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.


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


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


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


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.


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


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.


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).

http://www.inpe.br/


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:


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


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.


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


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


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


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


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


0,32

0,34

0,36

0,38

0,40

0,42

0,44

NC

I


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)


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


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


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.

http://www.infostat.com.ar/


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.


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


IV. Conclusión



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


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


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.


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.


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.


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)


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).


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.


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).


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


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.


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

.


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


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


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.


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.


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.


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.


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.


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.


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)


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.


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.


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:


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


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


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.


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


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


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

http://es.wikipedia.org/wiki/Esperanza_matem%C3%A1tica

http://es.wikipedia.org/wiki/Par%C3%A1metro_estad%C3%ADstico

http://es.wikipedia.org/wiki/Esperanza_matem%C3%A1tica


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


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:


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.


60


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.


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


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


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


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


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


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


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


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


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


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


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.


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

http://ipafcv.files.wordpress.com/2010/08/unidad-tematica-4.pdf

http://es.wikipedia.org/wiki/Estimador


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


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.


74

CONTENIDOS

I. Introducción


I.I. Descripción del ensayo

I.II Análisis Estadístico


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


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


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.


77



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).

http://es.wikipedia.org/wiki/Wittm.

http://es.wikipedia.org/wiki/A.Camus


78


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.


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.


80


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


81

Gráfico 2. Comparación del agua total entre los cuatros tratamientos para la fecha 05/07/13.


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


82


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


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.


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















F1 F2 F30,12

0,14

0,15

0,17

0,18

0,19

Agua T

ota

l
















F1 F2 F30,18

0,20

0,23

0,25

0,27

0,30

Agua T

ota

l
















F1 F2 F30,18

0,20

0,22

0,24

0,26

0,28

Agua T

ota

l
















F1 F2 F30,15

0,17

0,18

0,19

0,20

0,21

Agua T

ota

l
















F1 F2 F30,13

0,14

0,15

0,16

0,17

0,18A

gua T

ota

l
















F1 F2 F30,13

0,14

0,15

0,15

0,16

0,17

Agua T

ota

l
















F1 F2 F30,14

0,14

0,15

0,16

0,16

0,17

Agua T

ota

l
















F1 F2 F30,15

0,15

0,15

0,16

0,16

0,17

Agua T

ota

l
















F1 F2 F30,14

0,15

0,15

0,15

0,16

0,16

Agua T

ota

l
















F1 F2 F30,14

0,14

0,14

0,15

0,15

0,16

Agua T

ota

l
















F1 F2 F30,10

0,12

0,14

0,16

0,18

0,20

Agua T

ota

l


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


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


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


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


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


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.


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.


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


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.


95

CONTENIDOS

I. Introducción


II.I. Datos Experimentales

II.II. Modelos matemáticos evaluados

II.III. Comparación de modelos


III.I. Análisis descriptivo

III.II. Comparación de modelos

IV. Conclusión



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).


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.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).


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


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:


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.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.


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


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.


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

)


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

)


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.


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.


107


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


Técnica a cargo del ensayo: Laura Britos


109

CONTENIDOS

I. Introducción


II.I. Modelos evaluados


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


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).


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


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.


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


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


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.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,


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)


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


MexicanoNorteño

Sauco

Variedad

400,0

1100,0

1800,0

2500,0

3200,0

Re

nd

imie

nto

(K

g/h

a)

B


MexicanoNorteño

Sauco

Variedad

400,0

1100,0

1800,0

2500,0

3200,0

Re

nd

imie

nto

(K

g/h

a)

C


MexicanoNorteño

Variedad

400,0

1100,0

1800,0

2500,0

3200,0R

en

dim

ien

to (

Kg

/ha

)

D


MexicanoNorteño

Variedad

400,0

1100,0

1800,0

2500,0

3200,0

Re

nd

imie

nto

(K

g/h

a)

E


MexicanoNorteño

Variedad

400,0

1100,0

1800,0

2500,0

3200,0

Re

nd

imie

nto

(K

g/h

a)

F


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

))


B

415,11 662,06 909,01 1155,97 1402,92


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

))


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

))


D

374,81 578,73 782,64 986,56 1190,48


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

))


E

697,15 825,48 953,81 1082,15 1210,48


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

))


F


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.


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


-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


-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


-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


-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


-199,69

-99,84

0,00

99,84

199,69

RD

UO

_R

en

dim

ien

to (

Kg

/ha

)

F


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.


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


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


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)


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).


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.


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))


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))


C

-480,77 -240,38 0,00 240,38 480,77


-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))


D


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


-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))


E

-181,54 -90,77 0,00 90,77 181,54


-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))


F


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


129

CONTENIDOS

I. Introducción


II.I. Área de estudio

II.II. Descripción del experimento

II.III. Etapas de la SR


IV. Conclusión



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

http://es.wikipedia.org/wiki/Avena_sativa


131

e identificar los genotipos más productivos y a la vez estables en la producción

forrajera anual.


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).


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).


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.


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).


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


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


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


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.


138


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.


(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.

http://www.produccion-animal.com.ar/

http://produccionbovina.com.ar/informacion_tecnica/origenes_evolucion_y_estadisticas_de_la_ganaderia/121-rearte.pdf.%20%20%20%20Activo%20septiembre%202014

http://produccionbovina.com.ar/informacion_tecnica/origenes_evolucion_y_estadisticas_de_la_ganaderia/121-rearte.pdf.%20%20%20%20Activo%20septiembre%202014

http://www.scielo.sa.cr/scielo.php?pid=S1659-13212011000200007&script=sci_arttext

http://www.scielo.sa.cr/scielo.php?pid=S1659-13212011000200007&script=sci_arttext

http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0365-28072003000300006

http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0365-28072003000300006

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


140

CONTENIDOS

I. Introducción


II.I. Sitio de estudio, descripción y ubicación

II.II. Diseño experimental

II.III. Análisis estadístico


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


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


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


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.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


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).


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


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


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).


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


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.


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


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


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


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

)


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


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

)


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


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


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


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

)


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


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


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.


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


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


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


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.


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.


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


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


169

CONTENIDOS

I. Introducción


II.I. Localización, clima y suelo

II.II. Diseño experimental y tratamientos

II.III. Establecimiento y manejo

II.IV. Análisis estadístico


IV. Conclusión

V. Agradecimientos



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


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.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:


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).


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).


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


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


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


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


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


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.


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.


180


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



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.


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


183

CONTENIDOS

I. Introducción


II.I. Datos

II.II. Análisis estadístico


III.I. Interpretación del sendero

IV. Conclusión


VI. Anexo


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.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


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


186


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).


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.


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….


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


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


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)


191


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.

http://www.fertilizando.com/articulos/manejo%20de%20la%20fertilizacion


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


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


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



196

CONTENIDOS

I. Introducción


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



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


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.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).


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.


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).


201


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


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


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


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.


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.

http://www.bccba.com.ar/bcc/images/semillas/Informe48_Invernales.pdf


205

Di Rienzo, J., Casanoves F., Balzarini M., Gonzalez L., Tablada M., Robledo C..


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]

http://www.infostat.com.ar/

http://www.minagri.gob.ar/dimeagro/newsletters/nro77/nl_legumbres.php

http://www.eie.fceia.unr.edu.ar/~siembra/Pdf/Criterio.pdf

http://64.76.123.202/SAGPYA/economias_regionales/_legumbres/informeGarbanzosJunio12.pdf

http://64.76.123.202/SAGPYA/economias_regionales/_legumbres/informeGarbanzosJunio12.pdf

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


207

CONTENIDOS

I. Introducción


II.I. Descripción del ensayo

II.II. Análisis estadístico

III. Resultados y Discusión

IV. Conclusión



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.


209



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.


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.


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.


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.


212


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.


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


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


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


Modelo. 10533,98 23 458 7,52 <0,0001

Fecha Muestreo 5356,7 1 5356,7 87,98 <0,0001


CV 4096,89 20 204,84 3,36 <0,0001

Error 5906,19 97 60,89

Total 16440,17 120

Índice de bulbificación


Modelo. 183,41 23 7,97 40,86 <0,0001

Fecha Muestreo 65,77 1 65,77 336,97 <0,0001


CV 117,49 20 5,87 30,1 <0,0001

Error 18,93 97 0,2

Total 202,34 120


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.


















11 2011,6

12,0

12,4

12,8

13,3

N°

ho

jas

to

tale

s

Hojas totales


















11 2061

65

69

73

77

%A

B

A

B

Hojas Verdes


















11 2024

28

32

36

40

%

A

B

A

B

Hojas Secas


















11 201,5

2,0

2,4

2,8

3,3

IB

A

B

A

B

índice de bulbificación


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.
























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
























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
























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
























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


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.
























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
























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
























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
























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


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




























-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


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





























-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


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
























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


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.

























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


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.


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



224

CONTENIDOS

I. Introducción


II.I. Datos

II.II. Procedimiento de análisis


III.I. Caracterización del agua subterránea

III.II. Análisis de componentes principales

III.III. Mapeo de la variabilidad espacial multivariada

IV. Conclusión



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.


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


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


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.


229


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


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.


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.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++


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).


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


análisis.


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


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.


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


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



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.


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


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



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


análisis.


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



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


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.


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.


245


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.

http://www.fs.usda.gov/Internet/FSE_DOCUMENTS/stelprdb5338930.pdf

http://www.r-project.org/


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.


248

CONTENIDOS

I. Introducción

I.I Antecedentes

I.II. Objetivos

II. Material y métodos


IV. Conclusión

V. Comentarios finales

VI. Agradecimientos

VII. Referencias bibliográficas


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


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


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.


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


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.


253


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


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


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


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


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


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.


2008. Infostat. Manual del Usuario, Editorial Brujas, Córdoba, Argentina



Argentina. URL http://www.infostat.com.ar


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.

BIOESTADÍSTICA EN ACCIÓN - agro.unc.edu.armcia/archivos/Compilado.pdf · proyecto se realiza en...

Documents

Transcript of BIOESTADÍSTICA EN ACCIÓN - agro.unc.edu.armcia/archivos/Compilado.pdf · proyecto se realiza en...