Evaluación de emisiones de CH4 y N2O en cultivo de arroz bajo riego convencional e intermitente mediante el modelo DNDC

Abstract

Las emisiones de metano (CH4) y el óxido nitroso (N2O) en arrozales de la Estación Experimental Agraria Vista Florida, región Lambayeque - Perú, fueron estimadas mediante el modelo DNDC (DeNitrification-DeComposition) bajo dos manejos de riego: inundación continua (CF) e intermitente (AWD). Se empleó información de la campaña agrícola 2023. El modelo fue parametrizado y posteriormente utilizado para simular diferentes niveles de reducción de riego y escenarios de temperatura y precipitación. Los parámetros con mayor influencia en las emisiones simuladas fueron actividad microbiana (imicro), conductividad hidráulica (ks) y producción máxima de biomasa (prodMx). Los indicadores estadísticos mostraron un mejor ajuste bajo el manejo AWD (R2 = 0,95; NSE = 0,90; RSR = 0,28; d = 0,99), clasificado como muy bueno, en comparación con el manejo CF, que presentó un desempeño satisfactorio a bueno (R2 = 0,61; NSE = 0,60; RSR = 0,63; d = 0,74). La reducción del riego no afectó significativamente las emisiones de CH4, pero disminuyó las de N2O entre 1,26% y 14,24%. Asimismo, la variabilidad de la temperatura y la precipitación influyó en las emisiones de CH4 y N2O. En comparación con la metodología del Reporte Anual de Gases de Efecto invernadero (RAGEI), el modelo demostró ser más preciso que la metodología del RAGEI, al reflejar la variabilidad diaria de los gases. Asimismo, ambos métodos coincidieron en identificar las fases vegetativa y reproductiva como los periodos de mayor emisión. Los resultados sugieren que el modelo DNDC puede constituir una herramienta adecuada para la estimación y el análisis de las emisiones de CH4 y N2O en sistemas arroceros.

Methane (CH4) and nitrous oxide (N2O) emissions in rice paddies at the Vista Florida Agricultural Experiment Station in the Lambayeque region of Peru were estimated using the DNDC (Denitrification-Decomposition) model under two irrigation management systems: continuous flooding (CF) and intermittent flooding (AWD). Information from the 2023 agricultural season was used. The model was parameterized and then used to simulate different levels of irrigation reduction and temperature and precipitation scenarios. The parameters with the greatest influence on simulated emissions were microbial activity (imicro), hydraulic conductivity (ks), and maximum biomass production (prodMx). Statistical indicators showed a better fit under AWD management (R2 = 0.95; NSE = 0.90; RSR = 0.28; d = 0.99), classified as very good, compared to CF management, which performed satisfactorily to well (R2 = 0.61; NSE = 0.60; RSR = 0.63; d = 0.74). Reduced irrigation did not significantly affect CH4 emissions, but decreased N2O emissions by between 1.26% and 14.24%. Temperature and precipitation variability also influenced CH4 and N2O emissions. Compared to the methodology of the Annual Greenhouse Gas Report (RAGEI), the model proved to be more accurate than the RAGEI methodology in reflecting daily gas variability. Likewise, both methods agreed in identifying the vegetative and reproductive phases as the periods of highest emissions. The results suggest that the DNDC model may be an appropriate tool for estimating and analyzing CH4 and N2O emissions in rice systems.