Ocho variables y un modelo para sacar el máximo rendimiento al maíz

Relevamiento en el norte de Córdoba. El especialista Emilio Satorre analizó los principales factores que construyen el rendimiento del cultivo de cara a la nueva campaña.

En su tercer año de trabajo, la Red Agropecuaria de Vigilancia Tecnológica (RAVIT) presentó el balance de la campaña de maíz 2019/2020 en el norte de Córdoba. Realizada de manera virtual, en la jornada se hizo foco en ocho variables que más inciden sobre el rendimiento del cultivo, y a partir de allí se desplegó un modelo de predicción que tiene como objetivo colaborar en la toma de decisiones por parte de los productores.

“El objetivo es abrir las cabezas para poder salir de los planteos y estrategias que normalmente practicamos, introduciendo pequeños cambios que repercuten en mejores resultados”, aseguró Emilio Satorre (FAUBA), que como guía técnica del proyecto es el encargado de procesar y presentar la información de todo el ciclo. El trabajo que RAVIT viene realizando en 2 millones de hectáreas ubicadas al norte de Córdoba involucra a 50 productores y cuenta con el apoyo de UPL. En éste área se miden sistemáticamente 120 variables que permiten entender de una forma única cómo las decisiones y el ambiente influyen en el rendimiento. “En la última campaña, el análisis de las principales variables explicó el 64 % de la variabilidad de los resultados del rinde del maíz de todas las situaciones relevadas en 2019-20”, aclaró.

El relevamiento de la última campaña arrojó un rendimiento promedio para el maíz de 8.249 kilos por hectárea, pero con una variabilidad importante en los resultados. “Hubo casos que apenas alcanzaron los 3.000 kilos y otros que llegaron prácticamente a los 13.000 kilos. Justamente esa disparidad es la que nos interesa explicar, tratando de discernir cuáles son los factores o componentes que tuvieron más efecto sobre el rinde”, agregó el docente de la FAUBA.

Sin lugar a dudas, el ambiente juega un rol fundamental en ese aspecto y explicó el 21% de la variabilidad total de los resultados. “Son condiciones de sitio, algunas de las cuales no podemos manejar, como el clima, y otras que dependen exclusivamente de conocer los suelos en cada lugar”, argumentó Satorre, quien consideró que los cultivos se sembraron sobre suelos sanos, sin problemas de sodio ni salinidad, y fértiles con buen contenido de materia orgánica y una alta capacidad de intercambio catiónico.

Además, los suelos estaban bien provistos de fósforo, azufre y presentaron buenos contenidos de potasio y magnesio entre otros minerales analizados previo a la siembra”, confirmó. A su vez, señaló que en la campaña 2019-20, “cada milímetro de lluvia ocurrido en la estación de crecimiento del cultivo proveyó 10,2  kilos de grano de maíz por hectárea en 2019/20 y 10,6 kg si se consideran las dos campañas anteriores”.

Sin embargo, Satorre señaló que las decisiones de manejo atenuaron el efecto ambiental y explicaron casi el 80% de la variabilidad de un modelo simple con 64% de ajuste. “Los mayores rendimientos estuvieron fuertemente ligados a todo aquello que afectó principalmente al número de granos, y en menor medida al llenado de granos. Por eso, la elección del genotipo y las decisiones sobre fecha y estructura de siembra tuvieron un alto impacto”, indicó Satorre.

Por el lado de la fecha de siembra, la recomendación del profesional pasó por realizarla durante el mes de diciembre. “Nunca sembraría antes del 30 de noviembre, pero tampoco lo retrasaría mucho más allá del 1 de enero. En el norte cordobés, más del 25% de los lotes se siembran tarde en diciembre con el objetivo de acumular agua y eso puede llevar a malos resultados”, aconsejó.

En tanto, sobre la densidad de siembra describió una diferenciación entre zonas: mientras al sur se maneja una densidad de entre 55 y 60 mil plantas, al norte se opta por una estrategia más conservadora que ronda entre las 51 y 59 mil plantas. En este aspecto, alertó que uno de cada tres lotes de maíz tuvo indicadores que sugieren problemas de calidad de siembra, un aspecto que puede llegar a ser determinante en un escenario de año seco como se prevé para la próxima campaña.

Por otro lado, la nutrición del cultivo explicó el 25% de la variabilidad de resultados se asoció al manejo del nitrógeno. Describiendo la dinámica de los cultivos en la región mencionó que “los cultivos necesitaron absorber alrededor de 27 kilos de nitrógeno para producir una tonelada de maíz y que el aporte aparente de la mineralización al total de nitrógeno absorbido por el cultivo sería de entre 140 y 150 kilos en promedio para los lotes de la región”.

Además, Satorre confirmó que en el relevamiento, el 25% de los lotes de la región no se fertilizaron y expuso el efecto de esas decisiones de presiembra sobre el rendimiento final del maíz: mientras que aquellos productores que no hicieron ningún tipo de fertilización obtuvieron un promedio de rinde cercano a los 7000 kilos por hectárea; aquellos que fertilizaron con nitrógeno llegaron a incrementar esos rindes a 8300 kilos; y los que obtuvieron mejor resultado fueron los que se inclinaron por fertilizar con nitrógeno y fósforo, alcanzando los 8900 kilos promedio.

Finalmente, el último factor considerado estuvo relacionado al manejo de plagas, enfermedades y su interacción con la genética elegida, que en conjunto explicaron el 28% de la variabilidad de resultados. En ese sentido, y a diferencia de la anterior campaña, la presión de plagas no fue muy importante. En tanto, las únicas enfermedades que tuvieron alguna incidencia fueron la roya y el tizón, que en algunos lotes puntuales superó el 45% en el primer caso y apenas 10% en el segundo. En estas condiciones el estado de las plantas a cosecha resultó significativo: “Solo el 2% de plantas quebradas podrían explicar hasta 170 kilos de merma de rendimiento en el momento de la cosecha”, concluyó el especialista, sobre los datos de la campaña pasada.

Pero además, el proyecto RAVIT dio en esta ocasión un paso más, integrando el análisis de las últimas tres campañas para construir un modelo de predicción con las ocho variables más significativas para determinar el resultado final del cultivo. “Del ambiente justamente las lluvias y las características del lote son las más importantes. Asimismo, en cuanto al manejo, aquellas asociadas a la estructura, fertilización y protección aparecen como las responsables de atenuar el efecto ambiental de los años malos”, reveló Satorre.

En ese marco, brindó un ejemplo de referencia bajo un escenario desfavorable de año seco donde el modelo ajustado con los datos integrados de las últimas campañas mostró que se puede obtener un diferencial de rendimiento de 1600 kilos por hectárea sólo con el ajuste de algunas decisiones de costo cero. “No se necesita cambiar ni la densidad, ni la fertilización. Tan solo hay que elegir sobre la base del impacto de las variables que sugiere el modelo las mejores situaciones para la rotación del cultivo, la elección correcta del genotipo y adelantar levemente la fecha de siembra”, ejemplificó.

“Este modelo no es una receta, simplemente otorga un marco y algunos límites para el razonamiento. El gran desafío que tenemos por delante ahora es mejorarlo y ajustarlo para poder hacer diagnósticos más rápidos y poder aplicarlo en las decisiones diarias”, sentenció Esteban Tronfi, CEO de RAVIT.

En ese sentido, también fue parte del encuentro el gerente general de UPL Argentina, Rodrigo Ramírez, para quien el trabajo con RAVIT “es una forma de abordar la agricultura en escala de forma colaborativa, con aprendizaje constante y junto a los que más saben. Las cosas tienen más valor en la medida en que se comparten y eso va a marcar una diferencia fundamental respecto a lo que viene a futuro”, reflejó el ejecutivo.

“Los ambientes han cambiado, la genética ha cambiado, y tenemos que empezar a entender cómo es esa nueva relación de las plantas con los estrés. Para ello contamos con tecnologías que aportaron un paquete de 25 mil datos  para entender el funcionamiento de los cultivos en las últimas campañas.  La apuesta es multiplicar la cantidad de información varias veces, esa gran Big Data no la podemos seguir manejando como lo hacíamos anteriormente. El gran desafío hacia futuro es construir y aplicar estos modelos en el día a día, pixel por pixel de campo”, cerró Tronfi.

Comentarios