Informe de Resultados Red Multiambiental de Evaluación de Cultivares de Soja 2023/24
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 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 soja 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 de 1.04 m de ancho por entre 140 y 200 m de longitud.
2.2 Condiciones climáticas
En la Figura 2.2 se resumen las precipitaciones mensuales de la presente campaña así como la serie 1945-2020 registrada en la EEA INTA Reconquista.
Figura 2.2: Precipitaciones mensuales totales por localidad durante la campaña 2023/24 y serie 1945/2020 del EEA INTA Reconquista
La localidad Malabrigo registró el mayor total de precipitaciones en el período Noviembre-Abril (1500 mm), destacándose los registros de Diceimbre-Enero que duplicaron al promedio histórico. La menor precipitacion acumulada se registró en Vera y Pintado con 725 mm.
En cuanto a la distribución, la localidad de Ramayón registró precipitaciones similares al promedio de referencia durante el período Enero-Abril, con precipitaciones superiores al promedio para los ultimos meses de 2023. En cambio, Margarita y Vera y Pintado tuvieron precipitaciones de Febrero-Marzo por debajo del promedio historico.
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-nov | 2023-dic | 2024-ene | 2024-feb | 2024-mar | 2024-abr | 2024-may |
|---|---|---|---|---|---|---|---|
| Malabrigo | 1 | 14 | 5 | 8 | 8 | 1 | 0 |
| Margarita | 0 | 13 | 5 | 9 | 5 | 1 | 0 |
| Ramayón | 0 | 16 | 6 | 10 | 9 | 1 | 0 |
| Vera y Pintado | 0 | 16 | 6 | 10 | 9 | 1 | 0 |
En todas las localidades se registraron entre 5-15 días nublados durante los meses estivales.
2.3 Genotipos
Los tratamientos evaluados en la campania 2023/24 fueron 27 genotipos. En la Tabla 2.2 se indican las localidades en las que fueron evaluados.
| Semillero | Genotipo | Localidades | |||
|---|---|---|---|---|---|
| Margarita | Ramayón | Vera y Pintado | Malabrigo | ||
 |
ACA 70EC70 | ||||
|
ACA 7890 IPRO | ||||
 |
AW 6410 IPRO | ||||
 |
BIO 6.81 | ||||
|
BIO 6.11 CE | ||||
 |
BRV 56123 SCE | ||||
|
BRV 57122 SCE | ||||
|
BRV 55621 SE | ||||
 |
CZ 5923 RR1STS | ||||
|
CZ 6423 SC | ||||
|
CZ 6522 RR | ||||
|
CZ 78B24 CE | ||||
|
CZ 7905 IPRO | ||||
 |
DM 60I62 | ||||
|
DM 64K64 STS | ||||
|
DM 67I70 IPRO STS | ||||
|
DM 68K68 | ||||
|
DM 60K60 SCE | ||||
|
DM 75I75 IPRO STS | ||||
|
DM 75K75 | ||||
 |
IS 69,2 CE | ||||
 |
NEO 69S23 CE | ||||
 |
NS 6721 IPRO STS | ||||
 |
P 52A06 | ||||
|
P 60A01 SCE | ||||
|
P 62A05 SE | ||||
|
P 75A06 SCE | ||||
La mayoría de los genotipos estuvieron presentes en las 4 localidades. Los genotipos utilizados como referencia o check con más de una réplica por localidad fueron AW 6410 IPRO en Ramayón, DM 75I75 IPRO STS en Vera y Pintado y DM 67I70 IPRO STS en las localidades Margarita y Malabrigo.
Para el análisis global se utilizaron los datos de todos los genotipos presentes en al menos tres localidades. De este modo, el genotipo AW 6410 IPRO fue excluido ya que solo participó en la localidad Ramayón. En el caso de BRV 57122 SCE, registró bajo stan de plantas logradas debido a problemas de poder germinativo. Por estos motivos, esta variedad también es omitida en el análisis. Dado que este es el primer año de prueba de este material no debe descartarse la variedad.
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 |
|---|---|---|---|---|---|
| Malabrigo | DM 67I70 IPRO STS | 2195 | 32 | 1529 | 3315 |
| Margarita | DM 67I70 IPRO STS | 2475 | 15 | 2022 | 3121 |
| Ramayón | AW 6410 IPRO | 3436 | 5 | 3130 | 3663 |
| Vera y Pintado | DM 75I75 IPRO STS | 2608 | 5 | 2442 | 2819 |
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. Solo se observó un patrón o gradiente de rendimiento en la localidad de Malabrigo por lo que los rendimientos fueron ajustados en dicha localidad. La Tabla 3.2 muestra el stand de plantas promedio logrado en las distintas localidades.
| Localidad | Promedio | CV (%) |
|---|---|---|
| Malabrigo | 182831 | 29 |
| Margarita | 291014 | 18 |
| Ramayón | 273707 | 27 |
| Vera y Pintado | 206379 | 33 |
El stand de plantas logradas mostró alta variación dentro de las localidades salvo en Margarita con coeficientes de variación moderados.
Figura 3.1: Stand de plantas logradas por Localidad
Los valores de stand promedio obtenidos en las localidades fueron de 10 a 15 pl/ml.
3.2 Rendimientos por Localiad
La Figura 3.2 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.
Figura 3.2: Rendimiento seco promedio y desvío estándar por Localidad
Los rendimientos promedio de las localidades variaron entre ~ 2000 (Malabrigo) a 3200 kg ha-1 (Ramayón). 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. En el caso de Malabrigo se observa mayor dispersión.
3.3 Rendimientos por Genotipo
En la Figura 3.3 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 3.3: Rendimientos medios y desvio estándar de los genotipos
En general todos los genotipos presentaron rendimientos medios entre 1700 y 3450 kg ha-1. La amplitud de las barras de cada material representan las diferencias de variabilidad entre ambientes. Los genotipos como ACA 7890 IPRO y CZ 78B24 CE, mostraron rendimiento promedio superior al general y consistentes entre localidades (menor variabilidad).
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, medias_CV_rend_aj.xlsx
3.4.1 Tabla rendimiento y CV
| Localidad | Promedio | CV | ||||
|---|---|---|---|---|---|---|
| Malabrigo | Margarita | Ramayón | Vera y Pintado | |||
| DM 67I70 IPRO STS | 117 (2195) | 107 (2475) | 124 (4029) | 136 (3157) | 121 (2964) | 10 (28) |
| ACA 7890 IPRO | 130 (2426) | 132 (3050) | 94 (3053) | — | 119 (2843) | 18 (13) |
| NS 6721 IPRO STS | 122 (2271) | 107 (2485) | 99 (3208) | 140 (3269) | 117 (2808) | 15 (18) |
| DM 75I75 IPRO STS | 109 (2039) | 141 (3252) | 98 (3191) | 112 (2608) | 115 (2773) | 16 (21) |
| CZ 78B24 CE | 127 (2378) | 117 (2714) | 86 (2797) | 131 (3047) | 115 (2734) | 18 (10) |
| ACA 70EC70 | — | 87 (2010) | 98 (3192) | 156 (3635) | 114 (2946) | 33 (29) |
| CZ 7905 IPRO | 100 (1873) | 118 (2728) | 105 (3430) | — | 108 (2677) | 9 (29) |
| DM 64K64 STS | 104 (1937) | 100 (2307) | 117 (3819) | 113 (2625) | 108 (2672) | 7 (30) |
| DM 68K68 | 109 (2034) | 141 (3255) | — | 74 (1715) | 108 (2335) | 31 (35) |
| P 75A06 SCE | 116 (2161) | 113 (2612) | 98 (3197) | 100 (2326) | 107 (2574) | 8 (18) |
| AW 6410 IPRO | — | — | 106 (3436) | — | 106 (3436) | NA (NA) |
| NEO 69S23 CE | 131 (2454) | 47 (1078) | 89 (2892) | 149 (3480) | 104 (2476) | 44 (41) |
| IS 69,2 CE | 98 (1830) | 106 (2461) | 89 (2903) | 118 (2747) | 103 (2485) | 12 (19) |
| DM 60K60 SCE | 96 (1803) | 110 (2536) | 117 (3796) | 81 (1876) | 101 (2503) | 16 (37) |
| BIO 6.81 | 86 (1600) | 97 (2251) | 110 (3586) | 107 (2492) | 100 (2482) | 11 (33) |
| CZ 6423 SC | 92 (1728) | 79 (1816) | 108 (3513) | 109 (2536) | 97 (2398) | 15 (34) |
| DM 60I62 | 104 (1949) | 121 (2803) | 81 (2653) | 79 (1831) | 96 (2309) | 21 (21) |
| CZ 6522 RR | 79 (1482) | 108 (2490) | 87 (2820) | 99 (2303) | 93 (2274) | 14 (25) |
| BRV 56123 SCE | 80 (1496) | 93 (2160) | 108 (3513) | 78 (1815) | 90 (2246) | 15 (40) |
| P 52A06 | 74 (1381) | 86 (1990) | 104 (3375) | 95 (2209) | 90 (2239) | 14 (37) |
| CZ 5923 RR1STS | 85 (1592) | 105 (2429) | 97 (3164) | 64 (1487) | 88 (2168) | 20 (36) |
| DM 75K75 | 105 (1967) | 71 (1649) | 95 (3103) | 76 (1770) | 87 (2122) | 18 (31) |
| BIO 6.11 CE | 87 (1632) | 88 (2027) | 98 (3181) | 73 (1693) | 86 (2133) | 12 (34) |
| P 60A01 SCE | 87 (1619) | 84 (1945) | 93 (3014) | 69 (1604) | 83 (2045) | 12 (32) |
| BRV 55621 SE | 78 (1452) | 61 (1418) | 107 (3497) | 77 (1798) | 81 (2041) | 24 (48) |
| P 62A05 SE | 84 (1568) | 82 (1898) | 93 (3036) | 66 (1548) | 81 (2012) | 14 (35) |
| Promedio | 100 (1869) | 100 (2314) | 100 (3256) | 100 (2329) | — | — |
El nivel de variabilidad de los genotipos a través de los ambientes mostró valores intermedios en los datos expresados en rendimiento absoluto. Aproximadamente el 50% de los genotipos tuvo CV de rendimiento entre 20 y 35%. 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 través de las localidades, sobre todo en Ramayón, donde varios genotipos con performance superior al promedio en las otras localidades se ubicaron por debajo del 100. En cambio algunos genotipos como DM 67I70 IPRO STS, NS 6721 IPRO STS, DM 75I75 IPRO STS y DM 64K64 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, por ejemplo: NEO 69S23 CE.
3.4.2 Gráfico
La Figura 3.4 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 2023/24.
Figura 3.4: Rendimiento seco medio relativo ajustado (en base 100) y CV (%) de los genotipos evaluados en la campaña 2023/24
La mayoría de los genotipos mostraron CV entre localidades inferior al 20%. 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 similares a los genotipos con rendimientos más bajos.
3.5 Diferencias entre genotipos
En la Tabla 3.4 se presentan los resultados del análisis de la varianza (ANOVA) del modelo ajustado:
| gl num | F | Valor p | |
|---|---|---|---|
| (Intercept) | 1 | 2,722.74 | 0.00000 |
| Localidad | 3 | 37.66 | 0.00000 |
| Genotipo | 24 | 1.44 | 0.12259 |
No se detectaron diferencias de rendimiento estadísticamente significativas considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p > 0.10). Tampoco se detectó efecto significativo del stand de plantas (p = 0.079). 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 | |
|---|---|---|---|---|---|---|
| DM 67I70 IPRO STS | 2964 | 229 | 68 | 2583 | 3346 | a |
| ACA 7890 IPRO | 2810 | 265 | 68 | 2368 | 3253 | a |
| NS 6721 IPRO STS | 2808 | 229 | 68 | 2427 | 3190 | a |
| DM 75I75 IPRO STS | 2773 | 229 | 68 | 2391 | 3154 | a |
| ACA 70EC70 | 2756 | 265 | 68 | 2313 | 3199 | a |
| CZ 78B24 CE | 2734 | 229 | 68 | 2353 | 3115 | a |
| DM 64K64 STS | 2672 | 229 | 68 | 2291 | 3053 | a |
| CZ 7905 IPRO | 2644 | 265 | 68 | 2202 | 3087 | a |
| DM 68K68 | 2603 | 265 | 68 | 2160 | 3045 | a |
| P 75A06 SCE | 2574 | 229 | 68 | 2193 | 2955 | a |
| DM 60K60 SCE | 2503 | 229 | 68 | 2122 | 2884 | a |
| IS 69,2 CE | 2485 | 229 | 68 | 2104 | 2867 | a |
| BIO 6.81 | 2482 | 229 | 68 | 2101 | 2863 | a |
| NEO 69S23 CE | 2476 | 229 | 68 | 2095 | 2857 | a |
| CZ 6423 SC | 2398 | 229 | 68 | 2017 | 2780 | a |
| DM 60I62 | 2309 | 229 | 68 | 1928 | 2690 | a |
| CZ 6522 RR | 2274 | 229 | 68 | 1893 | 2655 | a |
| BRV 56123 SCE | 2246 | 229 | 68 | 1865 | 2627 | a |
| P 52A06 | 2239 | 229 | 68 | 1857 | 2620 | a |
| CZ 5923 RR1STS | 2168 | 229 | 68 | 1787 | 2549 | a |
| BIO 6.11 CE | 2133 | 229 | 68 | 1752 | 2514 | a |
| DM 75K75 | 2122 | 229 | 68 | 1741 | 2504 | a |
| P 60A01 SCE | 2045 | 229 | 68 | 1664 | 2427 | a |
| BRV 55621 SE | 2041 | 229 | 68 | 1660 | 2423 | a |
| P 62A05 SE | 2012 | 229 | 68 | 1631 | 2394 | a |
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 promedio. No se detectaron diferencias estadísticamente significativas debido a la variación observada.
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 | 25126823.08 | 8375607.69 | 35.82 | <0.0001 |
| Genotipo | 25 | 7260535.75 | 290421.43 | 1.24 | 0.2592 |
| Genotipo:IA | 24 | 3935190.07 | 163966.25 | 0.70 | 0.823 |
| Residuals | 44 | 10287213.84 | 233800.31 |
Según este análisis, no se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.82). 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 3.5 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 3.5: 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 DM 67I70 IPRO STS, CZ 6423 SC, DM 64K64 STS, BIO 6.81, P 52A06, DM 60K60 SCE, BRV 56123 SCE, y BRV 55621 SE mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, CZ 78B24 CE, ACA 7890 IPRO, NEO 69S23 CE, ACA 70EC70, DM 60I62, NS 6721 IPRO STS, IS 69,2 CE, y DM 75I75 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.
Figura 3.6: 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 dos campañas
Al considerar los ambientes evaluados en las últimas 3 campañas (combinacion localidad x campaña), sólo 2 genotipos estuvieron presentes en los 12 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.
| Fuente | gl | SC | CM | F | Valor p |
|---|---|---|---|---|---|
| Localidad | 5 | 5043115.06 | 1008623.01 | 14.19 | <0.0001 |
| Genotipo | 1 | 155985.26 | 155985.26 | 2.19 | 0.1592 |
| Genotipo:IA | 2 | 3708011.45 | 1854005.73 | 26.08 | <0.0001 |
| Residuals | 15 | 1066334.81 | 71088.99 |
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 3.8 muestra los valores de pendiente estimados.
| Genotipo | Beta | Error estándar | gl | LI IC95 | LS IC95 |
|---|---|---|---|---|---|
| DM 67I70 IPRO STS | 1.23 | 0.15 | 20 | 0.92 | 1.55 |
| NS 6721 IPRO STS | 0.93 | 0.15 | 20 | 0.62 | 1.25 |
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 cual indicaría que éstos se comportan de manera similar que el promedio.
En la Figura 3.7 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 3.7: Respuesta diferencial de cada Genotipo a los cambios del IA ultimas 3 campañas
4 Consideraciones finales
En general se observó una moderada variabilidad de los rendimientos de cada genotipo a través de las distintas localidades evaluadas. También se observó moderada heterogeneidad de respuesta dentro de cada localidad reflejada por los testigos. A nivel global no se detectaron diferencias pese a observase diferencias de ~900 kg ha-1, siendo los genotipos DM 67I70 IPRO STS, ACA 7890 IPRO, y NS 6721 IPRO STS los de mayor rendimiento promedio observado.
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%.
5 Agradecimientos
A las empresas semilleras: A.C.A., Asgrow, Bioceres, Brevant, Credenz, Don Mario, Illinois, NeoGen, Nidera, y Pioneer, 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 (2024). 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 Análisis estadístico
7.1.1 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.
7.1.2 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.
7.1.3 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 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%.
7.1.4 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 7.1 muestra el número de genotipos presentes en todas las localidades de las últimas campañas.
| Campañas | Número de genotipos |
|---|---|
| 2023/24 | 22 |
| 2021/22, 2023/24 | 3 |
| 2020/21, 2021/22, 2023/24 | 2 |
| 2019/20, 2020/21, 2021/22, 2023/24 | 1 |
| 2017/18, 2019/20, 2020/21, 2021/22, 2023/24 | 0 |
De los 84 genotipos evaluados durante las últimas 5 campañas, sólo 3 estuvieron en todos los ambientes conformados por la interacción Campaña:Localidad de las campañas 2022/23 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.
7.2 Software
Los datos fueron procesados utilizando el software estadístico R versión 4.4 (R Core Team, 2024) y los paquetes nlme (Pinheiro et al., 2018), emmeans (Lenth, 2019), tidyverse (Wickham, 2017) y plotly (Sievert, 2020).
