Modelos de regresión para aceite y proteína del grano de soja en Argentina utilizando variables meteorológicas

CONSTANZA CARRERA; MARÍA J. MARTÍNEZ; JULIO DARDANELLI; MÓNICA BALZARINI

Mar del Plata

Workshop; Workshop Internacional: Eco Fisiología vegetal Aplicada al Estudio de la Determinación del rendimiento y la Calidad de los Cultivos de Granos.; 2007

Red Raíces de Ecofisiología SECyT, FAUBA e INTA Balcarce

RESUMEN EXPANDIDO INTRODUCCIÓN Si bien estudios previos han mostrado la relación del contenido de aceite y proteína con temperatura durante la fase de llenado de granos (2,3), estas relaciones no han sido probadas en Argentina. Por otra parte no esta claro como esta relación se ve afectada en función de otras variables meteorológicas como la radiación solar o la disponibilidad hídrica, teniendo en cuenta que en Argentina el cultivo se realiza principalmente bajo secano, con frecuentes períodos de estrés hídricos durante el ciclo. MATERIALES Y MÉTODOS Se construyó una base de datos con información de ensayos multiambientales de tres campañas: 2001/2, 2002/3 y 2003/4, conducidos en trece Estaciones Experimentales de INTA, ubicadas entre los paralelos 29º y 38º S. Las variedades de soja correspon-dieron a los grupos de madurez desde III hasta VIII. Se calcularon para los períodos siembra-R7, R1-R7 y R5-R7 (4) temperatura media (Tm), máxima (TMax) y mínima (TMin), radiación global (rg), y precipitaciones menos evapotranspiración potencial (pp-etp) como estimador de estrés hídrico. Se analizó una muestra compuesta de cada cultivar en cada localidad y cada fecha de siembra. Las mismas variaron entre el 12/09 al 05/02. El porcentaje de P y A fue determinado por NIR (AACC 3921). Con el fin de explorar asociaciones entre A, P y la suma de ambos (AP) y las variables meteorológi-cas, se efectuó un análisis de componentes principales (ACP). Se ajustaron regresio-nes lineales para relacionar A, P y AP en función de las variables más relevantes. Para la selección de dichas variables, se consideraron: un nivel de significancia del 5% para la prueba t en los parámetros de regresión estimados, los coeficientes de determinación (R2) y el análisis de los residuos. RESULTADOS Y DISCUSIÓN Los rangos de variabilidad de A, P, AP y las variables meteorológicas que ajustaron significativamente, se muestran en la tabla 1. El ACP de P, A, AP y las variables me-teorológicas sugirió que las concentraciones de A y AP están correlacionadas positi-vamente con las temperaturas y la radiación, mientras que P lo hace con las tempe-raturas. Esto se vio reflejado en los modelos de regresiones encontradas. El mejor modelo de regresión obtenido, cuyo R² fue de 0,36 con un error cuadrático medio de predicción (ECMP) de 1,91%, fue el siguiente: A=-2,01+1,93*TmR5R7-0,04*TmR5R7^2. No obs-tante los residuos parciales de esta regresión mostraron una distribución que sugirió la presencia de una relación entre A y pp-etpR1R7 por debajo de un umbral de 70mm, indicando influencia del déficit hídrico sobre A (Figura 1). Sin estrés hídrico (pp-etpR1R7>70mm), se obtuvo un modelo de regresión A= -6,37+2,35*TmR5R7- 0,05* TmR5R7^2 (R²=0,55, ECMP=1,60%), en tanto que con estrés hídrico la regresión fue A=15,92+0,27*TmR5R7-0,0052*pp-etpR1R7 (R²=0,27, ECMP =2,00%). El ACP mostró una relación negativa entre aceite y pp-etpR1R7, que se reflejó la regresión bajo estrés; donde la TmR5R7 fue la variable de mayor peso, pero también contribuyó pp-etpR1R7. Se puede inferir que el estrés hídrico produce cierre estomático lo cual genera un aumento de la temperatura del canopeo. Para P, el mejor modelo de regresión fue: P= 55,73-1,72*TmR5R7+0,04*TmR5R7^2 (R²=0,05 y ECMP =4,06). Para AP el mejor modelo de ajuste fue: PA= 50,75+0,49* TmR5R7 (R²=0,43, ECMP =2,24). Tmed R5R7 es la variable que mejor logró explicar las variaciones de P, A y AP. El tipo de modelos encontrados coincide con los encon-trados por Piper y Boote (1999), para variedades comerciales en EE.UU. Sin embargo, en nuestro estudio, fue posible establecer un modelo alternativo al modelo general (casos conjuntos con y sin estrés hídrico) para A, utilizando el grupo de datos en situa-ciones con estrés hídrico, que no había sido reportado previamente. También en coin-cidencia con Piper y Boote (1999), el modelo de menor ajuste fue el de proteína, indi-cando una mayor complejidad en los factores ambientales que la determinan, cuya probable influencia provocan mayores interacciones, generando diferentes mega-ambientes en Argentina, con la consecuente oportunidad para adaptaciones específicas (1).