1 Introducción

El cultivo de maíz (Zea mays) es uno de los más importantes en los sistemas productivos de la región. La alta producción de biomasa de este cultivo genera un importante aporte de C al suelo. Además, su inclusión en la rotación disminuye la incidencia de enfermedades y plagas en otros cultivos.

El rendimiento de un cultivo (fenotipo) es función del resultado acumulativo de numerosos factores que inciden en la interacción entre la expresión del material genético del híbrido o cultivar (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 tengan mal desempeño en otro. Es por ello que en presencia de fuerte interacción GA, gran parte del éxito productivo del cultivo de maiz 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 maiz evaluadas en la Red CREA RNSF de Ensayos Multiambientales durante la campaña 2022/23.
Analizar estadísticamente los datos comparando los genotipos globalmente en toda la red en la campaña 2022/23.
Explorar y describir los patrones de la interacción GA en la campaña 2022/23 en particular y considerando el conjunto de ambientes explorados en las distintas localidades y campañas.

2 Metodología

2.2 Condiciones climáticas

Figura 2.2: Precipitaciones mensuales totales por localidad durante la campaña 2022/23 y serie 1945/2020 del EEA INTA Reconquista

Se observa que en general, durante toda la campaña, en todas las localidades el total de lluvias mensuales fue menor que la serie histórica, especialmente en el período crítico del cultivo. En Ceres, las pecipitaciones al inicio (enero) fueron ligeramente superiores al promedio pero con marcado deficit en febrero y marzo. En Curupaity y Ceres, las preicipitaciones de mayo fueron superiores al promedio histórico.

En cuanto a la marcha del régimen térmico, en ninguna de las localidades se registraron heladas tempranas. Al inicio del ciclo se registró un periódo de altas temperaturas sostenidas durante varios días.

2.3 Genotipos

Los tratamientos evaluados en la campania 2022/23 fueron 27 genotipos. En la Tabla 2.1 se indican las localidades en las que fueron evaluados.

Tabla 2.1: Cultivares evaluadas y localidades en las que fueron incluidas
Semillero	Genotipo	Localidades
Semillero	Genotipo	Ceres	Curupaity	Margarita	Ruta 39	Siete Provincias
	ACA 473 TRECEPTA
	ACA 476 TRECEPTA
	ACA 490 VIP3
	ADV 8115 VT3PRO
	ADV 8122 VT3RPO
	BRV 8380 PWU
	BRV 8421 PWU
	BRV 8472 PWU
	DM 2773 TRECEPTA
	DUO 255 PWU
	FAN 6124
	I799 TRECEPTA
	NXM 1122 PW
	NXM 3123 PWU
	NXM 7123 PWU
	NK 842 VIP3
	NK 855 VIP3
	AX 7818 VIPTERA3
	NS 7921 VIP 3 CL
	ACRUX PWU
	ZEFIR PWU
	P 2021 PWUE
	P 1804 PWU
	P 1833 VYHR
	P 2297 PWU
	SPS 2743 VIP3

La mayoría de los genotipos estuvieron presentes en las 5 localidades. El genotipo NS 7921 VIP3 CL no estuvo presente en la localidad Ruta 39, mientras que el P 1833 VYHR sólo estuvo en la localidad Ceres.

El genotipo P 1804 PWU 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. Cabe mencionar que la localidad Ruta 39 fue descartada producto de las pérdida generalizada de rendimiento descripta anteriormente.

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.

Tabla 3.1: Rendimiento seco medio y coeficiente de variación por localidad de los genotipos utilizados como *check*
Localidad	media	CV	min	max
Ceres	1606	26	1199	2161
Curupaity	7013	12	6200	8443
Margarita	5946	6	5656	6582
Siete Provincias	3798	8	3370	4139

En general la variabilidad observada en el control repetido fue baja indicando homogeneidad en las condiciones experimentales dentro de cada sitio. En la localidad Ceres se observó el menor rendimiento del testigo con mayor variación entre las parcelas con el testigo. La Tabla 3.2 muestra el stand de plantas promedio logrado en las distintas localidades.

Tabla 3.2: Stand de plantas logrado en cada localidad
Localidad	Promedio	CV (%)
Ceres	51568	7
Curupaity	53479	7
Margarita	54739	8
Siete Provincias	43699	9

El stand mostró baja variación dentro de las localidades, con CV en torno al 8%.

3.3 Rendimientos por Genotipo

En la Figura 3.2 se presentan los valores medios y desviaciones estándar de los rendimientos seco 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.

Figura 3.2: Rendimientos medios y desvio estándar de los genotipos, fig.width = 7

En general todos los genotipos presentaron rendimientos medios entre 2100 y 4600 kg ha^-1. La amplitud de las barras de cada material representan las diferencias de variabilidad entre ambientes. Entre los genotipos testeados en los 4 ambientes, DM 2773 TRECEPTA, NK 842 VIP3 y P 1804 PWU tuvieron los rendimientos más altos.

3.4 Rendimientos promedio y CV

En la Tabla 3.3 se presentan los promedios y \(CV\) por Genotipo y Localidad, del rendimiento seco en kg/ha y base 100. Los genotipos están ordenados en función del valor relativo promedio. Los colores están ordenados en función del valor relativo de cada localidad.

Los datos pueden descargarse de los siguientes enlaces: medias_CV_rend_real.xlsx

3.4.1 Tabla rendimiento y CV

Tabla 3.3: Rendimiento seco medio (kg/ha) y coeficiente de variación por genotipo y localidad
	Localidad				Promedio	CV
	Ceres	Curupaity	Margarita	Siete Provincias	Promedio	CV
P 1833 VYHR	156 (2163)	—	—	—	156 (2163)	NA (NA)
NK 842 VIP3	207 (2868)	94 (6252)	113 (5579)	112 (3681)	132 (4595)	39 (34)
ACA 476 TRECEPTA	172 (2387)	108 (7202)	99 (4875)	101 (3330)	120 (4448)	29 (47)
DM 2773 TRECEPTA	121 (1669)	121 (8081)	111 (5473)	102 (3338)	114 (4640)	8 (60)
P 1804 PWU	116 (1606)	105 (7013)	120 (5946)	116 (3798)	114 (4591)	6 (52)
SPS 2743 VIP3	137 (1898)	99 (6613)	115 (5686)	102 (3338)	113 (4384)	15 (49)
I799 TRECEPTA	140 (1934)	118 (7897)	98 (4844)	91 (2994)	112 (4417)	20 (59)
NS 7921 VIP 3 CL	150 (2083)	116 (7733)	87 (4299)	91 (2994)	111 (4277)	26 (58)
ACA 473 TRECEPTA	122 (1687)	129 (8584)	95 (4719)	92 (3030)	110 (4505)	17 (66)
P 2297 PWU	121 (1681)	92 (6112)	101 (4999)	111 (3633)	106 (4106)	12 (46)
ADV 8115 VT3PRO	87 (1209)	116 (7757)	103 (5104)	104 (3414)	102 (4371)	12 (63)
ACRUX PWU	69 (957)	119 (7926)	103 (5075)	112 (3694)	101 (4413)	22 (66)
BRV 8421 PWU	70 (963)	124 (8247)	104 (5165)	101 (3310)	100 (4421)	22 (70)
DUO 255 PWU	104 (1436)	80 (5341)	92 (4551)	121 (3987)	99 (3829)	18 (44)
NXM 3123 PWU	69 (955)	106 (7069)	109 (5380)	100 (3282)	96 (4172)	19 (63)
P 2021 PWUE	70 (963)	95 (6317)	107 (5301)	113 (3703)	96 (4071)	20 (57)
AX 7818 VIPTERA3	120 (1655)	102 (6801)	89 (4422)	70 (2314)	95 (3798)	22 (61)
BRV 8472 PWU	86 (1191)	99 (6590)	96 (4758)	90 (2958)	93 (3874)	6 (60)
ACA 490 VIP3	86 (1189)	89 (5947)	104 (5153)	90 (2965)	92 (3814)	9 (57)
NXM 1122 PW	35 (482)	124 (8267)	103 (5085)	102 (3366)	91 (4300)	43 (76)
BRV 8380 PWU	87 (1202)	60 (4001)	107 (5301)	102 (3338)	89 (3460)	24 (49)
ZEFIR PWU	52 (718)	110 (7313)	89 (4400)	91 (2986)	86 (3854)	28 (72)
NK 855 VIP3	102 (1419)	67 (4445)	95 (4702)	81 (2651)	86 (3304)	18 (47)
NXM 7123 PWU	35 (482)	90 (6024)	100 (4962)	112 (3668)	84 (3784)	40 (64)
ADV 8122 VT3RPO	17 (240)	77 (5153)	99 (4908)	103 (3374)	74 (3419)	54 (66)
FAN 6124	70 (968)	63 (4236)	60 (2959)	92 (3040)	71 (2801)	20 (48)
Promedio	100 (1385)	100 (6677)	100 (4946)	100 (3287)	—	—

El nivel de variabilidad de los genotipos a través de los ambientes mostró valores altos (50%) en los datos expresados en rendimiento absoluto. Aproximadamente el 50% de los genotipos tuvo CV de rendimiento entre 50 y 63%. Al considerar los valores relativos, la variabilidad se reduce (el 50% de los híbridos pasa a tener CV entre 15 y 26%), ya que se remueve en parte el efecto de la variación entre localidades.

En general se observaron cambios en la posición relativa a través de las localidades. En algunos casos, estos cambios fueron pequeños, por ejemplo P 1804 PWU que se mantuvo dentro del grupo de altos rendimientos o intermedio entre los 5 ambientes. En otros casos, genotipos pasaron de grupo superior a valores de rendimiento relativo debajo de 90 o menos (NS 7921 VIP 3 CL).

En relación a P 1833 VYHR, el rendimiento logrado en la única localidad donde fue evaluado representó un 50% sobre el rendimiento promedio de la localidad.

3.4.2 Gráfico

La Figura 3.3 presenta la relación entre los rendimientos promedio 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 2022/23.

Figura 3.3: Rendimiento seco medio corregido a 42% MG (en kg/ha) y CV (%) de los genotipos evaluados en la campaña 2022/23

Tomando el rendimiento y CV medios de la red (líneas punteadas), se observa que los genotipos de mayor rendimiento relativo (> 120) promedio (NK 842 VIP3 y ACA 476 TRECEPTA) mostraron valores de variabilidad moderados a altos (30-40%). Luego el grupo de rendimientos relativo entre 100 y 120 mostro variación entre 10-20%.

3.5 Diferencias entre genotipos

En la Tabla 3.4 se presentan los resultados del análisis de la varianza (ANOVA) del modelo mixto ajustado usando la informacion de los genotipos con al menos tres localidades.

Tabla 3.4: Tabla de Análisis de la Varianza del modelo lineal mixto
	Término	gl num	F	Valor p
1	(Intercept)	1	2,942.92	0.00000
2	Localidad	3	230.73	0.00000
3	Genotipo	24	1.55	0.08002

Se detectaron diferencias de rendimiento estadísticamente significativas al 10% considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p < 0.001). El efecto del stand de plantas fue significativo al 10% (p = 0.5066). En Tabla 3.5 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.

Tabla 3.5: Rendimientos intervalos de confianza 90% ajustados por el modelo-mixto
	Rend. medio	Error estándar	gl	LI IC90	LS IC90	grupo
DM 2773 TRECEPTA	4640	375	72	4016	5265	a
NK 842 VIP3	4595	375	72	3971	5219	a
P 1804 PWU	4591	375	72	3966	5215	a
ACA 473 TRECEPTA	4505	375	72	3881	5129	a
ACA 476 TRECEPTA	4449	375	72	3824	5073	a
BRV 8421 PWU	4421	375	72	3797	5046	a
I799 TRECEPTA	4417	375	72	3793	5042	a
ACRUX PWU	4413	375	72	3789	5037	a
SPS 2743 VIP3	4384	375	72	3759	5008	a
ADV 8115 VT3PRO	4371	375	72	3747	4995	a
NXM 1122 PW	4300	375	72	3676	4924	ab
NS 7921 VIP 3 CL	4277	375	72	3653	4902	ab
NXM 3123 PWU	4172	375	72	3547	4796	abc
P 2297 PWU	4106	375	72	3482	4731	abc
P 2021 PWUE	4071	375	72	3447	4695	abc
BRV 8472 PWU	3874	375	72	3250	4499	abc
ZEFIR PWU	3854	375	72	3230	4479	abc
DUO 255 PWU	3829	375	72	3204	4453	abc
ACA 490 VIP3	3814	375	72	3189	4438	abc
AX 7818 VIPTERA3	3798	375	72	3174	4422	abc
NXM 7123 PWU	3784	375	72	3160	4408	abc
BRV 8380 PWU	3461	375	72	2836	4085	bcd
ADV 8122 VT3RPO	3419	375	72	2794	4043	bcd
NK 855 VIP3	3304	375	72	2680	3929	cd
FAN 6124	2801	375	72	2176	3425	d

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 de 1800 kg entre el primer y último genotipo. Se detectaron las siguientes diferencias entre grupos de materiales:

grupo conformado por genotipos entre DM 2773 TRECEPTA y NXM 7123 PWU, con rendimiento medio entre 4640 y 3784 kg/ha, y el grupo de BRV 8380 PWU a FAN 6124, con rendimientos promedios entre 3461 y 2801 kg/ha.
grupo conformado por genotipos entre NMX 1122 PWU y ADV 8122 VT3PRO, con rendimiento medio entre 4300 y 3419 kg/ha, y el grupo de NK 855 VIP3 a FAN 6124, con rendimientos promedios entre 3304 y 2801 kg/ha.
grupo conformado por genotipos entre NMX 3123 PWU y NK 855 VIP3, con rendimiento medio entre 4172 y 3304 kg/ha, y el material FAN 6124, con rendimientos promedio 2801 kg/ha.

Dentro de cada grupo, las diferencias de rendimientos no fueron estadísticamente significativas a nivel global.

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 3.6 se presenta la tabla de ANOVA del modelo.

Tabla 3.6: Tabla de ANOVA del modelo de regresión para la interacción GxA
Fuente	gl	SC	CM	F	Valor p
Localidad	3	388835984.43	129611994.81	317.66	<0.0001
Genotipo	24	20879245.00	869968.54	2.13	0.0128
Genotipo:IA	24	20861583.80	869232.66	2.13	0.0129
Residuals	48	19584717.52	408014.95

Según este análisis, se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.0129). Esto implica que las diferencias de sensibilidad observadas resultaron en variaciones significativas de las pendientes de la relación IA y rendimiento en el rango de valores de IA explorados.

En la Figura 3.4 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 3.4: 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 ACA 473 TRECEPTA, ACRUX PWU, BRV 8421 PWU, y NXM 1122 PW mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, FAN 6124, BRV 8380 PWU, NK 855 VIP3, NK 842 VIP3, y DUO 255 PWU fueron los materiales con menor sensibilidad (pendientes 25% menores a 1). Sólo las pendientes estimadas para ACRUX PWU, BRV 8421 PWU y NXM 1122 PW, fueron estadísticamente mayores a 1:1. Por el contrario, los materiales que mostraron menor sensibilidad fueron BRV 8380 PWU, DUO 255 PWU, FAN 6124, NK 842 VIP3y NK 855 VIP3.

El siguiente gráfico muestra la relación entre las pendientes estimadas y los rendimientos medios de cada genotipo.

Figura 3.5: Coeficiente de sensibilidad vs rendimiento medio de los genotipos a través de las localidades

Se observa que entre los materiales con mayores rendimiento promedio los valores de sensibilidad fueron superiores 1.

3.6.2 Últimas dos campañas

Al considerar los ambientes evaluados en las últimas 3 campañas (combinacion localidad x campaña), sólo 6 genotipos estuvieron presentes en los 14 ambientes explorados en las últimas 3 campañas. En la Tabla 3.7 se presenta la tabla de ANOVA del modelo de regresión de la media ajustado.

Tabla 3.7: Tabla de ANOVA del modelo de regresión para la interacción GxA últimas 3 campañas.
Fuente	gl	SC	CM	F	Valor p
Localidad	9	304570212.29	33841134.70	54.80	<0.0001
Genotipo	5	6590570.60	1318114.12	2.13	0.0743
Genotipo:IA	6	26388103.91	4398017.32	7.12	<0.0001
Residuals	57	35202831.64	617593.54

Según este análisis la interacción entre los materiales evaluados y el índice ambiental es significativa (p < 0.0001). Esto implica que al menos uno de los genotipos mostró una norma de reacción o sensibilidad diferente al promedio. La Tabla 3.8 muestra los valores de pendiente estimados.

Tabla 3.8: Penidentes estimadas últimas 3 campañas.
Genotipo	Beta	Error estándar	gl	LI IC90	LS IC90
ZEFIR PW/PWU	1.22	0.12	66	0.99	1.45
P 2021 PWU/PWUE	1.11	0.12	66	0.88	1.34
BRV 8472 PWU	1.10	0.12	66	0.87	1.33
BRV 8380 PWU	1.03	0.12	66	0.80	1.26
P 1804 PWU	1.01	0.12	66	0.78	1.24
ACRUX PW/PWU	0.99	0.12	66	0.76	1.22

No obstante, según la tabla anterior las estimaciones de sensibilidad se no se separan de la norma promedio (intervalo de confianza no contiene al 1). Por ejemplo, la pendiente estimada para ZEFIR PW/PWU con un 90% de confianza se encuentra entre 0.99 y 1.45.

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). 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 ultimas 3 campañas

Según el gráfico anterior se observa la mayor pendiente de ZEFIR PW/PWU y menor pendiente de P 1804 PWU aunque con rendimientos más altos en todo el rango.

4 Consideraciones finales

En general se observó una moderada a alta variabilidad de los rendimientos de cada genotipo a través de las distintas localidades evaluadas producto de las condiciones particulares de la campaña. Asimismo, la heterogeneidad de respuesta dentro de cada localidad reflejada por los testigos fue baja en general. A nivel global las diferencias se detectaron diferencias mayores a 1000 kg ha^-1 entre los distintos grupos de materiales. El grupo de mayores rendimientos corresponde los genotipos incluidos entre DM 2773 TRECEPTA y NXM 7123 PWU, con rendimiento medio entre 4640 y 3784 kg/ha,

En el estudio de la interacción GA de la campaña actual se detectó diferencias significativas respecto al patrón de respuesta promedio. La sensibilidad de ACRUX PWU, BRV 8421 PWU y NXM 1122 PW fue mayor al la norma general (recta 1:1), mientras que los materiales que mostraron menor sensibilidad fueron BRV 8380 PWU, DUO 255 PWU, FAN 6124, NK 842 VIP3y NK 855 VIP3.

En el análisis combinado los datos de las últimas tres campañas se observó que los 6 genotipos analizados mostraron heterogeneidad de pendientes al 10%, siendo la mayor pendiente para ZEFIR PW/PWU y menor pendiente de P 1804 PWU aunque con rendimientos más altos en todo el rango.

5 Agradecimientos

A las empresas semilleras: A.C.A., Advanta, Brevant, Don Mario, Duo Semillas, Fan Seeds, Illinois, MacroSeed, Nidera, NK, Nord, Pioneer, y SPS, 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 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 Estadísticas descriptivas

Se calcularon estadísticas de resumen y gráficos descriptivos por genotipo y localidad para la variable respuesta rendimiento seco (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.

6.1.3 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 LSD, considerando un nivel de significancia de 10%.

6.1.4 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.

Tabla 6.1: Número de genotipos presentes en todas las localidades de las últimas campañas
Campañas	Número de genotipos
2022/23	24
2021/22, 2022/23	13
2020/21, 2021/22, 2022/23	6
2019/20, 2020/21, 2021/22, 2022/23	2
2018/19, 2019/20, 2020/21, 2021/22, 2022/23	0
2017/18, 2018/19, 2019/20, 2020/21, 2021/22, 2022/23	0

De los 84 genotipos evaluados durante las últimas 6 campañas, sólo 6 estuvieron en todos los ambientes conformados por la interacción Campaña:Localidad de las campañas 2022/23, 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 Humedad de cosecha

Genotipo	Localidad (Duración ciclo)
Genotipo	Ceres (187 días)	Curupaity (186 días)	Margarita (162 días)	Siete Provincias (143 días)
ACA 473 TRECEPTA	13.8	17.0	19.8	15.7
ACA 476 TRECEPTA	14.6	16.8	21.1	16.6
ACA 490 VIP3	14.9	14.9	20.4	17.5
ACRUX PWU	14.4	16.6	21.6	15.9
ADV 8115 VT3PRO	13.5	15.9	17.4	14.5
ADV 8122 VT3RPO	14.0	17.7	16.6	15.5
AX 7818 VIPTERA3	15.4	16.1	20.9	17.2
BRV 8380 PWU	14.0	15.8	18.1	16.4
BRV 8421 PWU	13.9	15.7	20.2	17.1
BRV 8472 PWU	14.8	15.8	23.0	17.7
DM 2773 TRECEPTA	14.7	17.4	22.5	16.4
DUO 255 PWU	14.4	16.4	18.6	16.8
FAN 6124	13.4	13.4	16.2	15.4
I799 TRECEPTA	13.5	16.9	21.6	16.7
NK 842 VIP3	14.5	15.6	21.0	16.2
NK 855 VIP3	15.4	16.3	20.1	17.0
NS 7921 VIP 3 CL	17.2	15.8	23.1	16.7
NXM 1122 PW	13.8	15.5	17.7	15.7
NXM 3123 PWU	14.6	15.7	20.5	17.8
NXM 7123 PWU	13.8	13.8	19.7	16.5
P 2021 PWUE	13.9	16.3	18.1	15.7
P 1804 PWU	14.3	16.1	19.1	15.5
P 1833 VYHR	14.0	—	—	—
P 2297 PWU	14.1	15.9	19.1	17.3
SPS 2743 VIP3	15.1	15.5	22.7	16.4
ZEFIR PWU	14.4	15.6	21.3	16.9

Los datos pueden descargarse del siguiente enlace: tabla_humedad.xlsx

6.3 Peso Hectolítrico

Genotipo	Localidad
Genotipo	Ceres	Curupaity	Margarita	Siete Provincias
ACA 473 TRECEPTA	77.0	75.2	71.2	77.2
ACA 476 TRECEPTA	76.0	75.2	69.0	78.0
ACA 490 VIP3	72.0	75.2	68.4	71.8
ACRUX PWU	73.0	74.8	68.6	77.4
ADV 8115 VT3PRO	76.0	74.4	77.4	81.1
ADV 8122 VT3RPO	74.0	74.4	76.8	79.3
AX 7818 VIPTERA3	73.0	78.8	70.3	72.7
BRV 8380 PWU	72.0	73.2	74.8	76.6
BRV 8421 PWU	75.0	72.4	69.0	71.2
BRV 8472 PWU	72.0	76.0	67.8	71.2
DM 2773 TRECEPTA	75.0	74.4	65.8	76.5
DUO 255 PWU	72.0	77.6	71.0	74.4
FAN 6124	75.0	74.0	76.3	78.3
I799 TRECEPTA	75.0	74.8	69.3	77.8
NK 842 VIP3	77.0	74.0	70.8	76.3
NK 855 VIP3	70.0	73.2	72.1	73.1
NS 7921 VIP 3 CL	73.0	75.6	69.7	75.3
NXM 1122 PW	72.0	72.4	74.4	73.6
NXM 3123 PWU	72.0	73.6	69.1	73.3
NXM 7123 PWU	73.0	76.0	69.0	73.8
P 2021 PWUE	75.0	76.0	73.8	76.6
P 1804 PWU	74.4	75.9	72.9	73.8
P 1833 VYHR	77.0	—	—	—
P 2297 PWU	73.0	74.4	74.4	76.5
SPS 2743 VIP3	75.0	76.8	69.7	76.1
ZEFIR PWU	72.0	73.2	70.1	78.3

Los datos pueden descargarse del siguiente enlace: tabla_PH.xlsx

6.4 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).

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.

Informe de Resultados Red Multiambiental de Evaluación de híbridos de Maíz Tardío 2022/23