Informe de Resultados Red Multiambiental de Evaluación de Cultivares de Soja
1 Introducción
El cultivo de soja (Glycine max) es el cultivo más importante de los sistemas productivos de la región y el país ya que es uno de los más rentables y las exportaciones de granos, aceites y harinas de soja constituyen la principal fuente de divisas para el país.
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 soja 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 soja 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 soja de primera 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 2021/22.
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 115 y 200 m de longitud.
2.2 Condiciones climáticas
Al inicio de la campaña, en todas las localidades salvo Curupaity
, el total de lluvias de Noviembre fue ligeramente superior al promedio histórico. Luego, durante el mes de siembra en todos los casos las lluvias fueron deficitarias, en especial Vera y Pintado
sin precipitaciones. Enero fue similar al registro histórico, mientras que Febrero registró menos precipitaciones que el promedio. En Marzo, salvo Vera y Pintado
, en el resto de las localidades se registraron totales entre 1.5 y 2.5 veces el promedio histórico.
En cuanto a la marcha del régimen térmico, en ninguna de las localidades se registraron heladas tempranas. Durante los meses de Enero se registró un periódo de altas temperaturas sostenidas durante varios días.
2.3 Genotipos
Los tratamientos evaluados en la campania 2021/22 fueron 29 genotipos. En la Tabla 2.1 se indican las localidades en las que fueron evaluados.
Semillero | Genotipo | Localidades | |||
---|---|---|---|---|---|
Curupaity | Margarita | Ramayón | Vera y Pintado | ||
ACA 7890 IPRO | |||||
BIO 6.51 IPRO | |||||
BRV 55621 SE | |||||
BRV 56222 E | |||||
CZ 6505 | |||||
CZ 7521 IPRO STS | |||||
DM 64E64 SE | |||||
DM 67I70 IPRO STS | |||||
DM 75I75 IPRO | |||||
IS 60.1 IPRO STS | |||||
IS 62.1 IPRO STS | |||||
60MS01 STS | |||||
62MS01 IPRO STS | |||||
78MS01 IPRO | |||||
MS 6.3 IPRO | |||||
NEO 610 IPRO STS | |||||
NEO 630 E | |||||
NS 6212 IPRO | |||||
NS 6721 IPRO STS | |||||
NS 7922 IPRO | |||||
NK 51x22 IPRO STS | |||||
NK 52x21 STS | |||||
NK 60x21 IPRO STS | |||||
NK 69x22 STS IPRO | |||||
P50A02 E | |||||
P62A05 SE | |||||
RA 5816 | |||||
RA 655 | |||||
RA 659 |
Todos los genotipos estuvieron presentes en las 4 localidades. El genotipo DM 67I70 IPRO STS actuó como referencia o check, con más de una réplica por localidad.
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 |
---|---|---|
Curupaity | 1926 | 14 |
Margarita | 2180 | 14 |
Ramayón | 2151 | 5 |
Vera y Pintado | 2553 | 8 |
La variabilidad observada en el control repetido fue baja en las localidades Ramayón
y Vera y Pintado
, indicando alta homogeneidad en las condiciones experimentales dentro de la localidad. En las localidades restantes la variabilidad de los checks mostró mayor heterogeneidad aunque no se observó un gradiente de rendimientos consistente por lo que los rendimientos no fueron ajustados. La Tabla 3.2 muestra el stand de plantas promedio logrado en las distintas localidades.
Localidad | Promedio | CV (%) |
---|---|---|
Curupaity | 28 | 13 |
Margarita | 34 | 8 |
Ramayón | 29 | 11 |
Vera y Pintado | 29 | 9 |
El stand mostró baja variación dentro de las localidades, con CV entorno al 10% promedio.
3.2 Rendimientos por Localiad
La Figura 3.1 muestra los rendimientos medios 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.
Los rendimientos promedio de las localidades variaron entre ~ 1700 (Curupaity
) a 2200 kg ha-1 (Vera y Pintado
). Este aspecto determina el rango del índice ambiental explorado. Por otro lado, las parcelas con checks mostraron rendimientos en torno al rendimiento promedio de la localidad o rendimientos más altos.
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.
En general todos los genotipos presentaron rendimientos medios entre 1250 y 2250 kg ha-1. La amplitud de las barras de cada material representan las diferencias de variabilidad entre ambientes. Los genotipos como ACA 7890 IPRO
, NS 7922 IPRO
y DM 67I70 IPRO STS
, mostraron rendimiento promedio superior al general con variabiliad moderada. En cambio, 78MS01 IPRO
registró rendimiento promedio similar a los anteriores pero con menor variabilidad entre sitios.
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 funión 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
Genotipo | Localidad | Promedio | CV | ||||
---|---|---|---|---|---|---|---|
Curupaity | Margarita | Ramayón | Vera y Pintado | ||||
1 | ACA 7890 IPRO | 140 (2379) | 129 (2512) | 110 (1991) | 98 (2162) | 119 (2261) | 16 (10) |
2 | NS 7922 IPRO | 116 (1959) | 118 (2302) | 114 (2064) | 120 (2645) | 117 (2242) | 2 (14) |
3 | DM 67I70 IPRO STS | 114 (1926) | 112 (2180) | 119 (2151) | 116 (2553) | 115 (2202) | 3 (12) |
4 | 78MS01 IPRO | 132 (2239) | 107 (2093) | 118 (2138) | 98 (2163) | 114 (2158) | 13 (3) |
5 | NK 69x22 STS IPRO | 116 (1960) | 128 (2502) | 110 (1991) | 98 (2161) | 113 (2154) | 11 (12) |
6 | NS 6721 IPRO STS | 107 (1818) | 107 (2092) | 122 (2212) | 109 (2401) | 111 (2131) | 6 (11) |
7 | CZ 7521 IPRO STS | 116 (1962) | 129 (2510) | 99 (1797) | 98 (2162) | 110 (2108) | 13 (15) |
8 | DM 75I75 IPRO | 107 (1820) | 129 (2510) | 102 (1843) | 98 (2161) | 109 (2084) | 13 (16) |
9 | NS 6212 IPRO | 116 (1959) | 107 (2091) | 102 (1843) | 103 (2280) | 107 (2043) | 6 (9) |
10 | DM 64E64 SE | 107 (1820) | 97 (1883) | 114 (2064) | 109 (2402) | 107 (2042) | 7 (13) |
11 | NEO 610 IPRO STS | 91 (1541) | 118 (2300) | 98 (1769) | 114 (2520) | 105 (2032) | 12 (22) |
12 | P62A05 SE | 99 (1680) | 129 (2510) | 98 (1769) | 87 (1921) | 103 (1970) | 17 (19) |
13 | BIO 6.51 IPRO | 107 (1822) | 129 (2511) | 106 (1917) | 71 (1562) | 103 (1953) | 23 (21) |
14 | NEO 630 E | 124 (2100) | 86 (1674) | 84 (1526) | 114 (2521) | 102 (1955) | 20 (23) |
15 | IS 60.1 IPRO STS | 91 (1543) | 97 (1882) | 92 (1674) | 120 (2640) | 100 (1935) | 14 (25) |
16 | NK 60x21 IPRO STS | 83 (1399) | 107 (2092) | 106 (1917) | 103 (2283) | 100 (1923) | 11 (20) |
17 | RA 655 | 116 (1962) | 86 (1674) | 98 (1769) | 98 (2163) | 100 (1892) | 12 (11) |
18 | CZ 6505 | 124 (2101) | 86 (1672) | 89 (1622) | 98 (2160) | 99 (1889) | 17 (15) |
19 | NK 52x21 STS | 83 (1407) | 97 (1882) | 94 (1696) | 114 (2519) | 97 (1876) | 13 (25) |
20 | IS 62.1 IPRO STS | 91 (1544) | 107 (2090) | 104 (1893) | 82 (1800) | 96 (1832) | 12 (12) |
21 | MS 6.3 IPRO | 83 (1401) | 96 (1881) | 94 (1696) | 98 (2160) | 93 (1784) | 7 (18) |
22 | 62MS01 IPRO STS | 91 (1541) | 86 (1673) | 94 (1696) | 98 (2159) | 92 (1767) | 5 (15) |
23 | RA 5816 | 80 (1351) | 86 (1672) | 102 (1843) | 92 (2038) | 90 (1726) | 10 (17) |
24 | NK 51x22 IPRO STS | 67 (1128) | 86 (1672) | 89 (1622) | 114 (2517) | 89 (1735) | 22 (33) |
25 | BRV 56222 E | 99 (1681) | 75 (1463) | 85 (1548) | 98 (2160) | 89 (1713) | 13 (18) |
26 | 60MS01 STS | 83 (1400) | 64 (1254) | 104 (1893) | 98 (2159) | 87 (1676) | 20 (25) |
27 | BRV 55621 SE | 74 (1262) | 75 (1464) | 94 (1696) | 92 (2038) | 84 (1615) | 13 (21) |
28 | RA 659 | 87 (1474) | 64 (1253) | 98 (1769) | 87 (1922) | 84 (1604) | 17 (19) |
29 | P50A02 E | 58 (991) | 64 (1254) | 64 (1161) | 76 (1678) | 66 (1271) | 12 (23) |
30 | Promedio | 100 (1696) | 100 (1950) | 100 (1813) | 100 (2207) | — | — |
El nivel de variabilidad de los genotipos a través de los ambientes mostró valores bajos (< 20%) en los datos expresados en rendimiento absoluto. Aproximadamente el 50% de los genotipos tuvo CV de rendimiento entre 12 y 20%. Al considerar los valores relativos, la variabilidad se reduce, ya que se remueve en parte el efecto de la variación entre localidades.
En general se observaron cambios en la posición relativa a traves de las localidades, sobre todo en Vera y Pintado
, donde varios genotipos con performance superior en las otras localidades se ubicaron en niveles medios entorno al 100. En cambio algunos genotipos como NS 7922 IPRO
y DM 67I70 IPRO STS
se mantuvieron en posiciones por encima del promedio. Otros genotipos mostraron más variación en entorno al promedio global, con rendimientos marcadamente por encima o por debajo del promedio según 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 2021/22.
Todos los genotipos mostraron CV entre localidades inferior al 25%. Tomando el rendimiento relativo y CV medios de la red (líneas punteadas), se observa que los genotipos de mayor rendimiento relativo promedio muestran valores de variabilidad promedio entre 2 y 16%. Se destacan NS 7922 IPRO
y DM 67I70 IPRO STS
con rendmientos relativo ~ 116 y CV ~ 2-3%. Los materiales que se ubicaron en torno o por debajo del promedio muestran CV que van desde 5 a 23%.
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.
gl num | gl den | F | Valor p | |
---|---|---|---|---|
(Intercept) | 1 | 83 | 19.27 | 0.00003 |
Genotipo | 28 | 83 | 3.05 | 0.00005 |
stand | 1 | 83 | 2.42 | 0.12357 |
Se detectaron diferencias de rendimiento estadísticamente significativas al 10% considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p < 0.0001). El efecto del stand de plantas no fue significativo al 10%. 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 4 localidades analizadas y la precisión alcanzada según el número de réplicas.
Rend. medio | Error estándar | gl | LI IC90 | LS IC90 | grupo | |
---|---|---|---|---|---|---|
ACA 7890 IPRO | 2325 | 171 | 3 | 1922 | 2727 | 1 |
NS 7922 IPRO | 2233 | 166 | 3 | 1842 | 2624 | 12 |
DM 67I70 IPRO STS | 2192 | 166 | 3 | 1801 | 2583 | 123 |
NK 69x22 STS IPRO | 2173 | 167 | 3 | 1781 | 2565 | 123 |
78MS01 IPRO | 2152 | 166 | 3 | 1761 | 2543 | 123 |
CZ 7521 IPRO STS | 2123 | 166 | 3 | 1732 | 2515 | 123 |
NS 6721 IPRO STS | 2121 | 166 | 3 | 1730 | 2512 | 123 |
DM 64E64 SE | 2065 | 167 | 3 | 1673 | 2458 | 123 |
DM 75I75 IPRO | 2060 | 167 | 3 | 1667 | 2452 | 123 |
NS 6212 IPRO | 2045 | 166 | 3 | 1655 | 2436 | 123 |
NEO 610 IPRO STS | 2016 | 166 | 3 | 1624 | 2408 | 123 |
NEO 630 E | 1963 | 166 | 3 | 1572 | 2355 | 123 |
BIO 6.51 IPRO | 1963 | 166 | 3 | 1572 | 2354 | 123 |
P62A05 SE | 1952 | 166 | 3 | 1561 | 2344 | 1234 |
RA 655 | 1920 | 167 | 3 | 1527 | 2313 | 1234 |
NK 60x21 IPRO STS | 1894 | 167 | 3 | 1501 | 2288 | 1234 |
IS 60.1 IPRO STS | 1883 | 169 | 3 | 1485 | 2282 | 1234 |
NK 52x21 STS | 1871 | 166 | 3 | 1480 | 2262 | 1234 |
IS 62.1 IPRO STS | 1843 | 166 | 3 | 1452 | 2234 | 1234 |
CZ 6505 | 1831 | 170 | 3 | 1430 | 2231 | 1234 |
NK 51x22 IPRO STS | 1783 | 169 | 3 | 1385 | 2180 | 1234 |
RA 5816 | 1766 | 168 | 3 | 1370 | 2161 | 1234 |
MS 6.3 IPRO | 1745 | 168 | 3 | 1350 | 2141 | 1234 |
62MS01 IPRO STS | 1744 | 167 | 3 | 1352 | 2137 | 1234 |
60MS01 STS | 1733 | 170 | 3 | 1333 | 2132 | 1234 |
BRV 56222 E | 1695 | 166 | 3 | 1304 | 2087 | 1234 |
BRV 55621 SE | 1645 | 167 | 3 | 1252 | 2039 | 234 |
RA 659 | 1543 | 171 | 3 | 1142 | 1945 | 34 |
P50A02 E | 1293 | 167 | 3 | 901 | 1685 | 4 |
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 el ordenamiento de mayor a menor rendimiento en función de GM, siendo los grupos largos los de mejor rendimiento promedo. Se detectaron diferencias estadísticamente significativas entre ACA 7890 IPRO
respecto de BRV 55621 SE
, RA 659
y P50A02 E
, con diferencias de ~ 700 kg.
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.
Fuente | gl | SC | CM | F | Valor p |
---|---|---|---|---|---|
Localidad | 3 | 4212069.07 | 1404023.02 | 21.18 | <0.0001 |
Genotipo | 28 | 5625119.79 | 200897.14 | 3.03 | 2e-04 |
Genotipo:IA | 28 | 1934469.86 | 69088.21 | 1.04 | 0.4357 |
Residuals | 56 | 3712914.07 | 66302.04 |
Según este análisis, no se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.4357). Esto implica que, pese a las diferencias de sensibilidad observadas, la heterogeneidad de las pendientes de la relación IA
y rendimiento no fueron consistentes probablemente por al rango valores de IA explorados y la potencia del experimento.
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.
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 BRV 55621 SE
, P50A02 E
, NS 7922 IPRO
, MS 6.3 IPRO
, NK 60x21 IPRO STS
, NEO 610 IPRO STS
, NK 52x21 STS
, IS 60.1 IPRO STS
, y NK 51x22 IPRO STS
mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, BIO 6.51 IPRO
, ACA 7890 IPRO
, 78MS01 IPRO
, CZ 6505
, IS 62.1 IPRO STS
, RA 655
, NK 69x22 STS IPRO
, P62A05 SE
, RA 659
, y CZ 7521 IPRO STS
fueron los materiales con menor sensibilidad (pendientes 25% menores a 1). No obstante, ninguna de estas estimaciones fue estadísticamente distintas de la recta 1:1.
El siguiente gráfico muestra la relación entre las pendientes estimadas y los rendimientos medios de cada genotipo.
Se observa que entre los materiales con mayores rendimiento promedio los valores de sensibilidad fuero en general inferiores a 1:1 indicando mayor estabilidad respecto al promedio.
3.6.2 Últimas dos campañas
Al considerar los ambientes evaluados en las últimas 2 campañas (combinacion localidad x campaña), sólo 11 genotipos estuvieron presentes en los 8 ambientes explorados en las últimas 2 campañas. En la Tabla 3.7 se presenta la tabla de ANOVA del modelo de regresión de la media ajustado.
Fuente | gl | SC | CM | F | Valor p |
---|---|---|---|---|---|
Localidad | 5 | 15021759.42 | 3004351.88 | 36.83 | <0.0001 |
Genotipo | 10 | 3234797.30 | 323479.73 | 3.97 | 3e-04 |
Genotipo:IA | 11 | 11548587.60 | 1049871.60 | 12.87 | <0.0001 |
Residuals | 61 | 4975423.65 | 81564.32 |
Según este análisis la interacción entre los materiales evaluados y el índice ambiental tiene un valor de significancia de (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 Tabla 3.8 muestra los valores de pendiente estimados.
Genotipo | Beta | Error estándar | gl | LI IC90 | LS IC90 |
---|---|---|---|---|---|
DM 75i75 IPRO | 1.24 | 0.19 | 66 | 0.93 | 1.56 |
DM 67i70 IPRO STS | 1.22 | 0.19 | 66 | 0.91 | 1.54 |
NS 6120 IPRO | 1.16 | 0.19 | 66 | 0.85 | 1.48 |
BIO 6.51 IPRO | 1.14 | 0.19 | 66 | 0.82 | 1.45 |
60MS01 STS | 1.05 | 0.19 | 66 | 0.74 | 1.37 |
NS 6721 IPRO STS | 1.00 | 0.19 | 66 | 0.69 | 1.32 |
ACA 7890 IPRO | 0.80 | 0.19 | 66 | 0.49 | 1.12 |
CZ 7521 IPRO STS | 0.79 | 0.19 | 66 | 0.48 | 1.10 |
78MS01 IPRO | 0.78 | 0.19 | 66 | 0.47 | 1.10 |
IS 62.1 IPRO STS | 0.78 | 0.19 | 66 | 0.47 | 1.09 |
CZ 6505 | 0.69 | 0.19 | 66 | 0.38 | 1.01 |
Según la tabla anterior muestra que, si bien hay heterogeneidad de pendientes entre los materiales, en todos los casos, los IC contienen al 1, lo cua indicaría que éstos se comportan de manera similar que el promedio.
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.
Considerando las pendientes estimadas, en el extremo superior, los materiales más sensibles a los cambios del ambiente serían DM 75i75 IPRO
y DM 67i70 IPRO STS
mientras que en el otro extremo se encuentra CZ 6505
.
4 Consideraciones finales
En general se observó una moderada a baja variabilidad de los rendimientos de cada genotipo a través de las distintas localidades evaluadas y baja heterogeneidad de respuesta dentro de cada localidad reflejada por los testigos.
A nivel global se detectaron diferencias mayores a 700 kg ha-1 entre ACA 7890 IPRO
(GM 7) y BRV 55621 SE
, RA 659
y P50A02 E
, las cuales corresponden al GM 5. En este sentido, los grupos más cortos fueron mas afectados por las condiciones de sequía registradas durante los meses de Enero y Febrero.
En el estudio de la interacción GA de la campaña actual no se detectó diferencias significativas respecto al patrón de respuesta promedio, principalmente debido al rango de indice ambiental explorado. No obstante, algunos materiales mostraron valores estimados de seinsibilidad de más de 25% respecto a la recta 1:1.
En el análisis combinado los datos de las últimas dos campañas se observó que los genotipos analizados mostraron heterogeneidad de pendientes al 10%, y se observaron algunas diferencias en los patrones siendo DM 75i75 IPRO
y DM 67i70 IPRO STS
los más sensibles y CZ 6505
menos sensible a ambientes de mayor potencial.
5 Agradecimientos
A las empresas semilleras: A.C.A., Bioceres, Brevant, Credenz, Don Mario, Illinois, MacroSeed, NeoGen, Nidera, NK, Pioneer, y Santa Rosa, 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 Tukey, 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.
Campañas | Número de genotipos |
---|---|
2021/22 | 29 |
2020/21, 2021/22 | 11 |
2019/20, 2020/21, 2021/22 | 6 |
2017/18, 2019/20, 2020/21, 2021/22 | 1 |
2016/17, 2017/18, 2019/20, 2020/21, 2021/22 | 0 |
De los 76 genotipos evaluados durante las últimas 5 campañas, sólo 11 estuvieron en todos los ambientes conformados por la interacción Campaña:Localidad
de las campañas 2020/21 a 2021/22. 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.