Correlación entre microbioma ruminal de vacas frescas con variables productivas e indicadores de respuesta inflamatoria

MICCOLI, F; JULIANO, N; GUERRERO, LEANDRO; WEHRENDT D. P; ERIJMAN, LEONARDO

Congreso; Congreso de la Asociación Argentina de Producción Agropecuaria; 2022

Correlación entre microbioma ruminal de vacas frescas con variables productivas e indicadores de respuesta inflamatoriaMiccoli F.E.1,2*, Juliano N.2,4, Guerrero L.3, Wehrendt D.3, Erijman L.3, Colombatto D.2,4, Fernández-Martin R.2,4, Galarza R.5 y Palladino, R.A.1,41Facultad de Cs. Agrarias, UNLZ. 2Facultad de Agronomía, UBA. 3INGEBI, CONICET. 4INPA, CONICET, 5INTA Cuenca del Salado.*E-mail: fmiccoli@agro.uba.arCorrelation between rumen microbiome in dairy cows with production and blood markers of inflammatory responseAmbiente y Producción Animal 45º Congreso Argentino de Producción AnimalREVISTA ARGENTINA DE PRODUCCIÓN ANIMAL VOL 42 SUPL. 1: 330-359 (2022) 330IntroducciónEl monitoreo a largo plazo de la cobertura vegetal puede servir como fuente de información para la gestión de los pastizales naturales. La colecta de datos a campo es costosa en superficies amplias, por lo que se utiliza información satelital para subsanar este problema.El Monitoreo Ambiental para Regiones Áridas y Semiáridas (MARAS) es una herramienta de evaluación de la condición y tendencia del pastizal, validada para la región patagónica, que permite el cálculo de distintos índices de cobertura (Oliva et al., 2011). La ventaja de esta metodología es que permite un análisis temporal de los cambios de la vegetación a nivel de sitio.Los datos de cobertura vegetal total obtenidos con MARAS en toda la Patagonia fueron utilizados, junto con la variación temporal del Índice de Vegetación de Diferencia Normalizada (NDVI), en la formulación de un modelo empírico que predice cambios temporales en la cobertura vegetal total (Gaitán et al., 2021). Sin embargo, en la región aún hay escasa información sobre la relación entre la cobertura de distintas formas de vida e índices satelitales.El presente trabajo explora el grado en que las variaciones temporales de NDVI explican cambios en índices de cobertura vegetal relativos y absolutos por forma de vida.Materiales y MétodosA partir de la base de datos MARAS se calcularon índices de vegetación de las distintas formas de vida (arbustos, subarbustos y pastos) en dos momentos distintos (cinco años de diferencia) en Monte Oriental, Monte Austral, Distrito Central y Sierras y Mesetas de Río Negro (N = 28). Los índices mencionados fueron: Cobertura Vegetal Total (CVT, todas las formas de vida), Cobertura Absoluta de Arbustos (CAA), Subarbustos (CASH) y Pastos (CAP), Cobertura Relativa de Arbustos (CRA), Subarbustos (CRSH) y Pastos (CRP), Grado de Superposición de Estratos (GSE), Riqueza Específica (RE), Diversidad Shannon-Weaver (ID), y Cobertura Relativa de Especies Forrajeras (CREF) y No Forrajeras (CRNF). Además, para cada momento de lectura y monitor se calculó el promedio de NDVI de k imágenes previas (siendo k valores de 1 a 23 y NDVI producto MOD13Q1). Los cálculos se realizaron con la diferencia (Δ) entre las dos lecturas de estos índices (ΔNDVIk)Se evaluó la relación entre todos los índices de cobertura (variable dependiente) y de NDVI (variable independiente) según la metodología presentada por Gaitán et al. (2021). Por separado se estudiaron los monitores con ambas lecturas en la misma estación de crecimiento (n = 18) y dentro de éstas, aquellas que se midieron únicamente en primavera (n = 14). Estos modelos fueron sometidos a análisis de residuales a fin de descartar efectos de puntos aislados sobre la tendencia.Resultados y DiscusiónDe todas las combinaciones entre índices de cobertura y NDVI sólo se presentan las de mayores valores de r2. Respecto a las regresiones entre ΔCVT y ΔNDVI, el máximo valor de r2 se obtuvo con ΔNDVI3 (0,18). Si se considera el modelo predictivo de Gaitán et al. (2021), el valor de r2 con ΔNDVI4 fue menor (0,38 vs 0,15). Esta tendencia se mantiene con todas las variables analizadas.Cuando el análisis se realizó con los índices obtenidos en monitores re-leídos en la misma estación del año, el valor de r2 para la regresión entre ΔCVT y ΔNDVI3 fue de 0,36 y de 0,30 para ΔNDVI4. Por forma de vida las regresiones más altas se obtuvieron para ΔCAP y ΔCRA con ΔNDVI3 (r2 = 0,46 y 0,45). Esto sugiere la importancia de remedir en el mismo momento del año.Figura 1. Regresión entre ΔNDVI3 y ΔCAP para monitores leídos en primavera. ΔCAP = -0,474 + 217 x ΔNDVI3. r2 = 0,484 (P < 0,01).Al considerar sólo los monitores leídos en primavera, se obtuvieron valores más altos de r2 para ΔCAP (0,48; Figura 1). Esta estación coincide con la de crecimiento de los pastos en la región, porque es la forma de vida que mayor dinámica presenta. Para la regresión con ΔCVT fue 0,33. Para ΔCRA no se diferenciaron los resultados de los expresados en el párrafo anterior. El tiempo entre lecturas fue insuficiente para detectar cambios en la cobertura de arbustos en la región.ConclusionesEs posible predecir variaciones de cobertura de pastos con NDVI a corto plazo. Los mejores resultados en la región se obtienen al realizar las mediciones en primavera, momento de máximo crecimiento de la vegetación herbácea. La detección de cambios en cobertura arbustiva requiere de mayores períodos de tiempo debido a su crecimiento más lento. Es necesaria una tercera lectura para definir si el monte se encuentra estable o en proceso de arbustización.AgradecimientosSe agradece a los participantes en mediciones de MARAS en la región. Sin ellos, este trabajo no habría sido posible.BibliografíaOliva G, Gaitán JJ, Bran D, Nakamatsu V, Salomone J, Buono G, Escobar J, Frank F, Ferrante D, Humano G, Ciari G, Suarez D y Opazo W (2011). PNUD, Buenos Aires, Argentina. 74.Gaitán J, Ciano N, Oliva G, Bran D, Butti L, Cariac G, Caruso C, Opazo W, Ferrante D, Echevarria D, Buono G, Fantozzi A, Guirado E y Maestre F (2021). Ecosistemas, 30(3), 2229. https://doi.org/10.7818/ECOS.2229