Disponível em:

http://www.fcagr.unr.edu.ar/malezas/Apuntes/Funciones_Dano.doc

FUNCIONES DE DAÑO DE MALEZAS

Dr. Javier I. Vitta. Cátedra de Malezas. Facultad de Ciencias Agrarias. Universidad Nacional de Rosario. CC14. 2123 Zavalla. Argentina.

Uno de los objetivos en el manejo de malezas es poder predecir las pérdidas por competencia. Diferentes tipos de modelos han sido ideados con esa finalidad. Los mismos abarcan distintos niveles de elaboración: desde modelos sencillos de regresión hasta complejos modelos ecofisiológicos, los cuales identifican los recursos por los cuales se compite. En este trabajo abordaremos el primer tipo de modelos: describiremos los tipos más comunes, analizando sus ventajas y limitantes.

Las funciones de daño se caracterizan por ser modelos descriptivos, es decir, que no consideran los factores involucrados en el proceso de competencia. Son principalmente generados mediante diseños experimentales aditivos, combinando una única densidad del cultivo con diferentes densidades de la maleza. Los modelos así obtenidos consisten, por lo general, en regresiones simples que describen la pérdida de rendimiento den función de distintas variables que caracterizan la abundancia de la maleza. Entre ellas, la biomasa es desde un punto de vista biológico, la más adecuada para cuantificar la demanda de recursos (luz, agua y nutrientes), y por ende, la intensidad de la competencia entre cultivos y malezas. Su empleo con fines predictivos se ve seriamente restringido debido a que su determinación supone un muestreo destructivo, además de ser engorrosa desde un punto de vista operativo. No obstante, es utilizada con fines experimentales para analizar la complementariedad de recursos entre cultivos y malezas y/o la agresividad relativa de ambas especies.

Históricamente, los modelos estáticos más utilizados consideran la densidad de la maleza como variable independiente. Esta variable es más fácil de determinar que la biomasa y permite establecer relaciones estadísticamente aceptables con el rendimiento del cultivo, incluso desde etapas tempranas del ciclo de crecimiento. Numerosos trabajos han sido llevados a cabo con el objeto de describir la forma de la función que relaciona ambas variables. Así, por ejemplo, Dew (1972) estableció una relación lineal entre la pérdida de rendimiento de distintos cultivos y la raíz cuadrada de la densidad de plantas; Torner et al. (1991) optaron por una relación exponencial para describir el rendimiento de cebada en función de la densidad de Avena sterilis; Leguizamón y Vitta (1989) ajustaron un modelo lineal que relacionó el rendimiento de soja en función de la densidad de macollos de Sorghum halepense. Zimdahl (1980), por su parte propuso una relación general de tipo sigmoide entre la disminución del rendimiento de los cultivos y la densidad de las malezas.

Cousens et al. (1984) sostienen que la elección de los modelos previamente mencionados usualmente se basa en consideraciones estadísticas, sin alguna restricción de tipo biológico. Para paliar este déficit, los autores idearon un modelo hiperbólico cuyos parámetros poseen un significado biológico concreto:

Pr = . iD . (1)

1+ (iD/m)

Donde:

Pr= pérdida de rendimiento del cultivo (g/m2)

D= densidad de la maleza (pl/m2)

i= pérdidas que resultan a densidades muy bajas de la maleza

m= pérdida máxima de rendimiento

Dicho modelo contrasta con la interpretación biológica que surge de considerar el modelo sigmoide propuesto por Zimdahl. El modelo hiperbólico supone que en bajas densidades la competencia interespecífica es máxima. En estas condiciones, un aumento en la densidad de la maleza tendrá un efecto aditivo sobre el rendimiento del cultivo. En altas densidades, las plantas de la maleza compiten entre sí de manera que la relación deja de ser lineal para tornarse curvilínea. Por el contrario, el modelo sigmoide asume que existe una densidad de la maleza por debajo de la cual no existe competencia. La interpretación más aceptada en la actualidad es que el modelo sigmoide deriva de la imposibilidad de detectar disminuciones estadísticamente significativas cuando las densidades son muy bajas. El modelo lineal, por otra parte parece ser adecuado para situaciones de baja densidad de malezas, donde el efecto competitivo de las mismas es aditivo. En la Figura 1 se describen las principales formas de respuesta mencionadas.

La principal desventaja de las funciones de daño basadas en la densidad es su incapacidad para cuantificar los efectos de las malezas en distintas situaciones de competencia. En la década pasada, se realizaron distintos intentos considerando otras variables además de la densidad de la maleza, con la finalidad de aumentar la generalidad de los modelos mencionado. Así, Carlson y Hill (1985) demostraron que la inclusión de la densidad de trigo como factor de competencia con Avena fatua mejora sustancialmente el valor predictivo de la función de daño del cultivo. Por su parte, Cousens et al. (1987) construyeron un modelo no lineal incorporando como variable independiente, además de la densidad de la maleza, el momento relativo de emergencia de la misma.

A pesar de estos intentos, la varianza no explicada por estos modelos sigue siendo importante. Los parámetros estimados suelen variar significativamente entre años y entre sitios. Cousens et al. (1988) observaron que el orden de variación en la respuesta del trigo a la competencia de Bromus sterilis entre distintas localidades de Inglaterra –atribuido, al menos parte, a diferencias edáficas entre sitios- desalentaba el empleo de las funciones de daño como herramienta de manejo de la maleza. Sin embargo, en ciertos casos, la robustez del modelo puede ser suficiente como para extender sus predicciones a una escala regional (Gill et al., 1987).

Desde un punto de vista práctico, la precisión requerida al modelo dependerá tanto del nivel de rendimiento esperado del cultivo como de la agresividad de la maleza. En la medida que ambos aumenten , la pérdida deberá ser estimada con mayor exactitud.

Vitta (1994) demostró que el efecto competitivo de la maleza a bajas densidades (estimado por el parámeto i de la ecuación (1)) es más variable que la pérdida a muy altas densidades (estimada por el parámetro m de la misma ecuación). Este hecho es particularmente relevante teniendo en cuenta que la toma de decisiones acerca del control de malezas es especialmente crítica con bajos niveles de infestación.

Assemat (1988) señala que la falta de generalidad de las funciones de daño deriva de la ausencia de un vínculo funcional entre la densidad de la maleza y el rendimiento del cultivo. Este último no responde al número medio de individuos competidores, sino a la demanda de recursos que ellos ejercen. Los modelos basados en la densidad de las malezas no consideran la heterogeneidad ambiental que gobierna las relaciones de competencia. Por lo tanto, el valor predictivo de este tiipo de modelos se restringe a condiciones ambientales similares a las existentes durante su generación.

Figura 1: Principales formas de las funciones de daño de malezas

Kropff y Spitters (1991) propusieron considerar el área foliar relativa de la maleza en lugar de su densidad. Los autores propusieron el siguiente modelo que relaciona las pérdidas de rendimiento (Pr) y el área foliar relativa de malezas (AFm).

Pr = qAFm (2)

1+ (q-1) AFm

q es el coeficiente de daño por competencia. AFm representa la proporción del área foliar de la mezcla que corresponde a la maleza.

La ecuación (2) asume que el canopeo es un adecuado integrador de los distintos factores involucrados en la competencia. En particular, los modelos basados en el área foliar – a diferencia de los basados en la densidad- tienen en cuenta las variaciones en el momento relativo de emergencia de las especies: las malezas mas tardías –y por lo tanto, menos competitivas- representarán una menor fracción del Afm en comparación a aquellas malezas que emergen simultanemente con el cultivo. Existe ya evidencia experimental que demuestra la superioridad de esta nueva aproximación. No obstante ello, el área foliar presenta dos inconvenientes:

i) lo dificultoso de su determinación.

ii) la diferente tasa de crecimiento del área foliar de las especies. Esto último provoca que el parámetro q de la regresión se modifique según el momento del ciclo en que se haya determinado el área foliar.

Para contrarrestar la primera limitante, en los últimos años se han ideado distintas metodologías de estimación del área foliar de malezas, basadas en evaluaciones de cobertura. Pike et al. (1990) observaron que la cobertura de Datura stramonium y Xanthium strumarium -estimadas mediante fotografías analizadas con técnicas de imagen- predijo adecuadamente el rendimiento del cultivo de soja. Ghersa y Martinez Ghersa (1991) desarrollaron un método para predecir la competencia entre maíz y S. halepense utilizando un medidor óptico ideado por Beaumer y De Wit (1968). El método fue probado a nivel extensivo, en donde el rendimiento calculado del cultivo difirió del observado en no más del 6%. Vitta et al. (1993), comprobaron la bondad predictiva de ese método en mezclas de soja y S. halepense. Lutman (1992) observó una alta correlación entre la materia seca de avena, su cobertura –estimada visualmente o por fotografías- y el rendimiento final de vicia y arveja. Christensen (1993) trabajó en determinaciones electrónicas de la cobertura de Brassica napus en el cultivo de cebada. El método utiliza como variable independiente la intercepción relativa de luz de la maleza y su empleo parece restringirse a propósitos experimentales. Finalmente, Vitta y Fernandez Quintanilla (1996) trabajando con mezclas de Sinapis alba y trigo, concluyen que estimaciones visuales de la cobertura predijeron en forma más acertada el rendimiento del cultivo que métodos más objetivos basados tanto en fotografías como en el uso del medidor óptico antes mencionado.

Las funciones de daño basadas en la cobertura de malezas pueden ser tanto lineales (v.gr. soja-S.halepense) como hiperbólicas (v.gr. trigo-S.alba). Si bien estas funciones en muchos casos explican un alto porcentaje de la variación del rendimiento de los cultivos, sus parámetros pueden modificarse de acuerdo a cambios en el ambiente. Por ejemplo, Vitta et al. (1993) encontraron que un mismo nivel de cobertura de S. halepense produce una mayor pérdida por competencia en un cultivo de soja de segunda que en uno de primera.

Existen además otra serie de restricciones que limitan el uso de las funciones de daño con herramientas de manejo de malezas. Sumariamente, ellas se basan en las siguientes consideraciones:

(i) la distribución espacial de malezas.

El hecho de tener en cuenta el promedio de la densidad o de la cobertura para caracterizar el nivel de infestación de una determinada especie, significa asumir que la distribución de la misma es azarosa. Sin embargo, las malezas normalmente se encuentran en manchones y se ajustan a una distribución binomial negativa (Marshall, 1988). En estos casos, el supuesto de distribución al azar provoca una sobreestimación de las pérdidas reales por competencia cuando estas responden a un modelos hiperbólico (Brain y Cousens, 1990). Tanto las posibles correlaciones entre las distribuciones de diferentes especies como la variabilidad registrada en la distribución entre distintos campos, dificultan la modelización adecuada de la distribución de malezas (Wiles et al., 1992).

(ii) el período de tiempo que abarque la evaluación económica del control.

Por lo general, el umbral de infestación a partir del cual es económicamente rentable controlar una maleza es menor cuando el análisis incluye no sólo el año actual sino también los sucesivos. Por ejemplo, Bauer y Mortensen (1992) estimaron que el umbral económico a corto plazo de Abutilon theophrasti y Helianthus annuus en soja era 2.6 y 1.5/ 10 m², respectivamente. En cambio, a largo plazo (considerando un período de 15 años) los umbrales se reducían a 0.4 plantas/10m² para ambas malezas. Para realizar este tipo de análisis, es necesario incorporar a las funciones de daño un modelo de la dinámica de la población de la maleza.

(iii) la coexistencia de distintas especies de malezas.

Generalmente, las funciones de daño consideran que las pérdidas atribuidas a la competencia con una única especie de maleza. Sin embargo, la situación más común es la presencia de distintas especies compitiendo entre sí y con el cultivo. Distintos aportes destinados a superar este inconveniente se basan en el cálculo de un índice de competencia que engloba todas las especies presentes. Dicho índice deriva de multiplicar la habilidad competitiva de cada especie por su densidad (Coble y Mortensen, 1992). En el caso de los modelos basados en área foliar (ecuación (2)), la alternativa es realizar la sumatoria del area foliar relativa de cada especie de maleza por su respectivo coeficiente de daño (q).La limitante de estas aproximaciones es la incapacidad de cuantificar adecuadamente la competencia intra e interespecífica de las malezas.

Bibliografía

· Assemat, L. (1988). Proceedings of the 8^th. Symposium of Weed Biology, Ecology and Systematics, Dijon, 649-656.

· Baeumer, D. y De Wit, C.T. (1968). Netherlands Journal of Agricultural Science, 16, 103-122.

· Bauer, T.A. y Mortensen, D.A. (1992). Weed Technology, 6, 228-235.

· Brain, P. y Cousens, R. (1990). Journal of Applied Ecology, 27, 735-742.

· Carlson, H.L. y Hill, C.T. (1985). Weed Research, 33, 176-181.

· Coble, H.D. y Mortensen, D.A. (1992). Weed Technology, 6, 191-195.

· Cousens, R., Peters, N.C.B. y Marshall, C.J. (1984). Proceedings of the 7^th. Symposium of Weed Biology, Ecology and Systematics, Dijon, 367-374.

· Cousens, R., Brian, P., O’Donovan, J.T. y O’Sullivan, A. (1987). Weed Science, 35, 720-725.

· Cousens, R., Firbank, L.G., Mortimer, A.M. y Smith, R.G.R. (1988). Journal of Applied Ecology, 25, 1033-1044.

· Christensen, S. (1993). Proceedings of the EWRS Symposium, Braunshweig, 63-70.

· Dew, D.A. (1972). Canadian Journal of Plant Science, 52, 921-927.

· Ghersa, C.M. y Martinez Ghersa, M.A. (1991). Weed Technology, 5, 279-285.

· Gill, G.S., Poole, M.L. y Holmes, J.E. (1987). Australian Journal of Experimental Agriculture, 27, 291-294.

· Kropff, M.J. y Spitters, C.J.T. (1991). Weed Research, 31, 97-105.

· Leguizamón, E.S. y Vitta, J.I. (1989). Actas de la IV Conferencia Mundial de Investigación en Soja, Buenos Aires, 1632-1638.

· Lutman, P.J.W. (1992). Proceedings of the 9^th. Symposium of Weed Biology, Ecology and Systematics, Dijon, 337-344.

· Marshall, E.J.P. (1988). Weed Research, 28, 191-198.

· Pike, D.R., Stoller, E.W. y Wax, L.M. (1990). Weed Science, 38, 522-527.

· Torner, C., Gonzalez Andújar, J.L., Fernandez Quintanilla, C. (1991). Weed Research, 31, 301-307.

· Vitta, J.I., Satorre, E.H. y Leguizamón, E.S. (1993). Weed Research, 34, 89-97.

· Vitta, J.I. (1994). Tesis Doctoral-Universidad Politécnica de Madrid. 150 pp.

· Vitta, J.I. y Fernandez Quintanilla, C. (1996). Weed Science, 44, 511-516.

· Wiles, L.J., Wilkerson, G.G., Gold, H.J. y Coble, H.D. (1991). Weed Science, 40, 546-553.

· Zimdahl, R.L. (1980). International Plant Protection Center, Oregon State University, 196 pp.