Informe de Resultados Red Multiambiental de Evaluación de cultivares de Trigo 2022/23
1 Introducción
El cultivo de trigo (Triticum aestivum) es una de las alternativas de utilización del suelo en la época invernal más comunes en la región. Su inclusión en la rotación, generalmente asociada con el cultivo de soja de segunda, genera un aporte de C al suelo y cobertura, disminuye la incidencia de enfermedades y plagas en otros cultivos.
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 trigo 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 trigo evaluados 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
2.1 Sitios experimentales
Durante la campaña 2022/23 se llevaron adelante ensayos comparativos de rendimiento de genotipos de trigo 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, fertilización, etc) haciendo haciendo click sobre los puntos de la campaña 2022/23.
Figura 2.1: Distribución espacial de las localidades incluidas en la campaña 2022/23 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 19 a 52 cm en franjas entre 2.28 y 3.65 m de ancho por entre 200 y 240 m de longitud.
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
En todas las localidades, el total de lluvias mensuales del mes de agosto superó al promedio histórico, mientras que a partir de septiembre se evidenciaron deficits significativos. En Margarita se registró un inicio de campaña más húmedo con precipitaciones por encima del promedio de referencia.
En cuanto a la marcha del régimen térmico, en todas las localidades se registraron temperaturas medias entre 10-20 ºC con mínimas cercanas a 0 ºC durante los meses invernales. Hacia fines de julio se registró un periodo de temperaturas cercanas a 20 ºC sostenidas durante varios días. Del mismo modo, hacia fines de agosto un período de marcada amplitud con temperaturas por debajo de 10 ºC. No se registraron heladas tardías.
2.3 Genotipos
Los tratamientos evaluados en la campaña 2022/23 fueron 24 genotipos, en su mayoría de ciclo Corto (C), mientras que 6 materiales fuero de ciclo intermedio (I) y uno de ciclo largo (L). Este último corresponde a BAGUETTE 620, el cual tiene requerimientos de frío (vernalización) por lo que la fecha recomendada para su siembra es entre 15/05 y 15/06. En la Tabla 2.1 se indican las localidades en las que fueron evaluados.
| Semillero | Genotipo | Ciclo | Localidades | |||
|---|---|---|---|---|---|---|
| Margarita | Ruta 39 | Vera y Pintado | Campo Bonazzola | |||
 |
ACA 602 | I | ||||
|
ACA 603 | I | ||||
|
ACA 916 | I | ||||
|
ACA 917 | C | ||||
 |
ARCE | C | ||||
|
BIO INTA 1006 | C | ||||
|
GINGKO | C | ||||
 |
ÁLAMO | C | ||||
 |
COLIHUE | I | ||||
|
FULGOR | C | ||||
|
SY 211 | I | ||||
 |
AROMO | C | ||||
|
CATALPA | C | ||||
|
CEIBO | I | ||||
|
PEHUEN | C | ||||
 |
GYT914 | C | ||||
 |
IS CANARIO | C | ||||
 |
K.KD024 | C | ||||
|
NUTRIA | C | ||||
|
POTRO | C | ||||
 |
MS INTA 817 | C | ||||
 |
BAGUETTE 525 | C | ||||
|
BAGUETTE 620 | I | ||||
 |
PAMPERO | C | ||||
La mayoría de los genotipos estuvieron presentes en las 4 localidades. Los genotipos ACA 602, BIO INTA 1006, CEIBO, SY 211, y PEHUEN no estuvieron representados en Campo Bonazzola, mientras que NUTRIA solo fue evaluado en dicha localidad. SY 211 solamente fue evaluado en Ruta 39 y PEHUEN solo en Margarita y Vera y Pintado.
Los genotipos SY 211, GINGKO, CEIBO, y NUTRIA actuaron como referencia o check en las localidades Ruta 39, Vera y Pintado, Margarita, y Campo Bonazzola, respectivamente, con más de una réplica por localidad. Para el análisis global se utilizaron los datos de todos los genotipos con presentes en al menos tres localidades.
3 Resultados
3.1 Rendimiento testigo
En la Tabla 3.1 se muestran los rendimientos promedio por localidad de los genotipos utilizados como check o control.
| Localidad | Genotipo | media | CV | min | max |
|---|---|---|---|---|---|
| Campo Bonazzola | NUTRIA | 3100 | 1 | 3058 | 3144 |
| Margarita | CEIBO | 3654 | 2 | 3545 | 3724 |
| Ruta 39 | SY 211 | 2884 | 21 | 2133 | 3583 |
| Vera y Pintado | GINGKO | 3139 | 10 | 2938 | 3583 |
A excepción de la localidad Ruta 39, la variabilidad observada en el control repetido fue moderada baja indicando homogeneidad en las condiciones experimentales dentro de cada sitio. En la localidad Ruta 39 se observó mayor variación entre las parcelas con el testigo lo cual estuvo explicado mayormente la susceptibilidad del material utilizado en dicha localidad al ataque de Roya del Tallo. La Tabla 3.2 muestra el stand de plantas promedio logrado en las distintas localidades.
| Localidad | Promedio | CV (%) |
|---|---|---|
| Campo Bonazzola | 132 | 15 |
| Margarita | 274 | 11 |
| Ruta 39 | 227 | 17 |
| Vera y Pintado | 277 | 10 |
El stand mostró variabilidad moderada dentro de las localidades, con CV entre 9 y 17%. Los valores mas altos se observaron en localidad Ruta 39. Cabe mencionar que el stand obtenido en Campo Bonazzola responde a una combinación de menor densidad de siembra y mayor espaciamiento.
3.2 Rendimientos por Localiad
La figura 3.1 muestra los rendimientos medios por localidad. 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 3.1: Rendimiento seco promedio y desvío estándar por Localidad
Los rendimientos promedio de las localidades variaron entre ~ 3000 a 3800 kg ha-1 (Margarita. Este aspecto determina el rango del índice ambiental explorado el cual tuvo una variación de 13% en torno al promedio general de las 4. Por otro lado, las parcelas con checks mostraron rendimientos en torno al rendimiento promedio de cada localidad, con mayor dispersión en Ruta 39 y Vera y Pintado.
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 2900 y 3600 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, BAGUETTE 525, GINKO, FULGOR, AROMO, IS CANARIO, y ACA 916 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
| Localidad | Promedio | CV | ||||
|---|---|---|---|---|---|---|
| Campo Bonazzola | Margarita | Ruta 39 | Vera y Pintado | |||
| BAGUETTE 525 | 95 (2823) | 99 (3845) | 139 (4253) | 117 (3643) | 112 (3641) | 18 (17) |
| FULGOR | 106 (3137) | 90 (3505) | 128 (3916) | 117 (3643) | 110 (3550) | 15 (9) |
| GINGKO | 90 (2668) | 120 (4660) | 125 (3823) | 101 (3139) | 109 (3572) | 15 (24) |
| AROMO | 118 (3498) | 100 (3895) | 83 (2546) | 133 (4137) | 108 (3519) | 20 (20) |
| IS CANARIO | 123 (3649) | 111 (4344) | 98 (3002) | 98 (3042) | 108 (3509) | 11 (18) |
| ACA 916 | 107 (3176) | 110 (4296) | 108 (3299) | 105 (3263) | 108 (3508) | 2 (15) |
| NUTRIA | 105 (3100) | — | — | — | 105 (3100) | NA (NA) |
| PAMPERO | 118 (3487) | 102 (3959) | 97 (2961) | 98 (3049) | 104 (3364) | 9 (14) |
| ACA 917 | 101 (2985) | 91 (3537) | 113 (3464) | 102 (3174) | 102 (3290) | 9 (8) |
| COLIHUE | 101 (2989) | 74 (2894) | 107 (3253) | 125 (3894) | 102 (3258) | 21 (14) |
| CATALPA | 118 (3506) | 68 (2648) | 132 (4044) | 85 (2651) | 101 (3212) | 29 (21) |
| ARCE | 90 (2651) | 114 (4432) | 70 (2124) | 124 (3845) | 100 (3263) | 24 (33) |
| BAGUETTE 620 | 99 (2942) | — | 83 (2540) | 118 (3667) | 100 (3050) | 18 (19) |
| ACA 602 | — | 114 (4438) | 94 (2859) | 84 (2622) | 97 (3306) | 16 (30) |
| BIO INTA 1006 | — | 109 (4245) | 89 (2711) | 91 (2830) | 96 (3262) | 11 (26) |
| ACA 603 | 90 (2657) | 120 (4660) | 70 (2122) | 105 (3252) | 96 (3173) | 22 (34) |
| PEHUEN | — | 88 (3431) | — | 102 (3178) | 95 (3304) | 10 (5) |
| GYT914 | 73 (2161) | 103 (4033) | 121 (3678) | 78 (2426) | 94 (3074) | 24 (30) |
| SY 211 | — | — | 94 (2884) | — | 94 (2884) | NA (NA) |
| K.KD024 | 101 (2975) | 96 (3749) | 72 (2198) | 101 (3153) | 92 (3019) | 15 (21) |
| ÁLAMO | 90 (2660) | 107 (4157) | 103 (3153) | 65 (2024) | 91 (2998) | 21 (30) |
| MS INTA 817 | 73 (2173) | 101 (3919) | 111 (3398) | 79 (2458) | 91 (2987) | 20 (27) |
| CEIBO | — | 94 (3654) | 94 (2871) | 79 (2453) | 89 (2993) | 10 (20) |
| POTRO | 101 (2989) | 91 (3533) | 67 (2047) | 94 (2920) | 88 (2872) | 17 (21) |
| Promedio | 100 (2959) | 100 (3897) | 100 (3052) | 100 (3112) | — | — |
El nivel de variabilidad de los genotipos a través de los ambientes mostró valores moderados(20%) en los datos expresados en rendimiento absoluto. Aproximadamente el 50% de los genotipos tuvo CV de rendimiento entre 16 y 27%. Al considerar los valores relativos, la variabilidad se reduce (el 50% de los híbridos pasa a tener CV entre 11 y 20%), 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, los genotipos pasaron de grupo superior a valores de rendimiento relativo debajo de 90 o menos, como por ejemplo BAGUETTE 525 y FULGOR con rendimientos globales arriba de 110 pero menos de 100 en Margarita y Campo Bonazzola.
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 (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 BAGUETTE 525, GINKO, FULGOR, AROMO, IS CANARIO, y ACA 916 tuvieron los rendimientos más altos, siendo ACA 916 el menos variable dentro de este grupo.
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 información de los genotipos con al menos tres localidades.
| gl num | gl den | F | Valor p | |
|---|---|---|---|---|
| (Intercept) | 1 | 55 | 19.24 | 0.00005 |
| Genotipo | 20 | 55 | 0.60 | 0.89346 |
| stand | 1 | 55 | 2.83 | 0.09828 |
No se detectaron diferencias de rendimiento estadísticamente significativas al 10% considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p = 0.89). El efecto del stand de plantas 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 | |
|---|---|---|---|---|---|---|
| GINGKO | 3652 | 350 | 3 | 2828 | 4476 | 1 |
| BAGUETTE 525 | 3644 | 347 | 3 | 2828 | 4461 | 1 |
| IS CANARIO | 3602 | 351 | 3 | 2775 | 4429 | 1 |
| ACA 916 | 3541 | 347 | 3 | 2724 | 4359 | 1 |
| AROMO | 3486 | 347 | 3 | 2669 | 4304 | 1 |
| FULGOR | 3430 | 354 | 3 | 2596 | 4263 | 1 |
| PAMPERO | 3348 | 347 | 3 | 2531 | 4164 | 1 |
| ACA 917 | 3303 | 347 | 3 | 2487 | 4120 | 1 |
| COLIHUE | 3292 | 347 | 3 | 2474 | 4109 | 1 |
| BAGUETTE 620 | 3287 | 388 | 3 | 2375 | 4199 | 1 |
| ACA 602 | 3272 | 389 | 3 | 2357 | 4187 | 1 |
| CATALPA | 3272 | 349 | 3 | 2451 | 4092 | 1 |
| ARCE | 3205 | 349 | 3 | 2385 | 4026 | 1 |
| BIO INTA 1006 | 3138 | 387 | 3 | 2226 | 4049 | 1 |
| GYT914 | 3123 | 348 | 3 | 2304 | 3942 | 1 |
| MS INTA 817 | 3060 | 350 | 3 | 2237 | 3883 | 1 |
| ACA 603 | 3028 | 357 | 3 | 2187 | 3869 | 1 |
| K.KD024 | 2997 | 347 | 3 | 2180 | 3814 | 1 |
| CEIBO | 2978 | 390 | 3 | 2060 | 3896 | 1 |
| ÁLAMO | 2970 | 347 | 3 | 2153 | 3787 | 1 |
| POTRO | 2951 | 350 | 3 | 2127 | 3775 | 1 |
El cuadro anterior representa el ranking de genotipos ordenados 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 hasta 700 kg. No obstante debido a la variación observada, las diferencias no fueron estadísticamente significativas.
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 | 11747955.76 | 3915985.25 | 12.09 | <0.0001 |
| Genotipo | 20 | 4165535.80 | 208276.79 | 0.64 | 0.8519 |
| Genotipo:IA | 20 | 7556204.20 | 377810.21 | 1.17 | 0.3345 |
| Residuals | 36 | 11659072.04 | 323863.11 |
Según este análisis, no se detectó interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.33). 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 3.4 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 MS INTA 817, GYT914, ÁLAMO, GINGKO, BIO INTA 1006, ARCE, ACA 602, ACA 603, y BAGUETTE 620 mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, CATALPA, COLIHUE, FULGOR, ACA 917, BAGUETTE 525, y AROMO fueron los materiales con menor sensibilidad (pendientes 25% menores a 1). Sólo las pendientes estimadas para ACA 603, CATALPA, y COLIHUE, fueron estadísticamente distintas de la recta 1:1. Esto debido en parte a la incertidumbre asociada a las estimaciones producto del rango de IA explorado cuya variación fue reducida (CV 13%).
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 tanto inferiores como superiores a 1.
3.6.2 Últimas dos campañas
Al considerar los ambientes evaluados en las últimas 2 campañas (combinación localidad x campaña), sólo 9 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 | 6 | 6406571.89 | 1067761.98 | 2.50 | 0.0348 |
| Genotipo | 8 | 4784774.20 | 598096.78 | 1.40 | 0.2209 |
| Genotipo:IA | 9 | 4560131.26 | 506681.25 | 1.19 | 0.3256 |
| Residuals | 48 | 20509562.57 | 427282.55 |
Según este análisis la interacción entre los materiales evaluados y el índice ambiental no fue significativa (p = 0.35). Esto implica que los genotipos mostraron normas de reacción o sensibilidad similares al promedio. La Tabla 3.8 muestra los valores de pendiente estimados.
| Genotipo | Beta | Error estándar | gl | LI IC90 | LS IC90 |
|---|---|---|---|---|---|
| GINGKO | 1.16 | 0.55 | 54 | 0.06 | 2.26 |
| POTRO | 1.10 | 0.55 | 54 | 0.00 | 2.19 |
| MS INTA 817 | 1.05 | 0.55 | 54 | −0.05 | 2.15 |
| ACA 917 | 0.92 | 0.55 | 54 | −0.18 | 2.01 |
| AROMO | 0.86 | 0.55 | 54 | −0.24 | 1.96 |
| ÁLAMO | 0.73 | 0.55 | 54 | −0.37 | 1.83 |
| CATALPA | 0.57 | 0.55 | 54 | −0.53 | 1.67 |
| COLIHUE | −0.04 | 0.55 | 54 | −1.14 | 1.06 |
| BAGUETTE 620 | −0.80 | 0.55 | 54 | −1.90 | 0.30 |
Según la tabla anterior las estimaciones de sensibilidad no se separan de la norma promedio (intervalo de confianza no contiene al 1). En todos los casos se observa gran amplitud en los intervalos de confianza de las pendientes estimados lo cual está asociado al efecto de la amplitud del rango de IA explorado.
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 2 campañas
Según el gráfico anterior se observa la mayor pendiente de GINKO con rendimientos más altos en todo el rango. COLIHUE y BAGUETTE 620 se caracterizaron por valores de sensibilidad bajos e incluso negativos.
4 Consideraciones finales
En general se observó una moderada 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 observaron diferencias de rendimiento de hasta 700 kg ha-1 entre el primer y último material, aunque dichas diferencias no fueron estadísticamente significativas.
En el estudio de la interacción GA de la campaña actual no se detectaron diferencias significativas respecto al patrón de respuesta promedio. No obstante, algunos materiales mostraron valores estimados de pendiente muy por encima y debajo de la norma general 1:1. En el análisis combinado los datos de las últimas dos campañas se observó una tendencia similar. En ambos casos la falta de potencia para detectar interacción puede deberse al rango de rendimientos abarcado por el índice ambiental.
5 Agradecimientos
A las empresas semilleras: A.C.A., Bioceres, Bioseminis, Buck, Don Mario, GPS semillas, Illinois, Klein, MacroSeed, Nidera, 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.
A las empresas Extra CREA – Los Brangus S.A. por realizar el esfuerzo de siembra conducción y cosecha de estas macro parcelas en sus establecimientos, dedicando personal, tiempo y recursos para tal fin.
6 Apéndice
6.1 Análisis estadístico
6.1.1 Rendimientos testigos
La información proveniente de las franjas testigo repetidas se utilizó para evaluar la variación dentro de las localidades y la existencia de tendencia espacial de los rendimientos según su ubicación en el experimento. Para esto último, en cada localidad se ajustaron modelos lineales de los rendimientos en función del orden de la parcela:
\[ y_{i} = \beta_0 + \beta_1X_i + e_{i} \]
donde: \(y_{i}\) representa la respuesta del testigo en la parcela \(i\), \(X_i\) es el número de posición de la parcela en el experimento, y \(\beta_0\) y \(\beta_1\) coeficientes de regresión.
6.1.2 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 |
|---|---|
| 2022/23 | 18 |
| 2021/22, 2022/23 | 9 |
| 2020/21, 2021/22, 2022/23 | 3 |
| 2019/20, 2020/21, 2021/22, 2022/23 | 1 |
De los 56 genotipos evaluados durante las últimas 4 campañas, sólo 7 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.
6.2 Humedad de cosecha
| Genotipo | Localidad (Duración ciclo) | |||
|---|---|---|---|---|
| Campo Bonazzola (151 días) | Margarita (132 días) | Ruta 39 (156 días) | Vera y Pintado (155 días) | |
| ACA 603 | 10.9 | 15.1 | 8.9 | 9.8 |
| ACA 916 | 10.3 | 13.9 | 9.5 | 9.5 |
| ACA 917 | 11.0 | 13.0 | 9.1 | 9.7 |
| ÁLAMO | 10.8 | 14.8 | 9.4 | 10.2 |
| ARCE | 11.1 | 12.8 | 9.2 | 10.2 |
| AROMO | 10.6 | 12.9 | 9.3 | 10.0 |
| BAGUETTE 525 | 10.9 | 13.3 | 9.1 | 10.2 |
| BAGUETTE 620 | 12.3 | — | 9.5 | 9.6 |
| CATALPA | 10.4 | 18.6 | 9.6 | 9.5 |
| COLIHUE | 10.9 | 21.7 | 9.3 | 10.0 |
| FULGOR | 11.4 | 13.8 | 9.1 | 10.2 |
| GINGKO | 10.5 | 12.9 | 9.2 | 9.7 |
| GYT914 | 10.8 | 12.7 | 9.3 | 10.3 |
| IS CANARIO | 11.0 | 13.7 | 9.4 | 10.0 |
| K.KD024 | 11.3 | 12.4 | 8.8 | 10.3 |
| MS INTA 817 | 10.3 | 12.0 | 9.2 | 9.1 |
| NUTRIA | 11.3 | — | — | — |
| PAMPERO | 10.9 | 14.3 | 9.6 | 9.8 |
| POTRO | 10.9 | 13.1 | 9.0 | 10.0 |
| ACA 602 | — | 15.1 | 9.2 | 10.5 |
| BIO INTA 1006 | — | 13.0 | 9.1 | 10.3 |
| CEIBO | — | 13.3 | 8.8 | 9.3 |
| PEHUEN | — | 15.6 | — | 9.6 |
| SY 211 | — | — | — | — |
Los datos pueden descargarse del siguiente enlace: tabla_humedad.xlsx
6.3 Proteína
| Genotipo | Localidad | |||
|---|---|---|---|---|
| Campo Bonazzola | Margarita | Ruta 39 | Vera y Pintado | |
| ACA 603 | 9.8 | 14.3 | 9.3 | 7.9 |
| ACA 916 | 9.3 | 12.3 | 8.6 | 8.1 |
| ACA 917 | 9.0 | 11.7 | 9.7 | 7.7 |
| ÁLAMO | 7.9 | 11.3 | 10.1 | 7.1 |
| ARCE | 9.4 | 12.9 | 11.3 | 8.0 |
| AROMO | 9.4 | 9.8 | 9.7 | 8.1 |
| BAGUETTE 525 | 8.5 | 13.2 | 10.2 | 7.9 |
| BAGUETTE 620 | 9.8 | — | 8.4 | 7.4 |
| CATALPA | 7.9 | 15.2 | 8.8 | 7.7 |
| COLIHUE | 9.1 | — | 9.0 | 7.8 |
| FULGOR | 9.5 | 14.1 | 8.9 | 8.1 |
| GINGKO | 9.3 | 11.3 | 8.0 | 8.2 |
| GYT914 | — | 10.4 | 10.3 | 8.8 |
| IS CANARIO | 8.9 | 10.7 | 8.4 | 8.3 |
| K.KD024 | 9.6 | 11.7 | 9.4 | 8.4 |
| MS INTA 817 | 11.6 | 11.1 | 9.6 | 8.7 |
| NUTRIA | — | — | — | — |
| PAMPERO | 9.1 | 11.8 | 8.5 | 8.0 |
| POTRO | 9.5 | 13.9 | 8.2 | 8.5 |
| ACA 602 | — | 12.3 | 11.1 | 8.3 |
| BIO INTA 1006 | — | 12.4 | 9.5 | 8.4 |
| CEIBO | — | — | 11.4 | 8.4 |
| PEHUEN | — | 10.7 | — | 7.6 |
| SY 211 | — | — | — | — |
Los datos pueden descargarse del siguiente enlace: tabla_PB.xlsx
6.4 Sanidad
La siguiente tabla muestra los resultados de las evaluaciones fitosanitarias realizadas por el equipo de la EEA Reconquista en la localidad Campo Bonazzola.
| Semillero | Genotipo | Ciclo | Roya Amarilla | Roya Hoja | Roya Tallo |
|---|---|---|---|---|---|
|
NUTRIA | C | — | — | — |
|
GYT914 | C | — | — | 50 MS |
|
ARCE | C | — | — | 40 MS |
|
ACA 917 | C | — | 40 MS | 10 MRMS |
|
BAGUETTE 525 | C | — | — | 60 |
|
IS CANARIO | C | — | — | 20-30 |
|
K.KD024 | C | — | T MR | — |
|
FULGOR | C | — | — | 5 MS |
|
MS INTA 817 | C | — | — | T MR |
|
GINGKO | C | — | — | 40-50 |
|
CATALPA | C | — | — | 30 MS |
|
POTRO | C | — | — | 5 MS |
|
PAMPERO | C | — | 30-40 | T MR |
|
AROMO | C | — | — | 60 MS |
|
ÁLAMO | C | — | — | 60 |
|
COLIHUE | I | — | — | 20 MRMS |
|
ACA 603 | I | — | — | 40-50 |
|
ACA 916 | I | — | — | T MRMS |
|
BAGUETTE 620 | L | — | — | — |
| MS: moderadamente suceptible, MR: moderadamente resistente, T: trazas | |||||
El informe completo puede descargarse en el siguiente enlace: informe_sanidad.pdf
–>
6.5 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.
