Repositorio Nacional

El presente artículo describe una metodología para obtener la variación diaria estocástica de la demanda instantánea de agua potable, aplicable a una sola casa o cualquier número de casas con base en los parámetros estadísticos del consumo de agua en casas individuales, nivel de fugas dado y la variación del gasto, medida en la tubería de abastecimiento, considerando casos de suministro continuo e intermitente. La metodología propuesta ofrece una base racional para determinar la variación de la demanda a cualquier nivel de agregación. Los resultados se compararon con mediciones de campo en una ciudad mexicana donde el suministro de agua potable es continuo. La variación de los gastos en las tuberías con suministro intermitente o con servicio continuo, pero con cisternas y tinacos en los domicilios, es muy diferente de aquella en tuberías con suministro continuo sin cisternas y tinacos. El coeficiente de demanda máxima horaria es más alto en suministro intermitente que en suministro continuo, pero más bajo en redes que tienen servicio continuo y cisternas o tinacos en los domicilios.

Abastecimiento de agua Demanda de agua Coeficiente de variación INGENIERÍA Y TECNOLOGÍA

Abiotic stress tolerance: Genetics, genomics, and breeding

Yunbi Xu Rajeev Varshney (2023, [Artículo])

Wheat Ancestors Modern Varieties Agronomic Performance CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA ABIOTIC STRESS GENETICS GENOMICS BREEDING GERMPLASM DROUGHT STRESS

Predicción de la evapotranspiración de referencia mediante redes neuronales artificiales

JUAN MANUEL GONZALEZ CAMACHO ROCIO CERVANTES-OSORNIO WALDO OJEDA BUSTAMANTE IRINEO LORENZO LOPEZ CRUZ (2008, [Artículo])

La evapotranspiración de referencia (ETo) es una variable climática esencial para el cálculo de los requerimientos hídricos de los cultivos. Su previsión a corto plazo es importante para programar la distribución de volúmenes de agua en las zonas de riego. En este trabajo se presenta la aplicación de un modelo de Red Neuronal Artificial (RNA) tipo feedforward backpropagation para predecir la ETo a partir de datos diarios de temperatura del aire, radiación solar, humedad relativa y velocidad del viento. La arquitectura adoptada del modelo de RNA contiene cuatro neuronas en la capa intermedia, una neurona en la capa de salida y funciones de activación tangente hiperbólica en ambas capas. Este modelo fue aplicado a un conjunto de datos climáticos con cinco años de observaciones de la red agroclimática “Valle del Fuerte” del distrito de riego 075, localizada en el norte de Sinaloa, México. El algoritmo de entrenamiento supervisado de Levenberg-Marquardt permitió obtener un buen desempeño de la red en términos del error cuadrático medio y del coeficiente de determinación R2 para estimar la ETo en los diferentes escenarios considerados. Las predicciones de las RNA fueron comparadas con las predicciones de modelos de regresión lineal múltiple y lineal por partes; los resultados muestran que ambos modelos presentan niveles de ajuste muy similares a los datos experimentales.

Evapotranspiración Requerimientos de riego Variables climáticas Distritos de riego Regresión no lineal Redes neuronales artificiales CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA

Worldwide selection footprints for drought and heat in bread wheat (Triticum aestivum L.)

Ana Luisa Gómez Espejo Carolina Sansaloni Juan Burgueño Fernando Henrique Toledo Adalberto Benavides-Mendoza M. Humberto Reyes-Valdés (2022, [Artículo])

Genome–Environment Associations Climatic Variables Hormonal Elicitors CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA ADAPTATION DROUGHT STRESS HEAT STRESS LANDRACES TRITICUM AESTIVUM

Emmer wheat eco-geographic and genomic congruence shapes phenotypic performance under mediterranean climate

Dana Fuerst SHAILESH YADAV Rajib Roychowdhury Carolina Sansaloni Sariel Hübner (2022, [Artículo])

Emmer Wheat CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA WHEAT GENETIC VARIATION CLIMATE PHENOLOGY YIELDS MEDITERRANEAN CLIMATE

Radiative transfer model inversion using high-resolution hyperspectral airborne imagery – Retrieving maize LAI to access biomass and grain yield

Ahmed Kayad Francelino Rodrigues Marco Sozzi Francesco Pirotti Francesco Marinello Urs Schulthess Bruno Gerard Marie Weiss (2022, [Artículo])

PROSAIL Vegetation Indices Field Variability Digital Farming CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA PRECISION AGRICULTURE MAIZE GRAIN YIELD BIOMASS VEGETATION VEGETATION INDEX

Spatiotemporal analysis of rainfall and temperature variability and trends for climate resilient maize farming system in major agroecology zones of northwest Ethiopia

Kindie Tesfaye Dereje Ademe Enyew Adgo (2023, [Artículo])

Spatiotemporal studies of the annual and seasonal climate variability and trend on an agroecological spatial scale for establishing a climate-resilient maize farming system have not yet been conducted in Ethiopia. The study was carried out in three major agroecological zones in northwest Ethiopia using climate data from 1987 to 2018. The coefficient of variation (CV), precipitation concertation index (PCI), and rainfall anomaly index (RAI) were used to analyze the variability of rainfall. The Mann-Kendall test and Sen’s slope estimator were also applied to estimate trends and slopes of changes in rainfall and temperature. High-significance warming trends in the maximum and minimum temperatures were shown in the highland and lowland agroecology zones, respectively. Rainfall has also demonstrated a maximum declining trend throughout the keremt season in the highland agroecology zone. However, rainfall distribution has become more unpredictable in the Bega and Belg seasons. Climate-resilient maize agronomic activities have been determined by analyzing the onset and cessation dates and the length of the growth period (LGP). The rainy season begins between May 8 and June 3 and finishes between October 26 and November 16. The length of the growth period (LGP) during the rainy season ranges from 94 to 229 days.

Climate Trends Spatiotemporal Analysis Agroecology Zone CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA AGROECOLOGY CLIMATE CLIMATE VARIABILITY MAIZE