1. Introducción
La presencia de fenómenos climáticos extremos, representan grandes desafíos para la seguridad alimentaria (Lennox & Gowdy, 2014) pues estos tienen un efecto negativo en el rendimiento y la producción de alimentos. En este sentido, una especie puede ser influenciada por 3 condiciones ambientales que son : los factores abióticos como la precipitación o temperatura que indican las condiciones apropiadas para garantizar el crecimiento del cultivo; los factores bióticos (bacterias, hongos y virus) que pueden afectar el proceso de crecimiento de la planta dañando el tallo, panoja y otros órganos (Palit et al., 2020); y la presencia de plantas invasoras que compiten con estos cultivos consumiendo sus nutrientes provocando la disminución de su productividad (Valdez-Arena et al., 2020).
En medio de este escenario, hace algunos años, un reducido grupo de agricultores de las zonas altoandinas realizan la siembra y cultivo de la quinua, tratándose de un producto muy nutritivo ya que produce un metabolito secundario conocido como fenólica (Borrell et al., 2020). Este cultivo ha mostrado un prometedor proceso de adaptación ante el cambio climático logrando un normal desarrollo vegetativo a altitudes entre 2000 y 3500 msnm, cumpliendo con el índice de cosecha y rendimiento esperado (Amador & Montesinos, 2017). Entre los principales exportadores de este producto se encuentran Perú y Bolivia, con un porcentaje representativo del 74%, valor que no desmerece el nivel de producción de otros países (Alandia et al., 2020). Es así que, en la mayoría de los departamentos ubicados en los andes de nuestro país, su adaptación geográfica ha permitido la renovación de prácticas agrícolas durante la etapa de siembra (Stevens, 2017) y la producción de varias cepas (Bedoya-perales et al., 2018).
Por ello, en esta investigación, se pretende determinar la vulnerabilidad del cultivo de la quinua ante eventos de estrés ambiental en las regiones altoandinas del Perú, mediante la elaboración y análisis del modelo de distribución actual y sus proyecciones futuras para el 2050 y 2070 en escenarios RCP 2.6, RCP 4.5 Y RCP 8.5 considerando sus puntos de presencia y los distintos bioclimas. Asimismo, determinar mediante el diagrama BAM las zonas óptimas para su desarrollo, teniendo en cuenta las variables abióticas, bióticas y accesibilidad.
2. Materiales y métodos
2.1 Área de Estudio
Para esta investigación se consideró como área de estudio la zona altoandina del Perú, que geográficamente se encuentra ubicada en la latitud -9.189967 y longitud -75.015152, hace parte del continente de América del Sur y está ubicado en el hemisferio sur, además se encuentra dividido en 25 regiones políticas (Bedoya-Perales et al., 2018). A continuación, se presenta la metodología seguida para establecer el modelo de distribución potencial del cultivo de la quinua (Chenopodium quinoa Willd).
2.1.1 Puntos de Ocurrencia
Respecto a los puntos de ocurrencia o coordenadas geográficas del cultivo, fueron extraídos de bases de datos públicas que se encuentran en línea como: GBIF, Trópicos, Herbariovaa y Naturalist, de todo el Perú. Posterior a ello, de un total de 409 datos, se realizó la limpieza de errores de ubicación geográfica, mediante el método de observación en referencia a los XYZ Tiles del software QGIS (Deb et al., 2017). De esa manera, se llegó a obtener un total de 31 puntos de ocurrencia (Tabla 1) que formaron parte del análisis actual y futuro en el modelamiento de distribución potencial, mostrado más adelante.
Tabla 1. Registro de puntos de ocurrencia de Chenopodium quinoa Willd
ID | Especie | Longitud | Latitud | Departamento |
1 | Chenopodium quinoa Willd | -69.33333 | -14.41667 | Puno |
2 | Chenopodium quinoa Willd | -69.78333 | -16.00000 | Puno |
3 | Chenopodium quinoa Willd | -70.23333 | -16.45000 | Puno |
4 | Chenopodium quinoa Willd | -71.96670 | -13.50000 | Cusco |
5 | Chenopodium quinoa Willd | -75.50000 | -11.80000 | Junín |
6 | Chenopodium quinoa Willd | -70.08626 | -16.06654 | Puno |
7 | Chenopodium quinoa Willd | -72.25000 | -16.00000 | Arequipa |
8 | Chenopodium quinoa Willd | -77.69000 | -9.41000 | Ancash |
9 | Chenopodium quinoa Willd | -77.65429 | -9.57343 | Ancash |
10 | Chenopodium quinoa Willd | -73.99276 | -13.89859 | Ayacucho |
11 | Chenopodium quinoa Willd | -77.69218 | -9.41970 | Ancash |
12 | Chenopodium quinoa Willd | -70.16528 | -16.27444 | Puno |
13 | Chenopodium quinoa Willd | -78.29448 | -7.94789 | La Libertad |
14 | Chenopodium quinoa Willd | -73.99000 | -13.89000 | Ayacucho |
15 | Chenopodium quinoa Willd | -78.59000 | -6.19000 | Cajamarca |
16 | Chenopodium quinoa Willd | -78.59602 | -6.19302 | Cajamarca |
17 | Chenopodium quinoa Willd | -78.29000 | -7.94000 | La Libertad |
18 | Chenopodium quinoa Willd | -71.92632 | -13.47445 | Cusco |
19 | Chenopodium quinoa Willd | -71.88799 | -13.46153 | Cusco |
20 | Chenopodium quinoa Willd | -71.85022 | -13.76022 | Cusco |
21 | Chenopodium quinoa Willd | -71.91667 | -13.66667 | Cusco |
22 | Chenopodium quinoa Willd | -80.26928 | -5.22773 | Piura |
23 | Chenopodium quinoa Willd | -78.46499 | -7.13704 | Cajamarca |
24 | Chenopodium quinoa Willd | -71.66670 | -13.23330 | Cusco |
25 | Chenopodium quinoa Willd | -70.16530 | -16.27440 | Puno |
26 | Chenopodium quinoa Willd | -70.00000 | -15.00000 | Puno |
27 | Chenopodium quinoa Willd | -72.13333 | -13.43333 | Cusco |
28 | Chenopodium quinoa Willd | -71.92535 | -13.67337 | Cusco |
29 | Chenopodium quinoa Willd | -80.26000 | -5.22000 | Piura |
30 | Chenopodium quinoa Willd | -70.11667 | -15.13333 | Puno |
31 | Chenopodium quinoa Willd | -69.33333 | -14.50000 | Puno |
Para el análisis de estos datos, se utilizaron tres Rutas de Concentración Representativa de CO2 (RCP 2.6, RCP 4.5 y RCP 8.5), siguiendo lo propuesto en el último informe de evaluación del Grupo Intergubernamental de Expertos Sobre el Cambio Climático. Estos RCP, se encuentran en función a las capas proyectadas a los años 2050 y 2070, que son el resultado del promedio de los años (2041-2060) y (2061-2080), respectivamente. Luego, estas capas fueron recortadas con la herramienta cortar ráster por capa de máscara en formato ASC (*.asc) y sistema de coordenadas WGS84, en referencia al área de estudio con el software QGIS. De los puntos de presencia obtenidos, con la herramienta SAGA (Add raster values to point), se extrajeron los valores de 19 variables bioclimáticas descri tas más adelante. Asimismo, los datos actuales fueron obtenidos del promedio de precipitación y temperatura registrados durante el período (1970-2000). Mientras que, los datos futuros, con el modelo de proyección climática HadGEM2-ES (Bosso et al., 2016), perteneciente al “Proyecto de Intercomparación de Modelos Acoplados- Fase 5 (CMIP5)” (López-Tirado et al., 2018).
2.2 Variables Bioclimáticas (BIOS)
En un principio, fueron consideradas 19 variables bioclimáticas que incluían la temperatura y precipitación, extraídas de la base de datos WorldClim con resolución espacial de 2,5 minutos. Pero, al final, solo fueron consideradas aquellas cuyos valores se situaban por encima de ±0,8, según el modelo estadístico de Pearson (Figura 1).
2.3 Modelo de Distribución Potencial
Para el procesamiento de distribución actual y las proyecciones al 2050 y 2070 por cada RCP, se realizaron 10 repeticiones teniendo en cuenta el 100% de los puntos de ocurrencia, un umbral de convergencia de 0.00001, un número máximo de puntos de fondo de 10000 con iteraciones máximas de 500.
En cuanto al formato de salida, se seleccionó el de tipo logístico debido a que su representación es más fácil de interpretar por los sistemas de información geográfica, además de permitir una mejor visualización. Finalmente, para el análisis del rendimiento del modelo de acuerdo al AUC, se consideró que los valores que se encontraron por debajo de 0.5 son de bajo rendimiento, mientras que los modelos con valores cercanos a 1 representaron la máxima capacidad predictiva (Dolgener et al., 2013).
Post análisis del Modelo de Distribución
Haciendo el uso del software QGIS 3.16.3, se asignó la simbología adecuada respecto a la clasificación de 0 a 1 (donde 0 indicó ausencia y 1 alta idoneidad respecto a la probabilidad de distribución adecuada para la productivi dad de este cultivo). Luego, para una mejor visualización del mapa resultante de probabilidad de presencia del cul tivo bajo condiciones climáticas, se clasificó en 5 catego rías, donde 0,00 indicaron áreas de nula probabilidad cuyo color característico fue el azul; 0,25 áreas de baja probabilidad representadas por el color verde; 0,50 áreas de media probabilidad representadas por el color amarillo; 0,75 áreas de alta probabilidad representadas por el color naranja; 1,00 de muy alta probabilidad representada por el color rojo (Yan et al., 2017).
3. Resultados y discusión
3.1 Modelo de distribución
En el modelo de distribución se obtuvieron un total de ocho variables que tuvieron correlación menor o igual a 0.79 y fueron: Isotermalidad, estacionalidad de temperatura, temperatura máxima del período más caliente, rango anual de temperaturas, precipitación en el período más lluvioso, precipitación en el periodo más seco, estacionalidad de la precipitación y precipitación en el trimestre más caluroso, empleando el software MaxEnt. De aquí se tiene que, en cuanto a la contribución relativa proporcionada de acuerdo a la estimación de las variables ambientales en el proceso de modelado en MaxEnt, las que más influyeron en la distribución (Tabla 2) de Chenopodium quinoa Willd fueron: BIO5 (49,7%), BIO7 (21,8%), BIO14 (13,6%) y BIO18 (10,2%).
Tabla 2. Porcentaje de Contribución (%C) e importancia de la permutación (IP) de la distribución potencial en el modelo Logístico
Variable | Descripción | Modelo Maxent | |
%C | IP | ||
BIO1 | Temperatura promedio anual (°C) | - | - |
BIO2 | Rango medio diurno (temp max - temp min;promedio mensual) (°C) | - | - |
BIO3 | Isotermalidad (BIO1/BIO7)*100 (°C) | 0.4 | 2 |
BIO4 | Estacionalidad en temperatura (SD x 100) (°C) | 0.8 | 2.2 |
BIO5 | Temperatura máxima del período más caliente (°C) | 49.7 | 0.8 |
BIO6 | Temperatura mínima del período más frío (°C) | - | - |
BIO7 | Rango anual de temperatura (BIO5 - BIO6) (°C) | 21.8 | 9.3 |
BIO8 | Temperatura media en el trimestre más lluvioso (°C) | - | - |
BIO9 | Temperatura promedio en el trimestre más seco (°C) | - | - |
BIO10 | Temperatura promedio en el trimestre más caluroso (°C) | - | - |
BIO11 | Temperatura promedio en el trimestre más frío (°C) | - | - |
BIO12 | Precipitación anual (mm) | - | - |
BIO13 | Precipitación en el período más lluvioso (mm) | 2.5 | 10.7 |
BIO14 | Precipitación en el período más seco (mm) | 13.6 | 18.2 |
BIO15 | Estacionalidad de la precipitación (Coeficiente de Variación) | 1.1 | 4 |
BIO16 | Precipitación en el trimestre más lluvioso (mm) | - | - |
BIO17 | Precipitación en el trimestre más seco (mm) | - | - |
BIO18 | Precipitación en el trimestre más caluroso (mm) | 10.2 | 52.7 |
BIO19 | Precipitación en el trimestre más frío (mm) | - | - |

Figura 2. Estimación del modelo y sensibilidad para Chenopodium quinoa Willd: (a) Omisión promedio y área pronosticada, (b) Sensibilidad vs Especificidad.
En relación al modelo de distribución, el BIO13 y BIO18 fueron los que contribuyeron más a la especie en escenarios climáticos dentro del área de estudio similares resultados fueron obtenidos por Boral & Moktan (2021) quienes, para obtener su modelo de distribución, trabajaron con variables similares a las de nuestro estudio, sin embargo, las que más influyeron fueron el BIO5 y BIO7, ya que se encuentran a menor altitud dándose el cambio de variables de mayor representatividad. Asimismo, según Lissovsky & Dudov (2021), el modelo MaxEnt en un estudio no aleatorio necesita corrección geográfica respecto a los puntos de ocurrencia para obtener mayor exactitud y mejorar la predictividad en función a las variables climáticas evaluadas mediante la correlación de ellas.
Por otro lado, en la Figura 2a se muestra la estimación del modelo en función al valor del umbral acumulativo (X), el cual permitió predecir la presencia o ausencia de la quinua, mediante la comparación de la línea de omisión predicha y la curva de fracción del área total pronosticada. En casos extremos, el umbral 0 indicó que todos los valores de los puntos de muestreo están presentes, por lo tanto, la fracción es 1; mientras que en un umbral de 100 indicó que la fracción es 0, es decir hay ausencia de los valores.
En la Figura 2b se muestra la curva operacional conocida ROC (Característica Operativa del receptor) para dos grupos de datos que son el de prueba que representa el área de color azul, mientras el entrenamiento está representado por la línea de color rojo, que calcula el área que se encuentra por debajo de la curva conocido como el valor AUC, el cual permite seleccionar y evaluar el mejor modelo de distribución. Por lo tanto, el valor de AUC cercano a 1 y mayor a 0,5 se considera un buen modelo, en nuestro caso el valor de AUC medio es de 0,882 para el cultivo Chenopodium quinoa Willd, indicando que este es bueno.
En ese sentido, Ejigu & Tassie (2020), en su modelo de distribución el valor de AUC promedio de todas sus repeticiones, obtuvieron un valor de 0,85 lo cual indica que es bueno, en el caso de la investigación se obtuvo un valor de AUC similar indicando que el modelo tiene buen funcionamiento de predicción. Por otra parte, Anand et al. (2021) argumentan que mientras el modelo se acerque a la unidad es de mayor confiabilidad para la distribución de especies a escala espacio temporal respecto a variables climáticas u otros.
De la Figura 3 se obtuvo que la extensión actual ambientalmente adecuada para el desarrollo del cultivo de la quinua tiene una probabilidad de ocurrencia mayor al 75% y se encuentra centrada en los andes del Perú, específicamente en los departamentos de Puno, Apurímac, Ayacucho y Cuzco. Por otro lado, la extensión máxima en toda la zona andina del Perú es de 70547,131 km2, mínima de 27425,797 km2 y un promedio de 32861,998 km2 para idoneidad muy alta.
3.2 Proyección del modelo de distribución de especies
Seguidamente, según el modelo de distribución de la quinua, en la Figura 4 se presentan las proyecciones al 2050 y 2070. De aquí se determinó que, las áreas óptimas de productividad se encuentran en la región Puno, Cuzco y Apurímac bajo escenarios RCP2.6 y RCP4.5, si es que se compara con el modelo de distribución actual. Mientras que, bajo un escenario RCP8.5 tiende a tener recuperación de extensión geográfica, teniendo mejor adaptación ante sequías. Según el IPCC para la justificación del modelado por el incremento de temperatura promedio para el año 2100 es de 0,3 - 1,7 °C en escenario RCP2.6; 1,1 - 2,6 °C en el escenario RCP4.5 y de 2,6 - 4,8 °C en el escenario RCP8.5.
Respecto a su presencia y distribución en función a la variabilidad climática, Hu et al. (2018) obtuvieron resultados similares al aplicar la metodología MaxEnt en la determinación de áreas óptimas para el desarrollo de las especies, concluyendo que este modelo con las variables climáticas (BIO2, BIO5, BIO7 y BIO8) tiene valor para que mediante programas de conservación persista en el futuro frente a eventos climáticos. Asimismo, Ramzani et al. (2017) refirieron que la quinua se adapta a condiciones de estrés abiótico demostrando que es posible mejorar su biodisponibilidad y translocación de nutrientes esenciales del suelo, destacando el uso de la harina de quinua por los beneficios nutricionales y funcionales que brinda. Por ello, (Vacher, 1998) evaluó la respuesta de la quinua (Chenopodium quinoa Willd) y la papa amarga (Solanum juzepczukii Buk) ante estos eventos climáticos, obteniendo grandes resultados en el rendimiento del cultivo. Además (Fagandini et al., 2020) los andes peruanos es el origen del cultivo y mediante un mapeo participativo evidenciaron que la mayor productividad se da en la región Puno, resultado que afirma el modelo de distribución del cultivo.
3.3 Vulnerabilidad de la quinua bajo condiciones de sequía
En la Figura 5 se indica que respecto a la variable de precipitación en el BIO18 cuando se encuentra en el rango de 0 a 100 durante el trimestre más caluroso la probabilidad predicha, es de 0,82, en cambio cuando supera los 700 mm se reduce a 0, esto significa que, a más de 700 mm, el cultivo va a tener dificultades para su normal producción.
Además, en el BIO15 se alcanzó la probabilidad de 0,9 y este valor también se redujo a mayor estacionalidad de la precipitación. Por otro lado, en el BIO14 se evidenció 0,75 de probabilidad predicha por la ausencia de precipitación en el período más seco y en el BIO13 cuando la precipitación llega a alcanzar los 150 mm en el período más lluvioso su probabilidad es de 0,70, siendo el valor óptimo para su crecimiento.
Respecto a esta variable, resultados similares fueron obtenidos por Vacher (1998), quien reportó que las respuestas a la sequía de los principales cultivos del Altiplano; quinua y papa amarga, ante eventos de déficit hídrico (con una precipitación de 62 mm y evapotranspiración potencial de 186 mm), durante los dos últimos meses del ciclo de cultivo provoca caídas masivas en el potencial hídrico de las hojas, la tasa de transpiración y conductancia estomática en todos los cultivos. Asimismo, Miranda-Apodaca et al. (2020) indican en su investigación que el metabolismo del N de la quinua es tolerante a la sequía y al estrés salino, aunque las estrategias de esta especie para hacer frente a estos estreses ambientales dependen de la cantidad de precipitación y concentración de sales, por ello se está convirtiendo en un pseudocereal alternativo para el suministro de alimentos. También, Muscolo et al. (2016) reportan que, Chenopodium quionaWilld al ser una especie halófita facultativa nativa de la región andina sugiere que la salinidad más que la sequía puede mejorar el valor nutricional de la quinua, como cultivo vegetal y productor de metabolitos farmacéuticos, mientras se mantiene la producción de biomasa.
Este cultivo puede llegar a ser tolerante al estrés hídrico, sin embargo, no hay mucha información sobre su crecimiento bajo riego total, particularmente en regiones cálidas y semiáridas y en un estudio realizado por Ahmadi et al. (2019), bajo tres densidades de siembra al Sur de Irán, determinaron que la quinua tiene un sistema fisiológico específico que permite la transpiración continua y un mejor enfriamiento de las hojas a altas temperaturas indicando que es un súper cultivo que no solo puede tolerar el estrés hídrico, sino que también puede crecer potencialmente bien y producir un rendimiento de grano aceptable en las áreas cálidas y semiáridas.
3.4 Temperatura
El cultivo de la quinua cuenta con gran capacidad de adaptación en suelos pobres y salinos además de lograr producir granos nutritivos sin considerar su alta susceptibilidad a climas que superan los 32 °C. En la siguiente figura se muestra el promedio de las 10 repeticiones realizadas en el software MaxEnt. De esta se señala que, respecto a la variable de temperatura (BIO7) esta tiene mayor influencia en la quinua cuando alcanza un rango anual de (20 - 22 °C) teniendo una probabilidad predicha de 0,75, en el BIO5 en un rango de 0 a 5 en el período más caliente tiene probabilidad de aproximadamente de 0,74, en el BIO4 en un rango de 100 a 150 de estacionalidad tiene probabilidad de aproximadamente 0,67, en el BIO3 en un rango 90 a 95 de Isotermalidad manteniéndose constante con una probabilidad de 0,85, todo ello indica que si se obtiene esos rangos, el cultivo tendrá esa probabilidad predicha de producción.
Entre los eventos climáticos que representan uno de los principales factores limitantes de la producción agrícola altoandina, destacan las heladas. A pesar de ello, la quinua ha demostrado ser uno de los cultivos que se adapta con mayor facilidad a estas condiciones climáticas. En ese sentido Alandia et al. (2020) evaluaron la respuesta de la quinua ante diversas intensidades y duraciones de las heladas sobre el rendimiento de semillas, así como la tasa de muerte de las plantas, obteniendo que los daños provocados por las heladas durante la antesis en dos horas a más fueron significativos y en general, si se tiene un mayor nivel de azúcares solubles se aumentará la tolerancia a las heladas con mejores rendimientos. Mientras que, Piedra-Bonilla et al. (2020) analizaron si la variación del clima puede influir en estas prácticas a través de la aplicación del modelo Probit ordenado. Este modelo les permitió separar las diferentes categorías de diversificación de cultivos, brindando como resultados que el incremento de la precipitación y temperatura no tienen efectos significativos en la aplicación de este procedimiento pero que su intensidad incrementa proporcionalmente junto a la variabilidad climática. Del mismo modo, Kibar et al. (2021) señalaron que, para mantener la calidad del grano y evitar pérdidas, se requieren sistemas de almacenamiento eficaces. Por lo que, evaluaron el efecto de los días de almacenamiento a diferentes temperaturas y el color de dos variedades de quinua Menta Vainilla y Titicaca. Indicando que, cuando estas variables se incrementan conducen a cambios en la humedad del grano, contenido de proteínas y propiedades de color. Ambas, lograron disminuir algunos metales como el hierro o zinc y mostraron cierta degradación dependiente de la temperatura.
En el caso de climas tropicales y templados ha hecho que se le considere un importante cultivo andino de cereales en el que la etapa de floración determina el rendimiento del grano. Es así que, Curti et al. (2016) buscaron evaluar la respuesta del desarrollo foliar y floral de la quinua al fotoperiodo y la temperatura a diferentes altitudes, durante tres temporadas y aplicaron un modelo fototérmico. Las tasas de desarrollo de la planta hasta la aparición de yemas florales y estados de antesis, así como la filocronía, variaron ampliamente entre las accesiones y la filocronía varió principalmente durante la fase reproductiva (Sellami et al., 2021). Demostrando mayor sensibilidad en las tierras bajas (normalmente de floración tardía) y la sensibilidad a la temperatura (Figura 6) fue mayor en tierras altas (floración temprana).

Figura 6. Respuesta de Chenopodium quinoa Willd a variables bioclimáticas asociadas a la temperatura.
Cabe resaltar que si la respuesta de los agricultores andinos a la creciente variabilidad del clima es positiva se incrementará la diversidad de cultivos y podrán estimarse mediante los índices de cultivos intercalados bajo condiciones ambientales favorables. Sin embargo, muchas actividades humanas como la invasión agrícola, el sobrepastoreo y las actividades mineras están favoreciendo el incremento de la vulnerabilidad de los ecosistemas, especialmente en la puna alto andina y en las demás regiones del territorio nacional que están provocando que disminuya: la provisión de alimentos, lana y fibra, fertilidad del suelo, ciclo de nutrientes, secuestro de carbono del suelo, provisión y regulación del agua, recursos genéticos, control de plagas y enfermedades, regulación de la polinización y regulación del microclima. Finalmente, Zurita-Silva et al. (2014) señalan que la quinua tiene una excelente calidad y propiedades especiales para tolerar el estrés abiótico, además, que la introducción del cultivo se está llevando a cabo en varias regiones y su desarrollo se está dando a altitudes más bajas de lo normal como la costa (Cruces et al., 2020).
4. Conclusiones
Ante los actuales problemas de contaminación ambiental, muchos cultivos no llegan a producirse de una manera efectiva, sin embargo, la quinua representa una gran alternativa, y en este estudio se ha comprobado su tolerancia a estreses abióticos como la sequía, la salinidad y distribución potencial; ya que llega a obtener una excelente productividad facilitando su alta demanda a nivel mundial. Además, se han evidenciado zonas de mayor capacidad de movilidad de Chenopodium quinoa Willd en los andes del Perú como los departamentos de Puno, Apurímac, Ayacucho y Cuzco, donde las variables bioclimáticas como precipitación y temperatura son más adecuadas para la producción, a diferencia de otras zonas de la costa o la selva. Estas variables fueron decisivas para establecer el modelo de distribución de la especie actual cuyo aporte de la temperatura es mayor que el de la precipitación. Otras variables que pueden ser consideradas para el modelamiento son: las zonas de vida, capacidad de uso mayor del suelo y cobertura vegetal. Por lo que se recomienda, realizar análisis de idoneidad utilizando otras variables aparte de las bioclimáticas que puedan influir en la distribución potencial del cultivo para que de esa manera se puedan plantear mejoras importantes para el manejo preventivo de factores abióticos y bióticos, así como mejorar la calidad de predicción. También, el planteamiento de programas de extensión rural que fomenten la diversificación de sistemas haciéndolos más resiliente al cambio climático y el uso de otros insumos como el biocarbón pues ha tenido excelentes resultados respecto a una mejor eficiencia en el uso del agua bajo condiciones de estrés de salinidad y de esa poder garantizar y asegurar alimentos nutritivos como la quinua.