Universidad Zamorano 

Departamento de Ambiente y Desarrollo 

Ingeniería en Ambiente y Desarrollo 

Proyecto Especial de Graduación 

Efecto de la variabilidad y el cambio climático en los 

patrones de producción de leche en la finca Hacienda La Esmeralda, 

Boquete, Panamá 

Estudiante 

Henry Nahir Caballero Elizondro 

Asesores 

Diego Obando, M.Sc. 

Alexandra Manueles, Mtr. 

Honduras, agosto 2025 



2 

KEITH ANDREWS 

Rector i.a. 

ANA M. MAIER ACOSTA 

Vicepresidenta y Decana Académica 

VICTORIA CORTÉS MATAMOROS 

Directora del Departamento de Ambiente y Desarrollo 

JULIO NAVARRO 

Secretario General 

Autoridades 

Ivi Cisnero
Cross-Out



3 

 

 

Contenido 

Índice de Cuadros ................................................................................................................................... 5 

Índice de Figuras ..................................................................................................................................... 6 

Índice de Anexos ..................................................................................................................................... 8 

Resumen ................................................................................................................................................. 9 

Abstract ................................................................................................................................................. 10 

Introducción .......................................................................................................................................... 11 

Metodología .......................................................................................................................................... 14 

Descripción del Sitio de Estudio ............................................................................................................ 14 

Diseño de Estudio ................................................................................................................................. 15 

Caracterización Biofísica de las Fincas .................................................................................................. 15 

Análisis De Variables Climáticas y Productivas ..................................................................................... 16 

Fuente de Datos Meteorológico y Productivos .................................................................................... 16 

Preprocesamiento de Datos de Reanálisis ............................................................................................ 17 

Preprocesamiento de Datos Meteorológicos y productivos observados ............................................. 18 

Análisis Estadísticos .............................................................................................................................. 19 

Simulación De Los Impactos Del Cambio Y La Variabilidad Climática ................................................... 20 

Generación de escenarios climáticos a partir de datos históricos y proyectados ................................ 20 

Revisión De Literatura Sobre Factores No Climáticos En La Producción Lechera ................................ 21 

Resultados y Discusión .......................................................................................................................... 23 

Caracterización Biofísica del Área de Estudio ....................................................................................... 23 

Sistema de Producción y Manejo .......................................................................................................... 23 

Ubicación y Relieve ............................................................................................................................... 25 

Características de Suelo ........................................................................................................................ 26 

Disponibilidad Hídrica ........................................................................................................................... 27 



4 

 

 

Vegetación ............................................................................................................................................ 28 

Cobertura de Suelo ............................................................................................................................... 29 

Análisis De La Influencia Climática Sobre El Rendimiento Lechero ...................................................... 30 

Series de Datos Climáticos .................................................................................................................... 30 

Serie de Producción de Leche ............................................................................................................... 36 

Correlación entre Clima y Producción de leche .................................................................................... 37 

Correlación con Datos Observados ....................................................................................................... 37 

Correlación con Datos de Reanálisis ..................................................................................................... 38 

Comparativa entre Observados y Reanálisis......................................................................................... 40 

Simulación del impacto climático proyectado en la producción lechera bajo escenarios futuros ...... 42 

Escenarios Climáticos ............................................................................................................................ 42 

Recomendaciones de Manejo ............................................................................................................... 47 

Fortalecer el Manejo de la Salud Podal ................................................................................................ 47 

Optimizar el Manejo de Pastoreo Rotativo .......................................................................................... 47 

Mejora del Sistema Silvopastoril .......................................................................................................... 48 

Mejora Genética con un Enfoque a la Resiliencia ................................................................................. 49 

Monitoreo Agroclimático ...................................................................................................................... 50 

Mejorar la Cultura del Registro ............................................................................................................. 50 

Conclusiones ......................................................................................................................................... 52 

Recomendaciones ................................................................................................................................. 53 

Referencias ............................................................................................................................................ 54 

Anexos ................................................................................................................................................... 59 

 



5 

 

 

Índice de Cuadros 

Cuadro 1  Criterios de interpretación del coeficiente de correlación de Pearson según Belizario-Quispe 

(2015). ................................................................................................................................................... 20 

Cuadro 2  Características biofísicas y de manejo de las fincas de la Hacienda La Esmeralda. ............. 24 

Cuadro 3  Fuente de abastecimiento y uso del agua en las fincas de la zona de estudio. ................... 28 

Cuadro 4 Coberturas del suelo identificadas según nomenclatura CLC2018. ...................................... 30 

Cuadro 5  Estadísticos descriptivos de las variables climáticas registradas por la estación meteorológica 

Boquete-108053 (2015–2024). ............................................................................................................. 31 

Cuadro 6  Estadísticos descriptivos de las variables climáticas obtenidas por reanálisis (2015–2024).

 .............................................................................................................................................................. 31 

Cuadro 7  Estadísticos descriptivos de las variables de producción lechera (2015–2024). .................. 36 

Cuadro 8  Factores no climáticos influyentes en la producción lechera. ............................................. 46 

Cuadro 9  Prácticas de adaptación frente a la variabilidad y el cambio climático en sistemas lecheros.

 .............................................................................................................................................................. 51 

 

 

 

 

 

 

 

 

 

 

 



6 

 

 

Índice de Figuras 

Figura 1 Mapa de localización de fincas y estaciones meteorológicas en Boquete, Chiriquí, Panamá 14 

Figura 2 Filtro de control de calidad aplicados a las bases de datos meteorológicas. ......................... 18 

Figura 3 Ejemplares de las razas Holstein y Jersey presentes en las fincas evaluadas. ........................ 23 

Figura 4  Producción mensual promedio de leche por finca (2015-2024). ........................................... 24 

Figura 5  Evaluación organoléptica de la textura de suelos en las fincas lecheras. .............................. 26 

Figura 6 Delimitación de las áreas de uso agrícola en las fincas de la Hacienda La Esmeralda. ........... 27 

Figura 7  Presencia de especies arbóreas nativas en las áreas de pastoreo de las fincas .................... 29 

Figura 8 Temperatura Mínima °C, Promedio °C y Máxima °C de Datos Observados (2015-2024) ....... 32 

Figura 9  Precipitación de Datos Observados (2015-2024) ................................................................... 33 

Figura 10  Temperatura Mínima °C de Datos de Reanálisis (2015-2024). ............................................ 34 

Figura 11 Temperatura Máxima °C de Datos de Reanálisis (2015-2024). ............................................ 34 

Figura 12  Precipitación (mm) de Datos de Reanálisis (2015-2024). .................................................... 35 

Figura 13  Comparación de datos observados con datos de reanálisis de las fincas PGG .................... 36 

Figura 14  Producción mensual promedio de leche por vaca en las fincas de la Hacienda La Esmeralda 

(2015-2024) ........................................................................................................................................... 37 

Figura 15 Mapa de Calor: Coeficientes de correlación entre variables climáticas y producción de leche 

utilizando datos observados (2015-2024) ............................................................................................ 38 

Figura 16 Mapa de calor: Coeficientes de correlación entre variables climáticas y producción de leche 

utilizando datos de reanálisis (2015-2024). .......................................................................................... 40 

Figura 17 Mapa de Calor: Comparación de los coeficientes de correlación entre datos observados y 

datos de reanálisis para variables climáticas y producción de leche. (2015-2024). ............................. 42 

Figura 18 Comparación entre el Índice Multivariado ENSO (MEI) y la precipitación de datos observados 

y de reanálisis. ....................................................................................................................................... 43 



7 

 

 

Figura 19 Estimaciones de la producción de leche bajo diferentes escenarios de cambio climático en 

función de las variables temperatura mínima y máxima en dos años análogos contrastantes 2015 

(Niño) y 2022 (Niña). ............................................................................................................................. 45 

 

 

 

 

 

  



8 

 

 

Índice de Anexos 

Anexo A Consulta de datos climáticos mediante la plataforma digital “Climate Engine” .................... 59 

Anexo B  Ficha de campo para la caracterización biofísica de las fincas evaluadas ............................. 60 

Anexo C  Instrumento de percepción aplicado a trabajadores de las fincas evaluadas ....................... 67 

Anexo D  Preprocesamiento de revisión y tratamiento de datos climáticos faltantes ........................ 68 

Anexo E  Extracción de información climática desde la plataforma “Climate Knowledge Portal” ....... 69 

 



9 

 

 

Resumen 

El estudio evaluó el efecto de la variabilidad y el cambio climático sobre los patrones de producción 

de leche en La Hacienda La Esmeralda, ubicada en los municipios de Boquete y Dolega, Chiriquí, 

Panamá. Se aplicó un enfoque cuantitativo, exploratorio y correlacional, utilizando datos históricos de 

producción lechera, series climáticas observadas de la estación meteorológica Boquete-108053 y 

datos de reanálisis obtenidos del producto TerraClimate, en una serie de tiempo comprendida entre 

2015 al 2024. Mediante un análisis de correlación se identificaron asociaciones entre variables 

climáticas (temperatura mínima, promedio, máxima, precipitación, viento, radiación y humedad) y la 

producción lechera. A pesar de las correlaciones observadas y de ciertas tendencias con eventos 

climáticos como El Niño y La Niña, no se evidenció una tendencia general sostenida durante todo el 

periodo analizado. Las correlaciones, aunque altas y muy altas en algunos casos, no fueron lo 

suficientemente consistentes como para establecer una relación determinante con la variación en la 

producción. Sin embargo, variables como la precipitación, el viento y la temperatura máxima 

presentaron altas correlaciones en años y fincas específicas. El Índice Multivariado ENSO (MEI) 

permitió identificar años análogos relevantes para estas proyecciones. Las simulaciones de cambio 

climático bajo el escenario CMIP6 SSP5–8.5 proyectaron una disminución sostenida en la producción 

hacia 2040, 2060 y 2080. Este estudio respalda la necesidad de fortalecer las acciones de adaptación 

del sistema lechero en Chiriquí, Panamá. 

Palabras clave: Correlación, estación meteorológica, ganadería y modelo climático 

 



10 

 

 

Abstract 

The study evaluated how climate variability and change affect milk production patterns at Hacienda 

La Esmeralda, located in Boquete and Dolega municipalities of Chiriquí, Panama. A quantitative, 

exploratory, and correlational approach was applied, using historical milk production data, observed 

climate series from the Boquete-108053 meteorological station, and reanalysis data obtained from 

the TerraClimate product, covering the time series from 2015 to 2024. Through a correlation analysis, 

associations were identified between climatic variables (minimum, average, and maximum 

temperature; precipitation; wind; radiation; and humidity) and milk production. Despite the observed 

correlations and some trends with climate events such as El Niño and La Niña, no general sustained 

trend was evident throughout the analyzed period. Although, the correlations were high and very high 

in some cases, they were not consistent enough to establish a definitive relationship with production 

variability. However, variables such as precipitation, wind, and maximum temperature showed strong 

correlations in specific years and farms. The Multivariate ENSO Index (MEI) was used to identify 

relevant analogous years for these projections. Climate change simulations under the CMIP6 SSP5–

8.5 scenario projected a sustained decline in production toward 2040, 2060, and 2080. This study 

supports the need to strengthen adaptation measures within the dairy production system in Chiriqui, 

Panama. 

Keywords: Climate model, correlation, livestock farming, weather station 

 

 

 

 

 

 

 



11 

 

 

Introducción 

El cambio climático está causando desafíos importantes en la capacidad del mundo para 

satisfacer las necesidades de seguridad alimentaria y nutricional, que aumentarán a gran medida en 

el futuro (Lobell et al., 2008; Tirado et al., 2010). Las proyecciones demográficas indican que la 

población mundial podría alcanzar los 9,700 millones de personas para 2050, lo que plantea desafíos 

significativos para garantizar la seguridad alimentaria y preservar la salud global (United Nations [UN], 

2015). 

En América Latina y el Caribe (ALC), los eventos climáticos son desafíos que están 

estrechamente relacionados con la pobreza y la seguridad alimentaria (Kopittke et al., 2019); de esta 

manera se ha generado un complejo vínculo que interactúa entre sí, comprometiendo la producción 

de alimentos, debido a que deteriora los suelos y reduce tanto la disponibilidad como el ingreso 

económico, lo que finalmente termina poniendo en riesgo la seguridad alimentaria (F. J. Fernández et 

al., 2019; Vargas et al., 2018). Tal como dijo Lobell et al. (2011), mitigar los efectos del cambio climático 

sobre la seguridad alimentaria representa uno de los retos más significativos que enfrenta la 

humanidad en el siglo XXI. 

El cambio climático, la agricultura y la nutrición están interconectados. Las alteraciones 

climáticas y su variabilidad influyen en los patrones de temperatura y precipitación, además de 

incrementar la frecuencia e intensidad de eventos meteorológicos extremos (Fanzo et al., 2018). Esto 

provoca una mayor incertidumbre al intentar predecir el clima con certeza, y es evidente que estas 

incertidumbres no van a desaparecer en las próximas décadas (Heal y Millner, 2014). Según una 

encuesta de la Percepción de Riesgos Globales (GRPS) clasificaron el “fracaso de la acción climática” 

como una de las mayores amenazas para el futuro del planeta y con las catástrofes potenciales más 

graves para los próximos años (The World Economic Forum [WEF], 2022). 

Fanzo et al. (2018), confirman que la sociedad está experimentando las consecuencias del 

cambio climático, mismas que, de no ser abordadas mediante acciones de mitigación y adaptación, se 



12 

 

 

agravarán con el tiempo. Esto afectará una línea de producción importante para la seguridad 

alimentaria. En este caso cada cadena de valor de la producción de leche, estará siendo amenazada 

por el cambio y variabilidad climática (Gauly y Ammer, 2020). 

Por ejemplo, según un análisis elaborado por Cowley et al. (2015), la producción de leche 

como sus componentes se verán afectados por continuas olas de calor de manera que tendrán un 

efecto directo en la calidad y cantidad en los productos lácteos. Estas irregularidades en la producción 

impactan directamente en la seguridad alimentaria mundial debido a su importante pilar en la 

alimentación. Recalcando que los productos lácteos desempeñan un papel clave en la nutrición 

humana, posicionándose como la quinta fuente más importante de energía y la tercera en cuanto a 

aporte de proteínas y grasas a nivel mundial (Bennett et al., 2013). Tal como dicen Gauly y Ammer 

(2020), como resultado, el cambio climático generará repercusiones económicamente significativas 

en la industria láctea, afectando así la nutrición a nivel global. 

Estos efectos negativos en la producción de alimentos lácteos van asociados a los efectos 

adversos que padece el ganado lechero en las condiciones actuales. La influencia de las condiciones 

ambientales y, a su vez, el clima y el cambio climático, están directamente asociados con el concepto 

de estrés por calor (Katsini et al., 2024), cambiando por completo las condiciones de confort del 

ganado y su producción diaria de leche. Las vacas en periodo de lactancia comienzan a experimentar 

estrés térmico cuando las temperaturas ambientales superan aproximadamente los 25 °C (Lees et al., 

2018; Lees et al., 2019). Sin embargo, las continuas olas de calor provocan que las temperaturas 

superen el umbral óptimo. 

Además, según Kadokawa et al. (2012), el estrés térmico influye negativamente en la fertilidad 

del ganado, manifestándose en un incremento de los días abiertos, disminución de la fertilidad debido 

al anestro y menores tasas de concepción. No obstante, no solo se considera la temperatura como un 

factor del clima que induce el estrés térmico en el ganado. Cada que aumenta la temperatura 

ambiente, la vaca produce termorregulación por medio de evaporación, sin embargo, la humedad 



13 

 

 

relativa afecta este proceso , además de este factor, hay más influyentes como velocidad del viento y 

la radiación solar (Katsini et al., 2024). Por otro lado, también es probable que los cambios en los 

patrones de temperatura y precipitación expongan a los animales a micotoxinas y alimentos 

contaminados, ya que los climas húmedos y cálidos pueden fomentar la contaminación y el 

crecimiento de toxinas (Sejian et al., 2021). 

En Panamá, la producción lechera es una actividad económica importante, particularmente 

en regiones frías de Chiriquí como lo es Boquete, sin embargo, el cambio en el clima podría estar 

afectando directamente la productividad ganadera. Como se presentó anteriormente, las condiciones 

climáticas tienen un efecto en la capacidad del ganado para producir leche en condiciones normales. 

Para prepararse y disminuir las consecuencias negativas en caso de cambios drásticos, es fundamental 

comprender cómo estos factores meteorológicos están afectando la producción lechera. Tal como lo 

demostraron Katsini et al. (2024), usar correlaciones entre datos climáticos y productivos les permitió 

analizar con mayor precisión la influencia de las variables ambientales sobre la producción lechera, 

aportando información sólida para el diseño de estrategias de adaptación frente al cambio climático. 

Por lo que, con el uso de herramientas estadísticas, correlacionando datos históricos de 

producción y de clima, se crearán escenarios climáticos. Los resultados podrán facilitar la toma de 

decisiones e implementación de medidas adaptativas que garanticen la sostenibilidad de la 

producción lechera a largo plazo. Consecuentemente, el propósito de esta investigación es 

correlacionar variables meteorológicas y de productividad para simular el impacto del cambio 

climático en la producción lechera en la finca Hacienda La Esmeralda, Boquete, Panamá, con los 

siguientes objetivos específicos: a) Comparar las características biofísicas de ocho fincas lecheras con 

el fin de contextualizar integralmente las unidades de estudio. b) Identificar las variables climáticas 

con mayor influencia en las fluctuaciones del rendimiento de la producción lechera. c) Simular los 

impactos del cambio y la variabilidad climática en la producción lechera en los próximos 30 años en la 

finca Hacienda La Esmeralda, Boquete, Panamá. 



14 

 

 

Metodología 

Descripción del Sitio de Estudio 

Para este estudio se seleccionaron un total de 8 fincas lecheras de la Hacienda La Esmeralda, 

de las cuales, la mayoría se ubican en el distrito de Boquete, mientras que el resto pertenece al distrito 

de Dolega, ambos localizados en la provincia de Chiriquí, Panamá (Figura 1). Boquete se encuentra en 

una región de montaña con elevaciones que oscilan entre los 1,000 y 1,800 msnm, con temperaturas 

promedio cercanas a los 20 °C y precipitaciones anuales que pueden superar los 3,000 mm. En cambio, 

el distrito de Dolega se ubica en una zona de transición altitudinal más baja, con terrenos que varían 

entre los 300 y 1,100 msnm, con temperaturas medias anuales cercanos a 25 °C y una precipitación 

anual aproximada de 1,700 mm. 

Figura 1 

Mapa de localización de fincas y estaciones meteorológicas en Boquete, Chiriquí, Panamá 

 



15 

 

 

Diseño de Estudio 

El diseño de investigación es de enfoque cuantitativo, el alcance es de tipo exploratorio y 

correlacional. Debido que no se manipulan las variables es cuasiexperimental. Se utilizaron series de 

datos climáticos históricos. La hipótesis es direccional y correlacional planteando que a medida que 

se presentan variaciones climáticas significativas éstas tienen un efecto en el rendimiento de la 

producción lechera en la finca Hacienda La Esmeralda Boquete, Panamá. La relación causal es 

bivariado, ya que se analizan las relaciones directas entre dos variables, meteorológicas (VI) y la 

producción de leche (VD). 

Es importante señalar que el alcance de esta investigación se limita al análisis de la relación 

entre variables meteorológicas y productivas, sin considerar otros factores de influencia. 

Caracterización Biofísica de las Fincas 

La selección de los componentes biofísicos evaluados y la estructura general de este apartado 

metodológico fueron adaptadas del estudio realizado por E. Fernández et al. (2011), donde se 

caracterizó cada finca mediante visitas de campo, guiadas por el gerente encargado de la producción 

lechera de todas las fincas, quien brindó la información clave sobre el manejo e historial productivo 

que fueron documentadas en fichas de campo (Anexo B). Durante las visitas se identificaron 

directamente elementos esenciales del sistema productivo para la caracterización biofísica como el 

tipo de pasto predominante, las razas bovinas presentes y el sistema de manejo que usan.  

La ubicación política y geografía de cada finca fue georreferenciada utilizando la aplicación 

“Global Position System”, (GPS, por sus siglas en inglés) y plataformas digitales como “Google Maps©”. 

Las coordenadas de la finca se registraron tomando como punto de referencia a la lechería. El área de 

uso agrícola se delimitó utilizando el “software Quantum Geographic Information System” (QGIS©, 

por sus siglas en inglés) a partir de las imágenes satelitales y con el apoyo del gerente de lechería para 

validar los límites de las unidades productivas.  



16 

 

 

La fisiografía y relieve se identificaron mediante observación directa en campo considerando 

las formas del terreno visible (colinas, mesetas, pendientes suaves, etc.). Por otro lado, se incluyó la 

estimación de la altitud (msnm) mediante una aplicación altimétrica digital llamada Altímetro©. Se 

estimó la textura del suelo por el método táctil-manual en distintos puntos de la finca. Esta técnica 

permite identificar la textura basándose en las propiedades sensoriales como la granulometría, 

plasticidad y la cohesión de la muestra sin recurrir a análisis de laboratorio. Para la caracterización 

hídrica, en primer lugar, se identificaron los cuerpos de agua tales como ríos y quebradas. Se le 

consultó al gerente sobre que uso le daban y como la extraían. Esto permitió caracterizar el acceso 

hídrico disponible. 

La identificación de la vegetación presente en las fincas se realizó mediante observaciones 

directas en campo con apoyo del personal de las fincas y el gerente de lechería, quién indicó qué 

especies arbóreas eran autóctonas y cuales habían sido introducidas mediante prácticas de manejo. 

Para la identificación de las coberturas de uso del suelo presentes en la finca, se utilizó como base la 

nomenclatura del “CORINE Land Cover” por sus siglas en inglés (CLC2018), desarrollada por el 

programa “Land Copernicus” del “European Environment Agency” (Kosztra et al., 2019).  

Con base a la observación directa en la visita de campo, entrevistas semiestructuradas con 

actores clave (gerente de lechería y personal de campo) (Anexo C) y el resultado de los análisis de 

correlación, se formularon, recomendaciones orientadas a la mejora del sistema productivo 

considerando prácticas de adaptación climática. Este proceso tomó un enfoque de diagnóstico 

participativo y triangulación de información mediante evidencia empírica, conocimiento local y 

resultados estadísticos. 

Análisis De Variables Climáticas y Productivas 

Fuente de Datos Meteorológico y Productivos 

El estudio se realizó a partir de datos climáticos de reanálisis, datos meteorológicos 

observados y datos de producción de leche. Los datos climáticos de reanálisis tales como temperatura 



17 

 

 

mínima, máxima, precipitación, radiación y velocidad del viento, fueron obtenidos de la plataforma 

“Climate Engine” con información del producto TerraClimate. Los datos observados de temperatura 

mínima, máxima y promedio, precipitación, humedad y viento fueron registrados por la estación 

meteorológica tipo c automática Boquete-108053 del Instituto de Meteorología e Hidrológico de 

Panamá (IMHPA) ubicada en el distrito de Boquete. Los datos de producción lechera corresponden a 

registros de la producción promedio mensual de leche por vaca de cada finca, información 

proporcionada por La Hacienda La Esmeralda. Los 3 tipos de datos fueron manejados en el mismo 

plazo de tiempo, desde el 2015 al 2024. 

Preprocesamiento de Datos de Reanálisis 

Para la obtención de los datos climáticos de las fincas evaluadas se utilizó el producto 

TerraClimate el cual proporciona información mensual a escala global mediante reanálisis climático. 

Este integra datos de alta resolución espacial provenientes de la plataforma “WorldClim”, junto con 

series temporales del producto CRU Ts4.0 (“Climatic Research Unit Data Sets Version 4”) y la reanálisis 

atmosférica de largo plazo JRA55 (“Japanese 55-year Reanalysis”). A partir de estas fuentes, se 

calculan diversas variables climáticas mediante un modelo simplificado de balance hídrico, basado en 

una versión modificada del método de Thornthwaite-Mather, que considera parámetros como 

precipitación, evapotranspiración potencial (estimada mediante Penman-Monteith), contenido de 

humedad del suelo y almacenamiento de nieve (Degano y Rivas, 2023). 

Además, este producto incluye otras variables relevantes para el análisis como temperatura, 

precipitación, viento y radiación solar. Este conjunto de datos ha sido ampliamente utilizado en 

estudios hidrológicos y ecológicos debido a su cobertura espacial y temporal extensa (Abatzoglou et 

al., 2018). 

Los datos fueron descargados mediante la plataforma Climate Engine, una herramienta que 

permite visualizar, procesar y extraer variables climáticas específicas según productos satelitales y 

coordenadas geográficas. En este caso, la localización de cada finca fue determinada manualmente a 



18 

 

 

través de la visualización del mapa interactivo, y se seleccionó un único punto representativo por finca. 

Una vez definida cada ubicación mediante la herramienta “Make Graph”, se procedió a elegir el 

producto TerraClimate y las variables de interés como precipitación mensual, temperatura máxima y 

mínima, viento y radiación, junto con el rango de tiempo correspondiente. Posteriormente, se 

generaron las series temporales (“get time series”) y se descargaron en formato tabular para facilitar 

su tratamiento estadístico y análisis (Degano y Rivas, 2023). 

Debido a la resolución de 4 km del producto TerraClimate, algunas fincas compartían el mismo 

clima. Las fincas Principal, Guabal y Gavilán presentaron datos iguales, al igual que las fincas Colga y 

Márquez, así como PRD1 y PRD2. Por lo que para evitar redundancias y asegurar la precisión del 

análisis, las fincas se agruparon según la misma información climática. 

Preprocesamiento de Datos Meteorológicos y productivos observados  

Para el procesamiento de los datos primero se realizó un control de calidad de la información 

de la estación Boquete-108053 en “Microsoft Excel©” y se le aplicó un filtrado por colores para 

identificar los datos faltantes (Figura 2). Posteriormente, se le realizó limpieza y transformación de la 

información meteorológica de la estación con el fin de homogenizar los datos. Lo anterior se debe 

realizar en caso de que los datos presenten formatos distintos, unidades diferentes y otros detalles 

de alineación temporal, buscando que los datos sean representativos de las condiciones climáticas de 

la zona de estudio.  

Figura 2 

Filtro de control de calidad aplicados a las bases de datos meteorológicas. 

 

Nota. Adaptado de Series de precipitación y temperatura en Zamorano: tendencias, proyección y relación con el cambio climático, por 

Hernández Castro (2021) 

•Días con datos faltantes.Color amarillo

•Meses con datos faltantes.Color morado

•Años con datos faltantes.Color celeste



19 

 

 

Por otro lado, a la base de datos de producción de leche se le aplicó un análisis de valores 

atípicos, para ello se generaron gráficos “boxplots" y luego se eliminaron estos valores si se confirma 

con el gerente de la lechería si es un dato extraño. Finalmente, se obtuvo una base de datos de 

producción en litros promedio por vaca al mes para un periodo de 9 años. Finalmente, se realizó una 

prueba de Shapiro-Wilk para las variables meteorológicas y de producción observadas con el fin de 

evaluar la normalidad de los datos. Con ello, la base de datos quedo lista para los demás análisis 

estadísticos.  

Análisis Estadísticos 

Con el fin de tener una correcta validez en las comparaciones, se estableció que todas las 

fincas evaluar debían contar con la misma cantidad de años de datos continuos. Debido a esto, se 

descartaron las fincas Márquez, Rovira y PRD2, los cuales tienen pocos años de registros p. Para 

determinar la relación que existe entre las variables climáticas y la producción de leche se realizaron 

pruebas de correlación con el fin de identificar el grado de asociación entre las variables. Este tipo de 

análisis ha sido utilizado en estudios recientes como el de (Katsini et al., 2024), quienes modelaron los 

efectos climáticos sobre la producción lechera. La correlación de Pearson (valores r) simple expresada 

en la Ecuación 1 se calculó para evaluar la relación lineal que hay entre los datos y fueron 

interpretados conforme al Cuadro 1, utilizando los criterios o tipos de correlación según los valores r  

(Belizario-Quispe, 2015). 

 

                                                𝑟𝑟 = 𝑛𝑛(∑𝑥𝑥𝑥𝑥)−(∑𝑥𝑥)(∑𝑦𝑦)
�[𝑛𝑛∑𝑥𝑥2−(∑𝑥𝑥)2][𝑛𝑛∑𝑦𝑦2−(∑𝑦𝑦)2]

                                                            [1] 

Donde: 

× = representa las variables climáticas 

Y = representa la producción de leche 

n = representa el número de observaciones 

 



20 

 

 

Cuadro 1 

 Criterios de interpretación del coeficiente de correlación de Pearson según Belizario-Quispe (2015). 

Tipo de correlación Valores r 
(+) (-) Correlación inexistente  0.00 ≤ r < 0.00 
(+) (-) Correlación muy baja  0.01 ≤ r < 0.2 
(+) (-) Correlación baja  0.21 ≤ r < 0.4 
(+) (-) Correlación moderada  0.41 ≤ r < 0.6 
(+) (-) Correlación alta 0.61 ≤ r < 0.8 
(+) (-) Correlación muy alta 0.81 ≤ r < 0.99 
(+) (-) Correlación perfecta 1.00 ≤ r < 1.00 

 

Simulación De Los Impactos Del Cambio Y La Variabilidad Climática 

Generación de escenarios climáticos a partir de datos históricos y proyectados   

Para identificar patrones entre las variables climáticas y la producción de leche promedio por 

vaca se aplicó una regresión lineal simple explicado en la Ecuación 2 por cada variable y así observar 

las tendencias. Esta técnica ha sido utilizada por autores como West (2003), quien analizó la influencia 

del estrés térmico en la producción lechera. 

 

                                                             𝑦𝑦 = 𝑚𝑚𝑚𝑚 − 𝑏𝑏                                                                              [2] 

Donde: 

× = representa las variables climáticas 

Y = representa la producción de leche 

m = representa la pendiente  

b = es la intersección en el eje y 

 

Las tendencias permiten observar posibles irregularidades en las condiciones climáticas y su 

posible correlación con las variaciones ocurridas en la producción de leche a lo largo del tiempo. Con 

las líneas de tendencia se obtuvieron las ecuaciones a utilizar en las proyecciones o escenario 

climáticos. 



21 

 

 

Realizadas las correlaciones y el análisis de regresión, se aplicó el modelo de escenario 

climático denominado “Coupled Model Intercomparison Project Phase 6” (CMIP6) bajo el “Shared 

Socioeconomic Pathway 5” con un forzamiento radiativo final de 8.5 W/m² (SSP5-8.5) para evaluar el 

impacto del cambio climático en el futuro. Los datos fueron obtenidos del “Climate Change Knowledge 

Portal” del Banco Mundial (World Bank Climate Change Knowledge Portal, 2025) (Anexo E), 

específicamente en la sección de proyecciones climáticas para Panamá. Esta plataforma o portal actúa 

como distribuidor y visualizador accesible de los datos climáticos modelados por el IPCC, ya que este, 

no proporciona directamente los archivos al público, mientras que el portal del Banco Mundial 

permite una visualización intuitiva y descarga simplificada de datos modelados (Anexo D).  

El uso de los datos de escenarios climáticos es comúnmente empleado en estudios de 

proyección climática con base en escenarios de altas emisiones, como lo hicieron Hausfather y Peters 

(2020). Al usar estos escenarios se debe incorporar el método de suma del delta de anomalías 

climáticas, técnica ampliamente usada en estudios de cambio climático (Ramírez Villegas y Jarvis, 

2010). Las diferencias que observamos entre clima histórico y el clima futuro estimados por el modelo 

acoplado del CMIP6 SSP5-8.5, se suma a los valores de clima históricos de la zona de estudio para 

generar escenarios de cambio climático. El modelo CMIP6 permite ajustar las proyecciones climáticas 

globales a las condiciones locales de producción lechera bajo altas emisiones (Ramírez Villegas y Jarvis, 

2010). 

Revisión De Literatura Sobre Factores No Climáticos En La Producción Lechera 

Si bien este análisis se centra exclusivamente en la relación entre variables climáticas y 

producción de leche, es importante reconocer que existen otros factores no climáticos que también 

inciden significativamente en la productividad bovina a largo plazo. Por lo que, con el fin de identificar 

otros factores que afectan la producción lechera en bovinos, respaldados por información científica, 

se llevó a cabo una revisión de literatura mediante una estrategia de búsqueda estructurada. La 

consulta se realizó a través del motor académico “Google Scholar”, priorizando artículos disponibles 



22 

 

 

en bases de datos reconocidas como “ScienceDirect”, “SpringerLink” y el “Journal of Dairy Science”. 

Para guiar la búsqueda se utilizaron palabras clave en inglés enfocadas en la temática, tales como: 

“factors affecting milk production”, “determinants of milk yield in dairy cows”, “influences on milk 

yield”, “milk production limiting factors”, y “non-environmental factors dairy production”. La selección 

se basó en la pertinencia temática, el enfoque productivo y la actualidad de los documentos, 

considerando únicamente artículos científicos publicados entre 2015 y 2025 en idioma inglés o 

español. Inicialmente se identificaron 35 artículos mediante bases de datos académicas; tras aplicar 

los criterios de inclusión y exclusión, se revisaron detalladamente 18 artículos, de los cuales 10 fueron 

incluidos en la revisión final.



23 

 

 

Resultados y Discusión  

Caracterización Biofísica del Área de Estudio 

Sistema de Producción y Manejo 

Se evaluaron ocho fincas pertenecientes a la Hacienda La Esmeralda llamadas Principal, 

Guabal, Gavilán, Colga, Márquez, PRD1, PRD2 y Rovira (Cuadro 2). Las cuales tienen un sistema de 

producción basado en pastoreo intensivo, donde el principal recurso alimenticio del ganado es el 

pasto disponible en los potreros. Este tipo de sistema permite alimentación natural, donde de manera 

rotativa se mueven entre potreros para asegurar la regeneración de las áreas de pastoreo, 

optimizando el aprovechamiento forrajero y la productividad animal (Pulido y Leaver, 2003). Se 

identificó a la raza Holstein (Figura 3 a.) como la única raza en 7 de las 8 fincas, como la raza de mayor 

producción de leche en climas frescos (Oltenacu y Broom, 2010). Por otro lado, solo la finca de Rovira 

tiene combinación de razas entre Holstein y Jersey. Según E. Caballero (Comunicación personal, 

Diciembre 2024), esto se realizó con el propósito de producir más leche en zonas cálidas, sin embargo, 

no dio los resultados esperados y esta raza pura se descontinuará de la finca (Figura 3 b.).  

Figura 3 

Ejemplares de las razas Holstein y Jersey presentes en las fincas evaluadas. 

 

 



24 

 

 

En el Cuadro 2 se muestra el resumen de características biofísicas, misma que más adelante 

se describen. 

Cuadro 2  

Características biofísicas y de manejo de las fincas de la Hacienda La Esmeralda. 

Ubicación Finca Área 
(Ha) 

Altura 
(msnm) 

Vacas en 
ordeño Raza Sistema de 

manejo Cobertura 

Palmira, 
Boquete Gavilán 43 981 95 Holstein Pastoreo Estrella 

Palmira, 
Boquete Guabal 68 982 100 Holstein Pastoreo Estrella 

Palmira, 
Boquete Principal 62 1,048 137 Holstein Pastoreo Estrella 

Palmira, 
Boquete Márquez 44 1065 98 Holstein Pastoreo Estrella 

Palmira, 
Boquete Colga 40 1,266 78 Holstein Pastoreo Estrella 

Rovira, Dolega PRD1 96 1,045 274 Holstein Pastoreo Estrella 
Rovira, Dolega PRD2 109 956 135 Holstein Pastoreo Estrella 

Rovira, Dolega Rovira 70 684 170 Holstein y 
Jersey Pastoreo Vacarí 

 

En complemento a lo anterior, la Figura 4 presenta los volúmenes de producción de leche 

alcanzados por las fincas durante el periodo 2015-2024, reflejando la capacidad productiva asociada 

a las razas y sistemas de manejo implementados. La producción de leche en las fincas oscila entre 300 

a cerca 800 L/mes en el periodo 2015 -2024.  

Figura 4  

Producción mensual promedio de leche por finca (2015-2024). 

 



25 

 

 

La pastura es clave en este tipo de sistema de manejo, donde se identificó las especies 

predominantes como el pasto estrella africana (Cynodon nlemfuensis) y pasto vacarí (Axonopus 

catarinensis). El pasto Estrella es generalmente usado en el área de ganado lechero debido a su 

resistencia al pastoreo intensivo y su capacidad de rebrote rápido, lo que le confiere alta versatilidad 

y productividad. En otras zonas tropicales como Costa Rica, este pasto se establece incluso en potreros 

pequeños y se adapta bien a esquemas de rotación forrajera (Solano Lopez y Villalobos Villalobos, 

2024). Por otro lado, el pasto vacarí no es tan usado, su función es proporcionar una alternativa de 

alimentación en zonas específicas. 

El tamaño del hato productivo varía entre las fincas, oscilando entre 78 y 274 vacas, lo que 

refleja diferencias en la capacidad de carga y en la extensión territorial de cada unidad de producción. 

Por ejemplo, la finca PRD1 presenta la mayor cantidad de vacas en ordeño con 274 vacas y Colga con 

la menor cantidad con 79 vacas. El número de vacas se revisó el 28/12/2024. 

Ubicación y Relieve 

Las fincas analizadas se encuentran distribuidas en dos distritos de la provincia de Chiriquí. En 

el distrito de Palmira, Boquete, se ubican las fincas Gavilán, Guabal, Márquez y Colga; mientras que, 

en el distrito de Rovira, Dolega, se localizan las fincas Rovira, PRD1 y PRD2. 

 Existe una diferencia notable entre ambos distritos evidenciada principalmente en las 

características del relieve, observaciones que se anotaron en la ficha de campo (Anexo B). En el 

corregimiento de Palmira del distrito de Boquete se caracteriza por un terreno que aparenta ser 

colinario, con ondulaciones suaves a moderadas y pendientes variables, por otro lado, el 

corregimiento de Rovira en el distrito de Dolega es lo contrario, las fincas están establecidas en 

terrenos planos o ligeramente ondulados. 

En altitud, las fincas varían entre 684 y 1,266 metros sobre el nivel del mar (msnm). Colga es 

la finca con mayor elevación, estas características del terreno son determinantes de la temperatura y 

disponibilidad de humedad para crecimiento del pasto. 



26 

 

 

Características de Suelo 

Se realizaron las estimaciones de la textura del suelo por el método táctil-manual (Figura 5) 

que indicaron que la mayoría de las fincas presentan una textura predominante de franco arenoso 

(fr.ar.) con algunas variaciones de franco limoso (fr.li.) en ciertas zonas. La textura del suelo es un 

factor que determina en gran medida el crecimiento de las pasturas y el drenaje de agua. Suelos 

franco-arenosos permiten un mayor movimiento del agua en el perfil lo que facilita su infiltración y 

reduciendo la acumulación superficial, lo que resulta beneficioso para la ganadería. En cambio, los 

suelos franco-limosos tienden a ralentizar el flujo del agua hacia capas más profundas, reteniéndola 

por más tiempo y generando condiciones más húmedas (Li et al., 2021), aunque esta textura fue poco 

observada en el área de estudio.  

Figura 5  

Evaluación organoléptica de la textura de suelos en las fincas lecheras. 

 

La superficie de uso agrícola de cada finca varía entre ~39.97 a ~109.08 ha, siendo la finca 

PRD2 y PRD1 las más grandes, y la de Colga la de menor extensión como se puede observar en la 

Figura 6.  



27 

 

 

Figura 6 

Delimitación de las áreas de uso agrícola en las fincas de la Hacienda La Esmeralda. 

 

Disponibilidad Hídrica  

Las fincas evaluadas obtienen su abastecimiento hídrico a partir de fuentes naturales 

superficiales como se muestra en el Cuadro 3. Según el gerente, el agua es conducida mediante un 

sistema de toma directa hacia las lecherías por gravedad con una presión constante aproximada de 

150 PSI (E. Caballero, Comunicación personal, Diciembre 2024). Este recurso es utilizado 

principalmente para el uso diario de la lechería, incluyendo la limpieza, el consumo animal y otras 

actividades operativas esenciales. No obstante, solo Gavilán, Guabal y Principal emplean también este 

recurso para actividades de riego. Este riego se realiza durante la estación seca entre diciembre y abril, 

mediante el uso de aspersores con un radio de cobertura de 90 m. Esto les permite disponer de pastos 

en épocas secas. 

 

 



28 

 

 

Cuadro 3  

Fuente de abastecimiento y uso del agua en las fincas de la zona de estudio. 

Finca Fuente hídrica Uso del agua 
Gavilán Quebrada Elliot Lechería y riego 
Guabal Quebrada Elliot Lechería y riego 
Principal Río Colga Lechería y riego 
Márquez Río Kisinga Lechería 
Colga Río Colga Lechería 
PRD1 Río David y Río Majagua Lechería 
PRD2 Río David y Río Majagua Lechería 
Rovira Río David Lechería 

 

Vegetación  

Las especies se puede dividir en dos grupos grandes, las plantadas y las autóctonas. Fincas con 

mayor presencia de especies plantadas: PRD1, PRD2, Principal y Márquez. Y las fincas con mayor 

proporción de especies autóctonas: Colga, Guabal, Rovira y Gavilán. 

Las especies arbóreas más comunes en las fincas según el gerente de lechería incluyen 

eucalipto (Eucalyptus spp.), macano (Diphysa americana), pino (Pinus spp.), roble (Quercus spp.), higo 

(Ficus spp.), nance (Byrsonima crassifolia), aguacatillo (Persea caerulea) y limón agrio (Citrus 

aurantiifolia) (E. Caballero, Comunicación personal, Diciembre 2024). Estas especies cumplen 

funciones claves aparte del ecosistémico, como sombra para el ganado, regulación térmica y retención 

de suelo. Incluir esta diversidad de especies arbóreas en los potreros permite a los productores 

múltiples beneficios aprovechables tales como madera, frutos, forraje y sombra, contribuyendo 

además a mejorar la productividad de la finca y reducir la vulnerabilidad frente a las condiciones 

climáticas adversas (Esquivel et al., 2011). 

En algunas fincas como la de Colga, la cobertura vegetal está compuesta casi totalmente por 

especies nativas como el mamecillo (Melicoccus bijugatus), cenizo (Plumeria alba), arraiján blanco 

(Symphonia globulifera) y guayabo (Psidium guajava) como mencionó el gerente de lechería (E. 

Caballero, Comunicación personal, Diciembre 2024). Se identificó el enfoque conservacionista en la 

integración del sistema agropecuario con el sistema natural. Este enfoque, que prioriza el uso de 



29 

 

 

especies nativas, no solo conserva la biodiversidad local, sino que también proporciona múltiples 

beneficios ecosistémicos, como la mejora de la fertilidad del suelo, la regulación hídrica y la provisión 

de hábitats para la fauna silvestre (Esquivel et al., 2011). Este enfoque se evidencia en la Figura 7, 

donde se observa la integración de especies arbóreas nativas dentro de las áreas de pastoreo 

contribuyendo así a la conservación de la biodiversidad y al bienestar animal. 

Figura 7  

Presencia de especies arbóreas nativas en las áreas de pastoreo de las fincas 

 

Cobertura de Suelo  

Con base en la nomenclatura del “CORINE Land Cover” por su siglas en inglés (CLC2018), se 

identificaron cinco coberturas principales dentro de las fincas (Cuadro 4): pastizales permanentes 

(231), bosques de hoja ancha (311), bosques mixtos (313), vegetación riparia arbolada (311) y áreas 

de transición entre pastos y bosque (324) (Kosztra et al., 2019). Estas coberturas corresponden a las 

condiciones actuales de uso del suelo en las fincas donde se observó zonas de aprovechamiento 

productivo, conservación de recursos hídricos y presencia de cobertura forestal. 

 

 

 

 



30 

 

 

Cuadro 4 

Coberturas del suelo identificadas según nomenclatura CLC2018. 

Tipo de cobertura observada Clase CORINE Descripción según CLC2018  

Pastizales manejados para 
pastoreo o corte de forraje 231 – “Pastures” 

Terrenos usados permanentemente (≥ 5 años) 
para producción de forraje. Incluye praderas 
mejoradas, pastos naturales y áreas de siega 

bajo manejo agrícola. 

Bosques con árboles de hoja 
ancha 

311 – “Broad-leaved 
forest” 

Formaciones dominadas por especies 
latifoliadas, con cobertura arbórea superior al 

30%. Incluye bosques ribereños y parches 
nativos en zonas planas o colinares. 

Bosques mixtos (coníferas y 
latifoliadas) 313 – “Mixed forest” 

Áreas donde ninguna de las especies arbóreas 
(coníferas o latifoliadas) domina más del 75%. 

Indica diversidad estructural en parches 
forestales. 

Corredores ribereños 
arbolados 

311 – “Broad-leaved 
forest” 

Bandas de vegetación leñosa adyacentes a ríos o 
quebradas, asociadas a funciones de protección 

hídrica y conectividad ecológica. 

Áreas de transición entre 
pastizales y bosque 

324 – “Transitional 
woodland/shrub” 

Zonas con vegetación arbustiva, herbácea y 
árboles dispersos. Representan estados 

intermedios entre sistemas abiertos y forestales, 
o bien procesos de regeneración natural. 

 

Análisis De La Influencia Climática Sobre El Rendimiento Lechero   

Series de Datos Climáticos 

Los cuadros 5 y 6 muestran los estadísticos descriptivos de las variables climáticas obtenidas 

de la estación Boquete-108053 y de reanálisis, respectivamente, para el periodo 2015–2024. En 

ambos casos se observan patrones similares. Las temperaturas mínimas fueron más bajas en el 

reanálisis, mientras que las máximas fueron similares en ambas fuentes. La precipitación fue 

considerablemente mayor y más variable en los datos de estación. También se registraron mayores 

velocidades de viento en los datos de estación. El reanálisis incluyó la variable de radiación, no 

disponible en la estación. Estas diferencias reflejan el contraste entre datos observados localmente y 

estimaciones modeladas, lo cual es importante considerar en los análisis posteriores. 



31 

 

 

Cuadro 5  

Estadísticos descriptivos de las variables climáticas registradas por la estación meteorológica 

Boquete-108053 (2015–2024). 

Variables Mediana Media Desviación Típica Mínimo Máximo 
Temp. Mín. (°C) 23.20 21.87 2.09 18.40 24.21 
Temp. Máx. (°C) 26.30 26.20 0.77 23.85 28.75 
Temp. Prom. (°C) 24.35 23.66 1.40 20.72 25.55 
HR (%) 77.21 75.42 10.62 57.76 89.79 
Precipitación (mm) 349.00 407.40 351.88 0.00 1296.00 
Viento (m/s) 3.58 3.69 1.94 1.51 8.44 

 

Cuadro 6  

Estadísticos descriptivos de las variables climáticas obtenidas por reanálisis (2015–2024). 

Variable Mediana Media Desviación Típica Mínimo Máximo 
Temp. Min. (.C) 16.95 16.85 0.88 14.30 18.60 
Temp. Max. (.C) 26.40 26.55 1.06 24.20 30.20 
Precipitación (mm) 230.00 236.44 166.18 6.00 891.00 
Viento (m/s) 2.18 2.33 0.64 1.40 4.41 
Radiación 210.50 211.81 28.14 124.60 272.90 

 

Los resultados de las pruebas de normalidad indicaron que las variables analizadas no siguen 

una distribución normal. Este comportamiento es común en series climáticas, ya que suelen estar 

influenciados por múltiples factores no lineales. Esta característica ha sido ampliamente 

documentada, destacando la naturaleza colectiva y no lineal del sistema climático global (Vannitsem 

et al., 2025). 

Datos Observados. 

Las Figuras 8 y 9 presentan variables registradas por la estación meteorológica Boquete-

108053 durante los periodos en lo que se dispone desde 2015 al 2024. Los tramos sin línea 

representan periodos con dato faltantes, principalmente entre 2018 hasta finales del 2020, también 

detallado en el Anexo D. 

Temperaturas Mínimas, Promedio y Máximas. Presentaron un comportamiento similar entre 

el 2015 al 2017, con una tendencia general a la disminución hacia finales de 2017, probablemente 



32 

 

 

influenciada por el evento La Niña. Sin embargo, después del vacío de información se observa un 

cambio brusco en las temperaturas principalmente en la mínima, esto puede deberse a un posible 

error o recalibración en la estación meteorológica a partir de ese año, lo cual limita la interpretación 

precisa de estos datos. 

Precipitación. Los mayores acumulados se observaron durante el 2016 y nuevamente desde 

2021 al 2023. Esto coincide con el evento de la niña que hubo entre 2016-2017. De igual forma las 

lluvias intensas que se observan en el 2021 y el 2022 están asociadas a la influencia de La Niña llegando 

a picos acumulados de 1,200 mm. 

Figura 8 

Temperatura Mínima °C, Promedio °C y Máxima °C de Datos Observados (2015-2024). 

 

 

 

 

 

 

 

15

17

19

21

23

25

27

29

2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

°C

Temp. Prom. (°C) Temp. Máx. (°C) Temp. Mín. (°C)



33 

 

 

Figura 9  

Precipitación de Datos Observados (2015-2024). 

 

Datos de Reanálisis. 

Temperatura Mínima y Máxima. Las Figuras 10 y 11 presentan la evolución de las 

temperaturas mínimas y máximas registradas en las fincas PGG, COLGA y PRD durante el periodo 

2015–2024. En ambas variables se observa una marcada estacionalidad. Se identificaron eventos de 

calor que alcanzan o superan el percentil de 95%, lo cual representa condiciones potenciales a ser 

críticas en la eficiencia productiva del ganado lechero, dado el impacto negativo del estrés térmico 

sobre la ingesta, la fertilidad y la producción de leche (Bernabucci et al., 2014).  

Por otro lado, las temperaturas mínimas registradas muestran mayor variabilidad en la finca 

COLGA, con eventos por debajo del percentil 5%. Esta finca, al ubicarse en una zona de mayor altitud 

y con topografía montañosa, presenta condiciones micro climáticas propensas a descensos térmicos 

más acentuados. A pesar de que las bajas temperaturas pueden representar un riesgo en términos de 

estrés por frío, las vacas en lactancia avanzada razas Holstein pueden favorecerse de bajas 

temperaturas, al reducir el impacto del estrés por calor y mejorar el rendimiento productivo en 

ambientes frescos (West, 2003). 

0

200

400

600

800

1000

1200

1400

2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

Pr
ec

ip
ita

ci
ón

 (m
m

)



34 

 

 

Al comparar las series (PGG, COLGA y PRD) siguen una tendencia térmica similar, aunque con 

diferencias notables en la magnitud y variabilidad de los valores. Siendo COLGA la de mayor diferencia. 

Figura 10  

Temperatura Mínima °C de Datos de Reanálisis (2015-2024). 

 

Figura 11 

Temperatura Máxima °C de Datos de Reanálisis (2015-2024). 

 

Precipitación. La Figura 12 muestra la evolución de la precipitación entre 2015 y 2024 en las 

fincas PGG, COLGA y PRD. Se observa una alta variabilidad interanual, con eventos extremos en años 

como 2017 que puede ser explicado por el evento de La Niña junto al Huracán Nate. En los últimos 

años, la precipitación ha tendido a mantenerse por encima del percentil 95%. La estación seca se 

mantiene estable a inicios y final de año. 

14

15

16

17

18

19

2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

°C

PGG COLGA PRD

24

25

26

27

28

29

30

31

2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

°C

PGG COLGA PRD



35 

 

 

Sin embargo, las lluvias intensas generan exceso de humedad y barro, aumentando el riesgo 

de enfermedades podales, como lo reportan los trabajadores de las fincas. Además, la combinación 

de lluvias con bajas temperaturas mínimas reduce el confort animal, lo cual puede afectar 

negativamente la producción de leche (West, 2003). 

Figura 12  

Precipitación (mm) de Datos de Reanálisis (2015-2024). 

 

Comparativa. Los datos de reanálisis (“TerraClimate”) y los observados (Boquete-108053) 

muestran diferencias notables (Figura 13 y 14). Los datos obtenidos de reanálisis tienden a subestimar 

las precipitación y velocidad del viento en comparación con los datos observados. En el caso de las 

temperaturas se observa una clara diferencia por una causa desconocida, principalmente la 

temperatura mínima. Las diferencias en general pueden atribuirse a las limitaciones del producto 

“TerraClimate”, como también puede ser la afectación por nubosidad densa y el relieve montañoso 

que puede dificultar la precisión de las mediciones en zonas como en Boquete. Sin embargo, los datos 

de reanálisis ofrecen la ventaja de fácil accesibilidad y con series completas, a diferencia de las 

observadas que puedes presentar vacíos de información.  

 

 

0

200

400

600

800

1000

2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

Pr
re

ci
pi

ta
ci

ón
 (m

m
)

PGG COLGA PRD



36 

 

 

Figura 13  

Comparación de datos observados con datos de reanálisis de las fincas PGG. 

 

Serie de Producción de Leche 

El Cuadro 7 presenta los estadísticos descriptivos de la producción de leche en las fincas 

analizadas entre 2015 y 2024, evidenciando una variabilidad considerable en los valores registrados. 

Esta diferencia entre fincas se refleja también en la Figura 14, donde se observa la evolución mensual 

promedio de la producción por vaca, destacando tanto fluctuaciones estacionales como contrastes en 

el rendimiento general. La finca PRD presentó los valores promedio más altos, mientras que COLGA 

mostró una mayor variabilidad interanual, posiblemente asociada a diferencias en el manejo o a 

condiciones geográficas particulares. 

Cuadro 7  

Estadísticos descriptivos de las variables de producción lechera (2015–2024). 

Finca Mediana Media Desviación Típica Mínimo Máximo 
PGG 574.23 575.44 35.47 510.33 645.95 
CM 497.08 503.37 57.37 323.74 636.60 
PRD 565.86 575.68 47.71 468.16 696.20 



37 

 

 

 

Figura 14  

Producción mensual promedio de leche por vaca en las fincas de la Hacienda La Esmeralda (2015-

2024) 

  

Correlación entre Clima y Producción de leche 

En las Figuras 15, 16 y 17 se presentan mapas de calor que muestran los coeficientes de 

correlación entre las variables climáticas y la producción mensual de leche. La intensidad del color 

refleja la magnitud del valor de correlación, mientras que la tonalidad (de rojo a verde) indica su 

dirección, siendo los tonos rojos asociaciones negativas y los verdes, positivas. 

Correlación con Datos Observados 

El análisis de las correlaciones a partir de los datos observados, interpretado según la tabla de 

Belizario-Quispe (2015), presentó un 42.85% de correlaciones en rangos de moderadas a altas. 

Aunque la mayoría de estas fueron positivas, se identificó que un 30% de estas correlaciones son 

negativas (Figura 15). 

Se evidencia que en los coeficientes de correlación entre las variables climáticas y la 

producción de leche se detallan en el Cuadro 3, que la precipitación presenta una mayor frecuencia 

de correlaciones negativas en relación con la producción de leche, especialmente en el año 2022 y el 

2023, indicando el efecto negativo que conlleva excesos de lluvia en temas productivos, y esto es más 

300

400

500

600

700

2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

L/
 va

ca
-m

es

PGG COLGA PRD



38 

 

 

notable en la finca de COLGA. La temperatura mínima presenta correlaciones en su mayoría positivas 

en el grupo de fincas PGG sugiriendo buen confort térmico, sin embargo, en COLGA se observan 

efectos negativos en años como el 2024, posiblemente por temperaturas cálidas que afectaron el 

confort del ganado. La temperatura máxima muestra tendencias positivas en PGG indicando su menor 

sensibilidad al estrés calórico, sin embargo, COLGA muestra correlaciones negativas reflejan mayor 

sensibilidad al calor. Desde el punto de vista con datos observados, la finca PGG es más resistente a 

diferencia de COLGA frente a las variables climáticas. 

Figura 15 

Mapa de Calor: Coeficientes de correlación entre variables climáticas y producción de leche 

utilizando datos observados (2015-2024). 

 

Nota: S/D=sin datos. 

Correlación con Datos de Reanálisis 

El análisis de los coeficientes de correlación según la tabla de Belisario Quispe entre variables 

climáticas y producción lechera (Figura 16) muestra una influencia variable a lo largo del periodo 

2015–2024, con valores que oscilan entre relaciones altamente positivas (> 80%) y negativas extremas 

(< -80%). Del total, el 42.67% de las correlaciones se ubicaron en el rango de moderadas a muy altas; 

de estas, el 35.94% correspondieron a correlaciones negativas. 



39 

 

 

La temperatura mínima destaca correlaciones positivas en años como 2019 y 2020 (PGG: 

+64.6%, PRD: +49.7% y +57.5%), lo que sugiere que temperaturas nocturnas moderadas estuvieron 

asociadas a un mayor rendimiento lechero. Por otro lado, en 2023 se observan correlaciones negativas 

(PGG: -39.7%, PRD: -46.8%), coincidiendo con un año cálido asociado al fenómeno El Niño al final del 

año, debido a que altas temperaturas diurnas y nocturnas dificultan la liberación de calor interno del 

ganado. Estos resultados respaldan que variaciones térmicas nocturnas pueden influir en el confort y 

desempeño animal (West, 2003). 

La temperatura máxima mostró relaciones positivas marcadas en PGG y PRD especialmente 

entre 2016 y 2017 (+69.7% y +61.9%, respectivamente) y 2024 (+61.9% y +69.1%), mientras que en 

COLGA predominaron valores negativos en la mayoría de los años. En zona cálidas el aumento de la 

máxima podría ser más tolerable si no se supera el umbral fisiológico de confort, sin embargo, 

normalmente en zonas frías y de altitud como COLGA, el mismo incremento de la temperatura máxima 

puede inducir estrés térmico (Bernabucci et al., 2014), también interviene otros factores como acceso 

a sombra y agua. 

La precipitación evidencia correlaciones altamente negativas en las tres fincas durante 2022 

(PGG: -53.9%, COLGA: -85.8%, PRD: -48.8%) y 2023 (PGG: -69.0%, COLGA: -49.8%, PRD: -84.3%) 

indicando un impacto adverso de lluvias intensas y frecuentes sobre la producción, probablemente 

por saturación del terreno, dificultades de acceso y mayores riesgos sanitarios (Cook, 2017). Por otro 

lado, años como el 2019 y 2020 presentaron correlaciones positivas en las tres fincas, sugiriendo que 

las lluvias moderadas favorecieron la disponibilidad de pasturas y contribuir al confort térmico. 

La radiación solar se asoció positivamente con la producción en los últimos 3 años, 

especialmente en PRD (2023: +82.9%; 2024: +85.7%) y PGG (2024: +57.5%), esto por el posible efecto 

en el crecimiento de pasturas y el secado de suelos tras eventos de lluvia. Sin embargo, en año como 

el 2015 con influencias de El Niño, presenta correlaciones negativas lo que podría indicar un exceso 

de radiación en combinación con baja humedad edáfica.  



40 

 

 

El viento presentó correlaciones variables. En COLGA se observaron valores positivos altos en 

2022 (+66.8%), pero negativos marcados en 2024 (-68.0%), al igual que en el 2020 en PRD (-73.0%). El 

efecto del viento depende del contexto micro climático, pudiendo favorecer la ventilación o en 

combinación con frío y humedad, agravar el estrés térmico (Collier et al., 2006). 

A pesar de las correlaciones observadas y de ciertas coincidencias temporales con eventos 

climáticos como El Niño y La Niña, los resultados no evidencian un patrón ni una tendencia general 

sostenida a lo largo del periodo analizado. De forma similar, García et al. (2009) encontraron que, 

aunque hubo diferencias en los rendimientos lecheros durante algunos años con presencia del El Niño 

estas no fueron consistentes ni suficientes para establecer una relación directa entre el fenómeno y 

la producción de leche. 

Figura 16 

Mapa de calor: Coeficientes de correlación entre variables climáticas y producción de leche utilizando 

datos de reanálisis (2015-2024). 

 

Comparativa entre Observados y Reanálisis 

A modo de validación, se realizó una comparación entre los resultados de correlación de la 

producción de leche con los datos climáticos obtenidos de datos observados y de reanálisis (Figura 



41 

 

 

17). Con esto se buscó identificar similitud y diferencias que aporta información sobre los dos tipos de 

datos para evaluar el impacto climático en las fincas. La comparación entre ambas fuentes de datos 

revela porcentajes similares de correlaciones moderadas a muy altas (42.67% en reanálisis y 42.85% 

en observadas). Siendo también similares el nivel de correlaciones negativas dentro del porcentaje de 

las correlaciones por encima de las moderadas (35.94%en reanálisis y 30% en observadas). 

En las Fincas PGG se observan tendencias consistentes entre ambos tipos de datos. Lo que 

sugiere que en esta finca la producción de leche responde de mejor manera ante cambios en la 

temperatura y que tanto los observados como los de reanálisis son útiles para realizar monitoreo. En 

la zona de COLGA, las correlaciones son más variables y presentan más discrepancias entre los 

observados y de reanálisis. Esto podría explicarse debido a la distancia de la finca con respecto a la 

estación de Boquete (4.7 km) y sus condiciones topográficas, ya que esta se encuentra en una zona 

más elevada y entre dos pronunciadas colinas que puede generar microclimas que no pueda captar la 

estación. A diferencia de PGG, donde las tres fincas están ubicadas a menos de 4 km de la estación y 

en condiciones topográficas más parecidas. 

Por otra parte, la finca PRD no fue incluida en la comparación debido a que se encuentra lejano 

a la estación, una distancia suficiente para que existan diferencias climáticas notables lo cual haría a 

los datos observados perder representatividad en la finca. 

 

 

 

 

 

 

 



42 

 

 

Figura 17 

Mapa de Calor: Comparación de los coeficientes de correlación entre datos observados y datos de 

reanálisis para variables climáticas y producción de leche. (2015-2024). 

 

El análisis permitió explorar la relación climática y productiva en las fincas lecheras durante el 

periodo 2015–2024. Si bien se identificaron fluctuaciones notables en variables como la precipitación, 

el viento y la temperatura máxima, y que estas estas responden mejor a condiciones de eventos 

climáticos extremos como el Niño o la Niña, aún no se puede establecer de forma concluyente qué 

variables climáticas inciden directamente al rendimiento lechero. Sin embargo, estas observaciones 

preliminares permiten orientar el análisis hacia la búsqueda de relaciones más específicas, que serán 

abordadas en el siguiente apartado, con el fin de identificar las variables climáticas con mayor 

influencia en las fluctuaciones de la producción de leche. 

Simulación del impacto climático proyectado en la producción lechera bajo escenarios futuros  

Escenarios Climáticos 

Con base en la Figura 18 se definieron los años 2015 como análogo de un evento El Niño y el 

2022 como análogo de un evento La Niña para la realización de las proyecciones climáticas bajo el 

escenario CMIP6 SSP5 8.5. Esto se fundamentó en el comportamiento del “Multivariate ENSO Index” 

Finca Variable 2015 2016 2017 2021 2022 2023 2024
PGG 49.5% 43.1% 72.3% 47.2% 52.4% 22.4% 72.3%
COLGA -39.9% 17.4% 47.3% -21.6% 70.4% 8.3% -51.4%
PGG S/D -28.3% -20.0% -18.5% -49.7% -53.9% S/D
COLGA S/D -29.0% -10.2% 44.3% -68.9% -19.1% S/D
PGG 14.0% 45.4% 36.9% 6.9% 57.0% 42.2% 64.2%
COLGA -64.2% 32.6% 26.7% -40.6% 65.2% 22.6% 26.4%

PGG 2.5% 36.1% 9.5% 16.8% -10.5% -39.7% 0.2%
COLGA -36.6% 27.5% 44.4% 50.7% -57.8% -13.7% 10.8%
PGG -25.1% -30.7% -30.0% -5.6% -53.9% -69.0% -56.6%
COLGA 16.7% -12.2% -7.9% 52.7% -85.8% -49.8% 39.4%
PGG 4.6% 50.5% 61.9% 49.1% 57.1% 50.1% 61.9%
COLGA -61.2% 21.8% 46.0% 3.1% 19.6% 44.2% -43.0%

Temp.Mín.

Precipitación

Temp.Máx.

Datos de Reanálisis 

Datos Observados

Temp.Mín.

Precipitación

Temp.Máx.



43 

 

 

MEI, por sus siglas en inglés) que refleja el comportamiento de estos eventos climáticos y en los 

patrones de precipitación registrada.  

Figura 18 

Comparación entre el Índice Multivariado ENSO (MEI) y la precipitación de datos observados y de 

reanálisis. 

 

Nota. (R): proviene de datos de reanálisis. 

Los resultados obtenidos de comprar los datos de años análogos del 2015 (El Niño) y el 2022 

(La Niña) con las proyecciones futuras de temperatura del modelo CMIP6 8.5 del IPCC (Figura 19) 

revelan patrones contrastantes y relevantes para la sostenibilidad de la ganadería en regiones 

tropicales como la finca evaluada en Panamá. En estos años similares a las condiciones climáticas 

como la de El Niño como fue el caso del 2015, la producción mostró descensos pronunciados 

particularmente en meses con temperaturas máximas elevadas. Proyectando estas condiciones hacia 

escenarios futuros con mayor temperatura (2040, 2060 y 2080) la perdida estimada de producción se 

incrementa radicalmente lo que concuerda con lo reportado por West (2003), quien señaló que el 

estrés térmico puede reducir el rendimiento lechero hasta un 30% bajo condiciones critica de estrés 

por calor. 

Por otro lado, en el año 2022 que representa un evento La Niña mostro un comportamiento 

diferente. Las correlaciones indicaron correlaciones negativas tanto a la precipitación como la 

temperatura mínima en las tres fincas evaluadas. Resaltando que la precipitación mostró 



44 

 

 

correlaciones extremadamente altas, lo cual podría estar asociado a encharcamiento de los potreros, 

menor disponibilidad y calidad de los pastos y al aumento de incidencia a enfermades relacionado a 

humedad. La temperatura mínima también presentó correlaciones negativas indicando las 

madrugadas cálidas y humedad podrían comprometer el confort térmico y la eficiencia energética del 

ganado, generando un ambiente metabólicamente desfavorable para la producción.  

Sin embargo, al proyectar estas condiciones hacia escenarios futuros bajo modelos de cambio 

climático, se estima que el aumento de la temperatura máxima incluso en contextos lluviosos como 

en el evento La Niña podría amortiguar levemente los efectos adversos del exceso de precipitación. 

Este fenómeno se podría explicar con mayores tasas de evapotranspiración y las existencias de 

pequeñas ventanas de calor con radiación solar en eventos lluviosos lo que estimularía el crecimiento 

de los pastos y mejorar momentáneamente el confort térmico en el ganado. Sin embargo, si cesa las 

lluvias y las temperaturas elevadas se mantienen de forma sostenida, el ganado empezará a entrar en 

un estado de estrés térmico similar al observado en el modelo durante años Niño como en el 2015, 

especialmente si no se cuenta con medidas adecuadas para manejar el estrés calórico. 

Este tipo de interacción ha sido reportado por (Bouraoui et al., 2002), quienes encontraron 

que el Índice Temperatura-Humedad (ITH) tiene una fuerte correlación inversa con la producción de 

leche en vacas lecheras, incluso en climas que no son extremos. También, West (2003) señala que el 

estrés calórico prolongado puede reducir el consumo de alimento, alterando el metabolismo 

energético y comprometiendo la función reproductiva, con efectos directos sobre la productividad. 

Además, Rojas-Downing et al. (2017) destacan que en zonas tropicales, los impactos del cambio 

climático sobre los sistemas ganaderos son altamente dependientes de la interacción entre 

precipitación, temperatura y el manejo del sistema, por lo que se necesita un enfoque integral para 

anticipar y mitigar estos efectos en las fincas. Nardone et al. (2010) advierten que los sistemas 

ganaderos ubicados en regiones tropicales serán los más vulnerables al cambio climático, debido a la 



45 

 

 

ya elevada carga térmica, limitada infraestructura adaptativa y alta sensibilidad del ganado a los 

episodios prolongados de estrés calórico. 

Aunque próximos años tipo La Niña podrían ser menos perjudiciales frente el cambio climático 

según el escenario que solo toma en cuenta la temperatura, los resultados indican que las lluvias 

pueden representar un riesgo a considerar para la producción lechera en zona tropicales y frías como 

Boquete, Panamá. Es cierto que la temperatura máxima proyectada para el 2080 podría aliviar los 

efectos de la lluvia, esto no garantiza un ambiente óptimo para la productividad si no se acompaña 

con estrategias de manejo adaptativo. 

Debido a la incertidumbre en la modelación de la precipitación, las simulaciones futuras 

consideraron únicamente variables térmicas. No obstante, se reconoce que la precipitación presentó 

correlaciones negativas marcadas en eventos pasados. Esta limitación restringe una estimación 

completa del impacto climático. 

Figura 19 

Estimaciones de la producción de leche bajo diferentes escenarios de cambio climático en función de 

las variables temperatura mínima y máxima en dos años análogos contrastantes 2015 (Niño) y 2022 

(Niña). 

 

Año Niño

Año Niña

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

Temperatura máxima 2015

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

Temperatura mínima 2015

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

Temperatura mínima 2022

100

200

300

400

500

600

1 2 3 4 5 6 7 8 9 10 11 12

Temperatura máxima 2022

Pr
od

uc
ció

n 
de

 Le
ch

e 
(L

/v
ac

a-
m

es
)



46 

 

 

Además de las variables climáticas, existes diversos factores que no se toman en cuenta en el 

modelo empírico, que influyen en la producción lechera. Entre estos se encuentran aspectos como la 

raza del ganado, el manejo nutricional, la incidencia de enfermedades, el tipo de forraje, la frecuencia 

de ordeño, el estrés social y el sistema de manejo productivo. El Cuadro 5 resume estos factores junto 

con su efecto sobre el rendimiento lechero, la magnitud del impacto reportado en la literatura 

científica. 

Cuadro 8  

Factores no climáticos influyentes en la producción lechera. 

Factor Efecto sobre la producción lechera Magnitud del impacto Referencias 

Raza Determina el potencial lechero. Holstein 
rinde más que Jersey. 

Holstein produce ~23% 
más leche por lactación 

que Jersey. 

Coffey et al., 2016; 
Gonzáles Blanco y 
WingChing-Jones, 

2018 

Alimentación 
Dietas adecuadas maximizan la 

producción; restricciones reducen 
significativamente el rendimiento. 

Reducciones de ~21% al 
limitar ingesta al 60%. 

Abdelatty et al., 
2017; Herve et al. 

Enfermedades 
Mastitis y cojeras reducen la producción 

por afectación del bienestar y 
funcionalidad. 

Mastitis ~24.5% menos; 
cojeras ~28–40% menos 

producción. 

Martins et al., 2020; 
Džermeikaitė et al., 

2025 

Tipo de forraje Forrajes más digestibles permiten mayor 
ingesta y rendimiento. 

Alfalfa vs. pasto: +6%; 
maíz BMR vs. 

convencional: +1.5 
kg/vaca/día. 

Ferreira y Teets, 
2020;Ferraretto y 

Shaver, 2015 

Ordeño Buen manejo y más ordeños diarios 
elevan la producción sostenida. 

Ordeño 3×/día: +2.23 
kg/vaca/día. 

Sanchez-Duarte et 
al., 2020 

Estrés social 
 

 

Cambios sociales como la remoción o 
traslado de animales generan estrés y 

reducen la producción lechera. 

Remoción de vacas: –0.9 a 
–1.0 kg/vaca/día  

Traslado de sistema: –
23.3% leche el primer día. 

Broucek et al., 
2017; Valníčková et 

al., 2024 

Sistema de 
manejo 
 

 

Sistemas intensivos (TMR) permiten 
mayor producción diaria que sistemas 

extensivos (pastoreo). 

Pastoreo: –9.3% en leche 
vs. confinamiento Brito et al., 2022 

 



47 

 

 

Recomendaciones de Manejo 

Las recomendaciones presentadas a continuación se derivan de un proceso de diagnóstico 

participativo que combinó revisión de literatura, observación directa en campo, entrevistas con 

actores clave y análisis de correlación. Si bien el estrés por calor fue el factor climático más citado en 

la literatura como limitante para la producción lechera, las recomendaciones fueron ajustadas a las 

condiciones específicas de las fincas evaluadas. 

Fortalecer el Manejo de la Salud Podal 

La alta incidencia de enfermedades podales observadas en la visita a las fincas durante la 

época lluviosa podría estar relacionados con los resultados obtenidos de los análisis de datos, donde 

se observaron altas correlaciones negativas entre la precipitación y la producción de leche, sugiriendo 

que las enfermedades podales durante la época lluviosa podrían ser uno de los factores que explican 

dicha disminución. Como señala Moreira et al. (2019), los factores ambientales como la humedad, el 

mal drenaje y los suelos duros o irregulares incrementan el riesgo de lesiones podales , por lo que se 

recomienda implementar pediluvios regulares como el uso de desinfectantes como sulfato de cobre 

al 5% preferiblemente en las salidas de la sala de ordeño. Según Cook (2017), el sulfato de cobre es 

uno de los agentes más eficaces en pediluvios para controlar enfermedades infecciosas del casco, 

debido a su acción antibacteriana sobre la microbiota que habita en el casco del ganado. Esta medida, 

combinada con el mantenimiento de corrales y caminos secos, reduciría significativamente la 

prevalencia de lesiones. Se ha encontrado que la higiene de los animales y el tiempo prolongado que 

pasan en los corrales están asociados con un mayor riesgo de cojeras y dermatitis digital, siendo 

también relevantes factores como la frecuencia de limpieza, las condiciones de las salidas del corral y 

la acumulación de estiércol en las rutas de acceso (Moreira et al., 2019).  

Optimizar el Manejo de Pastoreo Rotativo 

El sistema actual de las fincas se basa en pastoreo rotativo, la cual podría mejorarse ajustando 

los tiempos de ocupación y descanso de los potreros por lo que también se debe considerar el tamaño 



48 

 

 

de las fincas para el área a ocupar por potrero. Para el pasto estrella africana (Cynodon nlemfuensis), 

se recomienda un período de descanso entre 28 y 35 días, según la altitud, la fertilidad del suelo y las 

condiciones climáticas. Villalobos y Arce (2013) encontraron que este intervalo permite alcanzar un 

equilibrio entre la disponibilidad de biomasa y la calidad nutricional del forraje, especialmente bajo 

condiciones de altitud media como las presentes en algunas de las fincas evaluadas. Sin embargo, en 

las zonas más frías o de menor tasa de crecimiento, como COLGA, este periodo puede prolongarse 

hacia los 35 días para asegurar un rebrote adecuado. Y desde el enfoque de sostenibilidad, Rojas-

Solano et al. (2022) encontraron que Cynodon nlemfuensis presentó los mayores valores de carbono 

orgánico del suelo (COS), biomasa aérea y radical en comparación con otros pastos evaluados, 

sugiriendo que su manejo adecuado no solo optimiza la producción forrajera sino que también 

contribuye significativamente al secuestro de carbono y a la mitigación del cambio climático. 

Mejora del Sistema Silvopastoril 

La siembra de árboles forrajeros como Gliricidia sepium, Erythrina poeppigiana o Moringa 

oleifera dentro de los potreros puede ofrecer sombra y suplementación nutricional natural. Si bien las 

fincas objeto de estudio tienen buena cobertura arbórea, sin embargo, esta podría transicionar a un 

sistema más completo con la unión de especies forrajeras que tendrían beneficios como los 

mencionados. Esta estrategia es especialmente útil en zonas más cálidas como en las fincas de PRD, 

donde las temperaturas medias son más elevadas. En este sentido, Zeppetello et al. (2022) reportaron 

que la temperatura superficial en sistemas silvopastoriles puede disminuir entre 0.32 y 2.4 °C por cada 

10 t de biomasa leñosa por hectárea, lo que evidencia el efecto enfriador de la cobertura arbórea.  

De forma complementaria, Pérez-Hernández et al. (2024) observaron que la cobertura de 

árboles en pasturas redujo significativamente la temperatura de la piel de las vacas durante la estación 

seca, lo cual indica una mejora en el confort térmico y en la distribución de las actividades diarias del 

ganado. Además, Jiménez-Ferrer et al. (2015) encontraron que el uso de Erythrina poeppigiana en 

sistemas silvopastoriles mejora la producción de leche en el trópico, proporciona una fuente 



49 

 

 

significativa de proteína (320 g/kg MS), complementando la baja calidad proteica de los pastos 

tropicales.  

Asimismo, Amad y Zentek (2023) señalan que la inclusión de Moringa oleifera en la 

alimentación de rumiantes contribuye a la mitigación del cambio climático debido a que es un árbol 

de rápido crecimiento, con raíces profundas y gran capacidad de producción de biomasa, lo que lo 

convierte en un excelente sumidero de carbono y gracias a sus compuestos bioactivos (como taninos, 

saponinas y flavonoides), moringa reduce la producción de metano en el rumen. Estas prácticas son 

relevantes considerando los resultados que indican altas correlaciones negativas entre la temperatura 

máxima y la radiación con la producción de leche, así como los modelos climáticos que predicen 

incrementos en la temperatura. Implementar sistemas silvopastoriles con árboles forrajeros podría 

mitigar los efectos adversos del estrés térmico en el ganado y poder mantener la productividad 

lechera en condiciones climáticas cambiantes. 

Mejora Genética con un Enfoque a la Resiliencia 

La mayoría de las fincas tienen la raza Holstein pura y solo una tiene Holstein y Jersey, pero 

esto representa un riesgo ante las condiciones ambientales observadas. Es de destacar que la raza 

Holstein tiene un buen potencial productivo, sin embargo, esta raza mostró vulnerabilidad tanto en 

las épocas lluviosas como en las cálidas. En los análisis de correlación realizados sugieren que las lluvias 

tienen un alto impacto y es posible sea a causa de problemas podales. Esto se sostiene de las 

observaciones que se hicieron en campo, donde fue frecuente encontrar animales con cojeras visibles. 

Por otro lado, durante la época caliente también se identificó correlaciones negativas elevadas entre 

la producción y la temperatura máxima, indicando que fueron afectadas por el estrés calórico 

perjudicando el desempeño del hato. 

Frente este panorama, el cruce genético presenta como una posible estrategia de adaptación. 

Según literatura se recomienda el cruzamiento con razas más resistentes como la Jersey, esta raza ha 

demostrado ser mayor tolerante al calor y menor incidencia de enfermedades podales. Solano-López 



50 

 

 

et al. (2018) reportaron que las vacas cruzadas Holstein × Jersey presentaron menor incidencia de 

lesiones podales que las Holstein puras ,mientras que, Ruiz-Jaramillo et al. (2019) encontraron que los 

animales cruzados tienden a mantener una producción más estable frente al estrés térmico. Además, 

estudios fisiológicos confirman que las Holstein puras presentan respuestas más severas al calor, 

como mayor temperatura rectal y frecuencia respiratoria (Gonzales, 2021). Bien es cierto que esto 

conllevaría una decisión compleja y de largo plazo, la evidencia sugiere que podría mejorar la 

resiliencia de la producción de leche en el contexto de la creciente variabilidad climática. 

Monitoreo Agroclimático 

 De acuerdo con el servicio meteorológico nacional, Boquete posee varias estaciones 

meteorológicas, sin embargo, pueden no representar el microclima presente en las fincas debido a la 

distancia en que se encuentran cada estación. Se sugiere la instalación de estaciones meteorológicas 

compactas como una estrategia de gestión climática de los sistemas productivos. 

Los equipos permiten registrar las principales variables como humedad, temperatura y 

radiación solar, que sirven para calcular índices agroclimáticos como el Índice Temperatura-Humedad 

(ITH). Este indicador es ampliamente utilizado para anticipar eventos de estrés calórico que afectan 

directamente la producción y el bienestar del ganado. Ruiz-Jaramillo et al. (2019) determinaron que, 

por cada unidad de incremento en el ITH por encima de 72, se reduce entre 0.4 y 0.7 L diarios de 

producción de leche, siendo las Holstein la raza más afectada. Con esta práctica se permite monitorear 

las condiciones ambientes locales para tomar decisiones informadas. Además, esto permite ajustar 

prácticas de manejo en tiempo real, como modificar horarios de ordeño o activar sistemas de 

enfriamiento como rociadores en las lecherías. 

Mejorar la Cultura del Registro 

Una gestión adecuada del inventario y registros en fincas ganaderas es necesario y esencial 

para identificar y mitigar causas específicas de mortalidad en el hato asociadas a condiciones 

climáticas adversas. Tal control es indispensable para poder identificar patrones de enfermedad y 



51 

 

 

evaluar riesgos ambientales para tomar decisiones fundamentadas en evidencia. La falta de detalles 

en los registros, como la causa de muerte y de cual finca, dificulta la implementación de medidas 

correctivas efectivas.  

Huxley (2013) señala que la cojera, asociada comúnmente con lesiones podales, representa 

una de las principales causas de pérdida de bienestar y productividad en vacas lecheras, y que su 

manejo efectivo requiere un sistema de monitoreo sanitario constante y detallado. Estos estudios 

subrayan que los sistemas ganaderos que integran registros sanitarios rigurosos pueden reducir 

significativamente la incidencia de enfermedades recurrentes, como la pododermatitis, 

particularmente bajo condiciones climáticas adversas. 

Cuadro 9  

Prácticas de adaptación frente a la variabilidad y el cambio climático en sistemas lecheros. 

Práctica Tipo de beneficio  Descripción Fuentes citadas 
Fortalecer el 
manejo de la salud 
podal 

Salud animal, 
productivo 

Reducción de enfermedades 
podales mediante pediluvios, 
drenaje y manejo higiénico. 

Moreira et al. (2019); 
Cook (2017) 

Optimizar el manejo 
de pastoreo 
rotativo 

Productivo, ecológico 
Mejora del uso de potreros para 
aumentar la biomasa forrajera y 

secuestro de carbono. 

Villalobos y Arce (2013); 
Rojas-Solano et al. 

(2022) 

Mejora del sistema 
silvopastoril 

Productivo, climático, 
bienestar animal 

Incorporación de árboles forrajeros 
para sombra, proteína y reducción 

térmica. 
Zeppetello et al. (2022); 
Amad y Zentek (2023) 

Mejora genética 
con enfoque en 
resiliencia 

Productivo, salud 
animal 

Cruce Holstein × Jersey para reducir 
cojeras y mejorar tolerancia 

térmica. 

Solano-López et al. 
(2018); Ruiz-Jaramillo et 

al. (2019); Gonzales 
(2021) 

Monitoreo 
agroclimático 

Gestión productiva, 
bienestar animal 

Implementación de estaciones 
climáticas para el monitoreo 

preventivo del estrés térmico en el 
ganado. 

Ruiz-Jaramillo et al. 
(2019) 

Mejorar la cultura 
del registro 

Gestión sanitaria, 
salud animal 

Control y análisis de registros para 
prevenir enfermedades y muertes. Huxley (2013) 

 

 



52 

 

 

Conclusiones 

Al comparar las características biofísicas de las ocho fincas lecheras evaluadas, fue posible 

identificar diferencias importantes como el tamaño de hato entre fincas como Colga, con 78 vacas en 

ordeño, y PRD1, con 274, así como el contraste altitudinal entre Rovira, ubicada a 684 msnm, y Colga, 

que alcanza los 1,266 msnm, lo que refleja contrastes significativos en escala, manejo y las condiciones 

ambientales bajo las cuales operan las fincas. Estas variaciones permitieron contextualizar 

integralmente cada unidad productiva, destacando que, aunque todas comparten un sistema basado 

en pastoreo rotativo con predominancia de la raza Holstein, enfrentan condiciones agrícolas distintas 

que influyen directamente en su capacidad productiva y en su nivel de resiliencia frente a factores 

climáticos.  

Las variables climáticas con mayor correlación —precipitación, viento y temperatura 

máxima— no mostraron un efecto uniforme ni constante sobre la producción lechera; sin embargo, 

bajo condiciones extremas como El Niño o La Niña, su impacto puede intensificarse y afectar 

negativamente el rendimiento en determinadas fincas. 

 A pesar de que el análisis de correlación no evidencia una relación directa entre las variables 

meteorológicas y la producción de leche, las proyecciones climáticas bajo el escenario CMIP6 SSP5–

8.5 muestran un incremento progresivo de las temperaturas máximas y mínimas hacia 2040, 2060 y 

2080, lo que sugiere una posible reducción futura en la productividad lechera si no se implementan 

medidas de adaptación adecuadas.  

Las simulaciones se estructuraron en torno a los años análogos 2015 (Niño) y 2022 (Niña), 

identificados con el Índice Multivariado ENSO (MEI). Este índice presentó valores positivos altos en 

2015 y 2023, y negativos marcados en 2016–2017 y 2022, coincidiendo con los patrones observados 

de precipitación tanto en los datos de reanálisis como en los datos observados, lo que permite su uso 

como años análogos de eventos Niño o Niña en Panamá. 

  



53 

 

 

Recomendaciones 

Considerar en futuros estudios que algunos países, la gestión de datos climáticos puede 

requerir varios meses debido a los trámites de solicitud y acceso a los datos. Por esta razón, es 

importante considerar otras fuentes de información, como la satelital.  

Ampliar el alcance de futuras investigaciones incorporando más variables relacionadas con la 

producción lechera como manejo nutricional y parámetros fisiológicos del ganado. Los datos de estas 

variables se pueden obtener de los registros de las fincas. En este sentido, es importante implementar 

o fortalecer la cultura del registro de datos de los hatos lecheros. 

Considerar el uso de datos climáticos diarios en futuras investigaciones, ya que el análisis 

mensual puede ocultar eventos puntuales que impactan directamente en la producción lechera. 

Trabajar con resoluciones temporales más finas permitiría una mayor precisión en la detección de 

relaciones significativas entre variables climáticas y productivas. 

Se le recomienda a la finca evaluada tomar en cuenta las medidas planteadas a lo largo del 

estudio, las cuales se fundamentan en literatura y en los resultados obtenidos. En particular, destaca 

el fortalecimiento del manejo de la salud podal durante la época lluviosa, la mejora genética con 

enfoque en resiliencia, y la implementación de monitoreo agroclimático local que permita anticipar 

condiciones adversas y ajustar el manejo en tiempo real.



54 

 

 

Referencias 

Abatzoglou, J. T., Dobrowski, S. Z., Parks, S. A. y Hegewisch, K. C. (2018). Terraclimate, a high-
resolution global dataset of monthly climate and climatic water balance from 1958-2015. 
Scientific Data, 5, 170191. https://doi.org/10.1038/sdata.2017.191 

Amad, A. A. y Zentek, J. (2023). The use of Moringa oleifera in ruminant feeding and its contribution 
to climate change mitigation. Frontiers in Animal Science, 4, Artículo 1137562. 
https://doi.org/10.3389/fanim.2023.1137562 

Belizario-Quispe, G. (2015). Efectos del cambio climático en la agricultura de la cuencaramis, Puno-
Perú. Revista Investigaciones Altoandinas - Journal of High Andean Investigation, 17(1). 
https://doi.org/10.18271/ria.2015.77 

Bennett, A., McMahon, D. y Muehlhoff, E. (2013). Milk and dairy products in human nutrition. Food 
and agriculture organization on the United Nations. 
https://openknowledge.fao.org/server/api/core/bitstreams/bf75d4cd-54ed-45a8-bf1b-
71606320f596/content  

Bernabucci, U., Biffani, S., Buggiotti, L., Vitali, A., Lacetera, N. y Nardone, A. (2014). The effects of heat 
stress in Italian Holstein dairy cattle. Journal of Dairy Science, 97(1), 471–486. 
https://doi.org/10.3168/jds.2013-6611 

Bouraoui, R., Lahmar, M., Majdoub, A., Djemali, M. y Belyea, R. (2002). The relationship of 
temperature-humidity index with milk production of dairy cows in a Mediterranean climate. 
Animal Research, 51(6), 479–491. https://doi.org/10.1051/animres:2002036 

Collier, R. J., Dahl, G. E. y VanBaale, M. J. (2006). Major advances associated with environmental 
effects on dairy cattle. Journal of Dairy Science, 89(4), 1244–1253. 
https://doi.org/10.3168/jds.S0022-0302(06)72193-2 

Cook, N. B. (2017). A Review of the Design and Management of Footbaths for Dairy Cattle. The 
Veterinary Clinics of North America. Food Animal Practice, 33(2), 195–225. 
https://doi.org/10.1016/j.cvfa.2017.02.004 

Cowley, F. C., Barber, D. G., Houlihan, A. V. y Poppi, D. P. (2015). Immediate and residual effects of 
heat stress and restricted intake on milk protein and casein composition and energy 
metabolism. Journal of Dairy Science, 98(4), 2356–2368. https://doi.org/10.3168/jds.2014-
8442 

Degano, M. F. y Rivas, R. E. (2023). Evaluación de los productos de evapotranspiración disponibles en 
Climate Engine y del algoritmo Support Vector Machine Regression con datos NASA Power. 
Revista De Geología Aplicada a La Ingeniería Y Al Ambiente(50), e005. 
https://doi.org/10.59069/24225703e005 

Esquivel, H., Ibrahim, M., Harvey, C., Benjamin, T. y Sinclair, F. (2011). Árboles dispersos en los 
potreros de ranchos ganaderos en un eco-sistema de trópico seco. Tropical and Subtropical 
Agroecosystems, 14, 933–941. https://www.scielo.org.mx/scielo.php?pid=S1870-
04622011000300006&script=sci_abstract&tlng=es 



55 

 

 

Fanzo, J., Davis, C., McLaren, R. y Choufani, J. (2018). The effect of climate change across food 
systems: Implications for nutrition outcomes. Global Food Security, 18, 12–19. 
https://doi.org/10.1016/j.gfs.2018.06.001 

Fernández, E., Brooks Moody, M. y Cordón Suárez, E. (2011). Estudio biofísico de la finca académica 
Snaki - URACCAN, en la comunidad de Moss, municipio de Waspam Río Coco, RAAN. Ciencia 
E Interculturalidad, 2(2), 44–66. https://doi.org/10.5377/rci.v2i2.572 

Fernández, F. J., Blanco, M., Ponce, R. D., Vásquez-Lavín, F. y Roco, L. (2019). Implications of climate 
change for semi-arid dualistic agriculture: A case study in Central Chile. Regional 
Environmental Change, 19(1), 89–100. https://doi.org/10.1007/s10113-018-1380-0 

García, Y., Pérez R. y Solano O. (2009). El Niño-Oscilación del Sur y su impacto en la producción de 
leche en Cuba. Nereis: revista iberoamericana interdisciplinar de métodos, modelización y 
simulación(2), 73–84. https://dialnet.unirioja.es/servlet/articulo?codigo=5628722 

Gauly, M. y Ammer, S. (2020). Review: Challenges for dairy cow production systems arising from 
climate changes. Animal : An International Journal of Animal Bioscience, 14(S1), s196-s203. 
https://doi.org/10.1017/S1751731119003239 

Gonzales, M. (2021). Las vacas Jersey tienen diferente microbioma ruminal bajo entornos de estrés por 
calor. https://dellait.com/es/el-microbioma-ruminal-cambia-bajo-entornos-de-estres-por-
calor 

Hausfather, Z. y Peters, G. P. (2020). Emissions - the 'business as usual' story is misleading. Nature, 
577(7792), 618–620. https://doi.org/10.1038/d41586-020-00177-3 

Heal, G. y Millner, A. (2014). Reflections. Review of Environmental Economics and Policy, 8(1), 120–
137. https://doi.org/10.1093/reep/ret023 

Hernández Castro, C. M. (2021). Series de precipitación y temperatura en Zamorano: tendencias, 
proyección y relación con el cambio climático [Proyecto Especial de Graduación]. Escuela 
Agrícola Panamericana, Zamorano, Honduras. 
https://bdigital.zamorano.edu/server/api/core/bitstreams/c833d7a4-b8b3-4585-9b6b-
e137878b29d7/content  

Huxley, J. N. (2013). Impact of lameness and claw lesions in cows on health and production. Livestock 
Science, 156(1-3), 64–70. https://doi.org/10.1016/j.livsci.2013.06.012 

Jiménez-Ferrer, G., Mendoza-Martínez, G., Soto-Pinto, L. y Alayón-Gamboa, A. (2015). Evaluation of 
local energy sources in milk production in a tropical silvopastoral system with Erythrina 
poeppigiana. Tropical Animal Health and Production, 47(5), 903–908. 
https://doi.org/10.1007/s11250-015-0806-7 

Kadokawa, H., Sakatani, M. y Hansen, P. J. (2012). Perspectives on improvement of reproduction in 
cattle during heat stress in a future Japan. Animal Science Journal = Nihon Chikusan Gakkaiho, 
83(6), 439–445. https://doi.org/10.1111/j.1740-0929.2012.01011.x 

Katsini, L., Muñoz López, C. A., Bhonsale, S., Roufou, S., Griffin, S., Valdramidis, V., Akkermans, S., 
Polanska, M. y van Impe, J. (2024). Modeling climatic effects on milk production. Computers 
and Electronics in Agriculture, 225, 109218. https://doi.org/10.1016/j.compag.2024.109218 



56 

 

 

Kopittke, P. M., Menzies, N. W., Wang, P., McKenna, B. A. y Lombi, E. (2019). Soil and the 
intensification of agriculture for global food security. Environment International, 132, 105078. 
https://doi.org/10.1016/j.envint.2019.105078 

Kosztra, B., Büttner, G., Hazeu, G. y Arnold, A. (2019). The Revised and Supplemented CORINE Land 
Cover Nomenclature – Updated CLC Illustrated Nomenclature Guidelines. European 
Environment Agency. https://land.copernicus.eu/content/corine-land-cover-nomenclature-
guidelines/docs/pdf/CLC2018_Nomenclature_illustrated_guide_20190510.pdf  

Lees, A. M., Lees, J. C., Lisle, A. T., Sullivan, M. L. y Gaughan, J. B. (2018). Effect of heat stress on rumen 
temperature of three breeds of cattle. International Journal of Biometeorology, 62(2), 207–
215. https://doi.org/10.1007/s00484-017-1442-x 

Lees, A. M., Sejian, V [V.], Steel, C. C., Mader, T. L., Lees, J. C. y Gaughan, J. B. (2019). The Impact of 
Heat Load on Cattle. Animals : An Open Access Journal from MDPI, 9(6). 
https://doi.org/10.3390/ani9060322 

Li, Y., Li, M., Liu, H. y Qin, W. (2021). Influence of soil texture on the process of subsurface drainage in 
saturated-unsaturated zones. International Journal of Agricultural and Biological Engineering, 
14(1), 82–89. https://doi.org/10.25165/j.ijabe.20211401.5699 

Lobell, D. B., Burke, M. B., Tebaldi, C., Mastrandrea, M. D., Falcon, W. P. y Naylor, R. L. (2008). 
Prioritizing climate change adaptation needs for food security in 2030. Science (New York, 
N.Y.), 319(5863), 607–610. https://doi.org/10.1126/science.1152339 

Lobell, D. B., Schlenker, W. y Costa-Roberts, J. (2011). Climate trends and global crop production since 
1980. Science (New York, N.Y.), 333(6042), 616–620. 
https://doi.org/10.1126/science.1204531 

Moreira, T. F., Nicolino, R. R., Meneses, R. M., Fonseca, G. V., Rodrigues, L. M., Facury Filho, E. J. y