1. Healthcare

Variabilidad climática y aplicaciones de modelos agronómicos para el
manejo de nitrógeno
Bruno Basso
Michigan State University,
East Lansing, MI, USA
La variabilidad de rendimiento es a menudo causada por la irregularidad de los
patrones climáticos, particularmente por las precipitaciones y por la posición en el
paisaje, que afecta el tipo y la profundidad de suelo. La magnitud de esta variabilidad
es un buen indicador sobre la conveniencia de la implementación de un plan espacial
de manejo variable. El manejo apropiado del nitrógeno es uno de los principales
desafíos de la agricultura de precisión. Raun y Johnson (1999) han manifestado que la
Eficiencia de Uso del Nitrógeno (EUN), definida como la cantidad de N utilizado para la
producción de granos, debe ser tan bajo como el 33% en cereales y que el incremento
de un 1% de EUN llevaría a un ahorro global de $234 millones de dólares. En
condiciones de campo, las pérdidas de N se deben mayormente a la volatilización de
NH3 de las hojas de plantas ricas en N, a la desnitrificación del suelo y al filtrado de
nitratos. Por lo tanto, para reducir estas pérdidas se hace necesaria una mejor, y más
eficiente, forma de aplicar el N. Desde un punto de vista económico la cantidad óptima
de fertilizante nitrogenado sería la dosis con la cual la rentabilidad financiera del
agricultor se ve maximizada, y a esto se lo conoce como Dosis Económica Óptima
(DEO). La cantidad óptima de N (Nopt) varía según el cultivo, ubicación del lote y entre
años (Samborski et al. 2009). Incluso para el mismo cultivo dentro de un mismo campo
el Nopt no es constante debido a la variabilidad espacial y a las propiedades del suelo
(Pierce and Novak, 1999). Comprender la eficiencia de la fertilización nitrogenada
requiere de la disponibilidad de realizar estudios a largo plazo, ya que pocos años de
ensayos en el campo podrían ser insuficientes para reflejar el potencial de respuesta
del cultivo, debido a la variación de las precipitaciones en la temporada de crecimiento.
Modelos de crecimiento de cultivos orientados hacia este proceso pueden resultar
útiles para simular los efectos del agua y del N a largo plazo, y sus interacciones
temporales en relación a las tasas de crecimiento y desarrollo durante la temporada de
crecimiento (Batcherlor et. al., 2002; Basso et al., 2007). Estos han sido validados y
aplicados extensamente bajo un amplio rango de condiciones ambientales (Singh,
1985; Canberry et al., 1989; Jagtap et al., 1993; Kiniry et al., 1997; Garrison et al.,
1999; Miao et al., 2006; Basso et al., 2007, 2009; Senthilkumar et al., 2009). Los
modelos de cultivos de simulación presentan el potencial de integrar los efectos de las
interacciones temporales y de múltiples estrés en el crecimiento del cultivo bajo
condiciones ambientales y de manejo distintas (Basso et al., 2001). El punto fuerte de
estos modelos es su capacidad para dar cuenta del estrés mediante la simulación de
éste en el crecimiento de la planta durante la temporada (Batcherlor et al., 2002). Sin
embargo, estos modelos no pueden simular todas las posiciones del campo por los
costos asociados a la recolección de información y a la disponibilidad de insumos
específicos. En consecuencia, la delimitación de las zonas dentro de un campo con
respuestas de cultivos similares puede proveer la cantidad necesaria de información
para ejecutar el modelo (Basso et al., 2007). Varios autores han propuesto criterios
para la delimitación de las zonas de manejo (Mulla, 1991; Fleming et al., 2001;
Ferguson et al., 2004; Schepers et al., 2004; Chang et al., 2004; Inman et al., 2005:
Franzen et al., 2002; Basso et al., 2009).
El objetivo de este trabajo es presentar los resultados de dos casos prácticos, uno en
trigo y otro en maíz. También se discute sobre un procedimiento que permita la
selección de una dosis óptima de fertilizante nitrogenado para ser aplicado en zonas
de manejo previamente delimitadas a través de modelos de cultivos de simulación.
Revisión del modelo SALUS
El modelo de cultivo utilizado en este estudio fue el SALUS (en inglés: System
Approach to Land Use Sustainability)((Basso et al., 2006; Senthilkumar et al., 2009;
Basso et al., 2010). SALUS simula el rendimiento de cultivo, agua y balance de
nutrientes en suelo bajo diferentes estrategias de manejo por varios años. El modelo
da cuenta de los efectos de rotación, detalles de plantación, fertilizantes, irrigación y
prácticas de labranza en el rendimiento final y en tanto impacto ambiental. El modelo
simula el crecimiento de la planta y las condiciones de suelo diariamente. Varias
estrategias de manejo pueden ser evaluadas simultáneamente. SALUS requiere
insumos de acuerdo a las propiedades del suelo (propiedades físicas y químicas,
cantidad de agua en suelo y concentración de N), condiciones climáticas
(temperaturas mínimas y máximas, precipitaciones y radiación solar) y detalles de
manejo agronómicos (labranza, manejo de los residuos, plantación, fertilización,
irrigación y cosecha). El modelo provee información sobre el rendimiento del cultivo,
las etapas de desarrollo del mismo, consumo de N y filtrado de nitratos, balance de
agua en el suelo (evaporación, transpiración, drenaje, agotamiento) y niveles de C y N
en suelo.
En los casos sobre maíz y trigo presentados aquí, el modelo fue validado con la
información de rendimiento observada disponible por varios años. SALUS fue validado
para la medición del filtrado de nitratos en diferentes ambientes y ecosistemas
(Syswerda et at., 2012), no obstante, en este estudio no se llevaron a cabo mediciones
de filtrado de nitratos para validar el modelo.
Procedimiento para la selección del valor óptimo de fertilizante nitrogenado
Para ambos estudios, hemos seleccionado dosis de fertilizantes distintos (0, 30, 60,
90, 120, 150, 180, 200, 250 kg N ha-1) para simular el impacto del fertilizante en el
rendimiento, filtrado, y rentabilidad económica neta para 56 años de registros
climáticos disponibles. El modelo cuantifica el efecto de la variabilidad climática,
variación temporal del rendimiento, y del impacto ambiental. Simulamos las dosis de N
seleccionadas para las zonas de manejo previamente identificadas (Basso et al.,
2009). Hemos evaluado la variabilidad espacial y temporal de rendimiento, el filtrado y
los valores marginales usando la simulación del análisis de probabilidades
acumulativas. Simulamos las 7 dosis de fertilizante para 56 años de registros
climáticos disponibles para el lote. Luego elegimos la mejor dosis de N para cada zona
basándonos en la respuesta de rendimiento del N, valor marginal, cantidad de filtrado
de nitrato y emisiones de óxido nitroso.
Resultados y discusión
El Perfil de Resistividad Automático y los tres mapas de zonas de manejo para el
campo de trigo se muestran en la figura 1. La validación del rendimiento simulado y
medido para los 56 años se muestra en la figura 2. El rendimiento promedio de grano
para las tres zonas de manejo con diferentes dosis de N se muestra en la figura 3. La
Zona de Alto Rendimiento (ZAR) de trigo muestra los mayores rendimientos para
todas las dosis de N; en la ZAR el máximo rendimiento fue obtenido con 150 N
(4100kg/ha) incluso cuando la diferencia con 90 kg N/ha es casi insignificante. Para la
Zona de Rendimiento Medio (ZRM) el mayor rendimiento fue obtenido con 90 N (2800
kg/ha), mientras que para la Zona de Bajo Rendimiento (ZBR) el mismo rendimiento
de 1900 kg/ha fue obtenido tanto con 60 como con 90 N. El ingreso neto calculado
como la diferencia entre el precio corriente del grano y el costo global (operación más
materiales), conseguido según las diferentes dosis N, se muestra en la figura 3b. Para
la ZAR el máximo rédito económico fue conseguido con 150 N, pero nuevamente la
diferencia con dosis más bajos es muy pequeña, sugiriendo que los mismos ingresos
pueden obtenerse con menos N pero al mismo tiempo estaríamos ahorrando
fertilizante que es una amenaza potencial para las napas a través del proceso de
filtración. Para las ZRM y ZBR la ganancia máxima fue obtenida con 90 Kg N/ha y 60
Kg N/ha, respectivamente. La figura 4 muestra que el rendimiento marginal de N en el
rendimiento de grano ha disminuido en la medida en que las dosis de N se han
incrementado. Los 30 Kg/ha adicionales agregados de los 30 N presentaron una
disminución en el rendimiento marginal para las tres zonas. La diferencia en el
resultado para la ZAR fue de 13.6 € kg N -1 para los primeros 30 kg/ha, 2.2 € kg N -1
para los 30 kg N/ha, y 0.46 € kg N-1 para los dos últimos incrementos. Para la zona de
ZRM el rendimiento marginal fue de 5.6 € kg N-1 para los primeros 30 kg N/ha, 3.06 €
kg N-1 para los 60 N, -1.2 y -0.4 kg N-1 para los subsecuentes incrementos de N. Para
la ZBR el único rendimiento marginal positivo fue para los primeros 30 kg N/ha
aplicados (2.2 € kg N-1). El mismo cayó a -0.4 y -1.26 € kg N-1 para los subsecuentes
incrementos de N. El filtrado de N para las tres zonas con diferentes dosis de N
presentó que el filtrado se incrementó en medida en que la dosis de N también lo
hacía; los valores más altos de N filtrado se obtuvieron con 180 N. Sin embargo, del
análisis de los 56 años para cada área, la función de probabilidad acumulativa mostró
que se obtuvieron valores de filtrado más altos para las ZMR y ZBR, mientas que se
obtuvieron menores valores para la ZAR. Esto podría deberse a la mejor utilización del
N mineral de los cultivos en crecimiento de pertenecientes a la ZAR, respecto de las
otras dos zonas de manejo. En la ZBR el mayor valor de filtrado se obtuvo con 120,
150 y 180 N, mientas que para la ZRM los valores fueron muy cercanos y similares
entre todos los niveles de N.
El incremento del rendimiento de grano por cada unidad de N aplicado como una
función de cambios en el filtrado por cada unidad de N aplicado evidenció que para la
ZAR los 150 kg N/ha maximizaron el incremento del rendimiento en función del N
filtrado, mientras que para las ZRM y ZBR fueron 90 y 60, respectivamente. Cuando el
ingreso neto se traza en contraste con el filtrado de N, se hace evidente la rentabilidad
y el impacto ambiental del manejo de la fertilización para la ZAR respecto de las ZRM
y ZBR (fig. 4). De hecho, justificado por el rendimiento marginal, cada incremento de
30 N no incrementa significativamente el ingreso neto luego de los 90, 60 y 90 para las
ZAR, ZMR y ZBR, respectivamente. Es necesario mencionar que en la ZBR se mostró
un valor negativo para 30 kg N/ha porque es necesario aumentar la provisión de N
para poder conseguir un rendimiento marginal neto. Luego de los 60 kg N/ha, hay un
impacto negativo en el ambiente sin ningún incremento en el rendimiento marginal
neto. En la ZRM se evidenciaron ganancias negativas con valores inferiores de N, y
aumento de rédito con dosis mayores, pero a costa de ciertos riesgos ambientales,
desde que también presenta los valores más altos de N filtrado. La ZBR es la zona
más delicada para un manejo de fertilizante, porque la mayoría de las dosis de N no
van a incrementar el ingreso neto para esa área, y sólo dos dosis mostraron ser una
solución económicamente viable, siendo 60 N la dosis óptima para dicha zona.
Estudio con maíz
Las diferencias entre el rendimiento de maíz medido y el simulado para seis años de
estudio se muestran en la figura 5. La simulación a largo plazo de rendimiento con
distintas dosis de N mostraron diferencias significativas en los rendimientos en función
de la cantidad de N aplicado al cultivo (Tab. 1). Una aplicación de 50 N presentó
rendimientos inferiores con valores entre 6.1 y 8.1 t ha -1 (fig. 6). El rendimiento del
maíz aumento al incrementar las dosis de aplicación de N, excepto por la aplicación de
250 N que igualó el rendimiento resultante de la aplicación de 200 N en el 90% de los
casos (fig. 6). En promedio, los valores de rendimiento para las dos dosis de N son de
11.6 t ha-1 para 200N, y 11.7 t ha-1 para 250 N con último presentando un coeficiente
más alto de variación (tab. 1). El rango de variación de rendimiento para los 250 y 200
N fue de 9.0 a 14.9 t ha-1, y de 8.9 a 13.8 t ha-1, respectivamente (tab.1). Los patrones
de RMN (rendimiento marginal neto) para los 25 años de simulación son similares a
los de rendimiento. La dosis de 50 N mostró el RMN más bajo, mientras que las dosis
de 200 y 250 el más alto RMN. No obstante, es interesante resaltar que para 250 N
presenta un coeficiente más alto de variación: 13.3% contra 12.2% para los 200 N; y
que también presenta un coeficiente mínimo más bajo que el de 200 N (tab.2). El MNR
para 250 N fue superior sólo en un 10% de los casos durante los 3 años simulados
(fig. 3). Las emisiones de nitrosos aumentaron de 0.28 kg N2O ha -1 para la dosis de 50
kg N ha-1 a un máximo de 1.41 kg N2O kg ha-1 para la dosis de 250 kg N ha -1. La
cantidad equivalente de CO2 también se incrementó linealmente con el aumento de
las dosis de N. El mismo aumentó de 83.5 (50 kg N ha -1) a 417.5 kg CO2e ha-1 (250 kg
N ha-1) (tab.2). El rendimiento del maíz alcanzó una promedio con 200 kg N ha -1 pero
las emisiones de CO2e se incrementaron en 83.5 al momento del incremento de la
dosis de N de 200 a 250 kg ha-1 (fig.7).
Esta investigación presenta un abordaje sobre modelos para la selección de la dosis
de N más sustentable en dos zonas temporal y espacialmente estables de maíz. La
alternativa a este abordaje que da cuenta de la interacción entre el suelo, la planta, el
clima y manejo para 25 años, es un estudio a largo plazo, que, si bien es de enorme
importancia contar con esos experimentos, el costo para llevarlos a cabo y
mantenerlos es prohibitivo. Al utilizar un modelo ya validado con información de los
registros climáticos de varios años, los resultados del modelo podrán simular la
situación cuando el agricultor tenga disponible información sobre el clima a futuro. La
probabilidad de que una dosis de aplicación va a funcionar mejor que otra, dentro de
límites satisfactorios seleccionados por el agricultor (esto es, satisfecho si una dosis
resulta mejor que otra el 75% de las veces), provee los medios para reducir el riesgo al
momento de la selección. La simulación de rendimiento de maíz con registros
climáticos de varios años mostró la variabilidad temporal de rendimiento para varias
dosis de N. Las diferencias se deben a los efectos de la información climática de
varios años en los rendimientos promedios tal como se muestra en la figura 6 y en la
tabla 1. Dichos efectos son más significantes en las dos zonas estables definidas por
Basso et al., (2007) por la influencia de las dos condiciones de suelo diferentes que
son promediadas cuando el modelo se ejecuta en un campo entero. Las diferencias en
la compactación del suelo y en el volumen disponible para el crecimiento de raíz
influenciaron la respuesta del cultivo respecto a N y agua. La respuesta de rendimiento
a los fertilizantes nitrogenados para las dos zonas, LS y HS, muestra que las dosis de
250 kg N ha-1 pueden ser reducidas sin afectar el rendimiento ni los ingresos netos. En
la aplicación para LS de 250 kg N ha -1 ésta no se traduce en un mayor rendimiento a
través de los años (97% de los casos).
Para este estudio, el “factor” de protección ambiental sigue la directiva europea de
nitratos (91/676/EEC) que permite a los agricultores aplicar un máximo de hasta 60 kg
N ha-1 de N inorgánico junto con 170 kg N ha -1 de abono en las zonas vulnerables de
nitrógeno. Esto hace, entonces, una cantidad de N para ser aplicado de 230 kg N ha -1
para campos con esas áreas delicadas y sensibles. Es claro que en este caso
particular el N aplicado excede ligeramente el límite impuesto por la UE, pero esto no
se traduce en un valor de filtrado de N que exceda el objetivo de la UE de 11.3 mg l-1
NO3-N (la información no se muestra, el máximo de NO3-N es aproximadamente de
10 mg l-1 NO3-N para los 250 N en la zona LS). La emisión de CO2e se incrementó
linealmente con el incremento de fertilizante pero el rendimiento de maíz alcanzó un
promedio con 200 kg N ha-1. La integración de esta información con los resultados de
rendimiento y los valores marginales discutidos arriba indican que la dosis de
fertilizante de 200 kg N ha-1, bastante por debajo del límite de la UE, disminuyó la
cantidad de N filtrado y emitido del suelo y maximizó la RMN sin causar reducción en
el rendimiento alguna. Cuando las dos dosis de fertilizantes se incluyen en el modelo
de las dos zonas espaciales de HS y de LS, encontramos que la dosis de N más alta
es siempre la menos productiva. Esto es más evidente en la zona LS donde una
cantidad de 250 kg N ha-1 genera mayor filtración y no resulta tampoco en ningún
incremento de RMN. La cantidad de N emitido del suelo es una función de varios
parámetros tales como propiedades del suelo (densidad aparente, C orgánico, etc.),
manejo del cultivo, temperatura del suelo, agua en suelo, oxígeno en suelo, N en
suelo, y C disponible (Chen et al., 2008). Los resultados de este estudio concuerdan
con los descubrimientos de Grace et al., (2001), en los cuales cualquier pequeño
incremento en la aplicación de N en aplicaciones ya altas o mayores, resultaba en un
aumento proporcional del flujo de N2O. En ambas zonas, la cantidad de N que
maximiza el ingreso, no reduce el rendimiento y presenta un impacto ambiental bajo
(filtrado y emisiones de gases de efecto invernadero), es de 200 kg N ha-1.
Conclusiones
Este estudio ha demostrado que una vez que las zonas de manejo han sido bien
definidas, los modelos de cultivo pueden ser herramientas útiles al momento de
seleccionar el manejo de N más sustentable, desde un punto de vista agronómico,
económico y ambiental. Los modelos ayudan a encontrar la mejor opción de manejo
posible en lo que respecta a la dosis de N, que maximizará el rédito económico del
agricultor a la vez que reducirá el riesgo de contaminación ambiental. Las mejores
dosis para las zonas no fueron identificadas sólo eligiendo aquella que maximizara el
rendimiento, sino que aquella que disminuyera el costo y el impacto ambiental, y
también teniendo en cuenta el rendimiento marginal neto, ingresos netos en contraste
con las filtraciones de N y la EUN.
Referencias
Basso, B., Ritchie, J.T., Pierce, F.J., Braga, R.P., Jones, J.W., 2001. Spatial validation
of crop models for precision agriculture. Agric. Syst. 68, 97–112.
Basso, B., Bertocco, M., Sartori, L., Martin, E.C., 2007a. Analyzing the effects of
climate variability on spatial patterns of yield in a maize-wheat-soybean rotation. Europ.
J. Agron. 26, 82–91.
Basso, B., Cafiero, G., P. De Vita, A. Castrignanò. 2007b. Long-term analysis of
temporal varibility of durum wheat yield: field study and simulation approach in
southern Italy. Proceedings International Conference on Integrated Systems Design.
Catania, 11-13 settembre 2007.
Basso, B., Cammarano, D., Chen, D., Cafiero, G., Amato, M., Bitella, G., Rossi, R.,
Basso, F., 2009. Landscape position and precipitation effects on spatial variability of
wheat yield and grain protein in Southern Italy. J. Agronomy & Crop Science 195, 301–
312.
Batchelor, W.D., Basso, B., Paz, J.O., 2002. Examples of strategies to analyze spatial
and temporal yield variability using crop models. Eur. J. Agron. 18, 141-158.
Carberry, P.S., Muchow, R.C., McCown, R.L., 1989. Testing the CERES-Maize
simulation model in a semi-arid tropical environment. Field Crops Res. 20, 297–315.
definition for use of nitrification inhibitors. Soil Sci. Soc. Am. J. 67, 937–947.
Fleming, K.L., Westfall, D.G., Wiens, D.W., Brodahl, M.C., 2001. Evaluating farmer
defined management zones for variable rate fertilizer application. Precision Agric. 2,
201–215.
Franzen, D.W., Hopkins, D.H., Sweeney, M.D., Ulmer, M.K., Halvorson, A.D. 2002.
Evaluation of soil survey scale for zone development of site specific nitrogen
management. Agron. J. 94, 381–389.
Gamma Design Software, 1999. GS+: Geostatistics for the environmental sciences, v
3.5. Gamma Design Software, Plainwell, MI, USA.
Inman, D., Khosla, R., Westfall, D.G., Reich, R., 2005. Nitrogen uptake across site
specific management zones in irrigated corn production systems. Agron. J. 97, 169–
176.
Jackson, R.D., Idso, S.B., Reginato, R.J., Pinter Jr., P. J., 1981. Canopy temperature
as a crop water stress indicator. Water Resources Research 17, 1133–1138.
Jagtap, S.S., Mornu, M., Kang B.T., 1993. Simulation of growth, development and yield
of maize in the transition zone of Nigeria. Agric. Syst. 41, 215–229.
Kiniry, J.R., Williams, J.R., Vanderlip, R.L., Atwood, J.D., Reicosky, D.C., Mulliken, J.,
Cox, W.J., Mascagni, H.J., Hollinger, S.E., Wiebold, W.J. Evaluation of two maize
models for nine U.S. locations. Agron. J. 89, 421–426.
Kitchen, N.R., Goulding, K.W.T., 2001. On-farm technologies and practices to improve
nitrogen use efficiency, in Follet, R.F., Hatfield, J.L. (eds.): Nitrogen in the environment:
Sources, problems and management. Elsevier Science BV, Amsterdam, The
Netherlands, pp. 334–370.
Klute, A., C. Dirkens, 1986. Hydraulic conductivity and diffusivity: laboratory methods.
In: Klute, A. (Ed.), Methods of soil analysis: Part 1. Physical and mineralogical
methods, 2nd edn. ASA, Madison, WI, pp. 687–734.
Miao, Y., Mulla, D.J., Batchelor, W.D., Paz, J.O., Robert, P.C., Wiebers, M., 2006.
Evaluating management zone optimal nitrogen rates with a a crop growth model.
Agron. J. 98, 545–553.
Moran, M.S., Clarke, T.R., Inoue, Y., Vidal, A., 1994. Estimating crop water deficit
using the relation between surface-air temperature and spectral vegetation index. Rem.
Sens. Environ. 49, 246–263.
Moran, M.S., Pinter, P.J. Jr., Clothier, B.R., Allen, S.G., 1989. Effect of water stress on
the canopy architecture and spectral indices of irrigated alfalfa. Remote Sens. Environ.
29, 251–261.
Mulla, D.J., 1991. Using geostatistics and GIS to manage spatial patterns in soil
fertility. In: Kranzler, G. (Ed.), Proceedings of the Automated Agricultural for the 21st
Century. Chicago, IL, 16–17 December 1991. ASAE, St. Joseph, MI.
Mulla, D.J., Bhatti, A.U., Hammond, M.W., Benson, J.A., 1992. A comparison of winter
wheat yield and quality under uniform versus spatially variable fertilizer management.
Agr. Ecos. Environ. 38, 301–311.
Pierce, F.J., Anderson, N.W., Colvin, T.S., Schueller, J.K., Humberg, D.S.,
Mc.Laughlin, N.B., 1997. Yield mapping. In: Pierce, F.J., Sadler, E.J. (Eds.), The state
of Site Specific Management for Agriculture. ASA Misc. Publ., ASA, CSSA, and SSSA,
Madison, WI, pp. 211–243.
Pierce, F.J., Nowak, P., 1999. Aspects of precision agriculture. Adv. Agron. 67, 1–85.
Raun, W.R., Johnson, G.V., 1999. Improving Nitrogen use efficiency for cereal
production. Agron. J. 91, 357–363.
Raun, W.R., Soile, J.B., Johnson, G.V., Stone, M.L., Lukina, E.V., Thomason, W.E.,
Schepers, J.S., 2001. In-season prediction of potential grain yield in winter wheat using
canopy reflectance. Agron. J. 93, 131–138.
Ritchie, J.T., Basso, B., 2008. Water use efficiency is not constant when crop water
supply is adequate or fixed: the role of agronomic management. Europ. J. Agron. 28,
273–281.
Ritchie, J.T., Gerakis, A., Suleiman, A., 1999. Simple model to estimate field-measured
soil water limits. Trans. ASAE 42, 1609–1614.
Robert, P.C., 1993. Characterisation of soil conditions at the field level for soil specific
management. Geoderma 60, 57–92.
Sambroski, S.M., Tremblay, N., Fallon, E., 2009. Strategies to make use of plant
sensors-based diagnostic information for Nitrogen recommendations. Agron. J. 101,
800–816.
Scharf, P.C., Kitchen, N.R., Sudduth, K.A., Davis, J.G., 2006. Spatially variable corn
yield is a weak predictor of optimal nitrogen rate. Soil Sci. Soc. Am. J. 70, 2154–2160.
Schepers, A.R., Shanahan, J.F., Liebig, M.A., Schepers, J.S., Johnson, S.H., Luchiari
Jr., A., 2004. Appropriateness of management zones for characterizing spatial
variability of soil properties and irrigated corn yields across years. Agron. J. 96, 195–
203.
Schlemmer, M.R., Francis, D.D., Shanahan, F.F., Schepers, J.S., 2005. Remotely
measuring chlorophyll content in corn leaves with differing nitrogen levels and relative
water content. Agron. J. 97, 106–112.
Zhang, H., Smeal, D., Arnold, R.N., Gregory, E.J., 1996. Potato nitrogen management
by monitoring petiole nitrate level. J. Plant Nutr. 19, 1405–1412.
Figura 1. a) Mapa interpolado del Perfil de Resistividad Automático para la capa de suelo de 0-50 cm. b) Mapas
de las tres zonas de manejo. Zona de Alto Rendimiento; Zona de Rendimiento Medio; Zona de Bajo
Rendimiento.
Figura
2. Validación del modelo para el área de estudio. (Basso et al., 2007).
Figure 3. a) Rendimiento promedio en función de las dosis de N para las tres zonas de manejo.
3b) Ingresos netos en función de las dosis de N para las tres zonas de manejo.
Figura 4. a) Valor marginal de N en función de las dosis de N para las tres zonas de manejo.
4b) Ingresos netos y filtraciones en función de las dosis de N para las tres cosas de manejo.
Cada símbolo representa las dosis de N comenzando en 30 Kg N ha-1 hasta 180 Kg N ha-1 con incrementos de
30 Kg.
Tabla 1. Promedio, desviación estándar, valores máximos y mínimos, coeficiente de variación de rendimiento
de maíz, rendimiento marginal neto para las 5 dosis de N simuladas para el campo completo con 25 años de
información climática.
Rendimiento
(t ha-1)
Dosis
N
de
(kg N ha-1)
Promedio
DES.STAN
MAX
(t ha-1)
MIN
CV
(%)
50 N
100 N
150 N
200 N
250 N
7.2
8.8
10.1
11.6
11.7
0.6
1.5
1.2
1.5
1.6
8.1
11.0
11.7
13.8
14.9
6.1
6.4
7.7
8.9
9.0
8.5
17.0
11.9
12.8
13.8
Rendimiento marginal neto
(€ ha-1)
Dosis
N
de
(kg N ha-1)
Promedio
DES.STAN
MAX
(t ha-1)
MIN
CV
(%)
50 N
100 N
150 N
200 N
250 N
1650.2
1938.8
2171.6
2426.0
2405.4
121.4
298.8
241.9
296.6
320.5
1835.0
2380.0
2485.0
2870.0
3055.0
1435.0
1460.0
1685.0
1890.0
1875.0
7.4
15.4
11.1
12.2
13.3
Tabla 2. Promedio de flujos de óxido nitroso (N2O) por temporada calculado para cada tratamiento con N, y la
cantidad de dióxido de carbono (CO2e) equivalente para cada tratamiento de N.
N
N2O
-1
(kg N ha )
CO2e
-1
-1
(kg N2O ha )
(kg CO2e ha )
50
0.28
83.5
100
0.56
167.0
150
0.85
250.5
200
1.13
334.1
250
1.41
417.6
Figura 5. Rendimiento simulado vs. Rendimiento medido para los 6 años de información, utilizando el modelo
de cultivo SALUS. (Parámetros: y=1.02x-493; r2=0.92; RMSE=398.7 kg/ha)
Figura 6. Probabilidad acumulativa (%) de rendimiento de maíz (t ha-1) para los 4 escenarios de N (50, 100, 150,
200 kg N ha-1) y para la dosis del agricultor (250 kg N ha-1), tal como fue simulado por el modelo SALUS
utilizando la información de 25 años de registros climáticos.
Figura 7. Relación entre rendimiento de maíz, fertilización y CO2e emitido para cada cantidad de fertilizante.