Informe de Resultados Red Multiambiental de Evaluación de híbridos de Girasol 2023/24
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 2023/24.
Analizar estadísticamente los datos comparando los genotipos globalmente en toda la red en la campaña 2023/24.
Explorar y describir los patrones de la interacción GA en la campaña 2023/24 en particular y considerando el conjunto de ambientes explorados en las distintas localidades y campañas.
2 Metodología
2.1 Sitios experimentales
Durante la campaña 2023/24 se llevaron adelante ensayos comparativos de rendimiento de genotipos de girasol en 4 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 2023/24.
Figura 2.1: Distribución espacial de las localidades incluidas en la campaña 2023/24 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 entre 4.16 y 5.72 m de ancho por entre 170 y 185 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 2023/24 y serie 1945/2020 del EEA INTA Reconquista
Se observan precipitaciones mensuales similares o por encima del promedio histórico en todas las localidades durante los meses Septiembre - Noviembre. Los totales mensual de agosto fueron inferiores al histórico salvo en la localidad Campo Bonazzola, donde el total mensual duplicó el histórico. Salvo la localidad Margarita, donde las precipitaciones de Diciembre fueron similares al promedio, en el resto de las localidades se observaron totales muy por encima de la serie EEA Reconquista 1945-2020, llegando a registrarse 100 o 200% por encima del promedio histórico. Los totales precipitados en la campaña para Margarita fue casi un tercio de Campo Bonazzola.
En cuanto a la marcha del régimen térmico, en ninguna de las localidades se registraron heladas tardías. Por otro lado, el número de días numblados (promedio de nubosidad > 75%) se resumen en la siguiente tabla.
| Localidad | 2023-Aug | 2023-Sep | 2023-Oct | 2023-Nov | 2023-Dec | 2024-Jan |
|---|---|---|---|---|---|---|
| Bajada 213-Calchaquí | 1 | 12 | 14 | 14 | 0 | 0 |
| Campo Bonazzola | 3 | 11 | 12 | 14 | 0 | — |
| Gómez Cello | — | 0 | 14 | 14 | 0 | 0 |
| Margarita | 1 | 12 | 14 | 14 | 0 | 0 |
En todas las localidades se registraron entre 10-15 días nublados durante los meses Septiembre y Octubre.
2.3 Genotipos
Los tratamientos evaluados en la campania 2023/24 fueron 23 genotipos. En la Tabla 2.2 se indican las localidades en las que fueron evaluados.
| Semillero | Genotipo | Localidades | |||
|---|---|---|---|---|---|
| Bajada 213-Calchaquí | Campo Bonazzola | Gómez Cello | Margarita | ||
 |
ACA 216 CLDM | ||||
|
ACA 220 CL | ||||
 |
ADV 5407 CL | ||||
|
ADV 5505 CL | ||||
 |
INSUN 4B2210 CL | ||||
 |
BRV 4225 CL | ||||
 |
CACIQUE 2.23 CL PLUS | ||||
|
CACIQUE 322 CL | ||||
 |
NK 3969 CL | ||||
|
SY 3939 CL | ||||
|
SY 3970 CL | ||||
 |
NS 1109 CL | ||||
|
NS 1113 CL | ||||
|
NS 1115 CL | ||||
 |
NUSOL 4175 CL | ||||
|
P 1800 CL PLUS | ||||
 |
EXP ORISOL 740 CLDM | ||||
|
ORI 730 CL | ||||
 |
RGT CABILLDO CL | ||||
|
RGT OBELLISCO CL | ||||
 |
SPS 3125 CL | ||||
 |
ZT 74H55CL | ||||
|
ZT 74L68CL | ||||
La mayoría de los genotipos estuvieron presentes en las 4 localidades. El genotipo SY 3970 CL actuó como referencia o check, con más de una réplica por localidad salvo en Gómez Cello donde no fue evaluado y el material SY 3939 CL actuó como referencia o check.
Para el análisis global se utilizaron los datos de todos los genotipos 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 | Genotipo | media | CV | min | max |
|---|---|---|---|---|---|
| Bajada 213-Calchaquí | SY 3970 CL | 2744 | 11 | 2312 | 3113 |
| Campo Bonazzola | SY 3970 CL | 2174 | 13 | 1974 | 2608 |
| Gómez Cello | SY 3939 CL | 2334 | 3 | 2220 | 2393 |
| Margarita | SY 3970 CL | 2552 | 10 | 2148 | 2835 |
En general la variabilidad observada en los controles repetidos fue baja indicando homogeneidad en las condiciones experimentales dentro de cada sitio. En las localidades Gómez Cello se presentó el mayor nivel de homogeneidad entre las parcelas testigo. Las demás localidades presentaron CV entre 10 y 14% pero sin 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 (%) |
|---|---|---|
| Bajada 213-Calchaquí | 48796 | 5 |
| Campo Bonazzola | 40885 | 10 |
| Gómez Cello | 53060 | 10 |
| Margarita | 47296 | 6 |
En general el stand mostró baja variación dentro de las localidades, con promedios de alrededor de 47000 plantas y CV en torno al 5-10%.
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, en torno a los 2000 kg/ha. La localidad con mayor variación de rendimientos fue Margarita, siendo el sitio más afectado por roya negra (ver Apéndice 7.1), mientras que en Campo Bonazzola los renidmientos fueron menos variables pero con niveles por debajo de 2000 kg/ha. Por otro lado, las parcelas con checks mostraron rendimientos iguales o superiores 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 cuanto a la Materia Grasa, la tendencia fue similar a los rendimientos pero con niveles de variabilidad similares y contenidos de MG oscilaron en torno al 53%, siendo Margarita la de menor promedio (~ 52%).
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 1000 y 2600 kg ha-1, con el genotipo NK 3969 CL superando los 2500 kg ha-1. La amplitud de las barras de cada material representan las diferencias de variabilidad entre ambientes la cual fue relativamente baja, salvo para CACIQUE 2.23 CL PLUS y P 1800 CL PLUS.
3.3.2 Materia grasa (%MG)
Figura 3.4: Contenido de MG medio y desvio estándar de los genotipos
En cuanto al contenido promedio de %MG, los promedios de cada genotipo variaron entre ente 50 y 56%, siendo NS 1113 CL, NK 3969 CL y ADV 5407 CL los que superaron los 55%. En contrapartida, el material EXP ORISOL 740 CLM presentó valores de MG consistentemente muy inferiores al resto, alrededor de 45%.
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 rendimiento 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
| Localidad | Promedio | CV | ||||
|---|---|---|---|---|---|---|
| Bajada 213-Calchaquí | Campo Bonazzola | Gómez Cello | Margarita | |||
| NK 3969 CL | 124 (2912) | 106 (1936) | 146 (2846) | 137 (2976) | 128 (2668) | 14 (18) |
| SY 3939 CL | 137 (3203) | 110 (2001) | 120 (2334) | 125 (2720) | 123 (2564) | 9 (20) |
| SY 3970 CL | 117 (2744) | 119 (2174) | — | 118 (2552) | 118 (2490) | 1 (12) |
| BRV 4225 CL | 99 (2321) | 125 (2276) | 123 (2402) | 124 (2685) | 118 (2421) | 11 (8) |
| ACA 216 CLDM | 118 (2757) | 90 (1647) | 133 (2587) | 123 (2682) | 116 (2418) | 16 (21) |
| NS 1115 CL | 103 (2405) | 105 (1918) | 140 (2738) | 113 (2445) | 115 (2376) | 15 (14) |
| ADV 5505 CL | 115 (2692) | 104 (1890) | 111 (2172) | 117 (2535) | 112 (2322) | 5 (16) |
| CACIQUE 2.23 CL PLUS | 119 (2791) | 86 (1562) | 98 (1913) | 136 (2960) | 110 (2306) | 20 (29) |
| NS 1113 CL | 124 (2894) | 105 (1909) | 96 (1863) | 111 (2416) | 109 (2270) | 11 (21) |
| ACA 220 CL | 116 (2712) | 104 (1904) | 102 (1989) | 113 (2452) | 109 (2264) | 6 (17) |
| RGT CABILLDO CL | 111 (2605) | 88 (1607) | 119 (2311) | 114 (2479) | 108 (2250) | 13 (20) |
| NUSOL 4175 CL | 118 (2757) | 105 (1922) | 80 (1557) | 118 (2552) | 105 (2197) | 17 (25) |
| SPS 3125 CL | 108 (2525) | 74 (1342) | 115 (2233) | 114 (2478) | 103 (2144) | 19 (26) |
| NS 1109 CL | 96 (2248) | 105 (1920) | 94 (1835) | 110 (2395) | 101 (2100) | 7 (13) |
| ZT 74H55CL | 107 (2514) | 111 (2019) | 85 (1659) | 85 (1836) | 97 (2007) | 14 (18) |
| ADV 5407 CL | 93 (2171) | 93 (1701) | 76 (1486) | 118 (2553) | 95 (1978) | 18 (24) |
| ZT 74L68CL | 93 (2168) | 107 (1947) | 95 (1853) | 69 (1503) | 91 (1868) | 17 (15) |
| ORI 730 CL | 78 (1835) | 86 (1564) | 84 (1628) | 84 (1835) | 83 (1716) | 4 (8) |
| INSUN 4B2210 CL | 63 (1482) | 86 (1571) | 81 (1575) | 101 (2188) | 83 (1704) | 19 (19) |
| RGT OBELLISCO CL | 71 (1667) | 104 (1894) | 104 (2022) | 47 (1021) | 82 (1651) | 34 (27) |
| EXP ORISOL 740 CLDM | 64 (1503) | 80 (1460) | 101 (1962) | 55 (1195) | 75 (1530) | 27 (21) |
| P 1800 CL PLUS | 77 (1801) | 121 (2213) | 50 (975) | 39 (837) | 72 (1456) | 51 (45) |
| CACIQUE 322 CL | 47 (1109) | 88 (1597) | 48 (942) | 30 (656) | 53 (1076) | 46 (37) |
| Promedio | 100 (2340) | 100 (1825) | 100 (1949) | 100 (2172) | — | — |
El nivel de variabilidad de los genotipos a través de los ambientes mostró valores bajos (< 25%) en los datos expresados en rendimiento absoluto corregido por 42% de MG. Aproximadamente el 50% de los genotipos tuvo CV de rendimiento entre 15 y 24%. Al considerar los valores relativos, la variabilidad se reduce (el 50% de los híbridos pasa a tener CV entre 10 y 19%), ya que se remueve en parte el efecto de la variación entre localidades.
Los materiales NS 3969 CL, SY 3939 CL y SY 3970 CL se ubicaron entre los primeros a nivel global y en la mayoría de los ambientes. El resto mostró cambios en la posición dentro de cada localidad. Por ejemplo, CACIQUE 2.23 CL PLUS estuvo entre los primeros en 2 localidades pero mostró rendimiento casi 20% inferior en Campo Bonazzola.
3.4.2 Materia grasa (%MG)
| Localidad | Promedio | CV | ||||
|---|---|---|---|---|---|---|
| Bajada 213-Calchaquí | Campo Bonazzola | Gómez Cello | Margarita | |||
| ADV 5407 CL | 105 (57) | 104 (55) | 106 (56) | 108 (56) | 106 (56) | 2 (1) |
| NK 3969 CL | 107 (58) | 102 (54) | 106 (56) | 108 (56) | 106 (56) | 2 (3) |
| NS 1113 CL | 105 (57) | 106 (56) | 106 (56) | 108 (56) | 106 (56) | 1 (1) |
| CACIQUE 2.23 CL PLUS | 107 (58) | 106 (56) | 104 (55) | 101 (52) | 104 (55) | 3 (5) |
| RGT CABILLDO CL | 102 (55) | 102 (54) | 104 (55) | 106 (55) | 104 (55) | 2 (1) |
| SY 3939 CL | 103 (56) | 104 (55) | 104 (55) | 104 (54) | 104 (55) | (1) |
| SY 3970 CL | 103 (56) | 102 (54) | — | 104 (54) | 103 (55) | 1 (2) |
| BRV 4225 CL | 102 (55) | 100 (53) | 102 (54) | 106 (55) | 102 (54) | 2 (2) |
| SPS 3125 CL | 103 (56) | 102 (54) | 102 (54) | 101 (52) | 102 (54) | 1 (3) |
| ZT 74H55CL | 102 (55) | 104 (55) | 102 (54) | 99 (51) | 102 (54) | 2 (4) |
| ACA 220 CL | 100 (54) | 98 (52) | 100 (53) | 101 (52) | 100 (53) | 1 (2) |
| ADV 5505 CL | 105 (57) | 98 (52) | 100 (53) | 97 (50) | 100 (53) | 4 (6) |
| NUSOL 4175 CL | 102 (55) | 98 (52) | 100 (53) | 99 (51) | 100 (53) | 2 (3) |
| INSUN 4B2210 CL | 100 (54) | 98 (52) | 98 (52) | 99 (51) | 99 (52) | 1 (2) |
| NS 1109 CL | 100 (54) | 98 (52) | 98 (52) | 99 (51) | 99 (52) | 1 (2) |
| NS 1115 CL | 98 (53) | 98 (52) | 98 (52) | 101 (52) | 99 (52) | 2 (1) |
| ACA 216 CLDM | 98 (53) | 100 (53) | 98 (52) | 97 (50) | 98 (52) | 1 (3) |
| ZT 74L68CL | 98 (53) | 100 (53) | 98 (52) | 95 (49) | 98 (52) | 2 (4) |
| RGT OBELLISCO CL | 96 (52) | 98 (52) | 98 (52) | 97 (50) | 97 (52) | 1 (2) |
| CACIQUE 322 CL | 94 (51) | 98 (52) | 96 (51) | 95 (49) | 96 (51) | 2 (2) |
| ORI 730 CL | 94 (51) | 96 (51) | 96 (51) | 95 (49) | 95 (50) | 1 (2) |
| P 1800 CL PLUS | 92 (50) | 96 (51) | 95 (50) | 97 (50) | 95 (50) | 2 (1) |
| EXP ORISOL 740 CLDM | 85 (46) | 87 (46) | 85 (45) | 85 (44) | 86 (45) | 1 (2) |
| Promedio | 100 (54) | 100 (53) | 100 (53) | 100 (52) | — | — |
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, NK 3969 CL y NS 1113 CL mostraron contenidos en torno al 6% superior la promedio, y bastante consistentes a través de las localidades. Se observa que en Margarita la mayoría de los materiales tuvo contenidos de MG por encima del 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 2023/24.
Figura 3.5: Rendimiento seco medio corregido a 42% MG (en kg/ha) y CV (%) de los genotipos evaluados en la campaña 2023/24
Tomando el rendimiento y CV medios de la red (líneas punteadas), se observa que los genotipos con altos rendimientos promedio mostraron una variabilidad menor al 15%. De los dos materiales con rendimientos relativos más altos (NK 3969 CL = 129, SY 3939 CL = 124), la menor variabilidad fuye para SY 3939 CL. En el otro extremo CACIQUE 322 CL y P 1800 CL PLUS mostraron rendiminetos menores al 70% del promedio y dos veces más variables.
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 | F | Valor p | |
|---|---|---|---|
| (Intercept) | 1 | 2,714.96 | 0.00000 |
| Localidad | 3 | 8.16 | 0.00011 |
| Genotipo | 22 | 4.36 | 0.00000 |
Se detectaron diferencias de rendimiento estadísticamente significativas considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p < 0.0001). En cambio el efecto del stand de plantas no fue significativo al 10% (p = 0.42). 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 4 localidades analizadas y la precisión alcanzada según el número de réplicas.
| Rend. medio | Error estándar | gl | LI IC90 | LS IC90 | grupo | |
|---|---|---|---|---|---|---|
| NK 3969 CL | 2668 | 190 | 65 | 2351 | 2984 | a |
| SY 3939 CL | 2565 | 190 | 65 | 2248 | 2881 | ab |
| SY 3970 CL | 2454 | 220 | 65 | 2086 | 2821 | abcd |
| BRV 4225 CL | 2421 | 190 | 65 | 2105 | 2737 | abc |
| ACA 216 CLDM | 2418 | 190 | 65 | 2102 | 2735 | abc |
| NS 1115 CL | 2377 | 190 | 65 | 2060 | 2693 | abcd |
| ADV 5505 CL | 2322 | 190 | 65 | 2006 | 2639 | abcd |
| CACIQUE 2.23 CL PLUS | 2307 | 190 | 65 | 1990 | 2623 | abcd |
| NS 1113 CL | 2271 | 190 | 65 | 1954 | 2587 | abcd |
| ACA 220 CL | 2264 | 190 | 65 | 1948 | 2581 | abcd |
| RGT CABILLDO CL | 2251 | 190 | 65 | 1934 | 2567 | abcd |
| NUSOL 4175 CL | 2197 | 190 | 65 | 1881 | 2513 | abcd |
| SPS 3125 CL | 2145 | 190 | 65 | 1828 | 2461 | abcd |
| NS 1109 CL | 2100 | 190 | 65 | 1783 | 2416 | abcd |
| ZT 74H55CL | 2007 | 190 | 65 | 1691 | 2323 | abcde |
| ADV 5407 CL | 1978 | 190 | 65 | 1661 | 2294 | abcde |
| ZT 74L68CL | 1868 | 190 | 65 | 1551 | 2184 | abcde |
| ORI 730 CL | 1716 | 190 | 65 | 1399 | 2032 | bcde |
| INSUN 4B2210 CL | 1704 | 190 | 65 | 1388 | 2020 | bcde |
| RGT OBELLISCO CL | 1651 | 190 | 65 | 1335 | 1967 | bcde |
| EXP ORISOL 740 CLDM | 1530 | 190 | 65 | 1214 | 1846 | cde |
| P 1800 CL PLUS | 1457 | 190 | 65 | 1140 | 1773 | de |
| CACIQUE 322 CL | 1076 | 190 | 65 | 760 | 1392 | e |
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 NK 3969 CL, con un rendimeinto global entre 2352 y 2983 kg ha-1, con el grupo comprendido entre ORI 730 CL y CACIQUE 322 CL, cuyos rendimientos medios fueron entre 1076 y 1716 kg ha-1. No se detectaron diferencias significativas entre los materiales comprendidos entre NK 3969 CL y ZT 74L68 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 | 3 | 3614310.16 | 1204770.05 | 9.68 | <0.0001 |
| Genotipo | 22 | 13784857.53 | 626584.43 | 5.03 | <0.0001 |
| Genotipo:IA | 22 | 3994379.60 | 181562.71 | 1.46 | 0.1429 |
| Residuals | 43 | 5354268.31 | 124517.87 |
Según este análisis, no se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.25). Esto implica que las diferencias de sensibilidad observadas no resultaron en variaciones significativas de las pendientes de la relación IA y rendimiento en el rango de valores de IA explorados.
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 ADV 5407 CL, ADV 5505 CL, NK 3969 CL, ACA 220 CL, RGT CABILLDO CL, ACA 216 CLDM, NS 1113 CL, SPS 3125 CL, NUSOL 4175 CL, SY 3939 CL, y CACIQUE 2.23 CL PLUS mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, RGT OBELLISCO CL, CACIQUE 322 CL, P 1800 CL PLUS, EXP ORISOL 740 CLDM, ZT 74L68CL, INSUN 4B2210 CL, BRV 4225 CL, NS 1115 CL, y ORI 730 CL fueron los materiales con menor sensibilidad (pendientes 25% menores a 1). No obstante, sólo en los materiales CACIQUE 2.23 CL PLUS, CACIQUE 322 CL, y RGT OBELLISCO 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 fueron consistentemente superiores a 1, indicando mayor sensibilidad.
3.6.2 Últimas tres campañas
Al considerar los ambientes evaluados en las últimas 3 campañas (combinacion localidad x campaña), sólo 9 genotipos estuvieron presentes en los 14 ambientes explorados en las últimas 3 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 | 10 | 44829372.27 | 4482937.23 | 34.02 | <0.0001 |
| Genotipo | 8 | 11887488.38 | 1485936.05 | 11.28 | <0.0001 |
| Genotipo:IA | 9 | 14627803.91 | 1625311.55 | 12.34 | <0.0001 |
| Residuals | 98 | 12912112.87 | 131756.25 |
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 genotipos 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 |
|---|---|---|---|---|---|
| NK 3939 CL | 1.24 | 0.14 | 108 | 0.96 | 1.53 |
| RGT CABILLDO CL | 1.19 | 0.14 | 108 | 0.90 | 1.47 |
| NK 3969 CL | 1.09 | 0.14 | 108 | 0.81 | 1.38 |
| NS 1109 CL | 1.06 | 0.14 | 108 | 0.78 | 1.35 |
| ACA 216 CLDM | 1.00 | 0.14 | 108 | 0.71 | 1.28 |
| RGT OBELLISCO CL | 0.98 | 0.14 | 108 | 0.70 | 1.27 |
| ADV 5407 CL | 0.93 | 0.14 | 108 | 0.64 | 1.21 |
| CACIQUE 322 CL | 0.87 | 0.14 | 108 | 0.59 | 1.16 |
| ADV 5505 CL | 0.77 | 0.14 | 108 | 0.48 | 1.05 |
Según la tabla anterior se observa que los materiales SYN 3939 CL y SYN 3970 CL tuvieron un valor de sensibilidad significativamente superior la norma general (recta 1:1). Por el otro lado, ADV 5505 CL y CACIQUE 320 CL, se caracterizaron por tener mayor estabilidad, con valores de sensibilidad en torno a 0.75.
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 3 campañas
Según el gráfico anterior se observa la menor pendiente de ADV 5505 CL y mayor pendiente de NK 3939 CL. En este caso, estos materiales se diferencian en su respuesta a los ambientes de mayor potencial. En ambientes de bajo potencial, el material ADV 5505 CL presentó rendimientos mayores, mientras que para ambientes de mayor potencial fue superado por NK 3939 CL. También se observa un mayor rendimiento medio y sensibilidad de NK 3939 CL. En este caso, el rendimiento es superior al promedio general (linea punteada) en todo el rango de ambientes explorados, a su vez, aumenta a mayor calidad del ambiente. En contraste, materiales como CACIQUE 322 CL y RGT OBELLISCO CL tuvieron valores de sensibilidad similares al promedio pero con rendimientos por debajo de la media en todo el ragno de ambientes.
4 Consideraciones finales
En general se observó una moderada a bajo variabilidad de los rendimientos de cada genotipo a través de las distintas localidades evaluadas. También se observó moderada-baja heterogeneidad de respuesta dentro de cada localidad reflejada por los testigos. A nivel global se detectaron diferencias mayores a 900 kg ha-1 entre NK 3969 CL y el grupo conformado por ORI 730 CL, INSUN 4B2210 CL, RGT OBELLISCO CL, EXP ORISOL 740 CLDM, P 1800 CL PLUS y CACIQUE 322 CL.
En el estudio de la interacción GA de la campaña actual no detectó diferencias significativas respecto al patrón de respuesta promedio, aunque algunos genotipos mostraron coeficientes de sensibilidad por encima y por debajo del 25%. En cambio el análisis de las ultimas tres campañas, con 9 genotipos se observó algunas diferencias significativas en los patrones siendo NK 3939 CL y RGT CABILLDO CL los mas sensibles, y ADV 5505 CL y CACIQUE 322 CL, los mas estables.
5 Agradecimientos
A las empresas semilleras: A.C.A., Advanta, Basf, Brevant, El Cencerro, Nidera, NK, Nuseed, Origo Semillas, R.A.G.T., SPS, y Zeta Semillas, 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.
6 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.
7 Apéndice
7.1 Evaluación Roya Negra
En el sitio Margarita se llevó a cabo evaluación sanitaria de Roya Negra (Puccinia helianthi) registrando valores de severidad en escala 0-5.
| Genotipo | Semillero | Severidad | Rendimiento relativo |
|---|---|---|---|
| NK 3969 CL | NK | 0% |
100% |
| CACIQUE 2.23 CL PLUS | El Cencerro | 0% |
99.5% |
| SYN 3970 CL | NK | 0% |
95.2% |
| SYN 3970 CL | NK | 0% |
91.9% |
| SYN 3939 CL | NK | 0% |
91.4% |
| BRV 4225 CL | Brevant | 0% |
90.2% |
| ACA 216 CLDM | ACA | 0% |
90.1% |
| ADV 5407 CL | Advanta | 0% |
85.8% |
| NUSOL 4175 CL | Nuseed | 0% |
85.7% |
| ADV 5505 CL | Advanta | 0% |
85.2% |
| SYN 3970 CL | NK | 0% |
84.8% |
| SYN 3970 CL | NK | 0% |
84.6% |
| RGT CABILLDO CL | R.A.G.T | 0% |
83.3% |
| SPS 3125 CL | SPS | 0% |
83.3% |
| ACA 220 CL | ACA | 0% |
82.4% |
| NS 1115 CL | Nidera | 0% |
82.1% |
| NS 1113 CL | Nidera | 25% |
81.2% |
| NS 1109 CL | Nidera | 0% |
80.5% |
| INSUN 4B2210 CL | Basf | 25% |
73.5% |
| SYN 3970 CL | NK | 0% |
72.2% |
| ZT 74H55CL | Zeta Semillas | 50% |
61.7% |
| ORI 730 CL | RuralCo | 25% |
61.6% |
| ZT 74L68CL | Zeta Semillas | 75% |
50.5% |
| EXP ORISOL 740 CLDM | RuralCo | 100% |
40.1% |
| RGT OBELLISCO CL | R.A.G.T | 100% |
34.3% |
| P 1800 CL PLUS | Nuseed | 100% |
28.1% |
| CACIQUE 322 CL | El Cencerro | 100% |
22% |
7.2 Análisis estadístico
7.2.1 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.
7.2.2 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.
Aclaración: dado que las muestras de localidad
Gómez Cellotodavía están en análisis, para el presente informe los rendimientos de dicha localidad se corrigieron utilizando la información de las localidades restantes.
7.2.3 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.
7.2.4 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 genotipos replicados, 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%.
7.2.5 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 7.2 muestra el número de genotipos presentes en todas las localidades de las últimas campañas.
| Campañas | Número de genotipos |
|---|---|
| 2023/24 | 22 |
| 2022/23, 2023/24 | 13 |
| 2021/22, 2022/23, 2023/24 | 9 |
| 2020/21, 2021/22, 2022/23, 2023/24 | 5 |
| 2019/20, 2020/21, 2021/22, 2022/23, 2023/24 | 1 |
| 2018/19, 2019/20, 2020/21, 2021/22, 2022/23, 2023/24 | 0 |
| 2017/18, 2018/19, 2019/20, 2020/21, 2021/22, 2022/23, 2023/24 | 0 |
7.3 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).
a la potencia para detectar patrones de interacción.
7.4 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).
