PREDICCIÓN DEL CONTENIDO DE ACEITE Y PROTEÍNA DEL GRANO DE SOJA CONSIDERANDO LA INFLUENCIA DE VARIABLES METEOROLÓGICAS Y USANDO ÁRBOLES DE CLASIFICACIÓN

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

San Salvador de Jujuy

Congreso; XII Reunión Argentina de Agrometeorología; 2008

Asociación Argentina de Agrometeorología y FCA-UNJ

INTRODUCCIÓN En Argentina la calidad del grano de soja [Glycine max (L.) Merr.] es de gran interés debido a que el 73% de la producción es procesada y exportada como harina y aceite de soja (primer exportador mundial de ambos productos). El cultivo de soja ocupa una vasta zona ecológica comprendida entre los paralelos de 23º-39º S, involucrando un amplio rango de condiciones climáticas en términos de precipitaciones, radiación solar y temperatura. La composición química del grano es afectada por factores ambientales, especialmente durante el llenado de granos. Los efectos de la temperatura sobre las concentraciones de aceite (A) y proteína (P) durante el período reproductivo fueron ampliamente reportados (1, 2). Sin embargo, aparte de la temperatura, otros factores climáticos podrían modificar la calidad del grano. Rose (1988) y Boydak et al. (2002) reportaron efectos del estrés hídrico sobre la composición del grano de soja. El estrés hídrico resultó una variable importante a considerar para explicar las variaciones de la calidad del grano de soja en Argentina, donde las diferencias promedio entre precipitación y evapotranspiración potencial (pp-PET) durante la estación de crecimiento de la soja (noviembre a marzo) van desde los -250 a los -125 mm con frecuentes limitaciones hídricas durante el crecimiento del cultivo (5). Mediante el uso modelos de regresión lineal múltiple se encontró que la relación de A y P con la temperatura media durante el llenado de granos fue cuadrática. En ambientes donde pp-PET durante el período reproductivo (R1R7) fue menor a los 70 mm, A aumentó con incrementos de TmR5R7 y con valores decrecientes de pp-PETR1R7 (mayor stress hídrico); mientras P aumentó con TmR5R7 pero disminuyó con el stress hídrico. El objetivo del presente trabajo fue investigar como diferentes variables metereológicas afectan el contenido final de A y P pero desde la óptica de los algoritmos de árboles de clasificación (5). Este método permite explorar relaciones entre una variable respuesta categorizada (i.e. contenidos altos o bajos) y múltiples regresoras (i.e. variables climáticas) aún en bases de datos con múltiples nolinealidades y alta correlación entre las variables regresoras, características que podrían afectar los resultados obtenidos por modelos de regresión lineal múltiple. Palabras claves: Glycine max (L.) Merr., calidad industrial, clima, contenido de proteína, contenido de aceite MATERIALES Y MÉTODOS Base de datos. Se utilizó una base de datos proveniente de ensayos multiambientales de tres campañas: 2001/2, 2002/3 y 2003/4, conducidos en 13 Estaciones Experimentales de INTA (rango latitudinal, 29º y 38º S). Los ensayos se realizaron usando un diseño en bloques completamente aleatorizados con tres repeticiones en cada ambiente (combinación de campaña, localidad y fecha de siembra). Los cultivares usados incluyeron los grupos de madurez del III al VIII. Se analizó una muestra compuesta de las tres repeticiones de cada cultivar en cada ambiente. El contenido de A y P fue determinado por tecnología NIR (Norma AACC 39-21). Se calcularon las siguientes variables climáticas para diferentes períodos fenológicos del cultivo: promedio de la temperatura del aire máxima, media y mínima diaria durante el llenado de granos (TmxR5R7, TmR5R7 y TmnR5R7); radiación solar acumulada durante el llenado de granos (SrR5R7), precipitación menos evapotranspiración potencial durante el llenado de granos y todo el período reproductivo, pp-PETR5R7 y pp-PETR1R7 respectivamente. Estas dos últimas variables fueron usadas como indicadoras de la disponibilidad hídrica. Las variables climáticas y las variables químicas para cada cultivar en cada ambiente integraron la misma base de datos. Análisis estadístico. La base de datos fue analizada usando árboles de clasificación (6). Los árboles de clasificación constituyen una herramienta relativamente nueva para abordar problemas agrometeorológicos. Un árbol de clasificación es un método práctico de predecir la clase de un objeto (bajo vs alto contenido de A o P en nuestro caso) a partir de valores umbrales de variables predictoras (variables climáticas). La idea fundamental del algoritmo es realizar divisiones de las observaciones conformando subgrupos (nodos), con la finalidad de obtener grupos homogéneos de observaciones (respecto a una variable dependiente categorizada en dos o más clases) dentro de los nodos y heterogéneos entre los distintos nodos. Los árboles fueron utilizados para predecir bajo que condiciones climáticas era de esperar obtener bajo o alto contenido de A o P (clases de la variable dependiente). A y P son variables continuas en la base de datos original, por lo que fueron categorizadas como binarias, según los casos incluidos para cada variable estuvieran por encima o por debajo de la mediana. Los árboles de clasificación se obtuvieron con Info-Gen (7). RESULTADOS Y DISCUSIÓN Se observó alta variabilidad en todas las variables climáticas consideradas en este estudio (Tabla 1).TmR5R7 y SrR5R7 variaron 2 y 7,6 veces, respectivamente, en relación al valor mínimo; mientras que los valores extremos de pp-PET difirieron en 789 mm durante R1-R7 y en 583 mm durante R5-R7.Los rangos de las concentraciones de A y P de las muestras de soja analizadas (Tabla 1) fueron similares a los reportados en estudios previos en la misma región (8). Una considerable variabilidad del rendimiento (885-5667 kg ha1) refleja el impacto de las diferentes condiciones ambientales, en particular la disponibilidad hídrica, en los ensayos multiambientales incluidos en este estudio. Aceite. Inicialmente todas las observaciones (n=190) pertenecientes al mismo nodo raíz, se dividen en dos nodos hijos a partir de la principal variable explicativa, en este caso TmR5R7. Muestras expuestas a TmR5R7 <19,7 ºC fueron clasificadas como de bajo A (46 casos) con una probabilidad de 0,9. Las 144 observaciones restantes fueron clasificadas como de alta concentración de A. Sin embargo, debido a la suficiente heterogeneidad dentro del subgrupo, el algoritmo generó dos nuevos nodos hijos a partir de la SrR5R7.Estos indicaron alta concentración de A con TmR5R7 alto y SrR5R7 >773 Mj/m2; no obstante, cuando SrR5R7 fue menor debió considerarse además, pp-PETR5R7. Con baja SrR5R7 (<773 Mj/m2), el aceite fue alto sólo cuando pp-PETR5R7 fue mayor a113 mm. Proteína. Las observaciones (n=190) se dividieron en primer instancia (i.e. mayor importancia) en función de la variable TmR5R7. Cuando ésta presentó valores inferiores o iguales a 21,3 ºC (81 casos) la clasificación indicó concentración de P baja. Sin embargo, se generó una nueva división, pero esta vez a partir de pp-PETR1R7. De esta forma la concentración de P fue baja cuando además, la disponibilidad hídrica (pp-PETR1R7) estuvo por debajo de un umbral señalado en -66,7 mm, pero fue alta superado dicho umbral. Retomando desde el inicio del árbol (el nodo hijo clasificado como de alta P cuando la TmR5R7 fue mayor a 21,3 ºC), se observaron sucesivas divisiones debido a la gran heterogeneidad. Los dos niveles siguientes, se forman a partir de la misma variable regresora: TmR5R7. Si seguimos las líneas discontinuas (Figura 1-b) que unen a ciertos nodos (los que agrupan al mayor número de casos), podremos observar que P dependió además de la variable pp-PETR1R7. Se pudo concluir que la concentración de P fue alta cuando la TmnR5R7 estuvo comprendida aproximadamente entre 21 y 25 ºC y pp-PETR1R7 superó el umbral de - 73 mm, caso contrario (pp-PETR1R7 < - 73 mm)la concentración fue baja. Estos resultados son coincidentes con los de Yaklich y Vinyard (2004), quienes reportaron incrementos de aceite con aumentos de la temperatura media durante el llenado de granos. También, en concordancia con dicho estudio altas temperaturas estuvieron asociadas con altas concentraciones de P, siendo ésta variable el componente más difícil de predecir. Sin embargo, en el presente estudio, fue posible identificar otras variables regresoras de gran peso como explicativas con sus respectivos : SrR5R7 (umbral = 773 Mj/m2) y pp-PETR5R7 (umbral = 113 mm) para concentración de A; y pp-PETR1R7 (umbral= -73mm) para concentración de P. REFERENCIAS BIBLIOGRÁFICAS 1 Piper, E.L. and K.J. Boote. 1999.Temperature and cultivar effects on soybean seed oil and protein concentrations. J. Am. Oil Chem. Soc. 76: 1233-1241. 2 Wilson, R. 2004. Seed composition. P. 621-677 In B.A. Stewart and D.R. Nielsen (eds.) Soybeans: Improvement, production and uses, 3rd ed. Agronomy Monograph 16. ASSA, CSSA, and SSSA, Madison, WI. 3 Rose, I.A. 1988. Effects of moisture stress on the oil and protein components of soybean seeds. Aust. J. Agric. Res. 39: 163-70. 4 Boydak, E., M. Alpaslan, M. Hayta, S. Gercek, and M. Simsek. 2002. Seed composition of soybeans grown in the Harran region of Turkey as affected by row spacing and irrigation. J. Agric. Food Chem. 50: 4718-4720. 5 Carrera, C., M. J. Martínez, J. Dardanelli and Balzarini, M. 2008. Environmental effects on the relationship between temperature during the seed filling period and soybean seed oil and protein concentrations. Crop Science enviado. 6 Breiman, L., J.H. Friedman, R.A. Olshen and C.J. Stone. 1984. Classification and regression trees. Wadsworth International Group. Belmont, CA. 7 Balzarini, M., Bruno, C. y Arroyo A. 2005. Análisis de Ensayos Agrícolas Multiambientales. Ejemplos en Info-Gen. Ed. Brújas ISBN 987-05-0349-7. Córdoba,Argentina. 141 pp. 8 Dardanelli J., Balzarini, M., Martínez M.J., Cuniberti M., Resnik S., Ramunda S., Herrero R., and Baigorri H. 2006. Crop Sci. (Madison) 46: 1939-1947. 9 Yaklich, R.W. and B.T. Vinyard. 2004. Estimating soybean seed protein and oil concentration before harvest. JAOCS.81: 189-194.