INTRODUCCIÓN

En la pampa deprimida, donde predominan los sistemas de cría y recría vacuna, los suelos presentan elevada heterogeneidad edáfica a escala de lote (^{Cicore et al., 2015}; ^{Peralta et al., 2015}). Por lo tanto, la variabilidad espacial en la producción de forraje y la eficiencia en el uso de recursos también serian elevadas, generándose así la necesidad de ajustar prácticas de manejo. En este contexto, delimitar zonas de manejo potenciales (ZMP), mediante tecnologías de agricultura de precisión, sería el primer paso para manejar adecuadamente esta variabilidad espacial (^{Bullock & Bullock, 2000}).

Para delimitar ZMP es necesario un método que permita obtener, de forma rápida y a bajo costo, información espacial detallada sobre propiedades edáficas que influyen en el rendimiento (^{King et al., 2005}; ^{Peralta et al., 2013}). En este sentido, la conductividad eléctrica aparente (CEa) del suelo a campo, la cual se define como la capacidad que tiene el suelo para conducir la corriente eléctrica, es un parámetro confiable debido a que los valores de la CEa están influenciados por la salinidad (^{Rhoades et al., 1976}), la textura (^{Heil & Schmidhalter, 2012}), la materia orgánica (MO) (^{Corwin & Lesch, 2005}) y el pH (^{Sanches et al., 2018}). Además, este parámetro es estable en el tiempo, los valores de la CEa cambian con el contenido de agua del suelo, pero los patrones de variación permanecen relativa-mente estables (^{Farahani & Flynn, 2007}). Sin embargo, algunas propiedades del suelo, como la disponibilidad de nitrógeno (N), no están relacionadas con la CEa (^{Kuang et al., 2012}; ^{Peralta et al., 2013}). Por lo tanto, como la demanda y la oferta de este nutriente varían a lo largo del año (^{Echeverría & Bergonzi, 1995}; ^{Agnusdei et al., 2010}), lo que provoca que la variabilidad espacial de la producción de forraje también puede cambiar temporalmente, es necesario, para delimitar en gramíneas templadas ZMP de manera confiable, evaluar el uso de la CEa en diferentes condiciones nutricionales y épocas del año.

La información disponible sobre la relación de la CEa con características edáficas y en consecuencia con la productividad de pasturas o pastizales se ha incrementado en los últimos años (^{Serrano et al., 2010}; ^{Vogel et al., 2019}). En la región pampeana, la misma es abundante para suelos de aptitud agrícola (^{Simón et al., 2013}; ^{Peralta et al., 2013}). Sin embargo, el uso de la CEa en suelos de aptitud ganadera es escaso. Por lo tanto, los objetivos de este trabajo fueron (a) determinar la relación entre CEa y propiedades edáficas para delimitar ZMP en un suelo característico de la pampa deprimida y (b) evaluar si estas zonas se relacionan con la producción de forraje de una pastura de festuca alta [Lolium arundinaceum (Schreb.) Darbysh., originariamente Festuca arundinacea (Schreb.)] creciendo, con y sin limitantes de N, durante rebrotes primaverales y otoñales.

MATERIALES Y MÉTODOS

El experimento se realizó en el partido de Ayacucho, en un lote de 5,75 ha (37° 5’ 8’’S y 57° 52’ 58’’O) que tenía implantada una pastura de festuca alta y donde predomina la serie de suelo Chelforó (Natracualf vertico) (INTA- CIRN, 2019).

La sonda Veris 3100 (Veris 3100, Division of Geoprobe Systems, Salina, KS) fue calibrada y remolcada por el lote aproximadamente a 15 km h^-1 en transectas paralelas separadas entre sí 15 m dado que distancias mayores a 20-25 m generan errores de estimación y pérdida de información (^{Farahani & Flynn, 2007}; ^{Paggi et al., 2013}).

En su unidad de almacenamiento se guardaba la CEa (mS m^-1) a razón de un dato por segundo. Mediante un sistema de posicionamiento global diferencial (DGPS) (Trimble R3, Trimble Navegation Limited, USA) se registraba la latitud y longitud al momento de la medición de cada dato. La sonda Veris 3100 mide la CEa en dos estratos: 0-30 y 0-90 cm de profundidad. En este trabajo solo se utilizó la CEa de 0-30 cm.

Para describir la variabilidad espacial de la CEa se utilizó la geoestadistica. El primer paso fue confeccionar el semivariograma experimental, función básica que describe y cuantifica la dependencia espacial de una variable, es decir, su autocorrelación espacial. A continuación, se procedió al ajuste de un modelo teórico para describir esa variabilidad. Finalmente se realizó la predicción en puntos, dentro del lote, donde no se tomaron muestras mediante el método de interpolación kriging ordinario, obteniendo como resultado una superficie continua (mapa) de la CEa. Para la realización de cada uno de los pasos anteriormente mencionados se utilizó la herramienta Geostatistical Analyst del software ArcGIS 10.2 (Environmental System Research Institute, Redlands, CA).

Por otra parte, en el sitio experimental, se estableció una grilla de 30 x 30 m y se georreferenciaron 43 áreas de muestreo (AM) de 4 m² (Figura 1). En cada AM se tomaron muestras de suelo, compuestas por tres submuestras, hasta los 30 cm de profundidad. Las mismas fueron separados en dos estratos (0-15 y 15-30 cm de profundidad) y secadas en estufa con circulación de aire forzada a una temperatura de 30º C. Posteriormente, se molieron y se tamizaron hasta pasar por una malla de 2 mm. En cada muestra, se determinaron el pH (relación suelo: agua 1:2,5), la textura por el método de la pipeta de Robinson, separando la muestra en tres fracciones granulométricas: arcilla, limo y arena (^{Gee & Bauder, 1986}) y el contenido de humedad gravimétrica (%) a 33 y 1500 kPa de tensión mátrica en ollas de presión. El contenido de humedad gravimétrica a cada tensión considerada se determinó a partir de tres submuestras de 20 g de suelo seco saturadas. Por otra parte, a partir de cada muestra, se elaboró una pasta saturada de suelo. La misma fue filtrada y en el extracto se determinó la conductividad eléctrica del extracto (CEe), con un equipo Thermo Orion modelo 150 Aplus. El Na⁺ soluble se determinó con fotómetro de llama Corning Photometer 410 y el Ca⁺² y el Mg⁺² solubles con un espectrofotómetro de absorción atómica Shimadzu AA-6200. Con los datos de Na⁺, Ca⁺² y Mg⁺² solubles se calculó la relación de absorción de Na (RAS) a partir de la siguiente ecuación:

Finalmente, una fracción de cada muestra fue nuevamente tamizada hasta pasar por una malla de 0,5 mm para la determinación de MO (^{Walkley & Black, 1934}).

Figura 1 Figure 1 (●) Áreas de muestreo (AM) georeferenciadas en el sitio experimental Ayacucho. Cada AM fue dividida en dos unidades experimentales donde se aplicaron los tratamientos de fertilización. (●) Sampling areas (AM) georeferenced georeferenced at the Ayacucho experimental site. Each AM was divided into two experimental units where the fertilization treatments were applied. 

La identificación de las propiedades edáficas que se relacionaron con la CEa se efectuó mediante análisis de regresión múltiple (PROC STEPWISE; ^{SAS Institute Inc., 2007}). Para ajustar esta regresión se calculó, usando la herramienta Buffer 3D Analist Tools de ArcGIS 10.2. (Environmental System Research Institute, Redlands, CA) el promedio de CEa alrededor de cada AM (15 m). Una vez definido el modelo de regresión el mismo se simpleficó a no más de dos propiedades edáficas independientes para minimizar el cuadrado medio del error y así facilitar su interpretación.

En el mapa de CEa realizado anteriormente se delimitaron de dos a cuatro ZMP con la herramienta Geostatistical Analyst de ArcGIS 10.2. (Environmental System Research Institute, Redlands, CA). Los valores y amplitud de las zonas fueron obtenidos mediante la clasificación de los datos en cuantiles (^{Peralta et al., 2013}). Con las ZMP como tratamientos y las AM como repeticiones se realizaron los análisis de varianza (ANVA) correspondientes a las propiedades de suelo definidas como las más significativas en la regresión múltiple. Los análisis estadísticos se realizaron con el PROC GLM (SAS Institute, 2007). Para establecer el número óptimo de ambientes se procedió a seleccionar la menor cantidad de ZMP con diferencias significativas (P < 0,05) para las variables analizadas.

En cada AM se marcaron dos unidades experimentales (UE) apareadas de 1 x 2 m (Figura 1), donde se realizó, al inicio de cuatro rebrotes: primavera 2015, otoño 2016, primavera 2016 y otoño 2017, un corte de emparejamiento a 3 cm de altura y la aplicación de dos tratamientos: N0 (sin aplicación de N) y N250 (250 kg ha^-1 de N, considerado sin limitantes). Las UE recibieron, en todos los rebrotes, 30 kg ha^-1 de fósforo para evitar déficits de este nutriente. Transcurridos 350-400 °Cd (temperatura base: 4°C) el forraje verde (FV) acumulado de cada UE fue cortado, pesado en el campo y del mismo se extrajo una submuestra para determinar el porcentaje de materia seca (% MS). La biomasa seca acumulada (BA), expresada en kg MS ha^-1, se estimó a partir del FV y el %MS y se calculó el promedio de la misma para cada estación de crecimiento (primavera y otoño)

Para cada rebrote se realizó el cálculo de un balance hídrico promedio del lote utilizando un modelo aportado por la Cátedra de Agrometeorología de la FCA-UNMdP. Los datos utilizados fueron la evapotranspiración (ETP) diaria, la precipitación diaria y el coeficiente de cultivo promedio de una pastura que no acumula más de 500 °Cd. El mismo fue estimado en 0,95 (Della Maggiora, comunicación personal). Para los balances se consideró, en función de la clasificación de suelos del sitio experimental y de la profundidad de exploración de las raíces (^{Doll y Deregibus, 1986}), una profundidad efectiva promedio de 0,40 m. La capacidad de retención de agua disponible promedio del suelo fue estimada a partir de la textura.

La BA promedio de cada estación de crecimiento se comparó mediante un ANVA donde fueron testeados el efecto de las ZMP anteriormente delimitadas, el N y la interacción entre estos factores (ZMP x N). Este análisis estadístico se realizó con el PROC MIXED (SAS Institute, 2007).

RESULTADOS Y DISCUSIÓN

En las Tabla 1 se presentan las estadísticas resumen de las propiedades físico-químicas evaluadas del sitio bajo estudio. De acuerdo a la clasificación propuesta en ^{Wilding et al. (1994}), la variabilidad de la mayoría de las propiedades edáficas fue media [i.e. 15% < coeficiente de variación (CV) < 35%] o alta (i.e. CV > 35%), excepto en la MO y el pH, donde el CV promedio hasta los 30 cm de profundidad fue 15 y 9,8% respectivamente. Por lo tanto, los CV hallados, indicarían una variabilidad espacial lo suficientemente amplia como para delimitar ambientes (^{Moral et al., 2010}).

Tabla 1 Table 1 Valor promedio (Prom), desvío estándar (Desv), coeficiente de variación en porcentaje (CV), máximo (Max) y mínimo (Min) de diferentes propiedades fisicoquímicas del suelo. Summary statistics of soil physicochemical properties. Average values (Prom), standard desvest (Desv) coefficient of variation (CV), maximum (max) and minimum (min). 

En lo referido a la CEa, el semivariograma que mejor describió la variabilidad espacial fue el esférico (Figura 2a) ya que fue el modelo que presentó el R² más alto y el cuadrado medio del error más bajo (datos no mostrados). El rango de dependencia espacial de la CEa fue de 99 m (Figura 2a) posiblemente por cambios paulatinos en las propiedades edáficas en el sitio experimental bajo estudio.

En la Figura 2b se presenta el mapa de distribución espacial de CEa obtenido por kriging ordinario. El CV de este parámetro fue elevado (82,3%). Esto sugiere que la CEa podría usarse para detectar variabilidad edáfica como ha sido mencionado en trabajos realizados en suelos de aptitud agrícola (^{Peralta et al., 2013}) y ganadera (^{Cicore et al., 2015}; ^{Peralta et al., 2015}) de la pampa húmeda. En este sentido, en el análisis de regresión múltiple, se determinó que la CEe y el porcentaje de arena, promedio hasta los 30 cm de profundidad, fueron las propiedades de suelo que se relacionaron significativamente con la CEa (R² = 0,67; P < 0,01 y 0,04 respectivamente) (Figura 3). Este comportamiento se debe a que la CEe es un estimador de la concentración de sales de un suelo (^{Rysan & Sarec, 2008}) y estas afectan considerablemente la medición de la CEa debido a que la capacidad de conducir la corriente eléctrica depende de la cantidad de iones que se encuentran en la solución del suelo (^{Peralta & Costa, 2013}). Por otra parte, el contenido de arena en el suelo afecta la medición de la CEa porque a medida que los mismos son más elevados, el contacto entre partículas de suelo y el número de poros continuos llenos de agua es menor. Por lo tanto, la capacidad de conducir la corriente eléctrica, y en consecuencia el valor de la CEa, se reducen (^{Rhoades et al., 1989}).

A su vez estas propiedades edáficas, relacionadas a la medición de la CEa, podrían influir en la producción de forraje. La CEe, cuando es elevada, provoca un incremento del potencial osmótico de la solución del suelo en la zona radical (^{Vásquez et al., 2001}). En consecuencia, las plantas deben destinar parte de sus recursos al ajuste del potencial osmótico de sus raíces, disminuyendo la cantidad de asimilados destinados al crecimiento. Asimismo, a mayor porcentaje de arena en el suelo, el efecto negativo provocado por el exceso de Na (perdida de estructura, la cual afecta la disponibilidad de agua y por ende el crecimiento), se reduce. Esto se debe a la menor carga en la superficie de la arena y menor superficie específica respecto a la arcilla y el limo, lo que determina que este tamaño de partícula no interactúa con el Na generándose así, un efecto amortiguador de la dispersión de los agregados (^{Oster et al., 1980}).

Figura 2 Figure 2 (a) Semivariograma experimental (●) y teórico (▬) de la conductividad eléctrica aparente (CEa) medida hasta los 30 cm de profundidad. (b) Mapa de distribución espacial de la CEa. Experimental (●) and theoretical (▬) semivariogram model for apparent electrical conductivity (CEa) at 0.30-m depth. (b) CEa map. 

Figura 3 Figure 3 Modelo predictivo de la conductividad eléctrica aparente (CEa) medida hasta los 30 cm de profundidad. Modelo predictivo: Intercepto: 156,1; CEe: 6,2 y porcentaje de arena: -2,8 Predictive model for apparent electrical conductivity (CEa) at 0.30 m depth. Intercept parameter 156,1; CEe: 6,2 and sand percentage: -2,8. 

Para determinar diferencias significativas entre las ZMP se realizó un ANVA a la BA promedio de cada estación de crecimiento. Se utilizaron sólo dos rangos de CEa: zona de baja CEa (ZB) y zona de alta CEa (ZA) para delimitar ZMP debido a que, con esta cantidad de ambientes, se determinaron diferencias significativas entre zonas (P < 0,05) en los parámetros edáficos que explicaron la variabilidad de la CEa (CEe y porcentaje de arena) (Figura 4). En cambio, con tres o cuatro ambientes no se hallaron diferencias significativas en alguna de estas propiedades edáficas (datos no mostrados).

Figura 4 Figure 4 Promedio y desvío estándar de la conductividad eléctrica del extracto (CEe) (0-30 m de profundidad) y el porcentaje de arena (0-30 m de profundidad) para dos zonas de manejo potenciales (ZMP): zona de baja CEa (ZB) y zona de alta CEa (ZA). Letras diferentes indican diferencias significativas (P < 0,05) entre ZMP en la CEe (minúsculas) y el porcentaje de arena (mayúsculas). Average values and standard deviation of electrical conductivity of soil saturation paste extract (CEe) at 0.30 m depth and sand percentage at 0.30 m depth for two potential management zones (ZMP): low CEa zone (ZB) and high CEa zone (ZA). Different letters indicate significant differences between ZMP (P < 0.05) for CEe (lower case letters) and sand percentage (upper case letters). 

En primavera se determinó interacción significativa entre tratamientos de fertilización y zonas (Tabla 2; P < 0,05). Con el agregado de N, la ZB mostró una acumulación de forraje mayor que la ZA, mientras que en el tratamiento N0 fueron detectadas menores diferencias significativas (Tabla 2). Estos resultados pueden deberse a que la respuesta a N depende de la disponibilidad de agua en el perfil del suelo (^{Errecart et al. 2014}), la cual cambia espacialmente ya que está asociada a la variabilidad edáfica y topográfica (^{Cicore et al., 2015}). Además, en esta estación de crecimiento se registró efecto significativo del N (Tabla 2; P < 0,05) por la baja disponibilidad de formas asimilables de N durante esta época del año (Echeverría & Bergonzi, 1995) y efecto significativo de la ZMP (Tabla 2; P < 0,05). Por otra parte, la permanencia de la variabilidad a través del tiempo, hallada en primavera (datos no mostrados), facilitaría la aplicación de tecnologías de manejo por ambientes (^{Xu et al., 2006}). Esto resulta relevante puesto que durante esta época del año, en la pampa deprimida, se concentra el 60-70% del forraje producido anualmente.

En otoño las pasturas presentan menores tasas de crecimiento que en primavera, debido a la menor cantidad de radiación incidente en esta época del año (^{Tancredi, 2016}), lo que determina menores respuestas al suministro de N (^{Marino & Agnusdei, 2007}). Sin embargo, en esta experiencia se determinó, sobre la BA de la pastura, efecto significativo de la aplicación de N en esta estación de crecimiento (Tabla 2), coincidiendo con lo reportado por ^{Fernández Grecco (2013}). Esta respuesta a N podría haber sido producto del adecuado suministro de agua para el crecimiento de las pasturas durante gran parte del rebrote otoño 2016 y durante todo el rebrote otoño 2017 (Figura 5c y 5d).

Por otra parte, este comportamiento en el balance hídrico de los dos rebrotes otoñales, que no fue determinado en los rebrotes primaverales (Figuras 5a y 5b), habría minimizado las diferencias de agua disponible entre ZMP en otoño. Por ello, y dado que la humedad edáfica es el principal factor limitante del crecimiento de las plantas en regiones templadas (^{Fraisse et al., 2001}), no se registró interacción entre los factores de tratamiento ni efecto significativo de la ZMP sobre la BA (Tabla 2; P > 0,05).

Tabla 2 Table 2 Biomasa acumulada promedio (BA) en una pastura de festuca alta creciendo en primavera (PRIM) y otoño (OTO) para dos tratamientos de fertilización: N250 y N0 y dos zonas de manejo potenciales (ZMP): zona de baja CEa (ZB) y zona de alta CEa (ZA). Accumulated biomass (BA) of tall fescue pasture growing in spring (PRIM) and in autumn (OTO) regrowth periods for two nitrogen treatments: N0 and N250 and two potential management zones (ZMP): low CEa zone (ZB) and high CEa zone (ZA). 

Figura 5 Figure 5 Balances de agua durante (a) primavera 2015, (b) primavera 2016, (c) otoño 2016 y (d) otoño 2017. (▬) Variación de agua en el suelo, (▬) excesos hídricos, (█) precipitaciones, capacidad de almacenaje de agua del suelo máxima (---), mínima (---) y del 50% (---). Las barras negras horizontales indican la duración de los periodos experimentales. Water balance during (a) spring 2015, (b) spring 2016, (c) autumn 2016 and (d) autumn 2017. (▬) soil moisture change, (▬) water excesses, (█) precipitations, soil moisture storage (---) maximum, (---) minimum and (---) of the 50%. The horizontal black bars indicate the duration of the experimental periods. 

CONCLUSIONES

En el sitio experimental bajo estudio la CEa se relacionó con propiedades edáficas relevantes para la producción de forraje. Además, ambientes delimitados a partir de la CEa mostraron diferencias en la producción de pasto durante la primavera independientemente de la disponibilidad de N. Por otra parte durante los rebrotes otoñales no fue posible delimitar ambientes de manera confiable. Son necesarias futuras investigaciones debido a que este experimento fue realizado en un solo sitio experimental que no representa la totalidad de los suelos característicos de la pampa deprimida.