usando un criterio netamente ambiental. En la misma línea, el uso de fertirriego para la producción de forrajes durante la época seca, incluye una evaluación económica y ambiental de la práctica. Es claro que el enfoque solo en productividad primaria hoy no es el único criterio y se deben considerar aspectos de sostenibilidad ambiental, social y económica de la operación. La utilización de sistemas de modelación matemática, que integren aspectos ambientales, sociales y económicos son esenciales para mejorar nuestro entendimiento de las interrelaciones entre sociedad, ambiente y producción, resultado de la intensificación productiva. El desarrollo de estas herramientas de análisis claramente representa un reto para los investigadores, pero se requieren para acelerar el desarrollo de una visión holística de la actividad agropecuaria, acercándose a la realidad cotidiana que viven los productores y que debe servir para afinar nuestros esfuerzos en investigación y desarrollo rural y mejorar la calidad de vida de los involucrados.

En esta ocasión, me referiré particularmente a las necesidades de incorporar en nuestra experimentación agrícola el uso de herramientas modernas como sensores y modelos de simulación de procesos a cultivos y sistemas productivos. Estas herramientas, combinadas con el conocimiento experto, deben proveer información, que, compilada y presentada al usuario final, en una forma de sistemas de toma de decisiones, permitirán generar una reacción por parte de los interesados y resultar en reducción de las posibles consecuencias negativas o capitalizar lo positivo que tal eventualidad podría generar.

Existe una gama amplia de modelos de simulación de cultivos, muchos de los cuales arrojan resultados no siempre lo suficientemente aproximados al desempeño real del cultivo en la variada serie de ambientes que trae consigo una topografía accidentada o simplemente no han surtido el debido ajuste y validación para muchos de los cultivos, ambientes y sistemas productivos de la agricultura colombiana. En la actualidad, la tendencia al uso de herramientas de predicción de la productividad agrícola y pecuaria, usando la modelación matemática de cultivos y producción animal y el uso de sensores remotos, es creciente a nivel mundial, aplicados con gran éxito en muchos cultivos industriales. Aunque cada modelo tiene sus fortalezas y propósitos, uno podría indicar que dos objetivos principales podrían ser el foco para el desarrollo y la optimización de los modelos: el primero, es disminuir el nivel de incertidumbre sobre el desempeño de ciertos cultivos en condiciones donde no se ha establecido anteriormente. El segundo, una vez establecido el cultivo, cómo sería su desempeño ante los escenarios futuros predichos por los modelos de cambio climático. En el primer objetivo, el nivel de información requerido para lograr modelar el desempeño de un cultivo requiere de esfuerzos sostenidos, a largo plazo y de la conformación de equipos multidisciplinarios, con un gran componente de experimentación fisiológica y mayor entendimiento de procesos que se suceden en el suelo. El nivel de predicción alcanzado se refinaría cada vez más (más esfuerzos y más recursos) cuando se requiera evaluar el desempeño de variedades particulares. El segundo objetivo, depende mucho del  refinamiento de las predicciones sobre cambios futuros en regiones específicas. No obstante, la variabilidad climática local es la que las plantas y animales experimentan en forma cotidiana y representa el nivel de estrés que tiene efectos sobre su desempeño.

El incremento de la complejidad de los modelos, intentando simular procesos transversales, representa un reto mucho mayor, pero se reconoce que es esencial su desarrollo para acelerar nuestro entendimiento sobre las interrelaciones que se surten en los sistemas productivos. El agricultor, especialmente el pequeño agricultor, depende del sistema productivo (multiespecies y en muchos casos multiestrata) y muy ocasionalmente de producción de monocultivos. La optimización de estos es de prima importancia para mejorar la calidad de vida de los productores. Hoy, las herramientas desarrolladas tanto en análisis computacional, almacenamiento de datos, uso de sensores remotos, que facilitan la captura de imágenes relacionadas al desempeño de las plantas, deben ser combinadas para afinar los modelos matemáticos integrados y mejorar su nivel de predicción del funcionamiento del sistema.