Informe de Resultados Red Multiambiental de Evaluación de híbridos de Girasol
1 Introducción
El rendimiento de un cultivo (fenotipo) es función del resultado acumulativo de un número de factores que inciden en la interacción entre la expresión del material genético del cultivar o variedad (genotipo) y las condiciones en las cuales la planta crece (ambiente). Los ambientes difieren en la cantidad y calidad de recursos que están disponibles para las plantas (agua, nutrientes y radiación), y las plantas capturan y convierten dichos recursos en biomasa y órganos de interés comercial, según su carga genética, que a su vez es modulada por el ambiente (Yan y Kang, 2002).
Según el objetivo de mejoramiento, los genotipos pueden ser seleccionados para mejorar su adaptación a un amplio rango de condiciones ambientales o bien para condiciones más específicas. En este último caso, la adaptación sitio-específica de los genotipos se relaciona con el fenómeno denominado interacción genotipo-ambiente (GA), el cual se observa cuando la performance relativa de los fenotipos depende del ambiente en el que crecen (Malosetti et al., 2013).
La interacción GA reduce la asociación entre los valores fenotípicos y genotípicos, lo cual puede ocasionar que los genotipos seleccionados por su performance en un ambiente tengan mal desempeño en otro. Es por ello que en presencia de fuerte interacción GA, gran parte del éxito productivo del cultivo de girasol es el resultado de la elección de los materiales más aptos para cada ambiente.
1.1 Objetivos
Resumir los datos de rendimiento de los genotipos de girasol evaluadas en la Red CREA RNSF de Ensayos Multiambientales durante la campaña 2021/22.
Analizar estadísticamente los datos comparando los genotipos globalmente en toda la red en la campaña 2021/22.
Explorar y describir los patrones de la interacción GA en la campaña 2021/22 en particular y considerando el conjunto de ambientes explorados en las distintas localidades y campañas.
2 Metodología
2.1 Sitios experimentales
Durante la campaña 2021/22 se llevaron adelante ensayos comparativos de rendimiento de genotipos de girasol en 5 localidades del Norte de la Provincia de Santa Fe. Los sitios seleccionados para los ensayos en cada localidad corresponden a establecimientos productivos de miembros CREA de la Región Norte de Santa Fe. La distribución espacial e información de los ensayos se muestra en la Figura 2.1. A modo de referencia se incluye la ubicación de los ensayos de las campañas anteriores.
Mapa interactivo: se puede hacer zoom o mostrar/ocultar información de cada ensayo (Fecha de siembra, antecesor, densidad, fertilizacion, etc) haciendo haciendo clik sobre los puntos de la campaña 2021/22.
Figura 2.1: Distribución espacial de las localidades incluidas en la campaña 2021/22 y anteriores
En cada sitio se establecieron ensayos comparativos de rendimiento (ECR) utilizando un diseño experimental sin réplicas con controles sistemáticos (Kempton, 1997). Los materiales fueron sembrados con espaciamiento entre surco (EES) de 52 cm en franjas de 4.16 m de ancho por entre 150 y 200 m de longitud.
2.2 Condiciones climáticas
En la Figura 2.2 se resumen las precipitaciones mensuales de la presente campaña así como la serie 1945-2020 registrada en la EEA INTA Reconquista.
Figura 2.2: Precipitaciones mensuales totales por localidad durante la campaña 2021/22 y serie 1945/2020 del EEA INTA Reconquista
Se observa que al inicio de la campaña, en todas las localidades, excepto por Malabrigo, el total de lluvias mensuales fue menor que la serie histórica. Esto se repitió en el mes de octubre en todas las localidades. En noviembre se produjeron lluvias similares al promedio histórico salvo en La Osca, Lanteri, y Malabrigo donde fueron muy superiores. En contraste, dicimebre fue seco en general y en particular Bajada 213-Calchaquí.
En cuanto a la marcha del régimen térmico, en ninguna de las localidades se registraron heladas tempranas. Por otro lado, el número de días numblados (promedio de nubosidad > 75%) se resumen en la siguiente tabla.
| Localidad | Aug 2021 | Sep 2021 | Oct 2021 | Nov 2021 | Dec 2021 | Jan 2022 | Feb 2022 |
|---|---|---|---|---|---|---|---|
| Lanteri | 7 | 9 | 4 | 6 | 0 | — | — |
| Malabrigo | 4 | 6 | 4 | 3 | 0 | — | — |
| Bajada 213-Calchaquí | 2 | 7 | 4 | 4 | 0 | 0 | 0 |
| La Osca | 2 | 7 | 4 | 4 | 0 | — | — |
| Soledad | 0 | 8 | 3 | 4 | 0 | 0 | — |
2.3 Genotipos
Los tratamientos evaluados en la campania 2021/22 fueron 18 genotipos. En la Tabla 2.2 se indican las localidades en las que fueron evaluados.
| Semillero | Genotipo | Localidades | ||||
|---|---|---|---|---|---|---|
| Lanteri | Malabrigo | Bajada 213-Calchaquí | La Osca | Soledad | ||
 |
ACA 216 CLDM | |||||
 |
ADV 5407 CL | |||||
|
ADV 5505 CL | |||||
 |
ARGENSOL 20 MAX | |||||
|
ARGENSOL 72 CL | |||||
 |
MG 360 | |||||
 |
CACIQUE 320 CL | |||||
|
CACIQUE 322 CL (EXP) | |||||
 |
HS PIRAYU CL | |||||
 |
106 CL HO | |||||
|
NS 1109 CL | |||||
|
NS 1113 CL | |||||
 |
NK 3969 CL | |||||
|
SY 3970 CL | |||||
|
SYN 3939 CL | |||||
 |
RGT CABILLDO CL | |||||
|
RGT CATEDRALL | |||||
|
RGT OBELLISCO CL | |||||
La mayoría de los genotipos estuvieron presentes en las 5 localidades. Los genotipos ARGENSOL 20 MAX y ARGENSOL 72 CL solo se evaluaron en Bajada 213-Calchaquí y Soledad, mientras que NS 1113 CL no estuve presente solamente en Lanteri. El genotipo NS 1109 CL actuó como referencia o check, con más de una réplica por localidad.
Para el análisis global se utilizaron los datos de todos los genotipos con presentes en al menos tres localidades.
3 Resultados
3.1 Rendimiento testigo
En la Tabla 3.1 se muestran los rendimientos promedio por localidad de los genotipos utilizados como check o control.
| Localidad | media | CV |
|---|---|---|
| Lanteri | 3473 | 5 |
| Malabrigo | 2618 | 11 |
| Bajada 213-Calchaquí | 2919 | 8 |
| La Osca | 3693 | 1 |
| Soledad | 2547 | 11 |
En general la variabilidad observada en los controles repetidos fue baja indicando homogeneidad en las condiciones experimentales dentro de cada sitio. Tampoco se observó un gradiente de rendimientos consistente en dirección al orden de las parcelas por lo que los rendimientos no fueron ajustados. La Tabla 3.2 muestra el estand de plantas promedio logrado en las distintas localidades.
| Localidad | Promedio | CV (%) |
|---|---|---|
| Lanteri | 43889 | 5 |
| Malabrigo | 45566 | 7 |
| Bajada 213-Calchaquí | 46057 | 5 |
| La Osca | 44263 | 10 |
| Soledad | 32670 | 16 |
En general el stand mostró baja variación dentro de las localidades, con CV en torno al 7%, salvo en Soledad con un CV 16%, que a su vez tuvo en promedio menos plantas.
3.2 Rendimientos por Localiad
Las Figuras 3.1 y 3.2 muestran los rendimientos medios corregidos por %MG y el %MG por localidad, respectivamente. La línea continua representa el promedio en toda la campaña.
Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda.
3.2.1 Rendimiento corregido por %MG
Figura 3.1: Rendimiento medio corregido 42% MG y desvío estándar por Localidad
En general se observaron rendimientos promedios similares entre las localidades, siendo La Osca y Lanteri ligeramente superiores a las restantes. Por otro lado, las parcelas con checks mostraron rendimientos en torno al rendimiento promedio de la localidad.
3.2.2 Materia grasa (%MG)
Figura 3.2: Contenido de materia grasa (%MG) promedio y desvío estándar por Localidad
En general se observaron contenidos de grasa promedios similares entre las localidades, siendo Soledad ligeramente inferior y más variables. Los contenidos de MG oscilaron en torno al 57%.
3.3 Rendimientos por Genotipo
En la Figura 3.3 y 3.4 se presentan los valores medios y desviaciones estándar de los rendimientos corregidos por %MG y el %MG de los genotipos considerando la variabilidad entre localidades.
Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda.
3.3.1 Rendimiento corregido
Figura 3.3: Rendimientos medios y desvio estándar de los genotipos
En general todos los genotipos presentaron rendimientos medios entre 2600 y 4700 kg ha-1. La amplitud de las barras de cada material representan las diferencias de variabilidad entre ambientes. Genotipos como SYN 3939 CL, RGT CABILLDO CL, MG 360, NS 1113 CL y NK 3969 CL mostraron un rendimiento promedio superior al general.
3.3.2 Materia grasa (%MG)
Figura 3.4: Contenido de MG medio y desvio estándar de los genotipos
El contenido promedio de %MG varió ente 52 y 60%. En algunos casos con variaciones de 5 puntos de MG o más entre las localidades.
3.4 Rendimientos promedio y CV
En las Tablas 3.3 y 3.4 se presentan los promedios y \(CV\) por Genotipo y Localidad, del rendimiemto ajustados por MG y %MG expresados en kg/ha y base 100. Los genotipos están ordenados en función del valor relativo promedio. Los colores están ordenados en funión del valor relativo de cada localidad.**
Los datos pueden descargarse de los siguientes enlaces: medias_CV_rend_real.xlsx, medias_CV_rend_42MG.xlsx, medias_CV_MG.xlsx
3.4.1 Redimientos ajustados 42% MG
| Genotipo | Localidad | Promedio | CV | |||||
|---|---|---|---|---|---|---|---|---|
| Lanteri | Malabrigo | Bajada 213-Calchaquí | La Osca | Soledad | ||||
| 1 | SYN 3939 CL | 131 (4123) | 121 (3442) | 117 (3141) | 112 (3908) | 138 (3203) | 124 (3563) | 9 (12) |
| 2 | NS 1113 CL | — | 94 (2675) | 126 (3375) | 109 (3790) | 137 (3187) | 116 (3257) | 16 (14) |
| 3 | MG 360 | 106 (3341) | 120 (3408) | 85 (2294) | 117 (4091) | 148 (3436) | 115 (3314) | 20 (19) |
| 4 | RGT CABILLDO CL | 108 (3383) | 115 (3287) | 134 (3594) | 106 (3701) | 110 (2552) | 115 (3303) | 10 (14) |
| 5 | NK 3969 CL | 110 (3447) | 102 (2912) | 118 (3182) | 121 (4210) | 111 (2564) | 112 (3263) | 7 (19) |
| 6 | 106 CL HO | 110 (3455) | 92 (2624) | 98 (2642) | 94 (3286) | 141 (3265) | 107 (3054) | 19 (13) |
| 7 | NS 1109 CL | 111 (3473) | 92 (2618) | 109 (2919) | 106 (3693) | 110 (2547) | 106 (3050) | 7 (17) |
| 8 | SY 3970 CL | 111 (3498) | 102 (2894) | 104 (2800) | 122 (4264) | 75 (1735) | 103 (3038) | 17 (31) |
| 9 | ADV 5407 CL | 77 (2425) | 122 (3471) | 110 (2950) | 99 (3453) | 106 (2460) | 103 (2952) | 16 (17) |
| 10 | HS PIRAYU CL | 101 (3178) | 93 (2643) | 95 (2557) | 70 (2457) | 125 (2901) | 97 (2747) | 20 (11) |
| 11 | ADV 5505 CL | 104 (3255) | 91 (2592) | 103 (2767) | 82 (2846) | 95 (2209) | 95 (2734) | 10 (14) |
| 12 | RGT OBELLISCO CL | 107 (3371) | 81 (2305) | 106 (2858) | 104 (3617) | 63 (1470) | 92 (2724) | 21 (32) |
| 13 | ACA 216 CLDM | 95 (2985) | 94 (2688) | 85 (2275) | 101 (3526) | 76 (1754) | 90 (2646) | 11 (26) |
| 14 | RGT CATEDRALL | 93 (2930) | 88 (2511) | 88 (2360) | 94 (3274) | 66 (1528) | 86 (2521) | 13 (26) |
| 15 | CACIQUE 322 CL (EXP) | 63 (1985) | 104 (2967) | 83 (2236) | 85 (2974) | 74 (1706) | 82 (2374) | 19 (24) |
| 16 | CACIQUE 320 CL | 71 (2212) | 89 (2521) | 79 (2128) | 79 (2771) | 87 (2021) | 81 (2331) | 9 (13) |
| 17 | ARGENSOL 20 MAX | — | — | 80 (2150) | — | 71 (1657) | 76 (1904) | 8 (18) |
| 18 | ARGENSOL 72 CL | — | — | 79 (2117) | — | 67 (1565) | 73 (1841) | 12 (21) |
| 19 | Promedio | 100 (3137) | 100 (2847) | 100 (2686) | 100 (3491) | 100 (2320) | — | — |
El nivel de variabilidad de los genotipos a través de los ambientes mostró valores bajos (~ 10%) y moderados (> 20%) en los datos expresados en rendimiento absoluto corregido por 42% de MG. Aproximadamente el 50% de los genotipos tuvo CV de rendimiento entre 14 y 23%. Al considerar los valores relativos, la variabilidad se reduce (el 50% de los híbridos pasa a tener CV entre 9 y 18%), ya que se remueve en parte el efecto de la variación entre localidades.
A excepción de SYN 3939 CL que se ubicó en el primer lugar promedio y estuvo entre los primeros en todas las localidades, el resto mostró cambios en la posición dentro de cada localidad. Por ejemplo, MG 360 estuvo entre los primeros en 3 localidades pero cerca del promedio o debjo del promedio en las restantes.
3.4.2 Materia grasa (%MG)
| Genotipo | Localidad | Promedio | CV | |||||
|---|---|---|---|---|---|---|---|---|
| Lanteri | Malabrigo | Bajada 213-Calchaquí | La Osca | Soledad | ||||
| 1 | ADV 5407 CL | 103 (59) | 103 (60) | 105 (55) | 105 (61) | 109 (60) | 105 (59) | 2 (4) |
| 2 | SY 3970 CL | 104 (60) | 105 (61) | 107 (56) | 100 (58) | 106 (58) | 104 (59) | 3 (3) |
| 3 | NS 1113 CL | — | 101 (59) | 103 (54) | 104 (60) | 106 (58) | 104 (58) | 2 (5) |
| 4 | MG 360 | 99 (57) | 103 (60) | 103 (54) | 105 (61) | 107 (59) | 103 (58) | 3 (5) |
| 5 | NK 3969 CL | 103 (59) | 103 (60) | 103 (54) | 104 (60) | 104 (57) | 103 (58) | 1 (4) |
| 6 | RGT CABILLDO CL | 101 (58) | 103 (60) | 103 (54) | 102 (59) | 104 (57) | 103 (58) | 1 (4) |
| 7 | SYN 3939 CL | 103 (59) | 103 (60) | 103 (54) | 100 (58) | 106 (58) | 103 (58) | 2 (4) |
| 8 | 106 CL HO | 104 (60) | 99 (58) | 101 (53) | 102 (59) | 102 (56) | 102 (57) | 2 (5) |
| 9 | RGT OBELLISCO CL | 101 (58) | 103 (60) | 99 (52) | 102 (59) | 102 (56) | 101 (57) | 1 (6) |
| 10 | ACA 216 CLDM | 99 (57) | 98 (57) | 101 (53) | 100 (58) | 97 (53) | 99 (56) | 2 (4) |
| 11 | CACIQUE 322 CL (EXP) | 99 (57) | 99 (58) | 99 (52) | 102 (59) | 95 (52) | 99 (56) | 3 (6) |
| 12 | NS 1109 CL | 101 (58) | 99 (58) | 99 (52) | 100 (58) | 98 (54) | 99 (56) | 1 (5) |
| 13 | ADV 5505 CL | 97 (56) | 94 (55) | 97 (51) | 95 (55) | 97 (53) | 96 (54) | 1 (4) |
| 14 | HS PIRAYU CL | 97 (56) | 99 (58) | 97 (51) | 91 (53) | 98 (54) | 96 (54) | 3 (5) |
| 15 | RGT CATEDRALL | 96 (55) | 93 (54) | 97 (51) | 95 (55) | 93 (51) | 95 (53) | 2 (4) |
| 16 | ARGENSOL 72 CL | — | — | 93 (49) | — | 97 (53) | 95 (51) | 3 (6) |
| 17 | ARGENSOL 20 MAX | — | — | 95 (50) | — | 93 (51) | 94 (50) | 2 (1) |
| 18 | CACIQUE 320 CL | 94 (54) | 94 (55) | 93 (49) | 93 (54) | 87 (48) | 92 (52) | 3 (6) |
| 19 | Promedio | 100 (58) | 100 (58) | 100 (52) | 100 (58) | 100 (55) | — | — |
La variación de los contenidos de MG entre ambientes y entre híbridos fue baja (CV 1-5%). En este caso los materiales ADV 5407 CL y SY 3970 CL mostraron contenidos en torno al 5% superior la promedio.
3.4.3 Gráfico
La Figura 3.5 presenta la relación entre los rendimientos medios (corregido por MG 42%) expresados en valores relativos y la estabilidad (indicada por el CV) de los genotipos a través de las localidades incluidas en la red durante la campaña 2021/22.
Figura 3.5: Rendimiento seco medio corregido a 42% MG (en kg/ha) y CV (%) de los genotipos evaluados en la campaña 2021/22
Tomando el rendimiento y CV medios de la red (líneas punteadas), se observa que los genotipos con altos rendimientos promedio (SYN 3939 CL, RGT CABILLDO CL) mostraron una variabilidad en torno al 10%, inferior al promedio de variación de los materiales evaluados. En cambio MG 360 y NS 1113 CL presentaron rendiminetos 15% superiores al promedio general y CV entre 15 y 20%.
3.5 Diferencias entre genotipos
En la Tabla 3.5 se presentan los resultados del análisis de la varianza (ANOVA) del modelo mixto ajustado:
| gl num | gl den | F | Valor p | |
|---|---|---|---|---|
| (Intercept) | 1 | 58 | 31.04 | 0.00000 |
| Genotipo | 15 | 58 | 4.07 | 0.00005 |
| stand | 1 | 58 | 1.29 | 0.26065 |
Se detectaron diferencias de rendimiento estadísticamente significativas considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p = 0.00005). En cambio el efecto del stand de plantas no fue significativo al 10%. En Tabla 3.6 se listan los valores medios ajustados, errores estándar e intervalos de confianza de los rendimientos medios de cada genotipo. La amplitud de los \(IC_{90}\) responde a que el espacio de inferencia es toda la región de donde proviene la muestra de las 5 localidades analizadas y la precisión alcanzada según el número de réplicas.
| Rend. medio | Error estándar | gl | LI IC90 | LS IC90 | grupo | |
|---|---|---|---|---|---|---|
| SYN 3939 CL | 3578 | 278 | 4 | 2985 | 4171 | 1 |
| NS 1113 CL | 3351 | 295 | 4 | 2721 | 3981 | 12 |
| MG 360 | 3321 | 278 | 4 | 2728 | 3913 | 12 |
| RGT CABILLDO CL | 3310 | 278 | 4 | 2717 | 3902 | 12 |
| NK 3969 CL | 3272 | 278 | 4 | 2679 | 3864 | 12 |
| SY 3970 CL | 3070 | 279 | 4 | 2474 | 3665 | 123 |
| 106 CL HO | 3030 | 279 | 4 | 2436 | 3624 | 123 |
| NS 1109 CL | 3016 | 279 | 4 | 2421 | 3612 | 123 |
| ADV 5407 CL | 2986 | 279 | 4 | 2390 | 3581 | 123 |
| HS PIRAYU CL | 2761 | 278 | 4 | 2168 | 3354 | 123 |
| ADV 5505 CL | 2750 | 278 | 4 | 2157 | 3343 | 123 |
| RGT OBELLISCO CL | 2690 | 279 | 4 | 2095 | 3286 | 23 |
| ACA 216 CLDM | 2613 | 279 | 4 | 2017 | 3208 | 23 |
| RGT CATEDRALL | 2508 | 278 | 4 | 1915 | 3101 | 23 |
| CACIQUE 322 CL (EXP) | 2359 | 278 | 4 | 1765 | 2952 | 3 |
| CACIQUE 320 CL | 2325 | 278 | 4 | 1733 | 2918 | 3 |
El cuadro anterior representa el ranking de genotipos ordeandos por el rendimiento global para la zona de influencia de la Red. El rendimiento medio representa la mejor estimación global del rendimiento de cada genotipo para la región en general a partir de la información obtenida en el presente ensayo. Este valor estimado se acompaña de los límites de un intervalo de confianza (LI IC90 y LS IC90) los cuales representan la región donde se encuentra el verdadero valor del rendimiento.
Considerando la red globalmente, el ranking de materiales muestra diferencias entre SYN 3939 CL respecto de RGT OBELLISCO CL, ACA 216 CLDM, RGT CATEDRALL, CACIQUE 322 CL (EXP) y CACIQUE 320 CL. En otro grupo de diferencias, NS 1113 CL, RGT CABILLDO CL, MG 360 y NK 3969 CL se separan de CACIQUE 322 CL (EXP) y CACIQUE 320 CL.
3.6 Interacción GA
3.6.1 Campaña actual
Las diferencias de los rendimientos medios de cada localidad resumen la heterogeneidad de condiciones ambientales a las cuales fueron sometidos los genotipos evaluados. Utilizando esta información se construye un índice ambiental (IA) que se utiliza para modelar la interacción genotipo x ambiente a partir de rendimientos de cada genotipo y ambiente. En la Tabla 3.7 se presenta la tabla de ANOVA del modelo.
| Fuente | gl | SC | CM | F | Valor p |
|---|---|---|---|---|---|
| Localidad | 4 | 10633839.13 | 2658459.78 | 19.45 | <0.0001 |
| Genotipo | 15 | 9945551.96 | 663036.80 | 4.85 | <0.0001 |
| Genotipo:IA | 15 | 4000382.29 | 266692.15 | 1.95 | 0.0434 |
| Residuals | 44 | 6013252.03 | 136664.82 |
Según este análisis, se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.04). Esto implica que la relación entre el IA y los rendimientos no fue homogénea manifestando diferencias de sensibilidad.
En la Figura 3.6 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1).
Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda. Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.
Figura 3.6: Respuesta diferencial de cada Genotipo a los cambios del IA
Las pendientes (\(\beta\)) de las rectas (línea sólida de color) representan la sensibilidad de cada genotipo a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. La sensibilidad promedio (línea punteada) representa la respuesta general de todos los genotipos. Para un genotipo cualquiera, si el valor de la pendiente es \(\beta_i > 1\), el genotipo en cuestión tiene mayor sensibilidad a los cambios de calidad del ambiente (a mayor calidad ambiental, mayor rendimiento, y vice versa). En cambio si \(\beta_i < 1\), entonces el genotipo es menos sensible y tendría mejores respuestas en ambientes malos y respuestas inferiores al promedio en ambientes buenos. Las diferencias entre las pendientes de los distintos genotipos representa la interacción GA.
A modo descriptivo los valores estimados de los \(\beta\) para algunos genotipos, como por ejemplo NK 3969 CL, RGT CATEDRALL, ACA 216 CLDM, RGT OBELLISCO CL, y SY 3970 CL mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, HS PIRAYU CL, 106 CL HO, ADV 5407 CL, NS 1113 CL, CACIQUE 320 CL, y ADV 5505 CL fueron los materiales con menor sensibilidad (pendientes 25% menores a 1). No obstante, sólo en los materiales HS PIRAYU CL, RGT OBELLISCO CL y SY 3970 CL dichas pendientes fueron estadísticamente distintas de la recta 1:1.
El siguiente gráfico muestra la relación entre las pendientes estimadas y los rendimientos medios de cada genotipo.
Figura 3.7: Coeficiente de sensibilidad vs rendimiento medio de los genotipos a través de las localidades
Se observa que entre los materiales con mayor rendimiento promedio, los valores de sensibilidad fluctuaron entre 0.5 y 1.5.
3.6.2 Últimas dos campañas
Al considerar los ambientes evaluados en las últimas 2 campañas (combinacion localidad x campaña), sólo 9 genotipos estuvieron presentes en los 10 ambientes explorados en las últimas 2 campañas. En la Tabla 3.8 se presenta la tabla de ANOVA del modelo de regresión de la media ajustado.
| Fuente | gl | SC | CM | F | Valor p |
|---|---|---|---|---|---|
| Localidad | 6 | 14769906.79 | 2461651.13 | 19.17 | <0.0001 |
| Genotipo | 8 | 10605397.49 | 1325674.69 | 10.32 | <0.0001 |
| Genotipo:IA | 9 | 23600180.46 | 2622242.27 | 20.42 | <0.0001 |
| Residuals | 66 | 8475153.40 | 128411.42 |
Según este análisis se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p < 0.0001). Esto implica que al menos uno de los genitipos mostró una norma de reacción con pendiente distinta de 1, es decir, sensibilidad diferente al promedio. La Table 3.9 muestra los valores de pendiente estimados.
| Genotipo | Beta | Error estándar | gl | LI IC95 | LS IC95 |
|---|---|---|---|---|---|
| SYN 3970 CL | 1.45 | 0.19 | 72 | 1.08 | 1.82 |
| RGT CABILLDO CL | 1.29 | 0.19 | 72 | 0.92 | 1.66 |
| ACA 216 CLDM | 1.25 | 0.19 | 72 | 0.88 | 1.62 |
| NS 1109 CL | 1.14 | 0.19 | 72 | 0.77 | 1.51 |
| SYN 3939 CL | 1.13 | 0.19 | 72 | 0.76 | 1.51 |
| 106 CL HO | 0.92 | 0.19 | 72 | 0.55 | 1.29 |
| RGT CATEDRALL | 0.83 | 0.19 | 72 | 0.46 | 1.20 |
| ADV 5505 CL | 0.77 | 0.19 | 72 | 0.40 | 1.14 |
| CACIQUE 320 CL | 0.61 | 0.19 | 72 | 0.24 | 0.98 |
Según la tabla anterior se observa que solamente el material SYN 3970 CL y CACIQUE 320 CL tiene un valor de sensibilidad significativamente distinto a la unidad, superior e inferior respectivamente. Esto implicaría que una mayor sensibilidad a los cambios del ambiente en el primer caso, mientras que CACIQUE 320 CL mostró menor sensibilidad.
En la Figura 3.8 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1). Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.
Figura 3.8: Respuesta diferencial de cada Genotipo a los cambios del IA ultimas 2 campañas
Según el gráfico anterior se observa la menor pendiente de CACIQUE 320 CL y mayor pendiente de SYN 3970 CL. En este caso, estos materiales se diferencian en su respuesta a los ambientes de mayor potencial. También se observa un mayor rendimiento medio de SYN 3939 CL siguiendo el patrón de sensibilidad del promedio. Algo similar pero con rendimientos por debajo del promedio general RGT CATEDRALL.
4 Consideraciones finales
En general se observó una moderada a baja variabilidad de los rendimientos de cada variedad a través de las distintas localidades evaluadas y baja heterogeneidad de respuesta dentro de cada localidad reflejada por los testigos. A nivel global las diferencias se detectaron diferencias mayores a 900 kg ha-1 entre SYN 3939 CL respecto de RGT OBELLISCO CL, ACA 216 CLDM, RGT CATEDRALL, CACIQUE 322 CL (EXP) y CACIQUE 320 CL.
En el estudio de la interacción GA de la campaña actual detectó diferencias significativas respecto al patrón de respuesta promedio, donde HS PIRAYU CL, RGT OBELLISCO CL y SY 3970 CL mostraron coeficientes distintos de 1. En el análisis combinado los datos de las últimas dos campañas se observó algunas diferencias significativas en los patrones siendo CACIQUE 320 CL menos sensible a ambientes de mayor potencial, mientras que SYN 3970 CL mostró comportamiento opuesto.
5 Agradecimientos
A las empresas semilleras: A.C.A., Advanta, Argenetics, Corteva, El Cencerro, Hersems, Nidera, NK, y R.A.G.T., por haber confiado un año más en nuestra zona y en la utilidad de los Ensayos Comparativos de Rendimiento.
A las Empresas CREA de la Región Norte de Santa Fe que año tras año realizan el esfuerzo de siembra conducción y cosecha de estas macro parcelas en sus establecimientos, dedicando personal tiempo y recursos para tal fin.
A las empresas Extra CREA – Faccioli Diego y Larrauri Maria Inmaculada por realizar el esfuerzo de siembra conducción y cosecha de estas macro parcelas en sus establecimientos, dedicando personal, tiempo y recursos para tal fin.
6 Apéndice
6.1 Análisis estadístico
6.1.1 Rendimientos testigos
La información proveniente de las franjas testigo repetidas se utilizó para evaluar la variación dentro de las localidades y la existencia de tendencia espacial de los rendimientos según su ubicación en el experimento. Para esto último, en cada localidad se ajustaron modelos lineales de los rendimientos en función del orden de la parcela:
\[ y_{i} = \beta_0 + \beta_1X_i + e_{i} \]
donde: \(y_{i}\) representa la respuesta del testigo en la parcela \(i\), \(X_i\) es el número de posición de la parcela en el experimento, y \(\beta_0\) y \(\beta_1\) coeficientes de regresión.
6.1.2 Corrección por materia grasa
Los rendimiento secos observados se corrigieron por el % de materia grasa mediante la siguiente expresión:
\[ y^* = \left( \dfrac{2(MG - 42)}{100} + 1 \right) \times y \]
donde: \(y\) y \(y^*\) son el rendimiento real y corregido por materia grasa (\(MG\))
Las determinaciones de materia grasa se realizaron por el método de resonancia magnética (NMR) utilizando un equipo SPILNOCK.
6.1.3 Estadísticas descriptivas
Se calcularon estadísticas de resumen y gráficos descriptivos por genotipo y localidad para las variables respuesta rendimiento seco (kg ha-1), materia grasa (%) y rendimiento seco corregido por materia grasa (kg ha-1).
El promedio de cada genotipo en la red se calculó utilizando la siguiente expresión:
\[ \bar{y}_i = \dfrac{\sum y_{ij}}{n_i} \]
donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\), \(y_{ij}\) es el rendimiento del genotipo \(i\) en la localidad \(j\) y \(n_i\) es el número de localidades donde fue evaluado el genotipo \(i\). En aquellos casos donde se contó con más de una franja por localidad, los datos fueron promediados dentro de cada localidad. Así mismo el coeficiente de variación (\(CV\)) de cada genotipo en la red se calculó mediante la siguiente expresión:
\[ CV_{{y}_i} = \dfrac{s_{y_i}}{\bar{y}_i} \times 100 \]
donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\) y \(s_{y_{i}}\) es el desvío estándar de los rendimientos del genotipo \(i\) a través de las localidades:
\[ s_{y_i} = \sqrt{\dfrac{\sum \left(y_{ij} - \bar{y}_i \right)^2}{n_i -1}} \]
Las estadísticas anteriores se expresaron en valores absolutos y relativos al promedio de la localidad.
6.1.4 Diferencias de rendimiento
Para comparar y determinar las diferencias de respuesta de los materiales evaluados a nivel región se ajustó a los datos un modelo lineal mixto, i.e. con efectos fijos y aleatorios sobre el rendimiento medio global de la Red. Los genotipos y el stand de plantas fueron considerados efectos fijos y las localidades efectos aleatorios:
\[ y^*_{ij} = \mu + \tau_i + \rho_j + l_j + e_{ij} \]
donde: \(y^*_{ij}\) representa la respuesta del genotipo \(i\) sembrado en la localidad \(j\), corregido por efecto de la posición de la parcela en caso necesario; \(\mu\) es la media general de los ensayos de la red, \(\tau_i\) es efecto o diferencia del genotipo \(i\) respecto a la media general del ensayo, \(\rho_i\) es efecto de la relación stand de plantas y rendimiento en la localidad \(j\), \(l_j\) el efecto de la localidad \(j\), y \(e_{ij}\) el error experimental asociado al genotipo \(i\) sembrado en la localidad \(j\). Se asume que \(l_j\) como \(e_{ij}\) son independientes y tienen distribución normal con media 0 y varianza \(\sigma^2_l\) y \(\sigma^2_e\).
Este modelo asume que los niveles de Localidad son una muestra aleatoria de las localidades de la Región Norte y permite realizar inferencia más amplia sobre la respuesta de los genotipos. Debido a que los testigos fueron las únicas variedades replicadas, la interacción Genotipo:Localidad representaría la heterogeneidad de dicho genotipo dentro de cada Localidad por lo tanto no fue estimada (Piepho et al., 2012).
Las diferencias de rendimiento entre genotipos se determinaron mediante la prueba de comparaciones múltiples de Tukey, considerando un nivel de significancia de 10%.
6.1.5 Análisis interacción genotipo x ambiente
Para explorar los patrones de interacción GA se utilizó el procedimiento de regresión sobre la media (Finlay y Wilkinson, 1963)
La heterogeneidad ambiental explorada por los genotipos considerados en la red se caracterizó mediante los rendimientos medios de cada Localidad. Esta covariable denominada Índice Ambiental (IA) fue utilizada para modelar la interacción GA a partir del siguiente modelo:
\[ y_{ij} = \mu_i + \beta_i X_j + e_{ij} \]
donde: \(y_{ij}\) es el rendimiento del genotipo \(i\) en el ambiente o localidad \(j\), \(\mu_i\) es la ordenada al origen de cada genotipo, \(X_j\) el índice ambiental de la localidad \(j\), y \(\beta_i\) la pendiente o sensibilidad del genotipo \(i\) a los cambios del IA.
Según este modelo, \(\mu_i\) representa el comportamiento de los genotipos en el ambiente promedio y los coeficientes \(\beta_i\) la sensibilidad de los Genotipos a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. Entonces, si la interacción GA es significativa representa la heterogeneidad de respuestas, i.e. \(\beta\) distintos para los genotipos. El valor de \(\beta\) indica la sensibilidad el genotipo a los cambios de calidad del ambiente. Si \(\beta_i > 1\) indica que el genotipo \(i\) tiene una respuesta mayor al promedio (a mayor calidad ambiental, mayor rendimiento), en cambio si \(\beta_i < 1\), entonces el genotipo responde menos.
Para complementar este análisis, se realizó el mismo procedimiento combinando los datos de últimas campañas. La Tabla 6.1 muestra el número de genotipos presentes en todas las localidades de las últimas campañas.
| Campañas | Número de genotipos |
|---|---|
| 2021/22 | 15 |
| 2020/21, 2021/22 | 9 |
| 2019/20, 2020/21, 2021/22 | 2 |
| 2018/19, 2019/20, 2020/21, 2021/22 | 0 |
| 2017/18, 2018/19, 2019/20, 2020/21, 2021/22 | 0 |
De los 0 genotipos evaluados durante las últimas 5 campañas, sólo 9 estuvieron en todos los ambientes conformados por la interacción Campaña:Localidad de las campañas 2021/22 y 2020/21. Estos genotipos fueron utilizados para el análisis. Si bien el criterio de inclusión reduce la cantidad de genotipos se incrementa la potencia para detectar patrones de interacción.
6.2 Software
Los datos fueron procesados utilizando el software estadístico R versión 4.1 (R Core Team, 2021) y los paquetes nlme (Pinheiro et al., 2018), emmeans (Lenth, 2019), tidyverse (Wickham, 2017) y plotly (Sievert, 2020).
7 Bibliografía
Finlay, K. W., and Wilkinson, G.N. (1963). The analysis of adaptation in a plant-breeding programme. Aust. J. Agric. Res. 14, 742–754.
Kempton, R.A. (Ed) (1997). Statistical methods for plant variety evaluation. Plant breeding series. Chapman & Hall, London. pp. 191.
Lenth, R. (2019). emmeans: Estimated Marginal Means, aka Least-Squares Means. R package version 1.3.3. https://CRAN.R-project.org/package=emmeans
Malosetti, Marcos, Jean-Marcel Ribaut, and Fred A. van Eeuwijk. 2013. “The Statistical Analysis of Multi-Environment Data: Modeling Genotype-by-Environment Interaction and Its Genetic Basis.” Frontiers in Physiology 4 (March). doi:10.3389/fphys.2013.00044.
Piepho, H.P., C. Richter, J. Spilke, K. Hartung, A. Kunick, and H. Thöle. 2011. Statistical aspects of on-farm experimentation. Crop and Pasture Science 62(9): 721.
Pinheiro J, Bates D, DebRoy S, Sarkar D, R Core Team (2018). nlme: Linear and Nonlinear Mixed Effects Models. R package version 3.1-137, URL: https://CRAN.R-project.org/package=nlme.
R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
Sievert, C. (2020) Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC Florida.
Wickham, H. (2017). tidyverse: Easily Install and Load the ‘Tidyverse’. R package version 1.2.1. https://CRAN.R-project.org/package=tidyverse
Yan, W.; Kang, M. S. (2002). GGE Biplot Analysis: A Graphical Tool for Breeders, Geneticists, and Agronomists. 1st edition. CRC Press. pp. 288.
