pág. 2318
ASOCIACIÓN ENTRE VARIABLES
CLIMATOLÓGICAS Y RENDIMIENTO DE
PALMA ACEITERA (ELAEIS GUINEENSIS
JACQ.) EN DOS LOCALIDADES DE LA
PROVINCIA DE PADRE ABAD, UCAYALI,
PERÚ
ASSOCIATION BETWEEN CLIMATIC VARIABLES AND OIL
PALM (ELAEIS GUINEENSIS JACQ.) YIELD AT TWO
LOCATIONS IN THE PROVINCE OF PADRE ABAD,
UCAYALI, PERU
María Adelaida Pilco-Lozano
Universidad Nacional de Ucayali
Fernando Pérez Leal
Universidad Nacional de Ucayali
Raúl Armando Pilco-Panduro
Universidad Nacional de Ucayali
José Antonio López-Ucariegue
Universidad Nacional de Ucayali
Luis Alberto Díaz-Sandoval
Universidad Nacional de Ucayali
Wagner Michel Paredes-Isidro
Universidad Nacional de Ucayali
pág. 2319
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25262
Asociación entre variables climatológicas y rendimiento de palma aceitera
(Elaeis guineensis Jacq.) en dos localidades de la provincia de Padre Abad,
Ucayali, Perú
María Adelaida Pilco-Lozano1
maria_pilco@unu.edu.pe
https://orcid.org/0000-0001-9462-7274
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
María Adelaida Pilco Lozano:
Fernando Pérez Leal
fernando_perez@unu.edu.pe
https://orcid.org/0000-0003-4753-5603
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
Raúl Armando Pilco-Panduro
raul_pilco@unu.edu.pe
https://orcid.org/0009-0003-2541-2933
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
Raúl Armando Pilco Panduro:
José Antonio López-Ucariegue
jose_lopez@unu.edu.pe
https://orcid.org/0000-0002-9912-0568
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
José Antonio López Ucariegue
Luis Alberto Díaz-Sandoval
luis_diaz@unu.edu.pe
https://orcid.org/0009-0003-2541-2933
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
Wagner Michel Paredes-Isidro
paredes.isidro.10@gmail.com
https://orcid.org/0009-0003-9314-3173
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
Wagner Michel Paredes Isidro
RESUMEN
El objetivo de este estudio fue analizar la asociación entre las principales variables climatológicas y el
rendimiento de palma aceitera en los distritos de Neshuya y Boquerón, provincia de Padre Abad, durante
el período de junio a diciembre de 2025. Se instalaron estaciones meteorológicas automáticas en parcelas
comerciales de ambas localidades para registrar temperatura, precipitación, humedad relativa y
radiación solar. El rendimiento se determinó mediante el pesaje de racimos cosechados en 40 plantas
por zona y mes. La normalidad de los datos se evaluó con la prueba de Shapiro-Wilk, la comparación
entre zonas se realizó mediante la prueba U de Mann-Whitney y un ANOVA de medidas repetidas, y
las asociaciones bivariadas se estimaron con el coeficiente de Spearman. Los resultados indicaron una
variación temporal significativa del rendimiento (F = 49,168; p = 0,013), sin diferencias globales entre
zonas (F = 0,315; p = 0,631). La temperatura mínima presentó la correlación más alta con el rendimiento
(rho = 0,822; p < 0,001), seguida de la precipitación acumulada (rho = 0,688; p = 0,007). Un modelo de
regresión por pasos incorporó la precipitación y la temperatura media como predictores, explicando el
56,8 % de la varianza. La radiación solar y la humedad relativa no mostraron asociación significativa.
Estos resultados aportan una línea base microclimática para la gestión agroclimática del cultivo en la
provincia de Padre Abad.
Palabras clave: palma aceitera; microclima; precipitación; temperatura; rendimiento de cultivo;
correlación de Spearman; Amazonía peruana
1 Autor principal
Correspondencia: maria_pilco@unu.edu.pe
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25262
Asociación entre variables climatológicas y rendimiento de palma aceitera
(Elaeis guineensis Jacq.) en dos localidades de la provincia de Padre Abad,
Ucayali, Perú
María Adelaida Pilco-Lozano1
maria_pilco@unu.edu.pe
https://orcid.org/0000-0001-9462-7274
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
María Adelaida Pilco Lozano:
Fernando Pérez Leal
fernando_perez@unu.edu.pe
https://orcid.org/0000-0003-4753-5603
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
Raúl Armando Pilco-Panduro
raul_pilco@unu.edu.pe
https://orcid.org/0009-0003-2541-2933
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
Raúl Armando Pilco Panduro:
José Antonio López-Ucariegue
jose_lopez@unu.edu.pe
https://orcid.org/0000-0002-9912-0568
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
José Antonio López Ucariegue
Luis Alberto Díaz-Sandoval
luis_diaz@unu.edu.pe
https://orcid.org/0009-0003-2541-2933
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
Wagner Michel Paredes-Isidro
paredes.isidro.10@gmail.com
https://orcid.org/0009-0003-9314-3173
Universidad Nacional de Ucayali, Facultad de
Ciencias Agropecuarias, Carretera Federico
Basadre Km. 6,200, Calleria, Coronel Portillo,
Ucayali, Perú
Wagner Michel Paredes Isidro
RESUMEN
El objetivo de este estudio fue analizar la asociación entre las principales variables climatológicas y el
rendimiento de palma aceitera en los distritos de Neshuya y Boquerón, provincia de Padre Abad, durante
el período de junio a diciembre de 2025. Se instalaron estaciones meteorológicas automáticas en parcelas
comerciales de ambas localidades para registrar temperatura, precipitación, humedad relativa y
radiación solar. El rendimiento se determinó mediante el pesaje de racimos cosechados en 40 plantas
por zona y mes. La normalidad de los datos se evaluó con la prueba de Shapiro-Wilk, la comparación
entre zonas se realizó mediante la prueba U de Mann-Whitney y un ANOVA de medidas repetidas, y
las asociaciones bivariadas se estimaron con el coeficiente de Spearman. Los resultados indicaron una
variación temporal significativa del rendimiento (F = 49,168; p = 0,013), sin diferencias globales entre
zonas (F = 0,315; p = 0,631). La temperatura mínima presentó la correlación más alta con el rendimiento
(rho = 0,822; p < 0,001), seguida de la precipitación acumulada (rho = 0,688; p = 0,007). Un modelo de
regresión por pasos incorporó la precipitación y la temperatura media como predictores, explicando el
56,8 % de la varianza. La radiación solar y la humedad relativa no mostraron asociación significativa.
Estos resultados aportan una línea base microclimática para la gestión agroclimática del cultivo en la
provincia de Padre Abad.
Palabras clave: palma aceitera; microclima; precipitación; temperatura; rendimiento de cultivo;
correlación de Spearman; Amazonía peruana
1 Autor principal
Correspondencia: maria_pilco@unu.edu.pe
pág. 2320
Association Between Climatic Variables and Oil Palm (Elaeis guineensis
Jacq.) Yield at Two Locations in the Province of Padre Abad, Ucayali, Peru
ABSTRACT
This study aimed to analyze the association between key climatological variables and oil palm yield in
the Neshuya and Boquerón districts, Padre Abad province, from June to December 2025. Automatic
weather stations were installed in commercial plots at both sites to record temperature, precipitation,
relative humidity, and solar radiation. Yield was determined by weighing harvested bunches from 40
plants per site per month. Data normality was assessed using the Shapiro-Wilk test, between-site
comparisons were performed through the Mann-Whitney U test and repeated-measures ANOVA, and
bivariate associations were estimated using Spearman's correlation coefficient. Results showed
significant temporal variation in yield (F = 49.168; p = 0.013) with no overall differences between sites
(F = 0.315; p = 0.631). Minimum temperature exhibited the strongest correlation with yield (rho = 0.822;
p < 0.001), followed by cumulative precipitation (rho = 0.688; p = 0.007). A stepwise regression model
retained precipitation and mean temperature as predictors, accounting for 56.8% of the variance. Solar
radiation and relative humidity showed no significant association. These findings provide a
microclimatic baseline for agroclimate-informed crop management in the Padre Abad province.
Keywords: oil palm; microclimate; precipitation; temperature; crop yield; Spearman correlation;
Peruvian Amazon
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
Association Between Climatic Variables and Oil Palm (Elaeis guineensis
Jacq.) Yield at Two Locations in the Province of Padre Abad, Ucayali, Peru
ABSTRACT
This study aimed to analyze the association between key climatological variables and oil palm yield in
the Neshuya and Boquerón districts, Padre Abad province, from June to December 2025. Automatic
weather stations were installed in commercial plots at both sites to record temperature, precipitation,
relative humidity, and solar radiation. Yield was determined by weighing harvested bunches from 40
plants per site per month. Data normality was assessed using the Shapiro-Wilk test, between-site
comparisons were performed through the Mann-Whitney U test and repeated-measures ANOVA, and
bivariate associations were estimated using Spearman's correlation coefficient. Results showed
significant temporal variation in yield (F = 49.168; p = 0.013) with no overall differences between sites
(F = 0.315; p = 0.631). Minimum temperature exhibited the strongest correlation with yield (rho = 0.822;
p < 0.001), followed by cumulative precipitation (rho = 0.688; p = 0.007). A stepwise regression model
retained precipitation and mean temperature as predictors, accounting for 56.8% of the variance. Solar
radiation and relative humidity showed no significant association. These findings provide a
microclimatic baseline for agroclimate-informed crop management in the Padre Abad province.
Keywords: oil palm; microclimate; precipitation; temperature; crop yield; Spearman correlation;
Peruvian Amazon
Artículo recibido 20 mayo 2026
Aceptado para publicación: 20 junio 2026
pág. 2321
1. INTRODUCCIÓN
La palma aceitera (Elaeis guineensis Jacq.) es el cultivo oleaginoso de mayor rendimiento por unidad
de superficie a nivel mundial (Corley y Tinker, 2016). En el Perú, el cultivo se concentra en las regiones
amazónicas de San Martín y Ucayali, que reúnen aproximadamente el 77 % del área plantada nacional
(Brizuela-Torres et al., 2025), y en la provincia de Padre Abad constituye una actividad económicamente
relevante para pequeños productores (Munariz, 2020). No obstante, la productividad promedio se
mantiene por debajo de los rendimientos potenciales. Woittiez et al. (2017) propusieron que esta brecha
puede interpretarse a partir de factores determinantes, limitantes y reductores del rendimiento.
Las condiciones climáticas regulan procesos fisiológicos clave como la fotosíntesis, la diferenciación
floral y el llenado de frutos. El ciclo reproductivo de la palma aceitera se extiende entre 24 y 36 meses,
por lo que las condiciones en distintas fases del desarrollo influyen sobre la producción (Corley y Tinker,
2016; Legros et al., 2009; Combres et al., 2013). Sarkar et al. (2020) encontraron una relación negativa
entre la temperatura media anual y la producción en Malasia, con reducciones de 10 a 41 % ante
incrementos de 1 a 4 °C. Sin embargo, la relación no es lineal: dentro del rango óptimo, temperaturas
nocturnas más elevadas pueden favorecer la actividad fisiológica, mientras que valores excesivos
generan estrés térmico (Apichatmeta et al., 2017; Safitri et al., 2026).
La disponibilidad hídrica es otro factor determinante. Carr (2011) señaló que la palma requiere
precipitaciones anuales superiores a 2000 mm distribuidas regularmente, y que déficits acumulados por
encima de 200 mm generan caídas significativas en la producción. Rhebergen et al. (2016) y Monzon et
al. (2022) identificaron el estrés hídrico como principal limitante climática del rendimiento, hallazgo
respaldado por Wandri et al. (2025) en ensayos de largo plazo en Indonesia. La precipitación acumulada
ha sido reconocida como predictor relevante del rendimiento en modelos estadísticos y simulaciones
agrometeorológicas (Oettli et al., 2018; Pradiko et al., 2023), y la variabilidad climática extrema puede
influir significativamente en la productividad (Kamil et al., 2024).
Otras variables han recibido menor atención. La radiación solar rara vez alcanza niveles limitantes en
regiones tropicales húmedas (Squire, 1986; Safitri et al., 2026), y el efecto de la humedad relativa tiende
a confundirse con el de la temperatura y la precipitación (Dufrêne y Saugier, 1993; Hardwick et al.,
2015).
1. INTRODUCCIÓN
La palma aceitera (Elaeis guineensis Jacq.) es el cultivo oleaginoso de mayor rendimiento por unidad
de superficie a nivel mundial (Corley y Tinker, 2016). En el Perú, el cultivo se concentra en las regiones
amazónicas de San Martín y Ucayali, que reúnen aproximadamente el 77 % del área plantada nacional
(Brizuela-Torres et al., 2025), y en la provincia de Padre Abad constituye una actividad económicamente
relevante para pequeños productores (Munariz, 2020). No obstante, la productividad promedio se
mantiene por debajo de los rendimientos potenciales. Woittiez et al. (2017) propusieron que esta brecha
puede interpretarse a partir de factores determinantes, limitantes y reductores del rendimiento.
Las condiciones climáticas regulan procesos fisiológicos clave como la fotosíntesis, la diferenciación
floral y el llenado de frutos. El ciclo reproductivo de la palma aceitera se extiende entre 24 y 36 meses,
por lo que las condiciones en distintas fases del desarrollo influyen sobre la producción (Corley y Tinker,
2016; Legros et al., 2009; Combres et al., 2013). Sarkar et al. (2020) encontraron una relación negativa
entre la temperatura media anual y la producción en Malasia, con reducciones de 10 a 41 % ante
incrementos de 1 a 4 °C. Sin embargo, la relación no es lineal: dentro del rango óptimo, temperaturas
nocturnas más elevadas pueden favorecer la actividad fisiológica, mientras que valores excesivos
generan estrés térmico (Apichatmeta et al., 2017; Safitri et al., 2026).
La disponibilidad hídrica es otro factor determinante. Carr (2011) señaló que la palma requiere
precipitaciones anuales superiores a 2000 mm distribuidas regularmente, y que déficits acumulados por
encima de 200 mm generan caídas significativas en la producción. Rhebergen et al. (2016) y Monzon et
al. (2022) identificaron el estrés hídrico como principal limitante climática del rendimiento, hallazgo
respaldado por Wandri et al. (2025) en ensayos de largo plazo en Indonesia. La precipitación acumulada
ha sido reconocida como predictor relevante del rendimiento en modelos estadísticos y simulaciones
agrometeorológicas (Oettli et al., 2018; Pradiko et al., 2023), y la variabilidad climática extrema puede
influir significativamente en la productividad (Kamil et al., 2024).
Otras variables han recibido menor atención. La radiación solar rara vez alcanza niveles limitantes en
regiones tropicales húmedas (Squire, 1986; Safitri et al., 2026), y el efecto de la humedad relativa tiende
a confundirse con el de la temperatura y la precipitación (Dufrêne y Saugier, 1993; Hardwick et al.,
2015).
pág. 2322
La mayor parte de la evidencia disponible sobre la relación entre variables climáticas y rendimiento de
palma aceitera proviene de plantaciones industriales del sudeste asiático y de África occidental (Woittiez
et al., 2017). Estudios recientes han demostrado que el cambio climático puede modificar la aptitud de
las áreas de cultivo y afectar la productividad de sistemas agrícolas tropicales, especialmente a través
de alteraciones en los patrones de temperatura y precipitación (Appelt et al., 2023).
En el Perú, Panduro (2021) evaluó el efecto de la temperatura y la precipitación sobre la producción en
Ucayali con datos de estaciones regionales, y Mozombite-Moreno y Revolo-Acevedo (2025) analizaron
la relación clima-rendimiento en Yurimaguas. Ambos estudios emplearon registros de fuentes
secundarias, lo cual limita la captura de la variabilidad microclimática dentro de las parcelas. Hardwick
et al. (2015) demostraron que las condiciones microclimáticas en las plantaciones difieren de las
registradas en estaciones convencionales. Para Neshuya y Boquerón no se han identificado estudios con
monitoreo automatizado en parcela, lo cual dificulta la formulación de estrategias de manejo
agroclimático (Pradiko et al., 2023).
El presente estudio tuvo como objetivo analizar la asociación entre las variables climatológicas
registradas in situ y el rendimiento de palma aceitera en parcelas comerciales de Neshuya y Boquerón
durante junio a diciembre de 2025, evaluando las diferencias entre localidades y la capacidad predictiva
de las variables climáticas sobre la variación del rendimiento.
2. METODOLOGÍA
2.1. Área de estudio
La investigación se desarrolló en dos zonas del ámbito palmicultor de la provincia de Padre Abad, región
Ucayali, Perú. La primera zona se ubicó en el distrito de Neshuya, en predios de la Cooperativa Central
de Palmicultores de Ucayali (COCEPU), a 200 msnm (8°38'24" S, 74°58'12" O). La segunda
correspondió al distrito de Boquerón, en predios de la Asociación de Palmicultores (ASPASH), a 300
msnm (9°2'0" S, 75°30'36" O). La distancia aproximada entre ambas zonas es de 50 km y presentan
diferencias altitudinales y pluviométricas que justifican su comparación en términos agroclimáticos
(Figura 1).
En cada zona se seleccionaron dos parcelas comerciales de palma aceitera mediante muestreo no
probabilístico basado en criterios de elegibilidad relacionados con accesibilidad, homogeneidad del
La mayor parte de la evidencia disponible sobre la relación entre variables climáticas y rendimiento de
palma aceitera proviene de plantaciones industriales del sudeste asiático y de África occidental (Woittiez
et al., 2017). Estudios recientes han demostrado que el cambio climático puede modificar la aptitud de
las áreas de cultivo y afectar la productividad de sistemas agrícolas tropicales, especialmente a través
de alteraciones en los patrones de temperatura y precipitación (Appelt et al., 2023).
En el Perú, Panduro (2021) evaluó el efecto de la temperatura y la precipitación sobre la producción en
Ucayali con datos de estaciones regionales, y Mozombite-Moreno y Revolo-Acevedo (2025) analizaron
la relación clima-rendimiento en Yurimaguas. Ambos estudios emplearon registros de fuentes
secundarias, lo cual limita la captura de la variabilidad microclimática dentro de las parcelas. Hardwick
et al. (2015) demostraron que las condiciones microclimáticas en las plantaciones difieren de las
registradas en estaciones convencionales. Para Neshuya y Boquerón no se han identificado estudios con
monitoreo automatizado en parcela, lo cual dificulta la formulación de estrategias de manejo
agroclimático (Pradiko et al., 2023).
El presente estudio tuvo como objetivo analizar la asociación entre las variables climatológicas
registradas in situ y el rendimiento de palma aceitera en parcelas comerciales de Neshuya y Boquerón
durante junio a diciembre de 2025, evaluando las diferencias entre localidades y la capacidad predictiva
de las variables climáticas sobre la variación del rendimiento.
2. METODOLOGÍA
2.1. Área de estudio
La investigación se desarrolló en dos zonas del ámbito palmicultor de la provincia de Padre Abad, región
Ucayali, Perú. La primera zona se ubicó en el distrito de Neshuya, en predios de la Cooperativa Central
de Palmicultores de Ucayali (COCEPU), a 200 msnm (8°38'24" S, 74°58'12" O). La segunda
correspondió al distrito de Boquerón, en predios de la Asociación de Palmicultores (ASPASH), a 300
msnm (9°2'0" S, 75°30'36" O). La distancia aproximada entre ambas zonas es de 50 km y presentan
diferencias altitudinales y pluviométricas que justifican su comparación en términos agroclimáticos
(Figura 1).
En cada zona se seleccionaron dos parcelas comerciales de palma aceitera mediante muestreo no
probabilístico basado en criterios de elegibilidad relacionados con accesibilidad, homogeneidad del
pág. 2323
manejo y disponibilidad de información productiva. Las palmas presentaron una edad comprendida
entre 8 y 10 años, correspondiente a la fase de madurez productiva. El material genético correspondió
al híbrido comercial tipo Deli × AVROS (DxP) de Elaeis guineensis, con una densidad de siembra de
143 plantas por hectárea. Las parcelas compartieron condiciones similares de manejo agronómico en
cuanto a fertilización, control fitosanitario y frecuencia de cosecha.
manejo y disponibilidad de información productiva. Las palmas presentaron una edad comprendida
entre 8 y 10 años, correspondiente a la fase de madurez productiva. El material genético correspondió
al híbrido comercial tipo Deli × AVROS (DxP) de Elaeis guineensis, con una densidad de siembra de
143 plantas por hectárea. Las parcelas compartieron condiciones similares de manejo agronómico en
cuanto a fertilización, control fitosanitario y frecuencia de cosecha.
pág. 2324
2.2. Tipo y diseño de investigación
El estudio correspondió a un diseño observacional, prospectivo y longitudinal, dado que las variables se
registraron sin manipulación experimental a lo largo de siete meses consecutivos (junio a diciembre de
2025). El análisis incluyó un componente descriptivo y correlacional para evaluar la asociación entre
variables climatológicas y rendimiento. La clasificación del diseño se estableció siguiendo el sistema de
clasificación de diseños de investigación propuesto por Ato et al. (2013), ubicando el presente estudio
dentro de los diseños observacionales con alcance descriptivo-correlacional
2.3. Monitoreo climatológico
Se instaló una estación meteorológica automática modelo HP2550 en la parte central de cada zona de
estudio. Los equipos registraron las variables climáticas de forma continua a intervalos horarios. Los
datos se almacenaron en tarjeta MicroSD y se descargaron periódicamente para su consolidación. Las
variables registradas fueron temperatura ambiental (°C), humedad relativa (%), precipitación acumulada
(mm), radiación solar (W/m²), velocidad del viento (m/s) y presión barométrica (hPa), de acuerdo con
las especificaciones técnicas del fabricante (Ecowitt, 2024). Las estaciones fueron adquiridas, instaladas
y calibradas entre marzo y abril de 2025.
El período de análisis comprendió de junio a diciembre de 2025, correspondiente al intervalo en el que
se dispuso simultáneamente de registros climáticos validados y de evaluaciones de rendimiento en
campo. Los registros horarios se consolidaron en promedios mensuales para temperatura (media,
máxima y mínima), humedad relativa, radiación solar, velocidad del viento y presión barométrica,
mientras que la precipitación se expresó como acumulado mensual. El punto de rocío, también registrado
por las estaciones, no se incluyó en el análisis principal por tratarse de una variable derivada de la
temperatura y la humedad relativa.
Previamente al análisis se verificó la integridad de los registros y la consistencia temporal de la
información generada por ambas estaciones.
2.4. Evaluación de rendimiento
El rendimiento se evaluó mediante visitas periódicas a las parcelas durante el período de junio a
diciembre de 2025. En cada evaluación se registró el número de racimos cosechados y se pesó
individualmente cada racimo en 20 plantas previamente marcadas por parcela, utilizando una balanza
2.2. Tipo y diseño de investigación
El estudio correspondió a un diseño observacional, prospectivo y longitudinal, dado que las variables se
registraron sin manipulación experimental a lo largo de siete meses consecutivos (junio a diciembre de
2025). El análisis incluyó un componente descriptivo y correlacional para evaluar la asociación entre
variables climatológicas y rendimiento. La clasificación del diseño se estableció siguiendo el sistema de
clasificación de diseños de investigación propuesto por Ato et al. (2013), ubicando el presente estudio
dentro de los diseños observacionales con alcance descriptivo-correlacional
2.3. Monitoreo climatológico
Se instaló una estación meteorológica automática modelo HP2550 en la parte central de cada zona de
estudio. Los equipos registraron las variables climáticas de forma continua a intervalos horarios. Los
datos se almacenaron en tarjeta MicroSD y se descargaron periódicamente para su consolidación. Las
variables registradas fueron temperatura ambiental (°C), humedad relativa (%), precipitación acumulada
(mm), radiación solar (W/m²), velocidad del viento (m/s) y presión barométrica (hPa), de acuerdo con
las especificaciones técnicas del fabricante (Ecowitt, 2024). Las estaciones fueron adquiridas, instaladas
y calibradas entre marzo y abril de 2025.
El período de análisis comprendió de junio a diciembre de 2025, correspondiente al intervalo en el que
se dispuso simultáneamente de registros climáticos validados y de evaluaciones de rendimiento en
campo. Los registros horarios se consolidaron en promedios mensuales para temperatura (media,
máxima y mínima), humedad relativa, radiación solar, velocidad del viento y presión barométrica,
mientras que la precipitación se expresó como acumulado mensual. El punto de rocío, también registrado
por las estaciones, no se incluyó en el análisis principal por tratarse de una variable derivada de la
temperatura y la humedad relativa.
Previamente al análisis se verificó la integridad de los registros y la consistencia temporal de la
información generada por ambas estaciones.
2.4. Evaluación de rendimiento
El rendimiento se evaluó mediante visitas periódicas a las parcelas durante el período de junio a
diciembre de 2025. En cada evaluación se registró el número de racimos cosechados y se pesó
individualmente cada racimo en 20 plantas previamente marcadas por parcela, utilizando una balanza
pág. 2325
digital calibrada con una precisión de ±0,1 kg. La frecuencia de evaluación fue quincenal. En total se
evaluaron 80 plantas (40 por zona) distribuidas en cuatro parcelas (dos por zona).
El rendimiento por planta se calculó a partir del número de racimos cosechados y el peso individual de
cada racimo registrado en cada evaluación. Para la conversión a toneladas por hectárea se utilizó la
fórmula: rendimiento (t/ha) = peso total (kg) × 143 / (número de plantas evaluadas × 1000), donde el
peso total corresponde a la suma del peso de todos los racimos registrados y 143 a la densidad de siembra
expresada en plantas por hectárea. Los valores mensuales se obtuvieron como el acumulado de todas las
evaluaciones realizadas dentro de cada mes. Los análisis se realizaron a partir de valores agregados
mensuales por parcela y por zona.
2.5. Análisis estadístico
El procesamiento inicial de datos se realizó en Microsoft Excel para la consolidación de bases de datos.
Se verificó la integridad de los registros climáticos y se corrigieron las inconsistencias puntuales
detectadas en la digitación de los datos de rendimiento. Los análisis inferenciales se ejecutaron en IBM
SPSS Statistics versión 26. La ruta analítica comprendió seis fases secuenciales que se describen a
continuación.
En primer lugar, se calcularon la media, desviación estándar y valores extremos para todas las variables
de rendimiento y climáticas, segmentados por zona y mes. Se utilizaron 560 registros de rendimiento a
nivel de planta (80 plantas evaluadas durante siete meses) y 14 observaciones mensuales para las
variables climatológicas (siete por zona).
Para verificar el supuesto de normalidad se aplicó la prueba de Shapiro-Wilk a la distribución del
rendimiento en cada zona. Esta prueba fue seleccionada por su desempeño superior frente a
Kolmogorov-Smirnov en la detección de desviaciones de la distribución normal con muestras de
distintos tamaños (Shapiro y Wilk, 1965; Ghasemi y Zahediasl, 2012).
La comparación del rendimiento entre zonas se realizó por mes utilizando dos pruebas complementarias
sobre los valores de rendimiento a nivel de planta. La prueba t de Student para muestras independientes
comparó 40 plantas de Neshuya frente a 40 de Boquerón en cada mes. Dado que los datos no cumplieron
el supuesto de normalidad, se aplicó simultáneamente la prueba U de Mann-Whitney (Mann y Whitney,
1947) como alternativa no paramétrica, adoptando un nivel de significancia de 0,05 para ambas pruebas.
digital calibrada con una precisión de ±0,1 kg. La frecuencia de evaluación fue quincenal. En total se
evaluaron 80 plantas (40 por zona) distribuidas en cuatro parcelas (dos por zona).
El rendimiento por planta se calculó a partir del número de racimos cosechados y el peso individual de
cada racimo registrado en cada evaluación. Para la conversión a toneladas por hectárea se utilizó la
fórmula: rendimiento (t/ha) = peso total (kg) × 143 / (número de plantas evaluadas × 1000), donde el
peso total corresponde a la suma del peso de todos los racimos registrados y 143 a la densidad de siembra
expresada en plantas por hectárea. Los valores mensuales se obtuvieron como el acumulado de todas las
evaluaciones realizadas dentro de cada mes. Los análisis se realizaron a partir de valores agregados
mensuales por parcela y por zona.
2.5. Análisis estadístico
El procesamiento inicial de datos se realizó en Microsoft Excel para la consolidación de bases de datos.
Se verificó la integridad de los registros climáticos y se corrigieron las inconsistencias puntuales
detectadas en la digitación de los datos de rendimiento. Los análisis inferenciales se ejecutaron en IBM
SPSS Statistics versión 26. La ruta analítica comprendió seis fases secuenciales que se describen a
continuación.
En primer lugar, se calcularon la media, desviación estándar y valores extremos para todas las variables
de rendimiento y climáticas, segmentados por zona y mes. Se utilizaron 560 registros de rendimiento a
nivel de planta (80 plantas evaluadas durante siete meses) y 14 observaciones mensuales para las
variables climatológicas (siete por zona).
Para verificar el supuesto de normalidad se aplicó la prueba de Shapiro-Wilk a la distribución del
rendimiento en cada zona. Esta prueba fue seleccionada por su desempeño superior frente a
Kolmogorov-Smirnov en la detección de desviaciones de la distribución normal con muestras de
distintos tamaños (Shapiro y Wilk, 1965; Ghasemi y Zahediasl, 2012).
La comparación del rendimiento entre zonas se realizó por mes utilizando dos pruebas complementarias
sobre los valores de rendimiento a nivel de planta. La prueba t de Student para muestras independientes
comparó 40 plantas de Neshuya frente a 40 de Boquerón en cada mes. Dado que los datos no cumplieron
el supuesto de normalidad, se aplicó simultáneamente la prueba U de Mann-Whitney (Mann y Whitney,
1947) como alternativa no paramétrica, adoptando un nivel de significancia de 0,05 para ambas pruebas.
pág. 2326
Se aplicó un modelo lineal general con medidas repetidas para evaluar el efecto del factor tiempo (mes,
siete niveles) como factor intra-sujetos y la zona (dos niveles) como factor inter-sujetos. En este análisis,
la unidad experimental fue la parcela, con cuatro observaciones (dos parcelas por zona), por lo que la
matriz de datos se reestructuró calculando el rendimiento promedio mensual por parcela. La esfericidad
se evaluó con la prueba de Mauchly (1940) y, ante su violación, se aplicó la corrección de Greenhouse-
Geisser (1959).
El coeficiente de correlación de Spearman se utilizó para evaluar la asociación entre cada variable
climatológica mensual y el rendimiento, empleando como unidad de análisis las observaciones
mensuales por zona (n = 14). Se seleccionó esta alternativa no paramétrica en lugar del coeficiente de
Pearson debido al incumplimiento del supuesto de normalidad y al reducido tamaño muestral
(Spearman, 1904). El análisis principal se realizó con los datos combinados de ambas zonas (n = 14).
Finalmente, se realizó un análisis de regresión lineal múltiple con selección por pasos (stepwise) para
identificar las variables climatológicas con mayor capacidad predictiva sobre el rendimiento mensual.
Las variables candidatas fueron temperatura media, precipitación acumulada, humedad relativa media
y radiación solar media. Los criterios de entrada y salida del modelo se fijaron en p ≤ 0,05 y p ≥ 0,10.
Se verificó la ausencia de multicolinealidad mediante el factor de inflación de la varianza (VIF < 10) y
la independencia de los residuos con el estadístico de Durbin-Watson (Durbin y Watson, 1951; O'Brien,
2007).
3. Resultados y discusión
3.1. Caracterización climatológica de las zonas de estudio
La Tabla 1 presenta el resumen mensual de las variables climatológicas registradas en Neshuya y
Boquerón durante el período de junio a diciembre de 2025. En Neshuya, la temperatura media mensual
osciló entre 24,16 °C en julio y 25,55 °C en noviembre, la precipitación acumulada varió entre 19,9 mm
en julio y 365,0 mm en octubre, la humedad relativa media se mantuvo entre 83,30 % y 90,99 %, y la
radiación solar media fluctuó entre 113,90 y 150,11 W/m².
En Boquerón, la temperatura media registró valores entre 23,91 °C en julio y 24,96 °C en septiembre.
La precipitación acumulada fue considerablemente mayor que en Neshuya, con valores entre 140,7 mm
en septiembre y 796,3 mm en octubre. La humedad relativa media se ubicó entre 87,24 % y 94,16 %,
Se aplicó un modelo lineal general con medidas repetidas para evaluar el efecto del factor tiempo (mes,
siete niveles) como factor intra-sujetos y la zona (dos niveles) como factor inter-sujetos. En este análisis,
la unidad experimental fue la parcela, con cuatro observaciones (dos parcelas por zona), por lo que la
matriz de datos se reestructuró calculando el rendimiento promedio mensual por parcela. La esfericidad
se evaluó con la prueba de Mauchly (1940) y, ante su violación, se aplicó la corrección de Greenhouse-
Geisser (1959).
El coeficiente de correlación de Spearman se utilizó para evaluar la asociación entre cada variable
climatológica mensual y el rendimiento, empleando como unidad de análisis las observaciones
mensuales por zona (n = 14). Se seleccionó esta alternativa no paramétrica en lugar del coeficiente de
Pearson debido al incumplimiento del supuesto de normalidad y al reducido tamaño muestral
(Spearman, 1904). El análisis principal se realizó con los datos combinados de ambas zonas (n = 14).
Finalmente, se realizó un análisis de regresión lineal múltiple con selección por pasos (stepwise) para
identificar las variables climatológicas con mayor capacidad predictiva sobre el rendimiento mensual.
Las variables candidatas fueron temperatura media, precipitación acumulada, humedad relativa media
y radiación solar media. Los criterios de entrada y salida del modelo se fijaron en p ≤ 0,05 y p ≥ 0,10.
Se verificó la ausencia de multicolinealidad mediante el factor de inflación de la varianza (VIF < 10) y
la independencia de los residuos con el estadístico de Durbin-Watson (Durbin y Watson, 1951; O'Brien,
2007).
3. Resultados y discusión
3.1. Caracterización climatológica de las zonas de estudio
La Tabla 1 presenta el resumen mensual de las variables climatológicas registradas en Neshuya y
Boquerón durante el período de junio a diciembre de 2025. En Neshuya, la temperatura media mensual
osciló entre 24,16 °C en julio y 25,55 °C en noviembre, la precipitación acumulada varió entre 19,9 mm
en julio y 365,0 mm en octubre, la humedad relativa media se mantuvo entre 83,30 % y 90,99 %, y la
radiación solar media fluctuó entre 113,90 y 150,11 W/m².
En Boquerón, la temperatura media registró valores entre 23,91 °C en julio y 24,96 °C en septiembre.
La precipitación acumulada fue considerablemente mayor que en Neshuya, con valores entre 140,7 mm
en septiembre y 796,3 mm en octubre. La humedad relativa media se ubicó entre 87,24 % y 94,16 %,
pág. 2327
siendo consistentemente superior a la de Neshuya. La radiación solar media varió entre 105,39 y 139,64
W/m².
Tabla 1. Variables climatológicas mensuales en las zonas de Neshuya y Boquerón, junio-diciembre
2025
Zona Mes
T media
(°C)
T máx
(°C)
T mín
(°C)
HR (%)
Precip.
(mm)
Rad.
(W/m²)
Neshuya Junio 24,89 34,9 19,3 89,43 89,0 113,90
Neshuya Julio 24,16 34,4 15,6 85,26 19,9 122,99
Neshuya Agosto 25,37 35,3 17,5 83,30 147,1 150,11
Neshuya Septiembre 25,25 35,2 19,9 87,73 185,6 140,76
Neshuya Octubre 25,35 34,6 20,8 89,88 365,0 128,27
Neshuya Noviembre 25,55 33,5 21,2 90,99 260,1 114,57
Neshuya Diciembre 25,52 32,9 20,3 90,35 93,3 137,24
Boquerón Junio 24,12 32,5 18,8 91,98 282,2 105,39
Boquerón Julio 23,91 33,5 16,7 88,35 147,9 118,68
Boquerón Agosto 24,58 35,1 17,9 88,10 252,5 135,27
Boquerón Septiembre 24,96 35,2 18,3 87,24 140,7 139,64
Boquerón Octubre 24,69 36,1 19,9 90,86 796,3 131,57
Boquerón Noviembre 24,86 33,6 20,8 92,97 549,9 126,70
Boquerón Diciembre 24,63 32,5 20,2 94,16 642,6 106,07
Nota. T = temperatura; HR = humedad relativa; Precip. = precipitación acumulada mensual; Rad. = radiación solar. Datos
registrados por estaciones meteorológicas automáticas HP2550.
La diferencia más notable entre localidades correspondió a la precipitación acumulada mensual, donde
Boquerón superó a Neshuya en un promedio de 236,01 mm por mes. La humedad relativa fue 2,39
puntos porcentuales más elevada en Boquerón, mientras que la temperatura media resultó 0,62 °C
siendo consistentemente superior a la de Neshuya. La radiación solar media varió entre 105,39 y 139,64
W/m².
Tabla 1. Variables climatológicas mensuales en las zonas de Neshuya y Boquerón, junio-diciembre
2025
Zona Mes
T media
(°C)
T máx
(°C)
T mín
(°C)
HR (%)
Precip.
(mm)
Rad.
(W/m²)
Neshuya Junio 24,89 34,9 19,3 89,43 89,0 113,90
Neshuya Julio 24,16 34,4 15,6 85,26 19,9 122,99
Neshuya Agosto 25,37 35,3 17,5 83,30 147,1 150,11
Neshuya Septiembre 25,25 35,2 19,9 87,73 185,6 140,76
Neshuya Octubre 25,35 34,6 20,8 89,88 365,0 128,27
Neshuya Noviembre 25,55 33,5 21,2 90,99 260,1 114,57
Neshuya Diciembre 25,52 32,9 20,3 90,35 93,3 137,24
Boquerón Junio 24,12 32,5 18,8 91,98 282,2 105,39
Boquerón Julio 23,91 33,5 16,7 88,35 147,9 118,68
Boquerón Agosto 24,58 35,1 17,9 88,10 252,5 135,27
Boquerón Septiembre 24,96 35,2 18,3 87,24 140,7 139,64
Boquerón Octubre 24,69 36,1 19,9 90,86 796,3 131,57
Boquerón Noviembre 24,86 33,6 20,8 92,97 549,9 126,70
Boquerón Diciembre 24,63 32,5 20,2 94,16 642,6 106,07
Nota. T = temperatura; HR = humedad relativa; Precip. = precipitación acumulada mensual; Rad. = radiación solar. Datos
registrados por estaciones meteorológicas automáticas HP2550.
La diferencia más notable entre localidades correspondió a la precipitación acumulada mensual, donde
Boquerón superó a Neshuya en un promedio de 236,01 mm por mes. La humedad relativa fue 2,39
puntos porcentuales más elevada en Boquerón, mientras que la temperatura media resultó 0,62 °C
pág. 2328
inferior. La presión barométrica fue consistentemente menor en Boquerón, resultado coherente con su
mayor altitud (300 frente a 200 msnm).
3.2. Rendimiento de palma aceitera
La Tabla 2 presenta los estadísticos descriptivos del rendimiento para ambas zonas. En Neshuya, el
rendimiento medio mensual presentó una tendencia creciente desde junio (0,0309 t/ha) hasta alcanzar
su valor más alto en octubre (0,1801 t/ha), para luego descender en noviembre y diciembre. El peso
promedio por racimo superó los 11 kg en septiembre, octubre y diciembre.
En Boquerón, el rendimiento osciló entre 0,0181 t/ha en julio y 0,1531 t/ha en noviembre. El número
promedio de racimos por planta fue más elevado que en Neshuya en la mayoría de los meses, llegando
a 2,85 en noviembre, pero el peso promedio por racimo fue menor, situándose generalmente por debajo
de 10 kg. Este patrón indica que Boquerón produjo mayor cantidad de racimos de menor tamaño
individual.
Tabla 2. Estadísticos descriptivos del rendimiento de palma aceitera por zona, junio-diciembre 2025
Zona Mes n
Racimos/planta
(M ± DE)
Peso total kg
(M ± DE)
Peso/racimo kg
(M ± DE)
Rend. t/ha (M ±
DE)
Neshuya Junio 40 0,35 ± 0,77 4,33 ± 9,75 2,75 ± 5,40 0,0309 ± 0,0697
Neshuya Julio 40 0,42 ± 0,81 3,36 ± 6,82 2,12 ± 4,25 0,0240 ± 0,0488
Neshuya Agosto 40 0,50 ± 0,88 4,69 ± 9,40 2,39 ± 4,29 0,0336 ± 0,0672
Neshuya Septiembre 40 1,05 ± 1,11 12,87 ± 15,74 6,74 ± 7,07 0,0920 ± 0,1125
Neshuya Octubre 40 1,50 ± 1,36 25,19 ± 24,45 11,05 ± 8,39 0,1801 ± 0,1748
Neshuya Noviembre 40 1,68 ± 1,70 19,79 ± 20,72 8,08 ± 6,03 0,1415 ± 0,1481
Neshuya Diciembre 40 0,60 ± 0,78 6,85 ± 9,37 4,82 ± 5,92 0,0490 ± 0,0670
Boquerón Junio 40 1,02 ± 1,05 7,78 ± 8,28 5,05 ± 4,07 0,0556 ± 0,0592
Boquerón Julio 40 0,40 ± 0,67 2,53 ± 4,12 2,01 ± 3,27 0,0181 ± 0,0294
Boquerón Agosto 40 0,80 ± 0,99 6,04 ± 7,36 3,75 ± 4,24 0,0432 ± 0,0526
Boquerón Septiembre 40 1,32 ± 0,97 9,95 ± 8,36 5,91 ± 3,62 0,0711 ± 0,0598
inferior. La presión barométrica fue consistentemente menor en Boquerón, resultado coherente con su
mayor altitud (300 frente a 200 msnm).
3.2. Rendimiento de palma aceitera
La Tabla 2 presenta los estadísticos descriptivos del rendimiento para ambas zonas. En Neshuya, el
rendimiento medio mensual presentó una tendencia creciente desde junio (0,0309 t/ha) hasta alcanzar
su valor más alto en octubre (0,1801 t/ha), para luego descender en noviembre y diciembre. El peso
promedio por racimo superó los 11 kg en septiembre, octubre y diciembre.
En Boquerón, el rendimiento osciló entre 0,0181 t/ha en julio y 0,1531 t/ha en noviembre. El número
promedio de racimos por planta fue más elevado que en Neshuya en la mayoría de los meses, llegando
a 2,85 en noviembre, pero el peso promedio por racimo fue menor, situándose generalmente por debajo
de 10 kg. Este patrón indica que Boquerón produjo mayor cantidad de racimos de menor tamaño
individual.
Tabla 2. Estadísticos descriptivos del rendimiento de palma aceitera por zona, junio-diciembre 2025
Zona Mes n
Racimos/planta
(M ± DE)
Peso total kg
(M ± DE)
Peso/racimo kg
(M ± DE)
Rend. t/ha (M ±
DE)
Neshuya Junio 40 0,35 ± 0,77 4,33 ± 9,75 2,75 ± 5,40 0,0309 ± 0,0697
Neshuya Julio 40 0,42 ± 0,81 3,36 ± 6,82 2,12 ± 4,25 0,0240 ± 0,0488
Neshuya Agosto 40 0,50 ± 0,88 4,69 ± 9,40 2,39 ± 4,29 0,0336 ± 0,0672
Neshuya Septiembre 40 1,05 ± 1,11 12,87 ± 15,74 6,74 ± 7,07 0,0920 ± 0,1125
Neshuya Octubre 40 1,50 ± 1,36 25,19 ± 24,45 11,05 ± 8,39 0,1801 ± 0,1748
Neshuya Noviembre 40 1,68 ± 1,70 19,79 ± 20,72 8,08 ± 6,03 0,1415 ± 0,1481
Neshuya Diciembre 40 0,60 ± 0,78 6,85 ± 9,37 4,82 ± 5,92 0,0490 ± 0,0670
Boquerón Junio 40 1,02 ± 1,05 7,78 ± 8,28 5,05 ± 4,07 0,0556 ± 0,0592
Boquerón Julio 40 0,40 ± 0,67 2,53 ± 4,12 2,01 ± 3,27 0,0181 ± 0,0294
Boquerón Agosto 40 0,80 ± 0,99 6,04 ± 7,36 3,75 ± 4,24 0,0432 ± 0,0526
Boquerón Septiembre 40 1,32 ± 0,97 9,95 ± 8,36 5,91 ± 3,62 0,0711 ± 0,0598
pág. 2329
Zona Mes n
Racimos/planta
(M ± DE)
Peso total kg
(M ± DE)
Peso/racimo kg
(M ± DE)
Rend. t/ha (M ±
DE)
Boquerón Octubre 40 1,57 ± 1,57 15,91 ± 18,20 6,97 ± 5,08 0,1137 ± 0,1301
Boquerón Noviembre 40 2,85 ± 0,89 21,41 ± 8,98 7,31 ± 1,56 0,1531 ± 0,0642
Boquerón Diciembre 40 1,45 ± 0,88 9,69 ± 5,82 6,25 ± 2,30 0,0693 ± 0,0416
Nota. n = plantas evaluadas por mes; M = media; DE = desviación estándar. Densidad de siembra de 143 plantas/ha.
Rendimiento (t/ha) = peso total (kg) × 143 / (n × 1000).
Ambas zonas mostraron un patrón estacional similar, con rendimientos bajos entre junio y agosto y
valores máximos entre septiembre y noviembre (Figura 2). Diciembre marcó un descenso en ambos
casos. La alta desviación estándar observada en todos los meses refleja la variabilidad natural entre
plantas, donde algunas producen varios racimos mientras que otras no producen ninguno en un mes
determinado.
Figura 2. Rendimiento mensual de palma aceitera (t/ha) por zona, junio-diciembre 2025
Este comportamiento estacional coincide con Monzon et al. (2022), quienes describieron variaciones
temporales del rendimiento asociadas a condiciones climáticas y a ciclos endógenos del cultivo en
Indonesia. En Padre Abad, el incremento productivo hacia la segunda mitad del período es consistente
con la transición del período seco al lluvioso que caracteriza al trópico amazónico.
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0,20
Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
Rendimiento (t/ha)
Neshuya (t/ha) Boquerón (t/ha)
Zona Mes n
Racimos/planta
(M ± DE)
Peso total kg
(M ± DE)
Peso/racimo kg
(M ± DE)
Rend. t/ha (M ±
DE)
Boquerón Octubre 40 1,57 ± 1,57 15,91 ± 18,20 6,97 ± 5,08 0,1137 ± 0,1301
Boquerón Noviembre 40 2,85 ± 0,89 21,41 ± 8,98 7,31 ± 1,56 0,1531 ± 0,0642
Boquerón Diciembre 40 1,45 ± 0,88 9,69 ± 5,82 6,25 ± 2,30 0,0693 ± 0,0416
Nota. n = plantas evaluadas por mes; M = media; DE = desviación estándar. Densidad de siembra de 143 plantas/ha.
Rendimiento (t/ha) = peso total (kg) × 143 / (n × 1000).
Ambas zonas mostraron un patrón estacional similar, con rendimientos bajos entre junio y agosto y
valores máximos entre septiembre y noviembre (Figura 2). Diciembre marcó un descenso en ambos
casos. La alta desviación estándar observada en todos los meses refleja la variabilidad natural entre
plantas, donde algunas producen varios racimos mientras que otras no producen ninguno en un mes
determinado.
Figura 2. Rendimiento mensual de palma aceitera (t/ha) por zona, junio-diciembre 2025
Este comportamiento estacional coincide con Monzon et al. (2022), quienes describieron variaciones
temporales del rendimiento asociadas a condiciones climáticas y a ciclos endógenos del cultivo en
Indonesia. En Padre Abad, el incremento productivo hacia la segunda mitad del período es consistente
con la transición del período seco al lluvioso que caracteriza al trópico amazónico.
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0,20
Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
Rendimiento (t/ha)
Neshuya (t/ha) Boquerón (t/ha)
pág. 2330
3.3. Comparación del rendimiento entre zonas
La prueba de Shapiro-Wilk indicó que el rendimiento no siguió una distribución normal en ninguna de
las dos zonas (p < 0,001 en ambos casos), lo cual se explica por la alta proporción de plantas con cero
racimos en determinados meses. Frente a este resultado, se aplicaron pruebas no paramétricas
complementarias en las fases subsecuentes del análisis.
La Tabla 3 presenta los resultados de la prueba t de Student y la prueba U de Mann-Whitney por mes.
La prueba t no detectó diferencias significativas en ninguno de los siete meses, con valores de
significancia entre 0,058 en octubre y 0,653 en noviembre. La prueba U de Mann-Whitney arrojó
resultados concordantes en cinco meses, pero detectó diferencias significativas en junio (U = 491; p =
0,001) y diciembre (U = 548; p = 0,014), ambas con rangos más altos para Boquerón.
Tabla 3. Comparación del rendimiento (t/ha) entre zonas por mes mediante prueba t y U de Mann-
Whitney
Mes
Neshuya (M ±
DE)
Boquerón (M ±
DE)
t Sig. (t) U Sig. (U)
Junio 0,0309 ± 0,0697 0,0556 ± 0,0592 -1,705 0,092 491,0 0,001*
Julio 0,0240 ± 0,0488 0,0181 ± 0,0294 0,657 0,513 784,0 0,845
Agosto 0,0336 ± 0,0672 0,0432 ± 0,0526 -0,711 0,479 662,5 0,128
Septiembre 0,0920 ± 0,1125 0,0711 ± 0,0598 1,035 0,304 800,0 1,000
Octubre 0,1801 ± 0,1748 0,1137 ± 0,1301 1,927 0,058 643,5 0,127
Noviembre 0,1415 ± 0,1481 0,1531 ± 0,0642 -0,451 0,653 634,0 0,109
Diciembre 0,0490 ± 0,0670 0,0693 ± 0,0416 -1,629 0,107 548,0 0,014*
Nota. n = 40 plantas por zona por mes. M = media; DE = desviación estándar. * p < 0,05.
Las discrepancias entre ambas pruebas en junio y diciembre se explican porque Mann-Whitney evalúa
diferencias en la distribución completa de rangos, no solo en las medias, y resulta sensible a la asimetría
y a la alta proporción de valores nulos característica de los meses de baja producción. En conjunto, los
resultados indican que no existen diferencias consistentes ni generalizadas en el rendimiento entre
Neshuya y Boquerón durante el período evaluado.
3.3. Comparación del rendimiento entre zonas
La prueba de Shapiro-Wilk indicó que el rendimiento no siguió una distribución normal en ninguna de
las dos zonas (p < 0,001 en ambos casos), lo cual se explica por la alta proporción de plantas con cero
racimos en determinados meses. Frente a este resultado, se aplicaron pruebas no paramétricas
complementarias en las fases subsecuentes del análisis.
La Tabla 3 presenta los resultados de la prueba t de Student y la prueba U de Mann-Whitney por mes.
La prueba t no detectó diferencias significativas en ninguno de los siete meses, con valores de
significancia entre 0,058 en octubre y 0,653 en noviembre. La prueba U de Mann-Whitney arrojó
resultados concordantes en cinco meses, pero detectó diferencias significativas en junio (U = 491; p =
0,001) y diciembre (U = 548; p = 0,014), ambas con rangos más altos para Boquerón.
Tabla 3. Comparación del rendimiento (t/ha) entre zonas por mes mediante prueba t y U de Mann-
Whitney
Mes
Neshuya (M ±
DE)
Boquerón (M ±
DE)
t Sig. (t) U Sig. (U)
Junio 0,0309 ± 0,0697 0,0556 ± 0,0592 -1,705 0,092 491,0 0,001*
Julio 0,0240 ± 0,0488 0,0181 ± 0,0294 0,657 0,513 784,0 0,845
Agosto 0,0336 ± 0,0672 0,0432 ± 0,0526 -0,711 0,479 662,5 0,128
Septiembre 0,0920 ± 0,1125 0,0711 ± 0,0598 1,035 0,304 800,0 1,000
Octubre 0,1801 ± 0,1748 0,1137 ± 0,1301 1,927 0,058 643,5 0,127
Noviembre 0,1415 ± 0,1481 0,1531 ± 0,0642 -0,451 0,653 634,0 0,109
Diciembre 0,0490 ± 0,0670 0,0693 ± 0,0416 -1,629 0,107 548,0 0,014*
Nota. n = 40 plantas por zona por mes. M = media; DE = desviación estándar. * p < 0,05.
Las discrepancias entre ambas pruebas en junio y diciembre se explican porque Mann-Whitney evalúa
diferencias en la distribución completa de rangos, no solo en las medias, y resulta sensible a la asimetría
y a la alta proporción de valores nulos característica de los meses de baja producción. En conjunto, los
resultados indican que no existen diferencias consistentes ni generalizadas en el rendimiento entre
Neshuya y Boquerón durante el período evaluado.
pág. 2331
Fleiss et al. (2022) encontraron que las diferencias entre plantaciones de Malasia se asociaron
principalmente con factores de manejo, suelo y material genético antes que con las condiciones
climáticas. En la presente investigación, la selección de parcelas con criterios homogéneos de edad,
material genético y manejo pudo haber atenuado la expresión de las diferencias ambientales sobre el
rendimiento.
3.4. Variación temporal e interacción zona-tiempo
El ANOVA de medidas repetidas confirmó los hallazgos anteriores desde una perspectiva multifactorial.
La prueba de Mauchly indicó violación del supuesto de esfericidad (W = 0,000), por lo que los resultados
se interpretaron con la corrección de Greenhouse-Geisser. La Tabla 4 presenta los efectos intra-sujetos
e inter-sujetos.
Tabla 4. Resultados del ANOVA de medidas repetidas para rendimiento (t/ha)
Fuente Corrección SC tipo III gl MC F Sig. η²p
Mes
Greenhouse-
Geisser
25,490 1,166 21,866 49,168 0,013 0,961
Mes × Zona
Greenhouse-
Geisser
2,407 1,166 2,065 4,643 0,148 0,699
Zona Inter-sujetos 0,042 1 0,042 0,315 0,631 0,136
Nota. SC = suma de cuadrados; MC = media cuadrática; η²p = eta cuadrado parcial. Efectos intra-sujetos con corrección de
Greenhouse-Geisser por violación de esfericidad (Mauchly W = 0,000). Efecto inter-sujetos para el factor Zona.
El efecto del factor Mes resultó significativo (F = 49,168; p = 0,013; η²p = 0,961), confirmando que el
rendimiento varió de manera significativa a lo largo del período evaluado. El tamaño del efecto indica
que el 96,1 % de la varianza del rendimiento se explica por el factor temporal. La interacción Mes ×
Zona no alcanzó significancia (F = 4,643; p = 0,148; η²p = 0,699), lo cual indica que el patrón temporal
general fue similar en ambas localidades.
El factor Zona no presentó un efecto significativo sobre el rendimiento promedio global (F = 0,315; p =
0,631; η²p = 0,136). Este resultado confirma que las diferencias climatológicas entre Neshuya y
Boquerón no se tradujeron en diferencias significativas en la productividad. Cabe precisar que el
Fleiss et al. (2022) encontraron que las diferencias entre plantaciones de Malasia se asociaron
principalmente con factores de manejo, suelo y material genético antes que con las condiciones
climáticas. En la presente investigación, la selección de parcelas con criterios homogéneos de edad,
material genético y manejo pudo haber atenuado la expresión de las diferencias ambientales sobre el
rendimiento.
3.4. Variación temporal e interacción zona-tiempo
El ANOVA de medidas repetidas confirmó los hallazgos anteriores desde una perspectiva multifactorial.
La prueba de Mauchly indicó violación del supuesto de esfericidad (W = 0,000), por lo que los resultados
se interpretaron con la corrección de Greenhouse-Geisser. La Tabla 4 presenta los efectos intra-sujetos
e inter-sujetos.
Tabla 4. Resultados del ANOVA de medidas repetidas para rendimiento (t/ha)
Fuente Corrección SC tipo III gl MC F Sig. η²p
Mes
Greenhouse-
Geisser
25,490 1,166 21,866 49,168 0,013 0,961
Mes × Zona
Greenhouse-
Geisser
2,407 1,166 2,065 4,643 0,148 0,699
Zona Inter-sujetos 0,042 1 0,042 0,315 0,631 0,136
Nota. SC = suma de cuadrados; MC = media cuadrática; η²p = eta cuadrado parcial. Efectos intra-sujetos con corrección de
Greenhouse-Geisser por violación de esfericidad (Mauchly W = 0,000). Efecto inter-sujetos para el factor Zona.
El efecto del factor Mes resultó significativo (F = 49,168; p = 0,013; η²p = 0,961), confirmando que el
rendimiento varió de manera significativa a lo largo del período evaluado. El tamaño del efecto indica
que el 96,1 % de la varianza del rendimiento se explica por el factor temporal. La interacción Mes ×
Zona no alcanzó significancia (F = 4,643; p = 0,148; η²p = 0,699), lo cual indica que el patrón temporal
general fue similar en ambas localidades.
El factor Zona no presentó un efecto significativo sobre el rendimiento promedio global (F = 0,315; p =
0,631; η²p = 0,136). Este resultado confirma que las diferencias climatológicas entre Neshuya y
Boquerón no se tradujeron en diferencias significativas en la productividad. Cabe precisar que el
pág. 2332
ANOVA operó con dos parcelas por zona como unidades experimentales, lo cual restringió los grados
de libertad del error inter-sujetos a dos e impidió el cálculo de pruebas multivariantes.
3.5. Asociación entre variables climatológicas y rendimiento
La Tabla 5 presenta los coeficientes de correlación de Spearman entre las variables climatológicas
mensuales y el rendimiento (n = 14). La temperatura mínima presentó la asociación más fuerte (rho =
0,822; p < 0,001), seguida de la precipitación acumulada (rho = 0,688; p = 0,007).
Tabla 5. Correlaciones de Spearman entre variables climatológicas y rendimiento de palma aceitera (n
= 14)
Variable climática rho Sig. (bilateral)
Temperatura media (°C) 0,455 0,102
Temperatura máxima (°C) 0,075 0,799
Temperatura mínima (°C) 0,822** < 0,001
Humedad relativa (%) 0,495 0,072
Precipitación acumulada (mm) 0,688** 0,007
Radiación solar (W/m²) 0,095 0,748
Velocidad del viento (m/s) -0,150 0,608
Presión barométrica (hPa) -0,398 0,159
Nota. ** p < 0,01 (bilateral). rho = coeficiente de correlación de Spearman. n = 14 observaciones mensuales (7 meses × 2
zonas).
La correlación positiva de la temperatura mínima con el rendimiento (Figura 3) difiere de Sarkar et al.
(2020), quienes hallaron una relación negativa en Malasia, y de Mozombite-Moreno y Revolo-Acevedo
(2025), con una correlación de -0,597 en Yurimaguas. Abubakar et al. (2021), en una revisión
sistemática sobre los efectos del cambio climático en la producción de palma aceitera, confirmaron que
las temperaturas elevadas reducen la productividad por estrés térmico y alteración de procesos
fisiológicos. La divergencia se explica al considerar que en Padre Abad la temperatura media osciló
entre 23,91 y 25,55 °C, dentro del intervalo favorable de 24 a 28 °C indicado por Corley y Tinker (2016).
ANOVA operó con dos parcelas por zona como unidades experimentales, lo cual restringió los grados
de libertad del error inter-sujetos a dos e impidió el cálculo de pruebas multivariantes.
3.5. Asociación entre variables climatológicas y rendimiento
La Tabla 5 presenta los coeficientes de correlación de Spearman entre las variables climatológicas
mensuales y el rendimiento (n = 14). La temperatura mínima presentó la asociación más fuerte (rho =
0,822; p < 0,001), seguida de la precipitación acumulada (rho = 0,688; p = 0,007).
Tabla 5. Correlaciones de Spearman entre variables climatológicas y rendimiento de palma aceitera (n
= 14)
Variable climática rho Sig. (bilateral)
Temperatura media (°C) 0,455 0,102
Temperatura máxima (°C) 0,075 0,799
Temperatura mínima (°C) 0,822** < 0,001
Humedad relativa (%) 0,495 0,072
Precipitación acumulada (mm) 0,688** 0,007
Radiación solar (W/m²) 0,095 0,748
Velocidad del viento (m/s) -0,150 0,608
Presión barométrica (hPa) -0,398 0,159
Nota. ** p < 0,01 (bilateral). rho = coeficiente de correlación de Spearman. n = 14 observaciones mensuales (7 meses × 2
zonas).
La correlación positiva de la temperatura mínima con el rendimiento (Figura 3) difiere de Sarkar et al.
(2020), quienes hallaron una relación negativa en Malasia, y de Mozombite-Moreno y Revolo-Acevedo
(2025), con una correlación de -0,597 en Yurimaguas. Abubakar et al. (2021), en una revisión
sistemática sobre los efectos del cambio climático en la producción de palma aceitera, confirmaron que
las temperaturas elevadas reducen la productividad por estrés térmico y alteración de procesos
fisiológicos. La divergencia se explica al considerar que en Padre Abad la temperatura media osciló
entre 23,91 y 25,55 °C, dentro del intervalo favorable de 24 a 28 °C indicado por Corley y Tinker (2016).
pág. 2333
Figura 3. Relación entre temperatura mínima y rendimiento de palma aceitera
Dentro de ese rango, variaciones térmicas moderadas pueden asociarse con mayor actividad fisiológica
y mejor desempeño reproductivo (Legros et al., 2009). Zhang et al. (2025) confirmaron que la
temperatura mínima durante la etapa de floración fue el factor meteorológico con mayor influencia sobre
el rendimiento en Malasia, y que temperaturas nocturnas más bajas favorecen la acumulación de reservas
de carbohidratos necesarias para el desarrollo de los racimos. Los estudios con relaciones negativas
abarcan contextos donde las temperaturas superan el límite superior del rango óptimo, condición que no
se presentó en esta investigación. La temperatura media mostró una tendencia positiva (rho = 0,455; p
= 0,102) sin alcanzar significancia estadística.
La precipitación acumulada confirmó su relevancia como factor asociado al rendimiento, resultado
coherente con Carr (2011) y con Monzon et al. (2022), quienes identificaron el estrés hídrico como el
principal factor de variación del rendimiento en Indonesia. Kamil et al. (2024) corroboraron esta
tendencia al reportar que anomalías en la precipitación se asociaron con reducciones significativas en el
rendimiento de racimos en plantaciones de Malasia. Sin embargo, esta asociación debe interpretarse
como una relación observada y no como evidencia causal, dado que la precipitación contemporánea
puede estar correlacionada estacionalmente con las condiciones que prevalecieron durante fases
reproductivas anteriores del cultivo.
La radiación solar no mostró asociación significativa con el rendimiento (rho = 0,095; p = 0,748). Este
resultado coincide con Oettli et al. (2018) y con Woittiez et al. (2017), quienes indicaron que la especie
requiere un mínimo aproximado de 15 MJ m⁻² día⁻¹. Los valores registrados en ambas zonas se
y = 0,8846x - 13,86
R² = 0,5218
y = 1,0911x - 17,674
R² = 0,7579
0,00
2,00
4,00
6,00
8,00
15,0 16,0 17,0 18,0 19,0 20,0 21,0 22,0
Rendimiento (t/ha)
Temperatura mínima (°C)
Neshuya Boquerón Lineal (Neshuya) Lineal (Boquerón)
Figura 3. Relación entre temperatura mínima y rendimiento de palma aceitera
Dentro de ese rango, variaciones térmicas moderadas pueden asociarse con mayor actividad fisiológica
y mejor desempeño reproductivo (Legros et al., 2009). Zhang et al. (2025) confirmaron que la
temperatura mínima durante la etapa de floración fue el factor meteorológico con mayor influencia sobre
el rendimiento en Malasia, y que temperaturas nocturnas más bajas favorecen la acumulación de reservas
de carbohidratos necesarias para el desarrollo de los racimos. Los estudios con relaciones negativas
abarcan contextos donde las temperaturas superan el límite superior del rango óptimo, condición que no
se presentó en esta investigación. La temperatura media mostró una tendencia positiva (rho = 0,455; p
= 0,102) sin alcanzar significancia estadística.
La precipitación acumulada confirmó su relevancia como factor asociado al rendimiento, resultado
coherente con Carr (2011) y con Monzon et al. (2022), quienes identificaron el estrés hídrico como el
principal factor de variación del rendimiento en Indonesia. Kamil et al. (2024) corroboraron esta
tendencia al reportar que anomalías en la precipitación se asociaron con reducciones significativas en el
rendimiento de racimos en plantaciones de Malasia. Sin embargo, esta asociación debe interpretarse
como una relación observada y no como evidencia causal, dado que la precipitación contemporánea
puede estar correlacionada estacionalmente con las condiciones que prevalecieron durante fases
reproductivas anteriores del cultivo.
La radiación solar no mostró asociación significativa con el rendimiento (rho = 0,095; p = 0,748). Este
resultado coincide con Oettli et al. (2018) y con Woittiez et al. (2017), quienes indicaron que la especie
requiere un mínimo aproximado de 15 MJ m⁻² día⁻¹. Los valores registrados en ambas zonas se
y = 0,8846x - 13,86
R² = 0,5218
y = 1,0911x - 17,674
R² = 0,7579
0,00
2,00
4,00
6,00
8,00
15,0 16,0 17,0 18,0 19,0 20,0 21,0 22,0
Rendimiento (t/ha)
Temperatura mínima (°C)
Neshuya Boquerón Lineal (Neshuya) Lineal (Boquerón)
pág. 2334
mantuvieron dentro de un rango no limitante, lo que contribuye a explicar la ausencia de un efecto
detectable.
La humedad relativa presentó una tendencia positiva (rho = 0,495; p = 0,072) sin alcanzar significancia.
Munévar (2004) indicó que la palma aceitera se adapta bien a ambientes con humedad superior a 75 %,
condición ampliamente cumplida en ambas zonas (83,30 a 94,16 %). La escasa variabilidad dentro de
un rango favorable pudo limitar la capacidad discriminante de esta variable. Su efecto podría
confirmarse con series más extensas o con el cálculo directo del déficit de presión de vapor, cuya
relevancia fue destacada por Pradiko et al. (2023).
3.6. Modelo predictivo del rendimiento
La Tabla 6 presenta los modelos de regresión lineal múltiple con selección por pasos. El primer modelo
incorporó la precipitación acumulada como único predictor, explicando el 31,0 % de la varianza del
rendimiento (R² = 0,310; R² ajustado = 0,252; F = 5,380; p = 0,039).
Tabla 6. Modelos de regresión lineal múltiple por pasos para el rendimiento de palma aceitera (t/ha)
Modelo Predictores incluidos R R² R² ajustado Cambio en R²
1 Precipitación acumulada 0,556 0,310 0,252 0,310
2
Precipitación acumulada +
Temperatura media
0,753 0,568 0,489 0,258
Nota. Variable dependiente: rendimiento (t/ha). Método de selección por pasos (stepwise). VIF < 1,01 en ambos predictores.
Durbin-Watson del Modelo 2 = 2,310.
El segundo modelo añadió la temperatura media, elevando la capacidad explicativa al 56,8 % de la
varianza (R² = 0,568; R² ajustado = 0,489; F = 7,220; p = 0,010). La incorporación de la temperatura
media aportó un incremento del 25,8 % en la varianza explicada. El factor de inflación de varianza fue
inferior a 1,01 para ambos predictores, descartando multicolinealidad. El estadístico de Durbin-Watson
(2,310) se ubicó dentro del rango aceptable, sugiriendo ausencia de autocorrelación en los residuos.
La humedad relativa y la radiación solar no ingresaron al modelo por no cumplir el criterio de
significancia del método stepwise. Estos resultados son consistentes con las correlaciones bivariadas
reportadas en la Tabla 5.
mantuvieron dentro de un rango no limitante, lo que contribuye a explicar la ausencia de un efecto
detectable.
La humedad relativa presentó una tendencia positiva (rho = 0,495; p = 0,072) sin alcanzar significancia.
Munévar (2004) indicó que la palma aceitera se adapta bien a ambientes con humedad superior a 75 %,
condición ampliamente cumplida en ambas zonas (83,30 a 94,16 %). La escasa variabilidad dentro de
un rango favorable pudo limitar la capacidad discriminante de esta variable. Su efecto podría
confirmarse con series más extensas o con el cálculo directo del déficit de presión de vapor, cuya
relevancia fue destacada por Pradiko et al. (2023).
3.6. Modelo predictivo del rendimiento
La Tabla 6 presenta los modelos de regresión lineal múltiple con selección por pasos. El primer modelo
incorporó la precipitación acumulada como único predictor, explicando el 31,0 % de la varianza del
rendimiento (R² = 0,310; R² ajustado = 0,252; F = 5,380; p = 0,039).
Tabla 6. Modelos de regresión lineal múltiple por pasos para el rendimiento de palma aceitera (t/ha)
Modelo Predictores incluidos R R² R² ajustado Cambio en R²
1 Precipitación acumulada 0,556 0,310 0,252 0,310
2
Precipitación acumulada +
Temperatura media
0,753 0,568 0,489 0,258
Nota. Variable dependiente: rendimiento (t/ha). Método de selección por pasos (stepwise). VIF < 1,01 en ambos predictores.
Durbin-Watson del Modelo 2 = 2,310.
El segundo modelo añadió la temperatura media, elevando la capacidad explicativa al 56,8 % de la
varianza (R² = 0,568; R² ajustado = 0,489; F = 7,220; p = 0,010). La incorporación de la temperatura
media aportó un incremento del 25,8 % en la varianza explicada. El factor de inflación de varianza fue
inferior a 1,01 para ambos predictores, descartando multicolinealidad. El estadístico de Durbin-Watson
(2,310) se ubicó dentro del rango aceptable, sugiriendo ausencia de autocorrelación en los residuos.
La humedad relativa y la radiación solar no ingresaron al modelo por no cumplir el criterio de
significancia del método stepwise. Estos resultados son consistentes con las correlaciones bivariadas
reportadas en la Tabla 5.
pág. 2335
La capacidad explicativa del modelo (R² = 0,568) es comparable al 50,16 % reportado por Pradiko et al.
(2023) en Indonesia y sustancialmente superior al valor inferior al 1 % de Fleiss et al. (2022) en Malasia.
Wandri et al. (2025) corroboraron que el estrés hídrico constituye el principal determinante de la
variación temporal del rendimiento en ensayos de largo plazo en Indonesia, incluso cuando se optimiza
la fertilización. Esta diferencia podría deberse a que Fleiss et al. evaluaron plantaciones con manejo
intensivo que atenúa la señal climática. La proporción no explicada, cercana al 43 %, puede atribuirse a
factores edáficos, historial de fertilización y eficiencia de cosecha, elementos que Woittiez et al. (2017)
y Rhebergen et al. (2020) identificaron como determinantes del rendimiento no capturados en modelos
exclusivamente climáticos.
4. CONCLUSIONES
Las condiciones climáticas locales mostraron una asociación significativa con el rendimiento de palma
aceitera en los distritos de Neshuya y Boquerón durante el período evaluado. La temperatura mínima
fue la variable con mayor capacidad de asociación con la productividad, seguida de la precipitación
acumulada, que además constituyó el primer predictor retenido en el modelo de regresión. Ambas
variables, junto con la temperatura media, explicaron de manera conjunta una proporción relevante de
la variación del rendimiento. La radiación solar y la humedad relativa no evidenciaron asociación
significativa, resultado atribuible a que sus valores se mantuvieron dentro de rangos no limitantes para
el cultivo durante todo el período de monitoreo. El rendimiento presentó un patrón estacional común a
ambas localidades, con valores bajos durante los meses secos y máximos durante la transición al período
lluvioso, sin que las diferencias climatológicas entre zonas se tradujeran en diferencias significativas en
la productividad promedio. Estos hallazgos aportan la primera línea base microclimática obtenida
mediante estaciones automáticas instaladas directamente en parcelas comerciales de la provincia de
Padre Abad. Se recomienda ampliar el período de monitoreo para generar series plurianuales que
permitan evaluar la variabilidad interanual del rendimiento, incrementar el número de parcelas de
estudio, e incorporar análisis con desfases temporales entre las variables climáticas y la producción,
considerando que la literatura ha documentado efectos del clima sobre la palma aceitera con rezagos
asociados a fases críticas del ciclo reproductivo.
La capacidad explicativa del modelo (R² = 0,568) es comparable al 50,16 % reportado por Pradiko et al.
(2023) en Indonesia y sustancialmente superior al valor inferior al 1 % de Fleiss et al. (2022) en Malasia.
Wandri et al. (2025) corroboraron que el estrés hídrico constituye el principal determinante de la
variación temporal del rendimiento en ensayos de largo plazo en Indonesia, incluso cuando se optimiza
la fertilización. Esta diferencia podría deberse a que Fleiss et al. evaluaron plantaciones con manejo
intensivo que atenúa la señal climática. La proporción no explicada, cercana al 43 %, puede atribuirse a
factores edáficos, historial de fertilización y eficiencia de cosecha, elementos que Woittiez et al. (2017)
y Rhebergen et al. (2020) identificaron como determinantes del rendimiento no capturados en modelos
exclusivamente climáticos.
4. CONCLUSIONES
Las condiciones climáticas locales mostraron una asociación significativa con el rendimiento de palma
aceitera en los distritos de Neshuya y Boquerón durante el período evaluado. La temperatura mínima
fue la variable con mayor capacidad de asociación con la productividad, seguida de la precipitación
acumulada, que además constituyó el primer predictor retenido en el modelo de regresión. Ambas
variables, junto con la temperatura media, explicaron de manera conjunta una proporción relevante de
la variación del rendimiento. La radiación solar y la humedad relativa no evidenciaron asociación
significativa, resultado atribuible a que sus valores se mantuvieron dentro de rangos no limitantes para
el cultivo durante todo el período de monitoreo. El rendimiento presentó un patrón estacional común a
ambas localidades, con valores bajos durante los meses secos y máximos durante la transición al período
lluvioso, sin que las diferencias climatológicas entre zonas se tradujeran en diferencias significativas en
la productividad promedio. Estos hallazgos aportan la primera línea base microclimática obtenida
mediante estaciones automáticas instaladas directamente en parcelas comerciales de la provincia de
Padre Abad. Se recomienda ampliar el período de monitoreo para generar series plurianuales que
permitan evaluar la variabilidad interanual del rendimiento, incrementar el número de parcelas de
estudio, e incorporar análisis con desfases temporales entre las variables climáticas y la producción,
considerando que la literatura ha documentado efectos del clima sobre la palma aceitera con rezagos
asociados a fases críticas del ciclo reproductivo.
pág. 2336
Agradecimientos
Esta investigación fue financiada por el Fondo de Desarrollo Socioeconómico de Camisea (FOCAM),
a través de la Universidad Nacional de Ucayali. Los autores agradecen al Vicerrectorado de
Investigación de la Universidad Nacional de Ucayali por el respaldo institucional, a la Cooperativa
Central de Palmicultores de Ucayali (COCEPU) y a la Asociación de Palmicultores (ASPASH) por
facilitar el acceso a las parcelas de estudio, y a los técnicos de campo que colaboraron en la verificación
de los equipos y la descarga de datos.
Contribución de autores
M. A. Pilco-Lozano: Conceptualización, Metodología, Investigación, Supervisión, Administración del
proyecto, Obtención de financiamiento. F. Pérez-Leal: Metodología, Redacción – revisión y edición,
Supervisión. R. A. Pilco-Panduro: Investigación, Recursos, Redacción – revisión y edición. J. A. López-
Ucariegue: Investigación, Recursos, Validación. L. A. Díaz-Sandoval: Investigación, Recursos,
Validación, Análisis formal, Redacción – revisión y edición. W. M. Paredes-Isidro: Investigación,
Curación de datos, Análisis formal, Visualización.
Conflicto de intereses
Los autores declaran no tener conflicto de intereses.
REFERENCIAS BIBLIOGRÁFICAS
Abubakar, A., Ishak, M. Y., & Makmom, A. A. (2021). Impacts of and adaptation to climate change on
the oil palm in Malaysia: A systematic review. Environmental Science and Pollution Research,
28(39), 54339–54361. https://doi.org/10.1007/s11356-021-15890-3.
Appelt, J. L., Saphangthong, T., Malek, Ž., Verburg, P. H., & van Vliet, J. (2023). Climate change
impacts on tree crop suitability in Southeast Asia. Regional Environmental Change, 23, 117.
https://doi.org/10.1007/s10113-023-02111-5
Apichatmeta, K., Sudsiri, C. J., & Ritchie, R. J. (2017). Photosynthesis of oil palm (Elaeis guineensis).
Scientia Horticulturae, 214, 34–40. https://doi.org/10.1016/j.scienta.2016.11.013
Ato, M., López-García, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de
investigación en psicología. Anales de Psicología, 29(3), 1038–1059.
https://doi.org/10.6018/analesps.29.3.178511
Agradecimientos
Esta investigación fue financiada por el Fondo de Desarrollo Socioeconómico de Camisea (FOCAM),
a través de la Universidad Nacional de Ucayali. Los autores agradecen al Vicerrectorado de
Investigación de la Universidad Nacional de Ucayali por el respaldo institucional, a la Cooperativa
Central de Palmicultores de Ucayali (COCEPU) y a la Asociación de Palmicultores (ASPASH) por
facilitar el acceso a las parcelas de estudio, y a los técnicos de campo que colaboraron en la verificación
de los equipos y la descarga de datos.
Contribución de autores
M. A. Pilco-Lozano: Conceptualización, Metodología, Investigación, Supervisión, Administración del
proyecto, Obtención de financiamiento. F. Pérez-Leal: Metodología, Redacción – revisión y edición,
Supervisión. R. A. Pilco-Panduro: Investigación, Recursos, Redacción – revisión y edición. J. A. López-
Ucariegue: Investigación, Recursos, Validación. L. A. Díaz-Sandoval: Investigación, Recursos,
Validación, Análisis formal, Redacción – revisión y edición. W. M. Paredes-Isidro: Investigación,
Curación de datos, Análisis formal, Visualización.
Conflicto de intereses
Los autores declaran no tener conflicto de intereses.
REFERENCIAS BIBLIOGRÁFICAS
Abubakar, A., Ishak, M. Y., & Makmom, A. A. (2021). Impacts of and adaptation to climate change on
the oil palm in Malaysia: A systematic review. Environmental Science and Pollution Research,
28(39), 54339–54361. https://doi.org/10.1007/s11356-021-15890-3.
Appelt, J. L., Saphangthong, T., Malek, Ž., Verburg, P. H., & van Vliet, J. (2023). Climate change
impacts on tree crop suitability in Southeast Asia. Regional Environmental Change, 23, 117.
https://doi.org/10.1007/s10113-023-02111-5
Apichatmeta, K., Sudsiri, C. J., & Ritchie, R. J. (2017). Photosynthesis of oil palm (Elaeis guineensis).
Scientia Horticulturae, 214, 34–40. https://doi.org/10.1016/j.scienta.2016.11.013
Ato, M., López-García, J. J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de
investigación en psicología. Anales de Psicología, 29(3), 1038–1059.
https://doi.org/10.6018/analesps.29.3.178511
pág. 2337
Brizuela-Torres, D., Gutierrez-Velez, V. H., DeFries, R., Müller, R., & Pacheco, P. (2025). Is oil palm
a threat or an opportunity for Peru’s forests? Journal of Environmental Management, 394,
127462. https://doi.org/10.1016/j.jenvman.2025.127462
Carr, M. K. V. (2011). The water relations and irrigation requirements of oil palm (Elaeis guineensis):
A review. Experimental Agriculture, 47(4), 629–652.
https://doi.org/10.1017/S0014479711000494
Combres, J.-C., Pallas, B., Rouan, L., Mialet-Serra, I., Caliman, J.-P., Braconnier, S., Soulié, J.-C., &
Dingkuhn, M. (2013). Simulation of inflorescence dynamics in oil palm and estimation of
environment-sensitive phenological phases: A model based analysis. Functional Plant Biology,
40(3), 263–279. https://doi.org/10.1071/FP12133
Corley, R. H. V., & Tinker, P. B. (2016). The oil palm (5th ed.). John Wiley & Sons.
https://doi.org/10.1002/9781118953297
Dufrêne, E., & Saugier, B. (1993). Gas exchange of oil palm in relation to light, vapour pressure deficit,
temperature and leaf age. Functional Ecology, 7(1), 97–104. https://doi.org/10.2307/2389872
Durbin, J., & Watson, G. S. (1951). Testing for serial correlation in least squares regression. II.
Biometrika, 38(1-2), 159–178. https://doi.org/10.1093/biomet/38.1-2.159
Fleiss, S., McClean, C. J., King, H., & Hill, J. K. (2022). Limited impacts of climatic conditions on
commercial oil palm yields in Malaysian plantations. CABI Agriculture and Bioscience, 3, 59.
https://doi.org/10.1186/s43170-022-00127-1
Ghasemi, A., & Zahediasl, S. (2012). Normality tests for statistical analysis: A guide for non-
statisticians. International Journal of Endocrinology and Metabolism, 10(2), 486–489.
https://doi.org/10.5812/ijem.3505
Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika,
24(2), 95–112. https://doi.org/10.1007/BF02289823
Hardwick, S. R., Toumi, R., Pfeifer, M., Turner, E. C., Nilus, R., & Ewers, R. M. (2015). The
relationship between leaf area index and microclimate in tropical forest and oil palm plantation:
Forest disturbance drives changes in microclimate. Agricultural and Forest Meteorology, 201,
187–195. https://doi.org/10.1016/j.agrformet.2014.11.010
Brizuela-Torres, D., Gutierrez-Velez, V. H., DeFries, R., Müller, R., & Pacheco, P. (2025). Is oil palm
a threat or an opportunity for Peru’s forests? Journal of Environmental Management, 394,
127462. https://doi.org/10.1016/j.jenvman.2025.127462
Carr, M. K. V. (2011). The water relations and irrigation requirements of oil palm (Elaeis guineensis):
A review. Experimental Agriculture, 47(4), 629–652.
https://doi.org/10.1017/S0014479711000494
Combres, J.-C., Pallas, B., Rouan, L., Mialet-Serra, I., Caliman, J.-P., Braconnier, S., Soulié, J.-C., &
Dingkuhn, M. (2013). Simulation of inflorescence dynamics in oil palm and estimation of
environment-sensitive phenological phases: A model based analysis. Functional Plant Biology,
40(3), 263–279. https://doi.org/10.1071/FP12133
Corley, R. H. V., & Tinker, P. B. (2016). The oil palm (5th ed.). John Wiley & Sons.
https://doi.org/10.1002/9781118953297
Dufrêne, E., & Saugier, B. (1993). Gas exchange of oil palm in relation to light, vapour pressure deficit,
temperature and leaf age. Functional Ecology, 7(1), 97–104. https://doi.org/10.2307/2389872
Durbin, J., & Watson, G. S. (1951). Testing for serial correlation in least squares regression. II.
Biometrika, 38(1-2), 159–178. https://doi.org/10.1093/biomet/38.1-2.159
Fleiss, S., McClean, C. J., King, H., & Hill, J. K. (2022). Limited impacts of climatic conditions on
commercial oil palm yields in Malaysian plantations. CABI Agriculture and Bioscience, 3, 59.
https://doi.org/10.1186/s43170-022-00127-1
Ghasemi, A., & Zahediasl, S. (2012). Normality tests for statistical analysis: A guide for non-
statisticians. International Journal of Endocrinology and Metabolism, 10(2), 486–489.
https://doi.org/10.5812/ijem.3505
Greenhouse, S. W., & Geisser, S. (1959). On methods in the analysis of profile data. Psychometrika,
24(2), 95–112. https://doi.org/10.1007/BF02289823
Hardwick, S. R., Toumi, R., Pfeifer, M., Turner, E. C., Nilus, R., & Ewers, R. M. (2015). The
relationship between leaf area index and microclimate in tropical forest and oil palm plantation:
Forest disturbance drives changes in microclimate. Agricultural and Forest Meteorology, 201,
187–195. https://doi.org/10.1016/j.agrformet.2014.11.010
pág. 2338
Kamil, N. N., Xiao, S., Syed Salleh, S. N., Xu, H., & Zhuang, C. C. (2024). Nonlinear impacts of climate
anomalies on oil palm productivity. Heliyon, 10(16), e35798.
https://doi.org/10.1016/j.heliyon.2024.e35798
Legros, S., Mialet-Serra, I., Caliman, J. P., Siregar, F. A., Clément-Vidal, A., & Dingkuhn, M. (2009).
Phenology and growth adjustments of oil palm (Elaeis guineensis) to photoperiod and climate
variability. Annals of Botany, 104(6), 1171–1182. https://doi.org/10.1093/aob/mcp214
Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically
larger than the other. The Annals of Mathematical Statistics, 18(1), 50–60.
https://doi.org/10.1214/aoms/1177730491
Mauchly, J. W. (1940). Significance test for sphericity of a normal n-variate distribution. The Annals of
Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731915
Monzon, J. P., Jabloun, M., Cock, J., Caliman, J. P., Couëdel, A., Donough, C. R., Vui, P. H. V., Lim,
Y. L., Mathews, J., Oberthür, T., Prabowo, N. E., Rattalino Edreira, J., Sidhu, M., Slingerland,
M. A., Sugianto, H., & Grassini, P. (2022). Influence of weather and endogenous cycles on
spatiotemporal yield variation in oil palm. Agricultural and Forest Meteorology, 314, 108789.
https://doi.org/10.1016/j.agrformet.2021.108789
Mozombite-Moreno, L. A., & Revolo-Acevedo, R. H. (2025). Rendimiento de la palma aceitera
relacionado al cambio climático en zona tropical, Yurimaguas, Alto Amazonas, Loreto, Perú.
Idesia, 43, e08. https://doi.org/10.4067/0718-3429-idesia-2025-43-e08
Munariz, J. G. (2020). Evaluación agroeconómica de los factores de producción de palma aceitera
(Elaeis guineensis Jacq.) a nivel de pequeños productores del valle Shambillo en Aguaytía,
región Ucayali [Tesis de grado, Universidad Nacional de Ucayali].
https://hdl.handle.net/20.500.14621/4838
Munévar M., F. (2004). Criterios agroecológicos útiles en la selección de tierras para nuevas siembras
de palma de aceite en Colombia. Palmas, 25(especial), 148–159.
O'Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality &
Quantity, 41, 673–690. https://doi.org/10.1007/s11135-006-9018-6
Kamil, N. N., Xiao, S., Syed Salleh, S. N., Xu, H., & Zhuang, C. C. (2024). Nonlinear impacts of climate
anomalies on oil palm productivity. Heliyon, 10(16), e35798.
https://doi.org/10.1016/j.heliyon.2024.e35798
Legros, S., Mialet-Serra, I., Caliman, J. P., Siregar, F. A., Clément-Vidal, A., & Dingkuhn, M. (2009).
Phenology and growth adjustments of oil palm (Elaeis guineensis) to photoperiod and climate
variability. Annals of Botany, 104(6), 1171–1182. https://doi.org/10.1093/aob/mcp214
Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically
larger than the other. The Annals of Mathematical Statistics, 18(1), 50–60.
https://doi.org/10.1214/aoms/1177730491
Mauchly, J. W. (1940). Significance test for sphericity of a normal n-variate distribution. The Annals of
Mathematical Statistics, 11(2), 204–209. https://doi.org/10.1214/aoms/1177731915
Monzon, J. P., Jabloun, M., Cock, J., Caliman, J. P., Couëdel, A., Donough, C. R., Vui, P. H. V., Lim,
Y. L., Mathews, J., Oberthür, T., Prabowo, N. E., Rattalino Edreira, J., Sidhu, M., Slingerland,
M. A., Sugianto, H., & Grassini, P. (2022). Influence of weather and endogenous cycles on
spatiotemporal yield variation in oil palm. Agricultural and Forest Meteorology, 314, 108789.
https://doi.org/10.1016/j.agrformet.2021.108789
Mozombite-Moreno, L. A., & Revolo-Acevedo, R. H. (2025). Rendimiento de la palma aceitera
relacionado al cambio climático en zona tropical, Yurimaguas, Alto Amazonas, Loreto, Perú.
Idesia, 43, e08. https://doi.org/10.4067/0718-3429-idesia-2025-43-e08
Munariz, J. G. (2020). Evaluación agroeconómica de los factores de producción de palma aceitera
(Elaeis guineensis Jacq.) a nivel de pequeños productores del valle Shambillo en Aguaytía,
región Ucayali [Tesis de grado, Universidad Nacional de Ucayali].
https://hdl.handle.net/20.500.14621/4838
Munévar M., F. (2004). Criterios agroecológicos útiles en la selección de tierras para nuevas siembras
de palma de aceite en Colombia. Palmas, 25(especial), 148–159.
O'Brien, R. M. (2007). A caution regarding rules of thumb for variance inflation factors. Quality &
Quantity, 41, 673–690. https://doi.org/10.1007/s11135-006-9018-6
pág. 2339
Oettli, P., Behera, S. K., & Yamagata, T. (2018). Climate based predictability of oil palm tree yield in
Malaysia. Scientific Reports, 8, 2271. https://doi.org/10.1038/s41598-018-20298-0
Panduro, N. M. (2021). Impacto de la variabilidad de la temperatura y precipitación pluvial sobre la
producción de la palma aceitera, cacao y camu camu en Ucayali [Tesis doctoral, Universidad
Nacional Hermilio Valdizán].
Pradiko, I., Hariyadi, H., & June, T. (2023). Quantification of climate factors contributing to variation
of oil palm yield. Jurnal Penelitian Kelapa Sawit, 31(2), 108–123.
https://doi.org/10.22302/iopri.jur.jpks.v31i2.222
Rhebergen, T., Fairhurst, T., Zingore, S., Fisher, M., Oberthür, T., & Whitbread, A. (2016). Climate,
soil and land-use based land suitability evaluation for oil palm production in Ghana. European
Journal of Agronomy, 81, 1–14. https://doi.org/10.1016/j.eja.2016.08.004
Rhebergen, T., Zingore, S., Giller, K. E., Adu Frimpong, C., Acheampong, K., Tetteh Ohipeni, F.,
Panyin, E. K., Zutah, V., & Fairhurst, T. (2020). Closing yield gaps in oil palm production
systems in Ghana through best management practices. European Journal of Agronomy, 115,
126011. https://doi.org/10.1016/j.eja.2020.126011
Safitri, L., Galdos, M. V., Pradiko, I., Comber, A., & Challinor, A. (2026). Assessing climate-smartness
of agronomic practices in oil palm production under changing climate conditions. European
Journal of Agronomy, 174, 127966. https://doi.org/10.1016/j.eja.2025.127966
Sarkar, M. S. K., Begum, R. A., & Pereira, J. J. (2020). Impacts of climate change on oil palm production
in Malaysia. Environmental Science and Pollution Research, 27(9), 9760–9770.
https://doi.org/10.1007/s11356-020-07601-1
Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples).
Biometrika, 52(3-4), 591–611. https://doi.org/10.1093/biomet/52.3-4.591
Spearman, C. (1904). The proof and measurement of association between two things. The American
Journal of Psychology, 15(1), 72–101.
Squire, G. R. (1986). A physiological analysis of oil palm trials. PORIM Bulletin, 12, 12–31.
Wandri, R., Monzon, J. P., Carciochi, W. D., Hairiah, K., Suprayogo, D., van Noordwijk, M., Asmono,
D., & Grassini, P. (2025). Can improved plant nutrition buffer against water-related yield losses
Oettli, P., Behera, S. K., & Yamagata, T. (2018). Climate based predictability of oil palm tree yield in
Malaysia. Scientific Reports, 8, 2271. https://doi.org/10.1038/s41598-018-20298-0
Panduro, N. M. (2021). Impacto de la variabilidad de la temperatura y precipitación pluvial sobre la
producción de la palma aceitera, cacao y camu camu en Ucayali [Tesis doctoral, Universidad
Nacional Hermilio Valdizán].
Pradiko, I., Hariyadi, H., & June, T. (2023). Quantification of climate factors contributing to variation
of oil palm yield. Jurnal Penelitian Kelapa Sawit, 31(2), 108–123.
https://doi.org/10.22302/iopri.jur.jpks.v31i2.222
Rhebergen, T., Fairhurst, T., Zingore, S., Fisher, M., Oberthür, T., & Whitbread, A. (2016). Climate,
soil and land-use based land suitability evaluation for oil palm production in Ghana. European
Journal of Agronomy, 81, 1–14. https://doi.org/10.1016/j.eja.2016.08.004
Rhebergen, T., Zingore, S., Giller, K. E., Adu Frimpong, C., Acheampong, K., Tetteh Ohipeni, F.,
Panyin, E. K., Zutah, V., & Fairhurst, T. (2020). Closing yield gaps in oil palm production
systems in Ghana through best management practices. European Journal of Agronomy, 115,
126011. https://doi.org/10.1016/j.eja.2020.126011
Safitri, L., Galdos, M. V., Pradiko, I., Comber, A., & Challinor, A. (2026). Assessing climate-smartness
of agronomic practices in oil palm production under changing climate conditions. European
Journal of Agronomy, 174, 127966. https://doi.org/10.1016/j.eja.2025.127966
Sarkar, M. S. K., Begum, R. A., & Pereira, J. J. (2020). Impacts of climate change on oil palm production
in Malaysia. Environmental Science and Pollution Research, 27(9), 9760–9770.
https://doi.org/10.1007/s11356-020-07601-1
Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples).
Biometrika, 52(3-4), 591–611. https://doi.org/10.1093/biomet/52.3-4.591
Spearman, C. (1904). The proof and measurement of association between two things. The American
Journal of Psychology, 15(1), 72–101.
Squire, G. R. (1986). A physiological analysis of oil palm trials. PORIM Bulletin, 12, 12–31.
Wandri, R., Monzon, J. P., Carciochi, W. D., Hairiah, K., Suprayogo, D., van Noordwijk, M., Asmono,
D., & Grassini, P. (2025). Can improved plant nutrition buffer against water-related yield losses
pág. 2340
in oil palm? Agricultural Water Management, 322, 109980.
https://doi.org/10.1016/j.agwat.2025.109980
Woittiez, L. S., van Wijk, M. T., Slingerland, M., van Noordwijk, M., & Giller, K. E. (2017). Yield gaps
in oil palm: A quantitative review of contributing factors. European Journal of Agronomy, 83,
57–77. https://doi.org/10.1016/j.eja.2016.11.002
Zhang, D., Wang, J., Zhou, Y., Cui, M., & Li, X. (2025). Impacts of tropical sea surface temperature
variability on oil palm yield in Malaysia. Environmental Research Communications, 7, 081007.
https://doi.org/10.1088/2515-7620/adf79a
in oil palm? Agricultural Water Management, 322, 109980.
https://doi.org/10.1016/j.agwat.2025.109980
Woittiez, L. S., van Wijk, M. T., Slingerland, M., van Noordwijk, M., & Giller, K. E. (2017). Yield gaps
in oil palm: A quantitative review of contributing factors. European Journal of Agronomy, 83,
57–77. https://doi.org/10.1016/j.eja.2016.11.002
Zhang, D., Wang, J., Zhou, Y., Cui, M., & Li, X. (2025). Impacts of tropical sea surface temperature
variability on oil palm yield in Malaysia. Environmental Research Communications, 7, 081007.
https://doi.org/10.1088/2515-7620/adf79a