Densidad de siembra de maiz asociada a la variabilidad espacial del suelo
INTRODUCCIÓN
En maíz, la densidad de siembra (D) es una de las
prácticas de manejo que mayor impacto produce sobre el
margen bruto, dado que condiciona tanto los costos directos como
los rendimientos.
La escasa plasticidad vegetativa y reproductiva de este
cultivo, el elevado umbral de crecimiento individual para fijar
granos y la poca capacidad para compensar un bajo número
de granos con mayor peso individual, hacen que el rendimiento del
maíz sea muy inestable frente a cambios en la densidad y
disponibilidad de recursos durante la floración (Andrade
et al., 1996). De este modo, es factible pensar que la
respuesta a la densidad está condicionada por la
disponibilidad de recursos.
En el sur de la provincia de Córdoba la
disponibilidad de recursos se caracteriza por ser altamente
variable, tanto espacial como temporalmente (Esposito et
al., 2012). Lógicamente este comportamiento se
encuentra relacionado con la distribución estacional de
las precipitaciones, su variación interanual (Seiler
et al., 2008) y aspectos del relieve y del suelo que
condicionan el movimiento y almacenamiento del agua (Cisneros
et al., 2012). La variabilidad temporal estacional
influye en el comportamiento de las distintas fechas de siembra
(FS), mientras que la variabilidad espacial lleva a la necesidad
de dividir el lote en zonas de igual comportamiento y está
influenciada por atributos del relieve como el índice
topográfico compuesto (CTI), el cual se relaciona con el
movimiento superficial del agua y por ello con el rendimiento
(Espósito, 2013). En Brasil, Horbe et al. (2013)
encontraron que la dosificación variable de semillas por
zonas de manejo (ZM) aumentó el retorno económico,
debido a que se justificó reducir la D en la zona de baja
producción y aumentarla en la de mayor producción,
en comparación con la densidad media usada por el
productor. Resultados similares fueron encontrados en la
provincia de Córdoba por Bragachini et al.
(2012). Actualmente, los estudios sobre densidad de siembra
variable por ZM son escasos y no existen trabajos que incluyan
atributos del relieve en la determinación de la densidad
de siembra óptima en maíz.
El objetivo de este estudio fue elaborar modelos de
respuesta para evaluar la conveniencia agronómica y
económica de variar la densidad de siembra, tanto espacial
(ya sea por ZM o CTI) como temporalmente (por FS).
MATERIALES Y
MÉTODOS
El presente estudio se realizó en
cercanías a la localidad de Vertientes (Córdoba)
durante la campaña 2010-2011, comprendiendo dos lotes
contiguos de un establecimiento. En cada uno de ellos se
realizó una zonificación empleando
información proveniente de mapas de rendimiento de
maíz y soja de años anteriores, índice
diferencial normalizado de vegetación (NDVI) y CTI. Para
ello se utilizó el programa Management Zone Analyst
(Fridgen et al., 2004), el cual fracciona al campo en
grupos naturales a partir de clasificaciones o número de
zonas especificados mediante un análisis
"cluster".
Posteriormente se realizó un ensayo en cada lote,
donde se evaluaron cinco densidades de siembra en un rango de D
comprendidas entre 24700 y 123810 pl ha-1
utilizando dos fechas de siembra, una temprana (primeros
días de Octubre (Te)) y otra tardía (primeros
días de Diciembre (Ta)). El diseño experimental fue
en franjas atravesando las ZM establecidas
anteriormente.
Los datos de rendimiento fueron recolectados con monitor
y georeferenciados mediante GPS. En cada lote se elaboraron mapas
digitales de elevación del terreno mediante DGPS, los
cuales fueron interpolados en una grilla regular de 9 m usando el
comando TOPOGRID de ArcGIS (ESRI, 2007) para generar
un mapa digital de elevación. A partir de este
último, se calculó el CTI, empleando la
ecuación CTI = ln(SCA/tan(slope)), donde SCA es el
área de cuenca específica y "slope" es la
pendiente, ambos obtenidos mediante la herramienta TAUDEM de
ArcGIS (Tarboton, 1997).
Con los mapas de rendimiento de los ensayos de densidad
se procedió a estimar los parámetros de las
ecuaciones 1, 2, y 3, las cuales relacionan el rendimiento con la
D para todo el lote, el rendimiento con la D para
cada ZM y el rendimiento con la D y el CTI
respectivamente.
R = a + bD +
cD2 [1]
R = a + bD + cD2
+ dZM + eZMD + fZMD2
[2]
R = a + bD + cD2
+ dCTI + eCTID [3]
Dónde:
R: Rendimiento (kg
ha-1).
D: Densidad de siembra (pl
ha-1).
ZM: Zonas de manejo asignadas como
variables dummy. CTI: Índice topográfico
compuesto.
a, b, c, d, e y f: Parámetros de las
escuaciones.
Los parámetros fueron estimados utilizando
estadística espacial mediante el programa
GeoDa(TM) (Anselin, 2011), ya que
Bongiovanni (2002) menciona que los datos provenientes de un
monitor de rendimiento presentan autocorrelación espacial
y heterocedasticidad (los errores no son independientes y la
varianza de los mismos no es homogénea,
respectivamente).
El análisis estadístico incluye el modelo
de error espacial (ecuación 4):
Y = X B + E
[4]
Donde X y B, son la matriz de incidencia y el vector de
parámetros, e es el vector de errores aleatorios que asume
la forma lWB+ u, donde u es el error de muestreo aleatorio con
una especificación auto regresiva espacial (SAR) y
coeficiente autoregresivo l. La matriz de ponderadores espaciales
(W) tiene una estructura Queen de 8 vecinos.
Las ZM fueron incluidas a la ecuación 2 mediante
variables dummy (parámetros d, e y f del modelo 2), con la
restricción de que su sumatoria debe ser igual a cero; lo
que permite que la estimación del efecto de las diferentes
ZM y de los términos de la interacción con la D
puedan ser comparados con la respuesta media (Bongiovanni,
2002).
Una vez calibrados los modelos, se optimizaron
tradicionalmente las ecuaciones 1, 2 y 3 según
Dillon & Anderson (1990), a los fines de establecer
la densidad óptima económica (DOE) para cada caso
(ecuaciones 5 y 6 respectivamente). Dado el uso de variables
dummy, la optimización de 1 y 2 resulta en
una única ecuación (5).
Dónde:
PS: Precio de la semilla individual de
maíz (U$S semilla-1). PM:
Precio del maíz (U$S
kg-1).
Los precios utilizados de maíz y semillas fueron
de 0,112 U$S kg-1 y 141,8 U$S por
bolsa respectivamente, con un contenido de 80000 semillas por
bolsa. El precio del maíz fue tomado en dólares
estadounidenses al 3 de octubre del 2010 como precio futuro de
venta en el mercado físico de abril del 2011 (154,8 USD
Tn-1) según la bolsa de
cereales de Rosario. Se consideró un gasto de
comercialización y flete del 22 %. El precio de la semilla
utilizado corresponde al valor del hibrido DK 190 MGRR tomado en
dólares al 3 de octubre del 2011 según el mercado
de Río Cuarto.
Por último, se evalúo la conveniencia
económica de realizar dosificación variable (ya sea
por ZM o según el CTI) con respecto a la
dosificación uniforme. Para ello se analizó la
diferencia de retorno a la densidad utilizando la DOE recomendada
por cada modelo y evaluada en la ecuación de mejor
ajuste.
RESULTADOS Y
DISCUSIÓN
Zonificación.
En cada lote se establecieron dos ZM, alta
producción (AP) y baja producción (BP) (Tabla
1).
Cabe destacar que durante la realización de esta
experiencia la oferta hídrica, considerando solamente las
precipitaciones, desde septiembre a marzo fue muy similar a la
media histórica (707 mm, campaña 2010/11, con un
valor medio para el periodo 1993/2011 de 723 mm), con una
adecuada distribución mensual. Esta condición
explicaría los niveles de rendimiento
obtenidos.
De acuerdo a Espósito et al. (2012) el
suelo de la ZM AP es un Haplustol údico con textura
franca limosa a franca, relieve normal,
escurrimiento medio y permeabilidad moderada, mientras que el de
la ZM BP es un Haplustol éntico con textura franca
arenosa, relieve normal, escurrimiento rápido y
permeabilidad moderadamente rápida.
A modo de ejemplo en la Figura 1 se visualiza el ensayo
(superior) y el mapa de rendimiento (inferior) de la FS temprana
del lote 6, atravesando las 2 ZM. En el mapa de rendimiento se
puede inferir la influencia de cada ZM sobre el rendimiento de
maíz y su interacción con la D.
Figura 1. Mapa de franjas con diferentes
densidades de siembra (superior) y mapa de rendimiento (inferior)
del ensayo correspondiente al lote 6, con sus respectivas ZM,
sembrado los primeros días de Octubre.
Calibración de los modelos.
En ambos lotes y FS se detectó efecto de la D
sobre el rendimiento (Tabla 2). En el lote 6 éste efecto
varió entre ZM sólo en Te, mientras que en el lote
5 los corrimientos fueron significativos para ambas fechas de
siembra, aunque en Ta éstos fueron muy pequeños
(Tabla 3). Resultados similares fueron encontrados por
Espósito (2013), evaluando la respuesta al agregado de
nitrógeno en la misma región y con un modelo
similar.
En la ecuación 3 no se detectaron efectos
aditivos del CTI ni de su interacción con la D (Tabla 4),
lo que difiere con lo hallado por Espósito (2013)
evaluando la respuesta al agregado de nitrógeno, por lo
tanto se deduce que es factible esperar un comportamiento
diferente en la evaluación de la densidad de siembra
variable en años húmedos o normales
a, b y c, parámetros medios de la
ecuación 1. d, e y f, corrimiento de los parámetros
para cada zona de manejo. SE, nivel de significancia
estadística. * y **, diferencias estadísticas al 5
y al 1 % de probabilidad. ns, no significativo. Lambda,
coeficiente auto regresivo espacial (Anselin et al.,
2011).
Optimización y análisis
económico.
Como promedio de ambos lotes, la DOE resultó
superior en Ta, disminuyendo 24187 pl ha-1
en la siembra temprana. De la misma manera la DOE se redujo
en 16271 pl ha-1 en las zonas de BP
(Figura 2), en concordancia con Horbe et al. (2013) y
Bragachini et al. (2012). Resultados similares fueron
hallados por Espósito et al. (2012) con
dosificación variable de nitrógeno, quienes
mencionan que la variabilidad temporal asociada a la fecha de
siembra es mayor que la variabilidad espacial. La ecuación
2 no fue optimizada ya que el CTI no se
correlacionó significativamente con el
rendimiento.
Figura 2. Relación entre R y D para las 2
ZM del lote 6 (izquierda) y lote 5 (derecha).
Los resultados del análisis económico
indican que la diferencia de retornos a la densidad de siembra
por realizar dosificación variable de semillas, en
comparación con el manejo uniforme, es nula en Ta para
ambos lotes y en Te es de 6,5 y 31,3 U$S
ha-1 para el lote 5 y 6
respectivamente.
Estos valores superan el costo de indiferencia de la
dosificación variable (4 U$S
ha-1) mencionado por Bragachini
et al. (2009).
CONCLUSIÓN
La respuesta del rendimiento a la densidad no
evidenció una mayor sensibilidad espacial que la incluida
en las zonas de manejo, motivo por el cual resulta suficiente con
variar la D entre ZM.
Para la campaña em la que se realizaron los
ensayos, conviene económicamente variar la D sólo
en siembras tempranas, mientras que en siembras tardías
las distintas ZM responden de manera similar.
Las conclusiones y los parámetros obtenidos
sólo son válidos para la oferta hídrica del
año en que se realizó el ensayo. No obstante,
sería necesario calibrar las ecuaciones propuestas en un
amplio rango de condiciones ambientales, a los fines de disponer
de modelos de respuesta sitio específica sensibles a la
variabilidad temporal interanual.
AGRADECIMIENTOS
Los autores agradecen a los Ing. Agr. Pablo
Martínez y José Galván por su apoyo
incondicional para el desarrollo de este trabajo.
BIBLIOGRAFÍA
Andrade, F; A Cirilo; S Uhart, & M Otegui (eds.).
1996. Ecofisiología del Cultivo de Maíz. Ed: La
Barrosa.
Anselin, L. 2011. OpenGeoDa, A software program for the
analysis of spatial data, Version 0.9.9.6. Spatial analysis
laboratory, Department of Agricultural and Consumer Economics,
University of Illinois, Urbana-Champaign, Urbana,
IL (EUA). http://geodacenter.asu.edu/
Bragachini, M; A Méndez; F Scaramuzza; JP
Vélez & D Villarroel. (2009). Determinación de
Viabilidad Económica de la Tecnología de Dosis
Variable de Insumos en Maíz. INTA Manfredi. Proyecto
Agricultura de Precisión. Manfredi, Córdoba,
Argentina.
Bragachini, M; A Méndez; F Scaramuzza; D
Villarroel & JP Vélez. 2012. Ensayo de larga
duración de manejo de insumos en forma
variable. INTA. En:
http://inta.gob.ar/documentos/ensayo-de-larga-duracion-de-manejo-de-
insumos-en-forma-variable/. Consultado el 21/01/2014.
Bongiovanni, R. 2002. A spatial econometric approach to
the economics of site-specific nitrogen management and corn
production. PhD Thesis, Department of Agricultural Economics,
Purdue University, West Lafayette, IN.
Cisneros, J; C Cholaky; A Cantero Gutiérrez; J
González; M Reynero; A Diez & L Bergesio (eds.). 2012.
Erosión hídrica: principios y
técnicas de manejo. 1a ed. Río Cuarto:
UniRío editora:
Dillon, J & J Anderson (eds). 1990. The analysis of
response in crop and livestock production. Pergamon Press,
New York (EUA), 250 p.
Espósito, G; G Balboa; C Castillo; R Balboa
& A Degioanni. 2012. Fecha de siembra y fertilización
variable de maíz sobre Haplustoles de Córdoba. XIX
Congreso Latinoamericano y XXIII Congreso Argentino y Latino
Americano de la Ciencia del Suelo. Mar del Plata. Buenos Aires.
Argentina.
Espósito, G. 2013. Análisis de la
variabilidad espacio-temporal de la respuesta al nitrógeno
en maíz mediante un modelo
econométrico mixto espacial (MEME). Tesis Doctoral.
Escuela de posgrado, Facultad de Ciencias Agrarias, Universidad
Nacional de Córdoba.
ESRI, 2007. ArcMap ver. 9.2. ESRI, Redlands, CA,
USA.
Fridgen J; N Kitchen; K Sudduth; S Drummond; W Wiebold
& C Fraisse. 2004. Management zone analyst (MZA):
software for subfield management zone delineation. Agron.
J. 96: 100-108.
Horbe TAN; TJC Amado; AO Ferreira & PJ Alba. 2013.
Optimization of corn plant population according to management
zones in Southern Brazil. Precision Agric.
14:450–465
Seiler R; AM Wehbe; M Vinocur; EI Tarasconi. 2008.
Efectos del cambio climático y de la variabilidad
climática sobre la producción
agropecuaria: impactos y adaptación. XII Reunión
Argentina de Agrometeorología, 8 al 10 de octubre
de 2008. San Salvador de Jujuy –
Argentina.
Tarboton D. 1997. A new method for the determination of
flow directions and upslope areas in grid digital elevation
models. Water Resources Research. 33(2):
309–319.
Autor:
Martínez Bologna, G.
Castro, S.
Cerliani, C.
Balboa, G.
Naville, R.
Espósito, G.
Facultad de Agronomía y veterinária
(Universidad Nacional de Río Cuarto);
Universidad Nacional de Colombia
XXIV Congreso Argentino de la Ciencia del
Suelo
II Reunión Nacional "Materia Orgánica y
Sustancias Húmicas"
Producción sustentable en ambientes
frágiles
Bahía Blanca, 5 al 9 de mayo de 2014