La siguiente publicación técnica esta relacionada al evento:
Simposio Fertilidad 2019

¿Cuál es el mejor criterio para delinear zonas de manejo de nitrógeno para maíz en el noroeste bonaerense?

Autor/es: Paula Girón , Agustín Pagani y Flavio Gutiérrez Boem - EEA INTA General Villegas, Clarion, FAUBA giron.paula@inta.gob.ar

Introducción

El nitrógeno (N) es el nutriente esencial más importante para los cultivos, por su rol en los sistemas biológicos, la complejidad de su ciclo y su participación en los sistemas de producción (Havlin et al., 2005). La disponibilidad de N es uno de los factores edáficos que con mayor frecuencia restringe el rendimiento del cultivo de maíz. En el noroeste bonaerense (NOB), son abundantes los estudios regionales que muestran aumentos significativos en su producción debidos a la fertilización nitrogenada (Díaz-Zorita y Duarte 1997, Barraco y Díaz-Zorita, 2005). Sin embargo, los fertilizantes nitrogenados tienen una alta importancia relativa dentro del costo de producción, siendo necesario contar con herramientas que permitan determinar la dosis óptima económica de nitrógeno (DOEN), es decir, la cantidad de insumo (fertilizante nitrogenado) que maximiza la renta de este cultivo (Pagani et al., 2008). Por otra parte, la determinación de la DOEN tiene implicancias ambientales, ya que el uso excesivo de fertilizantes nitrogenados puede afectar negativamente la calidad de los recursos agua y aire (Basso y Ritchie, 2005). Numerosos estudios han mostrado que la DOEN para el cultivo de maíz varía entre lotes y entre años (Mamo et al., 2003). A su vez, dentro de un mismo lote de producción, la DOEN puede no ser constante debido a la variabilidad espacial de las condiciones de los cultivos en crecimiento y de las propiedades del suelo (Pierce y Nowak, 1999).

Para abordar este problema, en los últimos años han surgido tecnologías capaces de contemplar la heterogeneidad de los lotes de producción. En este sentido, la agricultura de precisión permite implementar estrategias de manejo sitio-específicas que contemplan la variabilidad espacio-temporal de la producción agrícola (Pierce y Nowak, 1999). Uno de los enfoques propuestos para el manejo sitio-específico de N es el que se basa en la delimitación de zonas de manejo (ZM). Se define a ZM como una subregión dentro de un lote que expresa una combinación homogénea de los factores limitantes de rendimiento para los cuales es apropiada una dosis única de un insumo específico (Doerge, 1999). El ajuste de la dosis de N por ZM tendría el potencial de incrementar la eficiencia de uso de N, maximizar el beneficio económico y de reducir el impacto ambiental (Anselín, 2004). En este sentido se han propuesto diferentes criterios para la delineación de ZM de N como mapas de rendimiento de años anteriores (Ferguson et al., 2003), topografía (Franzen et al., 2000), conductividad eléctrica aparente (CEa) (Lund et al., 1999), índice de vegetación diferencial normalizado (NDVI) (Basso, 2012) y tipo de suelo (Pautasso et al., 2010).

Algunos estudios han concluido que los principios generales del manejo sitio-específico son transferibles entre regiones, pero las estrategias de fertilización con dosis variable deben ser modeladas localmente porque las condiciones edáficas y climáticas son variables (Bongiovanni, 2002; Anselin, 2004). Por lo tanto, es relevante para el NOB contar con información de la variabilidad espacial a nivel intra-lote de la respuesta a N por parte del cultivo de maíz e identificar cuáles son las herramientas más apropiadas para caracterizarla, a fin de poder desarrollar estrategias para ajustar las necesidades de N. En la actualidad no son abundantes los trabajos que evalúan la variabilidad espacial de la respuesta a N y la DOEN para el cultivo de maíz en lotes de producción, utilizando tecnologías de agricultura de precisión.

El objetivo del trabajo es comparar criterios para delinear ZM de N como variables explicativas de la variabilidad espacial del rendimiento del cultivo, la respuesta a N y la DOEN para el cultivo de maíz a nivel intra-lote mediante el uso de tecnologías de agricultura de precisión.

 

Materiales y métodos

El estudio se llevó a cabo en las campañas 2015/16 y 2016/17 en 5 lotes de producción ubicados en el NOB que fueron seleccionados por presentar características edáficas y topográficas típicas de la zona. Se realizaron dos ensayos en franja en la primera campaña (Sitio 1 y 2) y tres ensayos en la segunda (Sitio 3, 4 y 5). Se evaluaron 5 dosis de N (0, 30, 60, 120 y 240 kg N ha-1) bajo la forma de urea granulada (46-0-0) en todos los sitios. El diseño de los ensayos fue en bloques completos aleatorizados con 2 y 3 repeticiones según el sitio, utilizando una metodología similar a la usada por Pagani y Mallarino (2015) y Kyveryga et al. (2018). El ancho de la franja fue el ancho de trabajo de la fertilizadora (entre 10 y 28 m) dependiendo el sitio y el largo igual al largo del lote (entre 240 y 1240 m). En cada ensayo se intentó orientar las franjas de manera tal que cada bloque quedara lo más uniformemente representado por los patrones de variabilidad edáfica y topográfica del terreno. Cada franja fue dividida en segmentos de 20 m de longitud o celdas que se utilizaron como unidades mínimas de estudio para los análisis realizados. Todos los ensayos fueron sembrados, fertilizados y cosechados con la maquinaria normalmente utilizada en cada establecimiento.

Se evaluaron diferentes criterios para delinear ZM:

  1. Mapas de rendimientos de cultivos anteriores para definir zonas de productividad diferencial dentro de los sitios experimentales. Cada lote fue normalizado dividiendo el rendimiento de cada celda por la celda de máximo rendimiento dentro del lote, de la misma forma de lo reportado por Kitchen et al. (2005). De esta manera se posibilitó la combinación de mapas de rendimiento de cultivos previos (cuyos valores absolutos de productividad no son comparables entre sí) para generar un mapa de productividad promedio o índice de productividad (IP).
  2. El índice de vegetación diferencial normalizado (NDVI) promedio de cultivos previos. Los NDVI fueron calculadas a partir de 10 años de imágenes satelitales Landsat 5 TM y Landsat 8 OLI TIRS en cada uno de los sitios experimentales (Boettinger et al., 2008). Se utilizaron imágenes de NDVI de octubre cuando el cultivo fue trigo, cebada, centeno o vicia, diciembre y enero para maíz y febrero para soja. Cada imagen fue relativizada dividiendo el NDVI de cada celda por el de la celda de mayor NDVI dentro del lote, de la misma forma que lo reportado por Kitchen et al. (2005). Luego se promediaron los valores relativizados de cada imagen para cada celda y se obtuvo un raster final promedio de cada sitio empleando el software ESRI® ArcGis v10.x (ESRI, 2015).
  3. CEa90 que es la medición in situ de la capacidad que tiene el suelo para conducir corriente eléctrica hasta 90 cm de profundidad (Doerge, 1999).
  4. Elevación del terreno con precisión subcentimétrica. CEa90 y elevación se realizaron utilizando la rastra Veris 3100® y un GPS de alta precisión (Veris Technologies, Salina, KS, USA).
  5. La profundidad efectiva (PE) del suelo a través de un esquema de muestreo en grilla sistemático desde 10 x 20 m a 28 x 20 m, según el sitio experimental, se realizó la determinación georreferenciada de la PE del suelo usando un muestreador manual y un GPS de alta precisión. La impedancia física encontrada normalmente en el NOB es un horizonte thapto de profundidad variable entre 30 y 90 cm de profundidad.

La información de rendimiento generada fue analizada a una escala espacial considerablemente inferior a la de las franjas completas con el objetivo de estudiar la variabilidad espacial de la respuesta a N dentro de cada sitio. Por esa razón, las franjas con los tratamientos de N se dividieron en segmentos de 20 m de longitud y se promediaron los puntos de rendimiento pertenecientes a cada transecta para cada dosis de N. Se calculó la DOEN a través del método de la derivada primera utilizando la relación de precios histórica N-grano de maíz de 10:1 (Pagani et al., 2008). Los mapas de rendimiento generados fueron procesados mediante el programa ArcGIS v10.2.2 (ESRI, 2015) para corregir y eliminar los valores de rendimiento defectuosos.

En cada sitio se realizó la interpolación de los valores de cada criterio de delineación de ZM con el procedimiento kriging ordinario (Oliver, 2010). Una vez obtenidos los mapas interpolados (rasters), estos fueron convertidos a puntos el que se utilizó para definir la ZM para cada criterio. Dependiendo de la variabilidad del sitio, se delimitaron dos o tres ZM según los diferentes criterios evaluados utilizando clasificación el método de la clasificación difusa fuzzy c-medias contenido en el programa “Management Zone Analyst” (MZA) (Fridgen et al., 2004).

Para el estudio de los parámetros de la curva respuesta a N, en cada zona de muestreo de suelo de cada sitio se generó un buffer con el software ESRI® ArcGis v10.x (ESRI, 2015). Un buffer es un polígono circular de un radio determinado, en este trabajo varió de 20 a 40 m según el sitio, de manera tal que en el mismo estuviesen todas las dosis de N y una determinada cantidad de celdas con valores de rendimiento y valores de CEa, elevación, profundidad efectiva, NDVI e índice de productividad. Por lo tanto, los valores de los parámetros de la curva de respuesta a N: ordenada al origen o rendimiento testigo (sin el agregado de N), rendimiento a la DOEN, respuesta a N (diferencia entre el rendimiento a la DOEN y la ordenada al origen) y la DOEN, fueron los obtenidos de las curvas respuesta generadas en cada buffer de cada zona de muestreo.

Una vez obtenidas las ZM para cada sitio según cada criterio de delineación, se realizaron comparaciones de los modelos de las curvas para corroborar que las curvas de rendimiento sean significativamente diferentes (p<0,05). Para ello se utilizó el software Table Curve 2D v5.01. Se ingresó el rendimiento y la dosis de N según la ZM delineada mediante el MZA, se seleccionó el modelo de la curva (cuadrática plateau (QP) o cuadrática (Q)) en función del mayor coeficiente de determinación (R2 ). Se comparó el modelo completo de todas las curvas obtenidas por el MZA (2 o 3 curvas) con el modelo reducido de 1 curva promedio de todo el sitio. Para ello se calculó la suma de cuadrados del error del modelo (SCE) completo y del modelo reducido, con los grados de libertad de cada una se obtuvo el cuadrado medio del error (CME) para cada modelo. Luego se calculó el estadístico F como el cociente entre el CME de la diferencia del modelo completo y modelo reducido y el CME del modelo completo. Ese valor de F correspondió a un p-valor de tabla. Si el valor p fue menor a 0.05 significa que las curvas son estadísticamente diferentes, por lo tanto, se optó con el modelo completo, y si el valor p fue mayor a 0.05 significa que las curvas son iguales y por lo tanto se optó por el modelo reducido de una curva. Finalmente, para la elección del mejor criterio de delineación de ZM se compararon los R2 y el criterio de información de Akaike (AIC). El R2 del modelo completo se calculó como la suma de cuadrado total (SCT) del modelo reducido dividido la SCE de la QP 1 y SCE de la QP 2 cuando el modelo final es el de más de una QP. Cuando la QP es única, el R2 se calculó como la SCT del modelo reducido dividido la SCE del mismo modelo. El AIC se calculó de la siguiente manera:

Donde N es el número de puntos totales, k es el número de parámetros del modelo ajustado, SC es la suma de cuadrados de la distancia vertical de los puntos hasta la curva (Motulsky y Christopoulos, 2003).

Obtenido el mejor criterio para delinear ZM en cada sitio, el conjunto de sitios que coincidió en el criterio, fueron agrupados para los análisis posteriores. Se realizó un análisis relacionando los parámetros de la curva de respuesta a N con los valores de cada criterio de zonificación. Se ajustaron regresiones lineales y se consideró un nivel de significancia del 5%.

 

Resultados y discusión

Caracterización meteorológica de las campañas

Las precipitaciones ocurridas durante el ciclo del cultivo para ambas campañas (octubre-marzo 2015/16: 769 mm y octubre-marzo 2016/17: 867 mm) fueron superiores respecto al promedio histórico de la zona (octubre-marzo: 665 mm). En el mes de octubre fueron un 25% (2015/16) y 148% (2016/17) superiores respecto al promedio histórico, mientras que, en el mes de noviembre, un 60% superior y un 9% menor en la primer y segunda campaña, respectivamente. En los meses estivales, las precipitaciones también se encontraron por encima de la media histórica, en promedio de ambas campañas en un 13%, 19% y 55% superior para los meses de diciembre, enero y febrero, respectivamente. Estas condiciones derivaron en altos rendimientos máximos en ambas campañas, pero a su vez en condiciones predisponentes para la pérdida de N del sistema.

Análisis por zonas de manejo según el IP de cultivos anteriores

En tres de los cinco sitios, la delineación de ZM en función del IP de cultivos anteriores fue eficiente para separar curvas de respuesta a N estadísticamente diferentes (Figura 1). Los sectores dentro del lote con mayor productividad histórica (mayor IP), mantuvieron mayores niveles de rendimiento de maíz en las campañas evaluadas. Sin embargo, la respuesta a N y la DOEN se incrementaron a medida que lo hizo el IP en los Sitios 3 y 5 pero no así en el Sitio 4 donde menores valores de respuesta y DOEN fueron observadas en las zonas de mayor IP.

Wibawa et al. (1993) y Kravchenko y Bullock (2000) reportaron dificultades para estimar los niveles de productividad dentro de las ZM debido a las variaciones en el patrón de las precipitaciones de un año a otro. Es concluyente que debido al efecto de los factores temporales que alteran los patrones espaciales de los mapas de rendimiento, se necesitan varios años para crear un número estable de ZM (Sudduth et al., 1997). Por otro lado, Sawyer (1994) señaló que el análisis promedio de mapas de rendimiento de un lote en años húmedos y secos tiende a neutralizar la información, por lo que sugiere generar diferentes mapas de productividad combinando años con similar pluviometría. A su vez, estudios relativamente recientes en regiones húmedas han señalado la falta de relación entre la DOEN y el rendimiento del cultivo de maíz (Arnall et al., 2013) por lo que es lógico que el IP no sea un buen indicador de la DOEN en campañas de abundantes precipitaciones.

Análisis por zonas de manejo según NDVI de cultivos anteriores

Al igual que lo observado para el IP, en tres de los cinco sitios (Sitios 3, 4 y 5, Figura 2), la delineación de ZM en función del NDVI fue eficiente para separar curvas de respuesta a N estadísticamente diferentes. En dichos sitios, el rendimiento de maíz siempre fue mayor en las zonas que históricamente presentaron mayor NDVI. Sin embargo, el rendimiento a la DOEN fue proporcionalmente mayor en los Sitios 3 y 5 en las zonas de mayor NDVI que el rendimiento del tratamiento sin agregado de N, por lo tanto, la respuesta y la DOEN fue mayor en estas zonas. En cambio, en el Sitio 4, se observó mayor respuesta a la fertilización nitrogenada en zonas de bajo NDVI y, por ende, mayor DOEN. Basnyat et al. (2005) reportaron que en ZM de alto NDVI no se encontraron respuestas a aplicaciones de N y P sugiriendo que estas zonas en general se asocian con mayor disponibilidad de N y P edáficos.

 

 

Análisis por zonas de manejo según elevación

La elevación del terreno afectó el rendimiento del cultivo de manera variable dependiendo del sitio (Figura 3). En los Sitios 4 y 5, el rendimiento (en todo el rango de N evaluado) fue mayor en las zonas de menor elevación del terreno, en concordancia con lo reportado por Kravchenko y Bullock (2000). Resultados similares fueron obtenidos en el oeste de Iowa, por Spomer y Piest (1982) y se lo atribuyeron al mayor contenido de materia orgánica (MO), nutrientes y agua disponible en las zonas deprimidas. Sin embargo, lo anterior no se observó en los Sitios 1, 2 y 3 en donde los mayores rendimientos se observaron en las zonas más elevadas del paisaje. Este comportamiento probablemente se asocie a que las zonas más deprimidas de estos sitios están vinculadas a la presencia de impedancias físicas como horizontes thapto árgicos (datos no mostrados). Por las características de las campañas evaluadas, las zonas más deprimidas presentaron un mayor nivel de anegamiento en los Sitios 1, 2 y 3, por ello el rendimiento del cultivo se vio perjudicado en las zonas de menor elevación.

Análisis por zonas de manejo según CEa90

La CEa del suelo es una de las variables más usadas para describir la variabilidad espacial de propiedades de suelo (Corwin y Lesch, 2003), ya que provee una medida indirecta de las propiedades físicas y las químicas (Rhoades et al., 1999) que tienen una influencia dominante en el crecimiento y rendimiento de las plantas (Kitchen et al., 2003). Trabajos del medio oeste de Estados Unidos mostraron que la CEa estuvo altamente relacionada con el espesor del suelo superficial como la profundidad del horizonte Bt (Sudduth et al., 2001).

En los Sitios 1, 2 y 3, las zonas con mayor CEa90 presentaron menores rendimientos, posiblemente asociados a la presencia de horizontes thapto característicos de esta zona, donde la infiltración del exceso de agua se ve perjudicada. En estas zonas de mayor CEa90, se observaron menores rendimientos del tratamiento testigo que en las zonas de mayor CEa90 (Figura 4), lo que incrementó la respuesta a la fertilización nitrogenada y la DOEN. Contrariamente, en los Sitios 4 y 5, que no presentaron zonas con horizonte thapto, los mayores rendimientos fueron observados en las zonas con mayores valores de CEa90 al igual que lo reportado por Puntel y Pagani (2013).

 

 

 

 

Análisis por zonas de manejo según profundidad efectiva del suelo

Solo los Sitios 1, 2 y 3 presentaron zonas con limitantes en la profundidad efectiva por lo que este análisis únicamente pudo realizarse para dichos sitios. En general, se observó que las zonas con thapto presentaron menores rendimientos que las áreas de los lotes sin limitantes de profundidad, independientemente del nivel de N aplicado (Figura 5). Sin embargo, la penalidad del rendimiento del testigo sin N fue proporcionalmente mayor que el rendimiento a la DOEN en las zonas con thapto. Esto derivó en mayores niveles de respuesta a la fertilización y mayor DOEN (principalmente en los Sitios 1 y 3 en las zonas someras de los lotes confirmando la tendencia observada para elevación y CEa.

Relación entre los parámetros de la curva respuesta de N y elevación

Agrupando los Sitios 3, 4 y 5, que fueron los de mayor heterogeneidad topográfica, se observó que el rendimiento del tratamiento testigo tendió a disminuir a medida que aumentó la elevación dentro del sitio (Figura 6). Este resultado puede explicarse por una menor oferta de N edáfico debido al alto contenido de arena y bajo contenido de MO de las áreas de mayor elevación de estos sitios. Diferencias de elevación > 1 m mostraron en promedio 74.6% de arena y 13.9 g kg-1 de MO en el estrato 0-20 cm de profundidad, mientras que en las zonas más deprimidas (<0.5 m de diferencia de elevación) el contenido de arena disminuyó a 64.1% en promedio y la MO aumentó a 19.3 g kg-1 (datos no mostrados). Las zonas más bajas dentro del lote se comportaron como escenarios relativamente más favorables para el crecimiento del maíz sin N, evidenciando mejores condiciones de mineralización de N del suelo y de absorción de este nutriente por el cultivo en concordancia con lo reportado por Jaynes et al. (2011). El rendimiento a la DOEN presentó la misma tendencia que en el rendimiento del testigo (probablemente asociada a otras limitantes además de la disponibilidad de N), por lo que la respuesta a N y la DOEN no fueron afectadas consistentemente por la elevación del terreno (en general fueron altas y generalizadas en toda la superficie de los lotes). Esta situación es típica de campañas con abundantes precipitaciones como las registradas durante este estudio, donde la disponibilidad hídrica deja de ser el factor más limitante del rendimiento del cultivo.

 

 

 

Relación entre los parámetros de la curva respuesta de N y CEa90

Trabajos previos (Fleming et al., 2000; Kitchen et al., 2005) informaron que áreas con alta CEa generalmente se asocian con altos contenidos de arcilla. Otros trabajos han obtenido buenas asociaciones entre la CEa y la profundidad del horizonte claypan (Kitchen et al 1999; Sudduth et al., 2001). En línea con estos resultados, en el presente estudio se observó una relación significativa entre el contenido de arcilla a 20-80 cm y la CEa90 cm (Figura 7) cuando se consideraron los sitios con al menos 10% de su superficie con horizonte thapto detectable por lo que la CEa90 fue empleado como un indicador de alta resolución espacial de la PE del suelo.

Cuando los Sitios 1 y 2 fueron analizados con juntamente, se observó que el rendimiento del testigo disminuyó significativamente a medida que aumentó la CEa90, evidenciando menor disponibilidad de N asociada a un mayor nivel de pérdidas por lavado y desnitrificación en las áreas más arcillosas (con presencia de thapto) que permanecieron anegadas por más tiempo (Figura 8). Debido a que el rendimiento a la DOEN no fue afectado por la CEa90, se observó que la respuesta a N y la DOEN aumentaron a medida que lo hizo la CEa90. Estos resultados sugieren que la principal limitante para el crecimiento del cultivo en las zonas de alta CEa con presencia de horizonte thapto fue la disponibilidad de N. Lo anterior se encuentra estrechamente asociado a las características de ambas campañas ya que se espera un comportamiento diferente en condiciones de estrés hídrico donde el rendimiento máximo puede verse más perjudicado que el rendimiento sin N en las zonas someras debido a su menor capacidad para almacenar agua.

 

 

 

Conclusiones

En los sitios topográficamente más heterogéneos (rango de elevación mayor a 1 m, Sitios 3, 4 y 5), la elevación del terreno fue el criterio más efectivo para separar áreas dentro de los lotes con rendimiento contrastante. Sin embargo, la elevación no fue efectiva para separar zonas con respuesta a N o DOEN diferenciales, ya que ambas fueron altas y generalizadas dentro de los lotes, situación típica de campañas con abundantes precipitaciones.

En los sitios donde se observaron limitantes en la profundidad efectiva en más de un 10% del lote (Sitios 1 y 2), el mejor criterio para delinear ZM fue la CEa90. En estos sitios la respuesta a la fertilización nitrogenada y la DOEN aumentaron a medida que lo hizo la CEa90, probablemente asociada a la mayor magnitud de pérdida de N en las zonas de alta CEa90, que permanecieron encharcadas por más tiempo.

Si bien la información generada se considera de utilidad para el NOB como base para entender la variabilidad espacial de la respuesta a N en el cultivo de maíz, se encuentra estrechamente condicionada a las características de las campañas evaluadas por lo que más investigación es necesaria para un mejor entendimiento de las múltiples interacciones espacio-temporales que afectan la respuesta a la fertilización nitrogenada.

Referencias bibliográficas

 
remove_red_eye 6 forum 0 bar_chart Estadísticas share print
Compartir:
close
Ver todos los comentarios
 
Copyright © 1999-2021 Engormix - All Rights Reserved