ESTIMACIÓN DE LA PRODUCTIVIDAD PRIMARIA DE … Adriana Fontán.pdf · Cámara de Semilleristas de...

TRABAJO CORRESPONDIENTE AL CICLO DE INTENSIFICACIÓN

PARA ACCEDER AL TÍTULO DE INGENIERO AGRÓNOMO.

ESTIMACIÓN DE LA PRODUCTIVIDAD PRIMARIA

DE PASTURAS EN LA REGIÓN PAMPEANA.

EVALUACIÓN DEL MODELO DE SIMULACIÓN GRAZE.

Intensificando: Fontán, Adriana Raquel.

Director: Ing. Agr. M.Sc. Garbulsky, Martín.

Co-director: Ing. Agr. Dr. Di Bella, Carlos.

Fecha de entrega: Junio de 2009.

Universidad de Buenos Aires Facultad de Agronomía

Tesis de Grado Fontán, Adriana

INDICE

AGRADECIMIENTOS………………………………………………………………………2

RESUMEN.................................................................................................................................3

INTRODUCCIÓN....................................................................................................................5

MATERIALES Y METODOS............................................................................................11

Descripción del modelo de simulación GRAZE.......................................................................11

Lógica y limitaciones de GRAZE…………………………………………………………….12

Área de estudio y datos de PPNA.............................................................................................14

Calibración del modelo.............................................................................................................18

Evaluación de las simulaciones................................................................................................22

RESULTADOS……………………………………………………………………………...25

Efecto de las condiciones ambientales………….......................................................................25

Efecto de la variabilidad climática intra anual........................................................................29

Efecto de la variabilidad climática interanual.........................................................................31

Efecto de la edad de la pastura.................................................................................................36

DISCUSIÓN............................................................................................................................39

CONCLUSIONES……………...............................................................................................46

BIBLIOGRAFIA.....................................................................................................................48

APÉNDICE..............................................................................................................................54


AGRADECIMIENTOS

A mi director Martín Garbulsky por toda su paciencia y dedicación. A mi co-director

Carlos Di Bella por su disposición para realizar correcciones y aportes. Al Instituto Clima y

Agua del INTA Castelar, por brindarme los datos climáticos indispensables para la

realización de este estudio. A la Ing. Agr. María E. Deimundo y al Ing. Agr. José De Battista

por detallarme la metodología de evaluación de las especies forrajeras que lleva adelante la

Cámara de Semilleristas de la Bolsa de Cereales. A Otto J. Loewer, quien muy amablemente

respondió todas las dudas sobre la lógica y uso de GRAZE. A mi familia y amigos, por la

confianza y el apoyo incondicional, muy especialmente a mis padres a quienes dedico este

trabajo.


3

RESUMEN

El conocimiento de la heterogeneidad espacial y temporal de la productividad primaria

neta aérea (PPNA) de los recursos forrajeros es determinante para poder planificar y lograr

una producción ganadera eficiente. Para estimar la PPNA de dichos recursos pueden utilizarse

los modelos de simulación del funcionamiento de pasturas. El modelo GRAZE presentó

resultados satisfactorios en su lugar de origen, y por lo tanto el objetivo de este trabajo fue

evaluar el comportamiento de dicho modelo bajo las condiciones de crecimiento de la Región

Pampeana. Se simuló la producción de materia seca de Festuca arundinacea a lo largo de un

gradiente de condiciones ambientales utilizando datos climáticos y edáficos como variables de

entrada. Los resultados fueron comparados con datos de PPNA obtenidos a campo (período

1996-2003) en la red de ensayos de la Cámara de Semilleristas de la Bolsa de Cereales

(CSBC). GRAZE simuló valores de PPNA media similares en las distintas localidades. La

PPNA media fue subestimada en un 51%, 31% y 16% en San Francisco de Bellocq, Bellocq y

Luján (Buenos Aires) respectivamente; y sobreestimada en un 25% en Rafaela (Santa Fé).

GRAZE simuló con mayor error medio los valores más elevados de la PPNA observada; y no

simuló la variabilidad climática estacional subestimando la PPNA media de otoño, primavera

y verano; y sobreestimando la PPNA media de invierno. GRAZE tuvo escasa capacidad para

simular los cambios en la PPNA observados en las diferentes campañas de la CSBC debido al

efecto de la variabilidad climática interanual. No consiguió simular de manera adecuada los

diferentes estados del cultivo y su evolución a través del paso de los años. Por lo tanto, la

capacidad de GRAZE para simular el crecimiento de forraje bajo las condiciones de la Región

Pampeana fue limitada y poco satisfactoria. Es probable que una definición más ajustada de

los parámetros que definen las características de los genotipos simulados por GRAZE pudiera

mejorar la performance del modelo. Los resultados de este trabajo sugieren que no sería una


4

herramienta adecuada para optimizar el uso y planificación de los recursos forrajeros

cultivados en la Región Pampeana.

Palabras clave: Festuca, Modelo GRAZE, PPNA, Región Pampeana, RMSD.


5

INTRODUCCIÓN

La producción ganadera Argentina se realiza fundamentalmente bajo condiciones de

pastoreo durante todo el año. La mayoría de los sistemas productivos están basados en la

utilización de pastizales para los rodeos de cría, y pasturas cultivadas (anuales y/o perennes)

para el engorde de novillos y la producción lechera. Las pasturas constituyen la fuente de

alimentación más barata para los rumiantes, por lo cual es fundamental potenciar su

productividad y la eficiencia con que el forraje es cosechado por los animales y transformado

en producto animal (carne, leche, lana) (Gómez, 1996). Las pasturas polifíticas son comunes

en toda la Región Pampeana donde se consocian principalmente especies de gramíneas (por

ejemplo Pasto Ovillo, Festuca y Cebadilla) y leguminosas (Alfalfa y tréboles). La

composición de dichas pasturas puede variar con el transcurso de los años, reflejando la

adaptación de las especies implantadas al medio ambiente y al método de utilización. Pese a

que se procura conferir a las pasturas constancia en la producción de forraje mediante la

combinación de especies o genotipos con diferentes ciclos de crecimiento, la productividad

presenta variaciones debido a las características climáticas (fruto de la estacionalidad de las

precipitaciones, la localización geográfica y la altitud), o al manejo (fertilización, carga, etc.)

(Deregibus, 1988).

La Productividad Primaria Neta Aérea (PPNA) de los recursos forrajeros es una de las

determinantes, junto con la eficiencia de cosecha, de la receptividad o capacidad de carga de

los sistemas ganaderos (Deregibus y Garbulsky, 2001). Específicamente, a escala regional la

receptividad de los recursos forrajeros está correlacionada con el promedio anual de la PPNA

e inversamente relacionada con su coeficiente de variación intra e interanual (Oesterheld et


6

al., 1992). Por lo tanto el conocimiento de la producción anual y estacional de las pasturas en

las diferentes regiones agro ecológicas constituye un elemento clave para estimar, por un lado,

la eficiencia con que la pastura es o podría ser utilizada, y por otro el margen que existe para

mejorar su productividad. Dicho conocimiento, además, permitiría realizar un mejor ajuste

entre la oferta de forraje y los requerimientos del rodeo.

Para estimar la PPNA, y por lo tanto la capacidad de carga de los recursos forrajeros,

existen diferentes metodologías. Dichas metodologías pueden agruparse en directas e

indirectas. En el primero de los casos, las estimaciones de la PPNA se obtienen a partir de un

contacto directo con la característica a ser medida. Las estimaciones de PPNA a partir de

cortes de biomasa aérea es un ejemplo típico de las metodologías directas. Este es un método

simple utilizado en pasturas y pastizales; la PPNA se obtiene como la división de la biomasa

acumulada por el tiempo transcurrido entre cortes de biomasa (Sala y Austin, 2000). La

principal desventaja de dicha técnica es su carácter destructivo (que no permite repeticiones

en la misma área), además de ser lento y costoso, y por lo tanto su uso en grandes extensiones

resulta muy dificultoso. En el segundo caso, las metodologías indirectas, se caracterizan por

estimar una variable sin entrar en contacto directo con la vegetación. Dichas metodologías se

pueden clasificar en dos grandes grupos. Por un lado la técnica de doble muestreo, la cual es

una herramienta con la que se puede estimar la biomasa aérea, cuya medición es difícil o

laboriosa, a partir de otra de fácil medición que a priori esta correlacionada con la primera

(Paruelo et al., 2000a). La estimación visual, uso de discos lastrados, fotos digitales, son

ejemplos de técnicas de doble muestreo. Si bien dicha metodología permite un aumento

dramático en el número de muestras, su principal desventaja radica en la necesidad de

calibración de dichas técnicas para cada recurso forrajero mediante un muestreo por cortes de


7

biomasa, lo que involucra finalmente las desventajas ya mencionadas para dicha metodología.

Por otro lado, la PPNA se puede estimar a través de datos aportados por sensores remotos de

manera sencilla, precisa y a muy bajo costo, dada la capacidad para estimar la variación

espacial y temporal de las características espectrales de la radiación reflejada por la

vegetación (Taylor et al., 1985; Paruelo et al., 1999; Paruelo et al., 2000b; Hill, et al., 2004).

Aún así, dicha herramienta presenta varias desventajas: en primer lugar la capacidad para

obtener aceptables estimaciones de la PPNA es función de la correspondencia que se logre

entre las características del recurso (superficie, heterogeneidad espacial y temporal) y las

distintas resoluciones que caracterizan a los sensores remotos (espectral, temporal y espacial).

En segundo lugar, las estimaciones realizadas mediante sensores remotos pueden presentar

complicaciones debido a la presencia de agua, o material senescente (Beget, 2004; Di Bella et

al., 2004) sobre el recurso forrajero que se quiere medir. Como último método indirecto se

encuentran los modelos matemáticos de simulación agronómica.

Durante varias décadas las simulaciones mediante modelos matemáticos sobre un

soporte computacional han probado ser una herramienta básicamente poderosa y aplicable a

las ciencias biológicas. Un modelo de simulación es definido como una representación

matemática de un sistema (Jones y Luyten, 1998). De manera general se pueden identificar

dos objetivos fundamentales para los modelos de simulación biológicos. El primero consiste

en alcanzar un mejor conocimiento del comportamiento del sistema, como así también las

interacciones y las interrelaciones causa-efecto que ocurren dentro del mismo. El segundo

objetivo se relaciona con la obtención de predicciones del comportamiento del sistema para

mejorar su manejo y/o su control. Parton et al. (1987), predijeron adecuadamente mediante el

modelo biogeoquímico Century la productividad vegetal aérea de pastizales de los Estados


8

Unidos, y los niveles de carbono y nitrógeno a través de diferentes texturas de suelos y bajo

los efectos de un gradiente climático. Localmente, dicho modelo fue utilizado para analizar

los efectos de largo plazo del pastoreo de herbívoros domésticos sobre el carbono orgánico

del suelo y la PPNA a lo largo de un gradiente ambiental, presentando un comportamiento

aceptable para la región (Piñeiro et al., 2001). En dicho trabajo las estimaciones regionales de

la PPNA de pastizales del Río de la Plata mostraron una alta correlación con los valores

medidos a campo o estimados con métodos independientes. La desventaja principal de dicho

modelo para ser utilizado en la Región Pampeana fue la necesidad de datos diarios de

radiación como una de las variables de entrada, los cuales no se encuentran disponibles con

suficiente alcance espacial y temporal.

El modelo de simulación “STICS”, desarrollado en Avignon (Francia), fue concebido

como un modelo genérico capaz de adaptarse fácilmente a diferentes tipos de cultivos (maíz,

trigo, banana, tomate, soja, cebada y forrajeras, entre otros) (Brisson et al., 1998). La

principal ventaja de dicho modelo es su capacidad para simular el efecto del clima, el suelo y

el manejo sobre la producción del cultivo (cantidad y calidad) y sobre el ambiente (balance de

agua y nitrógeno en el suelo y en el cultivo) de manera bastante genérica. Negri (2001) simuló

con el modelo STICS el crecimiento de Festuca (Festuca arundinacea) y Pasto ovillo

(Dactylis glomerata) para distintas localidades de la Región Pampeana, con el fin último de

combinar dicha información con la obtenida a partir de imágenes satelitales para mejorar las

estimaciones de la productividad a escala regional. El resultado que obtuvo fue variable y

poco satisfactorio. El modelo sobreestimó la producción de biomasa en varias localidades,

mientras que en otras la subestimó. En forma general, el comportamiento del modelo fue

bueno sólo en el sitio de ensayo que presentaba características climáticas y edáficas similares


9

a algunos sitios para los cuales se adaptó el modelo en Francia. Así mismo, dicho modelo

también necesita datos de radiación para realizar las simulaciones de la productividad de las

pasturas, lo que limita su potencial utilidad en la Región Pampeana.

Dichas evidencias muestran que hasta el momento no se dispone de un modelo de

simulación de la productividad de especies forrajeras potencialmente utilizable en la Región

Pampeana. Contar con un modelo de simulación de la PPNA de pasturas permitiría tener una

herramienta para evaluar el efecto de diferentes prácticas de manejo, como así también el

comportamiento frente a cambios en las condiciones climáticas (sequías, inundaciones,

heladas, etc.). Por otro lado, representan un instrumento que permitiría comprender en mayor

profundidad el funcionamiento del sistema pastoril y su interacción con el ambiente.

Consecuentemente permitiría evaluar diferentes medidas a tomar, lo que contribuiría

notablemente en la optimización del manejo de los sistemas pastoriles actuales de la

Argentina.

El modelo de simulación GRAZE probó en varias experiencias en diferentes

localidades de los Estados Unidos reproducir razonablemente bien lo que fue observado a

campo en un amplio rango de condiciones ambientales (Loewer et al., 1995). Se ha evaluado

la capacidad de predicción de GRAZE en el crecimiento vegetal de Festuca (Festuca

arundinacea, Allen et al., 1995 a; Allen et al., 1995 b; Frere et al., 1992 a; Frere et al., 1992

b; Seman y Frere, 1995 a; Seman y Frere, 1995 b), Bermuda (Cynodon dactylon L., West y

Goetsch, 1995) y Rye grass anual (Lolium multiflorum Lam., Huffman et al., 1995) en

diferentes regiones de los Estados Unidos. Si bien la performance de GRAZE fue mejor bajo

ciertas condiciones que bajo otras (Loewer et al., 1995), los autores concluyen sobre la base

de estas experiencias, que GRAZE puede ser usado efectivamente para una gran variedad de


10

situaciones ambientales y productivas, dependiendo únicamente de la definición adecuada de

cada uno de los sistemas a ser evaluados. Dichos resultados satisfactorios de GRAZE, sumado

a su ventaja principal de requerir datos climáticos disponibles en todas las estaciones

meteorológicas del país, convirtieron a este modelo en la herramienta disponible más

promisoria para la estimación de la PPNA de los recursos forrajeros de la Región Pampeana.

De esta manera, el objetivo general de este trabajo fue evaluar una herramienta

predictiva que pueda ser útil para mejorar la comprensión de la variabilidad espacial y

temporal de la PPNA de recursos forrajeros implantados. El objetivo particular fue evaluar el

comportamiento del modelo de simulación GRAZE en la estimación de la PPNA de pasturas

bajo las condiciones de crecimiento de la Región Pampeana.


11

MATERIALES Y METODOS

Descripción del modelo de simulación GRAZE

GRAZE es un modelo de simulación dinámico que describe matemáticamente las

interrelaciones diarias entre los vegetales, el suelo y el ambiente; y entre vegetales y

herbívoros durante una estación de pastoreo (Loewer, 1998). Fue desarrollado a través de tres

proyectos regionales en los Estados Unidos que comenzaron en 1976 en la Universidad de

Kentucky y continuaron en la Universidad de Arkansas. Está compuesto por tres submodelos:

uno vegetal, uno animal, y una interfase vegetal/animal. Esta última simula el pastoreo

selectivo por los herbívoros. El submodelo vegetal de GRAZE, sobre el cual se centró este

trabajo, es “no específico” en cuanto a lugar o localidad geográfica, especie o manejo. Esto

significa que podría utilizarse para diferentes áreas fisiográficas con solo introducir aquellos

parámetros descriptores del lugar (clima y tipo de suelo), cultivo y manejo; y que se

relacionaran con los atributos que serían simulados (Loewer, 1998). GRAZE asume que el

crecimiento vegetal depende de las siguientes variables ambientales o de manejo: máxima y

mínima temperatura del aire (las que determinan, junto con la duración del día, la radiación

incidente); precipitaciones; remoción de materia seca (mediante pastoreo y/o cortes); y la

fertilización con nitrógeno, fósforo y potasio. Dichos factores se determinaron para cada

especie vegetal cada veinticuatro horas, que es el tiempo de cálculo establecido.

Una de las principales características que hicieron de GRAZE una alternativa

promisoria para la evaluación de la producción de pasturas en la Región Pampeana, es que no

requiere datos de radiación para simular el crecimiento vegetal. Como se mencionó

anteriormente, la radiación es estimada por el modelo diariamente a partir de la duración del


12

día (la que a su vez fue calculada mediante la latitud y el día juliano) y la temperatura. Dicha

característica representó una gran ventaja debido a que no existen suficientes datos de

radiación con el detalle necesario para la Región Pampeana, lo que a su vez convirtió a

GRAZE en una herramienta potencialmente aplicable a cualquier localidad que cuente con

datos de precipitación y temperatura, a diferencia de, por ejemplo, el modelo Century ya

evaluado en la Región.

Lógica y limitaciones de GRAZE

Las suposiciones más importantes que incluye GRAZE son las siguientes (Loewer y

Parsh, 1995):

Datos climáticos: el crecimiento vegetal es influido por cambios microclimáticos

que ocurren a lo largo del día. Los datos climáticos provistos a GRAZE pueden no

reflejar las condiciones reales experimentadas en el estudio a campo por los

vegetales en crecimiento. Las razones dominantes están relacionadas a la

proximidad física a la estación meteorológica, al grado de precisión y de la

frecuencia con que los datos fueron tomados. Así las suposiciones acerca del clima

que son propias de GRAZE pueden conducir a algún error independientemente de

las descripciones matemáticas del crecimiento vegetal. Por ejemplo, GRAZE

utiliza temperatura máxima y mínima diaria, para generar la distribución de la

temperatura a lo largo del día. La ventaja de dicha aproximación es que la

temperatura es relativamente fácil de introducir en el modelo. La desventaja es que

la variación diaria de la temperatura no está basada en observaciones directas.

En cuanto a las precipitaciones, dichos valores son introducidos diariamente. Sin

embargo, el momento exacto de las precipitaciones no es especificado en el


13

modelo. A su vez el modelo asume una distribución homogénea de la lluvia en

toda el área. Por último, supone que la radiación global es suficiente para estimar

el crecimiento vegetal, pero no se tiene en cuenta directamente la nubosidad y

otras partículas atmosféricas que reduzcan la llegada de radiación al cultivo.

Dichas suposiciones pueden claramente llevar a errores en la simulación del

crecimiento diario de los vegetales.

Uniformidad: bajo condiciones a campo, los nutrientes del suelo, agua y otras

características varían espacialmente (heterogeneidad espacial). Esto se refleja en la

variación de rendimientos entre diferentes tratamientos que subjetivamente

deberían ser iguales. Una de las causas de dicha variación es que existan otras

especies vegetales que compitan por dichos recursos edáficos. En GRAZE se

supone que solo la especie dominante tiene acceso a los recursos edáficos, y que

dichos recursos (nutrientes y agua) están distribuidos uniformemente.

Variedades: Las características de las especies forrajeras simuladas por GRAZE

están definidas por 36 parámetros (tabla 2 del Apéndice). Así, diferencias en el

crecimiento vegetal en distintas localidades geográficas están asociadas

únicamente con las condiciones del ambiente a las que están expuestas las plantas,

definidas en términos generales. El usuario del modelo puede cambiar cualquiera

de los parámetros para un genotipo particular.

Densidad: GRAZE supone que el crecimiento vegetal es uniforme en toda la

superficie.

Competencia: GRAZE asume que no existe competencia entre plantas.


14

Área de estudio y datos de PPNA

Para la evaluación del modelo se utilizaron datos experimentales disponibles de

producción de especies forrajeras, medidos mediante cortes de biomasa aérea,

correspondientes a la Red de Ensayos de la Cámara de Semilleristas de la Bolsa de Cereales

(CSBC) de Buenos Aires. Dicha base de datos estuvo compuesta por datos obtenidos en 10

sitios diferentes dentro de la Región Pampeana Argentina. De los 10 sitios se utilizaron cuatro

(Fig.1): Rafaela, Provincia de Santa Fe (Raf); Luján (Luj), Bellocq (Bell), y San Francisco de

Bellocq (SFB), Provincia de Buenos Aires. La elección tuvo como criterio principal

establecer un gradiente en las condiciones ambientales y edáficas, y de dicha manera evaluar

el desempeño del modelo ante diferentes condiciones de clima y suelo. Se centró la atención

en una sola especie, Festuca arundinacea (o Festuca Alta) por ser la especie que presentó

dentro de todas las especies forrajeras evaluadas en dichas localidades, el mayor número de

cortes, y que presentó siempre en sus ensayos una misma variedad: El Palenque.

Los ensayos realizados por la CSBC tienen como objetivo evaluar el comportamiento

productivo de diferentes especies forrajeras y/o cultivares en distintos ambientes de la Región

Pampeana, bajo un mismo sistema de manejo (http://www.argenseeds.com.ar). Dicho sistema

se encuentra compuesto básicamente de un diseño experimental en parcelas, en las cuales se

sembraron (generalmente en otoño) las variedades de cada especie forrajera, junto a uno o dos

testigos de la misma especie. Se realiza control de plagas, malezas y enfermedades, como así

también fertilizaciones con fósforo y nitrógeno. A partir de los cortes realizados

simultáneamente para todos los cultivares de una misma especie y del estado del cultivo se

registró el peso verde de cada parcela cortada y se tomó una muestra para determinar el

porcentaje de materia seca. En función de dichos datos, se obtuvo la producción de materia


15

seca acumulada por hectárea entre cortes, la acumulada anualmente y el total al final de los

años de producción que abarcó cada campaña.

Figura 1. Ubicación geográfica de las Estaciones Experimentales de la CSBC y de las cuatro elegidas para la calibración de GRAZE, con referencias de las temperaturas medias anuales (en ºC). (Adaptado de: www.argenseeds.com.ar y de www.surdelsur.com). RAF: Rafaela; LUJ: Luján; BELL: Bellocq; y SFB: San Francisco de Bellocq).

El rango de precipitaciones anuales promedio varió entre 860 mm/año para SFB y

1100 mm/año para Luj. El gradiente de temperatura media anual va desde 18.3 °C para la

localidad ubicada más al norte (Raf), hasta 14 °C para la ubicada más al sur (SFB). Asimismo,

las cuatro estaciones experimentales de CSBC elegidas varían en cuanto a las características

más destacadas de los suelos y del clima (Tabla 1).


16

EE CSBC Raf Luj Bell SFBSuelo clasificación Argiudol típico Argiudol típico Hapludol HapludolTextura Franco limoso Franco arcillo limoso Franco Franco arcillosoMateria orgánica (%) 3.6 3.0 3.0 4.0Fósforo asimilable (ppm) 60.0 9.0 13.0 7.0

pH (en agua) 6.1 5.9 6.0 5.6

Clima Continental y Templado y Medierráneo y Templado y

templado húmedo templado húmedo

Precipitación anual (mm) 1000 1100 970 860

Temperatura Media (ºC) 18.3 16.5 15.2 14.0

Tabla 1. Características del suelo y clima de las estaciones experimentales de CSBC elegidas (Adaptado de: www.argenseeds.com.ar). Promedios históricos: precipitación anual: 1990-2002; temperatura media: 1995-2002.

Las campañas seleccionadas de la Red de ensayos de la CSBC para ser simuladas

fueron en total 15, tres de ellas en Raf, cuatro en Luj, cinco en Bell y tres en SFB. Los datos de

producción correspondientes a dichas campañas fueron utilizados para evaluar los resultados

del modelo y su capacidad para simular la variabilidad espacial, estacional e interanual de la

productividad forrajera en la Región Pampeana (Tabla 2a). Los datos de cortes de biomasa

abarcaron el período 1996-2003 y dieron por resultado un total de siete años de evaluación

consecutivos (Tabla 2b).

a

Campaña Raf Luj Bell SFB1996 - 1999 x x1997 - 2000 x x1998 - 2001 x x x ** x1999 - 2002 x x x x2000 - 2003 x x2001 - 2004 x **

** solo dos años de duración


17

b

Cortes realizados dentroCampaña Año de producción Período involucrado de cada año productivo

dentro de cada dentro de cada año Raf Luj Bell SFBcampaña de producción

1996-1999 Año 1: 1996- 1997 Otoño 1996- 30 junio 1997 3 5Año 2: 1997-1998 1 julio 1997- 30 junio 1998 7 6Año 3: 1998-1999 1 julio 1998- 30 junio 1999 4 5

1997-2000 Año 1: 1997-1998 Otoño 1997- 30 junio 1998 7 5

Año 2: 1998-1999 1 julio 1998- 30 junio 1999 6 4Año 3: 1999-2000 1 julio 1999- 30 junio 2000 5 4

1998-2001 Año 1: 1998-1999 Otoño 1998- 30 junio 1999 7 4 4 4Año 2: 1999-2000 1 julio 1999- 30 junio 2000 6 4 4 4Año 3: 2000- 2001 1 julio 2000- 30 junio 2001 5 3 0 5

1999-2002 Año 1: 1999-2000 Otoño 1999- 30 junio 2000 7 4 6 5Año2: 2000-2001 1 julio 2000- 30 junio 2001 7 4 4 5Año 3: 2001-2002 1 julio 2001- 30 junio 2002 4 4 4 5

2000-2003 Año 1: 2000-2001 Otoño 2000- 30 junio 2001 3 6Año 2: 2001-2002 1 julio 2001- 30 junio 2002 5 5Año 3: 2002-2003 1 julio 2002- 30 junio 2003 5 6

2001-2004 Año1: 2001-2002 Otoño 2001- 30 junio 2002 4Año2: 2002-2003 1 julio 2002- 30 junio 2003 6

Sumatoria de cortes realizados dentro de cada localidad 54 50 62 44

Sumatoria de cortes realizados en las cuatro localidades 210

Tabla 2 (a.) Campañas seleccionadas dentro de cada localidad para ser simuladas en GRAZE. (b). Campañas, años de producción dentro de cada campaña, período que abarca cada año productivo (estimativo), y cantidad de cortes realizados dentro de cada localidad y en total.

Todos los ensayos constaron de tres años de evaluación, excepto el ensayo 1998-2001

en Bellocq que fue finalizado en su segundo año de producción debido a la importante pérdida

de plantas de algunos cultivares y por lo tanto la duración final de dicho ensayo fue de tan

solo dos años. Para el ensayo de Festuca 2001-2004 en Bellocq se tomaron los resultados de

producción de materia seca del primer y segundo año de producción solamente (2001-2002 y


18

2002-2003, respectivamente), por no contar con datos climáticos más allá del mes de Junio de

2003 al momento de realizar este trabajo.

La producción anual fue definida para el primer año de producción (es decir a partir de

la siembra e implantación) por la sumatoria de biomasa obtenida en los diferentes cortes que

tuvieron lugar en el período involucrado desde el primer corte del ensayo hasta el mes de

Junio del siguiente año inclusive. Dicho diseño experimental se repitió para cada estación

experimental de la CSBC.

Calibración del modelo

La calibración consistió en hacer los ajustes en las variables del modelo para otorgarle

el mejor ajuste entre los resultados simulados y los obtenidos a partir de mediciones reales

(Jones y Luyten, 1998). Por ello, para evaluar la capacidad de GRAZE en la simulación de la

PPNA de Festuca en la Región Pampeana, se trató de reproducir el protocolo seguido en los

ensayos realizados por la CSBC. La figura 2 sintetiza el proceso seguido para la utilización y

evaluación de GRAZE.

Figura 2. Esquema básico del proceso de simulación en GRAZE.

GRAZE INPUTS

CLIMA ESPECIE SUELO MANEJO

OUTPUTS

BIOMASA PRODUCIDA [KG. MS/HA]


19

Entradas del modelo (INPUTS):

Información metereológica:

GRAZE requirió de información climática diaria de:

Temperatura del aire, máxima y mínima (ºF),

Precipitaciones (Pulgadas).

Esta información climática fue obtenida de las estaciones metereológicas más cercanas

a las estaciones experimentales de CSBC (tabla 3):

Estación experimental Etación climática DistanciaCSBC más cercana (km)

Raf NH0098.DATRAFAELA-INTA-31° 11’ S -60º 30’ O -31° 11’ S -61º 33’ O 5.0

Luj NH0358.DATCASTELAR-INTA-34° 34’ S -59º 04’ O -34° 40’ S -58º 39’ O 40.1

Bell NH0456.DATPEHUAJO-AERO-35° 55’ S -61º 29’ O -35° 52’ S -61º 54’ O 38.7

SFB NH0216.DATBARROW-INTA-38° 20’ S -60º 13’ O -38° 19’ S -60º 15’ O 3.7

Tabla 3. Ubicación geográfica (Latitud Sur y Longitud Oeste, grados y minutos) de: las Estaciones Experimentales de la Cámara de Semilleristas de la Bolsa de Cereales seleccionadas (CSBC); de su correspondiente estación climática más cercana; y las distancias entre las mismas (en kilómetros).

Como la información meteorológica provista por las estaciones climáticas se presentó

en unidades que no coincidían con las unidades requeridas en el archivo climático de entrada

de GRAZE, se realizó el pasaje de unidades de dichos datos; así mismo en aquellos casos

donde había discontinuidades en los datos GRAZE utiliza, para el caso de las temperaturas,

automáticamente el valor del día anterior; y para la precipitación GRAZE interpreta que no

ocurrieron ese día.


20

Suelos:

Se utilizó la información aportada en el informe de los ensayos de la CSBC de cada

una de las localidades para seleccionar uno de los tres tipos de suelo cuyos parámetros provee

el modelo:

- Suelo 1 (arcilloso) para Luj y SFB;

- Suelo 2 (intermedio) para Raf;

- Suelo 3 (arenoso) para Bell.

Dichos suelos se diferencian en los valores de seis parámetros que contienen para cada

uno de sus horizontes. Ellos hacen referencia al espesor en centímetros de los horizontes y al

contenido de agua del suelo de los mismos en diferentes situaciones (ver ejemplo en la Tabla

3 del apéndice).

Especie forrajera:

La especie elegida para comprobar el funcionamiento de GRAZE fue Festuca

arundinacea, debido a varias razones. Como se mencionó, es la gramínea más utilizada en las

pasturas polifíticas implantadas en la Región Pampeana, y a su vez fue la especie que presentó

mayor número de cortes en el período seleccionado de las campañas de la CSBC. Por otro

lado, como se citó en la introducción, fue una de las especies que más se utilizó con GRAZE

en trabajos previos (Allen et al., 1995 a; Allen et al., 1995 b; Frere et al., 1992 a; Frere et al.,

1992 b; Seman y Frere, 1995 a; Seman y Frere, 1995 b) y con la cual el modelo presentó

resultados satisfactorios. Un aspecto importante a considerar es que en la evaluación de

GRAZE se utilizaron los valores de los parámetros de crecimiento y desarrollo que contiene

el modelo (Parsh y Loewer, 1995) para dicha especie (por ejemplo la tasa de crecimiento

máxima, temperaturas óptima, mínima y máxima, etc.), sin realizar ningún tipo de


21

modificación (ver tabla 2 del Apéndice). Otro aspecto a destacar, es el hecho de que GRAZE

no simula la siembra ni el período de establecimiento para aquellas especies forrajeras

perennes, o sea en este caso Festuca, sino que consideró desde el primer día de simulación un

stand de plantas ya establecidas.

Manejo:

El protocolo que se siguió fue el mismo para todos los ensayos. Se comenzaron las

simulaciones en la fecha de siembra de cada campaña, y se realizaron las fertilizaciones con

nitrógeno y fósforo con las mismas dosis y en las mismas fechas que en los ensayos de CSBC.

Para el caso de los cortes, también se realizaron en las mismas fechas que en el control.

Una vez definido todos los datos que integrarían el archivo de entrada de GRAZE

(INPUTS), se hicieron las simulaciones con el modelo y de esa manera se simularon por

separado las 15 campañas seleccionadas de producción de materia seca de Festuca

correspondientes a las cuatro localidades de la Región Pampeana. Dichas simulaciones

permitieron ensayar al modelo en varios aspectos:

diferentes condiciones edáficas, definidas a partir de las localidades;

diferentes condiciones ambientales, también definidas a partir de la ubicación

geográfica pero a su vez determinadas por la cantidad total de años sucesivos

simulados dentro de cada localidad, lo que incluyó situaciones de variabilidad

climática interanual;

diferentes edades del cultivo, teniendo en cuenta que cada campaña tuvo una

duración de tres años, se evaluó el comportamiento del modelo en la simulación de

la siembra y establecimiento del cultivo, y su evolución a través del tiempo.


22

Salidas del modelo (OUTPUTS):

El archivo de salida del modelo estuvo compuesto por los valores de biomasa aérea

acumulada de Festuca, para cada uno de los cortes realizados en cada una de las campañas

evaluadas (Kg. MS. ha-1).

Evaluación de las simulaciones

La validación del modelo consistió en el proceso de comparar los resultados simulados

con los datos reales medidos a campo. Esto involucró un criterio subjetivo, con el propósito

de determinar si el modelo fue suficientemente adecuado para ser aplicado a un estudio de

simulación (Jones y Luyten, 1998). En realidad no existe una simple medida que determine si

un modelo es suficientemente válido para ser usado en predicciones. En dicho sentido, se

acepta o rechaza todo o parte del modelo basado en una impresión ganada de forma general a

través del estudio de las relaciones fundamentales contenidas en el modelo. En esencia hay

que llegar a determinar el grado en que GRAZE predice razonablemente los valores cuando

los comparamos con valores a campo (Loewer y Parsh, 1995). Para ello como primer paso se

obtuvieron los valores de PPNA (Kg. MS ha-1 día-1) simulados y observados, que fueron los

resultados de comparar a partir de, por un lado los datos de biomasa aérea (Kg. MS ha-1)

obtenidos en cada corte, y el número de días entre cortes correspondiente por el otro. Se

analizó el desempeño del modelo por comparación de los resultados (simulados en GRAZE

vs. observados a campo por CSBC) mediante regresión lineal y un análisis estadístico basado

en la metodología propuesta por Kobayashi y Salam (2000) que tuvo como principal

estimador de la bondad de las simulaciones a la Raíz del error cuadrático medio (RMSD; Root


23

Mean Squared Deviation). Dicho valor representa la distancia media entre los valores

observados y simulados; a su vez es la raíz cuadrada del Desvío de los cuadrados medios

(MSD, Mean Squared Deviation) el cual permite reconocer las fuentes de error (Ecuación 1).

MSD2ii

n

1iyx

n1RMSD

Ecuación 1

MSD = SB + SDSD + LCS

Ecuación 2

El MSD es la sumatoria de tres componentes (Kobayashi y Salam, 2000), los que

representan diferentes aspectos del error medio (Ecuación 2), donde SB (squared bias) es el

sesgo cuadrático o el cuadrado de la distancia media entre simulado y observado: cuanto

menor es dicho valor, menor diferencia entre el valor simulado y observado; SDSD (squared

difference between standard deviation) es la diferencia en la magnitud de la fluctuación, o

cuadrado de la distancia entre el desvío de la simulación y el observado; cuanto mayor es

dicho valor indica que el modelo falló en simular la magnitud de la fluctuación a lo largo de

las simulaciones; y LCS (lack of correlation weighted by the standard deviation) es la

ausencia de correlación positiva ponderada por el desvío; brinda información acerca de cómo

fue simulado el patrón en la variación de los valores observados. El cálculo de cada uno de

dichos componentes puede encontrarse en la bibliografía citada. La figura 3 esquematiza el

proceso descrito.


24

Figura 3. Esquema del análisis por comparación entre las simulaciones de GRAZE y los valores observados en los ensayos de CSBC.

Un buen comportamiento del modelo a partir del análisis de regresión lineal entre los

valores observados y simulados se asoció a un alto coeficiente de determinación (r2), a una

pendiente de la curva de regresión cercana a 1, como así también la ordenada al origen

cercana a cero. Se compararon los resultados de las simulaciones por localidades, campañas

dentro de cada localidad, y año de producción dentro de cada campaña. Dicho análisis

permitió evaluar la capacidad de GRAZE como potencial herramienta predictiva, para simular

la variabilidad espacial, estacional e interanual de la productividad forrajera en la Región

Pampeana ante diferentes condiciones ambientales y edáficas, producto de la ubicación

geográfica de las distintas localidades, las características climáticas de años consecutivos

dentro de cada campaña y la frecuencia de corte de la pastura.

BIOMASA SIMULADA

GRAZE (Kg. MS ha-1)

CANTIDAD DE DIAS

ENTRE CORTES

PPNA SIMULADA

GRAZE (Kg. MS ha-1 día-1)

VALIDACIÓN REGRESIÓN LINEAL

(r2, pendiente, Ordenada al rigen)

RMSD

(Kg. MS ha-1 día-1)

(%SB; %SDSD; %LCS)

BIOMASA OBSERVADA

CSBC (Kg. MS ha-1)

PPNA OBSERVADA

CSBC (Kg. MS ha-1 día-1)

CANTIDAD DE DIAS

ENTRE CORTES


RESULTADOS

Efecto de las condiciones ambientales. La regresión lineal entre todos los valores de PPNA simulados en GRAZE versus los

observados por la CSBC a lo largo de un período de siete años en las cuatro localidades

analizadas mostró una relación positiva pero con una fuerte dispersión en los datos (y = 1.33 x

+0.81, r2= 0.46, n = 210) (Fig. 4; Tabla 5). El comportamiento regular de GRAZE fue el

resultado final de valores subestimados y sobreestimados por dicho modelo en las diferentes

localidades (nube de puntos por encima de la línea 1:1; y nube de puntos por debajo de dicha

línea, respectivamente). Al discriminar en el análisis de regresión lineal (figura 4) los datos

correspondientes a cada una de las cuatro localidades analizadas, se observó que la relación

entre la PPNA simulada y observada fue positiva y significativa en Raf, Luj y Bell (Tabla 5).

Sin embargo hubo diferencias en el comportamiento entre dichas localidades. En general el

modelo tuvo un buen comportamiento en Luj, mientras que en Bell y Raf el comportamiento

de GRAZE fue regular. En SFB el análisis de regresión lineal indicó que no hubo una relación

significativa entre los valores simulados y los observados. La magnitud de la pendiente de la

regresión lineal indicó en que sentido el modelo no ajustó sus simulaciones. Una pendiente

mayor a 1 (más cercana al eje y) implicó una subestimación en los valores de PPNA

simulados por GRAZE (Bell, SFB y Luj); mientras que una pendiente inferior a 1 (más

cercana al eje x), implicó una sobreestimación de los valores de PPNA simulados por GRAZE

(Raf).


26

0

50

100

150

200

250

0 50 100 150 200 250PPNA Simulada (Kg M S / ha día)

PPN

A O

bser

vada

(Kg

MS

/ ha

día)

Figura 4. Relación entre todos los valores de PPNA simulados por Graze vs. todos los valores de PPNA observados en los ensayos de la CSBC en el período 1996-2003 en todos los sitios de manera conjunta (PPNA Obs. (Kg. MS ha-1 día-1) = 1.33 PPNA Sim (Kg. MS ha-1 día-1) + 0.8129; n = 210; r2 = 0.46; p 0.0001). Cada punto representa la PPNA promedio para el período entre cortes. La línea continua representa la regresión lineal y la línea de puntos la recta 1:1.

PPNA media

(KG MS/ha día) RMSD Aporte al MSD Ordenada

Localidad observada simulada (KG MS/ha día) SB SDSD LCS n r2 al origen Pendiente Sig

Raf 19,56 24,49 12,42 16% 0% 84% 54 0,42 3,46 0,66 **

Luj 25,85 21,59 13,17 10% 30% 60% 50 0,50 -0,17 1,21 **

Bell 49,79 34,15 30,99 25% 37% 38% 62 0,63 -0,82 1,48 **

SFB 48,22 23,65 36,19 46% 30% 23% 44 0,24 13,78 1,45 n s

Loc juntas 35,99 26,45 25,30 14% 36% 50% 210 0,46 0,81 1,33 **

Tabla 5. PPNA media (Kg. MS ha-1 día-1) observada por CSBC y simulada por Graze en cada una de las cuatro localidades de la Región Pampeana durante el período 1996-2003; y parámetros de comparación Observado vs. Simulado basado en la metodología propuesta por Kobayashi y Salam (2000): RMSD (Kg. MS ha-1 día-1); MSD integrado por SB, SDSD, y LCS (en %). Análisis de la regresión lineal entre los valores de PPNA simulados y observados en cada localidad de manera individual y en todas las localidades de manera conjunta durante el período 1996-2003. ** indica p 0.0001.

La mayor o menor capacidad que presentó el modelo en la estimación de la

productividad forrajera en las diferentes localidades de la Región Pampeana resultó más

evidente al comparar la PPNA media simulada vs. observada (Fig. 5a, Tabla 5). La PPNA


27

media simulada en Raf por el modelo en dicho período fue un 25% mayor que la observada en

los ensayos de la CSBC; mientras que en Luj, Bell y SFB la PPNA media simulada fue

subestimada en un 16%, 31% y 51% respectivamente. Dichos resultados indicaron que

GRAZE no logró distinguir el gradiente en las condiciones climáticas y edáficas que

establecieron las cuatro localidades elegidas dando, por ejemplo, una simulación de la PPNA

media para las localidades de Raf y SFB similares (24,38 y 23,65 Kg. MS ha-1 día-1,

respectivamente), cuando en los ensayos de la CSBC la diferencia observada entre dichas

localidades fue en promedio de 25,20 Kg. MS ha-1 día-1 (Fig. 5a y 5b).

a) b)

10

15

20

25

30

35

40

45

50

55

GRAZE 24,38 21,59 34,15 23,65

CSBC 19,56 25,85 49,79 48,22

RAF LUJ BELL SF

700

750

800

850

900

950

1000

1050

1100

1150

RAF LUJ BELL SFB13,00

13,50

14,00

14,50

15,00

15,50

16,00

16,50

17,00

17,50

18,00

18,50

19,00

Figura 5. (a) PPNA media simulada por GRAZE (triángulos) y observada por la CSBC (cuadrados) en cada una de las cuatro localidades de la Región Pampeana en el período 1996-2003. (b) Promedios históricos: precipitación anual, 1990-2002 (barras); y temperatura media, 1995-2002 (línea); para cada una de dichas localidades.

El error medio de las simulaciones (RMSD) aumentó a medida que aumentó la PPNA

media observada (Fig. 6 a), lo que implicó que GRAZE no tuvo la capacidad para simular

correctamente la PPNA de los ambientes más productivos (Bell y SFB). El mayor valor de

RMSD entre PPNA simulada y observada de las cuatro localidades durante el período 1996-

2003 fue para SFB (36, 2 Kg. MS ha-1 día-1), seguido por Bell (31 Kg. MS ha-1 día-1) y en

menor medida pero de similar magnitud para Luj y Raf (13,2 y 12,4 Kg. MS ha-1 día-1,

respectivamente; Tabla 5, Fig. 6 a). Para estas dos últimas localidades, el mayor porcentaje


28

del error medio estuvo explicado por el valor de LCS (60% y 84% en Luj y Raf,

respectivamente), lo que indicó que el modelo tuvo problemas para reproducir el patrón

observado en la variación de la PPNA a través de los años (Figura 6b). El porcentaje de error

restante en Raf fue explicado por la sobreestimación de la PPNA por GRAZE (SB 16%),

mientras que en Luj dicho modelo simuló mayor variación de los valores de PPNA a través de

los años que lo observado (SDSD 30%). En la localidad de Bell el comportamiento regular del

modelo estuvo determinado por la falta de capacidad del mismo para reproducir la magnitud

(SDSD 37%) y el patrón en la variación de PPNA a través de los años que lo observado (LCS

38%). Asimismo, la subestimación de la PPNA observada fue importante (25 % SB). Por

último en SFB el mayor porcentaje del error estuvo representado por la gran subestimación en

la simulación de los valores de PPNA observados (SB 46%).

a) b)

0

10

20

30

40

50

Kg

MS/

ha d

ía

PPNA mediaobservada

19,6 25,8 49,8 48,2

RMSD 12,4 13,2 31,0 36,2

Raf Luj Bell SFB

0%

20%

40%

60%

80%

100%

LCS 84% 60% 38% 24%

SDSD 0% 30% 37% 30%

SB 16% 10% 25% 46%

RAF LUJ BELL SFB

Figura 6. (a) PPNA media observada vs. RMSD; (b) aporte en porcentaje de los componentes del MSD: SB, SDSD, y LCS a partir de los valores de PPNA simulados vs. observados en las cuatro localidades de la Región Pampeana durante el período 1996-2003.


29

Efecto de la variabilidad climática intra anual

La PPNA media estacional simulada por GRAZE para la Región Pampeana como

promedio de todas las localidades durante el período 1996- 2003 fue subestimada en otoño,

primavera y verano (29%, 30% y 31% respectivamente), mientras que fue sobreestimada en

invierno (19%) (Fig. 7).

0

10

20

30

40

50

60

PPN

A (K

G M

S/H

a dí

a)

GRAZE 19,65 18,78 34,55 25,89

CSBC 27,79 15,75 49,35 37,72

Otoño Invierno Primavera Verano

Fig. 7 PPNA media estacional (Kg. MS ha-1 día-1) simulada por GRAZE (triángulos) y observada en CSBC (cuadrados) durante el período 1996-2003.

GRAZE subestimó la PPNA media de otoño, primavera y verano en las localidades de

Luj, Bell y SFB; mientras que sobreestimó la PPNA media de invierno Raf, Luj y Bell (Fig.

8; Tabla 6). En Raf el patrón de PPNA a lo largo de las estaciones fue simulado bastante bien,

sin embargo GRAZE sobreestimó la PPNA estacional en todas las estaciones del año con un

mínimo en otoño de 15% y máximo en invierno 76%, mientras que en la primavera fue de

20% y en el verano de 29% (Tabla 6). En Luj la PPNA estacional fue subestimada en 15%,

28%, y 27% en otoño, primavera y verano respectivamente; en invierno, GRAZE sobreestimó

la PPNA en un 14 %. La forma de la curva de la PPNA estacional en Bell fue muy similar a la

observada, pero la magnitud de las curvas fueron muy diferentes: subestimación en otoño,

primavera y verano (26%, 35% y 33% respectivamente) y sobreestimación del 45% en


30

invierno. Por último, en SFB la PPNA estacional fue subestimada en las cuatro estaciones del

año en 57% en otoño, 22% en invierno, 53% en primavera y 50% en verano.

C S B C

0

10

20

30

40

50

60

70

80

Oto ño Invie rno P rimave ra VeranoRAF LUJ BELL SFB

G R A ZE

0

10

20

30

40

50

60

70

80

Oto ño Invie rno P rimavera Verano

RAF LUJ BELL SFB

Fig. 8. PPNA media estacional (Kg. MS ha-1 día-1) simulada por GRAZE y observada en CSBC durante el período 1996-2003 en cada una de las cuatro localidades seleccionadas de la Región Pampeana.

Estación del año LocalidadRaf Luj Bell SFB

Otoño 15% -15% -26% -57%Invierno 76% 14% 45% -22%Primavera 20% -28% -35% -53%Verano 29% -27% -33% -50%

Tabla 6. Porcentajes de sobreestimación (valores positivos) y subestimación (valores negativos) de la PPNA media estacional simulada por GRAZE en cada estación del año para cada localidad.

Nuevamente la heterogeneidad espacial (representada por las diferentes localidades) y

temporal (cada estación del año) no pudo ser adecuadamente simulada por GRAZE.


31

Efecto de la variabilidad climática interanual

El análisis de cada una de las campañas seleccionadas, las cuales involucraron tres

años consecutivos de producción, para cada una de las localidades elegidas demostró la falta

de capacidad de GRAZE para simular los cambios en la PPNA debido a las variaciones

climáticas a través de los años (Tabla 7, Fig. 9). Otra vez de manera general los mayores

valores de RMSD se obtuvieron en las localidades de SFB y Bell, donde se observaron los

mayores valores de PPNA media. En la localidad de SFB el análisis de regresión lineal indicó

que no hubo correlación significativa entre los valores simulados y los observados (Tabla 7).

En dicha localidad el mayor porcentaje del error medio en las campañas 98-01 y 99-02 estuvo

explicado por el valor de SB (58% y 73%, respectivamente), lo que implicaría subestimación

de la PPNA por GRAZE. En la campaña 96-99 el modelo tuvo problemas para reproducir el

patrón (LCS 39%) y la magnitud en la variación de PPNA a través de los años que lo

observado (SDSD 36%); asimismo la subestimación de la PPNA observada fue importante

(SB 25 %). En Bell el comportamiento fue regular y con fuente de error variable. En las

campañas 97-00 y 98-01 el mayor porcentaje de error estuvo explicado por la subestimación

(%SB); en 99-02 por la falta de capacidad para reproducir el patrón observado en la variación

de la PPNA a través de los años (%LCS); mientras que en 00-03 y 01-04 GRAZE tuvo

problemas para reproducir la magnitud en la variación de PPNA a través de los años

(%SDSD). En Luj y Raf los valores de RMSD fueron los más bajos, aunque el mayor

porcentaje estuvo compuesto por altos valores de LCS determinando la ausencia de capacidad

para reproducir el patrón observado en la variación de la PPNA a través de los años.


32

PPNA Media(KG MS/ha dia) RMSD Aporte al MSD Ordenada

Localidad Campaña Observada Simulada (KG MS/ha dia) SB SDSD LCS r2 Pendiente al origen n

RAF 97-00 17,64 18,61 6,49 2% 9% 88% 0,67 0,99 - 0,91 1898-01 20,98 26,73 14,52 16% 3% 81% 0,48 0,80 - 0,47 1899-02 20,05 28,12 14,48 31% 4% 65% 0,25 0,39 + 9,16 18

LUJ 96-99 25,81 20,76 14,61 12% 30% 58% 0,42 1,17 + 1,44 1498-01 19,52 21,62 11,15 4% 3% 94% 0,30 0,64 + 5,58 1199-02 29,40 23,06 14,06 20% 31% 49% 0,62 1,31 - 0,88 1200-03 27,97 21,10 12,35 31% 49% 20% 0,80 1,83 - 10,60 13

BELL 97-00 48,02 28,99 27,73 47% 28% 25% 0,66 1,52 +3,82 1398-01 61,10 31,87 39,15 56% 32% 13% 0,72 1,98 -1,96 899-02 46,79 37,03 22,32 19% 18% 63% 0,71 1,14 +4,56 1400-03 54,52 36,66 39,12 21% 50% 29% 0,65 1,79 -11,26 1701-04 39,22 34,38 21,38 5% 58% 37% 0,76 1,63 -16,79 10

SFB 96-99 46,42 26,25 40,28 25% 36% 39% 0,05 0,72 +27,57 1698-01 48,13 20,68 36,07 58% 35% 7% 0,66 2,92 -12,19 1399-02 50,21 23,46 31,41 73% 19% 8% 0,64 2,01 +3,01 15

Tabla 7. PPNA media (Kg. MS ha-1 día-1) observada por CSBC y simulada por GRAZE en cada una de las campañas seleccionas dentro de cada una de las localidades de la Región Pampeana durante el período 1996-2003; y parámetros de comparación Observado vs. Simulado basado en la metodología propuesta por Kobayashi y Salam (2000): RMSD (Kg. MS ha-1 día-1); MSD integrado por SB, SDSD, y LCS (en %). Análisis de la regresión lineal entre los valores de PPNA simulados y observados en cada campaña de cada localidad durante el período 1996-2003.

0

10

20

30

40

50

60

70

97-00 98-01 99-02 96-99 98-01 99-02 00-03 97-00 98-01 99-02 00-03 01-04 96-9 98-01 99-02

RAF LUJ BELL SF B

0

10

20

30

40

50

60

70

R MS D C SB C GRAZE

Fig. 9. Comparación de la PPNA media para cada campaña simulada por GRAZE (triángulos) observada en

CSBC (cuadrados), y el RMSD (barras, Kg. MS ha-1 día-1) en cada una de las cuatro localidades seleccionadas de la Región Pampeana durante el período 1996-2003.


33

La figura 10 compara las curvas de PPNA media estacional simulada y observada

obtenida como promedio de los tres años productivos dentro de cada una de las campañas

seleccionadas y para cada localidad. De manera general, GRAZE no simuló adecuadamente la

variabilidad en los valores de PPNA media estacional observada en las diferentes campañas

de CSBC en ninguna de las cuatro localidades seleccionadas. En Raf, GRAZE tuvo un

comportamiento diferente según la campaña. En la campaña 1997-2000 sobreestimó los

valores de PPNA media estacional en invierno y primavera, y los subestimó en otoño y

verano. En la campaña 1998-2001 sobreestimó los valores de otoño, invierno y verano, y lo

subestimó en primavera. Finalmente en la campaña 1999-2002 sobreestimó los valores de

PPNA media estacional en cada estación del año. En Luj, mientras que en los ensayos de

CSBC la PPNA media de primavera varió de un máximo de 54 Kg. MS ha-1 día-1 como

promedio de la campaña 1999-2002 y un mínimo de 26,5 Kg. MS ha-1 día-1 como promedio

de la campaña 1998-2001, GRAZE simuló una variación en dichos valores de 36,1 y 23,5

para las campañas dichas respectivamente. Para dicha localidad y en contraposición, GRAZE

simuló mayor variabilidad en los valores de PPNA media invernales que los observados por

CSBC, con un máximo de 28,6 Kg. MS ha-1 día-1 como promedio de la campaña 1998-2001 y

un mínimo de 14,9 Kg. MS ha-1 día-1 en la campaña 1996-1999, cuando dichos valores

alcanzaron los 20,2 y 18,71 Kg. MS ha-1 día-1 en los ensayos de CSBC respectivamente. En

Bell las curvas simuladas por GRAZE son muy similares entre sí, comparada con lo

observado por CSBC. En SFB, GRAZE no simuló la magnitud de la variabilidad estacional e

interanual observada en los ensayos de CSBC.


34

R a f C S B C

0

5

10

15

20

25

30

35

40

45

Oto ño Invie rno P rim avera Verano97-00 98-01 99-02

R a f GR A Z E

0

5

10

15

20

25

30

35

40

45

Oto ño Invie rno P rimave ra Verano

97-00 98-01 99-02

Lu j C S B C

0

10

20

30

40

50

60

Oto ño Invierno P rimavera Verano

96-99 98-01 99-02 00-03

Lu j G R A Z E

0

10

20

30

40

50

60

Oto ño Invierno P rimavera Verano

96-99 98-01 99-02 00-03


35

B e ll C S B C

0

20

40

60

80

100

120

Oto ño Invie rno P rim avera Verano97-00 98-01 99-0200-03 01-04

B e ll G R A Z E

0

20

40

60

80

100

120

Oto ño Invierno P rim ave ra Verano97-00 98-01 99-0200-03 01-04

S F B C S B C

0

10

20

30

40

50

60

70

80

Oto ño Invie rno P rim ave ra Verano

96-99 98-01 99-02

S F B GR A Z E

0

10

20

30

40

50

60

70

80

Oto ño Invie rno P rim ave ra Verano

96-99 98-01 99-02

Fig. 10. PPNA media Observada vs. Simulada (Kg. MS ha-1 día-1) por estación del año promedio de cada campaña en cada localidad.


Efecto de la edad de la pastura

A partir del análisis en forma conjunta de los valores de PPNA simulados vs. observados

agrupados en función del año productivo dentro de cada campaña para las cuatro localidades,

se obtuvo como resultado general un mejor comportamiento de GRAZE en el tercer año

productivo de la pastura comparado con el primer y segundo año (Figura 11 a, b y c). Fue en

dicho año productivo donde se observó la pendiente más cercana a 1.0, junto a un aceptable

coeficiente de regresión (y = 1.0367 x + 6.5713; r2 = 0.42; n = 59). Los cortes simulados por

GRAZE correspondientes al primer y segundo año productivo dentro de cada campaña

mostraron una fuerte subestimación representada por una pendiente mayor a 1 (y = 1.4267 x –

4.5406; y = 1.4416 x + 0.378, respectivamente); dicha subestimación fue de mayor magnitud

cuando los valores de PPNA observados fueron elevados (Fig. 11, a y b). Tanto en los

ensayos de CSBC como en la simulación de GRAZE los valores máximos de PPNA

disminuyen a medida que aumenta la edad de la pastura.

Al analizar los datos por año productivo dentro de cada localidad en particular,

GRAZE mostró diferencias en el comportamiento. En Raf y Bell, GRAZE tuvo el mejor

comportamiento en el tercer año productivo representado por un buen ajuste en los valores de

la regresión lineal y el menor valor de RMSD (Tabla 8, Fig. 12). En Luj, de los tres años

productivos comprendidos en cada campaña, GRAZE tuvo el mejor comportamiento en el

primer año, donde simuló igual valor de PPNA media, mientras que en el segundo y tercer

año productivo GRAZE subestimó dichos valores de PPNA y fueron mayores los valores de

RMSD. En SFB no hubo correlación positiva entre los valores de PPNA observados y

simulados para ninguno de los tres años. Si bien el RMSD disminuye hacia el tercer año


37

productivo en esa localidad, los valores absolutos obtenidos fueron los más elevados de todas

las localidades.

a b

P rim e r a ño pro duc t iv o

0

100

200

0 100 200P P NA Sim ulada (KG MS/ha dia)

S e g undo a ño pro duc t iv o

0

100

200

0 100 200P P NA Sim ulada (KG MS/ha dia )

c

T e rc e r a ño pro duc t iv o

0

100

200

0 100 200P P NA Sim ulada (KG MS/ha dia)

Fig. 11. Regresión lineal entre PPNA (Kg. MS ha-1 día-1) observada por CSBC y simulada por Graze, durante el período 1996-2003, agrupados según el año de producción al que pertenecen dentro de la campaña: (a) cortes del primer año (y = 1.4267 x – 4.5406; r2 = 0.53; n = 74 ); (b) cortes del segundo año (y = 1.4416 x + 0.378; r2 = 0.29; n = 77 ); y (c) cortes del tercer y último año (y = 1.0367 x + 6.5713; r2 = 0.42; n = 59 ). Cada punto representa la PPNA promedio del período entre cortes. La línea gruesa representa la regresión lineal; la línea punteada representa la recta 1:1.


38

Tabla 8. PPNA media (Kg. MS ha-1 día-1) simulada por Graze y observada por CSBC por año productivo en cada una de las cuatro localidades de la Región Pampeana durante el período 1996-2003; error medio de las simulaciones (RMSD en Kg. MS ha-1 día-1); y análisis de la regresión lineal entre los valores de PPNA simulados y observados en cada año productivo en cada una de las cuatro localidades de la Región Pampeana durante el período 1996-2003.

0

5

10

15

20

25

30

35

40

45

Año 1 Año 2 Año 3 Año 1 Año 2 Año 3 Año 1 Año 2 Año 3 Año 1 Año 2 Año 3

Raf Luj Bell SFB

RMSD

(KG

MS/

ha d

ia)

0

10

20

30

40

50

60

70

PPN

A M

EDIA

(KG

MS/

ha d

ia)

RMSD GRAZE CSBC

Fig. 12. Comparación de la PPNA media para cada año productivo (Kg. MS ha-1 día-1) simulada por GRAZE (triángulos), observada en CSBC (cuadrados), y el error medio de las simulaciones (RMSD; Kg. MS ha-1 día-1) en cada una de las cuatro localidades seleccionadas de la Región Pampeana durante el período 1996-2003.

PPNA mediaAño (KG MS/ha día) RMSD Ordenada

Localidad Productivo Observada Simulada (KG MS/ha día) Pendiente al origen r 2 nRaf Año1 25,47 33,25 17,69 0,6064 5,3055 0,29 21

Año2 16,88 22,99 11,35 0,8837 -3,437 0,53 19Año3 14,32 13,37 5,87 0,9958 1,0113 0,64 14

Luj Año1 25,89 25,89 11,35 1,0226 -0,5872 0,58 14Año2 26,38 20,20 16,43 1,6812 -7,5887 0,45 20Año3 25,15 19,56 12,31 1,4719 -3,6421 0,68 16

Bell Año1 65,94 44,04 40,00 1,5101 -0,5636 0,63 25Año2 41,77 27,21 26,56 1,6083 -1,9847 0,53 23

Año3 34,14 27,91 16,01 0,9216 8,4196 0,45 14

SFB Año1 52,20 26,45 38,60 3,2784 -34,51 0,78 14

Año2 53,49 21,65 42,75 0,9743 32,403 0,07 15Año3 39,23 23,04 25,04 0,4487 28,893 0,07 15


39

DISCUSIÓN

El análisis de regresión lineal entre los valores de la PPNA observados por la CSBC y

los simulados por GRAZE mostró una relación positiva pero con una fuerte dispersión en los

datos, determinando así un comportamiento regular del modelo (Fig. 4 y 11; Tablas 7 y 8). Al

mismo tiempo la comparación de los valores absolutos de RMSD estableció la presencia de

un sesgo proporcional en los valores de PPNA simulados, donde los valores del error medio

se incrementaron directamente con los valores de PPNA observados (Tablas 5, 7 y 8; Fig. 6 a,

9 y 12). Debido a que GRAZE subestimó de manera general los valores más elevados de

PPNA observados (en las localidades con mayor PPNA media anual, en las estaciones del año

más productivas en cada una de las cuatro localidades, en las campañas más productivas

dentro de cada localidad y en las pasturas más jóvenes), no fue posible asociar dicho

comportamiento a una causa específica. El hecho de que GRAZE no logró reproducir con una

mayor exactitud los elevados valores de PPNA de Festuca observados en diferentes

situaciones, pudo estar asociado a la lógica vegetal que contiene el modelo la cual calcula

diariamente un crecimiento vegetal potencial máximo y luego lo limita en función de los

coeficientes de estrés que se computan para el área foliar, el fotoperíodo y las precipitaciones.

El crecimiento a su vez puede ser limitado por la disponibilidad de nutrientes. Por lo tanto

podría hipotetizarse que, por un lado dicho crecimiento potencial máximo simulado no se

equiparó en magnitud con los valores de PPNA máximos observados, o que simulando

valores de PPNA similares a los observados, los coeficientes de estrés fueron demasiado

grandes y disminuyeron excesivamente el rendimiento de materia seca de Festuca. Ejemplo de

este último caso podría ser lo que sucede en Bell donde la estacionalidad de la PPNA es

bastante bien simulada (Fig. 10) pero no la magnitud de las curvas. Dicho comportamiento

sólo se vio en una de las cuatro localidades, por lo que no podría extrapolarse la utilización de


40

GRAZE a cualquier otra localidad de la Región Pampeana porque no se sabría que

comportamiento predominaría.

La diferencia entre resultados observados y simulados en modelos puede ser asignada

como un error asociado a que todas las relaciones funcionales importantes no fueron

consideradas en el modelo matemático (Loewer y Parsh, 1995). Los modelos matemáticos no

son biológicamente completos, en dicho sentido, un estudio de campo puede ser influido por

condiciones que estaban más allá de las posibilidades de un modelo matemático. Por ejemplo,

GRAZE no incluye ninguna lógica que intente describir el efecto de una contaminación con

endopatógenos en Festuca. Otro ejemplo incluye el fracaso de GRAZE en considerar un

micro nutriente que podría ser de gran importancia bajo algunas condiciones. Los mismos

autores plantearon que los datos climáticos provistos a GRAZE pueden no reflejar las

condiciones reales experimentadas en el estudio a campo por los vegetales en crecimiento, y

que las razones dominantes están relacionadas a la proximidad física a la estación

meteorológica, al grado de precisión y de la frecuencia con que los datos fueron tomados. Por

ello las suposiciones acerca del clima que son propias de GRAZE pueden conducir a algún

error independientemente de las descripciones matemáticas del crecimiento vegetal. En SFB

parte del error medio pudo estar asociado a que GRAZE al calcular la temperatura media

diaria toma sólo dos valores de temperatura (la mínima y la máxima), y no tiene en cuenta la

evolución de las mismas a lo largo del día, por lo tanto podría estar sobrestimando las

temperaturas del verano, dando como resultado una subestimación de la PPNA observada a

campo. En SFB las temperaturas estivales son templadas y el crecimiento de Festuca en dicha

estación del año no se ve tan afectado. Por otro lado, las localidades donde el ajuste de los

valores simulados por GRAZE fue menor (Raf y SFB), fueron las que contaron con menor


41

distancia a su correspondiente estación climática (Tabla 3), desde donde se obtuvieron los

datos de temperatura y precipitación que formaron parte del archivo de INPUT del modelo.

Otros trabajos habían argumentado que la sobre y/o subestimación de rindes por parte de

modelos de simulación podría indicar varios efectos adicionales del sistema que no fueron

considerados en dichos modelos, incluyendo aquellos relativos al manejo cultural como el

control de plagas y enfermedades, y el efecto de la utilización de diferentes tipos de

fertilizantes (Ewert et al., 2002; Loewer et al., 1995); o aquellos relativos a condiciones

ambientales, como la inclusión de la nubosidad, (Loewer y Parsh, 1995; Paruelo y Batista,

2004) o la forma de estimar la radiación solar (De La Casa et al., 2003; Loewer. et al., 1995).

Diferentes estudios documentaron ciertos factores que inciden en la magnitud y/o

variabilidad estacional de la PPNA de los sistemas forrajeros y que pudieron no ser

adecuadamente establecidos o tenidos en cuenta al momento de formular la lógica del

modelo, como la frecuencia de defoliación o el tiempo de recuperación luego de un pastoreo

(Ferraro y Oesterheld, 2002), la movilización y uso de reservas en el rebrote (Castellaro

Galdames, 2003), la capacidad de retención hídrica del suelo (Sala et al., 1988), o la

acumulación y degradación de la broza (Sosa y Martin, 2006). Otros autores (Kobayashi y

Salam, 2000) afirmaron también que los modelos desvían de la realidad debido a las

simplificaciones inherentes a cualquier modelo de simulación, pero concluyeron que tales

simplificaciones u omisiones son inevitables o aún necesarias en el modelaje de un sistema

real complejo. Entonces afirman que la pregunta relevante no es si el modelo está bien o mal,

sino cuanto difieren los valores simulados de los reales y porqué. Por lo tanto la performance

del modelo puede ser discutida solo relativamente y no absolutamente. Asimismo,

expresiones matemáticas que funcionaron bien bajo ciertas condiciones pueden no hacerlo


42

bajo otras (Loewer y Parsh, 1995). Como se mencionó en la introducción, GRAZE probó en

varias experiencias en diferentes localidades de los Estados Unidos reproducir

razonablemente bien lo que fue observado a campo en un amplio rango de condiciones. En

este trabajo se mostró cómo el gradiente ambiental y edáfico establecido por las cuatro

localidades elegidas no logró ser distinguido por la lógica del modelo. De manera general el

mejor ajuste se observó en la localidad que presentó características similares al lugar de

origen del modelo en los Estados Unidos (Luj, y Georgia, respectivamente). Un resultado

similar fue hallado por Negri (2001) con el modelo de simulación Stics donde el

comportamiento del modelo fue bueno sólo en el sitio de ensayo que presentó características

climáticas y edáficas similares a algunos sitios para los cuales se adaptó dicho modelo en

Francia.

En dicho sentido, podría pensarse que la magnitud de los componentes de las

ecuaciones no estuviera bien establecida. Por ejemplo el crecimiento vegetal es definido

colectivamente por un número de parámetros predeterminados en el modelo, y que fueron

establecidos a partir de la literatura. Seman y Frere (1995, c) a través de un análisis de

sensibilidad de los parámetros de crecimiento de Festuca que utilizó GRAZE, establecieron

que la tasa máxima de fotosíntesis fue el parámetro más sensible y tuvo una relación uno a

uno con el rendimiento en materia seca de dicha especie cuando no hubo otra condición

limitante al crecimiento (temperatura, humedad, fertilidad y área foliar óptimas). Los autores

encontraron que un aumento o descenso del 10% en dicha tasa, implicó un aumento o un

descenso de un 10% en el rendimiento de Festuca respectivamente. En el mismo trabajo

establecieron que si el ritmo de crecimiento simulado no se ajustara al observado, cambios en

los valores de la máxima y mínima temperatura del aire a la cual la planta crecerá podría


43

mejorar la simulación. Sin embargo, determinaron que si hubiera algún factor que limitara el

crecimiento vegetal (situación más probable bajo las condiciones de secano en la producción

forrajera de Argentina), el efecto completo al variar los valores predeterminados de dichos

parámetros podría no verse expresado. Si bien los valores de los 36 parámetros que integran el

archivo que por defecto contiene el modelo para cada especie vegetal fueron determinados

para que idealmente se pudiera utilizar a GRAZE en cualquier localidad geográfica, es

probable entonces que una definición más correcta de dichos valores para las variedades de

Festuca locales podría mejorar la performance del modelo. Aún así, la probabilidad de

definirlos para todas las especies forrajeras que se cultivan en el país y la cantidad de

variedades de cada una que hay, demandaría mucho trabajo de investigación y entonces

GRAZE dejaría de ser práctico. Es por esto que la recomendación del uso de GRAZE para

cualquier otra especie forrajera no sería factible.

Por otro lado, la sobreestimación de los valores simulados ocurrió principalmente

cuando los valores de PPNA observados fueron pequeños (Fig.4, 5 a, 7, 8, 9), pero a

diferencia de los valores observados más altos, el error medio de la simulación fue bastante

menor (Tablas 5, 7 y 8; Fig. 6 a, y 12). Probablemente dicho comportamiento se relacione en

gran parte a que GRAZE no simula la etapa de siembra e implantación de las especies

forrajeras, con los consecuentes cambios en la cobertura de las mismas, sino que comienza la

simulación con una pastura ya establecida. Por lo tanto los sistemas que se compararon

(principalmente en el primer y segundo año productivo, Fig. 11) fueron muy diferentes, ya

que cada una de esas pasturas se hallaban en diferentes estados y no aprovecharon de la

misma manera los recursos disponibles. Probablemente esa pudo ser la razón principal de que

el modelo ajustara mejor en el tercer año de simulación.


44

Considerando cada año de producción de manera individual, se observó que la PPNA

media anual simulada tendió a disminuir a medida que envejecían las pasturas para cada una

de las cuatro localidades (Fig. 12). Si bien dicho comportamiento coincidió con los resultados

hallados en pasturas implantadas en la Región Pampeana por Oesterheld y León (1987), el

mecanismo involucrado sería diferente. Mientras que en las pasturas investigadas en dicho

estudio la muerte de plantas y la disminución de la disponibilidad de nutrientes del suelo

fueron las causas responsables de la reducción significativa de la productividad luego de los

dos primeros años, en la lógica de GRAZE la cobertura del stand de plantas no disminuye con

el tiempo; y a su vez los ensayos analizados fueron fertilizados. Por lo tanto, teniendo en

cuenta que GRAZE divide en tres compartimentos a la materia seca producida: nueva o joven,

vieja y muerta (Loewer y Parsh, 1995), podría pensarse que la disminución de la PPNA de las

pasturas simuladas a medida que pasan los años, estaría asociado a una imprecisión en el

cálculo de la relación vivo/muerto del forraje.

Por último, conviene destacar la importancia de contar con buenos datos de campo de

PPNA para poder hacer una correcta evaluación de un modelo de simulación. En este trabajo

se han utilizado los datos de la red de ensayos de especies forrajeras más importante en cuanto

a su distribución espacial y temporal en la Región Pampeana (CSBC), la que cuenta con un

protocolo homogéneo para todas las localidades evaluadas. Sin embargo, las diferentes

personas encargadas de los ensayos en cada una de las localidades podrían introducir cierta

variación en la interpretación y/o aplicación de los protocolos (Ing. Agr. María Dubois,

comunicación personal). Esto sugiere que los datos utilizados como control en este trabajo

pudieron haber presentado variaciones no tenidas en cuenta en las simulaciones (por ejemplo,

en el método de implantación, fertilización y/o en el corte de las parcelas; muestreo y manejo


45

de la información, etc.), y por lo tanto parte de la falta de ajuste entre los datos simulados y

observados podría explicarse eventualmente por dicho motivo.


CONCLUSIONES

El presente trabajo de intensificación avanzó en el estudio de una herramienta que

permitiera mejorar el conocimiento de los recursos forrajeros de la Región Pampeana y

por lo tanto de su manejo. La posibilidad de evaluar la magnitud de la variación espacial y

temporal de la PPNA de los recursos forrajeros según características climáticas, edáficas

y/o de manejo de un determinado lugar o situación sería una de las principales

capacidades para, por ejemplo, la toma de decisiones de carga, asignación de potreros a

diferentes categorías y tiempos de pastoreo. Este estudio demostró mediante diferentes

parámetros, que una herramienta disponible y promisoria para la estimación de la PPNA

de los recursos forrajeros de la Región Pampeana, el modelo de simulación GRAZE, no

sería suficientemente adecuada para ser aplicada a un estudio de simulación tal cual se

presenta. El comportamiento general de GRAZE fue variable y poco satisfactorio, como

resultado final de valores subestimados y sobreestimados por dicho modelo en las

diferentes localidades, campañas y años productivos dentro de las campañas. Las

variaciones en la productividad forrajera fruto de la estacionalidad de las precipitaciones,

las temperaturas máximas y mínimas, y la latitud, no fueron adecuadamente simuladas por

GRAZE. La limitada capacidad que tuvo para simular la PPNA según la variabilidad

climática de una estación del año a otra, determinó la privación en cuanto a la posible

utilización de dicho modelo en una planificación forrajera, debido a que conduciría a

considerables errores en el manejo del rodeo consecuencias de una pésima estimación de

la productividad forrajera en épocas claves como por ejemplo en invierno, momento

fundamental en la planificación de la carga animal de toda explotación ganadera.


47

Por lo tanto, en base a los resultados hallados en el presente trabajo, se concluye que el

uso del modelo de simulación GRAZE bajo las condiciones de la Región Pampeana no

permitiría estimar con una precisión adecuada la productividad de Festuca, ni de otras

especies forrajeras que en ella se producen, y como tampoco conocer de manera

anticipada el margen que existe para mejorar su productividad. Aún así sería importante

establecer en estudios futuros la posibilidad de determinar los valores de los parámetros de

crecimiento y desarrollo para las variedades cultivadas en la Región Pampeana y

reemplazarlas por las que contiene el modelo; en particular la tasa máxima de fotosíntesis

debido a que es el parámetro más sensible y el cual tiene un rol fundamental en la

determinación del crecimiento de materia seca de las especies forrajeras que simula

GRAZE. Al mismo tiempo sería favorable determinar como control datos provenientes de

una fuente más confiable como podría ser un ensayo, que si bien abarque una escala más

pequeña, se realice bajo condiciones experimentales más controladas.


48

BIBLIOGRAFÍA

Allen, V.G., Fontenot, J.P., Frere, M., Seman, D., Tully, J., y Brock, A., 1995, a, Case

Study 13: Steers grazing low and high endophyte-infected fescue. GRAZE Beef-

Forage Simulation Model: Case Studies. Southern Cooperative Series Bulletin 381 B.

Arkansas Agricultural Experimental Station, University of Arkansas, Fayetteville. Pp.

57-59.

Allen, V.G., Fontenot, J.P., Frere, M., y Seman, D., 1995, b, Case Study 14: Steers

grazing stockpiled Tall fescue. GRAZE Beef-Forage Simulation Model: Case Studies.

Southern Cooperative Series Bulletin 381 B. Arkansas Agricultural Experimental

Station, University of Arkansas, Fayetteville. Pp. 60-61.

Beget, M.E., 2004, Efecto del agua superficial sobre la respuesta espectral de pastos.

Tesis de grado. Facultad de agronomía. Universidad de Buenos Aires.

Brisson, N., Mary, B., Ripoche, D., Jeuffroy, M.H., Ruget, F., Nicoullaud, B., Gate,

P., Devienne-Barret, F., Antonioletti, R., Durr, C., Richard, G., Beaudoin, N., Roecus,

S., Tayot, X., Plenet, D., Cellier, P., Machet, J.M., Meynard, J.M., y Dellecolle, R.,

1998, STICS: A generic model for the simulation of crops and their water and nitrogen

balances. I. Theory and parametrization applied to wheat and corn. Agronomie 18,

311-346.

Castellaro Galdames, G. L., 2003, Crecimiento de praderas mesofíticas a largo plazo,

en respuesta a factores edafoclimáticos y modalidades de defoliación. Tesis, Magister

en Ciencias Animales, Facultad de Agronomía e Ingeniería Forestal, Pontificia

Universidad Católica de Chile. Santiago, Chile. 132 p.


49

De La Casa, A., Ovando, G., Rodríguez, A., 2003, Estimación de la radiación solar

Global en la provincia de córdoba, Argentina, y su empleo en un Modelo de

rendimiento potencial de papa. INTA, Argentina, RIA, 32 (2): 45-62.

Deregibus, V.A., 1988, Importancia de los pastizales naturales en la República

Argentina: Situación Presente y Futura. Revista Argentina de Producción Animal. 8:

67-78.

Deregibus, V.A., y Garbulsky, M.F., 2001, Capacidad de carga de los recursos

forrajeros. Guía del curso Utilización de forrajes. Facultad de Agronomía. Universidad

de Buenos Aires. CIFA: 4-15.

Di Bella, C.M., Paruelo, J.M., Becerra, J.E., Bacour, C., y Baret, F., 2004, Effect of

senescent leaves on NDVI-based estimates of APAR: experimental and modeling

evidences. International Journal of Remote Sensing. 25:5415-5427.

Ewert, F., Rodriguez, D., Jamieson, P., Semenov, M.A., Mitchell, R.A.C., Goudriaan,

J., Porter, J.R., Kimball, B.A., Pinter Jr., P.J., Manderscheid, J., Weigel, H.J.,

Fangmeier, A., Fereres, J., Villalobos, F., 2002, Effects of elevated CO2 and drought

on wheat: testing crop simulation models for different experimental and climatic

conditions. Agriculture, Ecosystems and Environment 93:249–266.

Ferraro, D. O., y Oesterheld, M., 2002, Effect of defoliation on grass growth. A

quantitative review. Oikos 98: 125-133.

Frere, M.H., Seman, D.H., y Wilkinson, S.R., 1992, a, Growth characteristics of tall

fescue. Agon. Abst. Ann. Meetings, p.15.

Frere, M.H., Seman, D.H., y Wilkinson, S.R., 1992, b, Simulating tall fescue Growth.

Agron. Abst. P 17.


50

Gómez, P.O., 1996, Aspectos relevantes a tener en cuenta en los sistemas de

producción animal en pastoreo. Cangiano (ed), 1996. INTA E.E.A. Balcarce,

Argentina.

Hill, M.J., Graham, E.D., Hyder, M.W., y Smith, R.C.G., 2004, Estimation of pasture

growth rate in the south west of Western Australia from AVHRR NDVI and climate

data. Remote Sensing of Environment 93 : 528– 545

Huffman, D.C., Boucher, R., Coombs, D.F., Loyacano, A.F., y Joost, R.E., 1995, Case

Study 11: Stockers grazing Annual Ryegrass. GRAZE Beef-Forage Simulation Model:

Case Studies. Southern Cooperative Series Bulletin 381 B. Arkansas Agricultural

Experimental Station, University of Arkansas, Fayetteville. Pp.51-53.

Jones, J.W., y Luyten, J.C., 1998, Simulation of biological processes. In: Agricultural

Systems Modeling and Simulation. Peart, R.M., Curry, R.B. (ed) Marcel Dekker. The

University of Florida. Gainesville, Florida. Chapter 2.

Kobayashi, K., y Us Salam, M., 2000, Comparing simulated and measured values

using Mean Squared Deviation and its components. Agronomy Journal, 92:345-352.

Loewer, O.J., Allen, V.G., Brown, M.A., Coleman, S.W., Fontenot, J.P., Huffman,

D.C., Parsh, L.D., Seman, D.H., St. Louis, D.G., Turner, L.W., y West, C.P., 1995,

What we have learned about GRAZE from the case studies. GRAZE Beef-Forage

Simulation Model: Case Studies. Southern Cooperative Series Bulletin 381 B.

Arkansas Agricultural Experimental Station, University of Arkansas, Fayetteville.

Pp.62-64.

Loewer, O.J., y Parsh, L.D., 1995, Considerations When Comparing the GRAZE

Model to Field Studies. GRAZE Beef-Forage Simulation Model: Case Studies.


51

Southern Cooperative Series Bulletin 381 B. Arkansas Agricultural Experimental

Station, University of Arkansas, Fayetteville. Pp.7-13.

Loewer, O.J., 1998, GRAZE: A Beef- Forage Model of Selective Grazing. In:

Agricultural Systems Modeling and Simulation. Peart, R.M., Curry, R.B. (ed) Marcel

Dekker. The University of Florida. Gainesville, Florida. Chapter 10.

Negri, I.J., 2001, La Productividad forrajera de la Región Pampeana: uso de sensores

remotos y modelos de simulación. Tesis de grado. Facultad de agronomía.

Universidad de Buenos Aires. pp. 100.

Oesterheld, M., y León, R. J., 1987, El envejecimiento de las pasturas implantadas: su

efecto sobre la productividad primaria. Turrialba 37: 29-35.

Oesterheld, M., Sala O.E., y McNaughton, S.J, 1992, Effect of animal husbandry on

herbivore-carrying capacity at a regional scale. Nature Vol 356.

Parsh, L.D., y Loewer, O.J., 1995, GRAZE Beef-Forage Simulation Model: User

Guide. Parsh, L.D. y Loewer, O.J. (eds.) Southern Cooperative Series Bulletin 381 A.

Arkansas Agricultural Experimental Station, University of Arkansas, Fayetteville.

Parton, W.J., Schimel, D.S., Cole, C.V., y Ojima, D.S., 1987, Analysis of factors

controlling soil organic matter levels in Great Plains grasslands. Soli Sci. Soc. Am. J.

51: 1173-1179.

Paruelo, J.M., y Batista, W., 2004, El flujo de energía de los ecosistemas. En: Guía de

Ecología. Soriano, A., León IFEVA, Cátedra de Ecología, Facultad de Agronomía,

Universidad de Buenos Aires/Conicet Capítulo 7.

Paruelo, J.M., Garbulsky, M.F., Guerschman, J.P., y Oesterheld, M., 1999,

Caracterización regional de los recursos forrajeros de las zonas templadas de la


52

Argentina mediante imágenes satelitales. Revista Argentina de Producción Animal,

Vol. 19:125-131.

Paruelo, J.M., Lauenroth, W.K., y Roset, P., 2000, a, Technical note: Estimating

aboveground plant biomass using a photographic technique. Journal of Range

Management 53.

Paruelo, J.M., Oesterheld, M., Di Bella, C.M., Arzadum, M., Lafontaine, M., Cahuepé,

M., y Rebella, C.M., 2000, b, Estimation of primary production of sub humid

rangelands from remote sensing data. Applied vegetation Science 3:189-195.

Piñeiro, G., Paruelo, J.M., y Oesterheld, M., 2001, Simulación de los efectos de largo

plazo del pastoreo sobre el funcionamiento de los pastizales del Río de la Plata.

Presentado en la XXI Reunión Argentina de Ecología, Bariloche.

Sala, O.E., Parton, W.J., Joyce, L.A., y Lauenroth, W. K., 1988, Primary production of

the central grassland region of the United States. Ecology, 69 (1), pp: 40-45.

Sala, O.E., y Austin, A.T, 2000, Methods of Estimating Aboveground Net Primary

Productivity. Methods in Ecosystem Science 151-157.

Seman, D.H., y Frere, M.H., 1995, a, Case Study 1: Tall Fescue Growth in the spring.

GRAZE Beef-Forage Simulation Model: Case Studies. Parsh, L.D., y Loewer, O.J

(ed.) Southern Cooperative Series Bulletin 381 B. Arkansas Agricultural Experimental


Seman, D.H., y Frere, M.H., 1995, b, Case Study 2: Tall Fescue Growth During the

Year. GRAZE Beef-Forage Simulation Model: Case Studies. Parsh, L.D., y Loewer,

O.J (ed.) Southern Cooperative Series Bulletin 381 B. Arkansas Agricultural

Experimental Station, University of Arkansas, Fayetteville. Pp.16-18.


53

Seman, D.H., y Frere, M.H., 1995, c, Case Study 3: Sensitivity analysis of selected

fescue plant parameters. GRAZE Beef-Forage Simulation Model: Case Studies. Parsh,

L.D., y Loewer, O.J. (ed.) Southern Cooperative Series Bulletin 381 B. Arkansas

Agricultural Experimental Station, University of Arkansas, Fayetteville. Pp.19-22.

Sosa, O., y Martin, B., 2006, La broza en las pasturas. Angus 233: 23- 24.

Taylor, B.F., Dini, P.W., y Kidson, J.W., 1985, Determination of seasonal and

interannual variation in New Zealand pasture growth from NOAA-7 data. Remote

Sensing of Environment, 18:177-192.

West, C.P., y Goetsch, A.L., 1995, Case Study 6: Beef cattle grazing Bermudagrass.

GRAZE Beef-Forage Simulation Model: Case Studies. Parsh, L.D., y Loewer, O.J.

(ed.) Southern Cooperative Series Bulletin 381 B. Arkansas Agricultural Experimental


http://www.argenseeds.com.ar Resultados de la Red de Ensayos de variedades de

especies forrajeras de la Cámara de Semilleristas de la Bolsa de Cereales.

http://www.surdelsur.com Mapas de temperatura de Argentina.


54

APÉNDICE

Tabla 1 (a): PPNA (KG.MS / ha día) obtenida en los ensayos de la CSBC y la simulada por GRAZE en cada corte dentro de cada una de las series seleccionadas en SFB.

Serie

Corte 1996-1999 1997-2000 1998-2001 1999-2002 2000-2003 2001-2004

nro CSBC GRAZE CSBC GRAZE CSBC GRAZE CSBC GRAZE CSBC GRAZE CSBC GRAZE

1 8.30 13.16 6.74 13.20 29.92 16.98

2 44.26 33.90 20.20 18.33 63.98 39.92

3 90.94 33.12 117.52 41.36 60.33 29.36

4 127.24 38.34 27.90 22.41 73.52 34.60

5 38.57 19.85 29.97 11.46 21.37 15.76

6 40.85 8.90 35.06 23.91 33.19 11.43

7 126.68 22.19 75.36 17.85 77.84 25.18

8 23.00 29.40 35.77 12.42 103.23 36.54

9 55.77 31.46 50.47 16.58 61.41 17.72

10 43.91 23.06 78.37 26.57 41.61 22.77

11 18.76 30.41 41.60 19.21 20.07 9.83

12 26.82 11.72 77.96 31.32 55.45 32.46

13 26.24 55.30 28.82 14.18 44.83 23.25

14 32.86 33.95 40.48 21.38

15 21.05 17.06 25.98 14.64

16 17.45 18.17


55

Tabla 1 (continuación) (b): PPNA (KG. MS / ha día) obtenida en los ensayos de la CSBC y la simulada por GRAZE en cada corte dentro de cada una de las series seleccionadas en BELL. Serie

Corte 1996-1999 1997-2000 1998-2001 1999-2002 2000-2003 2001-2004


1 1,96 18,04 23,60 23,93 12,04 25,01 15,67 24,35 17,01 18,12

2 81,31 66,11 112,71 66,22 91,59 98,68 156,69 100,93 140,00 80,17

3 93,17 56,39 29,28 25,43 107,50 92,28 198,09 69,03 32,73 14,16

4 97,72 34,80 103,91 33,29 70,43 43,36 67,66 47,40 20,93 39,21

5 44,69 25,17 12,73 9,20 34,49 32,73 60,33 29,39 12,83 12,40

6 8,17 5,83 96,93 47,57 13,62 16,49 21,28 20,25 37,58 40,37

7 73,60 31,82 81,04 30,50 11,12 12,39 14,64 12,74 42,57 45,87

8 23,12 18,97 28,63 18,81 67,59 51,31 49,19 35,24 39,09 34,89

9 54,28 21,24 109,76 41,26 89,71 42,22 32,31 26,17

10 8,38 7,54 6,16 9,16 31,59 11,97 17,12 32,46

11 45,61 36,67 8,86 12,16 20,93 33,32

12 60,08 32,38 37,21 29,78 3,81 10,25

13 32,11 21,92 67,65 40,56 35,56 64,08

14 17,07 13,25 64,86 34,47

15 37,95 32,28

16 28,85 25,56

17 30,00 29,83


56

Tabla 1 (continuación) (c): PPNA (KG. MS / ha día) obtenida en los ensayos de la CSBC y la simulada por GRAZE en cada corte dentro de cada una de las series seleccionadas en LUJ.

Serie

Corte 1996-1999 1997-2000 1998-2001 1999-2002 2000-2003 2001-2004


1 12.03 14.83 27.31 29.59 5.74 23.10 10.09 11.92

2 43.89 46.36 23.32 46.35 28.94 25.37 51.96 37.18

3 34.14 21.73 14.16 22.73 67.51 46.59 20.00 15.24

4 15.34 10.45 10.18 12.97 13.19 8.53 21.15 18.89

5 23.04 18.33 21.89 19.60 19.13 21.46 24.81 25.30

6 82.46 33.61 21.18 16.64 53.53 27.31 54.51 29.58

7 14.68 26.96 17.76 25.46 28.23 14.87 30.96 12.85

8 25.97 29.64 9.15 8.88 8.63 10.04 16.58 17.50

9 14.10 16.16 8.63 18.87 21.03 17.89 8.48 13.27

10 24.47 20.55 52.92 29.27 41.18 43.15 23.28 20.60

11 14.28 15.99 8.22 7.49 54.00 27.34 58.42 33.46

12 24.48 15.14 11.68 11.05 6.40 11.62

13 18.43 7.72 36.94 26.89

14 14.03 13.21


57

Tabla 1 (continuación) (d): PPNA (KG.MS / ha día) obtenida en los ensayos de la CSBC y la simulada por GRAZE en cada corte dentro de cada una de las series seleccionadas en RAF.

Serie

Corte 1996-1999 1997-2000 1998-2001 1999-2002 2000-2003 2001-2004


1 3.14 10.43 4.17 27.07 3.01 16.99

2 31.51 39.91 36.53 66.65 17.32 59.53

3 47.24 32.70 53.83 37.78 30.54 54.30

4 15.93 17.61 73.54 56.15 27.49 30.00

5 37.76 26.78 12.56 26.95 26.51 25.83

6 19.07 19.27 11.75 35.55 32.55 22.45

7 19.79 23.58 7.60 20.16 23.03 43.39

8 12.42 15.19 10.32 19.08 7.82 16.42

9 15.86 22.30 14.17 22.77 31.35 26.94

10 19.90 18.47 30.97 37.43 34.26 34.19

11 13.54 16.50 8.08 16.04 10.71 24.75

12 20.96 31.50 10.16 21.78 16.00 29.10

13 12.15 15.87 11.25 19.54 16.32 28.58

14 3.57 7.64 7.34 7.52 24.46 19.93

15 6.94 8.23 34.67 19.45 8.95 9.90

16 6.74 7.95 22.17 19.23 32.50 32.60

17 19.14 10.70 16.42 11.16 15.61 25.99

18 11.79 9.51 12.16 11.40 2.51 5.70


Tabla 2. Valores de los parámetros de crecimiento y desarrollo que contiene el modelo para la especie Festuca (adaptado de Parsh y Loewer, 1995)

ParámetroNº Descripción Valores Unidades1 Mínima temperatura del aire a la cual la planta crecerá 5,83 °C2 Tasa de crecimiento máxima 10,08 Kg/ha hora a3 Mínima temperatura que matara las partes en crecimiento -12,22 °C4 Máxima temperatura que matara las partes en crecimiento 36,39 °C5 Temperatura ótima de crecimiento 18,06 °C6 Máxima temperatura del aire a la cual la planta crecerá 32,22 °C7 Materia seca que provee mínima área foliar para máxima tasa de crecimiento del cultivo 1321 Kg/ha8 Máxima materia seca no disponible para cosecha 448 Kg/ha9 Fracción de pared celular en el material nuevo (1 día de edad) 0,59 % b10 Fracción de pared celular cuando el material nuevo cambia a viejo 0,62 %11 Fracción de pared celular cuando el material viejo cambia a muerto 0,65 %12 Fracción de pared celular en el material muerto 0,69 %13 Fracción de pared celular digestible en material muy joven 0,65 %14 Fracción de pared celular digestible en material senescente 0,60 %15 Mínima fracción de pared celular digestible en el material muy viejo 0,54 %16 Fracción del contenido celular correspondiente a Nitrogeno 0,06 %17 Fracción del contenido celular correspondiente a Fósforo 0,02 %18 Fracción del contenido celular correspondiente a Potasio 0,05 %19 Vida media del material muerto 90 días c20 Vida media de los carbohidratos no estructurales en el material muerto 45 días d21 Fracción del material nuevo y viejo que pueden almacenar carbohidratos no estructurales 0,30 %22 Máxima fracción de la materia seca no disponible desde donde remover reservas para el crecimiento 0,50 %23 Edad fisiológica a la cual el material nuevo pasa a viejo 28 días


59

Tabla 2. (Continuación)Valores de los parámetros de crecimiento y desarrollo que contiene el modelo para la especie Festuca (adaptado de Parsh y Loewer, 1995)

24 Duración del día que estima la respuesta anterior 12 horas25 Edad fisiológica a la cual el material viejo pasa a muerto 56 días26 Nivel de materia seca inicial que no puede ser cosechada 448 Kg/ha27 Materia seca inicial en la porción del material nuevo 0 Kg/ha28 Edad fisiologica inicial del material nuevo 0 días29 Materia seca inicial en la porción del material viejo 252 Kg/ha30 Edad fisiológica inicial del material viejo 140 días31 Materia seca inicial en la porción del material muerto 504 Kg/ha32 Edad fisiológica inicial del material muerto 62,50 días33 Carbohidratos no estructurales almacenados inicialente en el material nuevo 0 Kg/ha34 Carbohidratos no estructurales almacenados inicialente en el material viejo 76 Kg/ha35 Carbohidratos no estructurales almacenados inicialente en el material muerto 50 Kg/ha36 Cantidad de potasio almacenada en la planta 0 Kg/ha

a Es el factor más senible,con temperatura, humedad, fertilidad y área foliar óptimas. b Se estima convirtiendo el % de FDN en materia secac Número de días requeridos para que la mitad de los carbohidratos estructurales se pierdan por acción del climad Número de días requeridos para que la mitad de los carbohidratos no estructurales se pierdan por acción del clima


60

Tabla 3.Valores de los parámetros del suelo que contiene el modelo para los suelos arcillosos (suelo 1) (adaptado de Parsh y Loewer, 1995).

Horizonte DLAYRP DULP LLP SATP SWP WRPa b c d e f

1 18.00 0.34 0.12 0.45 0.34 0.802 11.00 0.32 0.12 0.45 0.32 0.803 16.00 0.30 0.12 0.47 0.3 0.204 16.00 0.31 0.15 0.43 0.31 0.205 11.00 0.34 0.21 0.41 0.34 0.206 30.00 0.34 0.30 0.38 0.34 0.207 15.00 0.37 0.33 0.32 0.37 0.20

a Espesor de cada uno de los horizontes del suelo (cm). b Contenido máximo de agua del suelo luego de drenar (mm agua/mm espesor de suelo). c Contenido minimo de agua del suelo luego de drenar (mm agua/mm espesor de suelo).d Contenido de agua del suelo en saturación (mm agua/mm espesor de suelo).e Contenido de agua del suelo al comienzo de la simulación (mm agua/mm espesor de suelo).f Factor del peso de las raíces para exploración (sin unidades).

ESTIMACIÓN DE LA PRODUCTIVIDAD PRIMARIA DE … Adriana Fontán.pdf · Cámara de Semilleristas de...

Documents

Transcript of ESTIMACIÓN DE LA PRODUCTIVIDAD PRIMARIA DE … Adriana Fontán.pdf · Cámara de Semilleristas de...