BIOESTADÍSTICA EN ACCIÓN - agro.unc.edu.armcia/archivos/Compilado.pdf · proyecto se realiza en...
Transcript of BIOESTADÍSTICA EN ACCIÓN - agro.unc.edu.armcia/archivos/Compilado.pdf · proyecto se realiza en...
ISBN: 978-987-33-7986-4
BIOESTADÍSTICA EN ACCIÓN
METODOS CUANTITATIVOS PARA LA INVESTIGACIÓN
AGROPECUARIA
RECOPILACIÓN DE ALGUNOS TRABAJOS FINALES ACADÉMICOS DE
ÁREAS DE CONSOLIDACIÓN EN LA FACULTAD DE CIENCIAS
AGROPECUARIAS DE LA UNIVERSIDAD NACIONAL DE CÓRDOBA. CÓRDOBA.
ARGENTINA.
2012 - 2014
Índice de Autores
Mónica Balzarini (Coordinadora y T)
Cecilia Bruno (T)
Mariano Córdoba (T)
Margot Tablada (T)
Laura González (T)
Walter Robledo (T)
Fernando Aguate (T)
Ingrid Teich (T)
Andrea Peña Malavera (T)
(A): Autor. (D): Director. (T): Tutor.
Cuando el director de un proyecto no es profesor de la UPC (esto suele pasar cuando el
proyecto se realiza en una empresa o institución en la que el estudiante realiza prácticas
como becario) un profesor de la UPC actúa como Tutor y vela por el rigor académico y
formal del proyecto.
TRABAJOS FINALES INTEGRADORES DEL ÁREA DE CONSOLIDACIÓN
MÉTODOS CUANTITATIVOS PARA LA INVESTIGACIÓN
AGROPECUARIA
Editado y Compilado por
Cecilia Bruno
Mónica Piccardi
Mónica Balzarini
LISTADO DE TRABAJOS INTEGRADORES
I. Modelación del rendimiento de caña de azúcar a partir de
información satelital
Matías Alejandro Castillo Moine (A), Franco Ramiro Villaba (A), Ingrid Teich (T)
Pag. 7
II. Análisis de correlación de la cantidad de agua del suelo entre
diferentes métodos de medición: Sondas de neutrones y sondas de
capacitancia
Estefanía Alvarez (A), Federico Micolini (A), Joaquín Molina (A), Mónica
Balzarini (C, T) y Cecilia Bruno (T).
Pag. 26
III. Determinación de un índice de selección para el carácter peso al
nacimiento y peso al destete de reproductores pertenecientes a la
cabaña angus de la FCA – UNC.
Ignacio Dell ‘Orsi (A), Ramiro Gasparotto (A), Fernando Marengo (A), Marcelo
Bianchi (C, T) y Fernando Aguate (T).
Pag. 38
IV. Análisis estadístico de los efectos de la descompactación y el cultivo
de cobertura sobre el contenido hídrico del suelo en un área de la
región central de córdoba
Agostina Lorenzati (A), Mónica Balzarini (C, T), Cecilia Bruno (T).
Pag. 73
V. Modelos de regresión para modelar curvas de crecimiento en caña
de azúcar (Saccharum officinarum)
José A. Brandán Terré (A), Antonela M.Rambaudo (A), Cecilia Bruno (T).
Pag. 93
VI. Modelos estadísticos para la evaluación de varie dades promisorias
de garbanzo (Cicer arietinum l) en el norte de la provincia de
córdoba, argentina
Pablo Paccioretti (A), Rodrigo Oberto (A), Mónica Balzarini (C, T), Cecilia
Bruno (T), Laura Britos (T).
Pag. 108
VII. Análisis de progreso genético y estabilidad en la producción de
materia seca de triticale forrajero.
Laura Andrea Ayduh (A), Laura Orué (A), Mónica Balzarini (C, T), Ricardo
Maich (T).
Pag. 128
VIII. Análisis del impacto de distintas prácticas agrícolas en los
microorganismos del suelo
Agustín Arinci (A), Tobías Vignaroli (A), Andrea Natalia Peña Malavera (T).
Pag. 139
IX. Efecto de la fertilización nitrogenada y fosforada en la calidad y
producción de materia seca y semilla en Panicum Coloratum Klein
José Ignacio Amorena (A), Mariano Córdoba (T).
Pag. 168
X. Efecto de la fertilización nitrogenada sobre caracteres
morfofisiologicos de híbridos comerciales en maíz en distintos
ambientes de la región pampeana
Victor Cornaglia (A), Mónica Balzarini (C, T).
Pag. 182
XI. Calidad de siembra y efecto de la distribución precisa de la semilla
de garbanzo (Cicer arietinum L.) en la Provincia de Córdoba
Christian Pablo Alessio (A), Nicolás Bernaldez Brunt (A), Mariano Córdoba (T).
Pag. 195
XII. Semejanzas y diferencias morfológicas de 24 cultivares de Ajo
(Alium sativum L.) en respuesta a las condiciones climáticas de la
provincia de Córdoba.
Laura Agui (A), Marina Rodríguez (A), Mónica Balzarini (C, T).
Pag. 206
XIII. Caracterización del recurso hídrico subterráneo de la provincia de
Córdoba.
Franca Giannini (A), Mariano Córdoba (T).
Pag. 223
XIV. Efectos cuantitativos del estrés hídrico en caracteres fisiológicos
para diferenciación de genotipos de una pastura megatérmica
Marcos Perrachione (A), Margot Tablada (T).
Pag. 247
Modelación del rendimiento con información satelital
7
Modelación del rendimiento de caña de azúcar a partir de información satelital
Matías Alejandro Castillo Moine y Franco Ramiro Villaba
Tutores:Mónica Balzarini e Ingrid Teich
En la última década la productividad de caña de azúcar por hectárea en Argentina ha
aumentado más del doble. El momento de cosecha óptimo -cuando se minimizan
significativamente las pérdidas de azúcar- coincide con la fase de máxima maduración. En
los ingenios con alta superficie cultivada es casi imposible cosechar todas las unidades de
manejo en el momento óptimo. Por eso, es útil contar con herramientas que permitan
identificar aquellas zonas de mayor productividad y prioridad para su cosecha en el
momento adecuado. La información proveniente de sensores remotos, resumida en
índices de vegetación, es ampliamente utilizada con tal fin. El objetivo de este trabajo es
presentar el uso de modelos de regresión lineal para estimar rendimientos de caña de
azúcar a partir de índices de vegetación. El modelo de regresión múltiple con mejor
ajuste incluyó al Normalized Difference Water Index, la variedad y la duración del ciclo
como predictores.
Modelación del rendimiento con información satelital
8
CONTENIDOS
I. Introducción
I.I. El cultivo de caña de azúcar
I.II. La información satelital
II. Material y métodos
II.I. Datos de rendimiento
II.II. Obtención de índices de vegetación derivado de
imágenes satelitales
II.III. Estrategia de análisis
III. Resultados y discusión
III.I. Regresiones simples
III.II. Regresiones múltiples
IV. Conclusión
V. Referencias bibliográficas
Modelación del rendimiento con información satelital
9
I. INTRODUCCIÓN
La caña de azúcar (Saccharum officinarum L.) constituye el cultivo sacarífero más
importante del mundo, responsable del 70% de la producción total de azúcar. En su tallo
acumula un jugo rico en sacarosa, a partir del cual, por medio de procedimientos
industriales de extracción y cristalización, se produce azúcar (Romero et al., 2009).
Además de la producción de azúcar, se generan varios subproductos, tales como energía
eléctrica derivada de la combustión del bagazo, alcohol de diferentes grados y forraje para
alimentación del ganado bovino, entre otros. Este cultivo se extiende a lo largo de los
trópicos y subtrópicos, entre los 36,5º latitud Norte (España) hasta los 31º latitud Sur
(Uruguay, Australia). La producción de caña de azúcar en la Argentina se concentra en
tres zonas: Tucumán, el Norte (Salta y Jujuy) y el Litoral. Tucumán es la región más
importante con una participación del 60-65% en la producción nacional de azúcar, el Norte
aporta un 35% y el Litoral un 1%. En la última década, las innovaciones tecnológicas
adoptadas por el sector, las mejoras en el manejo de los cañaverales, la incorporación de
variedades y el uso de madurativos y de semilla saneada, generaron incrementos
importantes en la productividad de éste cultivo. Tal es así, que en las últimas dos décadas
(1990-2010), la producción por hectárea de caña de azúcar ha aumentado más del doble
(de 27 tn a 64 tn término medio).
Como sucede en la mayoría de los cultivos industriales, el conocimiento de la
ecofisiología del cultivo es clave para minimizar pérdidas. Por ejemplo, es importante que
la cosecha se realice en el momento adecuado, es decir, en la fase de máxima
maduración. Esto posibilita alcanzar el peso máximo de las cañas procesables (y por lo
tanto, de azúcar) con pérdidas de campo mínimas. La recolección de caña inmadura o
sobremadura provoca pérdidas en la producción de caña y en la recuperación de azúcar,
produciendo un jugo de mala calidad y causando problemas en la molienda, debido a la
presencia de cuerpos extraños. En los ingenios y particularmente en aquellos con una alta
superficie cultivada es casi imposible cosechar todas las unidades de manejo (UM) en el
momento óptimo. Por eso, es útil contar con estimaciones de rendimiento previas a la
cosecha, las cuales permiten identificar aquellas zonas de mayor productividad y de
mayor prioridad para su cosecha en el momento adecuado. Además, conocer el estado
futuro de las unidades de producción mediante la estimación de rendimientos constituye
una herramienta valiosa para la planificación a nivel de lote (nivel micro) y para la gestión
agropecuaria de grandes áreas (nivel macro). Esta información aporta elementos para
Modelación del rendimiento con información satelital
10
planificar la producción agrícola en años siguientes, así como para dar mayor certidumbre
a las condiciones de abasto locales de un estado y a la distribución de excedentes al
mercado nacional, aspecto de relevancia en un mercado prácticamente oligopólico.
Sin embargo, la estimación precisa de los rendimientos de los cultivos agrícolas es
aún un problema no resuelto totalmente. Generalmente la estimación de rendimientos
responde a muchos factores, tales como historia y fisiografía del lote, variedad botánica
y/o cultivar utilizados, precipitaciones durante el ciclo de cultivo y nivel de nutrientes del
suelo, entre otros. Es decir, responde a muchas variables y también a su interacción,
dificultando la obtención de modelos universales. Consecuentemente, estimar
rendimientos no es una tarea fácil y los modelos deben ajustarse muchas veces a la
realidad puntual que se está estudiando. En la actualidad, una herramienta que está
siendo cada vez más utilizada para estimar rendimientos son los datos provenientes de
sensores remotos, tales como la información satelital. Por ejemplo, Robson et al. (2012)
lograron predecir rendimientos de caña en Australia, mediante el uso de información
satelital con alta precisión. Las imágenes satelitales tienen varias ventajas que favorecen
su uso, ya que los satélites permiten obtener datos provenientes de grandes áreas y a
intervalos regulares de tiempo. Además, esta información está cada vez más disponible
gracias a Internet. Generalmente la información satelital es resumida en índices de
vegetación, tales como el Índice de Vegetación de Diferencia Normalizada (Normalized
Difference Vegetation Index, NDVI), el Índice de Agua de Diferencia Normalizada
(Normalized Difference Water Index, NDWI), el Índice de Canopeo Normalizado
(Normalized Canopy Index, NCI) y el NDVI verde (green NDVI, gNDVI). Sin embargo la
gran abundancia y disponibilidad de información satelital no se traduce directamente en
conocimiento que permita, por ejemplo, estimar rendimientos. Para esto, es necesario
procesar y analizar dicha información. Para esto, la estadística aplicada provee las
herramientas necesarias que nos permiten responder adecuadamente a las preguntas
que nos planteamos. En este capítulo presentaremos el uso de modelos de regresión
lineal para estimar rendimientos de caña de azúcar a partir de índices de vegetación
elaborados con información proveniente de sensores remotos.
I.I. EL CULTIVO DE CAÑA DE AZÚCAR
La caña de azúcar (Saccharum officinarum L.) es una Poácea (Panicoideae:
Andropogoneae), perteneciente a las regiones subtropical a tropical y de cultivo estival.
Para producir un gramo de materia seca de tallo molible requiere 0,5 L de agua y con
Modelación del rendimiento con información satelital
11
igual cantidad de agua se acumulan de 0,25-0,40 g de sacarosa. Soporta una amplia
variedad de suelos, pero los más aptos son los francos a franco arcillosos. Su origen
corresponde al sureste asiático, pero su cultivo en sudamérica subtropical y tropical es
muy amplio ya que encuentra un clima óptimo.
Figura 1. Plantas de caña de azúcar (Saccharum officinarum) florecidas (izquierda) y caña de azúcar cortada (derecha).
En el ciclo fenológico de la caña de azúcar reconocen cuatro fases: emergencia y
brotación (stand inicial de tallos); macollaje y cierre del cañaveral (stand final de tallos);
crecimiento vegetativo (elongación de tallos) y maduración (acumulación de azúcar). La
cantidad de azúcar cosechada dependerá de la cantidad acumulada y de la eficiencia de
cosecha. La cosecha realizarse durante la etapa de maduración. Así, si se logra una
buena planificación de la zafra optimizando los recursos de cosecha y evitando el período
de heladas, se logra minimizar la pérdida de azúcar. Es útil entonces, conocer cuál va a
ser a ser el rendimiento de un lote con antelación, para establecer un orden prioritario de
cosecha.
Modelación del rendimiento con información satelital
12
I.II. LA INFORMACIÓN SATELITAL
Cuando se habla de información satelital, se hace referencia a aquella obtenida a
partir de señores remotos montados sobre satélites que orbitan la tierra. Dado que los
satélites pasan por el mismo sitio a intervalos regulares de tiempo, censando grandes
áreas, constituyen una fuente valiosa de información, pudiéndose construir incluso series
históricas.
Cuando la luz del sol impacta en la superficie terrestre parte es absorbida y otra
parte es reflejada hacia el medio. De la energía que es reflejada hacia el medio, una parte
vuelve a ser absorbida por otros cuerpos (atmósfera, nubes, etc.) y otra parte finalmente
escapa al espacio exterior. Por otro lado, hay cuerpos que generan radiancia, o que
tienen la propiedad de acumularla para liberarla por ejemplo en forma de rayos infrarojos.
El principio de funcionamiento de los sensores remotos se basa en captar tal energía
emitida o reflejada al medio desde las distintas coberturas de la superficie terrestre,
formando imágenes de distribución espacial de radiancia. El espectro electromagnético
completo puede ser captado por los sensores, los cuales registran la radiancia de distintas
longitudes de onda, lo cual se conoce como bandas.
Cada tipo de cobertura de la superficie terrestre tiene sus características de
emisión, reflexión y transmisión, lo que permite mediante ulteriores análisis de los valores
de radiancia registrados para un área, realizar caracterizaciones de la cobertura terrestre.
Para poder caracterizar una determinada cubierta resulta necesario conocer su
comportamiento reflectivo en diversas longitudes de onda, ya que esto permitirá
discriminarlo de otros tipos de cobertura (por ejemplo: vegetación o suelo desnudo).
Algunas cubiertas tienden a presentar una respuesta uniforme en distintas longitudes de
onda, mientras otras ofrecen un comportamiento mucho más selectivo, expresando por
ejemplo altos valores de radiancia en una fracción del espectro electromagnético (o
banda) mientras que en la otra es muy bajo. Entonces, de acuerdo a la cubierta que se
quiera estudiar, se elegirán las bandas con las que se trabajará, buscando aquellas en
donde la cubierta seleccionada para estudio se diferencie de las demás. De las bandas,
se destacan para uso agropecuario las del espectro visible, infrarrojo cercano, medio y
lejano, y micro-ondas.
Existen diversos satélites que proveen información en la actualidad. En las
imágenes obtenidas por el satélite LANDSAT 5 TM, que es el que se utilizó en este
trabajo, cada pixel corresponde a una porción de territorio de 30 x 30m (resolución
Modelación del rendimiento con información satelital
13
espacial). Los sensores de dicho satélite registran la reflectancia correspondiente a siete
intervalos de longitudes de onda (bandas) (Tabla 1).
Tabla 1: Características de las bandas espectrales censadas por el satélite Landsat 5 TM.
Banda Longitud de onda (micrómetros)
Región del espectro
¿Qué permite identificar/medir?
1 0.45-0.52 Azul Diseñada para penetración en cuerpos de agua, es útil para el mapeo de costas, para diferenciar entre suelo y vegetación y para clasificar distintos cubrimientos boscosos
2 0.52-0.60 Verde Especialmente diseñada para evaluar el vigor de la vegetación sana, midiendo su pico de reflectancia verde.
3 0.63-0.69 Rojo (R)
Es una banda de absorción de clorofila, útil para la clasificación de la cubierta vegetal.
4 0.76-0.90 Infrarrojo cercano (NIR)
Es útil para determinar el contenido de biomasa, para la delimitación de cuerpos de agua y para la clasificación de las rocas.
5 1.55-1.75 Infrarrojo medio (MIR)
Indicativa del contenido de humedad de la vegetación y del suelo.
7 2.08-2.35 Infrarrojo medio (SWIR)
Especialmente seleccionada por su potencial para la discriminación de rocas y para el mapeo hidrotermal. Mide la cantidad de hidróxilos (OH) y la absorción de agua.
Si bien cada cubierta tiene su firma espectral característica, existen factores que
pueden alterar sus características de emisión, reflexión y transmisión de la radiancia. Para
el cultivo de la caña de azúcar, se ha demostrado que la respuesta espectral depende de
los distintos factores entre los que se encuentran: la arquitectura del dosel, la química
foliar (pigmentos, etc), deficiencias de nitrógeno y humedad, el índice de área foliar y las
condiciones atmosféricas (Abdel y Rahman, 2008; Aguilar et al., 2010). Por lo tanto la
variedad, la clase de cultivo (planta o soca), la fecha de plantación o de brotado, la
duración del período de cosecha y la variabilidad ambiental, son todos factores que deben
considerarse en los algoritmos de predicción de rendimiento desarrollados a partir de
imágenes satelitales.
Modelación del rendimiento con información satelital
14
II. MATERIAL Y MÉTODOS
II.I. DATOS DE RENDIMIENTO
Se utilizaron datos pertenecientes a lotes de producción de caña de azúcar del
noroeste argentino, expresados en toneladas de caña por hectárea (TCH) por unidad de
manejo (UM), correspondientes a las zafras de 2009 y 2011. Se eligieron aquellas
unidades de manejo (UM) cuya fecha de cosecha fuera posterior a la fecha de la imagen
satelital utilizada para predecirlos valores de TCH, las cuales sumaron un total de 101
UM. Cada UM está caracterizada según la variedad de caña (CP 70 11 33, LCP 85 384,
NA 84 3920, NA 85 1602, TUC 72 16 y TUC 77 42), la edad del cultivo y la duración del
ciclo.
II.II. OBTENCIÓN DE ÍNDICES DE VEGETACIÓN DERIVADOS DE
IMÁGENES SATELITALES
Se obtuvo una imagen satelital LANDSAT 5 TM correspondiente al 21 de mayo de
2009. La misma se descargó de la página web del IMPE, Brasil: http://www.inpe.br/. La
magen fu corregida radiométicamente y georreferenciada. Se ajustó un área para la
extracción de datos que estuviera a más de 30 metros de los caminos o límites de
UM/tablas, para no tomar pixeles contaminados. Luego se establecieron puntos de
extracción de datos que coincidan con el centro de los pixeles que están dentro del área
de extracción (Figura 2). Esto se realizó con el propósito de minimizar el efecto bordura,
ya que las reflectancias son diferentes según se haya sensado suelo de los caminos,
cultivo con canopia abierta (bordes), canopia cerrada o una combinación de ellos. Los
datos extraídos de cada píxel corresponden a 6 bandas de LANDSAT (B1, B2, B3, B4, B5
y B7) y 4 índices (NDVI, el gNDVI, el NDWI y el NCI), que se calcularon combinando
dichas bandas. Éstos análisis se realizaron utilizando el Sistema de Información
Geográfica Idrisi Taiga (Eastman 2009).
Modelación del rendimiento con información satelital
15
Figura 1. Ejemplo de la poligonación realizada para extraer la información satelital de distintas unidades de manejo. Los puntos corresponden al centro de los píxeles, las líneas rojas a los límites de las tablas y las líneas negras a los límites de las UM
El Índice de Vegetación Normalizado (NDVI) (Tucker 1979) es uno de los índices
derivados de información satelital más utilizados en estudios ecológicos ya que está
relacionado con la actividad fotosintética de la vegetación y permite realizar estimaciones
de la productividad primaria. El NDVI puede variar entre -1 y +1. Sin embargo, donde hay
vegetación varía entre 0.2 y 0.8. Valores cercanos a 0 corresponden a zonas de suelo
desnudo, o roca, es decir, de baja productividad, mientras que valores mayores, cercanos
a 1, corresponden a zonas de alta productividad. El cálculo del NDVI se basa en la
combinación de las bandas 3 (R) y 4 (NIR) ya que las plantas absorben la luz
correspondiente a dichas bandas diferencialmente según su estado. El cálculo de NDVI
se realiza mediante la siguiente ecuación:
𝑁𝐷𝑉𝐼 =𝑁𝐼𝑅 − 𝑅
𝑁𝐼𝑅 + 𝑅=𝐵4 − 𝐵3
𝐵4 + 𝐵3
El Índice de Vegetación Normalizado Verde (gNDVI), en cambio, se calcula
utilizando la banda 2 (verde), en lugar de la banda 3. Permite capturar más
específicamente la concentración de clorofila. Se calcula mediante la siguiente ecuación:
Modelación del rendimiento con información satelital
16
𝑔𝑁𝐷𝑉𝐼 =𝑁𝐼𝑅 − 𝑣𝑒𝑟𝑑𝑒
𝑁𝐼𝑅 + 𝑣𝑒𝑟𝑑𝑒=𝐵4 − 𝐵2
𝐵4 + 𝐵2
El Índice de Agua de Diferencia Normalizada (NDWI) se relaciona con la cantidad
de agua que posee la vegetación o el nivel de saturación de humedad que posee el suelo.
A mayor NDWI, mayor contenido de agua. Su cálculo se basa en la combinación de las
bandas 5 (NIR) y 7 (SWIR), mediante la siguiente ecuación:
𝑁𝐷𝑊𝐼 =𝑁𝐼𝑅 − 𝑆𝑊𝐼𝑅
𝑁𝐼𝑅 + 𝑆𝑊𝐼𝑅=𝐵4 − 𝐵7
𝐵4 + 𝐵7
El Índice de Canopeo Normalizado (NCI) está relacionado con el área foliar.
Mayores valores de NCI indican menor área foliar y mayor cantidad de suelo desnudo, es
decir menor canopeo. Así, mayores valores de NCI indican con menores niveles de
productividad. Su cálculo se realiza mediante la siguiente ecuación:
𝑁𝐶𝐼 =𝑆𝑊𝐼𝑅 − 𝑉𝑒𝑟𝑑𝑒
𝑆𝑊𝐼𝑅 + 𝑉𝑒𝑟𝑑𝑒=𝐵5 − 𝐵2
𝐵5 + 𝐵2
II.III. ESTRATEGIA DE ANÁLISIS
En primer lugar se realizó un análisis descriptivo de los datos. Para esto se
construyeron tablas de contingencia de manera de conocer la estructura de la tabla de
datos (por ejemplo, cantidad de UM por variedad), se analizaron las relaciones entre
rendimiento y la información satelital relevada mediante diagramas de dispersión y se
realizaron gráficos de caja para las variables utilizadas, clasificando por variedad y edad.
A partir de los gráficos de caja se identificaron los datos outliers de manera de eliminarlos
de los análisis posteriores.
Para estudiar cómo los cambios de los distintos índices satelitales (variables
predictoras) afectan al rendimiento de caña de azúcar (variable respuesta) se ajustaron
modelos de regresión. Las variables predictoras fueron centradas por su media y se
construyeron modelos de regresión simples y múltiples. Para esto se generaron variables
auxiliares (dummy) de manera de incluir aquellas co-variables (variedad, edad, duración
del ciclo) con un efecto en la variable respuesta, según el análisis exploratorio. Se
Modelación del rendimiento con información satelital
17
identificaron las variables más influyentes y se procedió a la selección del mejor modelo.
Para la comparación de los modelos se usaron los valores de R2 Ajustado y AIC, y para la
selección de las variables que conformarían el modelo el p-valor asociado a cada una de
ellas. El método por R2 muchas veces no es confiable, ya que un R2 alto no siempre
significa alta correlación lineal, en tanto que AIC es un método independiente del p-valor,
pero que al igual que la prueba F establece un compromiso entre la bondad de ajuste
caracterizada por la suma de cuadrados con el cambio en el número de parámetros a
ajustar, lo que lo constituye en un método más apropiado de selección de modelos. Todos
los análisis se realizaron mediante el software InfoStat (Di Rienzo et al. 2012).
III. RESULTADOS Y DISCUSIÓN
De las 101 UM se descartaron 12 UM correspondientes a variedades que cuentan
con pocas UM. En la figura 3 puede observarse que la variedad NA 84 3920 presenta 7
UM de las cuales dos se comportan como outliers; la variedad TUC 72 16 presenta 5 UM
de las cuales 1 se comporta como outlier. Por su escasa representatividad se decidió no
considerar ambas variedades para la construcción del modelo, lo cual podría generar
mayor error experimental. Asimismo se observa que hay diferencias de productividad
entre variedades, siendo CP 70 1133 y LCP 85 384 las variedades con mayor
productividad.
Modelación del rendimiento con información satelital
18
Figura 3. Gráfico de cajas de rendimiento de caña de azúcar (TCH) según la variedad, en 101 unidades de manejo.
El rendimiento medio de caña de azúcar en las 89 UM seleccionadas fue de 86.1
TCH, registrándose un mínimo de 20 y un máximo de 128.8 TCH (Tabla 2). De los índices
de vegetación se observa que el NDWI es el índice que presentó mayor variabilidad y
menor media.
Tabla 2: Medidas resumen de rendimiento de caña de azúcar y de los índices derivados de imágenes satelitales en 89 UM.
Medida Resumen Rendimiento de caña (TCH) NDVI GNDVI NCI NDWI
Media 86,10 0,64 0,56 0,37 0,24
CV 21,60 5,52 4,62 5,46 20,7
Mín 20,00 0,54 0,48 0,33 0,07
Máx 128,8 0,71 0,6 0,43 0,33
Mediana 87,87 0,65 0,56 0,37 0,24
CP
70
1133
LC
P 8
5
384
TU
C 7
2
16
TU
C 7
7
42
NA
84
3920
NA
85
1602
VARIEDAD
15
25
35
45
55
65
75
85
95
105
115
125
135
TC
H
Modelación del rendimiento con información satelital
19
Como se observa en la figura 4, se observan diferencias de los índices de
vegetación entre variedades. Las variedades más productivas presentan mayores valores
de NDVI, NDWI y gNDVI y menores valores de NCI.
Figura 4. Gráficos de cajas de índices de vegetación derivados de imágenes satelitales (NDVI, gNDVI, NDWI y NCI) para cada variedad de caña de azúcar, en 89 unidades de manejo.
CP 70 1133 LCP 85 384 TUC 77 42 NA 85 1602
VARIEDAD
0,52
0,54
0,56
0,58
0,60
0,62
0,64
0,66
0,68
0,70
0,72
ND
VI
CP 70 1133 LCP 85 384 TUC 77 42 NA 85 1602
VARIEDAD
0,46
0,48
0,50
0,52
0,54
0,56
0,58
0,60
0,62
gN
DV
I
CP 70 1133 LCP 85 384 TUC 77 42 NA 85 1602
VARIEDAD
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0,20
0,22
0,24
0,26
0,28
0,30
0,32
0,34
ND
WI
CP 70 1133 LCP 85 384 TUC 77 42 NA 85 1602
VARIEDAD
0,32
0,34
0,36
0,38
0,40
0,42
0,44
NC
I_2009_05_21
Modelación del rendimiento con información satelital
20
Además de con la variedad se observaron diferencias entre ciclos de distinta
duración (Figura 5). Sin embargo, no se observó una alta variabilidad entre cultivos de
distinta edad. Mediante los gráficos de dispersión se identificó una relación lineal entre
TCH y los índices de vegetación. Estas relaciones se modelaron mediante modelos de
regresión múltiples.
Figura 5. Gráficos de cajas de índices de vegetación derivados de imágenes satelitales (NDVI, gNDVI, NDWI y NCI) para ciclos de distinta duración, en 89 unidades de manejo.
9 10 11 12 13 14 15 16 17
DURACIÓN DEL CICLO (meses)
0,52
0,54
0,56
0,58
0,60
0,62
0,64
0,66
0,68
0,70
0,72
ND
VI
9 10 11 12 13 14 15 16 17
DURACIÓN DEL CICLO (meses)
0,46
0,48
0,50
0,52
0,54
0,56
0,58
0,60
0,62
gN
DV
I
9 10 11 12 13 14 15 16 17
DURACIÓN DEL CICLO (meses)
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0,20
0,22
0,24
0,26
0,28
0,30
0,32
0,34
ND
WI
9 10 11 12 13 14 15 16 17
DURACIÓN DEL CICLO (meses)
0,32
0,34
0,36
0,38
0,40
0,42
0,44
NC
I
Modelación del rendimiento con información satelital
21
III.I. REGRESIONES SIMPLES
Los valores de R2 variaron entre los cuatro modelos ajustados. El modelo con
menor ajuste fue el obtenido para el NCI, con un R2 de 0.31. Los modelos cuyas
variables predictoras fueron el NDVI y el gNDVI obtuvieron R2 similares (0.39 y 0.40
respectivamente). El modelo obtenido usando NDWI como regresora fue entre los índices
de vegetación el que presentó un mejor ajuste respecto a su relación lineal con TCH, con
un R2 de 0.52. Este modelo fue 84.56 290.90TCH NDWI (Figura 6).
Figura 6. Relación entre rendimiento de caña de azúcar (TCH) y NDWI. La línea central corresponde al modelo ajustado, las líneas siguientes corresponden a las bandas de confianza y las líneas externas a las bandas de predicción.
-0,18 -0,11 -0,04 0,02 0,09
NDWI (cent.)
0
35
70
105
140
Rendim
iento
de c
aña d
e a
zúcar
(TC
H)
Modelación del rendimiento con información satelital
22
III.II. REGRESIONES MÚLTIPLES
En la tabla 3 se presentan los criterios de ajuste de los modelos ajustados. El
modelo de regresión múltiple de mejor ajuste incluyó al NDWI, la variedad y la duración
del ciclo como predictores (Figura 7). Este modelo presentó el mayor R2 (0,69) y el menor
AIC.
Tabla 3: Criterios de comparación de los modelos ajustados
Modelos ajustados R2 AIC
gNDVI+ciclo+variedad 0,59 705,4
gNDVI+ciclo 0,56 708,9
gNDVI+ciclo+ciclo2 0,56 710,2
gNDVI+ciclo+ciclo2+variedad 0,59 706,5
NDWI+ciclo+variedad 0,64 692,7
NDVI+ciclo+var 0,57 710, 2
NDVI+ciclo 0,56 709,1
NCI+ciclo+var 0,45 731,1
NCI+ciclo+ciclo2 0,43 732,4
Para la variedad de referencia (CP 1133) el modelo elegido para estimar
rendimientos es:
86.57 218.77 1.49TCH NDWI ciclo
Para la variedad LCP 85 384: 94.12 218.77 1.49TCH NDWI ciclo
Para la variedad NA 85 1602: 85.37 218.77 1.49TCH NDWI ciclo
Para la variedad TUC 77 42: 90.38 218.77 1.49TCH NDWI ciclo
Modelación del rendimiento con información satelital
23
Figura 7. Residuos parciales del modelo de regresión lineal múltiple elegido.
IV. CONCLUSIÓN
En el presente trabajo se ha logrado una estimación de rendimiento de caña de
azúcar a partir de una función lineal que incluye a un índice de vegetación derivado de
información satelital, el NDWI, así como la duración del ciclo del cultivo y la variedad.
Como puede apreciarse existe una relación directa entre el rendimiento de caña y el
índice de vegetación estimado a partir de una imagen Landsat 5 TM. El NDWI es un
índice que refleja el contenido de agua del cultivo, por lo cual está muy asociado a las
condiciones climáticas y la humedad del suelo. Por esta razón, es importante como
próximo paso validar el modelo obtenido con datos de otras zafras y en otras condiciones
climáticas, de manera de poder estimar los errores de predicción de rendimiento del
modelo. Nuestros resultados destacan la utilidad de la información satelital y el uso d
Sistemas de Información Geográfica para contribuir a la predicción de rendimientos a
escala de Unidad de Manejo.
-0,18 -0,11 -0,04 0,03 0,10
NDWI centrado
-60
-38
-16
6
28
50
Resid
uos p
arc
iale
s R
endim
iento
Caña d
e A
zúcar
(TC
H) Título
Modelación del rendimiento con información satelital
24
V. REFERENCIAS BIBLIOGRÁFICAS
Abdel-Rahman, E. Em., y Ahmed, F. B. 2008. The aplication of remote sensing techniques
to sugarcane (Saccharum spp. hybrid) production: a review of the literature.
International Journal of RemotingSensing, 29 (13).
Aguilar, N., Galindo, G., Fortanelli, J. y Contreras, C. 2010. Índice Normalizado de
vegetación en caña de azúcar en la Huasteca Potosina. Avances en la
investigación agropecuaria. 14 (2).
Balzarini M.G., Gonzalez L., Tablada M., Casanoves F., Di Rienzo J.A., Robledo C.W.
2008. Infostat. Manual del Usuario, Editorial Brujas, Córdoba, Argentina
Di Rienzo J.A., Casanoves F., Balzarini M.G., Gonzalez L., Tablada M., Robledo C.W.
InfoStat versión 2012. Grupo InfoStat, FCA, Universidad Nacional de Córdoba,
Argentina. URL http://www.infostat.com.ar Eastman, J. R. 2009. "IDRISI Taiga".
Robson, A,; Abbott, C.; Lamb, D.; Bramley, R. Developing sugar cane yield prediction
algorithms from satellite imagery. Proc. Australian Society of Sugar Cane
Technologists. Vol 34 2012:1-11.
Romero, E.; Digonzelli, P.; Scandaliaris, J. 2009 Manual del cañero. Las Talitas. Estación
Experimental Agroindustrial Obispo Colombres. 2009.
Tucker, C. J. 1979. "Red and photographic infrared linear combinations for monitoring
vegetation." Remote Sensing of Environment 8(2): 127-150.
Modelación del rendimiento con información satelital
25
Matías Alejandro Castillo Moine es Ingeniero Agrónomo de la
UNC. Durante su inserción en la carrera participó en proyectos de
investigación en los que se destaca su interés por la protección de los
recursos naturales y el medio ambiente, trabajando con flora en áreas
serranas degradadas y análisis de actividad biológica en suelos y
enmiendas orgánicas. En docencia, se ha desempeñado como ayudante alumno en las
materias Química y Botánica Taxonómica de la carrera de grado. Además integra un
grupo de extensión universitaria que trabaja con escuelas primarias rurales.
Su interés por la estadística como ciencia aplicada nace ligado a su trabajo en la
comunidad, gracias a una experiencia de caracterización de una zona agrícola. Desde
entonces busca especializarse en el área de la estadística. Finalmente, considera que su
producción científica tiene que tener un fin social lo más inmediato posible.
Franco Ramiro Villalba, se desempeñó como ayudante alumno
de la Cátedra de Genética, participó en proyectos de investigación y
extensión vinculados al uso y preservación de plantas aromáticas y
medicinales nativas.
Correlación entre agua de suelo y sondas de medición de agua
26
Análisis de correlación de la cantidad de agua del suelo entre diferentes métodos de
medición: sondas de neutrones y sondas de capacitancia
Estefanía Álvarez, Federico Micolini y Joaquín Molina
Tutores: Mónica Balzarini y Cecilia Bruno
Se estimó la correlación existente entre dos métodos de medición del agua en el suelo:
Sonda de Capacitancia (FDR) y Sonda de Neutrones, dos tecnologías capaces de medir
en tiempo real la cantidad de agua en el suelo. El objetivo es identificar la relación
funcional entre el contenido de humedad del suelo dado por una sonda de neutrones y la
lectura de sensores de capacitancia en distintas profundidades y fechas de muestreo. Los
resultados mostraron que la sonda de capacitancia mide la dinámica del agua en el suelo
con una correlación significativa entre las lecturas realizadas, en diferentes fechas de
monitoreo, con las lecturas provistas por la sonda de neutrones en esas fecha.
Correlación entre agua de suelo y sondas de medición de agua
27
CONTENIDOS
I. Introducción
I.I Sonda de neutrones y sonda de capacitancia
II. Materiales y métodos
II.I. Descripción del ensayo
II.II Análisis estadístico descriptivo
II.III Análisis de correlación
II.IV Análisis de regresión lineal múltiple
III. Resultados y discusión
IV. Conclusión
V. Referencias bibliográficas
Correlación entre agua de suelo y sondas de medición de agua
28
I. INTRODUCCIÓN
El agua y la gestión de la misma han sido un factor esencial para elevar la
productividad en la agricultura y asegurar una producción previsible de los cultivos (Pinter
et al., 2003). La eficiencia en la utilización del agua para la agricultura será fundamental
para afrontar situaciones de escasez de agua, en este sentido mejorar la productividad del
agua, significa obtener la mayor cantidad de producción en los cultivos por volumen de
agua. Operativizar esta estrategia requiere decidir el momento de riego y el volumen de
agua a aplicar, es decir, requiere la programación o conducción del riego. Un buen
manejo de irrigación se basa en optimizar la distribución espacial y temporal del agua
aplicada con el objetivo de incrementar la producción y calidad de los cultivos y en
consecuencia obtener el máximo retorno económico (Hedley y Yule, 2009).
Por eso se planteó en el siguiente trabajo realizar un estudio sobre la correlación
existente entre dos métodos de medición del agua, para poder solucionar uno de los
problemas recién mencionados, la interpretación y medición directa de humedad de suelo
utilizando tecnología de sondas de capacitancia. Los métodos elegidos son, como recién
mencionamos, la sonda de capacitancia y la sonda de neutrones. La elección de ambos
constó en que la sonda de capacitancia es un instrumento muy práctico a la hora de
llevarlo a campo por lo que es una tecnología con mucho futuro, pero las que se
encuentran en el mercado no permiten conocer la cantidad de agua de riego a aplicar,
sino que solo conocer cuando regar. Por lo que se busca, correlacionándola con la sonda
de neutrones, conocer cantidad de agua del suelo. Se lo correlacionó con la sonda de
neutrones debido a que estudios muestran que son las que miden con mayor exactitud
cantidad de agua de suelo por lo que permitió calibrarlos, pero su principio de
funcionamiento no lo hace práctico para aplicaciones a campo debido a que son
radioactivos, pudiendo ser dañino para el operario.
I.I. SONDA DE NEUTRONES Y SONDA DE CAPACITANCIA
La aplicación de nuevas tecnologías en las prácticas agropecuarias como el uso
de sensores permiten monitorear permanentemente el estado hídrico de los cultivos y el
nivel de humedad de los suelos; éstos envían la información a un ordenador que
almacena la misma, la procesa e indica al equipo de riego cuándo regar cada sector del
lote durante un tiempo acotado según el caudal. Estas tecnologías persiguen alcanzar la
respuesta óptima de los cultivos, ahorrando agua, energía y conservando el ambiente
Correlación entre agua de suelo y sondas de medición de agua
29
(Marks, 2010). Para la medición de la humedad en campo se han desarrollado diferentes
métodos de medición indirecta, de los cuales el método de dispersión de neutrones es el
más conocido por su exactitud en la medición del contenido de humedad del suelo, pero
tiene la desventaja de ser radiactivo, resultando de difícil manipulación. La sonda de
neutrones opera con el principio de la termalización nuclear. Los neutrones emitidos a
gran velocidad por una fuente radioactiva, al chocar con iones hidrógeno de similar masa
que se encuentran en el suelo pierden energía cinética y se convierten en neutrones
lentos, proceso conocido como “termalización”. Estos neutrones termalizados son
detectados por un sensor que sólo reconoce los neutrones lentos y contabiliza los mismos
durante un periodo de tiempo pre-determinado; dicha lectura es proporcional al contenido
de hidrógeno del suelo. En el suelo, la mayor fuente de hidrógeno es el agua, por ello hay
una estrecha relación entre la lectura de la sonda y el contenido de humedad del suelo.
Sin embargo, el agua no es la única fuente de hidrógeno, especialmente en los suelos con
un alto contenido de materia orgánica. La lectura también es afectada por altas
concentraciones de Cl, B, Fe, Cd, Li y Mo. Por ello, la sonda debe ser calibrada para cada
suelo. El radio de influencia de la sonda es inversamente proporcional al contenido de
agua en el suelo. En suelos húmedos la esfera de influencia es de 10 cm de diámetro
mientras que en suelos secos es de hasta 50 cm.
En los últimos años, han sido desarrolladas otras técnicas para la determinación
de la humedad del suelo basada en la constante dieléctrica. La constante dieléctrica de un
material es una medida de la capacidad (o permeabilidad eléctrica) de un material no
conductor de transmitir ondas o pulsos electromagnéticos de alta frecuencia. Así, la
constante dieléctrica de un suelo seco varía entre 2 y 5, mientras que la constante
dieléctrica de agua es de 80. Cambios relativamente pequeños en la cantidad del agua
libre en el suelo tienen grandes efectos sobre las propiedades electromagnéticas del
medio suelo-agua. Por lo anterior, la medida de la constante dieléctrica del medio suelo-
agua es una medida sensible del contenido de agua del suelo. En la reflectometría en el
dominio de las frecuencias (FDR), también conocido como sonda de capacitancia, los
electrodos y el suelo adyacente forman un condensador cuya capacidad es función de la
constante dieléctrica del suelo que se relaciona empíricamente con el contenido
volumétrico de agua. Las sondas de capacitancia son equipos fijos que permanecen en el
campo dentro de tubos de acceso de PVC que son herméticamente sellados. Admiten
varios sensores a diferentes profundidades, con una separación mínima de 10 cm entre
ellos. Los datos son registrados a intervalos de tiempo pre-fijados y se almacenan en un
Correlación entre agua de suelo y sondas de medición de agua
30
datalogger para luego ser transferidos a un procesador de datos. El volumen de suelo
medido no depende del tipo de suelo o del contenido de agua y se aproxima a un cilindro
de 10 cm de alto con un diámetro de aproximadamente 25 cm, asumiendo que no hay
espacios con aire. Este tipo de sondas es recomendado en el caso de monitoreo continuo
de la humedad del suelo, cuando se quieren conocer los patrones de consumo de los
cultivos o conocer la dinámica del agua en el suelo. El instrumento puede indicar el
momento de riego pero no provee de manera directa la cantidad de agua medida. Debido
a la practicidad del instrumento para ser usado en el campo, el objetivo de este trabajo es
identificar la relación funcional entre el contenido de humedad de suelo dado por una
sonda de neutrones y lecturas de capacitancia para estimar humedad en distintas
profundidades y fechas de muestreo.
II. MATERIALES Y MÉTODOS
II.I. DESCRIPCIÓN DEL ENSAYO
En un lote sembrado con trigo de ciclo intermedio largo, en la Estación
Experimental Agrícola de INTA Manfredi, Córdoba, bajo riego con pivote central, se
establecieron 6 estaciones de muestreo durante la campaña 2010. En cada estación de
muestreo se instaló una sonda de neutrones y una sonda de capacitancia. Las lecturas de
las mismas se realizaron desde la siembra del cultivo (1/06/2010) hasta cosecha
(6/12/2010). Las estaciones de muestreo se encontraban separadas a una distancia de 50
m. La sonda de capacitancia, realizó mediciones cada 3 minutos, guardando el promedio
de 5 mediciones, i.e., se contó con información cada 15 minutos durante los 6 meses del
cultivo. Con la sonda de neutrones, realizaron mediciones cada 15 días,
aproximadamente. Se pre-procesó la información promediando las lecturas de cada
método cada 15 días, durante 6 meses, resultando 8 fechas de medición. Además de las
mediciones de humedad del suelo realizada en el tiempo, se realizaron mediciones de
profundidad, ya que cada sonda contaba con sensores cada 10 cm hasta los 150 cm de
profundidad.
Correlación entre agua de suelo y sondas de medición de agua
31
Figura 1. Croquis del Ensayo con los seis puntos donde se ubicaron las sondas de neutrones y se realizaron mediciones con la sonda de capacitancia y por el método gravimétrico.
II.II. ANÁLISIS ESTADÍSTICO
Se realizó un análisis exploratorio de los datos para cada método de medición
(sonda de neutrones y sonda de capacitancia). Para ello, se realizaron gráficos de
dispersión para cada punto de muestreo a través de las 8 fechas visualizando el
comportamiento del agua en las diferentes profundidades medidas. Se categorizaron las
profundidades en tres: de 0 a 50cm de profundidad, de 50 a 100cm y de 100 a 150cm.
Para cada una de estas categorías, se analizó la variación de la cantidad de agua en el
perfil según cada una de las sondas, a través del ciclo del cultivo (medido en días
julianos).
Se realizó una prueba de Mantel (Mantel, 1967) para evaluar la correlación entre
los dos métodos de medición de agua. El estadístico Z de Mantel calcula la
correspondencia entre dos matrices de distancia. Las correlaciones fueron realizadas para
cada uno de los 6 puntos. La métrica utilizada para estimar las matrices de distancia fue la
distancia Euclídea. Se evaluaron las correlaciones entre las distintas categorías de
profundidades en cada una de las fechas. También se estimaron las correlaciones entre
los métodos según las categorías de profundidad para cada fecha.
Correlación entre agua de suelo y sondas de medición de agua
32
Se ajustó un modelo de regresión lineal múltiple de la cantidad de agua medida
por la sonda de neutrones en función de los valores medidos por la sonda de
capacitancia, las profundidades, las fechas (en días julianos).
Previo a ajustar el modelo de regresión, para cada método, se realizó un análisis
de la varianza teniendo en cuenta el efecto de los factores profundidad y fechas, también
se evaluó en este modelo el efecto de la interacción profundidad×fecha. En ambos
métodos la interacción entre las profundidad y la fecha no fue significativa, i.e., las
diferencias observadas en la cantidad de agua fueron iguales a través de las distintas
fechas. Debido a este resultado, en el análisis de regresión se utilizó la profundidad y la
fecha.
III. RESULTADOS Y DISCUSIÓN
Los perfiles de humedad medidos por los dos métodos en diferentes fechas para
cada uno de las seis estaciones de muestreo mostraron patrones diferentes. En la Figura
1 se muestra el perfil de humedad del suelo para una estación de muestreo, en las otras
estaciones de muestreo se observaron diferencias similares. La variación temporal del
contenido de humedad del suelo presentó igual patrón en las distintas profundidades
(Figura 2). Por último se comparan los perfiles de humedad medidos por los dos métodos,
en diferentes fechas seleccionadas del ensayo, uno para cada uno de los seis puntos.
(Figura 3)
Correlación entre agua de suelo y sondas de medición de agua
33
Figura 2. Perfiles del contenido de humedad del suelo para cada profundidad en ocho fechas de monitoreo. Valores obtenidos con sonda de capacitancia, expresada en mm de agua (arriba) y con sonda de neutrones, expresada en frecuencia escalar del dominio de la reflectometría (abajo).
Correlación entre agua de suelo y sondas de medición de agua
34
Figura 3. Perfiles del comportamiento de las mediciones obtenidas a través de la sonda de neutrones (cuadrado rojo), expresada en mm y de la sonda de capacitancia (círculo azul), expresada en frecuencia mhz, para cada una de las profundidades evaluadas, en la fecha de muestreo 19/07/2010, en cada uno de los puntos de muestreo. Arriba –izquierda: Punto 1, arriba-derecha: Punto 2, centro-izquierda: Punto 3, centro-derecha: Punto 4, abajo-izquierda: Punto 5, abajo-derecha: Punto 6.
Correlación entre agua de suelo y sondas de medición de agua
35
Se ajustó un modelo para evaluar el efecto de las fechas de medición, de la
profundidad y de la interacción entre ambos factores. También se consideró en el modelo
el efecto del punto de muestreo. Tanto para los datos provenientes de sonda de
neutrones como para sonda de capacitancia no se encontró una interacción significativa
de la fecha de medición y la profundidad a la cual se realizaron las mediciones (p>0.005),
esto indica que la cantidad de agua medida para una fecha determinada es independiente
de la profundidad a la cual ésta sea medida. Pero si hubo diferencias estadísticamente
significativas, con ambos métodos de medición, en las diferentes fechas y a distintas
profundidades (p≤0.05). Los análisis fueron realizados con el programa estadístico
InfoStat (Di Rienzo et al., 2013).
El análisis de correlación relacionando las medias del contenido de humedad de
los dos métodos de medición para tres rangos de profundidad (0-50cm, 50-100cm y 100-
150cm) a través de las fechas del ensayo mostró correlaciones estadísticamente
significativas (p<0.05). Mientras que la correlación de las mediciones a distintas
profundidades dada por ambos métodos no fueron estadísticamente significativas
(p>0.05). Se observó una relación estadísticamente significativa entre el contenido de
humedad del suelo medido con la sonda de neutrones (mm de agua) y con la sonda de
capacitancia, expresado en frecuencia escalar del dominio de la reflectometría (FE)
(Figura 3).
Correlación entre agua de suelo y sondas de medición de agua
36
Figura 4. Gráfico de dispersión de las lecturas del contenido de humedad del suelo, realizadas con la sonda de capacitancia, expresadas en frecuencia escalar del dominio de la reflectometría (FE) y con la sonda de neutrones, expresadas en mm de agua en el suelo.
El modelo ajustado controlando por la diferencia de lecturas en profundidad y
fechas de monitoreo, que se dan en ambos métodos, fue el provisto en la ecuación 1 con
un R2 de 0.75.
SCY = 19.84 + 0.21 - 0.02P- 0.05FMCH
donde, Y es el contenido de humedad del suelo estimado, expresado en mm de
agua SCCHson los valores de contenido de humedad de suelo obtenidos a partir de las
lecturas de la sonda de capacitancia, expresados en frecuencia scalar del dominio de la
reflectometría (FE) P indica las diferentes profundidades FM representan las fechas de
monitoreo, expresadas en días julianos. La validación de la función presentó errores del
10% en la mayoría de nuevos casos, por lo cual el modelo fue considerado aceptable.
-14,64 -10,85 -7,05 -3,26 0,54 4,33 8,13 11,92 15,71
S Capac
11,60
14,08
16,57
19,06
21,55
24,04
26,53
29,02
31,50
S N
eu
tro
Correlación entre agua de suelo y sondas de medición de agua
37
IV. CONCLUSIÓN
Gracias al siguiente trabajo, podemos concluir que realmente se comprobó
estadísticamente que la sonda de capacitancia mide la dinámica del agua en el suelo,
siguiendo en el tiempo el comportamiento de las sondas de neutrones. No siendo así en
las distintas profundidades debido, probablemente, a un problema técnico (los diferentes
sensores de la sonda toman diferentes datos a igual cantidad de agua).
Si bien se ve el error, el mismo se mantiene constante en el tiempo, permitiendo
a futuro realizar un procesamiento de los datos obtenidos para poder calibrar la sonda.
Cabe destacar que se confirmó que es necesario tener en consideración para que
el modelo fuera aceptable, la correlación que presenta la medición de las sondas de
capacitancia, teniendo en cuenta las variables tiempo (representando el clima, el avance
del estado fenológico) y la profundidad.
La validación de la función presentó errores del 10% en la mayoría de los casos,
por lo cual fue considerado aceptable. Si bien cabe destacar que no fueron suficientes los
datos para poder determinar con exactitud la confiabilidad de la misma.
V. REFERENCIAS BIBLIOGRÁFICAS
Hedley, C.B., Yule, I.J: A method for spatial prediction of daily soil water status for precise
irrigation scheduling. Agricultural Water Management 96:1737-1745 (2009).
Marks, G: Precision Irrigation: A Method to Save Water and Energy While Increasing Crop
Yield, a Targeted Approach for California Agriculture (2010)
Pinter, P.J, Hatfield J.L., Schepers J.S., Barnes E.M., Moran, M.S: Remote Sensing for
Crop Management. Photogrammetric Engineering & Remote Sensing Vol. 69, No.
6, pp. 647–664 (2003).
Índice de selección en angus
38
Determinación de un índice de selección para el carácter peso al nacimiento y peso al
destete de reproductores pertenecientes a la cabaña Angus de la FCA - UNC
Ignacio Dell`Orsi, Ramiro Gasparotto y Fernando Marengo
Tutores área estadística: Mónica Balzarini y Fernando Aguate
Tutor área Sistemas de Producción Pecuario: Marcelo Bianchi
.
Índice de selección en angus
39
CONTENIDOS
I. Introducción
I.I Tipo y conformación ideal para ganado de carne
I.II Importancia del Angus en la Argentina
I.III Características generales de la raza Angus
I.IV Características morfológicas de la raza Angus
I.V. Caracterización geográfica de la cabaña Angus
I.VI Situación climática del arco noroeste de la Provincia de
Córdoba
I.VII Situación productiva del arco noroeste de la Provincia
de Córdoba
I.VIII Características productivas de estudio
II. Materiales y Métodos
II.I. Descripción de la información
III. Resultados y discusiones
III.I. Análisis comparativo entre el promedio nacional de
angus puros controlados con la cabaña de la FCA – UNC
IV. Conclusión
V. Referencias Bibliográficas
Índice de selección en angus
40
I. INTRODUCCIÓN
De la población de bovinos del mundo, el 65% se encuentra en países en vía
de desarrollo mientras, que el 35% restante se encuentra en países desarrollados. En
contraste con estos datos, el último grupo de países produce el 83% del total de la
leche y alrededor del 70 % del total de la carne. (Ossa et al, 1998). Por su parte,
Argentina cuenta con alrededor de 48 millones de cabezas de ganado, de las cuales
45 millones se destinan a la producción carne, originando un total de 2.500.000
toneladas anuales, lo que representa un 5% del total de la producción mundial. El
consumo de carne es alrededor de 48 kg/ habitante/ año.
A nivel provincial, Córdoba produce alrededor de 220.000 toneladas de carne
vacuna anualmente, lo que representa un 9% del total de la producción nacional.
(MAGyP ,2013). El noroeste de Córdoba está comprendido por los departamentos
Ischilìn, Rio Seco, Tulúmba, Cruz del Eje, Minas y Sobremonte, con una superficie
aproximada de 2.100.000 has, de las cuales el 90% son de uso exclusivamente
ganadero, con un stock aproximado de 700.000 cabezas (20% del total del stock
ganadero de la provincia), lo que representa a nivel provincial una de las zonas más
importantes desde el punto de vista productivo (SENASA, 2013). Esta región es el
lugar de influencia de la cabaña AnGus de la Facultad de Ciencias Agropecuarias de
la Universidad Nacional de Córdoba, Argentina
Cuando se utiliza un índice para la selección entre varias características, casi
siempre las que se consideran no son de igual importancia económica, ya que se
necesita algún balance diferencial de acuerdo con el ingreso neto que se espera a
partir de cada unidad de mejoramiento de cada carácter. Además, no todos tienen la
misma heredabilidad, y no se puede esperar que la misma intensidad de selección dé
el mismo resultado proporcional de cada carácter; y que pueden existir interrelaciones
fenotípicas y genéticas entre los caracteres, donde mucha importancia en uno puede
afectar el cambio en otro y dichas interrelaciones se deben considerar en forma
apropiada (Garcés y Vargas 1996). Los elementos básicos para la construcción de
índice de selección son los estimados de heredabilidad de los caracteres involucrados,
las covarianzas fenotípicas y genética entre estos y el valor económico para cada uno
de ellos (Cardellino y Rovira 1987).
Además a través del índice de selección, se determinan por separado el valor
para cada uno de los caracteres a seleccionar, y la suma de estos valores da la
puntuación o índice total para todos los caracteres. Los animales con índice total más
alto son conservados como reproductores (Quijano y Villa 1978). La influencia de cada
Índice de selección en angus
41
carácter sobre el índice final está determinada por el valor o la importancia que se le
da a ese carácter en relación con los demás (Lasley 1970).
El objetivo principal de este trabajo, es estimar un índice de selección para el
peso al nacimiento y al destete en ganado bovino de la raza AnGus en la Cabaña de la
Facultad de Ciencias Agropecuarias de de la UNC. Como objetivos específicos, se
procederá a la comparación de nuestro índice con el método BLUP y de esta manera
darle mayor confiabilidad y veracidad. También, se comparara la media de las
variables de los animales seleccionados en la cabaña con la media de las variables de
la raza AnGus, para saber, en qué situación se encuentra la cabaña AnGus de la FCA
- UNC.
I.I. TIPO Y CONFORMACIÓN IDEAL PARA GANADO DE CARNE.
Las características ideales que debe poseer un animalpara sistemas de
producción de carne son:
Anatómicas: tamaño mediano, macizo y con buen desarrollo en la parte superior del
cuerpo (largo y amplio de lomo), cuartos posteriores largos, amplios y profundos
Buen desarrollo del cuarto anterior, con buena proporcionalidad entre cabeza, cuello y
abdomen. Suavidad y uniformidad de contorno (poco barril y poca cinchera), y una
adecuada cobertura de grasa. Pelo corto, fino, brillante, piel delgada, suelta, hueso
fino y fuerte.
Fisiológicas: Buena adaptación al medio ambiente, o sea animal termorregulador
tener capacidad para consumir una considerable cantidad de alimento, superior a la
indispensable para su sostenimiento en cualquier estado fisiológico. Buena capacidad
de transformación de los alimentos para producir la mayor cantidad de carne.
Índice de selección en angus
42
I.II. IMPORTANCIA DEL ANGUS EN LA ARGENTINA.
Todos aquellos que están vinculados con el negocio pecuario de nuestro país,
quienes recorren sus principales zonas ganaderas o concurren a los remates de
haciendas de cría, invernada o consumo, perciben y pueden confirmar sin lugar a
dudas que AnGus es la raza mayoritaria del rodeo bovino nacional.
Sin embargo, dado que las estadísticas oficiales no ofrecen ninguna
información sobre la composición racial del stock vacuno, la Asociación Argentina de
AnGus, a través de su Comisión Juvenil “AnGus XXI“, realizo trabajos que permiten
asegurar que más de la mitad de la población bovina del país es AnGus; si se tienen
en cuenta las cruzas AnGus en distintas proporciones, la “influencia AnGus” en la
ganadería argentina supera el 70% del total de cabezas.
Uno de ellos consiste en un relevamiento de los ingresos al Mercado de Liniers,
sobre la base de un recuento que ya supera las 200.000 cabezas de las distintas
categorías que concurren a esa plaza, el que arrojó los siguientes resultados: más del
50% son AnGus (puros y “mestizos”), y considerando las distintas cruzas, la “influencia
AnGus” superó el 70%. Un segundo estudio tuvo como objeto evaluar la magnitud y
composición racial de la oferta de reproductores, este relevamiento, repetido dos años,
mostró que el 55%/57% de los reproductores ofrecidos correspondió a animales
AnGus puros.
Si bien en ambos casos debe tenerse en cuenta las áreas de influencia de las
respectivas fuentes de información (fuera de las cuales seguramente los resultados
serían diferentes), ambos trabajos pueden ser considerados como una buena muestra,
representativa de la zona ganadera de la Pampa Húmeda, que concentra más del 70%
de la población bovina nacional. Estos resultados, que son coincidentes al momento
de posicionar la raza AnGus en el mapa ganadero de nuestro país, aun tratándose de
categorías tan diferentes (hacienda terminada y reproductores), dicen a las claras que
la influencia de la raza en el stock bovino argentino es ampliamente mayoritaria.
Esta realidad responde a las preferencias de los productores y consumidores
que han elegido al AnGus como una herramienta productiva y necesaria para
sustentar un negocio ganadero altamente eficiente y rentable.
Índice de selección en angus
43
I.III. CARACTERÍSTICAS GENERALES DE LA RAZA ANGUS.
El ganado bovino Angus es una raza originaria de Inglaterra, muy popular en el
continente americano, principalmente en los Estados Unidos, Canadá y Argentina. No
presentan cuernos (mochos). Pelaje negro o colorado abayado. Este último es
recesivo, por lo cual se pueden seleccionar rodeos en pureza de color colorado,
mientras que de un rodeo negro siempre puede nacer algún ternero colorado.
Mucosas negras o gris oscuro en el A.A. negro y rosadas en el A.A. colorado.
Pelos blancos y piel clara sólo es admitido por detrás del ombligo en las
hembras y del área prepucio en los machos; sólo puede abarcar el cuello del escroto y
no debe pasar la verija hacia los costados. La ubre puede tener manchas blancas
abarcando sólo superficies parciales de la misma. Los lunares moros con base de piel
negra y mezcla de pelos blancos y negros son aceptados. Pueden aceptarse algunos
pelos blancos en el penacho de la cola.
La producción de leche es intermedia entre la Shorthorn y la Hereford.
Es la raza que menos problemas de parto tiene, ya que su ternero es de muy
bajo peso al nacer, que compensa hasta el destete con un buen crecimiento diario.
Esto la hace la raza ideal para zonas de monte o sierra, donde las vacas en parición
no se pueden observar dos veces por día. Por esta misma razón, se emplea en
cruzamientos, sobre todo en primer servicio, para disminuir los problemas al parto en
vaquillonas. Es la más rústica de las tres razas británicas. Su carne posee un buen
veteado. La grasa tiene una mayor cantidad de caroteno, lo que la hace más
amarillenta que la de las otras británicas.
La carne de AnGus es muy apreciada por su color, jugosidad, textura, suavidad
y sabor, que se reconoce en todo el mundo. El peso de terminación de estos es entre
200 – 220 kg a 400 – 440 kg.
Índice de selección en angus
44
I.IV. CARACTERÍSTICAS MORFOLÓGICAS DE LA RAZA ANGUS.
Ilustración 1. Descripción elaborada por la Comisión Técnica de la Asociación Argentina de Angus.
1. ASPECTO GENERAL
El Angus es una raza productora de carne, reconocida por su precocidad
reproductiva, facilidad de parto, aptitud materna y longevidad. Los ejemplares de la
raza deben poseer buenas masas musculares y producir carne de buena calidad
Deben ser voluminosos, de buena profundidad y con un buen balance o armonía de
conjunto. Sus formas deben ser suaves, de contornos redondeados, con facilidad de
terminación y sin acumulaciones excesivas de grasa. El temperamento debe ser
activo, pero no agresivo, y ágil en sus desplazamientos, demostrando aplomos
correctos y articulaciones fuertes. La piel debe ser medianamente fina, elástica,
cubierta de un pelaje suave, corto y tupido de color negro o colorado. De tamaño
intermedio lo que le da equilibrio, funcionalidad y facilidad de terminación a pasto, así
como también le permite ser muy eficiente en engorde a corral.
Índice de selección en angus
45
2. MASAS MUSCULARES
La musculatura debe ser suficientemente desarrollada y adecuada; su volumen
muscular no debe ser excesivo para no afectar la fertilidad en las hembras, una de las
principales características de la raza. Al decir masas musculares, significa que cuando
se observa un animal terminado, se observe un conjunto de músculos indiferenciados
formando su cuarto, su lomo, etc., sin notarse excesiva diferenciación intermuscular. El
lomo debe ser bien ancho (buen ojo de bife) y los cuartos largos, con músculos bien
descendidos hacia los garrones. En las hembras, las masas musculares de la paleta
no deben ser prominentes y los cuartos musculosos, pero en su expresión justa, es
decir no excesiva para no desmerecer su función reproductiva.
3. APLOMOS
La corrección de sus aplomos es esencial para su funcionalidad. Nuestro
sistema pastoril exige grandes desplazamientos. Teniendo en cuenta que la cría está
ubicada en zonas de restringida oferta forrajera, de baja receptibilidad ganadera o en
campos extensos, el buen desplazamiento es indispensable.
4. PROFUNDIDAD CORPORAL
La raza debe tener como biotipo una buena profundidad corporal, dada por el
largo y buen arco costal, permitiéndole una mayor capacidad ruminal. La buena
capacidad ruminal le permite incorporar importante cantidad de pasto que luego lo
utilizará en su engorde o, en el caso de las madres, para optimizar su eficiencia
reproductiva y producción lechera.
5. EXPRESIÓN
En el macho, la expresión de masculinidad está ligada al buen tamaño de sus
testículos, fuerte masa muscular a nivel del cogote y peleche bien temprano. En la
hembra, la expresión debe ser de gran femineidad, de cabeza pequeña y cogote
suave bien insertado al cuerpo.
6. CABEZA
En las hembras debe ser chica y afinada y con orejas medianas levemente
inclinadas hacia arriba y con buena pilosidad. La del macho debe ser con morro fuerte
y buena expresión en las mandíbulas. El ancho debe ser orientativamente dos tercios
respecto del largo, más redondeada y ancha que la de la hembra y con orejas más
chicas. En ambos, mocha y con poll bien marcado.
Índice de selección en angus
46
7. COGOTE
En la hembra, de buen largo y fino y con suave inserción en la cabeza y
cuerpo, mientras que en el macho, más ancho y con mayor prominencia superior
(testuz).
8. CUERPO
Bien profundo, con gran arco costal, largo y con lomo ancho.
9. CADERA
En las hembras, ancha y con buena apertura de isquiones (canal de parto). En
el macho, sólida y plana a nivel del cuadril. Para ambos, sin polizones en la inserción
de la cola.
10. PECHO
Tanto en machos como en hembras se acepta cierta adiposidad no excesiva.
Este leve engrasamiento está ligado a una mejor funcionalidad.
11. CUARTOS Y NALGAS
Anchos, profundos, de musculatura sólida no exagerada (sobre todo en las
hembras), largos y lo más descendidos posibles a nivel de la babilla (tercio distal).
12. GARRONES
Sólidos, netos y bien angulados. En el macho, además, fuertes.
13. PATAS
Medianas, con hueso fuerte, bien aplomadas y separadas indican buena
aptitud carnicera.
14. PALETAS
Con tendencia a paralelas y no angulosas (vistas de arriba), indicando buen
ancho de lomo. La musculatura exterior debe ser sólida, no exagerada, de lo contrario
comprometería su facilidad de parto.
15. MANOS
Medianas, bien aplomadas.
Índice de selección en angus
47
16. PIEL
De espesor fino, y pelo suave y corto.
17. TESTÍCULOS
Bien descendidos y sin exceso de grasa escrotal. En cuanto a las medidas, ver
tabla "Niveles orientativos de circunferencia escrotal".
18. UBRE
De tamaño intermedio, no excesivamente cubierta de pelos, correctamente
conformada e implantada, con cuartos bien desarrollados y simétricos y con pezones
finos de tamaño medio.
Tabla 1. Niveles orientativos de circunferencia escrotal.
Categoría en P.P.
Edad en meses
C.E. Mínima
Categoría en P.C.
Ternero Menor Hasta 11 meses
Ternero Mayor 12 – 14 meses 32 cm
Junior 15 – 19 meses 34 cm Diente de Leche (18 – 20 meses)
Dos Años Menor 20 – 23 meses 35 cm Dos Dientes (aprox. 24 meses)
Dos Años Mayor 24 – 29 meses 36 cm Cuatro Dientes (aprox. 30 meses)
Sénior 30 ó más meses 38 cm Seis Dientes (aprox. 36 meses)
Índice de selección en angus
48
I.V. CARACTERIZACIÓN GEOGRÁFICA DE LA CABAÑA ANGUS.
El trabajo se realizó en la Cabaña Angus de la Facultad de Ciencias
Agropecuarias de la Universidad Nacional de Córdoba, ubicada en el departamento
Rio Primero, Pedanía Capilla de los Remedios, camino a Capilla de los Remedios a
tres kilómetros de la autopista Córdoba-Pilar. Córdoba, Argentina. El campo escuela
de la FCA de la UNC (Ilustración 2), cuenta con 570 has, del total, 249 has
corresponden al sistema de la cabaña variando año a año según el plan de rotación,
los requerimientos nutricionales de los animales y las condiciones ambientales
pronosticadas.
Provincia de Córdoba, Departamento Rio Primero. Pedanía Capilla de los Remedios.
Ilustración 2. Ubicación del Campo Escuela – Cabaña AnGus FCA, UNC.
Latitud: 31°27´37” S
Longitud: 64°00´26”
Altitud: 370m.s.n.m.
Índice de selección en angus
49
I.VI. SITUACIÓN CLIMÁTICA DEL ARCO NOROESTE DE LA
PROVINCIA DE CÓRDOBA.
Desde el punto de vista climático, la zona noroeste de la provincia de Córdoba
pertenece al Dominio semi -seco, con tendencia al semi-húmedo, con gran déficit de
agua (200 a 500 mm), sin invierno térmico de la llanura (tipo Quilino). El verano
térmico, de estación con temperaturas superiores a 20 ºC se inicia entre el 20 de
octubre y el 20 de noviembre y termina entre el 25 de marzo y el 10 de abril.
- Temperatura máxima media anual: 25 ºC.
- Temperatura mínima media anual: 10 y 11 ºC.
- Temperatura media anual: 17 y 18 ºC.
Las precipitaciones medias anuales del NO de la provincia de Córdoba oscilan
entre los 500 y 800 mm., La evapotranspiración potencial se encuentra entre los 800 y
900 mm. anuales, aumentando de Sur a Norte. El déficit medio anual de agua es entre
200 mm y 500 mm anuales.
La fecha del comienzo de heladas: en la porción occidental de la zona, las
heladas comienzan durante la primera quincena de mayo, mientras que en el resto del
territorio regional lo hacen durante la segunda quincena del mismo mes. La fecha de
finalización de heladas: primera quincena de septiembre.
Índice de selección en angus
50
I.VII. SITUACIÓN PRODUCTIVA DEL ARCO NOROESTE DE LA
PROVINCIA DE CÓRDOBA.
Ilustración 3. Zonas Agroeconómicas Homogéneas (ZAH) de la Provincia de Córdoba. Fuente: Ghida Deza et al. (2009).
Tabla 2. Clasificación de los establecimientos por cantidad de cabezas del noreste de la provincia de Córdoba:
Índice de selección en angus
51
El sector productivo ganadero argentino, presenta características particulares,
ya que más del 80% de los productores poseen menos de 250 cabezas,
representando el 23% de las existencias totales, reflejando la importancia de los
pequeños y medianos productores en el sector.
El SENASA indica que existen registrados alrededor de 21 mil establecimientos
de los cuales un 69% representa a la actividad de cría y cría conjunta con invernada.
I.VIII. CARACTERÍSTICAS PRODUCTIVAS DE ESTUDIO.
El peso al nacimiento indica la capacidad de la vaca de parir hijos de cierto
tamaño sin problemas de parto distócico. Refleja además el manejo alimenticio dado a
la vaca en el último tercio de la gestación, periodo en el cual las hembras demandan
mayor cantidad de nutrientes, que conducen a un buen desarrollo del ternero (Ossa y
Perez, 2002). El peso al nacimiento (h²= 0,30-0,40) es uno de los componentes de
mayor importancia para evaluar la facilidad de parto y está positivamente
correlacionado con el Peso al Destete (h2= 0.57), con el peso al año y con el peso al
final. Es decir, que en general, seleccionar por bajo peso al nacer va en detrimento del
peso al destete y final. Es un indicador del tamaño y vigor del ternero al iniciar su
desarrollo postnatal. Terneros más grandes tienen mayor capacidad para lactar,
tienden a mantener la persistencia de la lactancia de la madre y a obtener un mayor
peso al destete. No son deseables aumentos ilimitados de peso al nacimiento dado
que mientras más grandes sean los terneros al nacer, mayores son las dificultades del
parto. Esta característica ha mostrado en algunos estudios tener una relación directa
con los pesos posteriores alcanzados por los animales.
Es importante considerar, y teniendo en cuenta lo antes mencionado que, la
raza AnGus es la que menos problemas de parto tiene, ya que su ternero es de muy
bajo peso al nacer, que compensa hasta el destete con un buen crecimiento diario.
El peso al nacimiento promedio de los terneros machos de padres puros
controlados en Argentina, según el resumen de padres AnGus 2012 es de 35,2 Kg,
mientras que el de las hembras es de 33,7 Kg.
El peso al destete indica la producción de leche de la vaca, su habilidad en
criar terneros y en menor escala, las diferencias en las capacidades de desarrollo de
los terneros (Ossa y Perez, 2002). El peso al destete es uno de los factores más
importantes en la producción de un establecimiento ganadero. Es importante ya que
representa los kg producidos por la vaca en ese año, esta característica depende
principalmente de la producción de leche de la vaca, y en menor grado, de la habilidad
Índice de selección en angus
52
de la cría para ganar peso de una manera rápida y eficiente. La h2 del peso al destete
en ganado de carne es del 0,30 al 0,35. Por otro lado, es repetible del 0,40 al 0,45, lo
que quiere decir que el peso al destete del primer ternero de una vaca es un buen
indicador del peso al destete de los terneros de los siguientes años. El hecho de que
los valores de repetitividad sean mayores que los valores de heredabilidad indica que
la influencia de la vaca es muy importante en el peso al destete. Esta influencia es
ambiental y genética. A su vez, pueden ser utilizados para evaluar la capacidad
lechera, la habilidad materna de las vacas, y la habilidad de crecimiento de los
terneros. El peso al destete de los terneros machos de padres puros controlados en
Argentina, según el resumen de padres AnGus 2012 es de 217 Kg, y para las hembras
196 Kg.
La selección es un conjunto de procesos mediante los cuales ciertos individuos
en una determinada población son elegidos para ser reproductores de la siguiente
generación, en tal sentido, la selección implica reproducir los animales en forma
diferencial, multiplicando a los superiores genéticamente y descartando aquellos de
bajo valor genético. Existen diferentes métodos de selección para obtener un mayor
progreso genético para varias características, ellos son: El tándem, niveles
independientes de descarte y el índice de selección, siendo este último el elegido para
realizar nuestro trabajo. Los objetivos de la selección es la elección de características
o rasgos biológicos que queremos mejorar genéticamente, debido a su importancia
económica, es decir la incidencia sobre los ingresos y/o costos del sistema de
producción en cuestión. Por eso, la selección de los reproductores a utilizar como
padres es una de las más importantes decisiones de manejo que tiene el productor,
permitiéndole seleccionar aquellos animales acordes a sus propios objetivos, su medio
ambiente, su sistema de producción, e ir logrando avances genéticos que son
acumulativos dentro del rodeo.
Estas decisiones corresponden a las etapas del proceso de mejoramiento
genético, las cuales involucran a varios participantes. El propio criador es responsable
en gran parte ya que será quien deberá definir objetivos de selección así como
registrar todos los procesos de producción, y será quien deba seleccionar los
reproductores utilizando información objetiva aportada por las instituciones de
investigación encargadas de generar evaluaciones genéticas. Una vez identificados y
seleccionados aquellos animales que poseen mejores méritos genéticos de acuerdo a
sus objetivos planteados, éstos deberán ser utilizados en la población para que la
mejora genética se incorpore a sus rodeos. Se podría decir que este proceso es
continúo en la medida que todos los años el productor deberá registrar todos los
eventos productivos, así como tomar decisiones de selección dentro de su rodeo. En
Índice de selección en angus
53
la medida que se genere nueva información de registros de producción y genealogía
las evaluaciones genéticas serán cada vez más robustas lo que le permitirán al
productor tomar estas decisiones de selección en función de medidas objetivas que le
aseguren el progreso genético para los objetivos propuestos. Los pasos en una
definición formal de los objetivos de selección se enumeran a continuación:
1. Establecer el sistema de cría, producción y comercialización;
2. Identificar las fuentes de ingresos y de costos en rodeos comerciales;
3. Determinar los rasgos biológicos que influyen en los ingresos y los costos;
4. Derivación del cálculo del valor económico de cada rasgo.
Cuantos más caracteres se consideren simultáneamente, menor va a ser el
Diferencial de Selección para cada uno de ellos. Es importante incluir solamente
aquellos rasgos biológicos que contribuyen sustancialmente al valor económico.
Una vez definidos los rasgos a mejorar debemos definir qué medimos, y en
quién medimos para lograr avanzar en el objetivo. Podemos medir más de una
característica y también en varios tipos de parientes (padres, individuo, medio-
hermanos). Esas características a medir (el criterio de selección) serán las usadas
para la predicción de valores genéticos de los animales; pueden estar consideradas o
no dentro del objetivo pero deben cumplir con algunos requisitos: fácilmente medibles
y de bajo costo; razonablemente heredables; correlacionadas con los rasgos en el
objetivo e influenciados por los objetivos, pero no viceversa (riesgo de omitir rasgos
económicamente importantes, p. ej. Consumo).
Antes que nada, todo criador deberá ubicarse en su situación particular y definir
a su criterio cuales son las características que tienen mayor impacto dentro de su
establecimiento. En base a esto, deberá determinar sus objetivos de selección y para
ello deberá considerar que los animales seleccionados tienen que: estar adaptados al
medio ambiente en el cual tienen que producir; ser aptos para el sistema de
producción empleado; estar acordes a las necesidades del mercado al que se desea
abastecer; ser capaces de mejorar las utilidades de la empresa.
La selección de los reproductores puede realizarse de las siguientes maneras:
mediante observación visual, mediante mediciones objetivas solamente o mediante
una combinación de ambas. La observación visual, es un método subjetivo, que a
simple vista da una idea general de la conformación y el balance corporal. Con este
método se busca calificar una serie de condiciones relevantes: aplomos, profundidad
de las costillas, temperamento del animal, tamaño, coloración y pigmentación, estado
de salud, etc. Estas observaciones no son cuantificables y dependen del conocimiento,
la experiencia y la percepción individual de cada uno. Su empleo sin embargo resulta
inevitable.
Índice de selección en angus
54
Las mediciones objetivas son más seguras ya que no dependen ni de la
subjetividad del observador, ni de su criterio individual. Por el contrario son resultado
de registros de producción procesados y expresados mediante los DEPs a fin de
determinar el verdadero merito genético del animal. Aunque, lo ideal es que ambas
sean complementarias, basándonos en la selección por mediciones objetivas,
considerar también las observaciones visuales son importantes a la hora de detectar
algún problema sanitario, mala conformación, o un animal fuera de los estándares de
la raza.
Un índice de selección permite la identificación de los animales que mejor se
adaptan a la meta genética en general sin enfocarse en ningún rasgo en particular.
Los índices presionan a los productores a evaluar los rasgos que desean enfatizar y
formular un plan específico para maximizarlos en el rodeo (Wattiaux, 2003). Según
Lasley (1070); el índice de selección es más eficaz que otros métodos porque permite
que los individuos superiores en algunos caracteres sean salvados para cría, aunque
sean ligeramente deficientes en uno o más de los otros caracteres. La influencia de
cada carácter sobre el índice final está determinada la importancia que se le da a ese
carácter en relación con los demás. Los elementos básicos para la construcción de un
índice de selección son los estimativos de heredabilidad de los caracteres
involucrados, las covarianzas fenotípicas y genotípicas entre esos caracteres y el valor
económico de cada carácter, o sea la medida de incremento en la utilidad por cada
unidad de cambio en la características (en cuanto aumenta el rendimiento neto cada
vez que el carácter aumenta una unidad por progreso genético) (Henao, 1994).
Se necesitan valores económicos para ponderar o priorizar el orden en la
selección (de hecho, se quiera o no, siempre existe un valor económico implícito).
Cuantos menos caracteres se utilicen para elaborar un índice de selección, mejor.
Hay que considerar solo aquellos de verdadera importancia económica. Para la
determinación de un índice de selección es necesario conocer la identidad de
candidatos y parientes con los que se va a trabajar. Se debe realizar una recolección
sistemática de registros, teniendo en cuenta los costos y complejidad de elaboración
que implican. Además supone conocer parámetros sin error. Es muy importante saber
diferenciar los objetivos de selección de los criterios de selección. Siempre tenemos
que determinar la importancia relativa de las características, cuanto más
características seleccionemos menor respuesta en cada una por separado. La
selección de los reproductores únicamente por el fenotipo del animal no es
conveniente, ya que éste puede ser resultado del ambiente y no del mérito genético.
La ponderación de las características a seleccionar debe estar de acuerdo a la
situación productiva de cada productor individual. Debemos considerar que al
Índice de selección en angus
55
seleccionar por alguna característica, indirectamente podremos estar modificando
otras por estar correlacionadas. Es importante seleccionar por características que
presenten alta heredabilidad, de manera que la mejora sea transmisible a sus
descendientes. La velocidad del cambio genético de una característica en una
determinada población depende de la intensidad de selección de dicho carácter, de la
heredabilidad de la característica seleccionada, de la exactitud con que se estima el
valor genético y de la rapidez con que los reproductores utilizados son sustituidos por
otros superiores.
Actualmente, se dispone de sofisticados métodos estadísticos que nos
permiten pasar de una evaluación genética basada en el propio fenotipo de los
animales o en su ascendencia y parentesco, a la formulación de índices de selección y
sobre todo a la obtención de los Mejores Predictores Lineales Insesgados para los
efectos ambientales de los valores genéticos de los animales: BLUP. Este nuevo
método de evaluación, a partir de la década del 80, ha evolucionado progresivamente
hasta la actualidad (Best Linear Unbiased Prediction), (Mejor estimación lineal
insesgada), desarrollado por Henderson, 1973. El mismo consiste en tomar en cuenta
la totalidad de la información disponible sobre los candidatos a la selección, incluida la
del conjunto de sus parientes, con el objeto de poder discernir y entender el valor
genético de los efectos del medio. Aquí, los valores no se estiman en el interior de un
grupo contemporáneo (como en las prueba de progenie), sino en el marco del conjunto
de la población, con lo cual se pueden comparar animales pertenecientes a lotes
diferentes. De esta manera se pueden comparar animales en el espacio y en el tiempo
con la condición de que existan conexiones suficientes de parentesco entre todos los
lotes que componen la población (reproductores conectores o de referencia).
Las bases teóricas del sistema BLUP se aplicaron en una primera fase a la
evaluación genética del ganado vacuno lechero aunque posteriormente se ha utilizado
en todas las especies ganaderas. Este método se basa en la consideración de que el
valor fenotípico para un carácter es consecuencia de la acción independiente de
efectos fijos determinados (sexo, raza, época de control, etc.) y del valor genético
aditivo para este carácter. Si se conocen las relaciones de parentesco entre los
animales objeto de evaluación, que efectos fijos podían afectar a los animales
controlados, las estimaciones de los de los componentes de varianza (genéticas,
maternales, ambientales, etc.), se pueden estimar simultáneamente, mediante la
resolución de ecuaciones de tipo mixto, los valores de los efectos fijos y los valores
genéticos de los animales y de sus emparentados.
La aplicación del método BLUP requiere el uso de programas informáticos,
bases de datos genealógicos, productivos y reproductivos e información genética
Índice de selección en angus
56
compleja. Actualmente, es posible estimar los valores genéticos de forma rápida y
eficaz, de forma que en nuestro trabajo de la determinación de los BLUP se utilizó el
programa InfoStat. Este sistema es actualmente utilizado en los programas de mejora
y tiene una gran cantidad de ventajas. Se obtiene la mejor estimación del valor
genético insesgado de cada animal, se denomina sesgo de un estimador a la
diferencia entre la esperanza (o valor esperado) del estimador y el verdadero valor
del parámetro a estimar. Es deseable que un estimador sea insesgado o centrado, es
decir, que su sesgo sea nulo por ser su esperanza igual al parámetro que se desea
estimar. Se pueden comparar directamente animales con distinta información, medidos
en diferentes generaciones, épocas, sexos, etc. Se pueden comparar animales de
distintos establecimientos si están suficientemente relacionadas (por reproductores
conocidos como conectores). Además, permite integrar información repetida, efectos
maternales, etc.
La aplicación del método BLUP en la práctica hace posible preseleccionar
animales a evaluar en función de su valor genético previsible y elaborar un ranking de
los mejores animales; comparar animales jóvenes con reproductores existentes;
comparar animales de diferentes establecimientos relacionados e integrar su
información; predecir los progresos genéticos mediante la comparación de los valores
genéticos medios de los animales nacidos en distintos años; establecer la importancia
de los efectos ambientales (régimen alimentario, sanidad, manejo reproductivo, etc.); y
utilizar de forma óptima la información más costosa (análisis de calidad de carne de
emparentados, por ejemplo). Para su aplicación práctica del BLUP es preciso:
disponer de las genealogías de los animales (sin errores de parentesco); conocer los
parámetros genéticos (heredabilidades, repetibilidades, correlaciones) de los
caracteres a mejorar; disponer de una base de datos de evaluaciones, datos
reproductivos, etc., representativos y sin errores; diseñar modelos predictores y definir
la estructura de la información a analizar adecuadamente y utilizar el programa
adecuado.
Con la aplicación regular del sistema de evaluación BLUP se obtienen
estimaciones de los valores genéticos aditivos (relativos) de los animales y de sus
emparentados. Estos varían cada vez que se obtiene nueva información propia o de
los emparentados y son comparables entre ellos en un momento dado. Las
predicciones de los valores genéticos pueden combinarse para cada raza de forma
distinta atendiendo a las prioridades establecidas para cada una de ellas. En general
las evaluaciones de las características reproductivas se realizan de forma
independiente de las productivas y de calidad de canal y carne debido a sus
Índice de selección en angus
57
particularidades genéticas y a su débil correlación con las anteriores. El método BLUP
asegura una evaluación precisa del valor genético pero su uso debe ser cauteloso ya
que puede provocar una reducción rápida del tamaño genético efectivo de la
población.
II. MATERIALES Y MÉTODOS.
II.I. DESCRIPCIÓN DE LA INFORMACIÓN
Para el cálculo de este índice, se analizaron los registros obtenidos de 74
animales machos y hembras puros controlados de la cabaña Angus de la Facultad de
Ciencias Agropecuarias de la Universidad Nacional de Córdoba, de los cuales se
obtuvieron las varianzas genéticas y fenotípicas, utilizando modelos generales y
mixtos del programa InfoStat. Los pesos al nacimiento fueron tomados durante el
periodo Septiembre, Octubre y noviembre, y los pesos al destete a los 210 días.
Dichos datos correspondieron a los registros del año 2011/12 También se comparó el
índice con otra herramienta de selección llamada Predicción Lineal Insesgada (BLUPs)
para tener mayor grado exactitud. Para el cálculo de varianza fenotípica se obtuvo a
través de medidas de resumen en el programa InfoStat, utilizando la tabla A del anexo.
Para el cálculo de varianza aditiva y covarianza aditiva para los caracteres en estudio
se calculó a través de modelos generales y mixtos, considerando como variables fijas
al sexo y variable, como aleatorio a los padres. Se tuvo en cuenta la correlación sin
estructura del padre y numero de caravana, y la heterocedasticidad a la variable,
utilizando la misma tabla A del anexo.
Para el cálculo de la covarianza se utilizaron las siguientes formulas:
CovA(x1,x2) = correlación * ((VAx1)*(VAx2)) ^0,5
Índice de selección en angus
58
Existen factores que no tienen origen genético y que afectan el peso al destete,
por lo que es necesario hacer ajustes cuando sea posible. Desde el punto de vista
práctico no es posible pesar cada ternero cuando cumple esa edad. Por lo que se
recomienda pesar en un solo día todos los terneros cuando se destetan. El peso de
cada ternero puede ser ajustado a los 270 días por medio de una fórmula. Se
recomienda que cuando se destete, la edad de los terneros sea de 160 a 270 días. El
peso ajustado por la edad de las crías en un establecimiento elimina la influencia del
ambiente debido a la edad.
Donde, PDC es el Peso destete corregido, PD es el Peso Destete y PN es el
Peso al Nacimiento.
Con la información de los componentes de varianza y covarianza mencionados
anteriormente se procedió a construir las matrices de varianza y covarianza fenotípicas
y genéticas, así como los vectores de regresión y valor ponderado relativo para cada
carácter, a fin de obtener los coeficientes de regresión del índice, como se muestra a
continuación:
Índice de selección en angus
59
VF(x1) CovF(x1,x2) b1 VA(x1) CovA(x1,x2) a1
CovF(x1, x2) VF(x2) b2 CovA(x1, x2) VA(x2) a2
Dónde:
X1: Peso al nacimiento
X2: Peso al destete
VF(X1): Varianza fenotípica del peso al nacimiento
VA(X1): Varianza genética aditiva del peso al nacimiento
VF(X2): Varianza fenotípica del peso al destete
VA(X2): Varianza genética aditiva del peso al destete
CovF(X1, X2): Covarianza fenotípica del peso al nacimiento y al destete
CovA(X1, X2): Covarianza genética aditiva del peso al nacimiento y al destete
a1: Valor ponderado del peso al nacimiento
a2: Valor ponderado del peso al destete
b1: Coeficiente de regresión para el peso al nacimiento
b2: Coeficiente de regresión para el peso al destete
A partir de las matrices y vectores anteriores se obtuvieron las siguientes
ecuaciones:
1. VF(x1) b1+ CovF(x1,x2) b2 = VA(x1) a1 + CovA (x1,x2) a2
2. CovF (x1, x2) b1+ VF(x2) b2 = CovA(x1, x2) a1 + VA(x2) a2
Al despejar de la ecuación 1 y 2 a b 1 y b 2 se obtuvo: I = b1x1 + b2x2.
La media ponderada es una medida de tendencia central, que es apropiada
cuando en un conjunto de datos cada uno de ellos tiene una importancia relativa (o
peso) respecto de los demás datos. Se obtiene del cociente entre la suma de los
productos de cada dato por su peso o ponderación y la suma de los pesos.
Para el cálculo del índice de selección se consideró un valor ponderado relativo para el
peso al nacimiento de 0.3 y 0.7 para el peso al destete.
Índice de selección en angus
60
III. RESULTADOS Y DISCUSIÓN
Los componentes de la varianza aditiva se obtuvieron elevando los desvíos
estándares al cuadrado y multiplicándolos por cuatro, y la covarianza aditiva para el
peso al nacimiento y peso al destete se obtuvo con la formula anteriormente descripta.
En la Tabla 3 se describe el desvío estándar para cada carácter y la
correlación.
Tabla 3. Desvíos estándares y correlación para cada carácter.
PdC Peso N.
PdC 0,0119 0,9783
Peso N. 0,9783 2,9569
El índice obtenido en la cabaña para el peso al nacimiento y destete fue el
siguiente: I = 0,02X1 + 1,42 X2, donde B1 (0,02) y b2 (1,42), dan una correlación
máxima entre el genotipo agregado y el fenotipo agregado, considerando que para
dicho índice el peso al destete tiene mayor importancia ponderada relativa que el peso
al nacimiento (0,7 vs 0,3).
Con la aplicación de este índice se espera mayor progreso genético para el
peso al destete. En la Tabla 4 se muestran los índices de selección de los animales
que presentaría mayor y menor índice, siendo el animal A462 el que presento mayor
índice y el animal A437 que presento menor índice. Para seleccionar los individuos
deben ordenarse los animales de acuerdo al valor de dicho índice, seleccionando así
aquellos que muestran valores superiores, los cuales presentaran un balance
económico y productico favorable entre el peso al nacimiento y destete. Los animales
con mayor índice son los de mayor valor económico, ya que se mejorara su genotipo
global y por lo tanto su valor como reproductor.
Índice de selección en angus
61
Tabla 4. Animales que presentaron mayor y menor índice de selección en ganado bovino de raza AnGus en la cabaña de la FCA – UNC.
N° C Peso N. PdC Sexo INDICE Nº
A462 40 292,36 H 416 1
A503 32 283,32 M 403 2
A478 30 279,00 H 397 3
A527 28 276,68 H 393 4
A435 28 275,08 H 391 5
A443 36 274,39 M 390 6
A479 30 267,97 H 381 7
A458 32 265,55 H 378 8
A504 30 264,34 M 376 9
A452 29 263,44 M 375 10
A505 33 262,25 M 373 11
A526 30 260,92 H 371 12
A467 36 254,24 M 362 13
A454 32 253,03 H 360 14
A483 28 252,46 H 359 15
A486 32 246,66 M 351 16
A441 30 246,51 M 351 17
A463 28 244,55 M 348 18
A489 32 243,53 M 346 19
A499 31 241,39 H 343 20
A482 30 240,54 M 342 21
A447 35 236,51 H 337 22
A488 29 235,77 H 335 23
A513 32 234,93 M 334 24
A476 30 232,85 H 331 25
A493 34 232,58 M 331 26
A517 32 231,49 M 329 27
A461 40 231,31 M 329 28
A484 31 228,56 H 325 29
A481 32 228,22 H 325 30
A456 29 227,18 M 323 31
A438 31 227,13 M 323 32
A424 35,5 225,31 M 321 33
A519 32 224,86 H 320 34
A459 38 222,95 M 317 35
A498 30 222,86 M 317 36
A450 30 220,98 M 314 37
A508 30 219,17 M 312 38
A466 34 219,10 H 312 39
A442 29 218,76 H 311 40
Índice de selección en angus
62
A449 33 216,07 H 307 41
A492 30 214,65 H 305 42
A445 34 214,44 H 305 43
A521 29,5 214,47 H 305 44
A451 32 213,76 H 304 45
A495 30 212,90 H 303 46
A455 32 209,35 M 298 47
A428 30 208,30 H 296 48
A444 32 207,17 H 295 49
A440 30 204,48 M 291 50
A446 30 203,85 H 290 51
A431 32 201,39 H 287 52
A425 33 200,42 M 285 53
A496 30 200,06 H 285 54
A436 32 197,57 M 281 55
A453 30 194,63 H 277 56
A433 37 191,10 H 272 57
A469 26 189,42 H 269 58
A439 29 186,92 H 266 59
A465 36 184,15 M 262 60
A473 30 182,31 M 259 61
A502 32 178,47 M 254 62
A460 40 177,04 H 252 63
A470 30 174,95 H 249 64
A525 31 174,88 H 249 65
A520 30 173,77 H 247 66
A522 33 172,41 H 245 67
A524 28 163,00 H 232 68
A523 32 157,29 H 224 69
A487 31 149,13 H 212 70
A480 29 143,17 H 204 71
A437 36 132,79 M 189 72
Después de seleccionar en la cabaña para mejorar el peso al nacimiento y
destete, se deben escoger aquellos animales que presenta mayor índice de selección,
sabiendo que dicho índice no se puede extrapolar a otras explotaciones, ya que este
va a depender de parámetros genéticos (heredabilidad y correlaciones), sistema de
producción (carne, leche y doble propósito), comercialización e importancia económica
relativa que se le dé a cada carácter.
Como medida de prueba de nuestro Índice de Selección obtenido, hemos
incluido en el presente trabajo otra herramienta de selección muy utilizada hoy en día,
para corroborar la veracidad de los datos obtenidos con el Índice. Esta herramienta
Índice de selección en angus
63
son los BLUP (Mejor estimación lineal insesgada) o sus siglas en inglés (Best Linear
Unbiased Prediction), metodología muy utilizada para preseleccionar animales a
evaluar en función de su valor genético previsible y elaborar un ranking de los mejores
animales.
En la Tabla 5 se muestran los BLUP de los animales, siendo el animal A462 el
que presento mayor valor de BLUP y el animal A480 que presento menor valor.
Tabla 5. Animales que presentaron mayor y menor BLUP en ganado bovino de raza AnGus en la cabaña de la FCA – UNC.
Nº Nº C BLUP Sexo
1 A462 0,38 H
2 A503 0,29 M
3 A443 0,28 M
4 A478 0,25 H
5 A527 0,23 H
6 A435 0,22 H
7 A458 0,21 H
8 A479 0,2 H
9 A505 0,2 M
10 A504 0,19 M
11 A452 0,18 M
12 A467 0,18 M
13 A526 0,17 H
14 A454 0,15 H
15 A483 0,12 H
16 A486 0,12 M
17 A441 0,11 M
18 A461 0,11 M
19 A489 0,11 M
20 A447 0,1 H
21 A499 0,09 H
22 A463 0,08 M
23 A482 0,08 M
24 A493 0,07 M
25 A513 0,07 M
26 A459 0,06 M
27 A424 0,05 M
28 A476 0,05 H
Índice de selección en angus
64
29 A488 0,05 H
30 A517 0,05 M
31 A481 0,04 H
32 A438 0,03 M
33 A484 0,03 H
34 A519 0,02 H
35 A456 0,01 M
36 A466 0,01 H
37 A498 2,60E-04 M
38 A445 -0,01 H
39 A449 -0,01 H
40 A450 -0,01 M
41 A508 -0,02 M
42 A442 -0,03 H
43 A451 -0,03 H
44 A492 -0,04 H
45 A495 -0,04 H
46 A521 -0,04 H
47 A455 -0,05 M
48 A444 -0,06 H
49 A428 -0,07 H
50 A425 -0,08 M
51 A431 -0,08 H
52 A440 -0,08 M
53 A433 -0,09 H
54 A446 -0,09 H
55 A436 -0,1 M
56 A496 -0,1 H
57 A453 -0,13 H
58 A465 -0,13 M
59 A460 -0,14 H
60 A439 -0,17 H
61 A469 -0,18 H
62 A473 -0,18 M
63 A502 -0,19 M
64 A522 -0,21 H
65 A525 -0,21 H
66 A470 -0,22 H
67 A520 -0,22 H
68 A523 -0,28 H
Índice de selección en angus
65
69 A524 -0,28 H
70 A487 -0,33 H
71 A437 -0,36 M
72 A480 -0,37 H
De esta manera, se realiza una comparación de los resultados obtenidos con el
Índice de Selección y los BLUP hacia el final de nuestra investigación expresada en la
Tabla 6.
Tabla 6. Comparación entre los resultados del índice de selección y los valores de BLUP.
N° C Peso N.
PdC Sexo INDICE Nº Nº C BLUP Sexo
A462 40 292,36 H 416 1 A462 0,38 H
A503 32 283,32 M 403 2 A503 0,29 M
A478 30 279,00 H 397 3 A443 0,28 M
A527 28 276,68 H 393 4 A478 0,25 H
A435 28 275,08 H 391 5 A527 0,23 H
A443 36 274,39 M 390 6 A435 0,22 H
A479 30 267,97 H 381 7 A458 0,21 H
A458 32 265,55 H 378 8 A479 0,2 H
A504 30 264,34 M 376 9 A505 0,2 M
A452 29 263,44 M 375 10 A504 0,19 M
A505 33 262,25 M 373 11 A452 0,18 M
A526 30 260,92 H 371 12 A467 0,18 M
A467 36 254,24 M 362 13 A526 0,17 H
A454 32 253,03 H 360 14 A454 0,15 H
A483 28 252,46 H 359 15 A483 0,12 H
A486 32 246,66 M 351 16 A486 0,12 M
A441 30 246,51 M 351 17 A441 0,11 M
A463 28 244,55 M 348 18 A461 0,11 M
A489 32 243,53 M 346 19 A489 0,11 M
A499 31 241,39 H 343 20 A447 0,1 H
A482 30 240,54 M 342 21 A499 0,09 H
A447 35 236,51 H 337 22 A463 0,08 M
A488 29 235,77 H 335 23 A482 0,08 M
A513 32 234,93 M 334 24 A493 0,07 M
A476 30 232,85 H 331 25 A513 0,07 M
A493 34 232,58 M 331 26 A459 0,06 M
Índice de selección en angus
66
A517 32 231,49 M 329 27 A424 0,05 M
A461 40 231,31 M 329 28 A476 0,05 H
A484 31 228,56 H 325 29 A488 0,05 H
A481 32 228,22 H 325 30 A517 0,05 M
A456 29 227,18 M 323 31 A481 0,04 H
A438 31 227,13 M 323 32 A438 0,03 M
A424 35,5 225,31 M 321 33 A484 0,03 H
A519 32 224,86 H 320 34 A519 0,02 H
A459 38 222,95 M 317 35 A456 0,01 M
A498 30 222,86 M 317 36 A466 0,01 H
A450 30 220,98 M 314 37 A498 2,60E-04 M
A508 30 219,17 M 312 38 A445 -0,01 H
A466 34 219,10 H 312 39 A449 -0,01 H
A442 29 218,76 H 311 40 A450 -0,01 M
A449 33 216,07 H 307 41 A508 -0,02 M
A492 30 214,65 H 305 42 A442 -0,03 H
A445 34 214,44 H 305 43 A451 -0,03 H
A521 29,5 214,47 H 305 44 A492 -0,04 H
A451 32 213,76 H 304 45 A495 -0,04 H
A495 30 212,90 H 303 46 A521 -0,04 H
A455 32 209,35 M 298 47 A455 -0,05 M
A428 30 208,30 H 296 48 A444 -0,06 H
A444 32 207,17 H 295 49 A428 -0,07 H
A440 30 204,48 M 291 50 A425 -0,08 M
A446 30 203,85 H 290 51 A431 -0,08 H
A431 32 201,39 H 287 52 A440 -0,08 M
A425 33 200,42 M 285 53 A433 -0,09 H
A496 30 200,06 H 285 54 A446 -0,09 H
A436 32 197,57 M 281 55 A436 -0,1 M
A453 30 194,63 H 277 56 A496 -0,1 H
A433 37 191,10 H 272 57 A453 -0,13 H
A469 26 189,42 H 269 58 A465 -0,13 M
A439 29 186,92 H 266 59 A460 -0,14 H
A465 36 184,15 M 262 60 A439 -0,17 H
A473 30 182,31 M 259 61 A469 -0,18 H
A502 32 178,47 M 254 62 A473 -0,18 M
A460 40 177,04 H 252 63 A502 -0,19 M
A470 30 174,95 H 249 64 A522 -0,21 H
A525 31 174,88 H 249 65 A525 -0,21 H
A520 30 173,77 H 247 66 A470 -0,22 H
Índice de selección en angus
67
A522 33 172,41 H 245 67 A520 -0,22 H
A524 28 163,00 H 232 68 A523 -0,28 H
A523 32 157,29 H 224 69 A524 -0,28 H
A487 31 149,13 H 212 70 A487 -0,33 H
A480 29 143,17 H 204 71 A437 -0,36 M
A437 36 132,79 M 189 72 A480 -0,37 H
En ambos casos, el primer lugar del ranking que elaboramos con los valores
del índice y los BLUP, fue ocupado por la hembra A 462, con un índice de 416 y un
BLUP de 0,38. Luego de haber comparado ambos mecanismos de selección, los dos
métodos utilizados arrojan valores muy similares, indicando que podrían
complementarse perfectamente a la hora de tomar una decisión para la elección de
animales en un establecimiento.
Teniendo en cuenta a los 15 primeros animales que presentaron mejor Índice
de selección y mejor BLUP, los dos primeros y dos últimos se encuentran en los
mismos casilleros, y los restantes son los mismos animales pero variando el orden,
dando así, un 100% de similitud. Este elevado porcentaje de coincidencia nos
proporciona un alto grado de confianza, Por tal motivo, el índice obtenido es óptimo a
la hora de seleccionar animales que posean los mejores valores con respecto a las
variables estudiadas, en este caso el peso al nacimiento y el peso al destete.
Cuando se utilizan pocos padres en un trabajo de selección, las 2 herramientas
de selección son apropiadas, pudiendo recurrir indiferentemente a cualquiera de las
dos
Índice de selección en angus
68
III.I. ANÁLISIS COMPARATIVO ENTRE EL PROMEDIO NACIONAL DE
ANGUS PUROS CONTROLADOS CON LA CABAÑA DE LA FCA – UNC
Se realizó un análisis de la situación actual de las variables peso nacimiento y
peso al destete ajustado a los 205 días para la raza Angus promedio nacional con el
promedio de la cabaña Angus de la Facultad de Ciencias Agropecuarias de la
Universidad Nacional de Córdoba, y de la media de los diez primeros animales
seleccionados a través del índice.
Figura 1. Promedios para las caracteristicas de Peso al Nacimiento.
Comparando el promedio del peso al nacimiento (Figura 1), para la situación
nacional en puros controlados raza Angus y la cabaña de la FCA – UNC se observa
que hay una leve diferencia tanto para machos y hembras. También se analizó el
promedio de los machos y hembras seleccionados por el índice, y se observó que
aumenta levemente el peso en machos en comparación con el promedio de la cabaña.
29
30
31
32
33
34
35
Machos
Hembras
35
33 32
31
33
31
Kg
Puros Controlados Angus Cabaña 10 Animales Indice
Índice de selección en angus
69
Figura 2. Promedio para las características de Peso al Destete.
Luego, se analizó la variable peso destete (Figura 2), el cual esta corregido a
205 días para eliminar el efecto de la edad, y se observó que el promedio tanto para
hembras y machos de la cabaña es más bajo que a nivel nacional, pero al aplicar el
índice y compararlo con el promedio nacional se ve que para los machos los pesos se
asemejan y para las hembras la selección se puso por encima (esto se puede deber a
condiciones ambientales y nutricionales).
165
170
175
180
185
190
195
200
205
210
Machos
Hembras
207
196
181
181
207 210
kg
Puros Controlados Angus Cabaña 10 Animales Indice
Índice de selección en angus
70
IV. CONCLUSIÓN
Al obtener el índice de la forma I = 0,02X1+ 1,42X2 se consigue una máxima
correlación entre el fenotipo agregado y el genotipo agregado, logrando de esta forma
que el proceso de selección sea más eficiente y confiable. Implementar este índice
como herramienta de mejoramiento genético en la cabaña para mejorar el peso al
nacimiento y destete es una buena opción, considerando el mayor valor ponderado
relativo que se le dio al peso al destete (0,7) y de esta manera hacer el proceso de
selección más eficiente. Este método de selección se debe evaluar año a año ya que
la estimación de los parámetros genéticos (heredabilidad y correlaciones), las
condiciones ambientales y el valor ponderado relativo de cada característica no son
estables. Para traspolar el índice y utilizarlo en otros establecimientos de forma tal que
se pueda realizar una selección, es necesario calcularlo nuevamente debido a que las
condiciones ambientales, las características deseadas y los objetivos a perseguir son
diferentes en cada uno de los lugares donde se desee aplicar. Para la obtención del
índice, se utilizaron solamente dos caracteres, el peso al nacimiento y peso al destete,
pudiéndose considerar la idea de que se podrían tener en cuenta más variables como
peso a los 12 meses y a los 18 meses, así, de esta manera existiría un mayor grado
de exactitud a la hora de realizar una selección. Es muy importante considerar la idea
de poder complementar los resultados obtenidos con el índice, y otros caracteres
externos a este y que no fueron considerados para su obtención, como el frame, la
circunferencia escrotal, la habilidad materna, los aplomos, de esta manera se
seleccionarían animales con información mucho más precisa, adecuada y además en
base a los objetivos de cada establecimiento por separado. Al haber comparado y
analizado las variables anteriormente mencionadas para la situación nacional, la
cabaña, y los animales seleccionados con el índice, se concluye que, esta herramienta
de selección mejora claramente los pesos al nacimiento y destete, y conjuntamente
con otras herramientas se pueden obtener animales competitivos a nivel nacional.
También se debe tener en cuenta que la cabaña posee un alto potencial que hace más
efectivo la aplicación del índice. Luego de haber realizado la comparación con el
mecanismo de selección, se concluye que los resultados obtenidos mediante la
aplicación de ambos procedimientos son muy similares, pudiendo así decir, que el
índice de selección obtenido es confiable y se pueden seleccionar los futuros
reproductores de la cabaña a través de este mecanismo.
Los BLUP, fueron confeccionados solamente para corroborar los resultados del
índice para este estudio específico en la Cabaña, siendo muy difícil su aplicación para
los productores particulares, debido que es necesario, disponer de las genealogías de
Índice de selección en angus
71
los animales (sin errores de parentesco), conocer los parámetros genéticos
(heredabilidades, repetitividades, correlaciones) de los caracteres a mejorar; disponer
de una base de datos de evaluaciones, datos reproductivos, representativos y sin
errores, diseñar modelos predictores y definir la estructura de la información a analizar
adecuada.
V. REFERENCIAS BIBLIOGRÁFICAS
Servicio Nacional de Sanidad y Calidad Agroalimentaria (SENASA).
Martínez G, Bustamante J, Palacios J, Montaño M. Efectos raciales y de heterosis
materna Criolla–Guzerat para crecimiento pos destete y características de la
canal. TecPecMex 2006; 44(1): 107-118.
Ministerio de Agricultura Ganadería y Alimento de la Provincia de Córdoba
http://ipafcv.files.wordpress.com/2010/08/unidad-tematica-4.pdf
http://es.wikipedia.org/wiki/Estimador.
Sistemas de producción de carne, complemento de clases teórico-practicas. Año 2012.
Asociación Argentina de AnGus. Manual de criador y ganadero. Año2007.
Asociación Argentina de AnGus Resumen de Padres. Año 2012.
www.AnGuslallovizna.com.ar/2012/files/la_llovizna_2012_final.pdf.
Genética Global. Catálogo internacional 2011-2012.
www.produccionanimal.com.ar/informacion_tecnica/origenes_evolucion_y_esta
disticas_de_la_ganaderia/126-LAS_CARNES.pdf.
Ferraz P, De Amorim A, Campos L, DeSouza J, Mello M, Mendes C. Tendência
Genética dos Efeitos Direto e Materno sobre os Pesos à Desmama e Pós
Desmama de Bovinos da Raça Tabapuãno Brasil. RevBrasZootec 2002;
31(2):635-640.
Cienfuegos Rivas E, De Orúe Ríos M,Briones Luengo M, Martínez GonzalesJ.
Estimación del comportamiento productivo y parámetros genéticos de
características pre destete en bovinos de carne (Bostaurus) y sus cruzas, VIII
Región, Chile. ArchMedVet 2006;38(1): 69-75.
Cátedra de Producción de Carne y Leche. 2012. Complemento de clases. teóricas –
prácticas de producción de carne. FCA – UNC. Argentina.
Ministerio de Agricultura, Ganadería y Pesca ,Buenos Aires ,Argentina.
Ing. Agr. María Isabel Previa Mejoramiento Genético Animal, INIA Las Brujas.
www.laplumadefirpo.com.ar/programa.htm
Índice de selección en angus
72
www.AnGusbellasombra.com/p/objetivo-de-ele.html
VI. ANEXO
Figura 3. Evolución del peso en función de la selección.
0
50
100
150
200
250
300
A4
62
A5
27
A4
79
A4
52
A4
67
A4
86
A4
89
A4
47
A4
76
A4
61
A4
56
A5
19
A4
50
A4
42
A4
45
A4
95
A4
44
A4
31
A4
36
A4
69
A4
73
A4
70
A5
22
A4
87
Pe
so
Nº Caravana
Peso N.
PdC
Efecto de la descompactación y la cobertura sobre el agua del suelo
73
Análisis estadístico de los efectos de la descompactación y el cultivo de cobertura sobre el contenido hídrico del suelo en un
área de la región central de Córdoba
Agostina Lorenzati
Tutores: Mónica Balzarini y Cecilia Bruno
Las prácticas de manejo de suelo modifican el aprovechamiento de los recursos
disponibles para el crecimiento de las plantas, entre ellos, el agua que es el
condicionante principal de los rendimientos. Varios autores recomiendan tareas de
descompactación y la inclusión de cultivos de cobertura para mejorar la estructura del
suelo, aumentar la infiltración, el almacenaje de agua en el perfil, disminuir la pérdida
de agua por escurrimiento superficial, entre otros. El objetivo de este trabajo fue
determinar mediante análisis estadísticos los efectos de la descompactación y el
cultivo de cobertura sobre el contenido hídrico del suelo en un área de la región central
de córdoba. Los resultados demostraron que la implantación de cultivos de cobertura
produce una disminución del contenido hídrico del suelo, sobretodo en el estrato
superficial hasta aproximadamente los 120 cm de profundidad, a medida que
transcuerre el invierno y nos acercamos al periodo primaveral, como consecuencia del
consumo de agua que efectuan estos cultivos para llevar adelante su crecimiento
vegetativo. Por otro lado, no se encuentran diferencias significativas en el contenido de
agua total en profundidad entre los ensayos sin cobertura, lo que permite concluir que
el efecto de la descompactación no influye sobre la disponibilidad de agua en el suelo.
Efecto de la descompactación y la cobertura sobre el agua del suelo
74
CONTENIDOS
I. Introducción
II. Materiales y métodos
I.I. Descripción del ensayo
I.II Análisis Estadístico
III. Resultados y discusión
III.I. Análisis descriptivo - Gráficos de dispersión
III.II. Análisis de Componentes principales
III.III. Correlación Lineal de Pearson
III.IV. Regresión Lineal
IV. Conclusión
V. Agradecimientos
VI. Referencias bibliográficas
Efecto de la descompactación y la cobertura sobre el agua del suelo
75
I. INTRODUCCIÓN
Las prácticas de manejo del suelo y del cultivo modifican el aprovechamiento
de los recursos disponibles para el crecimiento de las plantas. El consumo de agua es
uno de los más afectados por las decisiones culturales y también es el condicionante
principal de los rendimientos (Villar Jorge, 2001). Para lograr un uso racional de este
recurso es necesario el conocimiento de aspectos básicos que hacen a su
aprovechamiento, entre otros la profundidad de exploración de las raíces, la capacidad
de retención de agua del suelo, la eficiencia de uso del agua almacenada, etc. que son
afectados por las decisiones de manejo.
La compactación excesiva causada por el tránsito de maquinarias pesadas, la
intensificación agrícola y la expansión geográfica de la siembra directa constituye un
problema importante en suelos agrícolas de diversas regiones del mundo (Gupta y
Allmaras, 1987; Senigagliesi y Ferrari, 1993; Hamza y Anderson, 2005; Spoor, 2006,
Sasal et al., 2006; Botta et al., 2007; Álvarez et al., 2009). Este proceso implica un
aumento de la densidad aparente del suelo y disminuye la capacidad de retención de
agua en el perfil hasta 20 cm de profundidad (Rollán et al., 2004). El maíz (Zea mays
L.) es uno de los cultivos que muestran mayor sensibilidad a sufrir daños en sus raíces
y descensos de rendimientos a causa de la compactación (Erbach et al., 1986; Tardieu,
1988; Amato y Ritchie, 2000; Díaz Zorita, 2000; Álvarez et al., 2006; Taboada y
Álvarez, 2007). Ello se debe a que es muy sensible al déficit hídrico debido a su
acotado período crítico en momentos de alta demanda atmosférica (Sadras y Calviño,
2001). Para algunos autores el aflojamiento mecánico promueve un mejor uso del
agua del suelo con incremento en la producción física y para otros los efectos no son
significativos (Chaudhary et al., 1985; Martino, 1998; Vilche et al., 2004). Por otro lado,
autores asegura que la descompactación contribuye al mayor desecamiento edáfico
observado en la profundidad de labor, lo que coincidió con lo ya comunicado por
Vilche et al. (2004) y Alzugaray et al. (2008) para situaciones similares. Montico et al.,
informaron que si bien la infiltración es alrededor del 70 % superior en un suelo
descompactado (SDE) que en un sistema de siembra directa (SD), la humedad edáfica
resulta inferior; si el contenido hídrico de la zona explorada por las raíces está por
debajo del 40-60% del agua útil se reduce el crecimiento de los cultivos (Muchow y
Sinclair, 1991; Dardanelli et al., 1991). Además, la rugosidad generada por el paso del
paratil podría inducir a una mayor turbulencia del aire sobre la superficie causando una
evaporación adicional (Martino, 1998).
Varios autores recomendaron tareas de descompactación y la rotación con
gramíneas para mejorar la estructura. Tourn et al. (2013) compararon el uso del
Efecto de la descompactación y la cobertura sobre el agua del suelo
76
paraplow y cultivos de cobertura (CC) para eliminar, disminuir o atemperar los efectos
negativos sobre las propiedades físicas sin afectar las ventajas esperadas de la
siembra directa. Los cultivos de cobertura (CC) pueden ser una alternativa para
mantener o atenuar la pérdida de carbono de los suelos, prevenir la erosión, aumentar
la infiltración, capturar nutrientes, reducir sus pérdidas por lixiviación y contribuir al
control de malezas (Daliparthy et al., 1994; Unger y Vigil, 1998). Del mismo modo,
varios autores mencionan que tendrían un efecto positivo sobre la eficiencia de uso de
agua (EUA) de los sistemas de producción. Los estudios de Hoyt et al. (2004)
muestran que los CC incluidos en planteos de siembra directa mejoran la infiltración
del agua de lluvia y el almacenaje en el perfil del suelo, lo que se atribuye a una menor
pérdida de agua por escurrimiento superficial y percolación profunda fuera del alcance
de las raíces, lo cual se ve reflejado en un mayor rendimiento en los años secos. Sin
embargo, no debe ignorarse que el consumo hídrico de los CC durante el invierno
podría interferir en la normal oferta de agua para el cultivo sucesor (Duarte, 2002;
Scianca et al., 2008, Munawar et al., 1990). Se ha demostrado que la disminución en
el contenido de agua útil para el cultivo de verano por haber incluido CC, también
llamado “costo hídrico”, fue entre 30 y 100 mm (Fernández et al., 2007). Al respecto,
Unger y Vigil (1998) hallaron que los CC disminuyen el agua en el suelo en su etapa
de crecimiento y conservan agua cuando finalizan su ciclo y se encuentran como
residuos sobre la superficie del suelo. A pesar del gran número de estudios llevados a
cabo por diversos investigadores, los resultados obtenidos por la inclusión de CC en la
rotación son muy variables entre sitios (Unger y Vigil, 1998), dada la cantidad de
factores involucrados (clima, suelo, manejo) y la fuerte interacción entre ellos durante
el ciclo del CC y el barbecho posterior (Galantini, 2008). Bajo la hipótesis que la
descompactación del suelo y los cultivos de cobertura modifican los parámetros
hidrológicos, es que se plantea determinar mediante análisis estadísticos los efectos
de la descompactación y el cultivo de cobertura sobre el contenido hídrico del suelo en
un área de la región central de córdoba.
Efecto de la descompactación y la cobertura sobre el agua del suelo
77
II. MATERIALES Y MÉTODOS
II.I. DESCRIPCIÓN DEL ENSAYO
El ensayo se realizó en un establecimiento ubicado 25 km al sur de la ciudad
de Córdoba (31°19’ lat. Sur; 64°13’ long. Oeste), Argentina. El área posee un clima
semiárido con 700 mm de precipitación anual (1872-2000), e inviernos secos. El suelo
es un haplustol típico de textura franco limosa cuya pendiente media oscila entre 0,2 y
1,8 %.
Las mediciones se llevaron a cabo en los siguientes tratamientos: área testigo
con barbercho químico, sin cultivo de cobertura y sin descompactación superficial (T);
área con suelo descompactado mediante un descompactador con reja alada (P); área
con cultivo de cobertura (C); y por último, área con cultivo de cobertura y
descompactación del suelo (CP).
Se utilizó como cultivo de cobertura el Triticale
(Triticosecale Wittm. ex A.Camus) cultivar Yagán. En cada tratamiento se midió la
humedad del suelo en dos sitios distanciados a 100m entre sí, posicionados con GPS.
Las mediciones se llevaron a cabo en tres fechas: 05/07/13, 28/08/13 y el 16/10/13,
que coinciden con el comienzo del perido invernal hasta el comienzo de la primavera.
Es importante desctacar que durante dicho periodo, no se registran precipitaciones. En
cada sitio de muestreo, para cada tratamiento, se registró la cantidad de agua total
hasta los 200 cm de profundidad en 9 puntos del perfil explorado (A: 10cm; B: 20cm; C:
40cm; D: 60cm; E: 80cm; F: 100cm; G: 120cm; H: 140cm; I: 160cm; J: 180cm; K:
200cm).
Efecto de la descompactación y la cobertura sobre el agua del suelo
78
II.II. ANÁLISIS ESTADÍSTICO
Para el análisis descriptivo, se realizaron gráficos de dispersión para cada
tratamiento (T, P, C, CP) teniendo en cuenta el total de agua acumulada en el perfil, y
visualizando el comportamiento del agua en el tiempo (a través de las tres fechas de
muestreo) y en las diferentes profundidades evaluada. Por otro lado se analizaron los
perfiles de humedad en cada una de las fechas evaluadas comparando los cuatro
tratamientos a través de gráficos de dispersión. A su vez, se observó para cada estrato
de profundidad (A: -10cm; B: -20cm; C: -40cm; D: -60cm; E: -80cm; F: -100cm; G: -
120cm; H: -140cm; I: -160cm; J: -180cm; K: -200cm) el comportamiento de cada
tratamiento mediante gráficos de dispersión.
También, se realizó un gráfico biplot a través del Análisis de Componentes
Principales (ACP) para observar la variabilidad del comportamiento del agua según los
4 tratamientos y las 9 profundidades a través de las distintas fechas. También se
obtuvo un gráfico biplot con un Análisis de Componentes Principales, considerando las
Ilustración 1. Esquema de distribución de los muestreos realizados en cada tratamiento dentro de establecimiento.
Efecto de la descompactación y la cobertura sobre el agua del suelo
79
profundidades como variables y las fechas en combinación con los tratamientos como
observaciones.
Además, se realizaron gráficos de dispersión para comprobar si existe alguna
correlación lineal del comportamiento hídrico en profundidad entre los tratamientos. A
la vez, se presentan los resutados del análisis mediante una matriz de correlación.
Por último se ajustó un modelo de regresión lineal para estimar la relación entre
la cantidad de agua respecto a la profundidad de la misma, para cada tratamiento. El
análisis se llevó a cabo a través de variables auxiliares (Dummy). Para comparar los
tratamientos, se cruzaron las variables tratamiento y profundidad.
Efecto de la descompactación y la cobertura sobre el agua del suelo
80
III. RESULTADOS Y DISCUSIÓN
A B
C D
Gráfico 1. Comportamiento del contenido hídrico del suelo en profundidad en cada uno de los cuatro tratamientos (A: Cultivo de Cobertura; B: Cultivo de Cobertura y Descompactación; C: Descompactación; D: Testigo) para las tres fechas de muetreo (05/07/13; 28/08/13; 16/10/13)
0,12 0,15 0,18 0,21 0,24 0,27 0,30
Agua Total
-200
-180
-160
-140
-120
-100
-80
-60
-40
-20
0
Pro
fun
did
ad
(c
m)
T
0,12 0,15 0,18 0,21 0,24 0,27 0,30
Agua Total
-200
-180
-160
-140
-120
-100
-80
-60
-40
-20
0
Pro
fun
did
ad
(c
m)
C
0,12 0,15 0,18 0,21 0,24 0,27 0,30
Agua Total
-200
-180
-160
-140
-120
-100
-80
-60
-40
-20
0
Pro
fun
did
ad
(c
m)
CP
0,12 0,15 0,18 0,21 0,24 0,27 0,30
Agua Total
-200
-180
-160
-140
-120
-100
-80
-60
-40
-20
0
Pro
fun
did
ad
(c
m)
P
Efecto de la descompactación y la cobertura sobre el agua del suelo
81
Gráfico 2. Comparación del agua total entre los cuatros tratamientos para la fecha 05/07/13.
Gráfico 3. Comparación del agua total entre los cuatros tratamientos para la fecha 28/08/13.
C
CP
P
T
0,12 0,15 0,18 0,21 0,24 0,27 0,30
Agua Total
-200
-180
-160
-140
-120
-100
-80
-60
-40
-20
0
Pro
fun
did
ad
(c
m)
AT el 05/07/13
C
CP
P
T
C
CP
P
T
0,12 0,15 0,18 0,21 0,24 0,27 0,30
Agua Total
-200
-180
-160
-140
-120
-100
-80
-60
-40
-20
0
Pro
fun
did
ad
(c
m)
AT el 28/08/13
C
CP
P
T
Efecto de la descompactación y la cobertura sobre el agua del suelo
82
Gráfico 4. Comparación del agua total entre los cuatros tratamientos para la fecha 16/10/13.
Si se analizan los gráficos en dos subgrupos, los tratamientos con cultivo de
cobertura (CC) por un lado (Gráficos 1; A y B) y aquellos sin CC por otro lado (Gráficos
1; C y D), en los primeros, se pueden apreciar comportamientos diferenciales del agua
total (AT) a medida que transcuerre el invierno y, en particular, en dos estratos de
profundidad que podríamos determinar como estrato superficial (entre los 20-40 cm de
profundidad) y estrato profundo (60-200 cm de profunidad). Los ensayos con Triticale
presentaron una reducción en el contenido hídrico en el estrato superficial, que puede
explicarse por el consumo de agua que estaría efectuando el cultivo en pleno
crecimiento vegetativo. A partir de los 60 cm de profundad, los tratamientos con CC
presentarían una mayor dispersión del contenido de agua a medida que nos
acercamos al periodo primaveral. Mientras que en los tratamientos sin cobertura, el
contenido hídrico para las distintas fechas no fue tan diferente entre sí.
Cuando se evalua el comportamiento del AT en profundidad en cada fecha de
muestreo comparando los diferentes tratamientos, se puede apreciar con más
claridad el comportamiento particular que ocurre en los sitios con CC, donde el agua
retenida entre los 20 y 40 cm de profundidad desciende significativamente a medida
que avanza el ciclo del verdeo de invierno. Esto coincide con lo que mencionan varios
autores sobre el “costo hídrico” que implica la inclusión de estos CC dentro de la
rotación para el cultivo estival que le sucede (Munawar et al., 1990; Duarte, 2002;
C
CP
P
T
0,12 0,15 0,18 0,21 0,24 0,27 0,30
Agua Total
-200
-180
-160
-140
-120
-100
-80
-60
-40
-20
0
Pro
fun
did
ad
(c
m)
AT el 16/10/13
C
CP
P
T
Efecto de la descompactación y la cobertura sobre el agua del suelo
83
Scianca et al., 2008; Boiero et al., 2013). Fernández et al. (2007) demostraron que la
disminución en el contenido de agua útil para el cultivo de verano por haber incluido
CC fue entre 30 y 100 mm. Al respecto, Unger y Vigil (1998) hallaron que los CC
disminuyen el agua en el suelo en su etapa de crecimiento y conservan agua cuando
finalizan su ciclo y se encuentran como residuos sobre la superficie del suelo.
Efecto de la descompactación y la cobertura sobre el agua del suelo
84
A)10cm
B)20cm
C)40cm
D)60cm
E)80cm
F)100cm
G)120cm
H)140cm
I)160cm
J)180cm
K)200cm
Cuadro 1. Diagramas del contenido de agua en profundidad (A: -10cm; B: -20cm; C: -40cm; D: -60cm; E: -80cm; F: -100cm; G: -120cm; H: -140cm; I: -160cm; J: -180cm; K: -200cm) tomado en tres momentos diferentes (F1: Julio; F2: Agosto; F3: Octubre) para cuatro tratamientos (C: Cultivo de cobertura; CP: Cultivo de cobertura y Descompactación con paratil; P: Descompactación con paratil; T: Testigo).
A partir de comparaciones entre los tratamientos para cada perfil de
profundidad se puede observar la misma tendencia de que presentan los ensayos con
CC.
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,12
0,14
0,15
0,17
0,18
0,19
Agua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,18
0,20
0,23
0,25
0,27
0,30
Agua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,18
0,20
0,22
0,24
0,26
0,28
Agua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,15
0,17
0,18
0,19
0,20
0,21
Agua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,13
0,14
0,15
0,16
0,17
0,18A
gua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,13
0,14
0,15
0,15
0,16
0,17
Agua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,14
0,14
0,15
0,16
0,16
0,17
Agua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,15
0,15
0,15
0,16
0,16
0,17
Agua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,14
0,15
0,15
0,15
0,16
0,16
Agua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,14
0,14
0,14
0,15
0,15
0,16
Agua T
ota
l
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
F1 F2 F30,10
0,12
0,14
0,16
0,18
0,20
Agua T
ota
l
Efecto de la descompactación y la cobertura sobre el agua del suelo
85
Gráfico 5. Análisis de Componentes principales con las Fechas como variables y las profundidades como observaciones.
Como puede verse la primera componente (CP1) separa los 20 y 40 cm del
resto de las profunidades, por tanto la mayor variabilidad (93.3%) entre los contenidos
de agua se explica explica en ese estrato superficial.
Gráfico 6. Análisis de Componentes principales con las Profundidades como variables y las Fechas como observaciones.
-8,00 -4,00 0,00 4,00 8,00
CP 1 (93,3%)
-8,00
-4,00
0,00
4,00
8,00
CP
2 (
3,5
%)
-10,00
-20,00
-40,00
-60,00-80,00
-100,00-120,00
-140,00-160,00
-180,00
-200,00
C_F1
C_F2
C_F3
CP_F1
CP_F2
CP_F3
P_F1
P_F2P_F3
T_F1T_F2
T_F3-10,00
-20,00
-40,00
-60,00-80,00
-100,00-120,00
-140,00-160,00
-180,00
-200,00
C_F1
C_F2
C_F3
CP_F1
CP_F2
CP_F3
P_F1
P_F2P_F3
T_F1T_F2
T_F3
ACP Trat - Fecha
-7,00 -3,50 0,00 3,50 7,00
CP 1 (48,9%)
-7,00
-3,50
0,00
3,50
7,00
CP
2 (
33
,6%
)
C_F1
C_F2
C_F3
CP_F1
CP_F2
CP_F3P_F1
P_F2P_F3
T_F1
T_F2
T_F3
C-10
C-20C-40
C-60
C-80
C-100
C-120
C-140
C-160C-180
C-200
C_F1
C_F2
C_F3
CP_F1
CP_F2
CP_F3P_F1
P_F2P_F3
T_F1
T_F2
T_F3
C-10
C-20C-40
C-60
C-80
C-100
C-120
C-140
C-160C-180
C-200
ACP Trat - Prof
Efecto de la descompactación y la cobertura sobre el agua del suelo
86
En este caso, la CP1 separa mayoritariamente los valores de los tratamientos
con CC en la tercera fecha (16/10/13) del resto, explicado ésto por el mayor
desecamiento del perfil ocasionado por el consumo de agua del verdeo durante su
estación de crecimiento.
A) Correlacíon entre C y CP el 05/07/13 B) Fecha: 05/07/13
C) Fecha: 28/08/13 D) Fecha: 16/10/13
Gráfico 7. Análisis de la correlación lineal entre tratamientos en la primer fecha (05/07/13), segunda (28/08/13) y tercera (16/10/13). Correlación lineal entre el tratamiento con cobertura y el tratamiento con cobertura y descompactación en la primer fecha (gráfico A).
C_F1
P_F1
T_F1
CP_F1
Correlación F1
C_F2
CP_F2
P_F2
T_F2
Correlación F2
11
C_F3
CP_F3
P_F3
T_F3
Correlación F3
0,14 0,17 0,20 0,23 0,26 0,28
CP_F1
0,14
0,17
0,20
0,23
0,26
0,28
C_
F1
20
40
20
40
Efecto de la descompactación y la cobertura sobre el agua del suelo
87
Tabla 1. Correlación de Pearson: Coeficientes/probabilidades.
C_F1 C_F2 C_F3 CP_F1 CP_F2 CP_F3
C_F1 1,00 1,4E-04 2,1E-05 3,8E-07 4,5E-03 4,4E-05 C_F2 0,90 1,00 7,0E-05 2,7E-06 2,0E-06 3,3E-05 C_F3 0,94 0,92 1,00 5,8E-05 2,2E-03 2,5E-04 CP_F1 0,97 0,96 0,92 1,00 2,5E-04 7,4E-07 CP_F2 0,78 0,96 0,82 0,89 1,00 4,3E-04 CP_F3 0,93 0,93 0,89 0,97 0,87 1,00
Los gráficos de anteriores (Gráfico 7; A, B, C y D), y la tabla de coeficientes y
probablididades (Tabla 1), demuestran la alta correlación existente entre el conenido
de AT retenida en profundidad en todos los tratamientos. Dicha correlación se
mantiene elevada entre los tratamientos con CC a medida que avanza el período
invernal, mientras que la correlación disminuye una pequeña proporción entre estos
tratamientos y los que no poseen CC (Gráfico 7; D). Esto puede corroborarse con los
datos de la Tabla 1 y 2 (ANEXO), donde se obrevan coficientes de correlación
positivos de entre 0,82 y 0,97, y valores P<0,0001. En el Gráfico 7-A se observa que
los valores de profundidad de 20 y 40 cm se alejan del resto, demostrando que tienen
una correlación positiva pero diferencial al resto de las profundidades.
III.I. REGRESIÓN LINEAL
Tabla 3. Tabla de Regresión Lineal y coeficientes de regresión y estadísticos asociados.
Variable N R² R² Aj ECMP AIC BIC Agua 270 0,7891 0,7826 0,0004 -1359,1353 -1323,1511 Coef. Est. E.E. LI (95%) LS (95%) T p-valor Const. 0,3195 0,0064 0,3069 0,3321 49,9450 <0,0001 Sitio_C -0,0511 0,0069 -0,0647 -0,0375 -7,4139 <0,0001 Sitio_CP -0,0511 0,0075 -0,0660 -0,0362 -6,7704 <0,0001 Sitio_P -0,0067 0,0075 -0,0216 0,0081 -0,8934 0,3725 Sitio_C_Profu -0,0003 0,0001 -0,0005 -0,0002 -6,3014 <0,0001 Sitio_CP_Profu -0,0003 0,0001 -0,0004 -0,0002 -5,0727 <0,0001 Sitio_P_Profu -0,0001 0,0001 -0,0002 0,0001 -0,8535 0,3942 Pf -0,0021 0,0001 -0,0023 -0,0019 -21,5905 <0,0001 Pf^2 6,4E-06 4,0E-07 5,6E-06 7,2E-06 16,0482 <0,0001
Efecto de la descompactación y la cobertura sobre el agua del suelo
88
A) Cultivo de Cobertura
B) Cultivo de cobertura y Descompactación
C) Descompactación
D) Testigo
Gráfico 8. Curvas de regresión lineal con polinomio de 2º grado, del contenido de agua total en profundidad, para cada tratamiento (A: Cultivo de Cobertura; B: Cultivo de Cobertura y Descompactación; C: Descompactación; D: Testigo).
A través del análisis de regresión se pudo determinar que existe una relación
lineal entre la cantidad de agua respecto a la profundidad, hasta aproximadamente los
120 cm de profundidad, la cual que indica que a medida que aumenta la profundidad
explorada, disminuye el contenido de AT retenida en el suelo. A partir de los 120 cm,
esta relación se explica mejor a través de una regresión lineal con polinomio de 2º
grado (Gráfico 8; A, B, C y D). Si se analizan los datos de la Tabla 3, se puede
observar que los intervalos de confianza (LI y LS) de los tratamientos con CC se
superponen, no ocurriendo lo mismo con el tratamiento con Descompactación, el cual
muestra valores P>0,05, indicando esto, que no presenta diferencias significativas con
el tratamiento Testigo (utilizado como variable auxiliar de referencia).
0 21 42 63 84 105 125 146 167 188 209
Profundidad (cm)
0,12
0,15
0,18
0,21
0,24
0,27
0,30A
gu
a
0 21 42 63 84 105 125 146 167 188 209
Profundidad (cm)
0,12
0,15
0,18
0,21
0,24
0,27
0,30
Ag
ua
0 21 42 63 84 105 125 146 167 188 209
Profundidad (cm)
0,12
0,15
0,18
0,21
0,24
0,27
0,30
Ag
ua
0 21 42 63 84 105 125 146 167 188 209
Profundidad (cm)
0,12
0,15
0,18
0,21
0,24
0,27
0,30
Ag
ua
Efecto de la descompactación y la cobertura sobre el agua del suelo
89
IV. CONCLUSIÓN
Todas las herramientas estadístcas utilizadas en el presente trabajo
permitieron comprobar los efectos que varios autores mencionan de los cultivos de
cobertura sobre el consumo de agua que estos efectuan a lo largo de su ciclo
productivo. En los tratamientos que se implanta un verdeo de invierno se produce una
disminución del contenido hídrico del suelo, sobretodo en el estrato superficial (20-40
cm) hasta aproximadamente los 120 cm de profundidad, a medida que transcuerre el
invierno y nos acercamos al periodo primaveral, como consecuencia del consumo de
agua que efectuan estos cultivos para llevar adelante su crecimiento vegetativo. Este
comportamiento se puede representar mediante una regresión lineal entre la cantidad
de agua respecto a la profundidad, la cual indicaría que a medida que aumenta la
profundidad explorada del perfil, disminuye el contenido de agua total retenida en el
suelo. A partir de los 120 cm de profundidad, esta relación se explica mejor a través de
una regresión lineal con polinomio de 2º grado. Así mismo, se pudo demostrar la alta
correlación existente entre el conenido de AT retenida en profundidad en todos los
tratamientos. Dicha correlación se mantiene elevada entre los tratamientos con CC a
medida que avanza el período invernal, mientras que la correlación disminuye una
pequeña proporción entre estos tratamientos y los que no poseen CC. El análisis de
regresión demuestra que existen diferencias significativas en el contenido hídrico en
profundidad entre los tratamientos con y sin cobertura. Por otro lado, no se encuentran
diferencias significativas en el contenido de AT en profundidad entre los ensayos sin
cobertura, lo que permite concluir que el efecto de la descompactación no influye
sobre la disponibilidad de agua en el suelo. De todas formas, varios autores no
coinciden con estas determinaciones, por lo tanto se necesita continuar con los
estudios sobre el uso de esta estrategia de manejo para esclarecer sus efectos sobre
el contenido hídrico del suelo y la disponibilidad del agua para los cultivos.
V. AGRADECIMIENTOS
A Vettorello Cecilia I. y Esmoriz Gustavo F. por el acompañamiento en la
recolección de datos, el espacio físico brindado para llevar a cabo la recolección de
datos y la ayuda y seguimiento en la búsqueda bibliográfica, todo ésto, en el marco de
la Iniciación Profesional realizada en el Área de Suelos. También a Faraoni Daniel A.,
Miranda Julio, Francavilla Graciela, Clemente Juan P., Cortez Luciano, Rodríguez
Bruno y Molina Lucas por el acompañamiento en el trabajo de Iniciación Porfesional. A
Efecto de la descompactación y la cobertura sobre el agua del suelo
90
Paccioretti Pablo por la colaboración en la evacuación de dudas a la hora de realizar
este trabajo.
VI. REFERENCIAS BIBLIOGRÁFICAS
Álvarez, C.R.; Taboada, M.Á.; Bustingorri, C.; Gutiérrez, B.; Flavio, H. 2006.
Descompactación de suelos en siembra directa: efectos sobre las propiedades
físicas y el cultivo de maíz. Ci. Suelo (Argentina) 24 (1) 0-0.
Álvarez, C.R.; Torres Duggan, M.; Chamorro, E.R.; D´Ambrosio, D; Taboada, M.A.
2009. Descompactación de suelos franco limosos en siembra directa: efectos
sobre las propiedades edáficas y los cultivos. Ci. Suelo (Argentina) 27(2): 159-
169.
Di Rienzo, J.A.; Casanoves, F.; Gonzales, L.A.; Tablada, E.M.; Díaz, M.P.; Robledo,
C.W.; Balzarini, M.G. 2008. Estadística para las Ciencias Agropecuarias. FCA,
UNC., Ed. Brujas, Cba., Arg.
Fernández, R.; Quiroga, A. 2009. Cultivo de cobertura: costo hídrico de su inclusión en
sistemas mixtos. Ciudad Autónoma de Buenos Aires.
Fernández, R.; Quiroga, A.; Noellemeyer, E. 2012. Cultivos de cobertura, ¿una
alternativa viable para la región semiárida pampeana? Ci. Suelo vol. 30 no. 2.
Ciudad Autónoma de Buenos Aires.
Finello, M.; Ramos, J.C.; Céccoli, G.; Invilderied, H. 2011. Efecto residual de labranzas
verticales en el sistema radicular de un cultivo de soja. V Congreso de la Soja
del Mercosur. I Foro de la Soja Asia-Mercosur; Rosario.
Gueçaimburu, J.M.; Introcaso, R.M.; Rojo, V.; Wasinger, E.; Repetto, M. 2012. Impacto
multitemporal de la labranza vertical en siembra directa sobre parámetros
edáficos. XIX Congreso latinoamericano de la ciencia del suelo. XXIII Congreso
argentino de la ciencia del suelo. Mar del Plata, Argentina.
InfoStat. 2004. Infostat versión 2.0. Manual del usuario. Grupo Infostat FCA, UNC. Ed.
Brujas, Cba., Arg.
Lardone, A.V.; Barraco, M.R.; Scianca, C.; Alvarez, C.; Díaz Zorita, M. 2012. Cultivos
de cobertura en sistemas con soja bajo siembra directa. Proyecto INTA -
PNCER 22411.
Mon, Rodolfo. 2008. Ampliación del perfil de suelos erosionados y compactados
mediante subsolado con enmienda cálcica profunda. Instituto Nacional de
Tecnología Agropecuaria (INTA) de Castelar, Buenos Aires, Argentina y
Facultad de Ciencias de la Universidade da Coruña (UDC), España.
Efecto de la descompactación y la cobertura sobre el agua del suelo
91
Scianca, C.; Álvarez, C.; Barraco, M.; Quiroga, A. 2009. Centeno utilizado como cultivo
de cobertura en diferentes ambientes de la región pampeana. EEA INTA
General Villegas.
Vilche, M.S.; Alzugaray, C. 2008. Efecto de la labranza profunda sobre el rendimiento
y uso del agua del cultivo de maíz. Facultad de Ciencias Agrarias - Universidad
Nacional de Rosario. Revista de Investigaciones de la Facultad de Ciencias
Agrarias - ISSN Nº 1515-9116.
Vilche, M.S.; Montico, S.; Di Leo, N. 2004. Escarificado en siembra directa.
Distribución espacial de los flujos preferenciales. Rev. FCA UNCuyo. Tomo
XXXVI. N° 2. 73-80.
Villar, J. 2000. Dinámica del consumo de agua por el trigo según el sistema de
labranza. En: Información técnica de trigo. Campaña 2000. Publ. Misc. Nº92.
INTA EEA Rafaela. 5 p.
Efecto de la descompactación y la cobertura sobre el agua del suelo
92
VII. ANEXO
Tabla 2. Tabla de Coeficientes de correlación de Pearson: Coeficientes\probabilidades.
C_F1 C_F2 C_F3 CP_F1 CP_F2 CP_F3 P_F1 P_F2 P_F3 T_F1 T_F2 T_F3
C_F1 1,00 1,4E-04
2,1E-05
3,8E-07
4,5E-03
4,4E-05
2,7E-08
4,3E-06
1,1E-05
1,0E-06
1,3E-05
3,3E-05
C_F2 0,90 1,00 7,0E-05
2,7E-06
2,0E-06
3,3E-05
2,7E-04
2,9E-06
6,4E-06
9,2E-05
6,5E-05
2,5E-04
C_F3 0,94 0,92 1,00 5,8E-05
2,2E-03
2,5E-04
3,4E-04
2,9E-04
6,7E-04
6,0E-04
1,1E-03
2,1E-03
CP_F1 0,97 0,96 0,92 1,00 2,5E-04
7,4E-07
7,4E-07
1,3E-08
9,1E-08
3,0E-07
1,9E-06
9,8E-06
CP_F2 0,78 0,96 0,82 0,89 1,00 4,3E-04
0,01 2,8E-04
3,0E-04
2,4E-03
1,5E-03
3,6E-03
CP_F3 0,93 0,93 0,89 0,97 0,87 1,00 7,6E-05
1,1E-05
2,0E-05
4,4E-05
1,2E-04
1,6E-04
P_F1 0,99 0,89 0,88 0,97 0,77 0,92 1,00 5,4E-07
1,0E-06
4,3E-09
3,9E-07
9,7E-07
P_F2 0,96 0,96 0,89 0,99 0,89 0,95 0,97 1,00 7,2E-12
2,4E-08
2,5E-08
5,1E-07
P_F3 0,95 0,95 0,86 0,98 0,88 0,94 0,97 1,00 1,00 2,8E-08
9,2E-09
2,8E-07
T_F1 0,97 0,91 0,86 0,98 0,81 0,93 0,99 0,99 0,99 1,00 4,6E-10
4,7E-09
T_F2 0,94 0,92 0,84 0,96 0,83 0,91 0,97 0,99 0,99 0,99 1,00 2,5E-10
T_F3 0,93 0,89 0,82 0,95 0,79 0,90 0,97 0,97 0,98 0,99 1,00 1,00
Efecto de la descompactación y la cobertura sobre el agua del suelo
93
Foto. Agostina Lorenzati, realizando la recolección de datos del ensayo a campo.
Agostina Lorenzati cursó Ingeniería
Agronómica en la Universidad
Nacional de Córdoba, comenzando
sus estudios en el año 2009 y
finalizándolos en julio de 2014. Sus
áreas de interés se focalizaron
mayormente en manejo y
conservación de suelos y protección
integral de cultivos. El presente
trabajo fue llevado a cabo en el
marco del Área de Consolidación
Métodos Cuantitativos para la
Investigación Agropecuarias, que
permitió realizar el análisis de datos.
La recolección de los datos fue
realizada como parate de la
Iniciación Profesional que Agostina
realizó con docentes del Área de
Suelos y otros estudiantes de la
Facultad de Ciencias Agropecuarias
de la UNC.
Curvas de crecimiento en caña de azúcar
94
Modelos de regresión para modelar curvas de crecimiento en caña de azúcar
(Saccharum officinarum)
José A. Brandán Terré y Antonela M.Rambaudo
Tutor: Bruno, Cecilia.
En el presente trabajo se compararon cuatro modelos para describir la curva de
crecimiento de caña de azúcar en función del ciclo y estimar los parámetros que
definen el fenómeno. Se usaron los modelos Lineales Simples, Cuadráticos, Gompertz
y Logístico. Se compararon las bondades de ajuste mediante los criterios de
información Akaike y Bayesiano. También se usaron como criterios para comparar los
modelos el cuadradro medio del error (CME). Los resultados mostraron un mejor
ajuste para el modelo lineal cuadrático y el no lineal logístico. Sin embargo, la
simplicidad de estimación del modelo lineal en su forma cuadrática induciría a su
elección.
Curvas de crecimiento en caña de azúcar
95
CONTENIDOS
I. Introducción
II. Materiales y métodos
II.I. Datos Experimentales
II.II. Modelos matemáticos evaluados
II.III. Comparación de modelos
III. Resultados y discusión
III.I. Análisis descriptivo
III.II. Comparación de modelos
IV. Conclusión
V. Referencias bibliográficas
Curvas de crecimiento en caña de azúcar
96
I. INTRODUCCIÓN
La propiedad más importante de un modelo es que describa en forma
adecuada el crecimiento del cultivo, y permita establecer estimaciones precisas de los
parámetros que caracterizan dicho crecimiento. La variabilidad de las estimaciones
depende de la técnica usada para monitorear el crecimiento y del modelo usado. Es
necesaria la comparación del comportamiento de los diferentes modelos para
seleccionar el que mejor ajuste al conjunto de datos evaluados (Cayré, et al. 2007). El
análisis de regresión estudia la relación funcional que existe entre dos o más variables.
Identifica el modelo que liga a las variables, estima sus parámetros y, eventualmente,
contrasta o prueba hipótesis acerca de ellos. Estimado el modelo, es posible predecir
el valor de la variable (dependiente) en función de la o las otras variable/s
(independientes) y dar una medida de precisión con la que esta estimación se ha
hecho (Di Rienzo et al., 2008). Una relación entre dos variables puede ser
aproximadamente lineal cuando se estudia en un intervalo limitado, pero puede ser
marcadamente curvilínea si se amplía el intervalo. Por facilidad en los cálculos, a
menudo se escoge una recta como aproximación cuando se ajusta razonablemente
bien el intervalo de X en cuestión, aún cuando se sepa que la verdadera forma no es
lineal (Steel-Torrie et al., 1990).
La caña de azúcar (Saccharum officinarum), perteneciente al orden Poales,
familia Poáceas, se caracteriza por ser una planta de climas tropicales, con
requerimientos de altas temperaturas para un amplio desarrollo vegetativo.
Morfológicamente, el tallo es el órgano utilizado en la industria azucarera, el cual
contiene la sacarosa acumulada al momento de la madurez. La longitud en el
momento de corte oscila entre 1,50 y 4 m y el diámetro medio oscila entre 2,5 a 3,5
cm. El culmen vegetativo tiene alrededor de seis hojas jóvenes enrolladas. Calculando
un volumen de 70000 tallos por hectárea, la superficie foliar de una plantación media
de caña es siete veces mayor que la superficie de suelo ocupado. (Amaya et al.,
1995). El ciclo productivo está compuesto por las siguientes etapas: Plantación,
Germinación (brotación), Ahijamiento (macollaje), Gran Crecimiento, Floración,
Madurez y Recolección (Figura 1.). El ciclo se repite hasta la floración, la madurez, y el
corte seguido de un nuevo ciclo anual, hasta que el rendimiento sea juzgado
insuficiente y se proceda a una nueva plantación por esquejes (MAG, 1991;
Fauconnier R et al., 1995).
Curvas de crecimiento en caña de azúcar
97
Figura 1: Ciclo de la caña de azúcar (Saccharum officinarum)
En el presente trabajo se plantean cuatro modelos estadísticos de regresión,
dos lineales (Lineal simple y Cuadrático) y dos no lineales (Gompertz y Logístico), con
el objetivo de encontrar el modelo que mejor represente el crecimiento de la caña de
azúcar a lo largo de un ciclo.
II. MATERIALES Y MÉTODOS
II.I. DATOS EXPERIMENTALES
A partir de mediciones semanales de altura, se obtuvo el crecimiento
acumulado durante un ciclo de cuatro variedades denominadas A, B, C, D durante la
zafra 2012 y 2013. Se realizaron 30 ensayos, correspondiendo 11 a la variedad A, 6 a
la variedad B, 3 para la variedad C y 10 para la variedad D. A su vez, se evaluaron
distintas edades, desde caña planta (soca 0) hasta soca 8. Se estimó la tasa de
crecimiento diario de cinco plantas por punto de muestreo (ensayo). Se realizó una
estadística descriptiva de cada uno de los 30 ensayos. Debido a la variación de la
cantidad de datos por cada ensayo, para la evaluación de los modelos de curva de
crecimiento se seleccionó la variedad A, en edad de caña planta, por presentar el
mayor número de datos relevados (n=100) (Tabla 1). En esta etapa preliminar al ajuste
de los modelos, se eliminó el ensayo 48 por poseer bajo número de muestras (n=7).
Además, este ensayo presentó valores de crecimiento promedio acumulado de 381
cm, lo cual representaba un valor que se alejaba 3.5 Desvíos estándares por encima
del crecimiento promedio del resto de los ensayos (Figura 2).
Curvas de crecimiento en caña de azúcar
98
II.II. MODELOS MATEMÁTICOS EVALUADOS
Se seleccionaron cuatro modelos matemáticos para la comparación de las
curvas de crecimiento. Se utilizaron dos modelos lineales: Lineal simple y Cuadrático,
y dos modelos no lineales: Gompertz y Logístico. Los modelos presentan las
siguientes expresiones matemáticas:
1. Lineal simple:
yi= α + β*xi + εi
donde, yi representa el crecimiento acumulado en cm, α representa la ordenada
al origen, β representa la pendiente de la recta, xi es la variable regresora que indica el
tiempo medido en días del ciclo y εi corresponde al error estándar.
2. Lineal con componente cuadrática:
yi= α + β1*xi + β2*xi2 + εi
donde, yi representa el crecimiento acumulado en cm, α representa la ordenada
al origen, β1 y β2 son los coeficientes asociados a la variable regresora (tiempo o ciclo
de crecimiento medido en días), xi es la variable regresora que indica el tiempo medido
en días del ciclo y εi corresponde al error estándar.
3. Gompertz:
yi= α*exp(-β*exp(-γ*xi))+ εi
donde, yi representa el crecimiento acumulado en cm, α es la asíntota o el
crecimiento máximo promedio alcanzado, β representa la ordenada al origen, γ la tasa
de crecimiento (cm/día), xi es la variable regresora que indica el tiempo medido en
días del ciclo y εi corresponde al error estándar.
4. Logístico:
y= α/(1+β*exp(-γ*x)+ εi
donde, yi representa el crecimiento acumulado en cm, α es la asíntota o el
crecimiento máximo promedio alcanzado, β representa la ordenada al origen, γ la tasa
de crecimiento (cm/día), xi es la variable regresora que indica el tiempo medido en
días del ciclo y εi corresponde al error estándar.
II.III. COMPARACIÓN DE MODELOS
La construcción de modelos estadísticos surge de la necesidad de explicar y
predecir el comportamiento de fenómenos reales que dependen de distintas variables.
Cuando para una misma evidencia muestral existen modelos alternativos surge el
problema de la selección. Para dar respuesta a este problema de selección se han
Curvas de crecimiento en caña de azúcar
99
definido en la literatura estadística diferentes criterios de selección de modelos.
Algunos de ellos son muy empleados y los software estadísticos los incluyen, como
son: AIC (Akaike) y BIC (Bayesiano) (García Olaverri, C; 1996). En este trabajo,
además de estos criterios, se incluyó el Cuadrado Medio del Error (CME) y su relación
con respecto al valor medio del crecimiento acumulado (CV).
Cuando se tiene una serie de modelos M1, M2,... con parámetros K1, K2,…,
respectivamente, una metodología para compararlos corresponde a la función de
máxima verosimilitud (likelihood). La máxima verosimilitud permite seleccionar el
modelo que realiza el mejor ajuste de los datos pero no penaliza su complejidad, lo
que si sucede cuando se emplean medidas de contraste como el AIC y el BIC. Ambos
criterios hacen uso del Log-likelihood (log Lik), que es el logaritmo de máxima
verosimilitud, y sustraen un término proporcional al número de parámetros (K) en el
modelo, así: log Lik -αK, donde α corresponde a 2 para el AIC y a log(N) para el BIC.
(Posada, et al. 2007).
El criterio de información de Akaike (AIC) combina la teoría de máxima
verosimilitud, información teórica y la entropía de información, y es definido por la
siguiente ecuación:
AIC = -2* log Lik + 2K
Este criterio tiene en cuenta los cambios en la bondad de ajuste y las
diferencias en el número de parámetros entre dos modelos. Los mejores modelos son
aquellos que presentaron el menor valor de AIC.
El criterio de información Bayesiano (BIC) es calculado para los diferentes
modelos como una función de la bondad de ajuste del log Lik, el número de
parámetros ajustados (K) y el número total de datos (N). El modelo con el más bajo
valor de BIC es considerado el mejor en explicar los datos con el mínimo número de
parámetros. El BIC está definido por la ecuación:
BIC = -2* log Lik + log (N)*K
El Cuadrado medio del Error (CME) es una medida que agrupa la variabilidad
de aquellos factores que no tiene en cuenta el investigador. La varianza de n
residuales ei se representa como:
Curvas de crecimiento en caña de azúcar
100
Donde, e es la media de n residuales (número de observaciones), que en
todos los casos corresponde a cero, K es el número de parámetros estimados en el
modelo y SCE es la suma de cuadrados de las distancias verticales de los puntos
desde la curva de regresión (residuales).
Toda vez que el CME corresponde a la varianza residual, los modelos
seleccionados por su mayor capacidad de ajuste son aquellos que expresan el menor
valor en este criterio. Dado que el valor del CME por sí mismo es una medida difícil de
interpretar, relacionamos la raíz cuadrada de dicho valor con el crecimiento medio
acumulado. De esta manera se obtuvo un coeficiente de variación (CV) para cada
modelo y cada zafra.
III. RESULTADOS Y DISCUSIÓN
III.I. ANÁLISIS DESCRIPTIVO
Para cada variedad y cada edad se calculó el número de datos revelados. Se
evaluó el crecimiento diario promedio para cada ensayo. La variedad A, caña planta
presentó el mayor valor promedio 1,76 cm/día y un crecimiento máximo de 5,33
cm/día. El menor valor de crecimiento promedio diario se registró en la variedad B,
soca 5 con 0,71 cm/día. El máximo crecimiento diario se observa en la variedad D,
soca 3 con 5,97 cm/día.
Curvas de crecimiento en caña de azúcar
101
Tabla 1. Estadísticos descriptivos, media, desvío estándar, mínimo y máximo del crecimiento diario de la planta para cuatro variedades de caña de azúcar según la edad del cañaveral.
VARIEDAD Edad Cantidad de datos/ensayo
Crecimiento diario (cm)
D.E. Crecimiento mínimo
Crecimiento máximo
A 0 100 1,76 1,13 0,00 5,33
A 3 39 1,34 0,98 0,09 3,53
A 6 38 1,35 0,80 0,01 2,86
A 7 31 0,99 0,69 0,02 2,89
B 0 42 1,24 0,69 0,13 2,91
B 3 31 1,17 1,11 0,00 3,53
B 4 41 1,48 0,83 0,31 3,29
B 5 21 0,71 0,66 0,09 2,40
B 8 20 1,31 0,85 0,06 2,56
C 0 33 1,84 0,93 0,00 3,72
C 5 20 1,13 0,68 0,10 2,20
D 0 69 1,51 0,95 0,00 4,93 D 3 92 1,17 0,92 0,00 5,97
D 4 27 1,56 0,86 0,29 3,29
Para el ajuste de los modelos, por presentar mayor cantidad de datos (n=100)
se utilizó la variedad A soca 0. Previo al ajuste de los modelos, el ensayo 48 fue
eliminado debido a sus valores atípicos de crecimiento acumulado, dado que supera
3.5 D.E. a la media de crecimiento del resto de los ensayos de la misma variedad
(Tabla 2, Figura 2).
Tabla 2. Estadísticos descriptivos, media, desvío estándar, mínimo y máximo del ciclo de crecimiento de la planta para variedad A de caña de azúcar, caña planta.
Variedad Edad Ensayo
Cantidad de datos/ensayo
Crecimiento promedio acumulado (cm)
Desvío estándar Mínimo Máximo
A 0 1 17 212,12 41,46 151 277
A 0 27 22 255,59 45,49 182 329
A 0 32 13 241,08 34,54 194 305
A 0 44 21 228,29 43,19 159 298
A 0 46 20 198,80 41,17 133 265
A 0 48 7 381,00 23,40 350 417
Curvas de crecimiento en caña de azúcar
102
Figura 2: Gráfico de dispersión del crecimiento acumulado en relación a los días del ciclo para los ensayos de la variedad A, en edad de caña planta.
III.II. COMPARACIÓN DE MODELOS
Los datos de crecimiento acumulado y duración del ciclo (en días) para zafra
2012 y 2013 de la variedad A, caña planta, obtenidos a través de los ensayos se
utilizaron para desarrollar los modelos estadísticos.
Curvas de crecimiento en caña de azúcar
103
Zafra 2012 Lineal Cuadrático
Crecimiento acumulado=β0+β1*ciclodías+ε Crecimiento
acumulado=β0+β1*ciclodías+β2*ciclodías2+ε
Logístico Gompertz
Crecimiento acumulado= α/(1+β*exp(-γ*ciclodías)) Crecimiento acumulado=α*exp(-β*exp(-γ*ciclodías))
Figura 3. Curvas de crecimiento para: modelos no lineales (gompertz y logístico) y lineales (lineal de orden uno y polinomio con componente cuadrática) que ajustan el crecimiento de Saccharum officinarum para caña planta, zafra 2012.
142 191 240 289 338
Ciclo (días)
57
129
200
271
342
Cre
cim
ien
to A
cu
mu
lad
o (
cm
)
142 191 240 289 338
Ciclo (días)
57
125
193
260
328
Cre
cim
ien
to A
cu
mu
lad
o (
cm
)
142 191 240 289 338
Ciclo (días)
57
125
193
260
328
Cre
cim
ien
to A
cu
mu
lad
o (
cm
)
142 191 240 289 338
Ciclo (días)
57
125
193
260
328
Cre
cim
ien
to A
cu
mu
lad
o (
cm
)
Curvas de crecimiento en caña de azúcar
104
Zafra 2013 Lineal Cuadrático
Crecimiento acumulado=β0+β1*ciclodías+ε Crecimiento
acumulado=β0+β1*ciclodías+β2*ciclodías2+ε
Logístico Gompertz
Crecimiento acumulado= α/(1+β*exp(-γ*ciclodías)) Crecimiento acumulado=α*exp(-β*exp(γ*ciclodías))
Figura 4. Curvas de crecimiento para: modelos no lineales (gompertz y logístico) y lineales (lineal de orden uno y polinomio con componente cuadrática) que ajustan el crecimiento de Saccharum officinarum para caña planta, zafra 2013.
Tabla 4. Coeficientes estimados a partir del ajuste de los modelos lineales, cuadrático, logístico y Gompertz
Coeficientes estimados
Modelos α Tasa de crecimiento corrimiento
Zafra 2012
Lineal -65,25 1,20
Cuadrático -373,02 3,88 -0,01
Gompertz -0,87 0,99 1
Logístico -0,78 0,99 1
Zafra 2013
Lineal -139,78 1,54
Cuadrático -383,71 3,85 -0,01
Gompertz -0,87 0,99 1
Logístico -0,75 0,98 1
La tasa de crecimiento estimada resultó mayor en el modelo lineal simple
respecto a los modelos no lineales, presentando valores de 1,2 para la zafra 2012 y
1,54 para la zafra 2013. El modelo cuadrático, en su parte lineal también mostró una
tasa de crecimiento alta, de 3.88 cm/día, siendo ésta tres veces mayor que la estimada
por el modelo lineal simple. En el modelo cuadrático, el coeficiente que acompaña a la
124 172 219 266 314
Ciclo (días)
42
117
193
268
343
Cre
cim
ien
to A
cu
mu
lad
o (
cm
)
124 172 219 266 314
Ciclo (días)
22
95
168
241
314
Cre
cim
ien
to A
cu
mu
lad
o (
cm
)
124 172 219 266 314
Ciclo (días)
42
108
175
241
307
Cre
cim
ien
to A
cu
mu
lad
o (
cm
)
124 172 219 266 314
Ciclo (días)
33
102
172
241
311
Cre
cim
ien
to A
cu
mu
lad
o (
cm
)
Curvas de crecimiento en caña de azúcar
105
forma cuadrática, es cercano a cero, indicando la etapa de maduración de la planta
donde la tasa de crecimiento es casi nula.
Tabla 4. Comparación de modelos bajo criterio de información Akaike (AIC) y Bayesiano (BIC).
Gompertz Logístico Cuadrática Lineal
ZAFRA 2012
AIC 388,64 388,97 388,47 392,45
BIC 395,29 395,62 395,13 397,44
ZAFRA 2013
AIC 492,36 491,34 494,86 504,17
BIC 500,32 499,29 502.81 510,13
Bajo criterio de selección AIC y BIC las diferencias entre los modelos no son
muy marcadas entre sí. Para zafra 2012 el modelo que mejor se ajusta es el lineal
cuadrático, mientras que para zafra 2013 es el no lineal logístico.
Comparación de modelos a través del cuadrado medio del error (CME) y su
relación con respecto al valor medio del crecimiento acumulado:
Tabla 5. Comparación de modelos mediante el cuadrado medio del error (CME) y un coeficiente de variación (CV) calculado.
Zafra 2012
Modelo CME CV
Lineal 1241,03 16,90 %
Cuadrático 1094,31 15,89 %
Logístico 1094,31 15,89 %
Gompertz 1094,31 15,89 %
Zafra 2013
Modelo CME CV
Lineal 617,20 11,93 %
Cuadrático 510,38 10,85 %
Logístico 510,38 10,85 %
Gompertz 510,38 10,85 %
Para cada zafra se muestran diferencias bien marcadas con respecto al modelo
lineal simple, mientras que para el resto de los modelos el CME y el CV es el mismo y
a un valor menor.
Curvas de crecimiento en caña de azúcar
106
IV. CONCLUSIÓN
Al comparar los modelos de regresión no lineales (gompertz y logístico) y
lineales (simple y cuadrático) puede concluirse que los mejores modelos para describir
el crecimiento durante el ciclo de este cultivo fueron cuadrático y logístico para zafra
2012 y 2013 respectivamente porque presentaron los menores valores de AIC y BIC.
Según el CME que se usó como otro criterio de comparación, los modelos Cuadrático,
Gompertz y Logístico pueden utilizarse para describir el crecimiento, debido a que
presentan menor CV Y CME.
El modelo lineal simple estimó la tasa de crecimiento diaria respecto
significativamente. Sin embargo, los criterios de selección indicaron que no es el
mejor modelo para explicar correctamente la tasa de crecimiento de la caña de azúcar.
Dado que la tasa de crecimiento estimada es superior a la de los modelos no lineales,
podríamos pensar que el modelo lineal simple sobreestima la tasa de crecimiento
respecto a los modelos no lineales.
Debido a que los modelos no lineales y el modelo cuadrático no presentan
diferencias significativas en su comparación, la simplicidad del modelo lineal
Cuadrático induce a su elección.
Curvas de crecimiento en caña de azúcar
107
V. REFERENCIAS BIBLIOGRÁFICAS
Amaya Estévez A.; Cock J.H.; Hernández A.; Irvine J. 1995. Biología. El cultivo de la caña en la
zona azucarera de Colombia. Cali, Cenicaña. 31-62pp
Aspectos tecnicos sobre cuarenta y cinco cultivos agrícolas de Costa Rica. Dirección General de
Investigación y Extensión Agrícola. Ministerio de Agricultura y Ganadería. San José,
Costa Rica. 1991. Publicado en Internet. Disponible en:
http://www.mag.go.cr/bibliotecavirtual/tec-cana.pdf
Balzarini M.G.; Gonzalez L.; Tablada M.; Casanoves F.; Di Rienzo J.A.; Robledo C.W.
(2008). Manual del Usuario, Editorial Brujas, Córdoba, Argentina
Cayré M.E.; Vignolo G.M.; Garro O.A. 2007. Selección de un modelo primario para
describir la curva de crecimiento de bacterias lácticas y brochothrix
thermosphacta sobre emulsiones cárnicas cocidas. Información Tecnológica.
18(3): 23-29
Di Rienzo J.A.; Casanoves F.; Balzarini M.G.; Gonzalez L.; Tablada M.; Robledo C.W.
(2008). InfoStat, versión 2008, Grupo InfoStat, FCA, Universidad Nacional de
Córdoba, Argentina.
Fauconnier R.; Bassereau D. 1975. La caña de azúcar. Barcelona. Ed. Blume. 433pp.
García Olaverri C. 1996. Estabilidad de algunos criterios de selección de modelos.
Qüestiió, 20: 147-166.
Posada S.L.; Rosero Noguera R. 2007. Comparación de modelos matemáticos: una
aplicación en la evaluación de alimentos para animales. Revista Colombiana de
Ciencias Pecuarias. 20: 141-148
Steel RGD; Torrie JH. 1990. Bioestadística: principios y procedimientos. Trad. del
inglés por Ricardo Martínez, 2da Ed. McGraw-Hill. México D.F., México. 622pp.
Comparación del rendimiento en variedades de garbanzo
108
Modelos estadísticos para la evaluación de variedades promisorias de garbanzo
(Cicer arietinum l.) en el norte de la Provincia de Córdoba, Argentina
Pablo Paccioretti y Rodrigo Oberto
Tutores: Mónica Balzarini y Cecilia Bruno
Técnica a cargo del ensayo: Laura Britos
Comparación del rendimiento en variedades de garbanzo
109
CONTENIDOS
I. Introducción
II. Materiales y métodos
II.I. Modelos evaluados
III. Resultados y discusión
III.I. Modelo 1
III.II. Modelo 2
III.III. Modelo 3
III.IV. Modelo 4
III.V. Modelo 5
IV. Conclusión
V. Referencias bibliograficas
VI. Anexo
Comparación del rendimiento en variedades de garbanzo
110
I. INTRODUCCIÓN
En las Ciencias Agropecuarias frecuentemente se conducen ensayos para
comparar dos o más poblaciones identificadas según algún criterio de clasificación.
Este tipo de ensayos, suelen ser clasificados dentro de los denominados “Estudios
Experimentales” donde se realiza un diseño del experimento que incluye un plan de
ensayo. Dicho de otra forma, los experimentos son llevados a cabo por los
investigadores para el estudio o descubrimiento de un proceso particular o para
comparar el efecto de algún fenómeno (Montgomery, 2008). Para el análisis de
experimentos es común recurrir a un método estadístico cuya finalidad es contrastar
hipótesis referidas a las medias de dos o más poblaciones. Este método estadístico es
conocido como Análisis de la Varianza (ANAVA) (Balzarini et al., 2012).
El ANAVA utiliza para contrastar las hipótesis de igualdad de medias
poblacionales un modelo lineal en el cual cada magnitud que se registra como dato en
el ensayo, Yij, proviene de la suma de la acción de varios componentes. Las
componentes que conforman el modelo lineal son: la media general denotada por μ
que es una cantidad fija desconocida, más una componente τi, también desconocida y
que es usada para explicar cómo cambia la observación j debido al hecho de
pertenecer a la población o tratamiento i, más un término aleatorio εij que ayuda a
explicar la variabilidad “natural o propia” que existe entre dato y dato dentro de una
misma población o tratamiento (error experimental). Sobre dicha componente aleatoria
el investigador no tiene control. Si dos unidades de análisis son tratadas de igual
manera, es decir pertenecen a la misma población, se podría esperar que su
respuesta Yij (el dato recolectado desde la unidad de análisis), sea el mismo. No
obstante, en la práctica se observan diferencias entre las respuestas de unidades
experimentales tratadas de igual manera. La variabilidad de las respuestas de
unidades experimentales (UE) tratadas con el mismo tratamiento o pertenecientes a la
misma población es la cantidad que en el modelo se denota por σ2 y se conoce como
variabilidad residual. Sin una planeación cuidadosa de las tareas y del diseño del
experimento, las observaciones Yij mostrarán un incremento en la variación causadas
por el registro de errores o por observaciones que se alejan de la media poblacional
(Kuhel, 2001). Estos errores o “alejamientos” incrementan la variabilidad residual y
pueden conducir a conclusiones erróneas por parte del investigador. Es por ello que si
en el diseño del experimento se fijan o se controlan la mayoría de los factores o
componentes del modelo lineal que pueden impactar en la variable respuesta Yij, al
observar diferencias entre poblaciones, éstas podrán asignarse con mayor confianza a
los tratamientos (Balzarini et al., 2012).
Comparación del rendimiento en variedades de garbanzo
111
En la práctica agronómica profesional, no siempre es fácil y/o factible realizar
un diseño de experimento donde se controlan los componentes del modelo lineal. Las
causas a esta falta de planificación suelen responder a restricciones operativas por
parte de los técnicos que conducen los ensayos. En muchos casos, los recursos con
los que cuenta el técnico son campos particulares de productores agrícolas donde la
disponibilidad de las UE para planificar el ensayo no son las óptimas. Luego, estos
ensayos comparativos no suelen ajustarse a las estructuras clásicas de un modelo
lineal incurriendo en un incremento de la variabilidad residual y consecuentemente, en
la no detección de diferencia entre las medias poblacionales de los tratamientos que
se pretenden diferenciar estadísticamente. Es decir, los modelos no tienen potencia
estadística para diferenciar las medias poblacionales debido al “ruido” experimental.
Desde la investigación metodológica estadística, han surgido numerosos
modelos estadísticos que intentan disminuir la variabilidad residual e identificar el
modelo que mejor describa la realidad. En este sentido, en el presente trabajo, se
compararon distintos modelos estadísticos para evaluar comparativamente a través
del rendimiento cinco variedades de garbanzo y su desempeño al ser cultivado bajo
riego o secano.
El garbanzo, tradicionalmente cultivado en Argentina en sistemas intensivos,
actualmente es considerado un buen antecesor de los cultivos estivales dentro de las
secuencias agrícolas en sistemas de siembra extensivas bajo secano y siembra
directa. Su virtud como antecesor se debe a que como leguminosa, fija nitrógeno
atmosférico en simbiosis con bacterias, colaborando con la fertilidad química del suelo.
Desde el área técnica del grupo AACREA de la región Norte de la provincia de
Córdoba, Argentina se condujo un ensayo comparativo de rendimiento de cinco
variedades de garbanzo para responder a la inquietud de los productores integrantes
del grupo sobre el comportamiento de los mismos bajo riego y secano para
seleccionar la variedad que mejor se adapta a la zona productiva. El ensayo fue
conducido durante dos campañas agrícolas (2012-2013) en campos de productores,
durante el año 2012 se evaluaron cinco variedades y durante el 2013 cuatro
variedades. Así mismo, cada año los ensayos se condujeron en tres campos, no
repitiendo los campos para los diferentes años. En cada uno de los años, dos campos
contaron con riego y uno no.
La variabilidad residual aumenta debido al efecto de que sean diferentes
campos en diferentes años y en dos tratamientos diferentes (riego y secano), es por
ello que ante la necesidad de los productores de poseer herramientas para la toma de
decisión en el momento de la siembra, lleva a preguntarse cuál es el mejor modelo
Comparación del rendimiento en variedades de garbanzo
112
para poder recomendar la variedad más “adaptada” a la región y las mejores
condiciones ambientales para que el garbanzo muestre su potencialidad productiva.
Comparar diferentes estrategias analíticas para evaluar cinco variedades de
garbanzo en diferentes ambientes, bajo dos sistemas de producción: riego y secano.
II. MATERIALES Y MÉTODOS
Se condujeron ensayos durante dos años, en seis campos (tres campos cada
año), ubicados al norte de la Provincia de Córdoba. Los sitios seleccionados para
realizar los ensayos bajo riego fueron en el establecimiento “Los Quebrachos” del
Señor G. Romero en Jesús María (30º59’ S, 64º05’ O.), en Cañada de Luque (30º41’
S, 63º49’ O.), en el establecimiento del Señor Cuffia en Pilar (31º 42’ S, 63º 51’ O.) y
en el establecimiento del Señor Bottaro en Totoral (30º 38’ S, 63º 55’ O.). Los sitios
con producción bajo secano fue en el establecimiento del Señor F. Cadamuro en
Juárez Celman (31º 16’ S, 64º 09’ O.) y en el establecimiento del Señor Orue en
Sarmiento (64º 08’ S, 30º 44’ O.). Se evaluaron 5 variedades de garbanzo durante el
año 2012 y 4 variedades en el año 2013, en los seis campos. Las variedades
evaluadas fueron Canadiense, Chañarito, Mexicano, Norteño y Sauco, en el año 2013
esta última variedad no se evaluó. El diseño experimental fue en bloques completos al
azar, con 3 repeticiones. Cada establecimiento agropecuario fue interpretado como un
bloque en el modelo de análisis de datos, dado que el manejo de cultivo fue el propio
de cada establecimiento (i.e., cada establecimiento continuó con sus prácticas
agrícolas de barbecho, control de malezas, control insectos y fertilización). En cada
establecimiento, la parcela experimental constó de 5 surcos de 200 metros de largo.
Las variedades fueron sembradas al azar dentro de cada bloque. En todos los
establecimientos se usó siembra directa. La fecha de siembra fue del 14 al 29 de mayo
en ambas campañas agrícolas. La densidad de siembra fue de aproximadamente 23-
28 plantas/m2 (12 a 15 plantas/metro de acuerdo al poder germinativo y al peso de
1.000 semillas). El espaciamiento usado fue el más frecuente de la zona (0,52 metros).
La cosecha se hizo en forma mecánica con tolva con balanza, cuya sensibilidad era de
50 kilos.
A los fines de tomar una decisión respecto a la variedad que mejor desempeño
tubo, evaluada con un modelo estadístico eficiente, es decir, con el menor error
experimental posible, hubiese convenido que el tratamiento de riego y secano se
realicen en el mismo campo y estandarizar el manejo entre cada campo. Sin embargo,
los ensayos no fueron conducidos bajo la premisa del diseño de experimentos. Debido
Comparación del rendimiento en variedades de garbanzo
113
a las limitaciones del diseño de los ensayos para evaluar el desempeño de las
variedades, se ajustaron 5 modelos de ANAVA introduciendo distintos factores con la
finalidad de poder determinar de manera eficiente el comportamiento de una variedad
según el lugar donde sea producido.
II.I. MODELOS EVALUADOS
Modelo 1. Modelo de ANAVA para evaluar el comportamiento del rendimiento
obtenido en cada variedad en cada uno de los campos. Efecto de variedad como fijo.
Rto= µ + Variedad+ Error
Se ajustará un ANAVA para evaluar el comportamiento de cada variedad en
cada uno de los campos donde se llevaron a cabo los ensayos, debido a que en cada
establecimiento los ensayos fueron conducidos de diferente manera y bajo distintas
condiciones experimentales, por ejemplo, algunos establecimientos disponían de
riego y otros no, en los cuales las variedades sólo eran evaluadas bajo secano. Sin
embargo, en los establecimientos donde se contaba con sistema de riego, las
variedades fueron evaluadas sólo bajo riego, es decir, en ningún establecimiento se
evaluaron las variedades bajo riego y secano, dificultando evaluar el efecto riego-no
riego en un mismo modelo. Además, tres ensayos fueron realizados durante la
campaña 2012 y el resto en la campaña 2013. Esto implica que las condiciones
experimentales entre años y entre establecimientos fueron diferentes, contando con 6
ensayos. En este primer modelo se ajustaron los rendimientos por variedad en cada
uno de los ensayos realizados. En el modelo, el efecto de la variedad fue considerado
como un efecto fijo. Para verificar los supuestos del ANAVA, se analizaron los residuos
en función de los valores predichos para evaluar de forma gráfica el cumplimiento del
supuesto de homogeneidad de varianzas y el gráfico QQ plot, para verificar el
supuesto de normalidad de los residuos.
Modelo 2. Efecto de variedad aleatorio.
Rto= µ + Variedad+ Error
En un segundo modelo, se propone ajustar los rendimientos promedio por
variedad pero considerando el efecto de la variedad como un efecto aleatorio. De esta
manera, se flexibiliza el supuesto de varianzas homogéneas estimando una varianza
para cada variedad. Se analizó mediante modelos lineales mixtos, colocando la
variedad como efecto aleatorio, calculando una varianza por variedad
Modelo 3. ANAVA con interacción variedad × tratamiento hídrico.
Rto = µ + Variedad + Tratamiento + Var * Trat + Ensayo+ Error
Comparación del rendimiento en variedades de garbanzo
114
Dado que el interés del productor radica en conocer si es conveniente invertir
en regar el garbanzo o no. En un tercer modelo propusimos evaluar el efecto del riego
y del secano sobre el desempeño de las variedades, es decir poder medir la
interacción variedad×tratamiento hídrico. La dificultad de este modelo se debe a que
cada ensayo fue realizado bajo una condición experimental diferente, aumentando el
error experimental. Pero, considerando que la magnitud de dicha interacción es una
cantidad que el productor desea conocer debido a que puede saber la diferencia a
esperar en el rendimiento promedio si aplica o no riego dada la localidad en la cual se
encuentra su establecimiento agropecuario.
Ajustamos un modelo donde los factores que definen el rendimiento son, la
variedad, el tratamiento (riego o no riego), la interacción entre variedad y tratamiento y
el ensayo que es colocado como variable aleatoria, estimando así una varianza para
cada ensayo.
Modelo 4. ANAVA sobre la media de los rendimientos por variedad en cada
ensayo. Se calcularon los rendimientos promedios de cada variedad a través de las
repeticiones en cada ensayo. Debido a que trabajar con la variable media muestral, la
varianza de la media muestral es menor a la varianza. Luego, se ajustó un modelo
sobre las medias muestrales.
Rto= µ + Variedad + Trat + Trat * Var + Ensayo+ Error
Modelo 5: ANAVA considerando el ambiente como la combinación de
tratamiento y campo.
Rto = µ + Variedad > Rep + Ambiente + Var * Ambiente + error
En este modelo, el rendimiento está definido por el efecto de la Variedad, el
efecto del Ambiente y la interacción Variedad×Ambiente. Donde el Ambiente se
conformó como la combinación de Tratamiento (riego y no riego), de campo donde se
realizó el ensayo y del año o campaña agrícola en la que se llevó adelante el ensayo.
Las repeticiones fueron tenidas en cuenta anidadas dentro de las variedades.
III. RESULTADOS Y DISCUSIÓN
III.I. MODELO 1
Realizando un ANAVA para cada ensayo, sólo se encontraron diferencias
estadísticamente significativas (p<0.05) entre las variedades en el ensayo ubicado en
la localidad de Pilar, el cual fue conducido bajo riego (Tabla 1). Las variedades más
rendidoras en Pilar fueron Canadiense y Chañarito (1931,09 y 1875,00 kg/ha,
Comparación del rendimiento en variedades de garbanzo
115
respectivamente) que mostraban diferencias significativas respecto al resto de las
variedades, esto se determinó con una prueba de comparaciones múltiples (LSD de
Fisher).A pesar de no encontrar diferencias estadísticamente significativas entre
variedades en el resto de los ensayos; los ensayos realizados en Cañada de Luque y
Totoral mostraron medias más altas (rendimiento promedio kg/ha respectivamente)
que los ensayos realizados en Sarmiento, Jesús María y Juárez Celman (rendimiento
promedio). La característica predominante en los ensayos que en promedio rindieron
más fue que recibieron riego, mientras que los ensayos restantes fueron realizados
bajo secano, independientemente del año en el que se haya conducido el ensayo
(Figura 1).
Tabla 1. Rendimiento medio en Kg/ha, con el desvío estándar (D.E.) y Coeficiente de variación (CV) de las variedades por ensayo según la localidad y el año.
Año Lugar Tratamiento Variedad Rendimiento (kg/Ha)
Significancia estadística*
D.E. CV
2012 Pilar Riego Canadiense 1931,09 A 120,39 6,23 Chañarito 1875,00 A 145,73 7,77 Mexicano 1119,12 C 36,13 3,23 Norteño 1434,68 B 64,75 4,51 Sauco 1065,71 C 202,23 18,98
2012 Totoral Riego Canadiense 2847,87 Ns 378,61 13,29 Chañarito 2738,54 Ns 543,93 19,86 Mexicano 2698,51 Ns 225,50 8,36 Norteño 2969,38 Ns 81,72 2,75 Sauco 2700,19 Ns 339,85 12,59
2012
Sarmiento
Secano
Canadiense 1079,17 Ns 285,52 26,46 Chañarito 935,28 Ns 62,31 6,66 Mexicano 566,56 Ns 114,46 20,20 Norteño 863,33 Ns 336,97 39,03 Sauco 701,46 Ns 93,46 13,32
2013 Cañada de Luque
Riego Canadiense 2403,85 Ns 480,77 20,00 Chañarito 2377,14 Ns 201,65 8,48 Mexicano 2403,85 Ns 50,00 2,08 Norteño 2083,33 Ns 277,57 13,32
2013 Jesús María
Riego Canadiense 661,38 Ns 114,55 17,32 Chañarito 925,93 Ns 114,55 12,37 Mexicano 793,65 Ns 343,66 43,30 Norteño 595,24 Ns 198,41 33,33
2013 Juarez Celman
Secano Canadiense 1068,93 Ns 124,54 11,65 Chañarito 825,60 Ns 54,38 6,59 Mexicano 891,89 Ns 256,73 28,78 Norteño 859,82 Ns 18,94 2,20
*: Las letras indican los resultado de la prueba a posteriori LSD Fisher. Letras iguales indican que no hay diferencias estadísticamente significativas entre los rendimientos promedios de las variedades que comparten la misma letra. NS: No Significativo en la prueba de ANAVA (valor p>0.05)
Comparación del rendimiento en variedades de garbanzo
116
Figura 1. Rendimientos promedios de cada variedad en cada uno de los ensayos. Nota: A) Ensayo realizado en Pilar; B) Totoral; C) Sarmiento; D) Cañada de Luque; E) Jesús María; F) Juárez Celman.
CanadienseChañarito
MexicanoNorteño
Sauco
Variedad
400,0
1100,0
1800,0
2500,0
3200,0R
en
dim
ien
to (
Kg
/ha
)
A
CanadienseChañarito
MexicanoNorteño
Sauco
Variedad
400,0
1100,0
1800,0
2500,0
3200,0
Re
nd
imie
nto
(K
g/h
a)
B
CanadienseChañarito
MexicanoNorteño
Sauco
Variedad
400,0
1100,0
1800,0
2500,0
3200,0
Re
nd
imie
nto
(K
g/h
a)
C
CanadienseChañarito
MexicanoNorteño
Variedad
400,0
1100,0
1800,0
2500,0
3200,0R
en
dim
ien
to (
Kg
/ha
)
D
CanadienseChañarito
MexicanoNorteño
Variedad
400,0
1100,0
1800,0
2500,0
3200,0
Re
nd
imie
nto
(K
g/h
a)
E
CanadienseChañarito
MexicanoNorteño
Variedad
400,0
1100,0
1800,0
2500,0
3200,0
Re
nd
imie
nto
(K
g/h
a)
F
Comparación del rendimiento en variedades de garbanzo
117
Figura 2. Gráficos de QQ plot por lugar. A) Pilar; B) Totoral; C) Sarmiento; D) Cañada de Luque; E) Jesús María; F) Juárez Celman.
794,75 1141,74 1488,72 1835,71 2182,70
Cuantiles de una Normal(1488,7,1,6517E005)
794,75
1141,74
1488,72
1835,71
2182,70
Cu
an
tile
s o
bse
rva
do
s(R
en
dim
ien
to (
Kg
/ha
))
n= 14 r= 0,969 (Rendimiento (Kg/ha))
A
2110,69 2417,68 2724,66 3031,65 3338,63
Cuantiles de una Normal(2790,9,99163)
2110,69
2417,68
2724,66
3031,65
3338,63
Cu
an
tile
s o
bse
rva
do
s(R
en
dim
ien
to (
Kg
/ha
))
n= 15 r= 0,930 (Rendimiento (Kg/ha))
B
415,11 662,06 909,01 1155,97 1402,92
Cuantiles de una Normal(847,92,64245)
415,11
662,06
909,01
1155,97
1402,92
Cu
an
tile
s o
bse
rva
do
s(R
en
dim
ien
to (
Kg
/ha
))
n= 14 r= 0,969 (Rendimiento (Kg/ha))
C
1843,52 2103,79 2364,07 2624,34 2884,61
Cuantiles de una Normal(2317,83873)
1843,52
2103,79
2364,07
2624,34
2884,61
Cu
an
tile
s o
bse
rva
do
s(R
en
dim
ien
to (
Kg
/ha
))
n= 12 r= 0,945 (Rendimiento (Kg/ha))
D
374,81 578,73 782,64 986,56 1190,48
Cuantiles de una Normal(744,05,50999)
374,81
578,73
782,64
986,56
1190,48
Cu
an
tile
s o
bse
rva
do
s(R
en
dim
ien
to (
Kg
/ha
))
n= 12 r= 0,953 (Rendimiento (Kg/ha))
E
697,15 825,48 953,81 1082,15 1210,48
Cuantiles de una Normal(929,04,24087)
697,15
825,48
953,81
1082,15
1210,48
Cu
an
tile
s o
bse
rva
do
s(R
en
dim
ien
to (
Kg
/ha
))
n= 9 r= 0,985 (Rendimiento (Kg/ha))
F
Comparación del rendimiento en variedades de garbanzo
118
En los QQ plot, podemos ver que los datos se acomodan bien sobre una recta
de 45º, solamente en Totoral y Los Quebrachos se alejan un poco de la recta en los
extremos, pero en general se ve que se aproximan bien a una pendiente de 45º,
cumpliendo con el supuesto de normalidad (Figura 2).
En los gráficos de dispersión de residuos vs. Predichos (Figura 3), a excepción
del gráfico correspondiente al ensayo de Pilar, no se observa una nube de puntos
homogénea como debería esperarse en caso de que se estén cumpliendo con los
supuestos del ANAVA. Esta heterogeneidad de varianzas que puede visualizarse en
los ensayos, nos hace pensar en que se podría recurrir a un modelo que permita
flexibilizar el supuesto de homogeneidad de varianzas y corregir los valores obtenidos
para asegurarse si las diferencias entre los rendimientos promedios entre las
variedades no pudieron ser detectadas o verdaderamente no existen.
Comparación del rendimiento en variedades de garbanzo
119
Figura 3. Gráfico de dispersión de los Residuos en función de los valores Predichos por el modelo ajustado. A) Pilar; B) Totoral; C) Sarmiento; D) Cañada de Luque; E) Jesús María; F)
Juárez Celman.
1022,44 1260,42 1498,40 1736,38 1974,36
PRED_Rendimiento (Kg/ha)
-204,33
-94,15
16,03
126,20
236,38
RD
UO
_R
en
dim
ien
to (
Kg
/ha
)A
2684,97 2759,46 2833,95 2908,44 2982,93
PRED_Rendimiento (Kg/ha)
-678,28
-400,89
-123,51
153,88
431,27
RD
UO
_R
en
dim
ien
to (
Kg
/ha
)
B
540,93 681,90 822,87 963,83 1104,80
PRED_Rendimiento (Kg/ha)
-412,78
-219,88
-26,98
165,92
358,82
RD
UO
_R
en
dim
ien
to (
Kg
/ha
)
C
2067,31 2155,45 2243,59 2331,73 2419,87
PRED_Rendimiento (Kg/ha)
-528,85
-264,42
0,00
264,42
528,85
RD
UO
_R
en
dim
ien
to (
Kg
/ha
)
D
578,70 669,64 760,58 851,52 942,46
PRED_Rendimiento (Kg/ha)
-228,18
-64,48
99,21
262,90
426,59
RD
UO
_R
en
dim
ien
to (
Kg
/ha
)
E
813,43 880,35 947,26 1014,18 1081,10
PRED_Rendimiento (Kg/ha)
-199,69
-99,84
0,00
99,84
199,69
RD
UO
_R
en
dim
ien
to (
Kg
/ha
)
F
Comparación del rendimiento en variedades de garbanzo
120
III.II. MODELO 2
Debido a que en el modelo anterior se detectó falta de homogeneidad de
varianzas entre las variedades, se ajustó mediante modelos lineales mixtos, el
rendimiento teniendo en cuenta la variedad como efecto aleatorio. Este modelo, estima
una varianza por variedad. En este modelo 2, la heterogeneidad de varianzas se
modeló con distintos tipos (VarIdent, VarExp, VarPower, VarConstPower, VarFidex). El
modelo que mejor ajustó según los criterios de información de Akaike (AIC y BIC), el
tipo de varianza fue VarIdent. En la Tabla 2 se presentan los valores estimados de
varianza para cada variedad en cada localidad.
Tabla 2.Parámetros de la función de varianza de las diferentes variedades y lugares.
Año Lugar Tratamiento Variedad Varianza
2012 Pilar Riego Canadiense 1,00
Chañarito 1,21 Mexicano 0,30 Norteño 0,53 Sauco 1,68
2012 Totoral Riego Canadiense 1,00 Chañarito 1,42 Mexicano 0,68 Norteño 0,25 Sauco 0,96
2012 Sarmiento Secano Canadiense 1,00 Chañarito 0,21 Mexicano 0,42 Norteño 1,01 Sauco 0,31
2013 Cañada de Luque
Riego Canadiense 1,00 Chañarito 0,43 Mexicano 0,13 Norteño 0,99
2013 Jesús María Riego Canadiense 1,00 Chañarito 1,06 Mexicano 2,72 Norteño 1,76
2013 Juárez Celman
Secano Canadiense 1,00 Chañarito 0,22 Mexicano 0,79 Norteño 0,08
Se realizaron los gráficos de dispersión de residuos vs. predichos a partir del
modelo 2, pero los resultados obtenidos muestran los mismos gráficos que los
obtenidos en el modelo 1.
Comparación del rendimiento en variedades de garbanzo
121
Con el presente modelo se obtuvieron los mejores predictores lineales
insesgados (BLUP) de cada variedad respecto a la media. Indicando si una variedad
obtuvo un comportamiento mejor o inferior al promedio general de rendimiento de cada
campo. En la Tabla 3 se presentan los BLUP más la media, de esta manera, los
valores quedan expresados en kg/ha. Puede observase que las localidades donde se
encontraron rendimientos más altos fueron Totoral, Cañada de Luque y Pilar, donde
siempre se aplicó riego complementario. En las tres localidades, los rendimientos
estuvieron siempre por encima de los 1000 kg/ha. Mientras que en Juarez Celman,
Jesús María y Sarmiento los rendimientos de las variedades nunca superaron el
umbral de 1000 kg/ha. En estas tres localidades el ensayo fue realizado bajo secano.
Estas diferencias tan marcadas entre ensayos conducidos bajo riego y los ensayos
conducidos bajo secano es que muestran que el desempeño de las variedades no es
independiente del riego.
Tabla 3. Rendimientos promedios ajustados.
Rendimiento promedio (kg/ha)
Variedades Cañad de Luque
Juarez Celman
Jesús María
Pilar Sarmient Totoral
Canadiense 2317,04 929,04 674,49 1920,35 975.62 2793,23 Chañarito 2317,04 929,03 884,51 1860,83 971.45 2775,52 Mexicano 2317,04 929,04 760,64 1122,66 664.36 2730,78 Norteño 2317,04 929,04 656,57 1427,87 874,6 2900,8 Sauco - - - 1101,89 753,58 2753,27 Rinde X 2317,04 929,04 744,05 1488,72 847,92 2790,90
Mediante el modelo 2, no logro corregirse la falta de homogeneidad que se
detectó en el modelo 1. La varianza entre variedades dentro de la misma localidad
continúa siendo heterogéneas (Tabla 2).
En este modelo, pudo detectarse el efecto positivo del riego en el cultivo de
garbanzo, encontrándose los mayores rinde en las localidades que recibieron riego
complementario (Totoral, Cañada de Luque, Pilar). Además puede verse que
Chañarito y Canadiense, en la mayoría de los campos superan siempre la media
general de rendimiento, mientras que Sauco en los campos donde se cultivó, siempre
tubo rendimientos menores a la media general (Tabla3).
III.III. MODELO 3
Buscábamos evaluar el efecto del riego y del secano sobre el comportamiento
de las variedades, es decir poder medir la interacción variedad×tratamiento, a pesar
de tener la dificultad, que en cada ensayo las condiciones no fueron iguales, es decir
Comparación del rendimiento en variedades de garbanzo
122
condiciones experimentales diferentes, que aumentando el error dentro de los
resultados. Buscamos reducir este error, colocando el ensayo como variable aleatoria,
mediante un MLM.
Tabla 4. Rendimiento (kg/Ha) de las diferentes variedades.
Variedad Rendimiento (kg/Ha) Significancia Estadística*
Canadiense 1507,19 A Chañarito 1437,35 A-B Norteño 1300,23 B-C Mexicano 1281,95 B-C Sauco 1108,49 C *: Las letras indican el resultado de la prueba a posteriori LSD Fisher. Letras iguales indican que no hay diferencias estadísticamente significativas entre los rendimientos promedios de las variedades que comparten la misma letra.
Los resultados de este modelo (Tabla 4), muestran que existen diferencias
estadísticamente significativas (p<0.05) entre las variedades, siendo la variedad
Canadiense y Chañarito la de mayores rendimiento medio (1507,19 kg/Ha y 1437,35
kg/Ha respectivamente), y la variedad Sauco la de menor rendimiento medio (1108,49
kg/Ha). El modelo no detecta diferencias entre los tratamientos, es decir que el
rendimiento no varía entre realizar el ensayo bajo un sistema de riego o secano. Así
mismo el modelo no detecta diferencias en los rendimientos a causa de la interacción
entre las variedades y los tratamientos.
III.IV. MODELO 4
El modelo fue realizado desde la tabla que contenía los rendimientos medios
por variedad de cada lugar, podemos concluir que el modelo 4, no encuentra
diferencias estadísticamente significativas (p>0.05) entre las variedades a diferencia
del modelo 3 que si encontraba diferencias entre las variedades.
El modelo 4 al igual que el modelo 3 no encuentra algún efecto sobre el
rendimiento por parte de los tratamientos (riego- no riego), y tampoco el modelo
detecta diferencias en los rendimientos, a causa de la interacción variedad x
tratamiento.
III.V. MODELO 5
A partir del modelo 5 podemos observar que hay diferencias estadísticamente
significativas (p<0.05) entre los diferentes ambientes, conformados por la combinación
de Lugar, año y tratamiento. En general, los mejores ambientes donde se obtuvieron
los rendimientos medios más altos, fueron aquellos donde se aplicó el tratamiento
Comparación del rendimiento en variedades de garbanzo
123
riego, a excepción de Jesús María. En los tratamientos donde no se regó, es donde se
obtuvieron los rendimientos más bajos en general, independientemente de la variedad
sembrada (Tabla 5).
A través de este modelo, no logramos encontrar diferencias significativas entre
las variedades.
Tabla 5. Rendimiento (Kg/Ha) en los diferentes ambientes.
Ambiente Rendimiento(kg/Ha) Significancia Estadística*
Riego_2012_Totral 2800,50 A Riego_2013_CL 2290,82 B Riego_2012_Pilar 1562,81 C Secano_2013_JC 1530,09 C Secano_2012_Sarm 864,63 D Riego_2013_JM 722,82 D *: Las letras indican el resultado de la prueba a posteriori LSD Fisher. Letras iguales indican que no hay diferencias estadísticamente significativas entre los rendimientos promedios de las variedades que comparten la misma letra.
Figura 4. Residuos vs Predichos modelo 5
394,07 1098,87 1803,67 2508,47 3213,27
PRED_0_Rendimiento (Kg/ha)
-541,15
-297,18
-53,20
190,78
434,76
RD
UO
_0
_R
en
dim
iento
(K
g/h
a)
Comparación del rendimiento en variedades de garbanzo
124
IV. CONCLUSIÓN
La disponibilidad de las UE experimentales para planificar el ensayo no son las
óptimas generando una dificultad debido al incremento de la variabilidad residual.
Consecuentemente no se llega a la detección de diferencias entre las medias
poblacionales de los tratamientos debido al “ruido” experimental. A través del ajuste de
diferentes Modelos Lineales Mixtos hemos logrado conseguir detectar diferencias en
rendimiento y efecto del tratamiento (riego-no riego), que son las herramientas en
definitiva que necesita el productor obtener de este tipo de ensayos.
Las variedades que mostraron mejores rendimientos fueron Canadiense y
Chañarito (1507,19 kg/Ha y 1437,35 kg/Ha respectivamente), como muestra el Modelo
3 (Tabla 4)que detecta diferencia entre las variedades y el Blup del modelo 2 (Tabla 3),
donde son las únicas variedades que en la mayoría de los campos superan la media
de rendimiento del campo. En igual caso, la variedad que mostro rendimientos más
bajos fue Sauco con un rendimiento medio de 1108,49 kg/Ha.
En cuanto al tratamiento, en los ambientes donde se rego se observaron
mayores rendimientos en todas las variedades en comparación a los sitios en secano,
donde los rindes siempre fueron más bajos a los sitios regados como muestra el
modelo 5 (Tabla 5), a excepción de Jesús María donde se rego, pero igual los
rendimientos fueron bajos. Este efecto también puede observarse en el Blup del
modelo 2 (Tabla 3).
V. REFERENCIAS BIBLIOGRÁFICAS
Kuehl, R. O. (2001). Diseño de experimentos: principios estadísticos de diseño y
análisis de investigación. Thomson Learning.
Montgomery, D. C. (2008). Design and analysis of experiments. John Wiley & Sons.
Balzarini, M.; J. Di Rienzo; M. Tablada; L. Gonzalez; C. Bruno; M. Córdoba; W.
Robledo; F. Casanoves. (2012). Estadística y biometría: Ilustraciones del uso
de InfoStat en problemas de agronomía. Córdoba: Brujas.
Comparación del rendimiento en variedades de garbanzo
125
VI. ANEXO
Modelo 2
-189,47 -88,02 13,44 114,89 216,35
Cuantiles de una Normal(-2,0301E-014,12312)
-189,47
-88,02
13,44
114,89
216,35
Cu
an
tile
s o
bse
rva
do
s(R
DU
O_
Re
nd
imie
nto
(K
g/h
a))
n= 14 r= 0,985 (RDUO_Rendimiento (Kg/ha))
A
-627,85 -342,29 -56,72 228,84 514,40
Cuantiles de una Normal(5,6843E-014,87462)
-627,85
-342,29
-56,72
228,84
514,40
Cu
an
tile
s o
bse
rva
do
s(R
DU
O_
Re
nd
imie
nto
(K
g/h
a))
n= 15 r= 0,975 (RDUO_Rendimiento (Kg/ha))
B
-377,71 -202,34 -26,98 148,39 323,75
Cuantiles de una Normal(-9,7446E-014,32960)
-377,71
-202,34
-26,98
148,39
323,75
Cu
an
tile
s o
bse
rva
do
s(R
DU
O_
Re
nd
imie
nto
(K
g/h
a))
n= 14 r= 0,980 (RDUO_Rendimiento (Kg/ha))
C
-480,77 -240,38 0,00 240,38 480,77
Cuantiles de una Normal(2,3685E-014,63882)
-480,77
-240,38
0,00
240,38
480,77
Cu
an
tile
s o
bse
rva
do
s(R
DU
O_
Re
nd
imie
nto
(K
g/h
a))
n= 12 r= 0,979 (RDUO_Rendimiento (Kg/ha))
D
Comparación del rendimiento en variedades de garbanzo
126
Figura 5. QQ plot de los residuos obtenidos al ajustar el Modelo 2 para corroborar de manera gráfica el supuesto de normalidad para un ANAVA con efecto fijo de variedad. Pilar; B) Totoral; C) Sarmiento; D) Cañada de Luque; E) Jesús María; F) Juárez Celman.
Modelo 4
Medidas de ajuste del modelo
N AIC BIC logLik Sigma R2_0 R2_1
27 284,93 299,10 -125,47 95,14 0,34 0,96 AIC y BIC menores implica mejor
Pruebas de hipótesis marginales (SC tipo III)
numDF denDF F-value p-value
(Intercept) 1 13 14,97 0,0019
Variedad 4 13 2,50 0,0938
Tratamiento 1 4 1,93 0,2372
Variedad:Tratamiento 4 13 1,97 0,1583
Parámetros de los efectos aleatorios
Modelo de covarianzas de los efectos aleatorios: pdIdent
Formula: ~1|Lugar
Desvíos estándares relativos al residual y correlaciones
(const)
(const) 8,31
Estructura de varianzas
Modelo de varianzas: varIdent
Formula: ~ 1 | Lugar
Parámetros de la función de varianza
Parámetro Estim
Cañada de Luque 1,00
Juarez Celman 1,41
Los Quebrachos 0,99
Pilar 3,77
Sarmiento 1,41
Totoral 2,49
-298,83 -124,91 49,00 222,91 396,83
Cuantiles de una Normal(1,6106E-013,33403)
-298,83
-124,91
49,00
222,91
396,83
Cu
an
tile
s o
bse
rva
do
s(R
DU
O_
Re
nd
imie
nto
(K
g/h
a))
n= 12 r= 0,962 (RDUO_Rendimiento (Kg/ha))
E
-181,54 -90,77 0,00 90,77 181,54
Cuantiles de una Normal(1,579E-014,12531)
-181,54
-90,77
0,00
90,77
181,54
Cu
an
tile
s o
bse
rva
do
s(R
DU
O_
Re
nd
imie
nto
(K
g/h
a))
n= 9 r= 0,984 (RDUO_Rendimiento (Kg/ha))
F
Comparación del rendimiento en variedades de garbanzo
127
Figura 6. Residuos vs Predichos del modelo 4.
Modelo 5
Modelos lineales generales y mixtos
Medidas de ajuste del modelo
N AIC BIC logLik Sigma R2_0
76 1086,20 1174,77 -505,10 260,01 0,95 AIC y BIC menores implica mejor
Pruebas de hipótesis Marginal
Df Sum Sq Mean Sq F value Pr(>F)
Variedad 4 502252,33 125563,08 1,86 0,1375
AMBIENTE 5 49091054,07 9818210,81 145,23 <0,0001
Variedad:Repeticion 10 296646,49 29664,65 0,44 0,9179
Variedad:AMBIENTE 17 1850510,14 108853,54 1,61 0,1087
Residuals 39 2636598,65 67605,09
507,39 1158,35 1809,31 2460,26 3111,22
PRED_1_Rendimiento (Kg/ha)
-956,26
-548,80
-141,35
266,10
673,55
RD
UO
_1
_R
en
dim
iento
(K
g/h
a)
Progreso genético y estabilidad de materia seca en Triticale
128
Análisis de progreso genético y estabilidad en la producción de materia seca de
Triticale forrajero
Laura Andrea Ayduh y Laura Orué
Tutores: Mónica Balzarini y Ricardo Maich
Progreso genético y estabilidad de materia seca en Triticale
129
CONTENIDOS
I. Introducción
II. Materiales y métodos
II.I. Área de estudio
II.II. Descripción del experimento
II.III. Etapas de la SR
III. Resultados y discusión
IV. Conclusión
V. Referencias bibliográficas
Progreso genético y estabilidad de materia seca en Triticale
130
I. INTRODUCCIÓN
La necesidad de incrementar la eficiencia productiva de los sistemas
ganaderos ha desembocado en un proceso de intensificación acentuado por el
incremento en el valor de la tierra. El mayor valor inmobiliario, consecuencia de la alta
rentabilidad que brindan los cultivos para grano estivales, ha hecho que el costo
relativo de los alimentos para el ganado haya también variado. Solamente las pasturas
de alta producción pueden ofrecer materia seca (MS) a menor costo, por ejemplo que
el silo de maíz (D.Rearte. 2010). El forraje almacenado como silo es una fuente de
alimento predecible, lo que no necesariamente ocurre con los verdeos estivales e
invernales. En cuanto a los verdeos invernales, es común observar como con el
transcurrir de los cortes o pastoreos la producción de MS tiende a disminuir.
Circunstancia que condiciona inexorablemente la carga animal. Un desafío que el
mejoramiento genético vegetal asume de manera constante es aunar producción y
estabilidad, sólo así los verdeos invernales se parecerán cada vez más a los forrajes
conservados en cuanto a la certeza de lo que se dispone.
Los verdeos de invierno, avena (Avena sativa), cebada (Hordeum vulgare),
centeno (Secale cereale), trigo (Triticum durum) y el cruzamiento de estos dos últimos,
triticale (X Triticosecale Wittmack), son gramíneas anuales de crecimiento otoño-
inverno-primaveral. En Argentina, el triticale se encuentra en un franco período de
expansión, especialmente en las zonas subhúmedas y semiáridas, donde remplaza
con éxito al centeno. Se le reconoce una rusticidad comparable a éste por soportar
condiciones climáticas adversas pero brindando una calidad de forraje superior
(Amigone y Kloster 1997). Respecto a la avena y a la cebada, el triticale sobresale por
su alta producción de materia seca y la menor pérdida de calidad que presenta con el
avance de su fenología (Romero et al. 1999 en Mendoza-Elos et al. 2011).
Ante tan halagüeñas perspectivas es necesario continuar con los programas de
mejoramiento tendientes a incrementar la producción de materia seca en la especie,
pero además propender a evaluar periódicamente los materiales tal de disponer de
información actualizada esencial cuando de difusión tecnológica se trata (Saroff et
al.2003). El triticale es una especie autógama y su mejoramiento genético puede
realizarse a través de algunos de los siguientes esquemas: selección genealógica,
masal o recurrente. La selección recurrente engloba un conjunto de métodos en los
que se llevan a cabo ciclos alternantes de selección y cruzamiento, y su objetivo es
elevar la frecuencia de los alelos favorables en el pool génico sujeto a mejora.
Los objetivos del presente estudio fueron, medir el progreso genético en cuanto
a la producción de MS al cabo de 10 ciclos de selección recurrente de triticale forrajero
Progreso genético y estabilidad de materia seca en Triticale
131
e identificar los genotipos más productivos y a la vez estables en la producción
forrajera anual.
II. MATERIALES Y MÉTODOS
II.I. ÁREA DE ESTUDIO
El estudio se llevó a cabo en el Campo Escuela de la Facultad de Ciencias
Agropecuarias (31º 29' S, 64º 00' O) a 25 km de la ciudad de Córdoba. El área
corresponde a la Región Natural Semiárida Centro de la Argentina, con una
precipitación anual media de 770,5 mm. El suelo corresponde a un Haplustol Éntico.
II.II. DESCRIPCIÓN DEL EXPERIMENTO
El programa de mejoramiento genético de triticale llevado a cabo en la Facultad de
Ciencias Agropecuarias (UNC) está basado en un esquema de selección recurrente
(SR) que dió inicio en el 2000 a razón de un ciclo por año. Se partió de 5 genotipos
(Boaglio, Quiñe, Remedios, Tatú y Tehuelche) de triticale hexaploide (X Triticosecale
Wittmack) que fueron cruzados entre sí con el fin crear la población inicial (C0)
constituida por 10 progenies F1.
II.III. ETAPAS DE LA SR
Evaluación de las progenies S0. La evaluación de las progenies S0 (producto de
los cruzamientos realizados cada año) se realizó durante diez años consecutivos
obteniéndose 10 poblaciones o ciclos (C0 a C10). En el 2001 se evaluaron las
progenies S0 correspondientes al ciclo C0 en condiciones sin limitantes hídricas y con
fertilización orgánica. Al cabo de cuatro cortes se cruzaron entre si las cinco S0
superiores en cuanto a la producción de materia seca. Se conservó de forma masal la
semilla S1 de éstas. En el 2002 se evaluó el primer ciclo de SR (C1) al que se le
realizaron cinco cortes. Habiéndose entrecruzado las cinco S0 superiores y
conservándose la semilla S1. La misma metodología se utilizó durante el 2003 (C2),
2004 (C3), 2005 (C4), 2006 (C5), 2007 (C6), 2008 (C7), 2009 (C8), 2010 (C9) y 2011
(C10). A partir del ciclo cinco el número de cortes se redujo a tres. La semilla
correspondiente a las progenies seleccionadas en cada ciclo se conservó en cámara
de frío (5º C).
Progreso genético y estabilidad de materia seca en Triticale
132
Medición de la respuesta a la selección.
Selección individual de plantas. Una vez obtenidos la población inicial y los diez
ciclos (C0 al C10) se sembraron las once muestras de semillas en un mismo ensayo
durante el año 2012. Se trabajó con sistema de siembra directa y en secano. Se
cosechó cada población por separado y a mano. Se seleccionaron al azar tres plantas
por ciclo y se procedió a su trilla de manera individual.
Evaluación de los genotipos S-derivados. Durante el 2014 se llevó a cabo un
ensayo bajo un diseño en bloques completos aleatorizados con dos repeticiones en el
que se evaluaron los primeros once ciclos de SR, cada uno de estos representados
por tres genotipos. Cada parcela estuvo constituida por un surco de 5 m de longitud,
distanciados entre sí por 0.20 m y con una densidad de siembra de 200 semillas /m2.
La siembra fue bajo el método de siembra directa el día 13/03/14. Se realizaron tres
cortes bajo el método manual con tijera en diferentes fechas (15/05/2014, 15/7/2014 y
11/09/2014), el forraje cortado en cada parcela se pesó en el campo y se tomó una
sub muestra que fue secada hasta peso constante para poder obtener el peso de la
materia seca. Los datos se proyectaron a rendimiento por unidad de superficie (Kg/ha).
La información fue sujeta al correspondiente análisis estadístico bajo la forma de
Análisis de Componentes Principales (ACP), Análisis de Conglomerados, Análisis de
la varianza (ANAVA) (Balzarini et al. 2008).
III. RESULTADOS Y DISCUSIÓN
En la tabla 1 se puede ver que el promedio de materia seca total presentado
por la población inicial y los diez ciclos de selección recurrente es de 8.334kg/ha. con
un coeficiente de variación promedio del 28,25%. La mayoría de los ciclos presento
una mayor producción de MS en el primer corte.
Progreso genético y estabilidad de materia seca en Triticale
133
Tabla 1. Materia seca (MS) acumulada en tres cortes anuales de triticale forrajero y coeficientes de variación (CV) entre los cortes para la población inicial y las derivadas en 10 ciclos consecutivos de selección recurrente. Se adjunta la misma información para cultivares comerciales.
CICLOS MS Promedio MS total
CV
Corte 1 Corte 2 Corte 3
0 3662 2559 2602 8823 30
1 3490 2377 2723 8590 27
2 3427 2528 3205 9160 28
3 3117 2197 2034 7348 22
4 2611 2592 2834 8037 40
5 3688 2216 2021 7925 29
6 2868 2647 3384 8899 39
7 3237 2586 2526 8349 35
8 2832 2625 3079 8536 19
9 3631 2561 2332 8524 20
10 4033 2671 2733 9437 26
Calchín 3691 2461 2526 8678 24
Cosquín 2755 2496 2154 7405 12
Quiñé 3907 1617 1427 6951 60
Tehuelche 3443 3157 2740 9340 11
Yagán 3278 2165 1912 7355 30
En la figura 1 se observa un Biplot de Análisis de Componentes Principales
donde los puntos verdes representan a cada genotipo precedido por su ciclo y los
rojos, producción de MS en los cortes 1, 2 y 3. La variabilidad total queda
representada en un 92% en las dos primeras componentes principales, (48%=CP 1;
44% =CP 2), en terminos prácticos los dos ejes son importantes para explicar la
variabilidad total en los datos. Se observa que el eje 1 (X) esta correlacionado con la
MSC1 y el eje 2 (Y) esta correlacionado con la MSC3, la MSC2 se proyecta mas o
menos en igual cantidad sobre el eje 1 que sobre el eje 2. Luego, los genotipos
ubicados hacia la derecha presentan un alto rendimiento de MSC1 y aquellos ubicados
del lado izquierdo, un bajo rendimiento de MS en dicho corte. Por otro lado, aquellos
genotipos ubicados en la mitad superior presentan un alto rendimiento de MSC3. Por
lo representado en el gráfico, los mejores genotipos en cuanto a rendimiento de
materia seca son los ubicados en el cuadrante superior derecho: (0:2, 1:3, 2:3, 2:1,
4:2, 7:3, 8:2, 9:1, 10:1, 10:2 y Tehuelche).
Progreso genético y estabilidad de materia seca en Triticale
134
Figura 1. Biplot del Análisis de Componentes Principales (ACP). El primer numero indica el ciclo, y el segundo el genotipo.
Se realizó un Análisis de la varianza (ANAVA) donde no se encontraron
evidencias estadísticamente significativas de MS acumulada para los distintos ciclos
de selección recurrente y testigos (Test de Fisher α=00,5).
Los rendimientos relativos de los distintos ciclos, en relación al promedio de los
testigos, observados en la figura 2, muestran tanto en la población inicial como en los
dos primeros ciclos un rendimiento superior a la media, probablemente consecuencia
de una mayor presión de selección ocasionada por el mayor número de cortes que se
realizó al comienzo del programa de mejoramiento. A partir del ciclo 5 se comenzó a
trabajar con 3 cortes, haciendo una interpolación desde este ciclo en adelante
pareciera marcarse una tendencia lineal creciente, donde el ciclo 5 muestra el valor
medio de los testigos y el 10 supera la media.
-2500 -1667 -833 0 833 1667 2500
CP 1 (48.2%)
-2500
-1667
-833
0
833
1667
2500
CP
2 (
44
.4%
)
0:1
1:1
10:1
2:1
3:1
4:1
5:1
6:1
7:1
8:1 9:1
0:2
1:2
10:22:2
3:2
4:2
5:2
6:2
7:2
8:2
9:20:3
1:3
10:3
2:3
3:3
4:3
5:3
6:3
7:3
8:3
9:3
Calchín
Cosquín
Quiñé
Tehuelche
Yagán
MSC1
MSC2
MSC3
0:1
1:1
10:1
2:1
3:1
4:1
5:1
6:1
7:1
8:1 9:1
0:2
1:2
10:22:2
3:2
4:2
5:2
6:2
7:2
8:2
9:20:3
1:3
10:3
2:3
3:3
4:3
5:3
6:3
7:3
8:3
9:3
Calchín
Cosquín
Quiñé
Tehuelche
Yagán
MSC1
MSC2
MSC3
Progreso genético y estabilidad de materia seca en Triticale
135
Figura 2. Gráfico de barras de los rendimientos relativos respecto al promedio de los testigos para la población inicial y los 10 ciclos de selección recurrente.
Para ver si realmente había una tendencia lineal creciente, a partir del ciclo
cinco en adelante que pudiese confirmar un posible avance genético en cuanto a
rendimiento de MS, se realizó una regresión lineal (figura 3) en la cual se observa que
los incrementos en produccion de MS total/ha a lo largo de los ciclos no resultan
estadisticamente significativos. La estimación de aumento de MS por ciclo es de 34,5
kg.
Figura 3. Regresión lineal entre materia seca (MS) acumulada y ciclos de selección recurrente (SR) del ciclo 5 en adelante.
0 1 2 3 4 5 6 7 8 9 10
Ciclo
0.0
0.2
0.4
0.6
0.8
1.0
1.2
RR
Testig
os
4 5 6 7 8 9 10
Ciclo
4927
6695
8464
10232
12000
MS
tota
l
Progreso genético y estabilidad de materia seca en Triticale
136
Como se observa en el diagrama de dispersión (figura 4), los genotipos que se
encuentran en el cuadrante superior izquierdo son aquellos que presentan mayor
producción de MS total y menor variabilidad entre cortes, por el contrario aquellos
ubicados en el cuadrante derecho inferior son los que menor producción de MS
presentan y mayor variabilidad entre cortes.
Figura 4. Diagrama de dispersión entre Coeficiente de variación y MS para los diferentes genotipos y testigos.
7 16 24 32 41 49 58
CV
6200
7360
8520
9680
10840
12000
MS
to
tal
0:1
0:2
0:31:1
1:2
1:3
10:1
10:2
10:3
2:1
2:2
2:3
3:1
3:2
3:3
4:1
4:2
4:3
5:15:2
5:3
6:1
6:2
6:3
7:1
7:2
7:3
8:1
8:2
8:3
9:1
9:29:3
Calchín
Cosquín
Quiñé
Tehuelche
Yagán
0:1
0:2
0:31:1
1:2
1:3
10:1
10:2
10:3
2:1
2:2
2:3
3:1
3:2
3:3
4:1
4:2
4:3
5:15:2
5:3
6:1
6:2
6:3
7:1
7:2
7:3
8:1
8:2
8:3
9:1
9:29:3
Calchín
Cosquín
Quiñé
Tehuelche
Yagán
Progreso genético y estabilidad de materia seca en Triticale
137
IV. CONCLUSIÓN
Si bien quedó demostrado que no se logró un progreso genético al cabo de
diez ciclos de selección recurrente, se encontraron dentro de éstos, genotipos que se
destacan por su estabilidad en el transcurso de los cortes y por sus altos rendimientos.
Los genotipos (0:2, 1:3, 2:3, 2:1, 4:2, 7:3, 8:2, 9:1, 10:1, 10:2 y Tehuelche) son
los que presentan mayor rendimiento en kg de MS, pero si bien estos genotipos
poseen un mayor potencial genético para el rendimiento no todos son estables a lo
largo de sus cortes, como se puede ver en el diagrama de dispersión, sólo se
encuentran los genotipos (1:3, 2:1, 4:2, 7:3, 8:2, 9:1 y Tehuelche presentando elevada
estabilidad además en tal carácter. De aquí que se deberán elegír los genotipos para
comenzar un nuevo programa de selección recurrente, esta vez, de una forma mas
homogénea, que presenten cualidades como altos rendimientos, poca variabilidad
entre cortes lo cual permitiría una mejor programación de la carga animal en sistemas
semi intensivos.
Progreso genético y estabilidad de materia seca en Triticale
138
V. REFERENCIAS BIBLIOGRÁFICAS
Amigone, M. A. y Kloster, A.M. 1997. Invernada bovina en zonas mixtas. Agro 2 de
Córdoba. Capítulo II: 37-56. INTA, Centro Regional Córdoba, EEA Marcos
Juárez. Disponible en www.produccion-animal.com.ar. Activo octubre 2014.
Balzarini M.G., Gonzalez L., Tablada M., Casanoves F., Di Rienzo J.A., Robledo C.W.
(2008). Manual del Usuario, Editorial Brujas, Córdoba, Argentina.
Rearte,D. 20 situación actual y prospectiva de la ganadería argentina, un enfoque
regional. Disponible en
http://produccionbovina.com.ar/informacion_tecnica/origenes_evolucion_y_esta
disticas_de_la_ganaderia/121-rearte.pdf. Activo septiembre 2014.
Romero et al. 1999 en Mendoza-Elos, M., Cortez-Baheza, E., Rivera-Reyes, J.G.,
Rangel-Lucio, J.A., Andrio-Enríquez, E., Cervantes-Ortiz, F. 2011. Época y
densidad de siembra en la producción y calidad de semilla de Triticale (X
Triticosecale Wittmack). Agron. Mesoam vol.22 n.2 San Pedro. Disponible en
http://www.scielo.sa.cr/scielo.php?pid=S1659-
13212011000200007&script=sci_arttext. Activo octubre 2014.
Saroff, C., Pagliaricci, H., y Ferreira, V. 2003. Efecto de la defoliación sobre la
dinámica del crecimiento de TriticaleAgric. Téc. v.63 n.3 Disponible en
http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0365-
28072003000300006. Activo octubre 2014.
Microorganismos del suelo y prácticas agrícolas
139
Análisis del impacto de distintas prácticas agrícolas en los microorganismos del suelo
Agustín Arinci y Tobías Vignaroli
Tutor: Andrea Natalia Peña Malavera
Microorganismos del suelo y prácticas agrícolas
140
CONTENIDOS
I. Introducción
II. Materiales y métodos
II.I. Sitio de estudio, descripción y ubicación
II.II. Diseño experimental
II.III. Análisis estadístico
III. Resultados y discusión
III.I. Análisis de la varianza
III.II. Matriz de diagramas de dispersión y análisis de
correlación
III.III. Análisis de componentes principales
IV. conclusión
V. Agradecimientos
VI. Referencias Bibliográficas
Microorganismos del suelo y prácticas agrícolas
141
I. INTRODUCCIÓN
La agricultura en la República Argentina ha tenido su auge en las últimas
décadas debido a la incorporación de nuevos paquetes tecnológicos al esquema
productivo, principalmente la siembra directa (SD) y la aparición de soja transgénica
resistente al glifosato. Si bien los primeros pasos en la SD en la Argentina datan de la
segunda mitad de la década del 70, se logró afianzar entrando los 90 (Aapresid, 2014).
Según relevamientos de Aapresid, en el año 1999 se sembraron 9 millones de
hectáreas en Argentina, y para el año 2009 esa cifra ascendió a 25 millones de
hectáreas. Este proceso de “agriculturización” que atraviesa la Argentina ha generado
una simplificación en los sistemas productivos actuales, caracterizado por la presencia
del monocultivo con escasas o nulas rotaciones (Pérez Brandán, 2014). Esto ha
agravado algunos de los problemas ambientales y generado nuevos, como son
deforestación, pérdida de biodiversidad, contaminación de suelos y acuíferos por el
creciente uso de agroquímicos, pérdida de la fertilidad del suelo por la extracción y
escasa reposición de nutrientes y pérdida de la capacidad de resiliencia de tierras con
potencial productivo, lo que aceleró algunos procesos que comprometen la
sustentabilidad de los agroecosistemas (Pérez Brandán, 2014).
La cantidad de microorganismos en el suelo es un factor determinante en las
actividades agrícolas y seguir su alteración de acuerdo al uso del suelo es de gran
importancia para el estudio de la interacción entre éstos y las plantas. Los sistemas
productivos alteran la reserva de materia orgánica, modificando los microorganismos
presentes en el suelo (Abril, 2013). La respuesta de los microorganismos a los
cambios ambientales difiere según la adaptación que tengan a esos factores
cambiantes (Gray y Williams, 1971; Van Gestel et al., 1993).
La acción antropológica en un ecosistema provoca una distorsión en la
dinámica de los nutrientes y de la actividad microbiana, brindándole menor capacidad
para mantener las funciones y servicios del mismo. Los sistemas cultivados son
monoespecíficos, lo que afecta al tipo y cantidad de residuos, la cobertura y la
diversidad de captación de nutrientes. La transformación de bosques en cultivos
produce un fuerte impacto sobre la biota del suelo. La deforestación del bosque nativo,
para la posterior implantación de los cultivos, es un proceso frecuente en nuestro país;
provoca un incremento de la biomasa bacteriana, y a su vez cambia la dominancia de
especies de microorganismos debido al aumento de residuos en la superficie y a la
disponibilidad de raíces muertas (Abril, 2013). Si cambia la dominancia, se alteran los
procesos que llevan a cabo los microorganismos, tales como la descomposición de la
materia orgánica (MO), el reciclado del material vegetal, la movilización e
Microorganismos del suelo y prácticas agrícolas
142
inmovilización de minerales y contaminantes, la mejora en la aireación del suelo, la
inhibición de patógenos, el incremento de la resistencia en plantas, la estructuración
física del suelo y el aumento de la nutrición vegetal promoviendo su crecimiento, entre
otras (Pérez Brandán, 2014).
La presencia de microorganismos va a estar condicionada por la naturaleza
física y química del suelo. La porción abiótica del ecosistema del suelo posee varios
componentes reconocibles: las condiciones físicas, químicas y los aspectos
estructurales (pH, temperatura, humedad, fertilidad, etc). Cada especie de
microorganismo posee un valor óptimo para cada factor físico y químico, que influye
en su crecimiento o actividad, los cuales declinan a ambos lados del valor óptimo,
influyendo en el desarrollo de la población total (Zuñiga, 2004).
Cualquier paso del bosque nativo a un sistema de producción agrícola va a
modificar la biota del suelo, ya sea con labranza convencional o con SD. Debido a la
tendencia actual hacia la SD se decidió trabajar con este tipo de sistemas; una
tendencia que persigue evitar problemas de erosión hídrica y eólica que arrastraba la
labranza convencional, pero que a su vez cuanta con ciertas ventajas como
conservación de la humedad, aumento de la eficiencia en el ciclado de nutrientes,
aumento de materia orgánica provocando una mejor permeabilidad e infiltración de
agua en el perfil, y mayores rendimientos. También mejora la actividad y diversidad
microbiana; y produce un incremento en las densidades poblacionales de
microorganismos benéficos, debido principalmente a una menor perturbación física de
la estructura del suelo, lo que genera, a escala espacial, modificaciones en la
estructura de las comunidades microbianas residentes en el suelo (Pérez Brandán,
2014).
Una práctica no conservacionista muy extendida es el monocultivo que consiste
en la utilización de una sola especie en campañas contiguas, generando agotamiento
de las reservas de nutrientes en el suelo y con ello una disminución de las actividades
y diversidad microbiana (Pérez Brandán, 2014). Técnicos de aapresid aseguran que,
aun bajo SD, el monocultivo genera una importante pérdida de suelo y reduce la
productividad.
La práctica contraria dentro de la SD es la rotación, que alterna diferentes
cultivos en el mismo espacio y que tiene varios efectos positivos en el suelo. Desde el
punto de vista físico, la rotación favorece la estructura, ya que permite la exploración
radicular en diferentes estratos del perfil (Pérez Brandán, 2014). Además, la cobertura
vegetal generada por el cultivo una vez cosechado (rastrojo) es un factor que afecta la
magnitud de la población de microorganismos, y en consecuencia la intensidad de la
actividad biológica. A su vez, la rotación permite el cambio en las características de la
Microorganismos del suelo y prácticas agrícolas
143
comunidad microbiana, fundamental para el control biológico de patógenos que lo
habitan.
El objetivo de este trabajo es realizar un análisis comparativo de las
condiciones del suelo bajo monocultivo de soja, a diferencia de una rotación Soja-Maíz
y de un bosque nativo. En primer lugar identificar los principales cambios que se dan
en el suelo con agricultura con respecto a su estado original, es decir, al bosque
nativo. También ver la influencia de las rotaciones en la presencia de biocontroladores.
II. MATERIALES Y MÉTODOS
II.I. SITIO DE ESTUDIO, DESCRIPCIÓN Y UBICACIÓN
Se seleccionaron lotes comerciales sembrados bajo SD en la localidad de Las
Lajitas, provincia de Salta. Cada lote tiene una superficie entre 40 y 60 has. La
localidad de Las Lajitas está ubicada en el departamento de Anta, situado en el centro-
este de la provincia a 1250 msnm (Latitud 24º 53' 2'', longitud 65º 28' 23''). El tipo de
suelo predominante en la zona es franco, correspondiente a la asociación Cerrados-
Bañados. Esta localidad concentra el 65% de la producción provincial del cultivo de
soja, con 230.000 has. Está ubicada a 230 km al este de la ciudad de Salta y su gran
relevancia se debe al fuerte crecimiento productivo y a la continua incorporación de
tecnología para el cultivo de soja principalmente. La zona posee un clima subtropical
serrano con estación seca en invierno y en verano con precipitaciones que llegan a los
850 mm intensificándose hacia el oeste al acercarse a los cerros.
Con la finalidad de comparar situaciones contrastantes de manejo y de estudiar
situaciones reales, se realizó un estudio observacional con lotes de producción. Se
seleccionaron diferentes sitios (lotes) de distintas fincas donde se realiza manejo
convencional en monocultivo y manejo conservacionista en rotación. Además se
seleccionaron sitios de bosque tropical adyacente a los sitios bajo manejo. Los suelos
de los diferentes manejos presentan textura franca-franca arenosa, con un promedio
entre 2-2,70 % de MO, 0,2 % de N total y pH 6,6.
II.II. DISEÑO EXPERIMENTAL
El muestreo de suelos se llevó a cabo en enero en las campañas del 2009-
2010 y 2010-2011. Se recogieron muestras de suelos agrícolas sometidos al
monocultivo de soja (M) y la rotación de cultivos Soja-Maíz (R), y de suelo no alterado
con vegetación nativa (NV). En los tratamientos bajo manejo en monocultivo se
Microorganismos del suelo y prácticas agrícolas
144
evaluaron sitios (lotes) con diferentes años de implantación de monocultivo de soja,
mientras que en los tratamientos bajo manejo en rotación se analizaron sitios con
distintos años de rotación (Soja-Maíz) (Tabla 1.). Además se incluyó en el análisis
sitios de bosque tropical nativo asociado a cada situación de manejo contrastante. Los
lotes fueron sembrados y manejados de acuerdo a los protocolos establecidos por los
productores de la zona. A la siembra, las semillas de soja fueron tratadas con el
curasemilla comercial a base de Carboxim + Thiram (Vitavax Flo), para el control de
malezas se empleó glifosato (Roundup) a 4 l/ha y metsulfurón metil (Zamba) a dosis
de marbete, mientras que para el control de plagas se aplicó metoxifenocide (Intrepid
SC.) según dosis de marbete. Las variedades de soja sembradas en ambas fincas
corresponden a variedades de grupo de madurez 8 (GM VIII), de ciclos determinados
de Nidera, principalmente se sembraron las variedades A8000. La densidad de
siembra fue de 22-26 semillas por metro lineal con un poder germinativo (PG)
promedio del 85 %. A emergencia se establecieron 16-18 plantas por metro lineal con
ese PG. La soja no fue fertilizada ni inoculada.
Para los sitios bajo rotación las variedades de maíz sembradas fueron híbridos
tropicales resistentes a herbicidas y a plagas de la variedad DK390 VT triple pro
(Monsanto). Además, se realizaron las siguientes aplicaciones para el control de
malezas: Atrazina: 2,5 l/ha y Dual: 1,5 l/ha. El maíz se fertilizó con fosfato diamónico a
razón de 50-70 kg/ha, también con 20-50 kg/ha de urea al voleo. Tanto el cultivo de
soja como el de maíz fueron sembrados en SD.
Los lotes de bosque nativo eran adyacentes a las parcelas de monocultivo de
soja (NV 24,
NV 11) y a las parcelas de rotación de cultivos (NV 15, NV 4). Éstos se
consideraron sitios de control. Estos lotes consistieron en praderas naturales que
incluían las plantas nativas, y nunca fueron explotados por el hombre (Tabla 1).
Microorganismos del suelo y prácticas agrícolas
145
Tabla 1. Tratamientos realizados en los distintos suelos
Manejo Sitios Historia
Monocultivo (M)
M 11 Monocultivo de soja desde hace 11 años
M 24 Monocultivo de soja desde hace 24 años
Rotación (R)
R 4 Rotación soja-maíz desde hace 4 años
R 15 Rotación soja-maíz desde hace 15 años
Bosque Nativo (NV)
NV 4 Bosque Nativo adyacente al lote R 4
NV 11 Bosque Nativo adyacente al lote M 11
NV 15 Bosque Nativo adyacente al lote R 15
NV 24 Bosque Nativo adyacente al lote M 24
Dentro de cada sitio, en cada lote se demarcó la zona de muestreo que fue
georreferenciada, presentando una superficie de 900 m2. A partir de la zona
demarcada se tomaron muestras de suelo para realizar las determinaciones
correspondientes en el laboratorio. En cada parcela de tratamiento se establecieron
seis estaciones de muestreo, siguiendo un diseño en W, a partir de las cuales se
tomaron muestras de suelo compuestas por 10 submuestras. A partir de las
muestras de suelo se realizó la determinación de variables microbiológicas, químicas y
físicas. Para evaluar los parámetros microbiológicos las muestras fueron extraídas a
partir de la zona cercana a la raíz, sobre el surco, hasta los primeros 10 cm de
profundidad abarcando las seis estaciones de muestreo por repetición contabilizando
un total de 18 muestras por tratamiento.
Para la determinación de algunas variables microbianas (bioquímicas), las
muestras fueron inmediatamente colocadas en freezer a -20 ºC. Mientras que para la
cuantificación del resto de determinaciones microbiológicas, las muestras fueron
tamizadas (malla 2 mm) para ser inmediatamente colocadas en heladera y
conservadas a 4 ºC hasta su posterior procesamiento. Paralelamente se determinó la
humedad (%) de cada muestra por lo cual se tomó el peso inicial de cada muestra y
luego de siete días en estufa a 90 ºC se determinó el peso final.
De las muestras obtenidas se midieron las siguientes variables:
Carbono de la biomasa microbiana (mg CO2/g suelo): es un indicador de
cambios de la materia orgánica del suelo y refleja el tamaño de la población
microbiana total. Es por esto que resulta muy útil ya que evidencia la respuesta del
suelo frente a aportes orgánicos de diferente naturaleza.
Glomalina (mg g/g suelo seco): es una glicoproteína producida por los
hongos micorrícicos arbusculares (HMA) que influye en la agregación del suelo, posee
una gran adhesividad y resistencia a la degradación, y presenta en su estructura
Microorganismos del suelo y prácticas agrícolas
146
química entre un 30-40% de C, lo que la hace un componente importante de la MO,
contribuyendo al secuestro de C en el suelo. La variable que se cuantifica son las
proteínas relacionadas con la glomalina.
Hongos Totales (UFC/g suelo seco): la abundancia de hongos totales es un
indicador de calidad edáfica, y si además se correlaciona este parámetro con los
potenciales biocontroladores, se puede conocer el potencial de inhibición de
patógenos, en un determinado suelo.
Trichoderma spp. (UFC/g suelo seco): hongo biocontrolador.
Gliocladium spp. (UFC/g suelo seco): hongo biocontrolador.
Bacterias Totales (UFC/g suelo seco): La cuantificación de las bacterias
totales presentes en un suelo constituye un buen indicador que refleja su nivel
poblacional en un suelo bajo un determinado manejo.
Actinobacterias (UFC/g suelo seco): bacterias biocontroladoras.
Pseudomonas fluorescentes (UFC/g suelo seco): bacterias
biocontroladoras.
Respiración (g CO2/g suelo): la medición del dióxido de carbono respirado es
una estimación de la presencia microbiana en los suelos cultivados. Esto refleja la
dinámica de su biota, por lo tanto, evidencia los procesos metabólicos edáficos.
Actividad enzimática (mol/g suelo): la actividad proteasa-lipasa-esterasa
evaluada mediante la hidrólisis de diacetato de fluoresceína (FDA) es ampliamente
aceptada como un método preciso y simple para medir la actividad microbiana total en
una amplia gama de muestras ambientales, incluyendo los suelos.
pH (pH)
Conductividad (mS/cm)
Materia Orgánica (%): expresa el contenido de Carbono Total.
Nitrógeno Total (%): la mayor parte del N se encuentra en la fracción
orgánica.
II.III. ANÁLISIS ESTADÍSTICO
Se realizó un análisis descriptivo de cada una de las variables. Los estadísticos
presentados son media, desvío estándar (D.E.), coeficiente de variación (CV), mínimo
(Min) y máximo (Máx). Debido a datos extremos en algunas de las variables que
pueden llegar a modificar el análisis se excluyeron 14 casos. También se realizó un
análisis de la varianza (ANAVA) para cada variable con el fin de observar si en cada
una de ellas había o no diferencias para los factores campaña, tratamientos, y su
interacción. En aquellos casos en que las diferencias eran estadísticamente
Microorganismos del suelo y prácticas agrícolas
147
significativas (p valor <0,05) se realizó el test a posteriori de comparación de medias
DGC (Di Rienzo, et al., 2002). Para visualizar las relaciones entre las variables se
realizó una matriz de diagramas de dispersión y un análisis de correlación de Pearson.
Con el objetivo de detectar las variables que tuvieron mayor inercia en la separación
de los tratamientos se realizó un análisis de componentes principales (ACP). Se utilizó
el software InfoStat para llevar a cabo los análisis estadísticos (Di Rienzo et al., 2014).
III. RESULTADOS Y DISCUSIÓN
Tablas de medidas resumen para datos completos 260 casos (Tabla 2) y luego
para 246 datos (Tabla 3):
Tabla 2. Estadística descriptiva. Casos completos. n=260.
Variable Media D.E. CV Mín Máx
Biomasa C 0,88 0,48 54,85 0,08 3,22
Glomalina 2,87 1,23 42,77 0,67 8,66 Hongos Totales 6,2 0,53 8,57 0,00 7,40 Trichoderma spp. 4,56 2,15 47,1 0,00 6,32
Gliocladium spp. 1,99 2,51 125,82 0,00 5,48
Bacterias Totales 8,17 0,61 7,47 6,00 8,67 Actinobacterias 5,34 6,42 120,24 0,00 105 Pseudomonas 1,76 2,8 159,00 0,00 6,60
Respiración 0,86 2,71 315,38 0,00 25,04 FDA 41,25 15,57 37,74 9,3 111,9
pH 6,56 0,54 8,23 5,00 7,70 Conductividad 0,41 0,2 47,43 0,16 0,90 MO 2,42 0,73 30,34 1,16 3,79
Total N 0,13 0,03 26,35 0,07 0,19
Microorganismos del suelo y prácticas agrícolas
148
Tabla 3. Estadística descriptiva. Sin casos atípicos. n=246.
Variable Media D.E. CV Mín Máx
Biomasa C 0,85 0,44 51,81 0,08 2,32
Glomalina 2,84 1,22 42,97 0,67 8,66
Hongos Totales 6,22 0,37 6 5,00 7,40
Trichoderma spp.
4,67 2,06 44,18 0,00 6,32
Gliocladium spp.
2,02 2,51 124,3 0,00 5,48
Bacterias Totales
8,15 0,62 7,59 6,00 8,67
Actinobacterias 4,95 1,66 33,52 0,00 6,30
Pseudomonas 1,78 2,81 157,47 0,00 6,60
Respiración 0,39 0,25 63,84 0,00 1,00
FDA 40,76 15,64 38,37 9,30 111,9
pH 6,57 0,54 8,29 5,00 7,70
Conductividad 0,41 0,2 48,01 0,16 0,90
MO 2,39 0,73 30,3 1,16 3,79
Total N 0,12 0,03 25,99 0,07 0,19
Se eliminaron casos en función de las variables Actinobacterias y Respiración
que presentaban valores extremos que posiblemente sean resultado de un error a la
hora de la toma de datos.
III.I. ANÁLISIS DE LA VARIANZA
Los resultados de los ANAVA realizados para cada variable como un bifactorial
con interacción se encuentran resumidos en la siguiente tabla, donde se encuentran
las diferencias entre tratamientos, entre campañas y la interacción entre ambos.
Microorganismos del suelo y prácticas agrícolas
149
Tabla 4. Valores p para los ANAVAS bifactoriales para los factores de tratamiento, campaña y la interacción Tratamiento*Campaña. Valores p<0,05 indican diferencias significativas.
Tratamiento Campaña Trat * Camp
Biomasa C <0,0001 0,6424 <0,0001
Glomalina <0,0001 0,0248 <0,0001
Hongos Totales <0,0001 <0,0001 <0,0001
Trichoderma spp. <0,0001 <0,0001 0,1713
Gliocladium spp. 0,0003 <0,0001 0,0389
Bacterias Totales <0,0001 0,4928 <0,0001
Actinobacterias <0,0001 0,0129 0,1206
Pseudomonas 0,0023 0,0011 0,0013
Respiración <0,0001 <0,0001 <0,0001
FDA <0,0001 <0,0001 <0,0001
pH <0,0001 0,0138 <0,0001
Conductividad <0,0001 0,0222 <0,0001
MO <0,0001 <0,0001 <0,0001
Total N <0,0001 <0,0001 0,0003
En cuanto a los tratamientos, todas las variables presentan diferencias
significativas. Con respecto a campaña, solo Biomasa C y Bacterias Totales no
presentan diferencias significativas. Para la interacción Tratamiento*Campaña,
Trichoderma spp.y Actinobacterias son los únicos dos que no presentan diferencias
significativas (Tabla 4).
Se realizó un análisis de la varianza para cada una de las variables para
identificar si existen diferencias entre tratamientos, particionado por campaña. Se
utilizó el test DGC (p≤0,05). Los gráficos resultantes de los ANAVA y la prueba a
posteriori DGC fueron ordenados de la misma manera: los tratamientos (barras) se
disponen en forma decreciente de izquierda a derecha en cuanto a la cantidad de años
bajo tratamiento. A su vez, cada NV presenta el tratamiento adyacente a la derecha,
ya sea monocultivo o rotación.
El contenido de carbono de la biomasa microbiana mostró diferencias entre
tratamientos (Fig. 1). En todos los suelos de bosques nativos de las dos campañas la
biomasa microbiana fue mayor que en los tratamientos de monocultivo y rotación. A su
vez, en la campaña 2009-2010, el carbono de la biomasa microbiana en NV 24 fue
significativamente mayor a NV 15 y NV 4. NV 11 presentó el nivel más bajo de
carbono de la biomasa microbiana de los tratamientos bajo bosque nativo. Con
Microorganismos del suelo y prácticas agrícolas
150
respecto a los tratamientos de monocultivo (M) y rotación (R), se evidenció diferencias
significativas entre ambos. En la campaña 2010-2011, el que mayor biomasa
microbiana presentó fue también NV 24, evidenciando diferencias significativas con
NV 11, NV 4 y éstos presentaron diferencias significativas con NV 15. En M y R no se
presentaron diferencias significativas en la última campaña.
Figura 1: Carbono de la biomasa microbiana en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
En la figura 2 se muestra las poblaciones de Hongos Totales cultivables
encontradas en los distintos suelos. En la campaña 2009-2010 los tratamientos NV 11
y NV 15 presentaron la mayor cantidad de hongos totales con diferencias significativas
sobre el resto de los tratamientos de esa campaña. La particularidad en la campaña
2010-2011 es que todos los tratamientos de NV presentaron mayor cantidad de
hongos totales con diferencias significativas respecto a su tratamiento
complementario, tanto de R como de M. Los tratamientos de R no presentaron
diferencias significativas en las dos campañas. Al mismo tiempo los tratamientos M
presentaron diferencias significativas entre ellos para las dos campañas.
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamiento
0,00
0,25
0,50
0,75
1,00
1,25
1,50
1,75
2,00
Bio
ma
sa
C (
mg
CO
2/g
su
elo
)
AA AA
BB B
C
AA AA
BB B
C
2010-2011
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamiento
0,00
0,25
0,50
0,75
1,00
1,25
1,50
1,75
2,00
Bio
ma
sa
C (
mg
CO
2/g
su
elo
)
AA AB
B
CC
D
AA AB
B
CC
D
2009-2010
Microorganismos del suelo y prácticas agrícolas
151
Figura 2. Hongos Totales en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
Con respecto a las poblaciones de Trichoderma spp. (Figura 3.a) en la
campaña 2009-2010 los tratamientos NV 24 y M 24 presentaron bajo contenido del
hongo con diferencias significativas con respecto a los demás tratamientos. En la
campaña siguiente sucede algo similar: los tratamientos NV 24, M 24 y M 11
presentan el menor contenido de Trichoderma spp. con diferencia significativa con
respecto al resto.
Las UFC de Gliocladium spp. de la primera campaña (Figura 3.b) presentaron
en los tratamientos R 15, NV 11 y M 11 diferencias significativas con los demás
tratamientos. Los restantes tratamientos de bosque nativo (NV 24, NV 15 y NV 4), no
presentaron poblaciones de Gliocladium spp. En la campaña 2010-2011 los
tratamientos de monocultivo (M) junto con NV 24 presentaron los más bajos niveles de
Gliocladium spp con diferencias significativas.
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,2
2,3
3,5
4,7
5,8
7,0
Ho
ng
os T
ota
les (
UF
C/g
su
elo
se
co
)
A BBB BC CCA BBB BC CC
2010-2011
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,2
2,3
3,5
4,7
5,8
7,0H
on
go
s T
ota
les (
UF
C/g
su
elo
se
co
)
A AB BB B
C C
A AB BB B
C C
2009-2010
Microorganismos del suelo y prácticas agrícolas
152
Figura 3. Hongos biocontroladores (Trichoderma ssp. (a) y Gliocladium spp. (b)) en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
La presencia de bacterias cultivables presentó un comportamiento similar al
Total de Hongos. En la última campaña los tratamientos NV presentaron mayores
niveles de UFC significativos que los tratamientos de R y M. A su vez, en los dos M
hubo mayor cantidad de bacterias de manera significativa con respecto a los dos R.
Con respecto a la campaña 2009-2010 los únicos dos tratamientos que presentaron
bajos niveles de bacterias fueron M 24 y NV 4.
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,0
2,0
3,0
4,0
5,0
Glio
cla
diu
m (
UF
C/g
su
elo
se
co
)
AA AA A
BB
B
AA AA A
BB
B
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,6
3,2
4,8
6,4
8,0T
rich
od
erm
a (
UF
C/g
su
elo
se
co
)
AA
BBB
B B B
AA
BBB
B B B
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,0
2,0
3,0
4,0
5,0
Glio
cla
diu
m (
UF
C/g
su
elo
se
co
)
A
AA
B B
B BB
A
AA
B B
B BB
2010-2011
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,6
3,2
4,8
6,4
8,0
Tri
ch
od
erm
a (
UF
C/g
su
elo
se
co
)
AAA
BB BB B
AAA
BB BB B
2010-2011
)
Microorganismos del suelo y prácticas agrícolas
153
Figura 4. Total de bacterias en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
Las Actinobacterias (Figura 5.a), que actúan como biocontroladores, se
encuentran en mayor cantidad en todos los bosques nativos (NV) de la campaña
2009-2010 con respecto los lotes de monocultivo (M) y de rotación (R), presentando
sólo diferencias significativas R 15 y M 11 con respecto a los demás tratamientos. En
la campaña 2010-2011 los dos tratamientos que presentan menor cantidad de
Actinobacterias con diferencias significativas respecto al resto son los tratamientos
bajo monocultivo (M).
En contraposición, los valores de Pseudomonas (Figura 5.b) encontrados en
los suelos de NV son menores a los suelos con M y R en la campaña 2009-2010, pero
en ningún caso hay una diferencia significativa. En la campaña 2010-2011 también
hay niveles bajos de Pseudomonas pero con un máximo muy importante, con
diferencia significativa, en los lotes con rotación R 15 y R 4, alcanzando unos valores
de 4,26 y 4,65 UFC/g suelo seco.
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,8
3,6
5,4
7,2
9,0
To
tal b
acte
ria
s (
UF
C/g
su
elo
se
co
)
A AB BCCC C
A AB BCCC C
2010-2011
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,8
3,6
5,4
7,2
9,0T
ota
l b
acte
ria
s (
UF
C/g
su
elo
se
co
)A
ABB BB BB
AA
BB BB BB
2009-2010
Microorganismos del suelo y prácticas agrícolas
154
Figura 5. Bacterias que actúan como biocontroladores (Actinobacterias y Pseudomonas) en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
La cantidad de proteína relacionada con la Glomalina (Figura 6) en la campaña
2009-2010 fue máxima en el tratamiento NV 4 con diferencias significativas sobre los
demás. También alcanzó un valor elevado el tratamiento NV 15 con diferencias
significativas. La menor cantidad de proteína relacionada con la Glomalina se
presentó en los lotes con rotación, NV 11 y M 11. En la campaña siguiente también se
presenta un valor máximo con diferencia significativa respecto al resto en el
tratamiento NV 11. Los lotes de rotación, al igual que la campaña anterior, no presenta
diferencias pero los tratamientos de M presentan una gran diferencia.
)
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,4
2,8
4,2
5,6
7,0A
ctin
ob
acte
ria
s (
UF
C/g
su
elo
se
co
)
A
A
BB B
BBB
A
A
BB B
BBB
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,4
2,8
4,2
5,6
7,0
Actin
ob
acte
ria
s (
UF
C/g
su
elo
se
co
)
AA
B BB B BB
AA
B BB B BB
2010-2011
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,0
2,0
3,0
4,0
5,0
Pse
ud
om
on
as F
. (U
FC
/g s
ue
lo s
eco
)
AA
AAAA
A
A
AA
AAAA
A
A
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
1,0
2,0
3,0
4,0
5,0
Pse
ud
om
on
as F
. (U
FC
/g s
ue
lo s
eco
)
AA
A A
A A
BB
AA
A A
A A
BB
2010-2011
)
Microorganismos del suelo y prácticas agrícolas
155
FIgura 6. Glomalina presente en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
Los lotes de M de la campaña 2009-2010 presentaron los niveles más bajos de
respiración microbiana pero no hay diferencias significativas con los tratamientos de R
4 y NV 24 (Figura 7). Al mismo tiempo, NV 11 es el único que presentó el mayor nivel
de respiración con diferencias significativas con los demás tratamientos. Entre los lotes
de rotación, R 15 presentó diferencias con R 4, siendo la respiración microbiana menor
en éste último. En la campaña 2010-2011 los valores de los tratamientos en suelos de
bosque nativo fueron mayores significativamente, con excepción de NV 11. A su vez el
tratamiento M 24 evidenció la menor presencia de respiración microbiana presentando
diferencias significativas con los demás tratamientos. Entre los lotes en rotación no
hay diferencias significativas.
Figura 7. Respiración microbiana en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0
1
2
3
4
5
Glo
ma
lin
a (
mg
G/g
su
elo
se
co
)
A
B B
BCC C
D
A
B B
BCC C
D
2010-2011
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0
1
2
3
4
5G
lom
alin
a (
mg
G/g
su
elo
se
co
)
AA
A A
BB
CD
AA
A A
BB
CD
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
0,2
0,4
0,6
0,8
1,0
Re
sp
ira
ció
n (
g C
O2
/g s
ue
lo)
A
BBB B
C
CC
A
BBB B
C
CC
2010-2011
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
0,2
0,4
0,6
0,8
1,0
Re
sp
ira
ció
n (
g C
O2
/g s
ue
lo)
AA A
A
B BB
C
AA A
A
B BB
C
2009-2010
Microorganismos del suelo y prácticas agrícolas
156
No hubo diferencias significativas entre lotes de rotación, ni entre lotes de
monocultivo en la campaña 2009-2010 con respecto a la actividad enzimática (Figura
8). El tratamiento NV 11 contó con la mayor actividad enzimática con diferencias
significativas sobre el resto. A su vez, en la campaña 2010-2011, el que contó con la
mayor actividad enzimática con diferencias significativas sobre el resto fue NV 15.
Entre R 4 y R 15 no hay diferencias significativas. El menor valor de actividad
enzimática se presentó en M 24 evidenciando diferencias significativas con M 11 y
sobre los demás tratamientos, tanto de NV como de R.
Figura 8. Actividad enzimática en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
Con respecto al pH (Figura 8), se evidenció algo común para las dos
campañas: todos los tratamientos de R y M presentaron mayor pH que su lote
contiguo de bosque nativo NV (tratamiento control), y a su vez con diferencias
significativas, a excepción de NV 4-R 4 de la primera campaña.
Figura 9. pH en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0
14
28
42
56
70
FD
A (
mo
l/g
su
elo
)
A
B
BCC CC
D
A
B
BCC CC
D
2010-2011
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0
14
28
42
56
70
FD
A (
mo
l/g
su
elo
)
AA
B
CC CC
D
AA
B
CC CC
D
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
4
5
6
7
8
pH
A A A
B BBB
B
A A A
B BBB
B
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
4
5
6
7
8
pH A
B BC
D DD E
A
B BC
D DD E
2010-2011
Microorganismos del suelo y prácticas agrícolas
157
A excepción del tratamiento M 11 y su tratamiento control (NV 11) de la
campaña 2010-2011 (Figura 9), todos los tratamientos bajo suelos de bosque nativo
presentan mayor conductividad eléctrica con diferencias significativas con respecto a
su tratamiento contiguo. A su vez, en la primera campaña se observaron diferencias
significativas entre todos los tratamientos de NV, entre los dos lotes de monocultivo y
entre los de rotación. Por otra parte, en la campaña siguiente, los NV 24, NV 15 y NV
11 no presentaron diferencias significativas, al igual que R 15 y R 4. En cambio, si
presentaron diferencias los lotes de monocultivo entre sí.
Figura 10. Conductividad eléctrica en suelos bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
En los gráficos (Figura 10) de MO y de Nitrógeno Total se puede ver una alta
correlación y una alta variabilidad de datos. Por un lado, a excepción de los
tratamientos NV 11 y M 11 de la campaña 2010-2011, todos los tratamientos de NV
presentaron los máximos niveles de MO y Nt con diferencias significativas con
respecto a su contiguo tanto de R como de M.
En cuanto a la MO (Figura 10.a) de la campaña 2009-2010, los lotes con
rotación presentaron los niveles más bajos con diferencias significativas entre ellos. En
un nivel medio de MO se encuentran los lotes de monocultivo pero sin diferencia entre
ellos. Los bosques nativos presentan los mayores porcentajes de MO con la
particularidad de que entre todos ellos hay diferencias significativas. En la campaña
siguiente los lotes de rotación mantuvieron los niveles más bajos de MO pero ahora
sin diferencias significativas, y con los tratamientos de M sucede lo mismo que la
campaña anterior: niveles medios y sin diferencias entre ellos. Por último, el contenido
de MO de los bosques nativos presentó los mayores niveles pero esta vez sin
diferencias, a excepción de NV 11 como se mencionó en el párrafo anterior.
Por el hecho de estar correlacionados, con el contenido de Nt ocurrió algo
similar al contenido de MO (Figura 10.b): en la campaña 2009-2010 los lotes en
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
0,2
0,4
0,6
0,8
1,0
Co
nd
uctivid
ad
(m
S/c
m)
ABB
CC
DE
F
ABB
CC
DE
F
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,0
0,2
0,4
0,6
0,8
1,0
Co
nd
uctivid
ad
(m
S/c
m)
AA
A
BB BC
C
AA
A
BB BC
C
2010-2011
Microorganismos del suelo y prácticas agrícolas
158
rotación presentaron bajos niveles con diferencia entre ellos, los lotes en monocultivo
niveles medios sin diferencia entre ellos y los tratamientos en bosques nativos
presentaron alto contenido de Nt con diferencia entre ellos. En la campaña siguiente
los lotes en rotación también presentaron niveles más bajos sin diferencia entre ellos,
los de monocultivo niveles medios con diferencia entre ellos y los tratamientos bajo
bosque nativo, a excepción del NV 11, presentaron los niveles más altos sin diferencia
entre ellos.
Figura 11. Contenido de MO (a) y de Nitrógeno Total (b) bajo Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) para las campañas 2009-2010 y 2010-2011. Letras distintas indican diferencias significativas entre tratamientos con el test DGC (P≤0,05).
III.II. MATRIZ DE DIAGRAMAS DE DISPERSIÓN Y ANÁLISIS DE
CORRELACIÓN
La figura 11 muestra la matriz de diagramas de dispersión en donde se
visualizaron las relaciones entre el conjunto de variables (parámetros biológicos). No
se incluyeron los biocontroladores porque presentan valores discretos, es decir, hay
biocontroladores (valores entre 5 y 6) o no hay biocontroladores (valores = 0). Debajo
del gráfico se encuentra la tabla con el análisis de correlación de Pearson, donde
también están ausentes los biocontroladores por el mismo motivo.
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0
1
2
2
3
4
MO
(%
)
AA
BBB
CCC
AA
BBB
CCC
2010-2011
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0
1
2
2
3
4
MO
(%
)
AB
CC
D DE
F
AB
CC
D DE
F
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,00
0,04
0,08
0,12
0,16
0,20
Nitró
ge
no
To
tal (%
)
AB
C C
DE E
F
AB
C C
DE E
F
2009-2010
NV
24
M 2
4
NV
15
R 1
5
NV
11
M 1
1
NV
4
R 4
Tratamientos
0,00
0,04
0,08
0,12
0,16
0,20
Nitró
ge
no
To
tal (%
)
AA
B
C CD
D D
AA
B
C CD
D D
2010-2011
)
Microorganismos del suelo y prácticas agrícolas
159
Figura 12. Matriz de diagramas de dispersión para las variables Biomasa-C (B), proteína relacionada con la glomalina (Glo), Hongos Totales (HT), Bacterias Totales (BT), Respiración (Rs) y actividad enzimática (FDA). Parámetros biológicos.
Tabla 5. Análisis de correlación de Pearson para las variables Bacterias Totales (BT), Carbono de la Biomasa Microbiana (B), proteína relacionada con la glomalina (Glo), Hongos Totales (HT), Respiración (Rs) y actividad enzimática (FDA). Parámetros biológicos. (*) indica que existe correlación entre las variables con p valor de 0,05.
B Glo HT BT Rs
Glo 0,320*
HT 0,139* 0,187*
BT -0,020 0,164* 0,126*
Rs 0,245* 0,130* 0,484* 0,166*
FDA 0,323* 0,214* 0,507* 0,165* 0,580*
B
Glo
HT
BT
Rs
FDA
Microorganismos del suelo y prácticas agrícolas
160
En la figura 12 se muestra la matriz de diagramas de dispersión para los
parámetros químicos del suelo. Debajo del gráfico se encuentra la tabla con el análisis
de correlación de Pearson.
Figura 12. Matriz de diagramas de dispersión para las variables ph, Conductividad eléctrica (Cond), Materia Orgánica (MO) y Nitrógeno Total (Total N). Parámetros químicos
Tabla 6. Análisis de correlación de Pearson para las variables pH, Conductividad eléctrica (Cond), Materia Orgánica (MO) y Nitrógeno Total (Total N). Parámetros químicos. (*) indica que existe correlación entre las variables con p valor de 0,05.
pH Cond MO
Cond -0,213*
MO -0,302* 0,675*
Total N -0,297* 0,636* 0,971*
En la tabla 5 se observan correlaciones significativas positivas pero la mayoría
con coeficiente por debajo de 0,05, excepto BT cuya correlación con B no es
significativa.
En la tabla 6 se observa que todas las correlaciones son significativas. El
coeficiente de correlación más alto es entre MO y Total N (0,97). También existe una
correlación positiva entre Cond y las variables MO y Total N (0,67 y 0,63
pH
Cond
MO
Total N
Microorganismos del suelo y prácticas agrícolas
161
respectivamente). El pH presentó una correlación negativa con las otras tres variables
con coeficientes menores al valor absoluto de -0,4.
III.III. ANÁLISIS DE COMPONENTES PRINCIPALES
En la Figura 12.a. se presenta el gráfico biplot resultante del ACP principales
para cada campaña. Como puede verse la primera componente (CP1) separó pH y
Pseud del resto de las variables, por lo tanto la mayor variabilidad entre los distintos
lotes se explica con estas variables. Los dos primeros ejes (CP1 y CP2) explicaron el
76,9 % de la variabilidad total. A lo largo de CP1 (49 %), los sitios NV4, NV11, NV15 Y
NV 24 se separaron de los lotes de monocultivo y rotación, éstos se localizaron del
lado izquierdo del plano. Las variables que más contribuyeron a las separaciones de
los sitios NV de los sitios agrícolas fueron: B, Glo, Cond, BT, Act, MO y Total N.
Microorganismos del suelo y prácticas agrícolas
162
Figura 13, Biplots resultantes del ACP de las campañas 2009-2010 (a) y 2010-2011 (b), para los tratamientos de Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) sobre parámetros biológicos del suelo. Los números 24, 15, 11 y 4 indican los años bajo cada tratamiento. CP = Componente principal, HT = Hongos totales, BT = Bacterias totales, Tri = Trichoderma spp., Gli = Gliocladium spp., Act = Actinobacterias, Pseud = Pseudomonas fluorescentes, B = Carbono de la biomasa microbiana, Glo = Proteínas relacionadas a la glomalina, Rs = Respiración microbiana, FDA = Actividad FDA, Total N = Total Nitrógeno, MO = materia orgánica, Cond = conductividad eléctrica.
-4 -2 0 2 4
CP 1 (49,0%)
-4
-2
0
2
4C
P 2
(2
7,9
%)
M 11
M 24
NV 11
NV 15
NV 24
NV 4
R 15
R 4
BGlo
HTTri
Gli
BT
ActPseud
Rs
FDA
pH
Cond
MO
Total N
M 11
M 24
NV 11
NV 15
NV 24
NV 4
R 15
R 4
BGlo
HTTri
Gli
BT
ActPseud
Rs
FDA
pH
Cond
MO
Total N
Campaña 2009-2010
-4 -2 0 2 4
CP 1 (45,5%)
-4
-2
0
2
4
CP
2 (
28
,6%
)
M 11
M 24
NV 11
NV 15
NV 24NV 4
R 15
R 4
B
Glo
HT
TriGli
BT Act
Pseud
RsFDApH
CondMO
Total NM 11
M 24
NV 11
NV 15
NV 24NV 4
R 15
R 4
B
Glo
HT
TriGli
BT Act
Pseud
RsFDApH
CondMO
Total N
Campaña 2010-2011
Microorganismos del suelo y prácticas agrícolas
163
Para la campaña 2010-2011 (Figura 12.b) los resultados que se visualizan en
el biplot muestran una separación de las variables pH y Pseud del resto de las
variables por parte del CP1. Los dos primeros ejes (CP1 y CP2) explicaron el 74,1 %
de la variabilidad total. Los tratamientos NV se presentaron a la derecha del CP1 (45,5
%) y tanto los tratamientos M como R se ubicaron a la izquierda de CP1, al igual que
en la campaña anterior. A su vez, el CP 2 (28,6%) separó a los tratamientos R y M en
la parte izquierda del plano. Las variables que más contribuyeron a la separación de
los bosques nativos con los suelos agrícolas son: Cond, MO, Total N, B, Glo, FDA, Rs
y HT.
Para corroborar los resultados similares que se dan en las dos campañas se
realizó un ACP para las dos campañas. Los resultados se muestran en la figura 14.
Figura 14. Biplot resultante del ACP de las dos campañas para los tratamientos de Bosque Nativo (NV), Rotación Soja-Maíz (R) y Monocultivo de Soja (M) sobre parámetros biológicos del suelo. Los números 24, 15, 11 y 4 indican los años bajo cada tratamiento. CP = Componente principal, HT = Hongos totales, BT = Bacterias totales, Tri = Trichoderma spp., Gli = Gliocladium spp., Act = Actinobacterias, Pseud = Pseudomonas fluorescentes, B = Carbono de la biomasa microbiana, Glo = Proteínas relacionadas a la glomalina, Rs = Respiración microbiana, FDA = Actividad FDA, Total N = Total Nitrógeno, MO = materia orgánica, Cond = conductividad eléctrica.
-5 -3 0 3 5
CP 1 (55,7%)
-5
-3
0
3
5
CP
2 (
21
,6%
)
M 11
M 24
NV 11NV 15
NV 24
NV 4
R 15
R 4
B
Glo
HTTri
Gli
BT
Act
Pseud
Rs
FDA
pH
Cond MO
Total N
M 11
M 24
NV 11NV 15
NV 24
NV 4
R 15
R 4
B
Glo
HTTri
Gli
BT
Act
Pseud
Rs
FDA
pH
Cond MO
Total N
Campaña 2009-2010 y 2010-2011
Microorganismos del suelo y prácticas agrícolas
164
IV. CONCLUSIÓN
A lo largo de este trabajo se observó la influencia que tienen las distintas
prácticas agrícolas sobre las poblaciones de microorganismos del suelo. En primer
lugar estos cambios se visualizan en las variables donde se refleja la presencia, el
tamaño y la actividad microbiana: respiración (Rs), el carbono de la biomasa
microbiana (B) y la actividad enzimática (FDA). Los suelos de bosque nativo
presentaron los mayores niveles en estas variables. Es ampliamente conocido que la
rotación de cultivos favorece el ciclado de nutrientes, mejora las condiciones de la
rizósfera y alterna los residuos disponibles para los microorganismos. Esto se
evidenció en los resultados obtenidos ya que los suelos bajo rotación presentaron
mayores niveles de Rs, B y FDA. Por lo tanto, un manejo conservacionista supone un
aporte indispensable de carga microbiana a los sistemas y un incremento de los stocks
de CO, contribuyendo al aumento del secuestro de C y a una mejora de la calidad
biológica del suelo.
En este estudio, el manejo agrícola influyó negativamente en las densidades de
poblaciones de HT, BT y potenciales biocontroladores, respecto a los lotes de bosque
nativo. En general, los niveles de HT, BT, Trichoderma spp., Gliocladium spp. y
Actinobacterias fueron mayores en los suelos de bosque nativo con respecto a los
suelos agrícolas. No ocurrió lo mismo con las Pseudomonas fluorescentes, en donde
los suelos de bosque nativo presentaron niveles muy bajos con respecto a los suelos
agrícolas, en contraposición a otros trabajos realizados (Pérez Brandán, 2014). El
mayor impacto en las poblaciones microbianas se vio en los tratamientos bajo
monocultivo. Las poblaciones de HT, BT, Trichoderma spp., Gliocladium spp.,
Actinobacterias y Pseudomonas fluorescentes bajo monocultivo fueron menores
respecto a las mismas poblaciones bajo rotación. Se concluye que los residuos
aportados por el maíz en la rotación tuvieron un efecto positivo sobre las poblaciones
de biocontroladores y sobre las poblaciones de HT y BT demostrando la importancia y
el impacto de las prácticas conservacionistas en el establecimiento de
microorganismos benéficos.
El efecto negativo de las prácticas agrícolas en los parámetros físicos y
químicos del suelo también fue reflejado por los resultados de este trabajo. Se
evidenció una disminución en el porcentaje de MO de los suelos agrícolas. Dentro de
los suelos agrícolas, los niveles más bajos de MO y Nt se presentaron en los suelos
bajo rotación, a diferencia de otros trabajos realizados sobre este tema. Pérez
Brandán (2014) sostiene que el monocultivo de soja reduce significativamente el
contenido de MO y de Nt en comparación con suelos en rotación. En este trabajo no
Microorganismos del suelo y prácticas agrícolas
165
se llegó a la misma conclusión, ya que los niveles de MO y Nt de los suelos bajo
monocultivo en las dos campañas fueron significativamente mayores a los valores
presentados bajo rotación (Figura 10).
Con respecto al pH, los resultados evidencian un aumento en los suelos
agrícolas con respecto al bosque nativo. Lo contrario se observó en los valores de
conductividad eléctrica: los valores más elevados se presentaron en los suelos de
bosque nativo. Algunos autores afirman que la pérdida de MO por efecto de las
prácticas convencionales, pueden incrementar la retención de cationes, alterando el
efecto tampón del pH y disminuyendo la conductividad eléctrica.
A pesar de que hubo diferencias significativas en los niveles de pH entre los
diferentes tratamientos, los valores se mantuvieron dentro del óptimo para suelos
agrícolas, entre 6 y 7.
De manera general, se concluye que las actividades agrícolas reducen la
cantidad de MO; a su vez producen una disminución en el contenido de Nitrógeno
Total, una disminución en la conductividad y un cambio del pH del suelo por la pérdida
de la capacidad buffer que le brinda al suelo la MO.
A través de este trabajo podemos concluir que las prácticas realizadas sobre el
suelo como la deforestación, el monocultivo y la rotación afectan la composición y
función de las comunidades microbianas del suelo. Seleccionar e implementar
prácticas de gestión eficaces en un sistema de producción, de manera económica y
ambientalmente viable, requiere una mayor investigación de los sistemas complejos
del suelo, una mayor comprensión de la biota y ecología esencial del mismo, sobre
todo teniendo en cuenta el papel principal de los microorganismos en la mejora de la
calidad del suelo, y en el uso sostenible de la tierra y de la gestión de los recursos.
Las herramientas estadísticas usadas en este trabajo presentan un gran valor a
la hora de hacer proyectos de investigación, debido a su estrecha relación con el
método cientifico. Podemos ver después de este tiempo de cursado en el Área y las
horas dedicadas a este trabajo, la importancia que tiene el conocimiento estadístico
para diseñar el estudio, analizar de una manera correcta los datos relevados y
fundamentalmente para interpretar los mismos y llegar a conclusiones agronómicas
con un fundamento científico, que a posteriori sirven en un proceso de toma de
decisiones.
Microorganismos del suelo y prácticas agrícolas
166
V. AGRADECIMIENTOS
A todos los docentes del Área de Consolidación por dedicación, su paciencia y
enseñanza a lo largo de todo el cursado. A nuestra tutora, Lic. Andrea Natalia Peña
Malavera por acompañarnos y guiarnos en este trabajo, por su disposición en todo
momento. A Silvina Vargas Gil por brindarnos la base de datos para realizar el trabajo.
VI. REFERENCIAS BIBLIOGRÁFICAS
Aapresid. (2013). La SD en Argentina. Consultada el 14 de noviembre de 2014, en
<http://www.aapresid.org.ar/wp-
content/uploads/2013/02/la_sd_en_argentina.pdf>
Aapresid. (2013). Por monocultivo, el suelo pierde un 30% de su materia orgánica.
Consultada el 14 de noviembre de 2014, en
<http://www.aapresid.org.ar/blog/por-monocultivo-el-suelo-pierde-un-30-de-su-
materia-organica/>
Abril, A. (2013). Microbiología agrícola: apunte teórico. Córdoba: UNC, Facultad de
Ciencias Agropecuarias.
Bautista-Zúñiga, F., Delfín-González, H., Palacio-Prieto, J. L., & Delgado-Carranza, M.
(2004). Técnicas de muestreo para manejadores de recursos
naturales. México: UADY-CONACYT-INE-UNAM.
Di Rienzo, J. A., Guzmán, A. W., & Casanoves, F. (2002). A multiple-comparisons
method based on the distribution of the root node distance of a binary
tree. Journal of Agricultural, Biological, and Environmental Statistics, 7(2), 129-
142.
Di Rienzo, J.A., Casanoves, F., Balzarini, M.G., Gonzalez, L., Tablada, M., Robledo,
C.W. (2014). InfoStat versión 2014. Grupo InfoStat, Ed Brujas, Universidad
Nacional de Córdoba, Argentina. URL http://www.infostat.com.ar
Gray, T; Williams, S. (1971). Soil microorganism. Edimburgh: Oliver and Boyd.
Pérez Brandán, C. (2014). Impacto de diferentes prácticas agrícolas sobre la
diversidad microbiana del suelo y la sustentabilidad de un agroecosistema
sojero del Norte Argentino. Córdoba: UNC, Facultad de Ciencias
Agropecuarias.
Pérez Brandán, C., Huidobro, J., Grumberg, B., Scandiani, M.M., Luque, A.G., Meriles,
J.M. & Vargas-Gil, S. 2014b. The effect of crop sequences on soil microbial,
chemical and physical indicators and its relationship with soybean sudden death
Microorganismos del suelo y prácticas agrícolas
167
syndrome (complex of Fusarium species). Spanish Journal of Agricultural
Research 12: (1), 252-264.
Pérez Brandán, C.; Huidobro, J.; Scandiani, M.; Luque, A.; Meriles and S. Vargas Gil.
2014a. Soybean fungal soilborne diseases: a parameter for measuring the
effect of agricultural intensification on soil health in northern Argentina.
Canadian Journal of Microbiology 60: (2), 73-84.
Van Gestel, M; Merckx, R & Vlassak, K. (1993). Microbial biomass responses to soil
drying and rewetting: the fate or fast- and slow- growing microorganism in soils
from different climates. Soil Boil. Biochem. 25 (1) 109-123.
Fertilización y producción de materia seca
168
Efecto de la fertilización nitrogenada y fosforada en la calidad y producción
de materia seca y semilla en Panicum coloratum klein
José Ignacio Amorena
Tutor: Mariano Córdoba
Fertilización y producción de materia seca
169
CONTENIDOS
I. Introducción
II. Materiales y métodos
II.I. Localización, clima y suelo
II.II. Diseño experimental y tratamientos
II.III. Establecimiento y manejo
II.IV. Análisis estadístico
III. Resultados y discusión
IV. Conclusión
V. Agradecimientos
VI. Referencias bibliográficas
Fertilización y producción de materia seca
170
I. INTRODUCCIÓN
En los últimos años ha existido una expansión de la frontera ganadera hacia las
regiones áridas y semiáridas de la Argentina. Esto se debe, en gran medida, al avance
tecnológico de la agricultura que generó un desplazamiento de las zonas ganaderas
hacia lugares agroclimáticamente marginales, como los de la Región Semiárida
Pampeana. Las principales características climáticas de esta región se relacionan con
el régimen de precipitaciones, las mismas son escasas (y se concentran en la época
estival), ya que el 80% ocurren entre noviembre y marzo. Adicionalmente, se presenta
una gran variabilidad en el régimen de precipitaciones entre diferentes años, pudiendo
encontrar períodos de grandes sequías y otros de excesivas lluvias.
En esta región, los pastizales naturales representan la base forrajera que
sustenta la producción de terneros en sistemas de cría (Frank et al., 1998). En las
últimas décadas la incorporación de pasturas subtropicales (megatérmicas) ha tenido
un impacto importante en los sistemas ganaderos, dado que permite incrementar en
forma considerable el potencial de producción forrajera. Sin embargo, estas pasturas
son más exigentes en cuanto a condiciones agroclimáticas que las pasturas naturales.
En los ambientes marginales las pasturas subtropicales presentan una producción
muy variable de materia seca debida principalmente a la irregularidad que muestran
las precipitaciones. Una alternativa para hacer frente a este problema y lograr una
producción más estable es la aplicación de fertilizantes. (Strizler et al., 2007;
Cornacchione y Sánchez, 2007). Con el uso de la fertilización se puede aumentar la
producción de forraje, mejorar su calidad, acelerar su crecimiento y hacer un uso
anticipado (Cornacchione y Sánchez, 2007). Si se lograra aumentar la producción y
calidad de las pasturas subtropicales, utilizando además los pastizales naturales como
complemento, sería posible estabilizar la producción, obteniendo resultados
semejantes en años húmedos como también en años de bajas precipitaciones.
La producción de semillas de especies forrajeras megatérmicas es una práctica
redituable para los productores ganaderos. La tecnología de cosecha de semilla,
aunque conocida, está poco difundida. Por tener una maduración escalonada y la
consecuente dificultad de su cosecha, los productores obtienen bajos rendimientos y/o
semilla de baja calidad. Como sucede con el forraje, el uso de la fertilización puede
aumentar la producción y calidad de la semilla (Joaquín et al., 2001).
Panicum coloratum (Mijo perenne) es una gramínea perenne de crecimiento
primavero-estival. El cultivar Klein verde presenta una marcada adaptación a las
condiciones de la Región Pampeana Semiárida, por su resistencia a heladas y sequía
(De León, 2005). La productividad tanto en cantidad como en calidad del Mijo perenne
Fertilización y producción de materia seca
171
es una de las cualidades destacadas de la pastura, logrando 5.700 Kg de materia seca
por hectárea en el norte de Córdoba (De León, 1998). La calidad del forraje es alta
durante la época de crecimiento, alcanzando digestibilidades de 67% y superando en
algunos casos valores del 14% de proteína bruta. Cuando esta pastura es utilizada
como diferida, conserva una calidad aceptable (Stritzler et al., 2009). Su forma de
reproducción es principalmente por semillas. La producción de semillas de esta
especie es difícil como en la mayoría de las gramíneas forrajeras subtropicales: su
floración es muy heterogénea, las semillas maduran irregularmente y se desprenden
con facilidad (Joaquín et al., 2001; Petruzzi et al., 2003).
El presente trabajo tiene como objetivos: 1) evaluar la relación entre las
variables de producción/calidad de materia seca y semillas bajo el efecto de diferentes
tratamientos de fertilización nitrogenada y fosforada, 2) evaluar el efecto de la
fertilización nitrogenada y fosforada sobre la producción de semilla y materia seca y 3)
determinar la relación entre la dosis de nitrógeno y la producción de materia seca y
semilla de P. coloratum L. (cvar. Klein verde).
II. MATERIALES Y MÉTODOS
II.I. LOCALIZACIÓN, CLIMA Y SUELO
El ensayo se realizó en el establecimiento “La Tula” ubicado en la localidad
Avellaneda perteneciente a la pedanía Manzanas, departamento Ischilín, Provincia de
Córdoba, Argentina, (30º 35’ 39’’ S y 64º 12’ 21’’ O a 728 msnm aproximadamente). El
ambiente de producción corresponde a la Zona Agro Económica Homogénea Serrana
de producción ganadera extensiva (XI E). El clima de la región es semiárido (serrano
del norte de Córdoba), la temperatura media anual es de 20ºC y las temperaturas
máxima media y mínima media corresponden a 24 y 16ºC, respectivamente. Con
relación a la precipitación anual, ésta responde al régimen monzónico y el valor medio
de las precipitaciones (mm). Según el Servicio Meteorológico Nacional (SMN), en el
periodo que comprende desde el año 1961 hasta el 1990, la precipitación media anual
fue de entre 500 y 800 mm. El suelo en el que se realizó el ensayo es de textura
franco-arenoso y su Capacidad de Uso (CU) es de VII.
II.II. DISEÑO EXPERIMENTAL Y TRATAMIENTOS
El ensayo se realizó bajo un diseño de bloques completamente aleatorizados
con tres repeticiones. Los tratamientos evaluados fueron los siguientes:
Fertilización y producción de materia seca
172
T0: Testigo
T1: 35 kg N/ha.
T2: 70 kg N/ha.
T3: 20 kg P/ha.
T4: 40 kg P/ha.
T5: 35 kg N/ha. + 20 kg P/ha. (T1 + T3)
T6: 70 kg N/ha. + 40 kg P/ha. (T2 + T4)
Las fuentes nitrogenadas y fosforadas utilizadas fueron Urea Granulada (46%
de N) y Súper Fosfato Triple (46% de P), respectivamente.
II.III. ESTABLECIMIENTO Y MANEJO
El ensayo se produjo en una pastura implantada en el año 2003 con un buen
stand de plantas, que había sido sembrada al voleo con una densidad de 8 kg/ha de
semilla. Se llevó a cabo bajo condiciones de secano, por lo cual, se utilizó un
pluviómetro para registrar los milímetros de agua precipitados durante el periodo que
duró el mismo. El total de precipitaciones registradas hasta la fecha de cosecha
(30/01/2013) fue de 316 mm.
El ensayo de fertilización se llevó a cabo desde octubre de 2012 hasta marzo
de 2013. En octubre de 2012 se realizó un corte de emparejamiento a una altura de 15
cm aproximadamente para eliminar todo el material que se encontraba en estado
diferido, dejando como remanente los brotes vegetativos. La fertilización tuvo lugar
una semana después, realizándose en forma de gránulos dispersados al voleo en
cada una de las parcelas establecidas. La cosecha se realizó en enero de 2013,
cuando la población de semilla en pié estaba en el momento óptimo de endosperma
duro.
Para la muestra de materia seca (MS), la altura elegida para el corte fue de 17
cm, mientras que la cosecha de macollos reproductivos se realizó a una altura de 25
cm aproximadamente. Ambas muestras se tomaron con un marco de 50 x 50 cm
localizado al azar; la cosecha se hizo en forma manual siendo almacenadas en bolsas
de arpillera las correspondientes a MS y en bolsas de papel las destinadas al análisis
de semillas. Luego de una deshidratación natural, se llevó el material para la
determinación de materia seca a estufa a 60 Cº por el lapso de 48 hs. Posteriormente
se pesó para determinar la producción de materia seca. De esta muestra se tomó una
alícuota y se separaron manualmente hojas y tallos (vaina+tallo+inflorescencia).
Fertilización y producción de materia seca
173
Respecto a la recolección del material, de cada parcela se tomaron dos
muestras. La primera para analizar la producción y calidad de la materia seca. Para
ello se midió la producción de materia seca por hectárea (kg MS/ha), la relación hoja-
tallo (H/T), la digestibilidad de la hoja (D(H)) y la digestibilidad del tallo (D(T)). La
segunda muestra se hizo con el fin de obtener la producción de semillas evaluando las
siguientes variables: rendimiento de semilla (kg Semilla/ha), cantidad de semilla por
inflorescencia (Semillas/Inflorescencia), energía germinativa (EG), peso de mil semillas
(P1000) y número de plántulas normales por kilogramo de semilla (PN/kg Semilla).
II.IV. ANÁLISIS ESTADÍSTICO
Para identificar las variables que explican la mayor parte de la variabilidad total
contenida en los datos y explorar las correlaciones entre variables medidas, se realizó
un Análisis de Componentes Principales (ACP). Así mismo, para evaluar la correlación
entre el grupo de variables de producción/calidad de MS y las variables de
producción/calidad de semilla, se realizó un Análisis de Correlaciones Canónicas
(ACC). Para evaluar el efecto de los tratamientos (fertilización nitrogenada y fosforada)
sobre la producción de semilla y materia seca se realizó un análisis de la varianza
(ANAVA) y posteriormente se realizó la comparación de medias utilizando el test DGC
con un nivel de significación α=0,05. Finalmente la evaluación de la relación entre la
dosis de fertilizante nitrogenado y la producción de MS y semilla, se realizó mediante
un análisis de regresión lineal. Todos los análisis estadísticos fueron realizados
utilizando el software estadístico InfoStat (Di Rienzo et al., 2014).
III. RESULTADOS Y DISCUSIÓN
Las dos primeras componentes del ACP explican el 68% de la variabilidad total
de los datos. La primera componente (CP1) explica un 44% de la variabilidad y separa,
principalmente, la variable H/T de aquellas variables relacionadas a la calidad de la
semilla (EG, P1000, %PN). También se observa una correlación positiva entre las
variables indicadoras de calidad de la semilla y entre MS/ha y kg Semillas/ha. Mientras
que la correlación entre estas dos variables respecto a la variable H/T es negativa, al
igual que la correlación entre las variables indicadoras de calidad de la semilla y la
D(T). Respecto a los tratamiento de fertilización evaluados, P(40) y P(20) presentan la
mayor relación H/T y D(T) y los menores valores de producción (kg semilla/ha) y
calidad de semilla (EG, P1000, %PN) y kg MS/ha (Figura 1). De la misma manera en
Fertilización y producción de materia seca
174
ensayos con fertilizaciones combinadas de P y N (Calvierè I., 1998) se observó que la
menor relación H/T se produjo con altas dosis de fósforo.
Figura 1. Biplot del Análisis de Componentes Principales. Se muestra las principales relaciones entre las variables de producción/calidad de materia seca y semillas en Panicum Coloratum, bajo diferentes tratamientos de fertilización nitrogenada y fosforada.
El ACC mostró que la primera relación canónica fue estadísticamente
significativa (p<0.05). La primera variable canónica correspondiente al grupo de
variables de producción/calidad de la MS es definida principalmente por la variable
relación H/T, mientras que en el grupo de variables de producción/calidad de semillas
la variable canónica es definida por la variable EG. Puede observarse (Figura 2) que la
relación lineal entre las combinaciones lineales de ambos grupos de variables es
negativa. Esto se explica por lo mostrado por el Análisis de Componentes Principales,
donde la variable H/T difiere de aquellas relacionadas con la calidad de semilla. Por
otro lado los valores de la relación H/T concuerda con lo observado por Joaquin et al.
(2001) donde la fertilización con 50kgN/ha incrementó el número de tallos en un 54%
con respecto al testigo.
T0(testigo) T1(N35) T2(N70)
T3(P20) T4(P40) T5(N35+P20)
T6(N70+P40) Biplot(1,2) - Variables
-5.00 -2.50 0.00 2.50 5.00
CP 1 (44.1%)
-5.00
-2.50
0.00
2.50
5.00
CP
2 (
23.7
%)
H/T
DIG(T)
DIG(H)P1000
kg Smillas/ha
Semillas/Infloresencia
kg MS/ha
EG
PN /kg Semilla
H/T
DIG(T)
DIG(H)P1000
kg Smillas/ha
Semillas/Infloresencia
kg MS/ha
EG
PN /kg Semilla
T0(testigo) T1(N35) T2(N70)
T3(P20) T4(P40) T5(N35+P20)
T6(N70+P40) Biplot(1,2) - Variables
Fertilización y producción de materia seca
175
Figura 2. Grafico de dispersión entre las variables canónicas representadas por variables de producción/calidad en materia seca y semillas de Panicum Coloratum.
El análisis de la varianza no mostró diferencias significativas entre los
tratamientos T4, T1, T0 y T3, ni entre los tratamientos T5, T2 y T6. Mientras que si se
observaron diferencias significativas entre los primeros con estos últimos.
Tabla 1. Test a posteriori DGC.
Test:DGC Alfa=0,05 PCALT=2886,9609 Error: 2297409,5238 gl: 14 Tratamientos Medias n E.E. T4(P40) 2334,67 3 875,10 A T0(testigo) 4198,67 3 875,10 A T1(N35) 4246,67 3 875,10 A T3(P20) 4517,33 3 875,10 A T5(N35+P20) 6029,33 3 875,10 B T2(N70) 7080,00 3 875,10 B T6(N70+P40) 7276,00 3 875,10 B Medias con una letra común no son significativamente diferentes (p > 0,05)
-1.80 -1.25 -0.70 -0.15 0.40 0.95 1.50 2.05 2.60
Canónica Semilla
-2.4
-1.6
-0.8
0.0
0.8
1.6
2.4
Canónic
a M
ate
ria S
eca
Fertilización y producción de materia seca
176
Figura 3. Análisis de la varianza. Grafico de comparación de medias para la variable Materia Seca. Letras distintas indican diferencia entre los tratamientos.
Para la variable producción de materia seca el aumento en la fertilización
produjo incrementos significativos con dosis de 35 y 70khN/ha (T6). Ferraris et al
(2008) obtuvieron la combinación óptima para producción de materia seca en dosis de
100khN/ha para Lolium multiflorum, por su parte Cornacchione (Cornacchione et al.
(2008) encontraron respuesta a la fertilización nitrogenada para otras megatérmicas
con dosis de 69 kg de nitrógeno, mientras que en dosis de 46 kg no hubo diferencia
significativa.
Para el análisis de la varianza de la variable producción de semilla, los
tratamientos T4, T3, T0, T1 y T5 no mostraron diferencias significativas entre sí, pero
sí se observaron diferencias entre estos y los tratamientos T2 y T6 siendo este último
el tratamiento de mayor producción de semilla.
T4(P40)T0(testigo)
T1(N35)T3(P20)
T5(N35+P20)T2(N70)
T6(N70+P40)
Tratamientos
2043,85
3643,36
5242,88
6842,40
8441,92
M.S
.(k
g)
A
A AA
B
BB
A
A AA
B
BB
Fertilización y producción de materia seca
177
Tabla 2. Prueba a posteriori DGC.
Test:DGC Alfa=0,05 PCALT=61,5770 Error: 1045,1868 gl: 14 Tratamientos Medias n E.E. T4(P40) 27,88 3 18,67 A T3(P20) 72,24 3 18,67 A T0(testigo) 80,56 3 18,67 A T1(N35) 85,38 3 18,67 A T5(N35+P20) 105,28 3 18,67 A T2(N70) 166,05 3 18,67 B T6(N70+P40) 182,86 3 18,67 B Medias con una letra común no son significativamente diferentes (p > 0,05)
Figura 4. Análisis de la varianza. Grafico de comparación de medias para la variable Producción de Semilla. Letras distintas indican diferencia entre los tratamientos.
En ensayos realizados con Digitaria eriantha cv premier (Ramirez y Hacker,
1994), la mayor producción de semilla se obtuvo con 50kgN/ha, mientras que
aplicaciones superiores a 150kg/ha fueron en detrimento de la producción.
La relación entre la dosis de fertilizante nitrogenado y la producción de MS y
semilla fue estadísticamente significativa (p<0.05). Por cada kg de N que se aplica, la
producción de MS y semilla de Panicum coloratum, aumenta en 41,2 y 1,2 kg
respectivamente (Figura 5 y 6)
T4(P40)T3(P20)
T0(testigo)T1(N35)
T5(N35+P20)T2(N70)
T6(N70+P40)
Tratamientos
19,20
66,95
114,70
162,46
210,21
Se
m.k
g/H
a
A
AA
A
A
B
B
A
AA
A
A
B
B
Fertilización y producción de materia seca
178
Figura 5. Regresión lineal entre producción de materia seca (kg MS/ha) y dosis de fertilizante nitrogenado (kg N/ha).
Figura 6. Regresión lineal entre producción de semillas (kg Semilla/ha) y dosis de fertilizante nitrogenado (kg N/ha).
Al igual que para materia seca, la variable producción de semillas muestra una
respuesta lineal positiva con respecto a los incrementos en las dosis de nitrógeno. La
relación es similar a la que encontraron Steimberg et al (2005) con dosis de 70kgN/ha
en Panicum coloratum. Mecelis y Oliveira (1984) también hallaron un efecto positivo
del nitrógeno en la producción de semilla de Brachiaria humidicola utilizando dosis de
75kg/ha.
Fertilización y producción de materia seca
179
Es importante tener en cuenta la fertilización en zonas agroclimáticamente
marginales, sin embargo esta actividad se debería realizar de forma consciente,
considerando las dosis de fertilizantes a utilizar ya que como se ha visto en los análisis
precedentes, niveles incorrectos de aplicación pueden afectar tanto rendimientos como
calidad de las pasturas y semillas.
IV. CONCLUSIÓN
La relación entre las variables de producción/calidad de materia seca demostró
tener una relación inversa con las de producción/calidad de semilla.
Individualmente la mayoría de las variables mostraron un incremento en su
producción/calidad ante la aplicación de nitrógeno en dosis de 70kg/ha y la dosis
combinada de 70kg/ha de nitrógeno con 40kg/ha de fosforo. Mientras que la aplicación
de fósforo en dosis individuales de 20kg/ha y 40kg/ha mostró una disminución en el
rendimiento y calidad. Por otro lado las componentes H/T y D(T) tuvieron respuestas
inversas al resto de las variables analizadas.
El incremento en las dosis aplicadas de nitrógeno mostró un aumento en la
producción de materia seca y semilla.
Al analizar grupos de variables hay que tener en cuenta la influencia de ciertos
valores, que pueden llegar a alterar los resultados, pudiendo generar conclusiones
erróneas. Por lo tanto es importante generar análisis alternativos para poder lograr
respuestas concluyentes.
Es también imprescindible realizar a priori un adecuado diseño del
experimento.
V. AGRADECIMIENTOS
Gracias a Alejo Ducca, Germàn Vera Pingitore y Pedro Barrionuevo por
facilitarme los datos de su trabajo del área de consolidación.
Fertilización y producción de materia seca
180
VI. REFERENCIAS BIBLIOGRÁFICAS
Borrajo, C.I., Ramirez, M., Maidana, C. y Ramirez, R. 2010. Efecto de la fertilización N-
P-K sobre el rendimiento de semillas en Setaria sphcelata. Revista Argentina
de Producción Animal, 30 (1): 203-431.
Cornacchione, M.V., y Sánchez, M.C. 2007. Efecto de la fertilización liquida en
pasturas subtropicales en el sudeste santiagueño. Proyecto Regional Llanura
chaqueña Oeste. INTA.
Calvierè, I. y Duru, M. 1998. The effect of N and P fertilizer application and botanical
composition on the leaf/steam ratio patterns in spring in Pyrenean meadows.
Grass and forage Science. 54: 255-266.
De León, M. 2003. Ampliando la Frontera Ganadera. Rev. de la Sociedad Rural de
Jesús María, 139:45-48.
De León, M. 2005. Las Gramíneas Megatérmicas y su Impacto Productivo. Seminario
Técnico Forrajes 2005 INTA. Buenos Aires 29 y 30 de Marzo. p. 81
Di Rienzo J.A., Casanoves F., Balzarini M.G., Gonzalez L., Tablada M., Robledo C.W.
InfoStat versión 2014. Grupo InfoStat, FCA, Universidad Nacional de Córdoba,
Argentina. URL: http://www.infostat.com.ar
Frank, E.O., Llorens, E.M. y Cabral, D.R. 1998. Productividad de los pastizales de la
Provincia de La Pampa, Gobierno de la Provincia de La Pampa, INTA, 167 p.
Joaquín B.M., Hernández A, Pérez J., Herrera J.G, García G. y Trejo C. 2001.
Fertilización nitrogenada y momento de cosecha en el rendimiento y la calidad
de semillas del pasto de guinea (Panicum máximum Jacq.). Pasturas
Tropicales, 23(1): 2-8.
Joaquín B.M., Hernández A, Pérez J., Herrera J.G, García G. y Trejo C. 2001.
Fertilización nitrogenada y momento de cosecha en el rendimiento y la calidad
de semillas del pasto de guinea (Panicum máximum Jacq.): Parámetros y
componentes del rendimiento. Pasturas Tropicales 23(2): 10-15
Marino, M.A., y Berardo, A. 2000. Fertilización fosfatada en pasturas en el sudeste
bonaerense. Revista Argentina de Producción Animal. 20 (2): 113-121.
Mecelis, N; Oliveira, P. R. P. de. 1984. Brachiaria humidicola seed production
components: effect of nitrogen fertilizer and date of harvest. Zootecnia. 22: 57-
71
Mc Cosker, T. K. y Teitzel, J. K. 1975. A review of Guinea Grass (Panicum máximum)
for the wet tropics of Australia. Tropical Grasslands, 3: 177-189.
Motta, M. S. 1953. Panicum maximum. Empire Journal of Experimental Agriculture, 21:
33-41.
Fertilización y producción de materia seca
181
Ramirez, L.; Hacker, J. B. 1994. Effect of time of tiller emergence and nitrogen fertiliser
on seed yield components of Digitaria eriantha cv. Journal of applied seed
production,12: 66-75.
Steinberg, M.R., Valdez, H.A., Coraglio, J.C., Vieyra, C.A., Minuzzi, P.A. y Nienstedt,
E.F. 2005. Efecto de la fertilización nitrogenada en la producción de semilla de
Panicum coloratum. 28º Congreso Argentino de Producción Animal. PP 52.
Stritzler, N.P., Ferri, C.M., Pagella, J.H., y Fuentes, M.E. 2004. Fertilización
nitrogenada y partición de la materia seca en Panicum coloratum L. CV
VERDE. Revista Argentina de Producción Animal, 24: 86-87.
Stritzler, N.P., Petruzzi,H.J., Frasinelli, C.A., Veneciano, J.H., Ferri, C.M. y Viglizzo,
E.F. 2007. Variabilidad climática en la Región Semiárida Central Argentina.
Adaptación tecnológica en sistemas extensivos de producción animal. Revista
Argentina de Producción Animal, 27(2): 111-123.
Teitzel, J. K. y Bruce, R. C. 1972. Pasture fertilizers for the wet tropic. Queensland
Agricultural Journal, 99: 13-22.
Valdez, H.A. 2013. Manejo alternativo del recurso forrajero para estabilizar la
producción de carne en un sistema de cría en el semiárido serrano del norte de
Córdoba. Trabajo Final Especialización en Alimentación de Bovinos. UNC-FCA.
Caracterización de híbridos de maíz
182
Efecto de la fertilización nitrogenada sobre caracteres morfo fisiológicos de híbridos
comerciales en maíz en distintos ambientes de la región pampeana
Victor Cornaglia
Tutor: Mónica Balzarini
Caracterización de híbridos de maíz
183
CONTENIDOS
I. Introducción
II. Materiales y métodos
II.I. Datos
II.II. Análisis estadístico
III. Resultados y discusión
III.I. Interpretación del sendero
IV. Conclusión
V. Referencias bibliográficas
VI. Anexo
Caracterización de híbridos de maíz
184
I. INTRODUCCIÓN
La adecuada disponibilidad de nutrientes, asegura un buen crecimiento foliar y
una alta eficiencia de conversión de radiación interceptada. El uso de fertilizantes
nitrogenados sintéticos representa una alternativa cuando la nutrición nitrogenada se
convierte en un factor limitante. En el caso particular del maíz la demanda de N
aumenta en forma creciente a partir de las 5, 6 hojas (30, 50 días), por esta razón la
aplicación de N previa en este estado del cultivo, se ha considerado como la más
adecuada desde el punto de vista de eficiencia de uso de N (García, 1999). El maíz
requiere alrededor de 20 a 25 kg/ha de nitrógeno (N) por cada tonelada de grano
producida (Melgar y Torres, 2002). Por ello, para producir 10 t/ha de grano, el cultivo
debería disponer de alrededor de 200 a 250 kg de N/ha absorbidos por el cultivo. Esta
cantidad sería la demanda de nitrógeno para este nivel de rendimiento. La oferta total
(nitrógeno en el suelo + N del fertilizante) debería satisfacer esa necesidad para
mantener el sistema en equilibrio nutricional (Melgar y Torres, 2002).
A pesar de constituir una práctica muy usada para aumentar la producción de
maíz, actualmente existe una creciente preocupación por el uso de fertilizantes, por su
efecto nocivo sobre el medioambiente y el costo de los mismos. El desafío que se
plantea es minimizar el uso de los mismos para reducir la contaminación (Tremblay et
al., 2011). Una posibilidad de aumentar la eficiencia de uso del N en cereales es
mediante la selección de híbridos reduciendo de este modo la cantidad de nitrógeno
aplicado, y manteniendo una producción aceptable (Hirel et al., 2007)
El objetivo de este trabajo fue analizar el comportamiento de híbridos
comerciales fertilizados con N y no fertilizados, en base a variables morfofisiológicas,
en distintos ambientes de la región pampeana.
II. MATERIALES Y MÉTODOS
II.I. DATOS
Se implantaron cultivos de maíz en varias localidades de la Región Pampeana
Argentina (Balcarce, Pergamino, Oliveros y Córdoba), (realizando el cultivo con y sin
fertilización nitrogenada. Se utilizaron ocho híbridos comerciales de maíz ( 1-2-3-4-5-6-
7-8). En todas las localidades, excepto Balcarce, el ensayo fue conducido según un
diseño de parcelas divididas con tres repeticiones, donde el factor fertilización
(presente/ausente) se asoció a las parcelas principales y el factor híbrido a las
subparcelas. En Balcarce se usó un diseño en bloques al azar ya que todos los
Caracterización de híbridos de maíz
185
híbridos (tratamientos) se cultivaron con fertilización. En todos los casos se realizó el
análisis de los suelos para determinar la fertilidad actual y potencial de cada lote. La
densidad de plantas usada fue la misma en todas las regiones consideradas
optimizando el número de plantas para no subutilizar el recurso o afectar la producción
por alta competencia entre plantas.
El material vegetal consistió en 8 híbridos comerciales de maíz. Todos los
genotipos incluyeron la transformación transgénica para tolerancia a daño por Diatraea
saccharalis. Los experimentos se mantuvieron sin limitaciones hídricas ni de otros
nutrientes como P y S y las prácticas agrícolas fueron las recomendadas en la región.
La aplicación del fertilizante se realizó a razón de 200 kg de N/ha, 50 días
posterior a la siembra en las parcelas correspondientes al tratamiento fertilizado. En
Balcarce todas las parcelas fueron fertilizadas. Durante el ciclo del cultivo se
determinaron las variables que se listan en la Tabla 1.
Tabla 1. Variables consideradas en maíz durante el ciclo del cultivo en 4 localidades de la región pampeana.
Variable Abreviatura
Rendimiento (g/m2) Rinde Peso de granos (mg) PG Numero de granos por m2 NG Materia seca aérea en F (g m-2) MS1 Materia seca aérea en MF (g m-2) MS2 Materia seca aérea entre F y MF (g m-2) MS2-1 Peso seco de hojas en F (g m-2) PSH1 Peso seco de hojas en MF (g m-2) PSH_MF Índice de cosecha IC Absorción de nitrógeno de E a F (g m-2) AbsN1 Absorción de nitrógeno desde F a MF (g m-2) AbsN2 Área foliar en F AF_F Nitrógeno foliar especifico en F NFE_F Inserción horizontal entre surco IH_es Inserción vertical promedio hojas 1-3 IV1-3 Inserción vertical promedio hojas 4-6 IV4-6 Inserción vertical promedio hojas 7-9 IV7-9 Eficiencia intercepción de la radiación en F EI_F Eficiencia intercepción de la radiación en Fll EI_Fll Numero de hojas verdes en MF #HV_MF PAR interceptado acumulado desde E a F (mj/M2) IPAR1 PAR interceptado acumulado desde F a MF (mj/M2) IPAR2 Eficiencia en el uso de la radiación desde E a F (g/mj) RUE1 Eficiencia en el uso de la radiación de E a F (g/mj) RUE2 Eficiencia en el uso del Nitrógeno EUN
Ref: E= emergencia; F= floración; MF= madurez fisiológica; Fll= fin de llenado del grano
Caracterización de híbridos de maíz
186
II.II. ANÁLISIS ESTADÍSTICO
Los datos fueron analizados mediante un análisis de varianza y prueba DGC de
comparación de medias a partir del siguiente modelo:
Yijkl = μ + Gi + Aj + (GA)ij + B(A)k(j) + εijkl
donde,
Yijkl es el rendimiento para la observación correspondiente al i-ésimo genotipo,
j-ésimo ambiente, k-ésima dosis de nitrógeno y al l-ésimo bloque anidado en el j-ésimo
ambiente; μ es la media general; Gi es el efecto debido al i-ésimo genotipo; Aj es el
efecto debido al k-ésimo ambiente; (GA)ij es el efecto de la interacción del i-ésimo
genotipo con el j-ésimo ambiente; B(A)j(l) es el efecto debido al l-ésimo bloque anidado
en el j-ésimo ambiente; εijkl es el error aleatorio asociado al término Yijkl.
Se realizó un análisis de correlación utilizando el coeficiente de Pearson para
conocer la relación del rendimiento con el resto de las variables estudiadas. En el
análisis de coeficientes de sendero los resultados son presentados en tablas donde se
muestran los efectos directos e indirectos del sistema en estudio. Los coeficientes
ayudan a determinar la importancia relativa de los mismos. Las conclusiones del
análisis dependerán de la relación lineal supuesta, por ello es oportuno verificar que la
correlación entre la variable de salida del sistema y el término de error es baja,
implicando que no existen factores causales importantes que no hayan sido
incorporados al modelo.
Además, se realizaron árboles de clasificación-regresión en donde las ramas
representan conjuntos de decisiones y cada decisión genera reglas sucesivas para
continuar la clasificación (partición) formando así grupos homogéneos respecto a la
variable que se desea discriminar. Las particiones se hacen en forma recursiva hasta
que se alcanza un criterio de parada (Serna Pineda, 2009). Con este análisis
multivariado se identifican las variables regresoras que explican de mejor manera la
variabilidad observada sobre la variable respuesta (Rendimiento).
III. RESULTADOS Y DISCUSIÓN
No se detectó interacción estadísticamente significativa entre los híbridos de
maíz y los diferentes ambientes, por lo que deben ser estudiados de manera
independiente. Los híbridos de maíz se mantuvieron su rendimiento promedio en los
distintos ambientes.
Caracterización de híbridos de maíz
187
Existen diferencias altamente significativas (p<0,001) entre los híbridos (F=
6,86) y entre los ambientes (F=13,34). Por esta razón se realizaron pruebas de
diferencias de medias entre ambientes y entre híbridos utilizando el método DGC
(Tabla 2 y 3).
Tabla 2. Rendimientos promedio de maíz según ambiente, valores del error experimental y resultados de la prueba DGC.
Ambiente Medias E.E.
PN 1614,33 72,42 A
CN 1513,49 72,42 A
ON 1421,89 72,42 A
BN 1396,84 72,42 A
C 1210,05 72,42
B
O 1076,43 72,42
B
P 860,48 72,42
C Medias con una letra común no son significativamente diferentes (p > 0,05) Ref: PN: Pergamino con fertilización nitrogenada; CN: Córdoba con fertilización nitrogenada; ON: Olivera con fertilización nitrogenada; Balcarce con fertilización nitrogenada; C: Córdoba sin fertilización nitrogenada; O: Olivero sin fertilización nitrogenada; P: Pergamino sin fertilización nitrogenada
Tabla 3. Rendimientos promedio de maíz según híbrido, valores del error experimental y resultados de la prueba DGC.
Hibrido Medias E.E.
5 1375,87 26,75 A
3 1360,2 26,75 A
8 1343,75 26,75 A
4 1328,98 26,75 A
7 1304,21 26,75 B
1 1263,3 26,75 B
6 1252,99 26,75 B
2 1163,28 26,75 C
Medias con una letra común no son significativamente diferentes (p > 0,05) Ref.: PN: Pergamino con fertilización nitrogenada; CN: Córdoba con fertilización nitrogenada; ON: Olivera con fertilización nitrogenada; Balcarce con fertilización nitrogenada; C: Córdoba sin fertilización nitrogenada; O: Olivero sin fertilización nitrogenada; P: Pergamino sin fertilización nitrogenada
Los ambientes PN, CN, ON y BN no presentan diferencias estadísticas entre
ellos, siendo los de mejor rendimiento promedio y diferentes a C y O; mientras que en
el ambiente P se observaron los menores rendimientos promedio.
Los mejores híbridos son los denominados con los números 5, 3, 8 y 4 sin
diferencias estadísticas entre ellos. El híbrido de menor rendimiento fue el híbrido 2.
En lo referente a los análisis de correlación entre el rendimiento y las demás
variables intervinientes (Tabla 4) se observaron correlaciones positivas y significativas
para PG, NG, MS2….
Caracterización de híbridos de maíz
188
Al aumentar la biomasa hay un incremento del PG y NG como consecuencia
directa aumenta el rendimiento.
Tabla 4. Coeficientes de correlación de Pearson y valor de p entre el rendimiento y las variables regresoras analizadas en híbridos de maíz en diferentes ambientes de la región pampeana.
Ambientes con alto nivel de fertilización
Ambientes con bajo nivel de fertilización
Coef. de Pearson
p Coef. de Pearson
p
PG 0,65 <0,0001 0,32 0,0015 NG 0,77 <0,0001 0,6 <0,0001 MS1 0,24 0,0392 0,23 0,025 MS2 0,82 <0,0001 0,71 <0,0001 MS2-1 0,8 <0,0001 0,63 <0,0001 PSH1 0,15 0,2213 0,16 0,1312 PSH_MF 0,23 0,054 0,46 <0,0001 IC 0,44 0,0001 0,07 0,5227 AbsN1 0,5 <0,0001 0,19 0,0648 AbsN2 0,41 0,0003 0,45 <0,0001 AF_F 0,68 <0,0001 0,3 0,0031 NFE_F 0,01 0,9259 -0,21 0,0411 IH_es -0,23 0,0477 0,22 0,0329 IV1-3 -0,37 0,0013 0,29 0,0044 IV4-6 -0,39 0,0007 0,26 0,0094 IV7-9 -0,08 0,5271 0,27 0,0068 EI_F 0,2 0,0942 0,43 <0,0001 EI_Fll 0,55 <0,0001 -0,09 0,3854 #HV_MF -0,15 0,224 0,29 0,0037 IPAR1 -0,15 0,2216 0,18 0,0836 IPAR2 0,35 0,0027 0,46 <0,0001 RUE1 0,39 0,0006 0,15 0,1375 RUE2 0,69 <0,0001 0,53 <0,0001 EUN -0,17 0,1525 0,08 0,437
Utilizando las variables que presentaban correlaciones más importantes con el
rendimiento se realizó un análisis de sendero (en Anexos) para encontrar posibles
explicaciones causales de las correlaciones entre el rendimiento de los híbridos de
maíz en diferentes ambientes y las variables involucradas directa o indirectamente en
ese rendimiento.
III.I. INTERPRETACIÓN DEL SENDERO
Se adjunta en el anexo las tablas, se resulta que las que el efecto directo que
tiene mas peso sobre el rendimiento fueron el PG y NG
Caracterización de híbridos de maíz
189
El análisis de árboles de clasificación-regresión se realizó teniendo en cuenta la
Suma de cuadrados corregida de los valores de la variable dependiente dentro de
cada nodo. Los resultados obtenidos se presentan en Anexos.
Se observa en la Figura 1 que la primera variable utilizada para explicar la
variabilidad es MS2. Luego continúa el NG y PG. Por lo que en ambientes con
contenido de nitrógeno igual a 1 (significa que solo tenía el N disponible, que no se
fertilizo). Estas son las variables de mayor importancia en el momento de definir el
rendimiento de grano.
Figura 1. Árbol de regresión para los híbridos de maíz analizados en ambientes sin fertilización nitrogenada.
Para los ambientes con fertilización nitrogenada el mayor contenido de
nitrógeno inicial modificó la importancia relativa de las variables con respecto al
rendimiento. La primera para crear nodos es el MS2 pero aparecen otras variables que
antes no fueron consideradas (Figura 2).
(n=72)
MS2(<=2061,650; n=51)
NG(<=2922,500; n=9) NG(>2922,500; n=42)
PG(<=248,000; n=25)
NG(<=3803,500; n=18) NG(>3803,500; n=7)
PG(>248,000; n=17)
MS2(>2061,650; n=21)
(n=72)
MS2(<=2061,650; n=51)
NG(<=2922,500; n=9) NG(>2922,500; n=42)
PG(<=248,000; n=25)
NG(<=3803,500; n=18) NG(>3803,500; n=7)
PG(>248,000; n=17)
MS2(>2061,650; n=21)
NivelN = 1
Caracterización de híbridos de maíz
190
Figura 2. Árbol de regresión para los híbridos de maíz analizados en ambientes sin fertilización nitrogenada.
IV. CONCLUSIÓN
La utilización del nitrógeno en el cultivo (200 kgN/HA) de maíz genera un
mayor rendimiento por el aumento directo del peso del grano y el numero de grano
como consecuencia del aumento de la biomasa foliar.
Esto se comprueba con el análisis de pearson en las localidades con nitrógeno
que hay una correlación significativa del PG, NG, MS2 y IC en el rendimiento ( tabla 4 )
En cambio en las localidades sin nitrógeno hubo una correlación significativa
pero menor a la que se utilizó nitrógeno (tabla 4)
En el coeficiente de sendero se refleja el efecto directo con más peso sobre el
rendimiento son el PG y NG
Las localidades que mejor comportamiento tuvieron fueron las que se les
incorporo nitrógeno ( PN , CN , ON y BN ) , mientras que las que no se incorporó no
hubo una diferencia significativa en los rindes excepto Pergamino que por su déficit de
nitrógeno en el suelo el rinde fue muy inferior.
Por lo que es aconsejable la utilización de los mejores híbridos, tales como 5,
3 , 8 , 4 que presentaron el mejor rendimiento. (Tabla 3)
Caracterización de híbridos de maíz
191
V. REFERENCIAS BIBLIOGRÁFICAS
Di Rienzo, J.A., F. Casanoves, M.G. Balzarini, L. Gonzalez,M. Tablada, C.W. Robledo.
2013. InfoStat versión2013. Grupo InfoStat, FCA, Universidad Nacional de
Córdoba, Argentina.
Garcia, J. 1999. Cuadernillo de Maiz. Revista Agromercado.
Hirel, B., Le Grouis, J., y A. Gallais. 2007. The challenge of improving nitrogen use
efficiency in crop plants: towards a more central role for genetic variability and
quantitative genetics within integrated approaches J. Exp. Bot., 58: 2369 -
2387.
Fontaneto, H. y O. Keller, Estación Experimental Agropecuaria Rafaela. 2006.
Informacion técnica de cultivos de verano. Publicación Miscelánea Nº
106MANEJO DE LA FERTILIZACION EN MAIZ. EXPERIENCIAS EN LA
REGION PAMPEANA ARGENTINA
Melgar R. y M torres
www.fertilizando.com/articulos/manejo%20de%20la%20fertilizacion%20. INTA
Tremblay,N., Falon, E . y N. Ziadi . 2011. Sensing of Crop Nitrogen Status:
Opportunities, Tools, Limitations, and Supporting Information Requirements
HortTechnology. 2011; 21: 274 - 281.
Serna Pineda, S.C. 2009. Comparación de árboles de regresión y Clasificación y
regresión logística. Tesis de Magíster en Estadística. Escuela de Estadística.
Facultad de Ciencias. Universidad Nacional de Colombia.
Caracterización de híbridos de maíz
192
VI. ANEXO
Coeficientes de sendero para las variables con mayor correlación en el rendimiento de híbridos de maíz en los ambientes sin fertilización nitrogenada.
Variable dependiente: Rinde
Efecto Vía Coeficientes p-valor MS2 Directa 0,04 MS2 MS2-1 1,00E-03 MS2 EI_F 0,01 MS2 EI_Fll -3,60E-03 MS2 IC 2,70E-03 MS2 NG 0,45 MS2 PG 0,33 r total 0,82 <0,0001
MS2-1 Directa 1,20E-03 MS2-1 MS2 0,04 MS2-1 EI_F 4,50E-03 MS2-1 EI_Fll -4,20E-03 MS2-1 IC 4,10E-03 MS2-1 NG 0,43 MS2-1 PG 0,33 r total 0,8 <0,0001
EI_F Directa 0,02 EI_F MS2 0,01 EI_F MS2-1 2,40E-04 EI_F EI_Fll 4,50E-04 EI_F IC -2,80E-03 EI_F NG 0,16 EI_F PG 0,01 r total 0,2 0,0942
EI_Fll Directa -0,01 EI_Fll MS2 0,02 EI_Fll MS2-1 5,70E-04 EI_Fll EI_F -1,10E-03 EI_Fll IC 3,40E-03 EI_Fll NG 0,29 EI_Fll PG 0,24 r total 0,55 <0,0001
IC Directa 0,01 IC MS2 0,01 IC MS2-1 5,70E-04 IC EI_F -0,01 IC EI_Fll -3,40E-03 IC NG 0,16 IC PG 0,27 r total 0,44 0,0001
NG Directa 0,73 NG MS2 0,02 NG MS2-1 6,80E-04 NG EI_F 4,70E-03 NG EI_Fll -3,40E-03 NG IC 1,90E-03 NG PG 0,02 r total 0,77 <0,0001
PG Directa 0,6 PG MS2 0,02 PG MS2-1 6,30E-04
Caracterización de híbridos de maíz
193
PG EI_F 4,00E-04 PG EI_Fll -3,40E-03 PG IC 3,70E-03 PG NG 0,02 r total 0,65 <0,0001
Coeficientes de sendero para las variables con mayor correlación en el rendimiento de híbridos de maíz en los ambientes con fertilización nitrogenada.
Variable dependiente: Rinde
Efecto Vía Coeficientes p-valor MS2 Directa 0,02 MS2 MS2-1 0,03 MS2 EI_F -8,90E-05 MS2 EI_Fll 9,90E-04 MS2 IC -0,01 MS2 NG 0,51 MS2 PG 0,16 r total 0,71 <0,0001
MS2-1 Directa 0,03 MS2-1 MS2 0,02 MS2-1 EI_F -7,50E-05 MS2-1 EI_Fll -8,60E-04 MS2-1 IC -2,30E-05 MS2-1 NG 0,35 MS2-1 PG 0,23 r total 0,63 <0,0001
EI_F Directa -1,50E-04 EI_F MS2 0,01 EI_F MS2-1 0,02 EI_F EI_Fll 6,30E-04 EI_F IC -0,01 EI_F NG 0,21 EI_F PG 0,2 r total 0,43 <0,0001
EI_Fll Directa -0,01 EI_Fll MS2 -2,00E-03 EI_Fll MS2-1 2,90E-03 EI_Fll EI_F 9,70E-06 EI_Fll IC 0,01 EI_Fll NG -0,04 EI_Fll PG -0,04 r total -0,09 0,3854
IC Directa 0,03 IC MS2 -4,40E-03 IC MS2-1 -2,70E-05 IC EI_F 5,00E-05 IC EI_Fll -1,90E-03 IC NG -0,06 IC PG 0,11 r total 0,07 0,5227
NG Directa 1,09 NG MS2 0,01 NG MS2-1 0,01 NG EI_F -2,90E-05 NG EI_Fll 3,70E-04 NG IC -1,50E-03 NG PG -0,5 r total 0,6 <0,0001
Caracterización de híbridos de maíz
194
PG Directa 0,91 PG MS2 3,40E-03 PG MS2-1 0,01 PG EI_F -3,20E-05 PG EI_Fll 4,60E-04 PG IC 3,10E-03 PG NG -0,6 r total 0,32 0,0015
Resultados del análisis de árboles de clasificación-regresión para los híbridos de maíz analizados en diferentes ambientes de la región pampeana.
Ambientes sin fertilización nitrogenada.
H= Suma de cuadrados corregida
Nodo Formación H
Predicción
n Media Varianza Mínimo
Máximo
Raiz 1048,99 72 1048,99 51178,06 607,2 1570,1
1 MS2(<=2061,650)
1250564,94
941,29 51 941,29 25011,3 607,2 1218,1
1,1 NG(<=2922,500) 34851,72 704,43 9 704,43 4356,47 607,2 799,7
1,2 NG(>2922,500) 602597,38 992,05 42 992,05 14697,5 750,8 1218,1
1.2.1 PG(<=248,000) 220923,9 921,1 25 921,1 9205,16 750,8 1133,1
1.2.1.1
NG(<=3803,500) 84980,6 878,89 18 878,89 4998,86 750,8 995,2
1.2.1.2
NG(>3803,500) 21400,44 1029,64 7 1029,64 3566,74 955,8 1133,1
1.2.2 PG(>248,000) 70776,84 1096,38 17 1096,38 4423,55 981,3 1218,1
2 MS2(>2061,650) 355034,15 1310,53 21 1310,53 17751,71 1036,4 1570,1
Ambientes con fertilización nitrogenada.
H= Suma de cuadrados corregida
Nodo Formación H Predicción n Media Varianza Mínimo Máximo
Raiz
1486,64 96 1486,64 34212,15 915,5 1899,3
1 MS2(<=2563,450) 997992,83 1373,43 54 1373,43 18830,05 915,5 1617
1,1 AbsN2(<=4,015) 123654,91 1126,38 6 1126,38 24730,98 915,5 1318,8
1,2 AbsN2(>4,015) 462378,96 1404,31 48 1404,31 9837,85 1170,7 1617
1.2.1 IV1-3(<=40,085) 346464,72 1386,24 42 1386,24 8450,36 1170,7 1617
1.2.2 IV1-3(>40,085) 6256,79 1530,77 6 1530,77 1251,36 1477,2 1562,3
2 MS2(>2563,450) 670304,34 1632,19 42 1632,19 16348,89 1330,1 1899,3
Evaluación de siembra precisa en garbanzo
195
Calidad de siembra y efecto de la distribución precisa de la semilla de garbanzo
(Cicer arietinum l.) en la provincia de Córdoba
Christian Pablo Alessio y Nicolás Bernaldez Brunt
Tutor: Mariano Córdoba
Evaluación de siembra precisa en garbanzo
196
CONTENIDOS
I. Introducción
II. Materiales y métodos
II.I. Evaluación de calidad de siembra
II.II. Evaluación de la siembra precisa
II.III. Análisis estadístico
III. Resultados y Discusión
III.I. Caracterización de la siembra en Córdoba
III.II. Ensayo experimental
IV. Conclusión
V. Agradecimientos
VI. Referencias bibliográficas
Evaluación de siembra precisa en garbanzo
197
I. INTRODUCCIÓN
El garbanzo (Cicer arietinum L.) es uno de los cultivos con los que se inició la
agricultura junto con el trigo, la cebada, el lino y otras leguminosas (Ladizinsky y Adler,
1976). Como cultivo tuvo su origen en el Próximo Oriente hace unos 10000 años (Lev-
Yadun, 2000). En Argentina se cultiva desde los 20° a los 33° de Lat S, en la zona
semiárida o árida, desde el norte del país hasta el centro del mismo. La siembra se
inicia desde abril hasta julio dependiendo de los tipos varietales utilizados. Estos
pertenecen al grupo KABULI, entre los que se puede mencionar a Mexicano, Blanco
Lechoso Español, Saúco, Chañaritos S-156 y Norteño. A excepción de los 2 primeros,
que son de ciclo intermedio o corto, los otros materiales son de ciclo largo, desarrollan
una adecuada estructura vegetativa durante el período invernal e inician la floración
entre la última quincena de agosto y la primera de septiembre. La cosecha se realiza
alrededor de la primera quincena de noviembre a efectos de evitar las lluvias, que son
frecuentes durante esa parte del año (Saluzzo, 2010). A nivel nacional la superficie
sembrada en la campaña 2014/2015 fue de 40.000 hectáreas. En la Provincia de
Córdoba la superficie estimada fue de 10542 ha con una producción de 23451 t,
siendo los Departamentos Río Primero y Totoral los de mayor intención de siembra
(Bolsa de Cereales de Córdoba, 2014).
El valor productivo del garbanzo está determinado principalmente por la
granometría, la sanidad y el volumen producido de granos. Estos a su vez dependen
de la genética que se podrá expresar según la calidad del manejo empleado. El calibre
del grano es una variable de importancia, no sólo por ser de gran impacto al momento
de definir el precio que este recibe, sino que también influye al momento de la
siembra, siendo condicionante en la elección de la placa de siembra y determinación
de la densidad. Las semillas de mayor tamaño permiten una rápida emergencia y
uniformidad en la implantación del cultivo. El distanciamiento entre plantas es un
fenómeno que incide en el rendimiento y calibre de granos a cosechar. La siembra
precisas de las plantas i.e. distribución equidistante de las plantas en el lote, puede
afectar el rendimiento y calibre obtenido en el grano cosechado. La uniformidad en la
deposición de la semilla durante la realización de una siembra, supone uno de los
puntos más fuertes en términos de la calidad de la labor. Andrade et al. (2000) postula
que las plantas que avanzan desde plántulas con mayor desarrollo son siempre más
grandes y dominantes pero no compensan el menor rinde de las plantas más chicas y
dominadas. Por ello, los cultivos de plantas uniformes (bajo siembra precisa)
presentan un mayor rendimiento que los de plantas poco uniformes (Bragachini et al.,
2003).Tanto en condiciones de campo como experimentales no hay antecedentes de
Evaluación de siembra precisa en garbanzo
198
estudios sobre el efecto que tiene la siembra precisa en el cultivo de garbanzo. Los
objetivos de este trabajo son caracterizar la siembra en las principales zonas de
producción del cultivo de garbanzo en la Provincia de Córdoba y evaluar el efecto de la
siembra precisa sobre la producción y calidad del grano del garbanzo.
II. MATERIALES Y MÉTODOS
II.I. EVALUACIÓN DE CALIDAD DE SIEMBRA
Para la caracterización de la siembra de garbanzo en la provincia de Córdoba,
se llevó a cabo en la campaña 2012/2013 un estudio observacional en el cual se
realizaron vistas a campo de cinco establecimientos con cultivo ya implantado. Los
campos evaluados fueron representativos de las principales zonas de producción de la
Provincia de Córdoba y se ubicaron en las localidades de La Puerta, Cañada de
Luque, Tinoco, Camino 60 Cuadras y Lozada. Las variables registradas fueron: tipo de
sembradora (neumática, placa inclinada, placa horizontal), distancia entre plantas
(DEP) y rendimiento por hectárea (RTO). La variable DEP se midió con cinta métrica
extendida sobre el surco o línea de plantas del cultivo tomando como valor mínimo y
de fracción de 0.5 cm. (Figura 2). Se midieron tres surcos apareados que se
seleccionaron teniendo en cuenta que la calidad de implantación fuera representativa
del lote. La longitud de las 3 líneas medidas (unidad de muestra), se determinó una
vez conocido el número de alveolos de la placa del dosificador de la unidad de
siembra. Dicha longitud fue de al menos tres vueltas de placa. Una vez seleccionada
la unidad de muestra, se delimitó con banderines (Figura 1). La variable RTO se midió
a campo con la cosecha y trilla realizada en forma manual en 14 metros lineales de
plantas en el surco.
Figura 1. Líneas sobre las cuales se obtuvieron los datos del experimento.
Figura 2. Mediciones llevadas a cabo a campo de la variable DEP (distancia entre planta).
Evaluación de siembra precisa en garbanzo
199
II.II. EVALUACIÓN DE LA SIEMBRA PRECISA
El ensayo se llevó a cabo en la localidad de Colonia Caroya (31° 48’ 24,6” LS y
63° 47’ 53,7” LO.) en la campaña 2013/14. El experimento se realizó en el sector
perimetral de un círculo de riego de pivote central (Figura 4). La siembra se realizó el
28/06/2013 y se implantaron 15 surcos de 10 m (metros) de longitud espaciados a
0.42 m, siendo la densidad de siembra de 12 semillas por metro lineal. Las mismas
líneas de siembra del lote se tomaron como testigo, evaluándose de esta forma dos
tratamientos: testigo (TEST) y siembra precisa (SP). El material vegetal fue el mismo
que se utilizó para la siembra del lote comercial. Utilizando una plantilla y punzones
sembradores (Figura 3), se realizó manualmente la siembra de las semillas extraídas
de las tolvas de la máquina, en surcos marcados con asada siguiendo la misma
dirección a los surcos en el lote, llegando a una profundidad máxima de 0.05 m (Figura
5).
Figura 3. Plantilla y punzones sembradores.
Figura 4. Ubicación satelital del lote y parcela donde se condujo el experimento.
Evaluación de siembra precisa en garbanzo
200
Figura 5. Marcación de los puntos de siembra.
Las variables medidas fueron la DEP y RTO. La metodología empleada para
determinar la variable DEP fue similar a la utilizada para la caracterización de la
siembra. Para la variable RTO se determinó el Número de granos por planta (NG/PL) y
el peso de granos por planta (PG/PL). Esta variables posteriormente fueron
particionadas teniendo en cuenta el calibre de los granos: entre 6 y 7 mm, 7 y 8 mm, 8
y 9 mm, 9 y 10 mm, obteniendo NG/PL y PG/PL para calibre entre 6 y 7, NG/PL y
PG/PL para calibre entre 7 y 8, NG/PL y PG/PL para calibre entre 8 y 9 y NG/PL y
PG/PL para calibre entre 9 y 10. Para realizar estas determinaciones se utilizaron
zarandas con los calibres seleccionados.
II.III. ANÁLISIS ESTADÍSTICO
Para la caracterización de la siembra se utilizaron estadísticos descriptivos
(media, CV, mínimo y máximo). Para analizar las diferencias entre las localidades en
cuanto a las variables RTO y DEP se utilizó el análisis de la varianza (ANAVA). La
comparación entre medias se realizó mediante la prueba LSD de Fisher. El nivel de
significación fue fijado en 0.05. Para evaluar el efecto de la siembra precisa sobre el
rendimiento, NG/PL y PG/PL, se utilizó también un ANAVA. Las variables NG/PL y
PG/PL fueron comparadas para los calibres 7-8 y 8-9 que fueron los de mayor
importancia en la determinación de la producción final. El cumplimiento de los
supuestos del ANAVA se comprobó mediante pruebas gráficas (QQ-plots y grafico de
dispersión de residuos vs. predichos). En el caso de que los residuos no presentaran
una distribución normal, se procedió a transformar la variable mediante el cálculo del
logaritmo natural. Todos los análisis estadísticos fueron realizados utilizando el
software InfoStat (Di Rienzo et al., 2014).
Evaluación de siembra precisa en garbanzo
201
III. RESULTADOS Y DISCUSIÓN
III.I. CARACTERIZACIÓN DE LA SIEMBRA EN CÓRDOBA
Las sembradoras observadas para las localidades de Tinoco, Lozada y Cañada
de Luque fueron del tipo placa horizontal, para el caso de La Puerta fue del tipo placa
inclinada y para 60 Cuadras la sembradora observada fue de tipo neumática. La
variable DEP tuvo para todas las localidades un valor promedio de 9.39 cm y un
coeficiente de variación del 77%, siendo el máximo distanciamiento entre plantas de
73 cm. Este coeficiente de variación del 77% en la variable DEP, se puede considerar
elevada ya que, tal como lo expresa Nardón (2004) se considera una siembra
aceptable, si las mediciones de la distancia entre semillas o plantas, no superan un CV
del 25%.
El análisis por Localidad mostró que Cañada de Luque tuvo el menor
distanciamiento promedio (6.92 cm), mientras que Lozada tuvo la mayor DEP
promedio (10.73 cm) siendo sus diferencias estadísticamente significativas (p<0.05)
(Figura 6). Los valores de CV mostraron una variabilidad relativa entre localidades,
siendo la menor de 59% en Tinoco y la mayor de 87.30% en Camino 60 Cuadras. Con
respecto a la variable RTO se obtuvo una media de 1964 Kg/ha, correspondiente a las
localidades de Cañada de Luque y Tinoco, lugares donde se muestreó dicha variable.
Figura 6. Media de la variable distancia entre plantas en cinco localidades. Letras distintas indican diferencias estadísticamente significativas (p<0.05).
Lozada La Puerta Tinoco 60 Cuadras C. Luque
Localidad
6.0
7.2
8.4
9.6
10.8
12.0
Dis
tan
cia
En
tre
Pla
nta
s (
cm
) a
b
b
c
d
Evaluación de siembra precisa en garbanzo
202
III.II. ENSAYO EXPERIMENTAL
En las variable RTO y NG/PL los resultados del ANAVA mostraron diferencias
significativas (p<0.05) entre los tratamientos TEST y SP siendo valores promedios del
rendimiento de 3.99 y 4.49 gramos/planta (921 y 1036 kg/ha respectivamente) (Figura
7). Mientras que el NG/PL promedio fue de 15 y 12 para los tratamientos SP y TEST,
respectivamente. El mayor RTO en el tratamiento SP puede explicarse por la similar
posibilidad de desarrollo radicular y extracción de nutrientes y agua de cada plántula
en el terreno, permitiendo un crecimiento homogéneo en el cultivo y menor relación
plantas dominantes/dominadas, no compensando las dominantes la perdida de
rendimiento de las dominadas, tal lo expuesto por Andrade et al. (2000).
Figura 7. Medias del rendimiento (gr/planta) y número de granos por planta para los tratamientos siembra precisa (SP) y siembra convencional (TEST). Letras distintas indican diferencias estadísticamente significativas (p<0.05).
Las variables NG/PL y PG/PL particionada por calibre mostraron diferencias
significativas (p<0.05) entre los tratamientos TEST y SP. Para el calibre 7-8 la siembra
convencional tuvo en promedio 4.28 granos por planta y un peso de 1.11
gramos/planta, mientras que la siembra precisa tuvo 7.82 granos por planta y de 2.16
gramos/planta. En el calibre 8-9 se observa un comportamiento opuesto al descripto
para el calibre 7-8, es decir la siembra convencional presentó la mayor cantidad y peso
de granos (9.30 granos/pl y 3.42 gramos/pl, respectivamente) (Figura 8 y 9). Este
comportamiento hace suponer que la siembra con distribución homogénea de semillas
ofrece una mayor uniformidad del número de semillas en los distintos calibres (7.85
SP TEST
Tratamiento
3,50
4,00
4,50
5,00
Re
nd
imie
nto
(g
r/P
lan
ta)
a
b
SP TEST
Tratamiento
12,00
13,00
14,00
15,00
16,00
Nú
me
ro G
ran
os/P
lan
ta
a
b
Evaluación de siembra precisa en garbanzo
203
semillas en el calibre 8-9 y 7.82 semillas en calibre 7-8), siendo esto un factor
determinante en el rendimiento. Estudios en la India indican una fuerte correlación del
rendimiento con el número de granos por metro cuadrado; cuanto mayor sea el
rendimiento vegetativo, mayor es la superficie fotosintética y el número de sitios
reproductivos se incrementa (Durón, 1986).
Figura 8. Número de granos por planta para los tratamientos siembra precisa (SP) y siembra convencional (TEST). Letras distintas indican diferencias estadísticamente significativas (p<0.05).
Figura 9. Rendimiento en gramos por planta para los tratamientos siembra precisa (SP) y siembra convencional (TEST). Letras distintas indican diferencias estadísticamente significativas (p<0.05).
SP TEST
Tratamiento
3
4
5
6
7
8
9
Nú
me
ro G
ran
os/P
lan
ta (
ca
lib
re 7
-8) a
b
SP TEST
Tratamiento
7,5
8,5
9,5
10,5
Nú
me
ro G
ran
o/P
lan
ta (
Ca
lib
re 8
-9)
a
b
SP TEST
Tratamiento
1,00
1,50
2,00
2,50
Re
nd
imie
nto
Ca
lib
re 7
-8 (
gr/
Pla
nta
) a
b
SP TEST
Tratamiento
2,50
2,80
3,10
3,40
3,70
Re
nd
imie
nto
Ca
lib
re 8
-9 (
gr/
Pla
nta
)
a
b
Evaluación de siembra precisa en garbanzo
204
Cabe aclarar que cuando se analiza el peso del grano en los diferentes
calibres, no se aprecian diferencias estadísticamente significativas entre los
tratamientos, siendo las medias de 0,28 gramos por grano de calibre entre 7 y 8 tanto
en TEST como para SP, y de 0,36 y 0,35 gramos por grano de calibre entre 8 y 9 para
TEST y SP respectivamente.
IV. CONCLUSIÓN
En las localidades relevadas las mediciones del distanciamiento entre plantas
presentaron una variabilidad relativa elevada. Lo cual muestra un potencial importante
la introducción de posibles mejoras en la calidad de la siembra del garbanzo. La
siembra precisa del garbanzo siembra afecta positivamente el rendimiento del cultivo
dando una menor variabilidad del rendimiento por planta. Además el número de
granos por planta es más estable en los diferentes calibres siendo esto un factor
determinante en el rendimiento.
V. AGRADECIMIENTOS
A los productores agropecuarios Alberto Costamagna de la localidad de
Colonia Caroya, donde se realizó el ensayo, Gustavo Giurda de la localidad de La
Puerta, al Ing. Agr. Cristian Piva y el productor Dominguez de Cañada de Luque, al
Ing. Agr. Cristian Miranda de Camino a 60 Cuadras y al productor Barbero de la
localidad de Tinoco.
VI. REFERENCIAS BIBLIOGRÁFICAS
Bolsa de Cereales de Córdoba (Argentina). En:
http://www.bccba.com.ar/bcc/images/semillas/Informe48_Invernales.pdf
[Consultado: 15/12/14]
Bragachini, M., Mendez, A., Peiretti, J., Rinaldi, M. 2003. “Sembradora de Grano
Grueso”. Proyecto de Agricultura de Precisión, INTA Manfredi. Marzo de 2003.
CREA Norte de Córdoba, 2013. Jornadas de Actualización Técnica en cultivos
invernales.
Evaluación de siembra precisa en garbanzo
205
Di Rienzo, J., Casanoves F., Balzarini M., Gonzalez L., Tablada M., Robledo C..
InfoStat versión 2014. Grupo InfoStat, FCA, Universidad Nacional de Córdoba,
Argentina. En: http://www.infostat.com.ar
Durón Noriega L. J., 1986. Resistencia a la sequía XXI. Estudios sobre transplante en
garbanzo (Cicer arietinum L.). Observaciones morfológicas y fisiológicas. Tesis
de Maestría en Ciencias. Colegio de Postgraduados. Chapingo, México, 106 p.
En: Peñaloza E. H. y Levio J. C. Performance of three chickpea genotypes
differing in seed weight, at four plant population levels, 1991. Developed
Agriculture (Chile) 51 (2):183-191
Ladizinsky G., Adler A. 1976. The origin of chickpea Cicer arietinum L. Euphytica
25:211-217
Lev-Yadum S., Gopher A., Abbo S. 2000. The cradle of agriculture. Science 288:1602-
1603
MAGYP (Ministerio de Agricultura, Ganadería y Pesca) 2014. Gacetilla Informativa del
Sector Agrícola. En:
http://www.minagri.gob.ar/dimeagro/newsletters/nro77/nl_legumbres.php
[Consultado: 15/12/14]
Nardón, G. 2004. Criterios para evaluar la siembra de precisión. Cátedra: Máquinas de
Transporte y Agrícolas. Escuela de Ing. Mecánica. FCEIA-UNR. En:
http://www.eie.fceia.unr.edu.ar/~siembra/Pdf/Criterio.pdf [Consultado:
18/02/2015]
Saluzzo J. 2010. Adaptación del cultivo de garbanzo en función de la variabilidad
ambiental. En: INTA Salta, 2010. Tercera Jornada Nacional de Garbanzo.
Sfasciotti D. 2012. Informe Complejo Legumbres: Garbanzo Junio 2012. SAGPYA. En:
http://64.76.123.202/SAGPYA/economias_regionales/_legumbres/informeGarb
anzosJunio12.pdf [Consultado: 15/12/14]
Comparación de caracteres morfológicos
206
Semejanzas y diferencias morfológicas de 24 cultivares de ajo (Alium sativum l.) en
respuesta a las condiciones climáticas de la provincia de Córdoba
Laura Agui y Marina Rodríguez
Tutor: Mónica Balzarini
Comparación de caracteres morfológicos
207
CONTENIDOS
I. Introducción
II. Materiales y métodos
II.I. Descripción del ensayo
II.II. Análisis estadístico
III. Resultados y Discusión
IV. Conclusión
V. Referencias Bibliográficas
Comparación de caracteres morfológicos
208
I. INTRODUCCIÓN
El ajo común (Alium sativum L.) pertenece a la familia de las Alliáceas
para la taxonomía moderna. Esta hortaliza es una de las más importantes de la
Argentina, tanto desde el punto de vista social, por la mano de obra que ocupa, como
el económico, generando movimientos capitales por más de 200 millones de dólares
por año.
Argentina ocupa el segundo lugar mundial como exportador, después
de China. Más de 2000 productores cultivan aproximadamente 15000 hectáreas, de
las cuáles el 85% se encuentran en la región de Cuyo (Mendoza y San Juan), seguida
en importancia Córdoba y Buenos Aires.
Córdoba es la productora más importante de cultivares que abastecen
principalmente el mercado interno (Burba,1993). A pesar de la trayectoria del cultivo
en nuestra provincia, las cultivares tempranas (“rosado paraguayo” principalmente),
sólo tienen valor como primicia, ya que dan bulbos que carecen de los atributos
exigidos por los estándares comerciales. Esto es debido a las características
climáticas de la región centro y a la respuesta ecofisiológica de las variedades
disponibles (Ávila, 2005).
El ajo, plantado en otoño, tiene un crecimiento vegetativo inicial (CVI) donde
genera las primeras hojas que serán las responsables de la acumulación de horas de
frio durante el invierno. A medida que aumenta la temperatura, el follaje crece
generando nuevas hojas, etapa denominada “de rápido crecimiento vegetativo” (RCV).
Esta etapa finaliza al alcanzarse una longitud de día crítica y comienza la etapa “de
rápido crecimiento de bulbo” (Gonzales, 2011). No obstante, los cultivares de ajo se
subdividen en grupos fisiológicos en función del periodo de dormición, el que a su vez
está fuertemente relacionado con los requerimientos de frio y fotoperiodo para
bulbificar. Por lo tanto, es de esperar que las respuestas morfológicas de adaptación
de cada cultivar a un mismo ambiente sean diferentes.
El objetivo general es observar el comportamiento de diferentes cultivares de
ajos en la provincia de Córdoba y su adaptación a las condiciones agroecológicas de
la región, mediante observaciones morfológicas y fenológicas.
Objetivos específicos: 1. Agrupar cultivares de acuerdo a su comportamiento
fenológico en la Provincia de Córdoba; 2. Relacionar las variables morfofisiológicas
que explican el comportamiento fenológico de los cultivares.
Comparación de caracteres morfológicos
209
II. MATERIALES Y MÉTODOS
II.I. DESCRIPCIÓN DEL ENSAYO
El ensayo se llevó a cabo en el Banco de germoplasma de la Facultad de
Ciencias Agropecuaria de la Universidad Nacional de Córdoba con el fin de realizar un
análisis comparativo, de la respuesta morfofisiológica adaptativa a las condiciones
climáticas de la región centro, de 24 cultivares inscriptos de ajo. El ensayo fue
realizado en el campo escuela de la Facultad de Ciencias Agropecuarias de la
Universidad Nacional de Córdoba, camino a capilla de los remedios km 13.
Se trabajó con 23 materiales de distintos grupos fisiológicos (tabla N° 1)
provenientes del Banco Nacional de Germoplasma (INTA La Consulta, Mendoza), y el
“rosado paraguayo” como testigo de la experiencia.
Tabla 1. Cultivares analizados.
CV Grupo fisiológico
CV Grupo Fisiológico
CV Grupo Fisiológico
RP II 104 II Pampeano II
73 II 110 II Lican III
74 II 127 II Blanco III
80 II 149 II Blanco Chino 2
III
91 II 153 II Blanco chino 3 III
95 II 157 II Norteño III
97 II Morado II Natalia IV
Alpa Suquía
II Serrano II Santa Cruceño
IV
La plantación de este ensayo se realizó el 05 de Marzo del 2013, sobre
platabandas de 10 m de largo separadas a 70 cm, con una distancia entre plantas de
10 cm, obteniendo 100 plantas de cada cultivar. El modelo correspondió con un diseño
de franjas apareadas. Para la elección de las “semillas” (dientes) se partió de 50
bulbos por variedad, los cuales fueron conducidos de acuerdo a las técnicas
publicadas para producción de “semilla” de ajo en Argentina (Burba, 1993). Se
seleccionaron bulbos por diámetro y dientes por peso. En el momento de la plantación,
junto al diente, se realizó una aplicación de fungicida previo al tapado del diente. A lo
largo del ciclo, se realizaron semanalmente control de malezas en forma mecánica.
Comparación de caracteres morfológicos
210
A los 15 días se midió el porcentaje de emergencia de los cultivares, y cada 30
días se realizaron muestreos in vivo, en los cuales se contó el número de hojas verdes
y totales, para determinar el comportamiento de cada cultivar frente a las horas de frío
Se realizó un muestreo destructivo, a los 190 días y 200 días, según si el
cultivar era temprano o tardío, respectivamente. El muestreo consistió en extraer al
azar 5 plantas por cultivar. Ambientalmente, el lote donde se realizó el ensayo, no
presenta diferencias significativas y sumado a la escasa dimensión del mismo, no se
realizaron repeticiones. Una vez extraídas las plantas, se contó el número de hojas
verdes y senescentes, se midió con un calibre el diámetro del bulbo y del pseudotallo.
Luego, se secaron en estufa hasta peso constante, para así medir la biomasa del
bulbo, pseudotallo y hojas. Con estos datos se calculó el índice de bulbificación, con el
fin de determinar si al momento del muestreo las plantas habían comenzado a
bulbificar. El índice de bulbificación es una relación entre el diámetro del bulbo y el
diámetro del pseudotallo.
II.II. ANÁLISIS ESTADÍSTICO
Se realizó una tabla descriptiva de cada cultivar con las medias de todas las
variables analizadas: número de hojas totales, porcentaje de hojas secas, porcentaje
hojas verde, biomasa del bulbo, biomasa del pseudotallo, biomasa de hojas, diámetro
de bulbo, de pseudotallo e índice de bulbificación.
Se realizó un gráfico de barra para las variables hojas totales, porcentajes de
hojas verdes, porcentaje de hojas secas, índice de bulbificación y diámetro de bulbo.
Se mantuvo el mismo orden de los cultivares en el eje X a fin de facilitar la observación
del comportamiento de las variables entre ellas y el cultivar.
Análisis de la Varianza (ANAVA)
Se realizó a modo exploratorio un análisis de la varianza. Se tomó Hojas
totales, porcentaje de hojas verdes, porcentaje de hojas secas e índice de bulbificación
como variable dependiente y Fecha de muestreo, Grupo fisiológico y Cultivar como
criterio de clasificación. Posteriormente se realizó la comparación de medias para el
criterio Fecha de muestreo utilizando una Prueba de Di Rienzo, Guzmán y Casanoves
(DGC) con un nivel de significación α=0,05.
Para analizar las diferencias entre cultivares se hizo un ANAVA, particionado
por fecha de muestreo y se comparó con la prueba DGC con el mismo nivel de
significancia.
Comparación de caracteres morfológicos
211
Análisis Multivariado
Debido a la característica de la base de datos en estudio: 24 cultivares de ajo,
9 variables observadas por cada cultivar, y distinta unidad de medida en cada
observación; se decidió realizar un análisis multivariado para su interpretación.
La estadística multivariada es usada para describir y analizar observaciones
multidimensionales obtenidas al relevar información sobre varias variables para cada
casos en estudio (cultivares). La organización de datos para un análisis multivariado
se realiza en forma de una matriz con n filas (casos) conteniendo las p características
(variables) registradas sobre un mismo individuo. Cuando más de tres variables son
relevadas para cada caso la visualización directa de las observaciones no es posible,
por ello se utilizan técnicas de reducción de dimensión y proyecciones de la nube de
puntos que representan las observaciones en espacios de fácil visualización como es
el plano. InfoStat permite aplicar técnicas de análisis para entender la relación entre
variables medidas simultáneamente, comparar, agrupar y/o clasificar observaciones en
función de varias variables o variables en función de observaciones.
Se realizó un Análisis de Componentes Principales (ACP) y se pidió un gráfico
Biplot, estas son técnicas generalmente utilizadas para reducción de dimensión. Las
técnicas de reducción de dimensión permiten examinar todos los datos en un espacio
de menor dimensión que el espacio original de las variables. Con el ACP se
construyen ejes artificiales (componentes principales) que permiten obtener gráficos
de dispersión de observaciones y/o variables con propiedades óptimas para la
interpretación de la variabilidad y covariabilidad subyacente. Los biplots permiten
visualizar observaciones y variables en un mismo espacio, así es posible identificar
asociaciones entre observaciones, entre variables y entre variables y observaciones.
Luego del ACP se realizó un Análisis De Conglomerados con la finalidad de
obtener mayor conocimiento sobre la estructura de las variables en estudio y facilitar la
visualización de relaciones y agrupaciones de las variables. El análisis de
conglomerado permite implementar distintos procesos para agrupar objetos por un
conjunto de valores. Se utilizó el método Promedio (Average Linkage), con la distancia
Euclidea y se estandarizaron los datos. Para la interpretación del gráfico se trazó una
línea de corte a una distancia del 50% de la distancia máxima, siendo éste un criterio
frecuentemente utilizado.
Comparación de caracteres morfológicos
212
III. RESULTADOS Y DISCUSIÓN
Para cada cultivar se evaluó la media de cada variable muestreada (Tabla 2).
En la Figura 1 se observa gráficamente para cada cultivar el promedio de las variables
hojas totales, porcentaje de hojas verdes y secas, índice de bulbificación y diámetro de
bulbo. Analizando las variables en su conjunto, hay un grupo (de RP a Alpa suquia)
que tiene un alto índice de bulbificación, evidenciado en el diametro del bulbo, y un
alto porcentaje de hojas verdes en relación a las hojas totales. Un comportamiento
diferente mostró otro grupo de cultivares (serrano, pampeano, 157, morado y natalia)
que tiene un bajo índice de bulbificación y diametro de bulbo y alto porcentaje de hojas
secas.
Tabla 2. Caracterización morfofisiológica de cultivares de ajo en la provincia de Córdoba (Valores promedio).
CV Hojas Totales
Hojas Secas (%)
Hojas Verdes (%)
IB>1 D. Bulbo (mm)
D. Pst (mm)
P.Bubo (g)
P. Pst (g)
P. Hojas (g)
104 10,6 16,5 83,5 1,6 28,1 17 3,8 1 7,1
110 12,5 25,9 74,1 1,2 25,4 21,4 3,3 0,9 7,8
127 12,4 27,4 72,6 1,7 28,8 17,2 3,4 0,7 6,6
149 10,2 25,8 74,2 1,5 24,4 16,8 2,4 0,7 5,4
153 11,2 19,7 80,3 1,7 29,8 18 3,3 0,9 6,8
157 13,4 43,1 56,9 1,8 26,5 14,6 2,4 0,5 6,2
73 11,8 25,2 74,8 4,1 45,8 11,1 12,9 0,3 6,1
74 11,4 27,9 72,1 4,9 52,1 10,4 11,2 0,4 4,8
80 11,6 30,1 69,9 4 40,2 10,1 9,1 0,3 4,4
91 11,6 26,8 73,2 4,9 37,3 7,6 7,9 0,2 2,7
95 12,8 29,5 70,5 3,6 47,2 13,2 13,5 0,5 7,4
97 12,2 25,7 74,3 3,9 43,1 11,1 10,6 0,4 5,9
Alpa Suquia 10,4 16,9 83,1 3,8 46,8 12,5 12,1 0,8 7,3
Blanco 11,6 34 66 1,4 24,8 18,3 2,3 0,5 9,6
Blanco Chino 2 14,2 37,5 62,5 1,8 25,4 14 3,2 0,9 6,8
Blanco Chino 3 10,2 17,2 82,8 1,6 27,2 16,7 3,4 0,7 7,1
Lican 12 37,7 62,3 1,4 24,3 17,1 2 0,5 7,8
Morado 17,2 48,2 51,8 1,7 31,9 19,4 4,2 0,8 10,2
Natalia 11 41,8 58,2 1,4 21,1 15 1,3 0,4 5,4
Norteño 15 46,4 53,6 1,6 32,3 20,1 4,3 0,6 9,6
Pampeano 17,6 45,7 54,3 1,7 34,4 19,9 5 0,7 11,6
RP 12,6 24,7 75,3 3,7 41,1 11,1 9 0,5 5,7
Santacruceño 6,8 29,2 70,8 1,8 14,6 8,8 0,7 0,2 2
Serrano 13,6 39 61 1,6 28,7 19,9 3,6 0,7 8,9
CV: Cultivar; IB>1: índice de bulbificación; D. Bulbo: diámetro de bulbo; D. Pst: diámetro de pseudotallo; P.Bubo: diámetro de bulbo; P. Pst: peso de pseudotallo; P. Hojas: peso de hojas.
Comparación de caracteres morfológicos
213
Figura 1. Gráfico de barras de valores promedio de las variables Hojas totales, % de hojas verdes y secas, Índice de bulbificación y diámetro de bulbo.
RP 73
74
80
91
95
97
Alp
a S
uquia
104
110
127
149
153
157
Serr
ano
Pam
peano
Bla
nco
Bla
nco
Chin
o 2
Bla
nco
Chin
o 3
Lic
an
Mora
do
Nata
lia
Nort
eño
Santa
cruce
ño0
5
9
14
18
Nº
Hoja
s to
tale
s
Hojas Totales
%Hojas Secas %Hojas Verdes
RP 73
74
80
91
95
97
Alp
a S
uquia
104
110
127
149
153
157
Serr
ano
Pam
peano
Bla
nco
Bla
nco
Chin
o 2
Bla
nco
Chin
o 3
Lic
an
Mora
do
Nata
lia
Nort
eño
Santa
cruce
ño0,0
23,0
46,0
69,0
92,0
%
Hojas verdes y secas
%Hojas Secas %Hojas Verdes
RP 73
74
80
91
95
97
Alp
a S
uq
uia
10
4
11
0
12
7
14
9
15
3
15
7
Se
rra
no
Pa
mp
ea
no
Bla
nco
Bla
nco
Ch
ino
2
Bla
nco
Ch
ino
3
Lic
an
Mo
rad
o
Na
talia
No
rte
ño
Sa
nta
cru
ceñ
o
0,0
1,3
2,6
3,8
5,1
IB>
1
Índice de Bulbificación
RP 73
74
80
91
95
97
Alp
a S
uquia
104
110
127
149
153
157
Serr
ano
Pam
peano
Bla
nco
Bla
nco
Chin
o 2
Bla
nco
Chin
o 3
Lic
an
Mora
do
Nata
lia
Nort
eño
Santa
cruce
ño0,0
13,5
27,0
40,5
54,0
mm
Diámetro de bulbo
Comparación de caracteres morfológicos
214
Para las variables analizadas sólo se obtuvo diferencias significativas para
Índice de bulbificación en el grupo fisiológico al obtenerse un p-valor mayor a 0,05,
como se observa en la tabla 3.
Tabla 3. Análisis de la varianza de las variables hojas totales, porcentaje de hojas secas, porcentaje de hojas verdes e indice de bulbificacion para los criterio de clasificación fechas de muestreo, grupo fisiológico y cultivar.
Hojas Totales
F.V. SC gl CM F p-valor
Modelo. 586,66 23 25,51 7,98 <0,0001
Fecha Muestreo 51,65 1 51,65 16,17 0,0001
Grupo Fisiológico 292,08 2 146,04 45,71 <0,0001
CV 242,93 20 12,15 3,8 <0,0001
Error 309,9 97 3,19
Total 896,56 120
Porcentaje de hojas secas
F.V. SC gl CM F p-valor
Modelo. 10533,98 23 458 7,52 <0,0001
Fecha Muestreo 5356,7 1 5356,7 87,98 <0,0001
Grupo Fisiológico 1080,39 2 540,2 8,87 0,0003
CV 4096,89 20 204,84 3,36 <0,0001
Error 5906,19 97 60,89
Total 16440,17 120
Porcentaje de hojas verdes
F.V. SC gl CM F p-valor
Modelo. 10533,98 23 458 7,52 <0,0001
Fecha Muestreo 5356,7 1 5356,7 87,98 <0,0001
Grupo Fisiológico 1080,39 2 540,2 8,87 0,0003
CV 4096,89 20 204,84 3,36 <0,0001
Error 5906,19 97 60,89
Total 16440,17 120
Índice de bulbificación
F.V. SC gl CM F p-valor
Modelo. 183,41 23 7,97 40,86 <0,0001
Fecha Muestreo 65,77 1 65,77 336,97 <0,0001
Grupo Fisiológico 0,15 2 0,08 0,39 0,6759
CV 117,49 20 5,87 30,1 <0,0001
Error 18,93 97 0,2
Total 202,34 120
Comparación de caracteres morfológicos
215
La figura 2 muestra mediante un grafico de barras la varianza observada para
el criterio de clasificación fecha de muestreo. Ambas fechas tuvieron diferencias
significativas para un nivel de significancia α = 0,05 . Para analizar correctamente los
cultivares se particionó por fecha de muestreo, representado en la figura 3 y 4.
Figura 2. Análisis de la varianza. Gráfico de comparación de medias para Número de Hojas Totales, Porcentaje de Hojas Verdes, Porcentaje de Hojas secas e Índice de Bulbificación. Letras distintas indican diferencias entre fechas de muestreo.
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
11 2011,6
12,0
12,4
12,8
13,3
N°
ho
jas
to
tale
s
Hojas totales
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
11 2061
65
69
73
77
%A
B
A
B
Hojas Verdes
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
11 2024
28
32
36
40
%
A
B
A
B
Hojas Secas
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
11 201,5
2,0
2,4
2,8
3,3
IB
A
B
A
B
índice de bulbificación
Comparación de caracteres morfológicos
216
Figura 3. Análisis de la varianza. Comparación entre medias de los cultivares muestreados el 11 de septiembre.
Para la fecha de muestreo del 11 de septiembre, los cultivares
analizados presentan diferencias estadísticamente significativas sólo en índice de
bulbificación. Siendo los cultivares 110, 149, 104, 153 y 127 los que menor índice de
bulbificación presentan, seguido de los cultivares 95, RP, Alpa suquia, 97,80 y 73 y
estos superados por 91 y 74 que presentan el mayor índice de bulbificación.
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
149
Alp
a S
uquia
104
153
74
91
80
73
97
127
110
RP 95
0
3
7
10
14
N°
ho
jas
tota
les A A A
A A A A A A A A A A
A A AA A A A A A A A A A
Hojas totales
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
80 95 74 127 91 110
149 97 73 RP
153
Alp
a S
uqui
a
104
0,0
22,1
44,1
66,2
88,2
%
A A A A A A A A A AA A A
A A A A A A A A A AA A A
Hojas verdes
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
104
Alp
a S
uqui
a
153
RP 73 97 149
110 91 127 74 95 80
0,0
8,7
17,4
26,1
34,8
% A A
A
A A A A A A A AA A
A A
A
A A A A A A A AA A
Hojas Secas
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
110
149
104
153
127 95 RP
Alp
a S
uqui
a 97 80 73 91 74
0,0
1,3
2,7
4,0
5,4IB
AA
A A A
BB B B B
B
C C
AA
A A A
BB B B B
B
C C
Indicie de bulbificación
Comparación de caracteres morfológicos
217
Figura 4. Análisis de la varianza. Comparación entre medias de los cultivares muestreados el 20 de septiembre.
Los cultivares que se muestrearon el 20 de septiembre mostraron diferencias
significativas en todas las variables estudiadas. Pampeano y Morado tuvieron mayor
número de hojas totales que Norteño, Blanco chino 2, Serrano y 157; y éstos mayor
número de hojas que Lincan, Blanco, Natalia, Blanco chino 3. Siendo el santacruceño
el que menor número de hojas totales tuvo. Para la variable porcentaje de hojas secas,
Morado, Norteño, Pampeano, 157 y Natalia tuvieron mayor proporción que Serrano,
Lican, Blanco chino2, Santa cruceño, y éstos mayor que Blanco chino 3. El porcentaje
de hojas verdes se comportó en todos los cultivares de manera inversa a la variable
porcentaje de hojas secas. En la variable índice de bulbificación se observó que
Blanco, Lican y Natalia tuvieron menor índice de bulbificación que el resto.
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
San
tacr
uce
ño
Bla
nco
Chin
o 3
Nata
lia
Bla
nco
Lic
an
157
Ser
rano
Bla
nco
Chin
o 2
Nort
eño
Mora
do
Pam
peano
0
5
10
14
19
N°
hoja
s to
tale
s
A
BB B B
C CC
C
D D
A
BB B B
C CC
C
D D
Hojas totales
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Mora
do
Nort
eño
Pam
peano
157
Nata
lia
Serr
ano
Lic
an
Bla
nco C
hin
o 2
Bla
nco
Santa
cru
ceño
Bla
nco C
hin
o 3
0,0
21,9
43,8
65,7
87,6
%
A A A A A B B BB
B
C
A A A A A B B BB
B
C
Hojas verdes
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Bla
nco
Chin
o 3
San
tacr
uce
ño
Bla
nco
Bla
nco
Chin
o 2
Lic
an
Ser
rano
Nata
lia
157
Pam
peano
Nort
eño
Mora
do
0,0
13,2
26,5
39,7
53,0
%
A
B
B
B B BC C
C CC
A
B
B
B B BC C
C CC
Hojas Secas
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Bla
nco
Nat
alia
Lica
n
Ser
rano
Nor
teño
Bla
nco
Chi
no 3
Mor
ado
Pam
pean
o
San
tacr
uceñ
o
157
Bla
nco
Chi
no 2
0,00
0,49
0,99
1,48
1,97IB
>1
A A AB
B B BB B B B
A A AB
B B BB B B B
Indice de Bulbificación
Comparación de caracteres morfológicos
218
En el Biplot de la fecha de muestro del 11 de septiembre (Figura 5), se puede
visualizar el agrupamiento de los cultivares teniendo correlación con lo analizado en el
ANAVA.
Figura 5. Biplot del Análisis de Componentes Principales. Se muestran las relaciones entre las variables analizadas y los cultivares muestreados el 11 de septiembre (IB>1: índice de bulbificación; D. Bulbo: diámetro de bulbo; D. Pst: diámetro de pseudotallo; P.Bubo: diámetro de bulbo; P. Pst: peso de pseudotallo; P. Hojas: peso de hojas. Hojas Tot: Número de hojas totales).
El primer componente explica el 57,9% de variabilidad observada. Separa
principalmente el IB, peso de bulbo y diámetro de bulbo del diámetro y peso del
pseudotallo. La mayor variabilidad entre cultivares está explicada en base a éstas
variables. El grupo de los cultivares de Rosado paraguayo 74 73 80 95 97 91, están
asociados a mayor índice de bulbificación, peso y diámetro de bulbo y a un menor
diámetro y peso de pseudotallo. Se estimó que estos cultivares son más tempranos,
comenzando antes la bulbificación y la senescencia. Asimismo, el cultivar Alpa Suquia
se asocia a un elevado porcentaje de hojas verdes, el 104 y 153 se asocian a un
mayor peso de pseudotallo y peso de hojas. Mientras que los cultivares 110 127 y 149
se asocian con un mayor diámetro de pseudotallo.
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
-4,00 -2,00 0,00 2,00 4,00
CP 1 (57,9%)
-4,00
-2,00
0,00
2,00
4,00
CP
2 (
22
,8%
)
104
110127
149
153
7374
80
91
95
97
Alpa Suquia
RP
Hojas Tot
%Hojas Secas
%Hojas Verdes
IB>1
P. Hojas
P.Bubo
P. Pst
D. Bulbo
D. Pst
104
110127
149
153
7374
80
91
95
97
Alpa Suquia
RP
Hojas Tot
%Hojas Secas
%Hojas Verdes
IB>1
P. Hojas
P.Bubo
P. Pst
D. Bulbo
D. Pst
Fecha Muestreo = 11
Comparación de caracteres morfológicos
219
Esto nos muestra que hay una correlación negativa entre las variables IB, peso
de bulbo y diámetro de bulbo; y diámetro y peso del pseudotallo. Por la segunda
componente de este biplot se explicó el 22,8% de la variabilidad de las observaciones.
Y ésta demuestra una correlación negativa entre las variables porcentaje de hojas
secas y porcentaje de hojas verdes.
En el Biplot de la fecha de muestreo del 20 de septiembre (Figura 6) se
observó que la manifestación de las variables de estos cultivares fue diferente a los
cultivares muestreados el 11 de septiembre.
Figura 6. Biplot del Análisis de Componentes Principales. Se muestran las relaciones entre las variables analizadas y los cultivares muestreados el 20 de septiembre (IB>1: índice de bulbificación; D. Bulbo: diámetro de bulbo; D. Pst: diámetro de pseudotallo; P.Bubo: diámetro de bulbo; P. Pst: peso de pseudotallo; P. Hojas: peso de hojas. Hojas Tot: Número de hojas totales).
Este Biplot explicó el 81,6% de la variabilidad de las observaciones. La CP1
mostró una separación de las variables: porcentaje de hojas verdes, de diámetro de
bulbo y número de hojas totales; lo que explicaría la mayor variabilidad de los
cultivares entre éstas. Así, el Blanco Chino 3 se asoció con un alto porcentaje de hojas
verdes, opuesto a los cultivares Morado, Pampeano y Norteño que se asociaron a
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
-6,00 -3,00 0,00 3,00 6,00
CP 1 (64,1%)
-6,00
-3,00
0,00
3,00
6,00
CP
2 (
17
,5%
)
157
Blanco Bco Ch2
Blanco Chino 3
Lican Morado
Natalia
Norteño
Pampeano
Santacruceño
Serrano
Hojas Tot
%Hojas Secas
%Hojas Verdes
IB>1
P. Hojas
P.Bubo
P. Pst
D. Bulbo
D. Pst
157
Blanco Bco Ch2
Blanco Chino 3
Lican Morado
Natalia
Norteño
Pampeano
Santacruceño
Serrano
Hojas Tot
%Hojas Secas
%Hojas Verdes
IB>1
P. Hojas
P.Bubo
P. Pst
D. Bulbo
D. Pst
Fecha Muestreo = 20
Comparación de caracteres morfológicos
220
mayor número de hojas totales. La CP2 explicó el 17,5% de variabilidad y mostró una
correlación negativa entre el porcentaje de hojas verdes y le porcentaje de hojas
secas. Se observó que el cultivar Santacruceño presenta un comportamiento
totalmente diferenciado al resto del grupo. Esto se asoció a un bajo número de hojas
totales que presentó el cultivar, observado en las ANAVA.
En el análisis explorativo multivariado (Figura 7) se observaron hasta la línea
de corte, tres grupos de cultivares y el Alpa suquia, 91 y 149 que no conformaron
ningún grupo.
Figura 7. Dendograma del Análisis de conglomerados. Se muestra la agrupación de los cultivares muestreados el 11 de septiembre.
En correspondencia con el ACP se observa un conglomerado conformado por
RP, 74, 73, 80, 95, 97. El cultivar 91 y Alpa suquia tuvieron mayor semejanza a los
cultivares de este grupo. Otro grupo fue conformado por 127 y 110 y otra agrupación
formada por 153 y 104. El cultivar 149 presentó mayor semejanza a este último
conglomerado.
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
0,00 1,31 2,62 3,94 5,25
104
153
149
110
127
73
97
RP
74
80
95
91
Alpa Suquia
Promedio (Average linkage)
Distancia: (Euclidea) - 11
Comparación de caracteres morfológicos
221
En el dendograma de la fecha de muestreo del 20 de septiembre (figura n° 8)
se fijó una línea de corte a la distancia de 3.24 y se distinguieron tres grupos y el
cultivar Santacruceño y Blanco Chino 3 no integraron ningún grupo, similar a lo
observado en el ACP.
Figura 8. Dendograma del Análisis de conglomerados. Se muestra la agrupación de los cultivares muestreados el 20 de septiembre.
Lo cultivares Natalia, Lican y Blanco pertenecen a un conglomerado; Serrano,
Pampeano, Norteño y Morado a otro; y Blanco chino 2 y 157 a otro. A su vez, los dos
últimos grupos presentan mayor semejanza entre ellos que del resto.
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil Versión Estudiantil
0,00 1,62 3,24 4,86 6,48
157
Blanco Chino 2
Morado
Norteño
Pampeano
Serrano
Blanco
Lican
Natalia
Blanco Chino 3
Santacruceño
Promedio (Average linkage)
Distancia: (Euclidea) - 20
Comparación de caracteres morfológicos
222
IV. CONCLUSIÓN
En base a lo analizado se concluye que los cultivares tuvieron un
comportamiento en su morfología diferente entre sí. Esto es debido a que son
genotipos que pertenecen a distintos grupos fisiológicos los cuales tienen
requerimientos de frio y fotoperiodo distinto. A su vez, entre los 24 cultivares
analizados se observaron agrupaciones de cultivares que tuvieron un desempeño
similar en la región agroclimática analizada.
V. REFERENCIAS BIBLIOGRÁFICAS
Burba J. L. y Moriconi D.N. 1992. Producción, propagación y utilización de ajo (Allium
sativum L). En: Producción, poscosecha, procesamiento y comercialización de
ajo, cebolla y tomate. J. Izquierdo, G. Paltrinieri, C. Arias (Eds.). FAO, Santiago
de Chile, Capítulo 3.
Burba J. L. 1993. Producción de semilla de ajo. En: Manual de producción de semillas.
Ed La Consulta. Asoc. Coop. INTA EEA La Consulta (Fasc. 5): 163 pags.
Avila G. T. 2005. Factores de manejo del cultivo de ajo (Allium sativum L.) que
determinan la calidad del producto a la cosecha. Rev. Avances en Horticultura.
Vol. 15: 13 pag.
Gonzalez, E. B; Portela, J.A.2011. Relaciones entre productividad y ambiente térmico
en cultivares clonales de ajo. En XII Curso taller sobre producción,
comercialización e industrialización de Ajo. INTA EEA La Consulta: 97 pag.
Balzarini M.G., Gonzalez L., Tablada M., Casanoves F., Di Rienzo J.A., Robledo
C.W.(2008). Manual del Usuario, Editorial Brujas, Córdoba, Argentina.
Caracterización del recurso hídrico subterráneo
223
Caracterización del recurso hídrico subterráneo de la provincia de Córdoba
Franca Giannini
Tutor: Mariano Córdoba
Caracterización del recurso hídrico subterráneo
224
CONTENIDOS
I. Introducción
II. Materiales y métodos
II.I. Datos
II.II. Procedimiento de análisis
III. Resultados y discusión
III.I. Caracterización del agua subterránea
III.II. Análisis de componentes principales
III.III. Mapeo de la variabilidad espacial multivariada
IV. Conclusión
V. Referencias Bibliográficas
Caracterización del recurso hídrico subterráneo
225
I. INTRODUCCIÓN
En la Tierra el agua abunda pero aquella de utilidad para uso antrópico es
escasa. Si bien a nivel global la cantidad de agua es invariable y se define al recurso
hídrico como renovable; el estado, la composición y su disponibilidad en distintos
ambientes varían. Particularmente para el recurso hídrico subterráneo el tiempo de
renovación puede fluctuar entre semanas a cientos o miles de años y además puede
agotarse, a escala temporal humana, en muchos ambientes hidrológicos. Así mismo, a
causa de la actividad del hombre puede darse la incorporación de sustancias tóxicas o
de organismos potencialmente patógenos que tornan impropia el agua para el uso al
que se la destina.
El hombre tiene derecho a utilizar el recurso hídrico subterráneo, pero tiene el
deber de preservarlo y conservarlo. Es necesario, para administrar el recurso bajo esta
consigna, caracterizar profundamente el mismo y entender la complejidad de su
dinámica.
La caracterización de la calidad del agua subterránea en la Provincia Córdoba
adquiere particular relevancia ya que, con excepción de la ciudad de Córdoba, son el
recurso más utilizado en amplias regiones de la provincia para todas las actividades
que impliquen consumo de agua (domésticas, ganaderas, industriales y riego). Entre
estas actividades el riego de cultivos extensivos es la que más agua subterránea
insume (Blarasin et al., 2014a). En este contexto, se destaca el crecimiento sostenido
de las áreas bajo riego suplementario observado en los últimos años en la provincia
(Barrionuevo et al., 2013), alertando sobre los posibles impactos no deseados al
recurso hídrico subterráneo, en particular en zonas marginales.
La composición físico-química natural del agua subterránea varía
fundamentalmente en función de aspectos geológicos y puede verse alterada en
diferente grado por procesos de contaminación los cuales pueden estar asociados a la
actividad productiva que se realice y el tipo de manejo. La contaminación del agua
puede deberse a diferentes causas, siendo una de la más importante la de origen
agropecuario. Las prácticas de cultivo con grandes aplicaciones de agroquímicos
pueden contaminar el suelo y cuando las tasas de infiltración del agua son
importantes, los compuestos derivados de tales aplicaciones pueden llegar al acuífero.
Si los cultivos son regados artificialmente habrá más agua para la lixiviación de sales,
nutrientes y plaguicidas que pueden alcanzar el agua subterránea. Además, la
descarga de efluentes procedentes de la ganadería intensiva, tambos, corrales de
aves, depósitos de agroquímicos, entre otros, puede producir localmente una
contaminación orgánica o inorgánica muy significativa en el agua subterránea.
Caracterización del recurso hídrico subterráneo
226
El agua subterránea que se almacena y llena completamente las fracturas o
poros formados por las rocas fracturadas y los sedimentos (arenas, gravas, limos),
forma un sistema denominado acuífero. Existen dos tipos de acuíferos: los freáticos y
los confinados. El acuífero freático o libre es el más cercano a la superficie y el agua
se mueve debido a la fuerza de la gravedad. La base de este acuífero es una capa de
material impermeable, arcillas y rocas, que puede ubicarse a distinta profundidad. El
nivel superior es el nivel freático, definido como la altura que alcanza el agua en el
acuífero y se encuentra sometido a la presión atmosférica ascendiendo o
descendiendo en respuesta a los cambios de infiltración del agua de lluvia o por
bombeo durante una extracción de agua. Los acuíferos confinados se encuentran a
mayor profundidad y cubiertos por importantes espesores de sedimentos, por lo que el
agua está sometida a una presión mayor que la atmosférica. La base y el techo de los
acuíferos confinados son sedimentos de gran espesor prácticamente impermeables se
denominan capas confinantes y están compuestos mayoritariamente por arcillas. El
acuífero freático es el más afectado por procesos de contaminación difusa en áreas
agrícolas a causa de la aplicación de fertilizantes, y también por contaminación puntual
en sitios de ganadería intensiva o urbanización con saneamiento in situ (Blarasin et al.,
2014b). Así mismo, aquellos que tienen el nivel freático cercano a la superficie y/o
presentan sedimentos muy gruesos en la zona no saturada i.e. muy permeables, son
más vulnerables a la contaminación (Blarasin & Barrionuevo, 2005).
La descripción de los tipos de suelo y el tipo de uso de los mismos son de gran
importancia y de frecuente uso en la agronomía. Junto a las características
topográficas y climáticas determinan el tipo y rendimiento de la producción
agropecuaria, como así también el grado de susceptibilidad ante las distintas
alternativas de manejo. Consecuentemente surge la hipótesis de que la variabilidad de
las características del suelo puede impactar la estabilidad de parámetros estructurales
y de calidad de las aguas subterráneas.
Existen normas que fijan un criterio de calidad del agua de acuerdo a
requerimientos científicos referidos a aspectos físicos, químicos y bilógicos, según el
uso determinado. La Organización Mundial para la Salud propone una clasificación de
calidad en donde se diferencian siete clases de acuerdo a su uso: 1) aguas para el uso
doméstico; 2) aguas para usos agropecuarios; 3) aguas marinas y costeras para la
pesca; 4) aguas para recreación; 5) aguas para usos industriales; 6) aguas para la
navegacion y generación de energías; 7) aguas para el transporte y la dispersión
(Guevara Vera, 1996). La calidad del agua para fines agropecuarios está establecida
por las propiedades de dureza, salinidad y la toxicidad para el consumo animal. La
dureza se define como la capacidad del agua para consumir jabón o producir
Caracterización del recurso hídrico subterráneo
227
incrustaciones y es determinada por la presencia de los elementos alcalinotérreos,
fundamentalmente calcio y magnesio, y en menor medida iones tales como hierro,
aluminio, manganeso, estroncio y zinc. El agua puede naturalmente poseer mala
calidad para el consumo humano si presenta algunos elementos químicos que, al
encontrarse por encima de los límites de aptitud establecidos, resultan tóxicos para la
salud. Entre los elementos más importantes para determinar la calidad para consumo
humano, se destacan el contenido de arsénico, flúor y nitratos. El Código Alimentario
Argentino (CAA) establece como límites para consumo humano 50 μg/L para arsénico,
1,3 mg/L para flúor y 45 mg/L para nitratos (Jarsun et al., 2008).
La generación de sistemas de información geográfica (SIG) que albergan datos
espaciales multivariados o de múltiple variables, para un conjunto de sitios de una
región, constituyen la base de mapeos de variables que definen la calidad del agua y
que pueden resultar relevantes para la planificación sustentable del uso de los
recursos.
El Análisis de Componentes Principales (ACP) constituye una herramienta
analítica útil para el abordaje de datos multivariados (Balzarini et al., 2008). Esta
técnica permite identificar las variables que explican la mayor parte de la variabilidad
total contenida en los datos, explorar las correlaciones entre variables y reducir la
dimensión del análisis al combinar todas las variables en nuevos índices (variables
sintéticas) denominados componente principal (CP). La incorporación de la
información geográfica puede realizarse a posteriori del ACP mediante el uso de
herramientas de la geoestadística (Webster & Oliver, 2007) para lograr mapas de
variabilidad espacial multivariados por interpolación de las CP (Córdoba et al., 2012).
Se deben establecer unidades de análisis ambiental homogéneas y
representativas del recurso que resulten más útiles para el ordenamiento territorial y
de la gestión de los medios de producción.
Para el estudio de la dinámica del agua la unidad por excelencia es la cuenca
hidrográfica. Una cuenca se define como un territorio que drena sus aguas a un
mismo punto. Las cuencas a su vez se pueden agrupar en sistemas mayores según
donde aporten sus aguas. Estos sistemas se denominan sistemas hidrográficos.
(Dombeck, 2015)
Por otro lado, para describir ambientes orográficos también se han definido lo
que son las áreas hidrogeológicas homogéneas, que son áreas definidas a partir de
características geomorfológicas. (Blasarin et al., 2014a)
En la provincia de Córdoba la sistematización de datos necesarios para
análisis de correlación entre múltiples variables distribuidas espacialmente a escalas
regionales, es aún incipiente. No obstante se encuentra en camino y las instituciones
Caracterización del recurso hídrico subterráneo
228
estatales están encabezando este proceso. Por ello es necesario aportar a esta
sistematización para generar insumos que permitan inferir conclusiones que ayuden a
tomar decisiones de manejo relativas al uso de los recursos hídricos subterráneos y su
relación con la actividad agrícola.
Objetivos:
Caracterizar los principales sistemas hidrográficos, áreas hidrogeológicas y tipo
de suelo de la provincia en función de la calidad y composición del agua subterránea.
Identificar correlaciones entre variables características del recurso hídrico
subterráneo con datos de tipo de suelo y otros parámetros descriptivos de la superficie
cómo la topografía.
Estudiar la variabilidad espacial multivariada de los parámetros que definen la
calidad y composición del acuífero y las características del terreno.
Caracterización del recurso hídrico subterráneo
229
II. MATERIALES Y MÉTODOS
II.I. DATOS
La base de datos se construyó a partir de una grilla de sitios georreferenciados
pertenecientes al muestreo de calidad de agua subterránea de la provincia de
Córdoba. Para cada punto de muestreo se obtuvieron mediciones de pH,
concentración de diferentes iones (Magnesio, Calcio, Sodio, Potasio Sulfatos,
Cloruros, Nitratos, Arsénico y Fluoruros) conductividad eléctrica, cantidad de sólidos
totales y profundidad del nivel estático del agua (Figura 1). A cada sitio de muestreo se
le asignó la serie de suelo, las características topográficas del sitio (altimetría,
pendiente y exposición), sistema hídrico superficial y el área hidrogeológica a la que
pertenecen.
Figura 1. Puntos de muestreo. Adaptado de Dinámica, calidad y reservas de aguas subterráneas de la provincia de Córdoba.
Los puntos y las variables de calidad de agua y área hidrogeológica a la que
pertenecen (Figura 2) se extrajeron de un SIG web pertenecientes al Proyecto de
Investigación y Desarrollo PID 35_08 “Dinámica, calidad y reservas de aguas
subterráneas de la provincia de Córdoba”. Las series de suelo se obtuvieron a partir
del mapa de suelos de la provincia de Córdoba escala 1:500.000, elaborado por la
Estación Experimental INTA Manfredi (Jarsun et al, 2008). La asignación de las
cuencas y sistemas hidrológicos superficiales se realizó utilizando una adaptación del
mapa de cuencas de Córdoba del Instituto Geográfico Nacional (Figura 3). Los
Caracterización del recurso hídrico subterráneo
230
parámetros topográficos se calcularon a partir de un Modelo Digital de Elevación
generado con tecnología de radar con una resolución 40 metros.
Figura 2. Áreas Hidrogeológicas.
Figura 3. Sistemas hídricos superficiales de la provincia de Córdoba adaptado de mapa de cuencas de Córdoba del Instituto Geográfico Nacional.
Las diferentes variables o capas de información se procesaron en Quantum
GIS (Cita Qgis versión) para asignar a cada punto de muestreo la información de cada
variable.
Caracterización del recurso hídrico subterráneo
231
II.II. PROCEDIMIENTOS DE ANÁLISIS
Los datos fueron sometidos a procedimientos de depuración vía la construcción
de gráficos box-plot para la identificación de valores aberrantes. Para caracterizar la
composición y calidad del agua en función a las diferentes unidades de clasificación
(sistemas hídricos superficiales, área hidrogeológica y tipo de suelo), se realizaron
análisis de la varianza (ANAVA) para cada variable. Dado a que las variables pueden
presentar autocorrelación espacial, los ANAVA se realizaron bajo un Modelo Lineal
Mixto (MLM) que permite contemplar la correlación espacial que pudiera existir entre
los puntos de muestreo. Para el ajuste de los MLM se utilizaron funciones de
correlación espacial exponencial, esférica y gaussiana. La selección del modelo con
mejor ajuste se realizó mediante el criterio de información de Akaike (AIC) (Akaike,
1973). El modelo de correlación espacial seleccionado se comparó con el modelo que
supone independencia para el término de error (sin correlación espacial) utilizando
también el AIC.
Para el estudio de la correlación entre variables se utilizó un análisis de
componentes principales ACP. Los resultados del PCA se graficaron en un Biplot que
permite representar, en un plano óptimo para el estudio de variabilidad, las diferencias
entre los puntos muestreados y las variables que mejor explican las principales
variaciones. Las componentes principales (CP) fueron posteriormente mapeadas
utilizando la técnica de interpolación geoestadística kriging. Todos los análisis fueron
realizado utilizando el software estadístico Infostat (Balsarini et al., 2008) y su interfaz
que lo conecta con el software R (R Core Team, 2014).
III. RESULTADOS Y DISCUSIÓN
III.I. CARACTERIZACIÓN DEL AGUA SUBTERRÁNEA
En todas las variables analizadas tanto por sistemas, áreas hidrogeológicas,
orden de suelo y tipo de suelo, los Modelos Lineales Mixtos con estructura de
correlación espacial del tipo exponencial presentaron el mejor ajuste de acuerdo al
criterio de AIC. En los análisis por sistemas hidrográficos se mostraron diferencias
significativas entre ellos para todas las variables de calidad y composición del agua,
productividad de suelo y no así para las topográficas.
En las Tablas 1 y 2 se presentan los valores promedio de las variables. Los
sistemas de Rio Quinto y General Roca, ubicados en el sur de la provincia, tuvieron los
valores promedios más altos de pH (8,07 y 8,11), HCO3- (648,11 y 882,08 mg/L), Mg++
Caracterización del recurso hídrico subterráneo
232
(47,74 y 61,7 mg/L), Na+ (994,61 y 949,93 mg/L), Cl- (718,35 y 1912,61 mg/L) y NO3-
(54,56 a 121,7 mg/L). Los valores de Relación de Absorción de Sodio (RAS) (57,6 y
25,91) y Conductividad Eléctrica (CE) (8928,58 y 4383,88 µ/L) observados son
también los más altos, incluso las medias de resumen arrojan valores para RAS
superiores a 20, lo que implica serios riesgos de salinización de suelos si se utilizan
estas aguas para riego (Jarsun, 2008). A estos inconvenientes se les suma los altos
valores que se registran de Fl- (4,09 y 3,19 mg/L), sobrepasando los límites que define
la FAO, como aceptable (García, 2012). Esta es la región dónde la napa se encuentra
más cercana, entre 3 y 6 m, y debido a sus problemas de calidad genera problemas en
años húmedos por afloramiento de napas en superficie. La escasa calidad de este
acuífero con fines de riego podría estar influyendo de manera considerable en la
productividad de los suelos de la zona ya que las medias del Índice de Productividad
de los Cultivos (IPC) de ambos sistemas son bajos, 28,3 % y 30,83 % (Jarsun, 2008).
Los sistemas del norte de la provincia, Salinas Grandes que vierte hacia el
oeste y Morteros que vierte hacia el este, presentan niveles elevados de Ca++ (48,98
mg/L). Ambos sistemas desembocan en puntos con aguas superficiales de alto tenor
salino, Salinas Grandes y Marchiquita, por lo que es de esperarse que los indicadores
de salinidad sean marcados. En la Tabla 1 se puede observar que las medias de
conductividad son las menores. Esto se debe a que la unidad de análisis, engloba una
heterogeneidad de cuencas superficiales y de acuíferos en distintas etapas de
desarrollo (Blasarin et al., 2003).
Caracterización del recurso hídrico subterráneo
233
Tabla 1. Contenido promedio de variables de calidad y composición de agua, productividad de suelo y topografía según sistemas hídricos superficiales.
Sistema pH HCO3
- (mg/L)
Mg++
(mg/L) Ca++
(mg/L) Na+
(mg/L) K+
(mg/L) SO4
= (mg/L)
Cl- (mg/L)
NO3-
(mg/L)
Rio Quinto 8,11a† 684,11a 47,74a 48,98a 949,93a 24,11ab 24,11ab 718,35b 54,56b
General Roca 8,07a 882,08a 61,7a 51,92ab 994,61a 36,49a 36,49a 1912,61a 121,7a
Carcaraña 7,78b 630,93a 48,17a 72,93ab 755,55b 28,51b 28,51bc 524,89c 79,75b
Morteros 7,66b 451,28b 26,72b 94,25ab 494,63bc 16,98c 16,98c 268,72c 28,64c
Salinas grandes 7,39c 326,89c 15,91b 98,17b 309,78c 8,82c 8,82c 210,86c 14,67c
† Letras distintas indican diferencias estadísticamente significativas (p<0.05). Las áreas sombreadas corresponden a las medias informadas en el
análisis.
Tabla 2. Contenido promedio de variables de calidad y composición de agua, productividad de suelo y topografía según sistemas hídricos
Sistema
As (µg/L)
F- (mg/L)
CE (µg/cm)
SDT (mg/L)
Prof NE RAS Ipc (%)
Elevación (m)
Pendiente
Rio Quinto 244,86a 4,09a 4383,88b 6039,75ab -5,58c 25,91ab 28,38ab 330,85a 281022,78ab
General Roca 425,75a 3,16a 8928,58a 11855,12a -3,89bc 57,6a 30,83ab 216,08a 148011,04b
Carcaraña 253,55a 2,05b 3976,03bc 5680,04bc -9,82b 22,07bc 45,92a 252,87a 319768,63ab
Morteros 135,84b 1,33c 2521,04c 4573,2c -20,41a 15,04cd 46,67a 313,7a 246847,48b
Salinas grandes 11,74b 1,05c 1724,31c 2339,3c -24,43a 6,25d 21,98b 514,05a 339495,17a
† Letras distintas indican diferencias estadísticamente significativas (p<0.05). Las áreas sombreadas corresponden a las medias informadas en el
análisis.
Caracterización del recurso hídrico subterráneo
234
En el análisis por áreas hidrogeológicas homogéneas los resultados mostraron
diferencias significativas entre ellas, para todas las variables de calidad y composición del
agua, productividad de suelos y topográficas. Las Tablas 4 y 5 muestran las medias y
diferencias para cada variable analizada. Las áreas hidrogeológicas Cuenca del Río
Popopis, Llanura Sur eólica medanosa y humedales registraron, los valores de pH (8,19 y
8,15) y Na+ (1310,62 y 1757,82 mg/L) más altos. Esto se corresponde con lo informado
anteriormente para los sistemas hidrográficos superficiales del sur de la provincia, Río
Quinto y General Roca, que son los que contienen a estas dos áreas. El área Pie de
Sierra de Comechingones informa también pH básico (8,15) pero no se corresponde con
altos valores de Sodio. El RAS informado (36,09) excede los recomendados para riego en
las tres zonas. Para estas dos cuencas del sureste de la provincia, los valores que definen
la dureza del agua como, el total de sólidos disueltos SDT (10648,98 mg/L) también
manifiesta sus valores más altos. Particularmente el área Cuenca del Rio Popopis
muestra valores de Cl-, As y Fl- (358,57µ/L 3,81mg/L y 1465,51 mg/L) perjudiciales para el
consumo animal y el humano (García, 2012). En el noreste de la provincia las áreas
periféricas a la laguna Marchiquita son las que presentan valores a considerar para el uso
de sus aguas subterráneas para riego y consumo, estas son las áreas de Altos de
Morteros, Cuenca de Río Dulce y Cuenca Río Xanaes, esto se refleja en RAS (38,73,
15,22 y 26,44), la CE (4138,57, 4412,25 y 2617,22 µg/cm), SDT (591224, 16354 y
6222,99 mg/L). Un resultado a tener en cuenta, es que la media de Arsénico para el área
Cuenca de Rio Xanaes es considerablemente alta (332,52 µ/L) (Tabla 5).
Las zonas bajo riego en la provincia de Córdoba se encuentran principalmente
sobre el área hidrogeológica Valle de Conlara, Pie este de la sierra central, Cuenca
inferior de Rio Suquia, Llanura este de interfluvios, Pie de sierra norte y Cuenca de Río
Xanaes. En función de esto podemos ver en las Tablas 3 y 4 que el área hidrogeológica
de Valle de Conlara cuenta con muy buenas calidades de agua subterránea para riego,
registrando un valor de pH de 7,26 y un RAS de 6,44, también se puede observar que la
profundidad del acuífero es la mayor siendo de alrededor de 28 m. El resto de las áreas
hidrogeológicas homogéneas en zonas de riego, se ubican al este del sistema hídrico de
Morteros, y se caracterizan por tener altos valores de RAS entre 10 y 20 por lo que la
utilización del acuífero para estos fines implicaría ciertos inconvenientes.
Al comparar los resultados de los análisis de los sistemas hidrográficos con las
áreas hidrogeológicas homogéneas, podemos ver que en el norte de la provincia las
medias de las áreas hidrogeológicas no se corresponden con las medias de los sistemas
Caracterización del recurso hídrico subterráneo
235
hidrográficos que las contienen (Figura 4). Por ejemplo, la media de RAS para el sistema
de Morteros es de 15,04 y las medias del área de Cuenca Rio Xanaes y el área de Alto
de Mortero son de 26,44 y 38,73, respectivamente. Esto ocurre porque existen otras
zonas como el área Cuenca de Rio Sequía que registra un valor de RAS de 10,94, que
atenúan el valor de la variable. Esto ocurre con prácticamente todas las variables. A raíz
de lo cual se puede decir que los sistemas hidrográficos como unidad de análisis no
serían representativos ya que abarcan una zona excesivamente amplia y heterogénea
que se encuentra mejor descripta por unidades más pequeñas y con características más
homogéneas como las áreas hidrogeológicas.
Caracterización del recurso hídrico subterráneo
236
Tabla 3. Contenido promedio de variables de calidad y composición de agua, productividad de suelo y topografía según áreas hidrogeológicas homogéneas.
Áreas hidrogeológicas pH HCO3
- (mg/L)
Mg++ (mg/L)
Ca++ (mg/L)
Na+ (mg/L)
K+ (mg/L)
SO4=
(mg/L) Cl- (mg/L)
NO3-
(mg/L)
Cca Rio Suquia 7,65cd 362,02cde 18,56bc 82,35ab 276,46cd 13,68b 455,06abcd 136,61bc 16,99cde
CCa Rio Xanaes 7,77bcd 635,97bc 18,03c 61,5bc 623,87c 19,54b 582,65bcd 272,44bc 39,04abc
CCa Rio Calamuchita 7,62cd 687,25bc 35,04b 72,27ab 956,69c 30,08ab 868,79abc 533,49bc 102,59a
CCa Rio Chocancharava 7,76bcd 563,83c 61,09bc 73,06ab 819,44c 27,28ab 959,94abcd 545,67bc 108,89a
CCa Rio Popopis 8,19a 800,63ab 85,92a 70ab 1757,82a 33,95a 1190,89a 1465,51a 62,22a
Pie E de las sierras norte 7,81bcd 303,12cd 51,71b 129,5a 447,11bc 22,77ab 829,57ab 269,93bc 35,36ab
Pie de las sierras Comechingones
8,15a 511,91bc 13,04bc 23,24bc 366,91c 12,21ab 259,06cd 92,92bc 41,18cd
Sierras y valles Intermontanos
7,52de 403,15cd 17,47bc 84,67ab 179,92d 9,75bc 158,71d 48,29c 20,67bcde
CCa de Salinas Grandes 7,6cde 340,42de 19,28bc 88,11ab 408,91cd 8,08c 476,97bcd 363,41bc 16,8abcd
Valle de Conlara 7,26e 270,8e 15,49c 104,41ab 273,72cd 7,15bc 332,15d 251,35ab 8,4de
Cca del Rio Dulce 7,79abcd 15,75bc 73,25ab 566,75abcd 5abc 400,75abcd 612,75ab 12,25abcd
Llanura este de interfluvios
7,83abc 532,22c 35,79b 86,9ab 691,7abc 21,21ab 798,12ab 416,97ab 41,97e
LLanura S eolica medanosa
7,92ab 794,33a 57,53b 67,21bc 1310,62ab 34,27a 984,13ab 1008,59ab 87,24a
Altos de Morteros 756,88abc 21,1bc 27c 886abc 26,33ab 420,23abcd 592,77abc 43,55e
† Letras distintas indican diferencias estadísticamente significativas (p<0.05). Las áreas sombreadas corresponden a las medias informadas en el análisis
Caracterización del recurso hídrico subterráneo
237
Tabla 4. Contenido promedio de variables de calidad y composición de agua, productividad de suelo y topografía según áreas hidrogeológicas homogéneas.
As (µg/L)
F- (mg/L)
CE (µg/cm)
SDT (mg/L)
Prof NE RAS Ipc (%)
Elevación ( m)
Pendiente
Cca Rio Suquia 106,67bc 1,68bc 1787,58b 4204,81abc -9,93cde 10,94bc 56,05b 96,32abc 222384,61b
CCa Rio Xananes 332,52ab 1,65bc 2617,22b 6222,99abc -8,01de 26,44a 39,58d 99,34abc 235766,15b
CCa Rio Calamuchita 323,48ab 1,25bc 3886,75b 5552,5bc -5,09de 26,43ab 47,06bc 93,96abc 191605,77b
CCa Rio Chocancharava 283,13bc 1,66abc 4008,72b 5726,75abc -6,65de 20,31ab 46,38bc 164,92abc 346814,71b
CCa Rio Popopis 358,57ab 3,81a 7454,29ab 10648,98a -2,94ef 36,09a 22,86bcd 59,4abc 280351,33b
Pie E de las sierras norte 20,04c 1,13bc 2840,98b 4058,54a -35,11a 8,79ab 48,77bc 119,14ab 228254,01b
Pie de las sierras Comechingones
193,8ab 3,65abc 1582,45ab 2260,65abc -10,51bcd 16,35ab 31bcd 138c 338747,76b
Sierras y valles Intermontanos
31,17c 1,44bc 1104,49b 1577,84bc -14,96bc 4,93c 22,71bcd 198,04abc 539696,08a
CCa de Salinas Grandes 3c 1,04bc 2710,71ab 3118,92bc -26,05ab 8,92bc 18cd 97,45bc 275109,38b
Valle de Conlara 8,44c 0,82c 1710,21b 2443,16c -28,01a 6,44bc 24,11cd 153,8abc 257953,9b
Cca del Rio Dulce 1,1abc 4412,25ab 16354a -1,26f 15,22ab 18d 2,28bc 198249,99b
Llanura este de interfluvios
192,27bc 1,84ab 3465,66ab 4950,95a -25,58abc 20,22ab 51,69bc 120,55abc 250927,27b
LLanura S eolica medanosa
269,26a 3,48a 5799,53ab 7920,28ab -5,82e 32,19a 42,48bc 75,17ab 247123,79b
Altos de Morteros 60abc 1,62abc 4138,57b 5912,24c -8,1bcde 38,73a 71,86a 6,28a 176590b
† Letras distintas indican diferencias estadísticamente significativas (p<0.05). Las áreas sombreadas corresponden a las medias informadas en el análisis
Caracterización del recurso hídrico subterráneo
238
Al analizar la calidad del acuífero según las características de suelo se hizo
hincapié en el orden de suelo y en el tipo de drenaje reportado para ese suelo.
El ANAVA mostró diferencias significativas entre orden y tipo de drenaje para las
variables de calidad y composición del agua (pH, Na+, As, SDT y RAS), las variables de
productividad de suelos y las variables topográficas. Las medias y su significancia se
describen en las Tablas 6 y 7. Para las variables de pH 8,09 y Na+ 1330,87 mg/L los
alfisoles registraron medias significativamente mayores. Sabiendo de las propiedades
dispersantes del sodio, sobre todo sobre suelos arcillosos, el riego con estas aguas o la
cercanía de estas napas implica serios problemas en la permeabilidad de los suelos. Otro
aspecto a tener en cuenta es que en este tipo de suelos es donde el acuífero se
encuentra más superficial, alrededor de los 3 m de profundidad. Estos problemas son los
más significativos a la hora de definir la productividad agrícola, es por eso que el IPC
resulta significativamente menor.
Para analizar la calidad del acuífero según el tipo de drenaje hay que tener en
cuenta que drenaje es la eliminación de agua de superficie por un conjunto de factores
que son la infiltración, la permeabilidad y el escurrimiento (Jarsun, 2008).Se puede
observar que los suelos pobremente drenados son los que registran altos valores de pH y
sodio y la menor profundidad del nivel estático, siendo los problemas de permeabilidad
causados por las aguas subterráneas sódicas. En estos la conductividad eléctrica
(5623,86 µ/cm), el RAS 44,92 y los SDT presentan los mayores valores. También los
suelos con menor drenaje registran los mayores valores de cloruros incluso sobrepasando
los niveles permitidos, lo mismo ocurre con fluoruros y arsénico (766,87µ/L y
3,25mg/L)(García , 2012).
Los suelos con mayor drenaje registran los valores más altos de calcio (110,46
mg/L). Estos iones generalmente derivan de sales altamente solubles por lo que esta
mayor concentración puede deberse a un enriquecimiento de sales desde la superficie
debido a la alta permeabilidad de los suelos. Se puede observar que el excesivo drenaje
se da en los puntos de mayor pendiente y mayor profundidad del acuífero (18 m), por lo
tanto, estos serían los puntos que menor contaminación puntual podrían generar pero
podrían estar escurriendo materiales a otras zonas potencialmente contaminantes.
Caracterización del recurso hídrico subterráneo
239
Tabla 5. Contenido promedio de variables de calidad y composición de agua, productividad de suelo y topografía según orden de suelo.
pH HCO3
- (mg/L)
Mg++
(mg/L) Ca++
(mg/L) Na+ (mg/L)
K+
(mg/L) SO4
=
( mg/L) Cl- (mg/L)
NO3-
(mg/L)
Alfisol 8,09a 894,4a 41,11a 54,55b 1330,87a 29,22a 1000,01a 936,45a 58,7a Aridisol 7,34b 334,44a 17,23a 120,14a 380,64ab 8,69a 458,63a 376,47a 21,2a Entisol 7,61bc 431,37a 22,91a 87,02ab 393,79ab 11,62a 361,22a 262,97a 30,34a Molisol 7,76c 548,9a 38,97a 81,3ab 712,75b 23,66a 710,13a 455,63a 54,83a
† Letras distintas indican diferencias estadísticamente significativas (p<0.05). Las áreas sombreadas corresponden a las medias informadas en el análisis
Tabla 6. Contenido promedio de variables de calidad y composición de agua, productividad de suelo y topografía según orden de suelo.
As (µg/L)
F- (mg/L)
CE (µg/cm)
SDT (mg/L)
Prof. NE RAS Ipc (%)
Elevación (m)
Pendiente
Alfisol 660,2a 2,92a 5623,86a 13521,18a -3,67a 40,61a 16,57a 126,74a 223436,86b Aridisol 8,86b 0,7a 2298,73a 2838,63ab -24,79a 8,28ab 20,55b 320,41b 210286,53b Entisol 72,47b 2,34a 2013,84a 2690,7ab -11,16a 10,21b 15,22b 552,43a 458302,17a Molisol 194,35ab 1,92a 3459,69a 5013,02b -17,47a 19,3a 48,74c 313,56a 268311,51b
† Letras distintas indican diferencias estadísticamente significativas (p<0.05). Las áreas sombreadas corresponden a las medias informadas en el análisis
Caracterización del recurso hídrico subterráneo
240
Tabla 7. Contenido promedio de variables de calidad y composición de agua, productividad de suelo y topografía según tipo de drenaje de suelo.
pH HCO3
-
(mg/L) Mg++ (mg/L)
Ca++ (mg/L)
Na+ (mg/L)
K+ (mg/L)
SO4=
(mg/L) Cl-
(mg/L) NO3
=
(mg/L)
Excesivamente drenado
7,42c 401,52c 21,5b 110,46a 252,63c 9,56c 292,31d 198,22d 15,39c
Algo excesivamente drenado
7,76b 482,72c 31,77b 63,01bc 656,69c 18,67b 521,59c 447,89c 58,7a
Bien a algo excesivamente drenado
7,81b 480,3c 35,19ab 83,75abc 529,68bc 20,42b 636,08bc 326,65bc 44,15ab
Bien drenado 7,7b 583,68b 40,38ab 105,34ab 729,31b 27,22a 762,38ab 423,23ab 71,29a Moderadamente bien drenado
7,61bc 635,77b 29,78ab 88,62abc 856,32ab 28,95a 827,35ab 603,06a 35,21bc
Imperfectamente drenado
7,75b 516,33bc 49,97ª 66,06bc 843,8bc 21,96b 875,22ab 567,17a 53,38ab
Pobremente drenado
8,15a 912,78a 41,22ª 48,65c 1375,86a 32,37a 1029,55a 936,13a 67,32a
† Letras distintas indican diferencias estadísticamente significativas (p<0.05). Las áreas sombreadas corresponden a las medias informadas en el
análisis.
Caracterización del recurso hídrico subterráneo
241
Tabla 8. Contenido promedio de variables de calidad y composición de agua, productividad de suelo y topografía según tipo de drenaje de suelo.
As ( µg/L)
F-
(mg/L) CE (µg/cm)
SDT (mg/L)
Prof NE RAS Ipc %
Elevación m
Pendiente
Excesivamente drenado
19,1c 1,54b 1588,92d 2269,89e -13,31a 5,29d 14,46d 664,9a 612329,36a
Algo excesivamente drenado
202,31bc 2,54ab 2958,63c 4037,66d -17,79a 17,17bc 26,75b 380,96b 278200,99b
Bien a algo excesivamente drenado
103,17c 1,66b 2847,03bc 4067,18cd -20,4a 14,44c 53,13a 339,69b 284216,54b
Bien drenado 231,12b 1,84b 3718,01ab 5786,76b -19,96a 20,78b 64,81a 283,1c 223113,73b
Moderadamente bien drenado
253,03ab 1,62b 3973,17ab 5675,96bc -7,49b 24,71b 48,8b 182,6d 211544,93b
Imperfectamente drenado
128,48bc 1,91b 3699,46bc 6351,34bcd -5,66b 20,52b 17c 200,38d 225449,21b
Pobremente drenado
766,87a 3,25a 5670,71a 12412,86a -3,97b 44,92a 15,5d 137,17d 212457,15b
† Letras distintas indican diferencias estadísticamente significativas (p<0.05). Las áreas sombreadas corresponden a las medias informadas en el análisis
Caracterización del recurso hídrico subterráneo
242
III.II. ANÁLISIS DE COMPONENTES PRINCIPALES
La calidad del agua subterránea está determinada e influenciada por un
número considerable de variables, el resumen de la interacción entre estas se muestra
en el biplot obtenido a partir del ACP (Figura 8).
Figura 8: Análisis de Componentes Principales, conjunto de variables representativas de la calidad de agua subterránea del acuífero freático. CP 1 (41,2%). CP 2 (16,2 %).
El biplot de la Figura 8 muestra que las variables que hacen a la dureza y la
salinidad del agua para riego como la concentración de los cationes en general, la
concentración del ion cloruro, los solutos disueltos totales, la conductividad y la
concentración de nitratos se encuentran correlacionadas positivamente, y se ven
mayormente representadas en la CP1. Al analizar el eje vertical, CP2, se observa que
los contenidos de fluoruros y arsénico son los que explican la mayor parte de la
variabilidad, mientras que el nivel estático lo hace en menor medida.
III.III. MAPEO DE LA VARIABILIDAD ESPACIAL MULTIVARIADA
Las componentes representan un resumen de la caracterización del acuífero de
manera multivariada. Haciendo uso de la CP1 y CP2 y de la herramienta
geoestadística se mapearon las componentes del ACP con la idea de resumir la
información multidisensional
Caracterización del recurso hídrico subterráneo
243
El mapeo se hizo para la zona sur de la provincia, que como se dijo
anteriormente, es la que en general presenta mayores problemas. La zona mapeada
corresponde a los sistemas hidrológicos de General Roca, Rio Quinto y Carcaraña.
Figura 9. Mapas de variabilidad espacial multivariada obtenidos por interpolación (Kriging) de la CP1 (izquierda) y CP2 (derecha) del Análisis de Componentes Principales.
Como se dijo anteriormente el mapa de la CP1 representa la variabilidad en las
variables que hacen a la calidad del agua subterránea para riego. Los resultados se
corresponde con el análisis anterior que nos decía que las áreas hidrogeológicas
Cuenca del Rio Popopis y Llanura sur eólica medanosa, contenidas en los sistemas
hídricos superficiales de General Roca y Rio Quinto, registraba los mayores valores de
RAS, CE y SDT. También se corresponde, que el área hidrogeológica homogénea
Sierras y valles intermontanos que es la que menores riesgos representa para el uso
de sus aguas para riego, registre menores valores para la componente.
La CP2 representa la variabilidad en las variables que hacen a la calidad de
agua para consumo. En el análisis anterior arroja que los valores medios para As y Fl-
para las dos áreas hidrogeológicas de los sistemas General Roca y Rio Quinto son los
más altos. También muestra valores altos para el área Cuenca del Rio Calamuchita
que también se ven representados en el mapa.
Caracterización del recurso hídrico subterráneo
244
IV. CONCLUSIÓN
La calidad del acuífero freático en la provincia de Córdoba no es homogénea y
presenta serios problemas para amplias zonas de la provincia, tanto para usos con
fines agropecuarios como para el consumo.
De las unidades de análisis informadas en el presente trabajo, las áreas
hidrogeológicas homogéneas son las que mejor describen las diferencias de calidades
de aguas subterráneas, topográficas y edáficas.
Para la zona sur de la provincia el acuífero freático presenta graves problemas
por su composición, no pudiendo ser aprovechado para consumo ni para riego. Incluso
en estas zonas la gran concentración de sales y los grandes valores de sodio de la
napa, que se encuentra a muy poca profundidad, son los responsables de las
características de baja y nula permeabilidad edáfica.
En general las áreas con mayor presencia de riego se corresponden con áreas
dónde la calidad del agua del acuífero libre más cercano a la superficie no presenta
mayores inconvenientes para ese fin.
El uso de las CP resultantes del ACP en conjunto con técnicas de interpolación
geoestadísticas permitió resumir de manera multivariada la variabilidad espacial en la
calidad del acuífero. El uso de estos mapas puede ser de utilidad para mapeos de
riesgo en lo que respecta al uso de las aguas del acuífero freático inmediatamente
inferior.
Caracterización del recurso hídrico subterráneo
245
V. REFERENCIAS BIBLIOGRÁFICAS
Akaike H. “Information theory and an extension of the maximum likelihood principle”.
2nd International Symposium on Information Theory and Control, Petrov, E.B.N.
and Csaki, F., (ed.), pp. 267. 1973.
Balzarini, M.G., Gonzalez, L., Tablada, M., Casanoves, F., Di Rienzo, J.A., Robledo
C.W. InfoStat. Manual del Usuario. pp 333, 2008.
Barrionuevo, N., Feler, M.V. y Sepulcri, M.G. “Evolución del área regada en cultivos de
verano con pivot central en Córdoba”. CONAGUA. San Juan, Actas 1:
248, 2013.
Blarasin M., Cabrera A. “Agua subterránea y ambiente”.1ra ed. Córdoba: Agencia
Córdoba Ciencia, 2005.
Blarasin, M., Cabrera, A., Matteoda, E., Frontera, H., Aguirre, M., Maldonado, L.,
Becher Quinodoz, F., Giuliano Albo, J. “Aspectos litológicos, hidráulicos,
cambios de régimen y reservas de los principales acuíferos”. Relatorio Del XIX
Congreso Geológico Argentino - Córdoba, 1233-1261, 2014a.
Blarasin, M., Cabrera, A., Matteoda, E., Aguirre, M., Giuliano Albo, J., Becher
Quinodoz, F., Maldonado, L., Frontera, H. “Aspectos geoquímicos, isotópicos,
contaminación y aptitudes de uso”. Relatorio Del XIX Congreso Geológico
Argentino - Córdoba, 1263-1287, 2014b.
Córdoba, M., Bruno, C., Balzarini, M., Costa, J.L. “Análisis de componentes
principales con datos georreferenciados: Una aplicación en agricultura de
precisión” Revista de la Facultad de Agrarias UNCuyo, 2012.
Dombeck,M. “El agua y El agua y las Cuencas las Cuencas Hidrográficas”
http://www.fs.usda.gov/Internet/FSE_DOCUMENTS/stelprdb5338930.pdf.
Consultado febrero 2015.
García, O. “Criterios Modernos para la evaluación y Calidad de aguas de riego”
Revista IPNI, pp27, 2012.
Guevara Vera, A., “Analisis de las normas de control de calidad de las aguas” División
Salud y ambiente OMS, Lima 1996.
Jarsun R.O., Bustos V., Carnero M. Manual de interpretación de agua para riego.
Secretaría de Ambiente. EEA INTA Manfredi, 2008.
R Core Team. R: A language and environment for statistical computing. R Foundation
for Statistical Computing, Vienna, Austria. URL http://www.R-project.org/. 2014.
Caracterización del recurso hídrico subterráneo
246
Webster R. & Oliver M.A. Geostatistics for environmental scientists, 2nd edn. John
Wiley and Sons, Chichester UK. 2007.
Efectos cuantitativos del estrés hídrico
247
Efectos cuantitativos del estrés hídrico en caracteres fisiológicos para diferenciación de
genotipos de una pastura megatérmica
Marcos Perrachione
Tutora: Margot Tablada
La expulsión de la ganadería hacia zonas de pastizales naturales y baja productividad
ganadera, exige el desarrollo de nuevos sistemas productivos que incrementen el
potencial de producción de forraje, para aumentar las cargas animales y con ello el
plantear esquemas de alta productividad. En años desfavorables una primera y
fundamental estrategia es la elección de especies perennes tolerantes a sequía, para
obtener mayor producción forrajera y estabilidad ante escasez de lluvias. Atendiendo
este contexto se realiza desarrollo y mejoramiento genético de especies de pasturas
megatérmicas, evaluando respuestas al estrés abiótico para seleccionar genotipos
tolerantes. Este trabajo aborda un método rápido y práctico, propuesto para
seleccionar genotipos más tolerantes frente a estrés hídrico. Las variables Altura, Peso
Seco y Peso Fresco, de medición simple y rápida, produjeron resultados
concordantes en la diferenciación de los genotipos. A su vez se determinó el momento
de muestreo a partir del cual dichas diferencias se manifestaron.
Efectos cuantitativos del estrés hídrico
248
CONTENIDOS
I. Introducción
I.I Antecedentes
I.II. Objetivos
II. Material y métodos
III. Resultados y discusión
IV. Conclusión
V. Comentarios finales
VI. Agradecimientos
VII. Referencias bibliográficas
Efectos cuantitativos del estrés hídrico
249
I. INTRODUCCIÓN
La expulsión de la ganadería desde zonas con suelos con potencialidad
agrícola hacia zonas de pastizales naturales y de baja productividad ganadera, está
exigiendo el desarrollo de nuevos sistemas productivos lo que lleva a una ampliación
de la frontera de la ganadería tecnificada (de León et al., 2009).La baja receptividad de
los campos de las regiones semiáridas, debido a la escasa oferta forrajera, es una de
las principales causas del limitado aporte de las mismas a la ganadería nacional. En
este sentido, un incremento en el potencial de producción de forraje posibilitará
aumentar las cargas animales y permitirá el planteo de esquemas de producción de
carne bovina de alta productividad. Para un sistema con un adecuado manejo, se debe
considerar en primer lugar cuáles son las especies forrajeras que se adaptan a las
distintas zonas de esta gran región y que han demostrado persistencia y aptitud para
mejorar la producción de forraje.
En años desfavorables se producen situaciones de emergencia muy difíciles de
sobrellevar y para las cuales, existen muy pocas alternativas de salida y con altas
pérdidas económicas. Una primera y fundamental estrategia para minimizar los riesgos
de producción forrajera, es la elección de un porcentaje importante de la superficie
ganadera con especies perennes tolerantes a sequía (Torres Carbonell et al., 2011).
La producción forrajera de pasturas perennes, basa sus ventajas en mayor
producción de forraje y estabilidad en condiciones de escasez de lluvias. En
contraposición a las especies de los campos naturales, con productividades bajas y
muy erráticas (30-80 raciones/ha/año), las especies megatérmicas han demostrado
productividades muy superiores (180-250 raciones/ha/año)(Torres Carbonell et al.,
2011).
Las pasturas perennes actúan sobre una mejora conjunta en la productividad,
la rentabilidad y la sustentabilidad, a través de:
La disminución de los niveles de riesgo por efecto de las precipitaciones.
Seguridad en la producción de pasto frente a períodos de sequía.
Estabilidad de la producción de carne/ha/año por mayor seguridad forrajera y
producción de pasto respecto a otras especies en ambientes semiáridos.
Reducción de los costos de alimentación, ya que estos recursos se amortizan
en muchos años (superior a 10 años).
Evitar la erosión eólica e hídrica y ser más eficientes en el uso del agua
almacenada en el suelo.
Bajo el contexto de disminuir los riesgos mediante el uso de especies
tolerantes a condiciones de sequía, el INTA desarrolla planes de mejoramiento
Efectos cuantitativos del estrés hídrico
250
Bi Control Bi Estrés Sx Control Sx Estrés Tx Control Tx Estrés
Genotipo*Cond. Hídrica
30
32
34
36
38
40
42
44
46
48
50
52
Altura
( c
m )
AA
B
B
CC
AA
B
B
CC
Día 12 bajo estrés B
genético de diferentes especies de pasturas megatérmicas y cuenta con genotipos
propios. Existen diversas investigaciones y grupos de trabajo enfocados a las
respuestas al estrés abiótico y a la selección de genotipos tolerantes.
I.I. ANTECEDENTES
En los últimos años un grupo de trabajo del IFRGV (Instituto de Fisiología y
Recursos Genéticos Vegetales) del INTA ha llevado a cabo numerosas
investigaciones para el desarrollo de un método estandarizado que permita diferenciar
rápidamente genotipos en función de su respuesta al estrés abiótico.
En un primer momento, se realizó un ensayo en el que se determinaron 3
posibles niveles crecientes de estrés hídrico (A, B y C) en los cuales las plantas
manifestaban fisiológicamente haber sido afectadas. Las investigaciones continuaron
evaluando las respuestas en estos 3 niveles crecientes de estrés, con un experimento
para cada nivel, en los que se incluía un testigo (condición hídrica ideal) y se
observaron variables de simple determinación como Altura, Peso Seco y Peso Fresco,
en diferentes momentos a partir de iniciado el estrés (1, 3, 6, 9 y 12 días). Los
genotipos utilizados son por conocimientos previos de respuestas tipo, ya sea de alto
rendimiento como de alta sensibilidad al estrés.
En el ensayo bajo el primer nivel de estrés (Condición A), para ninguna de las
variables se observaron diferencias entre las respuestas de los controles y los
tratamientos en ninguno de los genotipos y momentos observados por lo cual este
nivel de estrés no resultó útil a los fines establecidos.
En el ensayo bajo la condición B para la variable Altura se obtuvo efecto de
genotipo y de condición hídrica en todos los momentos
de muestreo pero solo hubo interacción
genotipo*condición, en el día 12 (ver gráfico).
Para la variable Peso Fresco no se observó
interacción entre las variables, pero sí efecto condición
hídrica en los días 6, 9 y 12.
En cuanto a Peso Seco se encontraron solo
efectos de la condición hídrica y en los días 9 y 12.
Luego se realizó un cuarto experimento bajo una condición C. Esta condición
resultó demasiado severa para las plántulas, produciéndose la muerte de todas ellas a
comienzo del ensayo, por lo que esta condición se descartó al igual que la A.
De los análisis realizados se concluyó que la condición B es la más propicia
para diferenciar los genotipos en función de su respuesta al estrés, a pesar de que en
Efectos cuantitativos del estrés hídrico
251
ese ensayo se obtuvieron resultados útilessolo desde la variable altura. Serían
necesarias más repeticiones para lograr ver diferencias en las variables más delicadas
como lo son el PF y PS, así como extender el ensayo durante más días, debido a que
las diferencias comenzaron a aparecer al final del mismo. Teniendo en cuenta estas
consideraciones se llevó a cabo el estudio que se presenta en este trabajo.
I.II. OBJETIVOS
El objetivo de este trabajo es poner a punto un ensayo rápido y práctico que
permita seleccionar genotipos de una gramínea megatérmica más tolerantes frente a
una situación de estrés hídrico.
Evaluar la altura, el peso fresco y el peso seco de plántulas, en 3 momentos a
partir del comienzo del estrés.
Determinar el momento de muestreo a partir del cual las diferencias
observadas, entre los genotipos testeados, sean significativas.
II. MATERIALES Y MÉTODOS
Los datos fueron relevados a partir de un ensayo, utilizando tres genotipos de
un cultivar de megatérmica expuestos a 2 condiciones hídricas: una control a
capacidad de campo y otra, bajo estrés (Condición B).
Las variables en estudio fueron: Altura (en cm), Peso Fresco (PF, en g) y Peso
Seco (PS, en g).
Los cultivos fueron sembrados en macetas (muchos individuos por cada
una).Desde la siembra hasta los 30 días todas las macetas se mantuvieron en un
invernadero bajo las mismas condiciones.
A partir de los 30 días las macetas se colocaron en una cámara de condiciones
controladas. La mitad se sometió al tratamiento de estrés bajo la condición B prevista y
las macetas testigo continuaron bajo condiciones hídricas óptimas (capacidad de
campo) hasta el final del ensayo.
Con información relevada en ensayos previos, se determinó como tamaño
mínimo de muestra a 3 macetas por genotipo, de modo que se asignaron 3 para
condición control y 3 para la condición de estrés. Se muestrearon 7 plántulas por
maceta en cada muestreo, los días 12, 15 y 19 desde el inicio del estrés. Los
muestreos son de las 3 variables sobre el mismo individuo y de tipo destructivo.
Para el análisis estadístico se utilizó un modelo lineal mixto, para un diseño
completamente aleatorizado, con estructura factorial de tratamientos. El modelo
Efectos cuantitativos del estrés hídrico
252
incluyó la interacción entre los factores genotipo y condición hídrica y un efecto
aleatorio de la maceta. La expresión del modelo corresponde a:
Yijk=µ+gi+cj+Iij+Mik+Ɛijk
donde Yijk representa la respuesta observada en el i-ésimo genotipo, j-ésimo
nivel de factor asociado al estrés y k-ésima maceta, “µ” representa la media general de
la respuesta, gi representa el efecto del i-ésimo nivel del factor asociado al genotipo,
“cj” representa el efecto del j-ésimo nivel del factor asociado a la condición hídrica y “I”
representa el efecto de la interacción del i-ésimo genotipo, j-ésima condición hídrica.
Por otra parte M y Ɛ corresponden a los efectos aleatorios de las plantas dentro de las
macetas y al error experimental respectivamente. Las suposiciones sobre estos
componentes aleatorios son referidas como: Mik ~N(0, σ2m), Ɛijk ~N(0, σ2), y que
estos componentes aleatorios son independientes.
Cada fecha de muestreo se analizó separadamente, ya que no interesaba el
seguimiento en el tiempo y por ende la correlación temporal entre las observaciones
de la misma unidad experimental. El nivel de significación fue fijado en 0,05. Las
comparaciones entre las medias se realizaron con la prueba LSD de Fisher.
Efectos cuantitativos del estrés hídrico
253
III. RESULTADOS Y DISCUSIÓN
Bajo las condiciones experimentales estudiadas, el momento óptimo de
muestreo resultó el día 19 posterior al inicio del estrés.
La variable altura resulto muy sensible para diferenciar las condiciones
hídricas, su facilidad de medición permitiría aumentar el número de muestras y es no
destructiva.
Las variables PF y PS son más delicadas y complicadas de medir, pero son las
más relacionadas con el concepto de rendimiento.
El método queda determinado por la siembra de cada genotipo en 6 en
macetas y su mantenimiento en invernadero bajo condiciones ideales por 30 días.
Variable Altura
Para esta variable en las 3 fechas
muestreadas se observaron diferencias
significativas según condición hídrica y según
genotipo. También se observaron interacciones
Genotipo*condición los días 12 y 19.
Variable Peso Fresco
En esta variable se observaron
diferencias significativas según condición y
según genotipo en las 3 fechas muestreadas.
La interacción solo resultó significativa el día 19.
Variable Peso Seco
En cuanto a peso seco se observaron
diferencias entre los efectos de los factores e
interacción, solo el día 19.
BI Control BI Estrés SX Control SX Estrés TX Control TX Estrés
Genotipo*Cond. Hídrica
40
42
44
46
48
50
52
54
56
58
Alt
ura
(cm
)
A
B B
C
D
E
A
B B
C
D
E
Día 19 bajo estrés B
BI Control BI Estrés SX Control SX Estrés TX Control TX Estrés
Genotipo*Cond. Hídrica
0,300
0,400
0,500
0,600
0,700
0,800
0,900
1,000
1,100
1,200
Pes
o F
resc
o (
g )
A
A
B
C
D
E
A
A
B
C
D
E
Día 19 bajo estrés
BI Control BI Estrés SX Control SX Estrés TX Control TX Estés
Genotipo*Cond. Hídrica
0,050
0,058
0,066
0,073
0,081
0,089
0,097
0,104
0,112
0,120
Pes
o S
eco
( g
)
A
A A
B
B
C
A
A A
B
B
C
Día 19 bajo estrés
Efectos cuantitativos del estrés hídrico
254
Luego de este período, se colocan en cámara y se someten 3 a condición hídrica B y
las otras 3 quedan como controles mantenidas en condiciones hídricas ideales. A los
19 días de iniciado el estrés se muestrea Altura, Peso Fresco y Peso Seco de 7
plántulas de cada maceta y con estos datos se procede al análisis.
IV. CONCLUSIÓN
Este método resultó una forma efectiva y rápida para determinar diferencias de
respuestas en los genotipos de la megatérmica estudiada y se pretende que sea una
herramienta de utilidad para los planes de mejoramiento genético.
El ajuste del modelo con el efecto aleatorio de maceta mejoró la precisión.
Con las variables utilizadas se obtuvieron resultados concordantes entre sí, y
permitieron diferenciar los genotipos. A su vez su medición resulto simple y rápida de
llevar a cabo, permitiendo ser utilizadas en ensayos con muchos genotipos a la vez.
Los ensayos exploratorios preliminares resultaron muy útiles para ajustar este
método y así conseguir la potencia necesaria para la diferenciación buscada.
V. CONSIDERACIONES FINALES
Para futuras investigaciones se recomienda tomar como unidad muestral un
conjunto de plántulas y no a las plántulas individuales. Una posibilidad sería tomar
cada medición sobre una unidad de superficie. Esto permitiría mejorar la precisión en
las mediciones de los parámetros más sensibles como PF y PS.
Otro aspecto a tener en cuenta es que en estos ensayos los genotipos
utilizados son de conocidas respuestas contrastantes frente al estrés hídrico, por lo
que en futuros experimentos si se utilizan genotipos que no tuviesen respuestas tan
diferenciadas entre sí, la efectividad del método propuesto puede verse comprometida.
VI. AGRADECIMIENTOS
Ing. Agrónomo Exequiel Tommasino
Dra. Celina Luna
Pablo A. Paccioretti
Ing. Msc. Margot Tablada
Efectos cuantitativos del estrés hídrico
255
VII. REFERENCIAS BIBLIOGRÁFICAS
Carlos Torres Carbonell, Angel Marinissen, Andrea Lauric. Impacto de estrategias de
extensión en implantación de especies forrajeras tolerantes a sequía con
productores agropecuarios del Sudoeste Bonaerense Semiárido. Argentina.
Cuaderno Actualización 2011 INTA Bordenave
Ing. Agr. Mg. Sc. Marcelo De León. Utilización de pasturas Megatérmicas. Rev.
Braford, 25(61):66-69
Karina Grumberg et al. Gramíneas forrajeras para el subtrópico y el semiárido central
de la Argentina. Boletin 26, Septiembre de 2014
Exequiel Arturo Tommasino, Sabrina Mariana Griffa, Karina Grunberg. El fenómeno de
estrés oxidativo como herramienta de selección de genotipos tolerantes al
estrés abiótico. Boletín INTA Publicado: 15 de Mayo de 2014
Luis Cayuela. Modelos lineales mixtos en R. EcoLab, Centro Andaluz de Medio
Ambiente, Universidad de Granada. Junio 2010.
Balzarini M.G., Gonzalez L., Tablada M., Casanoves F., Di Rienzo J.A., Robledo C.W.
2008. Infostat. Manual del Usuario, Editorial Brujas, Córdoba, Argentina
Di Rienzo J.A., Casanoves F., Balzarini M.G., Gonzalez L., Tablada M., Robledo C.W.
InfoStat versión 2015. Grupo InfoStat, FCA, Universidad Nacional de Córdoba,
Argentina. URL http://www.infostat.com.ar
Efectos cuantitativos del estrés hídrico
256
Marcos Perrachione es estudiante avanzado de la
carrera de Ingeniería Agronómica, de la Facultad de Ciencias
Agropecuarias de la Universidad Nacional de Córdoba. Desde
2010 es ayudante alumno de la Cátedra de Estadística y
Biometría. Ha participado regularmente en análisis de datos
relacionados a problemáticas agronómicas y del ámbito de la
biología desde el servicio de consultoría de la cátedra. A
través de pasantías y actividades de iniciación profesional ha
profundizado en el análisis de experimentos del área de
mejoramiento vegetal.