Pronóstico agrometeorológico del índice de satisfacción del requerimiento hídrico (WRSI) para el cultivo de papa bajo secano en la sierra

Abstract

El presente estudio tuvo como objetivo validar el pronóstico decadal del Índice de Satisfacción del Requerimiento Hídrico (WRSI) del cultivo de papa en la sierra del Perú durante la campaña agrícola 2024–2025, utilizando información meteorológica del modelo regional ETA (0.1°). Se aplicó una metodología que integró la corrección estadística de sesgos mediante scaling, la estimación de la evapotranspiración de referencia (ETo) por la ecuación Penman–Monteith FAO-56 y la interpolación espacial mediante Random Forest, con el fin de mejorar la consistencia espacial y temporal de las variables climáticas. La corrección estacional permitió reducir significativamente los errores sistemáticos del modelo, alcanzando sesgos de precipitación dentro de ±10 mm por década y sesgos de temperatura dentro de ±1 °C. Posteriormente, los coeficientes de correlación alcanzaron valores de r = 0.7 a 0.9, evidenciando una adecuada representación de las condiciones termo pluviométricas. El WRSI pronosticado mostró una elevada correspondencia con los valores observados (r ≥ 0.8; R² ≥ 0.8), destacando un mejor desempeño en la sierra centro y sur. En conjunto, los resultados demuestran la viabilidad técnica del modelo ETA–Random Forest para la predicción operativa del WRSI, permitiendo anticipar condiciones de estrés hídrico y fortalecer la gestión del riesgo agroclimático en el sector agrícola nacional.This study aimed to validate the decadal forecast of the Water Requirement Satisfaction Index (WRSI) for potato crops in the Peruvian Andes during the 2024–2025 agricultural season, using meteorological information from the ETA regional model (0.1° resolution). The applied methodology integrated statistical bias correction through seasonal scaling, the estimation of reference evapotranspiration (ETo) using the FAO-56 Penman–Monteith equation, and spatial interpolation through the Random Forest algorithm, in order to improve the spatial and temporal consistency of the climatic variables. The seasonal correction significantly reduced the systematic errors of the model, achieving precipitation biases within ±10 mm per decade and temperature biases within ±1 °C. Subsequently, correlation coefficients reached values between r = 0.7 and 0.9, indicating an adequate representation of thermo-pluviometric conditions. The forecasted WRSI showed a strong agreement with the observed values (r ≥ 0.8; R² ≥ 0.8), with the best performance observed in the central and southern Andes. Overall, the results demonstrate the technical feasibility of the ETA–Random Forest framework for the operational prediction of the WRSI, allowing the early identification of water stress conditions and strengthening agroclimatic risk management in the national agricultural sector.