EFECTO DE LA INTERACCIÓN GENOTIPOS × PRÁCTICAS DE MANEJO SOBRE EL ÍNDICE DE COSECHA DE HÍBRIDOS DE MAÍZ BAJO RIEGO

Aristeo Barrios-Ayala, Antonio Turrent-Fernández, Marco A. Otero-Sánchez, Rafael Ariza-Flores y Alejandro Michel-Aceves

Aristeo Barrios Ayala. Doctor en Ciencias Agrícolas, Colegio de Posgraduados (COLPOS), México. Investigador, Instituto Nacional de Investigaciones Forestales Agrícolas y Pecuarias (INIFAP), México. Dirección: Av. Campo Experimental Iguala, Km 2.5 carretera Iguala-Tuxpan, Iguala, Guerrero, México. C.P. 40000. e-mail: barrios.aristeo@inifap.gob.mx

Antonio Turrent Fernández. Ph. D., University of Iowa, EEUU. Profesor, COLPOS, México. Investigador, INIFAP, México.

Marco A. Otero Sánchez. Doctor en Ciencias Agrícolas, COLPOS, México. Profesor Investigador, Colegio Superior Agropecuario (CSAEGRO), Guerrero, México.

Rafael Ariza Flores. Doctor en Ciencias Agrícolas, COLPOS, México. Investigador, INIFAP, Guerrero, México.

Alejandro Michel Aceves. Doctor en Ciencias Agrícolas, Universidad Autónoma de Colima, México. Profesor Investigador, CSAEGRO, Guerrero, México.

RESUMEN

En este trabajo se coteja la interacción genotipo × prácticas de manejo sobre el índice de cosecha (IC) en 6 experimentos de campo conducidos bajo riego en el sureste de México entre 1977 y 1999. Se cuestiona la validez de utilizar el IC como constante en híbridos modernos de maíz para modelar su crecimiento a partir de algunos modelos dinámicos modulares, los cuales son aditivos e ignoran las interacciones. El diseño fue en parcelas divididas con dos repeticiones, en el que las parcelas grandes se asignaron a 25 y 27 tratamientos de un compuesto central rotatorio para N, P, K, densidad de población y fecha de siembra. Las parcelas chicas fueron asignadas a 3, 4 o 6 híbridos de maíz, todos con desempeño agronómico similar pero de diferente origen genético. Se ajustó un modelo inaditivo cuadrático al IC por regresión, para manejo y genotipo, este último mediante variables mudas. También se ajustó un modelo aditivo cuadrático para el manejo que ignoró al genotipo. Los resultados evidencian que la interacción genotipo × manejo se manifiesta en diferentes efectos lineales, curvaturas e interacciones entre híbridos, que son cambiantes entre localidades. Los IC, calculados con los tratamientos óptimos económicos, variaron entre 0,32 para H-515 y 0,60 para el Híbrido Hemoc. El modelo inaditivo mejoró el coeficiente de determinación (R²) para IC entre 14 y 47% en relación al modelo aditivo.

GENOTYPES × CROP MANAGEMENT INTERACTION EFFECT ON HARVEST INDEX OF CORN HYBRIDS UNDER IRRIGATION

SUMMARY

Six maize field experiments conducted in Southeastern Mexico in the 1997-99 period were analyzed in order to evaluate genotype × crop management interaction on harvest index (HI). The validity of using a constant value for HI is questioned in modern hybrids of corn, in order to predict its growth from some modular, dynamics models which are additives and ignores factor interactions. 25 and 27 treatments of a rotatable central composite design for N, P, K, population density and planting date were assigned to main plots of a split plot design replicated twice. Small plots were assigned to 3, 4 or 6 maize hybrids that had similar agronomic performance but differing genetic backgrounds. An interactive quadratic model for management factors and maize hybrids was fit by regression for harvest index (HI). Dummy variables valued 0 or 1 accounted for maize hybrids. Alternatively, a quadratic, additive model that ignored maize genotypes was fitted by regression. Results reflected genotype × management interaction that varied significantly among hybrids and locations in the interactive model, causing significant variation in HI. Extreme computed HI values were 0.32 and 0.60 for H-515 and Hemoc hybrids, respectively. The interactive model consistently improved 14 to 47% the determination coefficient (R²) for HI.

EFEITO DA INTERAÇÃO GENOTIPOS × PRÁTICAS DE MANEJO SOBRE O ÍNDICE DE COLHEITA DE HÍBRIDOS DE MILHO SOB IRRIGAÇÃO

RESUMO

Neste trabalho se coteja a interação genótipo × práticas de manejo sobre o índice de colheita (IC) em 6 experimentos de campo conduzidos sob irrigação no sudeste do México entre 1977 e 1999. Questiona-se a validade de utilizar o IC como constante em híbridos modernos de milho para modelar seu crescimento a partir de alguns modelos dinâmicos modulares, os quais são aditivos e ignoram as interações. O desenho foi em parcelas divididas com duas repetições, em que as parcelas grandes foram designadas a 25 e 27 tratamentos de um composto central rotatório para N, P, K, densidade de população e data de plantação. As parcelas pequenas foram designadas a 3, 4 ou 6 híbridos de milho, todos com desempenho agronômico similar mas, de diferente origem genético. Ajustou-se um modelo não aditivo quadrático ao IC por regressão, para manejo e genótipo, este último mediante variáveis mudas. Também se ajusto um modelo aditivo quadrático para o manejo que ignorou ao genótipo. Os resultados evidenciam que a interação genótipo × manejo se manifesta em diferentes efeitos lineares, curvaturas e interações entre híbridos, que são cambiantes entre localidades. Os IC, calculados com os tratamentos ótimos econômicos, variaram entre 0,32 para H-515 y 0,60 para o Híbrido Hemoc. O modelo não aditivo melhorou o coeficiente de determinação (R²) para IC entre 14% e 47% em relação ao modelo aditivo.

PALABRAS CLAVE / Índice de Cosecha / Interacción Genotipo × Manejo / Híbridos de Maíz / Modelo Cuadrático Aditivo / Modelo Cuadrático Inaditivo /

Recibido: 13/09/2005. Modificado: 15/06/2006. Aceptado: 19/06/2006.

Introducción

Barrios et al. (2004) presentaron los resultados de evaluar la interacción genotipo × manejo en el cultivo de maíz bajo riego en dos localidades del sureste de México, de un estudio que incluyó a 6 híbridos y a los factores de fertilización N, P y K, a la densidad de población y a la fecha de siembra. Se encontró que cada híbrido responde de manera diferente a los factores de manejo, lo que condujo a generar recomendaciones sobre tratamientos óptimos económicos que difieren notablemente entre los híbridos.

Debido a que la alternativa actual para generar recomendaciones son los modelos dinámicos modulares (Johnson, 1991; Monteith, 1996) y que en el cultivo de maíz, además de otros parámetros, utilizan el rendimiento de grano (ŷ_g) y el índice de cosecha (IC) para modelar su crecimiento, se examinó información al respecto. Varios investigadores (Etchevers et al., 1991; Rodríguez, 1993; Volke y Etchevers, 1994) sugieren que el parámetro IC del maíz se comporta relativamente constante dentro de los ámbitos: a) de interés económico del uso de fertilizantes (tratamientos óptimos económicos; TOE) y b) de dos tipos de maíz, híbrido ó criollo (los criollos son variedades locales de uso generacional, regularmente muy altas y con menor potencial de rendimiento de grano). El supuesto valor constante para los maíces híbridos modernos de México es de 0,5 y en el método sistémico racional se usa este valor para calcular dosis de N, P y K, independientemente de los factores de manejo y los factores no controlables de la producción, como son todos los que dependen del ecosistema y no pueden ser modificados por el hombre en el corto plazo (básicamente, componentes del clima y algunas características del suelo, tales como textura, pendiente, profundidad, etc.; Etchevers et al., 1991; Rodríguez, 1993).

El método sistémico racional (Rodríguez, 1993), al igual que los métodos de modelaje dinámico modular empíricos en uso actual (Johnson, 1991; Mutsaers y Wang, 1999), presupone la propiedad de aditividad entre los factores suelo, clima, planta y manejo, de la ley de la respuesta de los cultivos (Jenny, 1941).

En consecuencia, las recomendaciones sobre manejo de cultivos pueden ignorar al genotipo y tratar como independientes a los factores de manejo, del suelo y del clima. En el presente trabajo, se evalúa estadísticamente si las interacciones genotipo x factores de manejo ocurren para el IC de maíz, en un grupo de seis experimentos de campo conducidos en los ciclos otoño invierno (OI) 1997/98 e invierno 1998/99 en la región sur-sureste de México. Estos experimentos involucran de manera factorial a los factores: 1) genotipos (3 y 4 híbridos en el OI 1997/98 y 6 híbridos en el OI 1998/99); 2) manejo: fertilizantes N, P y K, densidad de población y fecha de siembra (esta última sólo en el ciclo OI 1998/99) y 3) factores incontrolables asociados a 5 experimentos situados en distintas localidades.

La hipótesis en cotejo es que el valor de IC de los híbridos modernos de maíz, que alcanzan rendimientos y homogeneidad fenotípica similares pero que provienen de germoplasma con composición genética diversa, interaccionan significativamente con el manejo y los factores no controlables de producción de una región o agrosistema determinado. Por lo tanto, no es apropiado que los modelos de crecimiento actualmente en uso en México utilicen valores fijos de IC.

Materiales y Métodos

Sitios experimentales y manejo agronómico

Para el cotejo de la hipótesis de este estudio se realizaron 6 experimentos establecidos en el trópico bajo del sureste de México bajo condiciones de riego en los ciclos otoño-invierno 1997-98 y 1998-99 (Tabla I).

Como manejo agronómico, cada sitio experimental se barbechó, se le aplicó doble rastreo y se surcó; se le proporcionó un riego de presiembra e inmediatamente antes de sembrar se fertilizó manualmente, aplicando la tercera parte del N, todo el P y todo el K en el fondo del surco. La parte restante del N se aplicó y cubrió entre 35 y 40 días después de la siembra. Las fuentes de fertilizantes fueron urea (46-0-0), superfosfato de Ca triple (0-46-0) y KCl (0-0-60). La siembra se realizó a "chorrillo" con exceso de semilla dos días después del riego; las semillas se depositaron en la pendiente ("costilla") del surco, con el propósito de asegurar la población requerida por tratamiento; el ajuste de población se realizó entre los 7 y 10 días después de la emergencia. Las malezas fueron controladas con aplicaciones pre-emergentes de Atrazina (6-Chloro-N2-ethyl-N4-isopropyl-1,3,5-triazine-2,4-diamine) a razón de 1,8kg·ha^-1 a.i., y en dos cultivos más. Las plantas de maíz se irrigaron por experimento o de acuerdo a su fecha de siembra (donde se incluyó este factor de estudio), cuando la humedad del suelo no limitó de forma apreciable el crecimiento del cultivo. La regla fue regar antes de la aparición de síntomas de déficit. En general se aplicaron de 9 a 12 riegos con una lámina total de 1,0 a 1,2m. Durante el ciclo del cultivo se tomaron datos de altura de planta y días a madurez fisiológica, reconocida por la presencia de una capa negra en el punto de inserción de la semilla en la mazorca u olote. Las parcelas se cosecharon manualmente tan pronto llegaron a su madurez fisiológica, considerando 5m² a lo largo del surco y solo plantas con competencia completa dentro de su surco y a los flancos. Se contaron las mazorcas y se valoró su sanidad, peso, muestra de peso de grano y contenido de humedad de grano. El forraje de cada parcela subdividida se pesó y posteriormente se secó en un horno. La materia seca de la parte aérea se expresó en t·ha-1 sin humedad y el índice de cosecha (IC) como el cociente del peso de grano sin humedad entre el peso total de la materia seca aérea (biomasa aérea). En la Tabla I, se presenta la localización y el clima de los experimentos y los híbridos comerciales de maíz que se incluyeron en cada experimento. Todos ellos fueron similares en rendimiento dentro de cada localidad (Barrios et al., 2004), altura de planta y longitud de ciclo biológico (Tabla II).

Análisis de suelo

Se describieron perfiles de suelo por sitio experimental y se tomaron muestras de cada horizonte. A cada muestra de suelo se le realizó un análisis en laboratorio para obtener los datos que requieren las claves para la clasificación taxonómica del Departamento de Agricultura de EEUU. Esta clasificación tiene niveles jerárquicos y nomenclatura, y es aceptada por los investigadores y usuarios de este tipo de información (Soil Survey Staff, 1995).

Diseño experimental

Con la fertilización (N, P₂O₅ y K₂O), la densidad de población (DP) y la fecha de siembra (FS) se generaron los tratamientos de parcela grande (TPG) de un diseño de parcelas divididas, seleccionados de un diseño compuesto central rotable (DCCR) en bloques incompletos e información homogénea (Cochran y Cox, 1957) con dos repeticiones. Este diseño se usó para los 4 primeros factores en el caso del ciclo 1997/98 (25 tratamientos) y para los 5 factores en el caso del ciclo 1998/99 (27 tratamientos). En cada caso el centro del diseño se repitió 6 veces, respectivamente, en los DCCR n³1. Su espacio de exploración fue 60³N£220, 0³P2O5£160, 0³K2O£120, 30³DP£70 y 0³FS£60, en cinco niveles igualmente espaciados y codificados de -2 a +2 de la siguiente manera: n= (N-140)/40, p= (P₂O₅-80)/40, k= (P₂O₅-60)/30, d= (DP-50)/10 y f= (FS-30)/15. El N, P₂O₅ y K₂O se expresan en kg·ha^-1; la DP en miles de plantas por ha y las FS en días, que iniciaron el 15 dic 1998 y terminaron el 15 feb 1999.

En la Tabla II se muestran los híbridos de maíz que fueron asignados de forma aleatoria a las parcelas subdivididas (pequeñas). La sub-parcela asignada al híbrido que le correspondió un borde de la parcela grande constó de dos surcos de 8m de largo, uno de ellos usado como barrera de protección; el resto (4) constó de un solo surco. Debido a las restricciones de manejo, con las fechas de siembra se construyeron bloques a partir de los tratamientos de las parcelas principales. Para ejemplificar la diversidad genética de los híbridos seleccionados, en la Tabla II se mencionan las líneas progenitoras que dieron origen a los híbridos en estudio.

Análisis de varianza

Se realizó un análisis de varianza y una prueba de falta de ajuste en cada experimento, para un modelo cuadrático inaditivo, integrando a los genotipos como variables. Con los experimentos que fueron coincidentes en el número de híbridos y unidades experimentales se realizó un análisis de varianza conjunto (este análisis no se realizó con los experimentos de 97-98 pues no fueron coincidentes). Estos análisis permitieron cotejar la significancia de la prueba de F para: experimentos, factores de manejo, híbridos de maíz, experimentos × factores de manejo, experimentos × híbridos de maíz, factores de manejo × híbridos de maíz y experimentos × factores de manejo × híbridos de maíz.

Análisis de regresión

La información resultante se analizó mediante la técnica de regresión stepwise (Draper y Smith, 1982) ajustando un modelo cuadrático con interacciones de segundo orden en las variables cuantitativas. A las variables cuantitativas convencionales (N, P₂O₅, K₂O, DP y FS) se les añadió un juego de variables indicadoras mudas o dummy, en número igual a la cantidad de híbridos evaluados menos uno (Allen, 1984). Estas variables, que representan a los genotipos en el ajuste de regresión, asumen los valores de 0 y 1, formando vectores de 2, 3, 4 y 5 elementos, según sea el caso; por ejemplo, para 6 híbridos, si se elige un vector W de 5 variables mudas o dummy (w₁, w₂, w₃, w₄, w₅), el híbrido de referencia que en este caso fue el H-516, se representó con los valores de: w₁= 0, w₂= 0, w₃= 0, w₄= 0, w₅= 0 o vector W igual a 00000. El H-513 se representó con el vector 10000; el H-515 con el vector 01000; el HEP con el vector 00100; el Hemoc con el vector 00010 y el H-551c con el vector 00001. En el caso de experimentos con 3 y 4 híbridos se procedió de la misma manera, asignando 2 y 3 variables mudas, respectivamente. Los productos cruzados entre las variables independientes cuantitativas y las variables indicadoras mudas, que representan a los híbridos de maíz, permiten cuantificar y cotejar las interacciones que interesan en este estudio. Puede usarse como referencia a cualquier híbrido, pero en este caso se eligió al H-516 por lo que le correspondió el vector de ceros.

El índice de cosecha (IC) se usó como variable dependiente de las variables independientes en estudio. El modelo final lo eligió el método usado, en función del número de variables incluidas a una probabilidad de error de 0,05 de permanencia, así como el mayor coeficiente de determinación (R²). Los modelos se ajustaron con 60 datos por cada híbrido y en el caso de los experimentos que incluyeron FS incluyeron 396 datos por cada fecha.

Los 5 efectos independientes de las variables mudas proporcionaron la respuesta individual de los 6 híbridos a los factores de manejo, donde el H-516 es usado como referencia (vector de ceros). Cada efecto en una variable muda es una desviación de este híbrido y su suma algebraica representa el efecto del otro híbrido. Así mismo, complementan el cotejo de nuestra hipótesis los términos extra del modelo inaditivo con variables de genotipos (mudas), que permitirán cuantificar sobre cada uno de los híbridos, los efectos lineal, cuadrático e interacciones de segundo orden de los factores de manejo.

Análisis económico

Con la ecuación de regresión generada para el rendimiento de maíz con el modelo cuadrático inaditivo, se generaron tratamientos óptimos económicos (TOE) para la producción de grano con el método computacional iterativo propuesto por Martínez (1987). Con este algoritmo se calculó el ingreso neto y los costos de producción en cada fecha de siembra (FS), cuando así se requería, para valores de N de 60 a 220kg·ha^-1, valores de P de 0 a 160kg·ha^-1 de P₂O₅, espaciados ambos a cada 5 unidades; de K que entre 0 y 120 kg·ha^-1 K₂O, espaciado cada 4 unidades, y DP que explora de 30 a 70 mil plantas/ha, espaciado cada 2000 unidades.

Los costos en moneda mexicana que se usaron fueron de $5,5 por kg de N; $6,0 por kg de P₂O₅; $6,0 por kg de K₂O; y de $9,07 por 1000 plantas. Este análisis se condicionó a que los rendimientos estimados de grano (ŷ_g) sean menores o iguales a los rendimientos máximos observados, y_g. También se aplicó el procedimiento utilizado por Barrios et al. (2003) en diseños compuestos centrales rotatorios, para condicionar el espacio de exploración de cada híbrido en función de la varianza de las ŷ_g, de tal forma que el radio del hiperespacio codificado (r) produjera una varianza de las ŷ_g£50% del cuadrado medio del error experimental (CME= s²). Cada TOE se insertó en los modelos ajustados para IC y con ellos se estimó el IC en este ámbito. Como se mencionó, el IC se considera constante para híbridos de maíz si éstos fueron manejados al menos cerca del óptimo económico y así se manifiesta al usar el modelo sistémico racional (Rodríguez, 1993).

Resultados y Discusión

Los resultados de la clasificación del suelo de los experimentos elegidos para cotejar la hipótesis planteada en este trabajo se presentan en la Tabla III. Esta clasificación se realizó combinando orden, suborden, gran grupo y subgrupo del sistema de clasificación taxonómica de la Soil Survey Staff (1995). Las diferencias o similitudes entre ellos se relacionan estrictamente con los requerimientos para su clasificación a este nivel. Suelos con la misma clasificación taxonómica no indica que sean suelos iguales, solo definen ciertas similitudes a un nivel determinado. En términos de fertilidad también se aplica esta aclaración, porque muchos de sus indicadores (de fertilidad) no se consideran en este nivel de clasificación.

Con los IC estimados con los TOE al insertarlos en los modelos inaditivos ajustados para IC, se realizó un análisis de varianza. Sus resultados mostraron diferencias estadísticas entre experimentos y entre híbridos a probabilidades de error de 0,005 y 0,026, respectivamente.

En los experimentos que se agrupan en la Tabla IV se muestra que los valores de IC de los híbridos de maíz fluctuaron de 0,2926 del TOE del H-512 en Villaflores a 0,5162 del TOE del H-516 de Chunhuhub. Dentro de una misma localidad, las mayores diferencias se observaron en Piedras Negras, con índices de cosecha de 0,3457 del TOE del H-512 y 0,4674 del TOE del H-516. De las ecuaciones de regresión que se muestran en el pie de las Tablas IV y V se deduce la diferencia estadística de los efectos que se manifiestan en cada híbrido, tomando en cuenta que cada término con w_i son diferencias entre sus respuestas individuales. Se observa que no solo los híbridos por sí mismos son diferentes estadísticamente en su índice de cosecha como se observa en las localidades de San Gregorio (Chamik) y Villaflores (Tabla IV), sino que también es afectado por los factores de manejo y su interacción con los híbridos, como se manifiesta en las ecuaciones de Chunhuhub y Piedras Negras. Un ejemplo de ello se puede observar en la localidad de Piedras Negras, donde el H-512 y H-515 difieren del H-516 en su respuesta a la interacción P×K.

En la Tabla V se consideran dos experimentos que incluyen el factor FS (Cayal y San Gregorio 2; ciclo OI 1998/99) y reflejan una diferencia global en el IC de 0,3008 entre los híbridos H-513 y H-551c en la localidad del Cayal. En San Gregorio 2 fue de 0,3277 entre los híbridos H-513 y HEP; muy diferente del valor de 0,5 usado como constante para híbridos de maíz con manejo óptimo económico (Etchevers et al., 1991; Rodríguez, 1993) e inadecuado para el cálculo de los rendimientos potenciales de un híbrido, como los hacen los modelos dinámicos que usan este valor.

Con los datos de IC de los dos experimentos que incluyen el factor FS presentados en la Tabla V se realizó un análisis de varianza conjunto y prueba de medias. El resultado mostró significancia (P<0,01) entre experimentos, híbridos, experimentos × híbridos, fechas de siembra y experimentos × fecha de siembra mientras que híbridos × fechas de siembra no resultó ser significativo. En estos dos experimentos, el IC no solo expresó diferencias estadísticas entre los híbridos de un experimento, sino también de un mismo híbrido entre dos localidades, como es el caso del H-513 en las tres primeras FS (p.e. Cayal= 0,51144 y San Gregorio 2= 0,3251, en la primera FS). A estas dos fuentes de variación del IC (experimentos e híbridos) se le adiciona el factor FS que aparece de forma consistente y con efectos considerables en los dos modelos que se presentan en la parte inferior de la Tabla V. Estos efectos, además de interactuar con otros factores de manejo, como es el caso de la interacción D×FS (df) en los híbridos H-513 (w1) y HEP (w3), se manifiestan con diferente intensidad en cada híbrido. Esto es, que la interacción genotipo × manejo se presenta consistentemente sobre el IC y que la FS también contribuye en esta interacción. En general, el IC en la localidad del Cayal consistentemente descendió en FS posteriores. Sin embargo, en San Gregorio 2 se apreció un descenso hacia la tercera FS, que se recuperó en parte hacia la última fecha, lo cual pudo deberse a cambios climáticos inesperados presentados en esas fechas. Estos resultados son una evidencia estadística de la interacción genotipo × manejo × factores no controlables.

En la Tabla VI se muestra el modelo aditivo que ignora al genotipo (CA-SG) y su coeficiente de determinación (R²), comparado con el R² del modelo inaditivo que sí los incluye. La variabilidad que se explica del IC fue en todos los casos mucho mayor en favor del modelo inaditivo que incluye al genotipo (CI-CG), con diferencias notables de al menos 14% en Cayal y San Gregorio 2, hasta llegar a 57% en Piedras Negras.

La Tabla VII muestra la prueba de medias para experimentos, híbridos y FS (Tukey= 0,05). El análisis previo de los datos del IC y sus ecuaciones de regresión (CI-CG), proporcionan evidencias consistentes, no solo de lo inapropiado de considerar un valor constante como índice de cosecha, sino también que éste puede estar fuertemente influenciado por el ambiente de producción, tanto de los factores de manejo, incluyendo fecha de siembra, como de los factores incontrolables (suelo y clima, básicamente), en congruencia con el análisis de varianza que proporcionó significancia estadística entre experimentos, fechas de siembra y experimentos × fechas de siembra.

Es probable que, al igual que en el rendimiento de grano (Barrios et al, 2004), el componente genético y la variabilidad del origen de cada uno de los híbridos determine el valor del índice de cosecha, aún cuando los híbridos sean similares en su arquitectura de planta o tengan también un ciclo biológico parecido. Las diferencias estadísticas entre los IC de los híbridos de maíz en el ámbito de interés económico y el impacto de la interacción genotipo × factores de manejo en esta variable ilustran un error sustancial, al generalizar un solo valor para todos los genotipos de un mismo cultivo. Así, el supuesto gratuito de que el IC para híbridos de maíz es de 0,5 falla drásticamente. En esta misma proporción fallará el cálculo de rendimientos potenciales y demanda del cultivo a un nutriente dado, con los modelos dinámicos (modelaje) que usan esta variable para generar recomendaciones de fertilización (Etchevers et al., 1991; Rodríguez, 1993).

En general, bajo las condiciones experimentales en que se generaron estos resultados se detecta que el componente genético de los híbridos de maíz es una parte activa del diseño de recomendaciones debido a que es fuente de variabilidad. Así, el índice de cosecha se comporta de manera similar al rendimiento de grano (Barrios et al., 2004) y también es afectado por la interacción genotipos × manejo. No se detecta que la presencia o ausencia de estas interacciones puedan estar asociadas con alguna de las características del suelo usadas para su clasificación a nivel de subgrupo (Soil Survey Staff, 1995) y al parecer se presentan independientemente de la clasificación que les corresponda.

No se descarta el supuesto de que el modelo aditivo proporciona información limitada del IC, evidenciando sesgos potenciales y alto grado de generalidad que se refleja en un R² bajo, con alto CMDR de la ecuación ajustada para la estimación de esta variable. De esta manera, considerarlo como función aditiva de los factores de manejo puede afectar considerablemente los resultados que se generan con los modelos dinámicos que simulan el crecimiento y la producción de los cultivos (Baker, 1996; Boote et al., 1996; Passioura, 1996). Algunos autores como Mutsaers y Wang (1999) analizan en parte esta situación y manifiestan la necesidad de incorporar en estos modelos mayor conocimiento básico, que les proporcione la flexibilidad necesaria para adecuarse a situaciones más específicas, no solo las que correspondan al componente genético del cultivo, sino también del suelo y del clima que aún no estén consideradas.

Conclusiones

La ecuación de regresión ajustada con el modelo inaditivo que incluye a los genotipos y sus interacciones con los factores de manejo, mejoró entre 14 y 47% la explicación de la variabilidad observada del índice de cosecha.

Con el análisis de las respuestas de 3, 4 y 6 híbridos de maíz a fertilización, densidad de población y fechas de siembra, en 6 experimentos establecidos bajo riego en el sureste de México, no se rechaza la hipótesis de que el componente genético de los híbridos de maíz es una parte activa en el diseño de recomendaciones, al interactuar con los factores de manejo y con la localidad, por lo que no se debe suponer y utilizar al IC como una constante. Estas interacciones repercuten en diferencias entre los IC de los híbridos calculados en el ámbito de los tratamientos óptimos económicos en porcentajes hasta de 54% entre los híbridos H-513 y HEP de la primera fecha de siembra en San Gregorio 2, (Chromic Udic Haplusterts). Los valores fueron, IC_H-515= 0,32505 e IC_Hemoc= 0,60331.

REFERENCIAS

1. Allen EL (1984) An introduction to linear regression and correlation. 2ª ed. Freeman. Nueva York, EEUU. 206 pp.        [ Links ]

2. Baker JV (1996) Use and abuse of crop simulation models. Agron. J. 88: 681-689.        [ Links ]

3. Barrios AA, Turrent FA, Martínez GA, Cortés FJI, Ortiz Solorio CA (2003) Optimización tecnológica simultánea para tres híbridos de maíz, con precisión definida a priori. Terra 21: 127-136.        [ Links ]

4. Barrios AA, Turrent FA, Gómez MNO, Cortés FJI, Ortiz Solorio CA, Martínez GA (2004) Interacción genotipos × prácticas de manejo en híbridos de maíz: Efectos sobre el diseño de recomendaciones. Fitotecnia 27: 399-407.        [ Links ]

5. Boote KJ, Jones JW, Pickering NB (1996) Potential uses and limitations of crop models. Agron. J. 88: 704-716.        [ Links ]

6. Cochran WG, Cox GM (1957) Experimental Designs. Wiley. Nueva York, EEUU. 661 pp.        [ Links ]

7. Draper NR, Smith H (1982) Applied Regression Analysis. 2ª ed. Wiley. Nueva York, EEUU. 709 pp.        [ Links ]

8. Etchevers BJD, Rodríguez SJ, Galvis SA (1991) Generación de recomendaciones de fertilización, mediante un enfoque sistémico racional. Terra 9: 3-10.        [ Links ]

9. García E (1987) Modificaciones al sistema de clasificación climática de Koppen (para adaptarlo a las condiciones de la República Mexicana). 4ª ed. UNAM. México. 35-43 pp.         [ Links ]

10. Johnson GW (1991) General model for predicting crop response to fertilizer. Agron J. 83: 367-373.        [ Links ]

11. Martínez GA (1987) Aspectos económicos del diseño y análisis de experimentos. LIMUSA. México. 125 pp.        [ Links ]

12. Monteith JL (1996) The quest for balance in crop modeling. Agron. J. 88: 695-697.        [ Links ]

13. Mutsaers HJW, Zaoqian Wang (1999) Are simulation models ready for agricultural research in developing countries? Agron. J. 91: 1-4.        [ Links ]

14. Passioura JB (1996) Science, snake oil, education or engineering? Agron. J. 88: 690-694.        [ Links ]

15. Rodríguez SJ (1993) La fertilización de los cultivos: un método racional. Pontificia Universidad Católica de Chile. Santiago, Chile. 366 pp.        [ Links ]

16. Soil Survey Staff (1995) Claves para la taxonomía de suelos. Vers. 1994. Ortiz Solorio CA, Gutiérrez Castorena MC, García Rodríguez JL (Trads.). Publicación Especial Nº 3. SMCS. Chapingo, México. 306 pp.        [ Links ]

17. Volke HV, Etchevers BJD (1994) Recomendaciones de fertilización para cultivos: necesidad y perspectivas de una mayor precisión. Cuaderno de Edafología 21. IRENAT. Colegio de Postgraduados en Ciencias Agrícolas, Montecillo, Edo. de México, México. 43 pp.        [ Links ]