������������������������������������������������������������������������������

 

Algoritmo para identificar las causas de brechas de rendimientos en sistemas de producci�n bananeros Ecuatorianos

 

Algorithm to identify the causes of yield gaps in Ecuadorian bananer production systems

 

Algoritmo para identificar as causas das lacunas de rendimento nos sistemas de produ��o de banana equatorianos

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: pedro.cornejo@espoch.edu.ec

 

 

 

 

 

Ciencias T�cnicas y Aplicadas ����������������

Art�culo de Investigaci�n ��

��

 

* Recibido: 27 de marzo de 2022 *Aceptado: 17 de abril de 2022 * Publicado: 16 de mayo de 2022

 

1. Recursos Naturales, Agronom�a, Escuela Superior Polit�cnica de Chimborazo (ESPOCH), Riobamba, Ecuador.
2. Facultad de Inform�tica y Electr�nica, Software, Escuela Superior Polit�cnica de Chimborazo (ESPOCH), Riobamba, Ecuador
3. Facultad de Ciencias de la Educaci�n, Humanas y Tecnolog�as, Pedagog�a de las Ciencias, Matem�tica y F�sica, Universidad Nacional de Chimborazo (UNACH), Riobamba, Ecuador.
4. Facultad de Inform�tica y Electr�nica, Tecnolog�as de la Informaci�n, Escuela Superior Polit�cnica de Chimborazo (ESPOCH), Riobamba, Ecuador.

Resumen

Los rendimientos agr�colas esperados muchas veces no son alcanzados en t�rminos reales a esta diferencia se le denomina brecha de rendimiento y puede deberse a factores agron�micos, ambientales o ed�ficos los cuales pueden ser determinados por procedimiento estad�sticos, por lo que objetivo de esta investigaci�n fue desarrollar un algoritmo para identificar las brechas de rendimientos en el cultivo del banano, el cual es principal rubro exportador del Ecuador. Para ello se tomaron datos de rendimiento por superficie en las provincias de Cotopaxi, Morona Santiago, Guayas, Sana Elena y el Oro, se consideraron para la determinaci�n de las brechas las variables clim�ticas (temperatura y precipitaci�n) y ed�ficas (materia org�nica, pH, CE, P y K). Las brechas fueron determinadas mediante el c�lculo de los promedios y diferencia con los valores m�ximos y a trav�s de un an�lisis de regresi�n m�ltiple y correlaci�n el cual fue comprobado mediante an�lisis de componentes principales (ACP). Los resultados muestran que existe una brecha marcada entre las provincias de Guayas, Santa Elena y Oro, las cuales presentan los mayores rendimientos debidos a mejores condiciones clim�ticas y ed�ficas para la producci�n de banano, sin embargo, estas diferencias con respecto a las otras provincias se pueden deberse a la degradaci�n de la tierra, el cambio clim�tico e inadecuado manejo agron�mico, por lo que se deben determinar estos paramentos mediante la brecha de rendimiento cuyo algoritmo demostr� ser eficiente para la cuantificaci�n de la misma y cuya aplicaci�n se puede extender a otros rubros agr�colas.

Palabras claves: an�lisis multivariado; estimaci�n; regresi�n; rendimiento; variabilidad.

 

Abstract

The expected agricultural yields are often not achieved in real terms, this difference is called yield gap and may be due to agronomic, environmental or edaphic factors which can be determined by statistical procedures, so the objective of this research was to develop an algorithm to identify the yield gaps in the banana crop, which is the main exporter of Ecuador. For this purpose, yield data per area were collected in the provinces of Cotopaxi, Morona Santiago, Guayas, Sana Elena and El Oro, and the climatic variables (temperature and precipitation) and edaphic variables (organic matter, pH, EC, P and K) were considered for the determination of the gaps. The gaps were determined by calculating the averages and the difference with the maximum values and through a multiple regression and correlation analysis, which was checked by means of principal component analysis (PCA). The results show that there is a marked gap between the provinces of Guayas, Santa Elena and Oro, which have the highest yields due to better climatic and soil conditions for banana production, however, these differences with respect to the other provinces may be due to land degradation, climate change and inadequate agronomic management, so this should be determined through the yield gap whose algorithm proved to be efficient for the quantification of the same and whose application can be extended to other agricultural crops.

Keywords: multivariate analysis; estimation; Regression; performance; variability.

 

Resumo

Os rendimentos agr�colas esperados muitas vezes n�o s�o alcan�ados em termos reais, essa diferen�a � chamada de gap de rendimento e pode ser devido a fatores agron�micos, ambientais ou ed�ficos que podem ser determinados por procedimentos estat�sticos, ent�o o objetivo desta pesquisa foi desenvolver um Algoritmo para identificar lacunas de rendimento no cultivo de banana, que � o principal item de exporta��o no Equador. Para isso, foram obtidos dados de produtividade por superf�cie nas prov�ncias de Cotopaxi, Morona Santiago, Guayas, Sana Elena e El Oro, vari�veis ​​clim�ticas (temperatura e precipita��o) e vari�veis ​​ed�ficas (mat�ria org�nica, pH, CE, P e K). Os gaps foram determinados calculando as m�dias e diferen�as com os valores m�ximos e atrav�s de uma regress�o m�ltipla e an�lise de correla��o, que foi verificada por an�lise de componentes principais (PCA). Os resultados mostram que h� uma lacuna acentuada entre as prov�ncias de Guayas, Santa Elena e Oro, que apresentam os maiores rendimentos devido �s melhores condi��es clim�ticas e edafol�gicas para a produ��o de banana, no entanto, essas diferen�as em rela��o �s outras prov�ncias podem ser devido � degrada��o da terra, mudan�as clim�ticas e manejo agron�mico inadequado, portanto, esses par�metros devem ser determinados atrav�s do gap de rendimento, cujo algoritmo se mostrou eficiente para sua quantifica��o e cuja aplica��o pode ser estendida a outros itens agr�colas.

Palavras-chave: an�lise multivariada; estimativa; regress�o; Desempenho; variabilidade.

 

Introducci�n

El an�lisis de brecha de rendimiento es usado para identificar y jerarquizar los factores que pueden explicar las diferencias en el rendimiento de un cultivo bajo distintos niveles o tipos de manejos agron�micos y definir cuantitativamente las funciones que expliquen los factores responsables de dichas diferencias (Woittiez et al., 2018), de tal manera de que identificada la causa de la brecha se tomen las decisiones pertinentes para que la producci�n alcanza los rendimientos esperados.

Para poder estimar las brechas se deben calcular el rendimiento m�ximo alcanzable, el cual es el m�ximo beneficio del cultivo, sin limitaciones f�sicas (V�sconez et al., 2021), biol�gicas (Guam�n et al., 2020) o econ�micas (Sainz et al., 2019) y con la aplicaci�n de las mejores pr�cticas de manejo conocidas por un tiempo y en un agroecosistema dado; para estimar la brecha a su vez se debe calcular el rendimiento a nivel de finca, el cual es el rendimiento promedio de los agricultores en una determinada �rea seleccionada, en un momento y en una ecolog�a determinada, en ambos casos para la brecha se estima mediante la diferente entre el rendimiento m�ximo y el rendimiento promedio, para lo cual se emplean herramientas de estad�sticas descriptivas.

Las brechas de rendimiento pueden ser explicada por dos factores el primero por la brecha entre el rendimiento potencial te�rico y el rendimiento a nivel de estaci�n experimental, para la cual los cient�ficos conciben y desarrollan mejores variedades potenciales, el segundo por la diferencia entre el rendimiento de la estaci�n experimental y el rendimiento agr�cola potencial, y es causado principalmente por los factores que generalmente son intransferibles, como las condiciones ambientales y algunas tecnolog�as de componentes incorporados que est�n disponibles en las estaciones de investigaci�n (Bonatti et al., 2014).

Las causas de las brechas de rendimiento pueden ser de �ndole agron�mico como el manejo de riego (Rabery et al., 2020), fertilizaci�n (Gudelj y Ju�rez, 2019), control de plagas y enfermedad (Mej�a, 2018), pero tambi�n pueden deberse a condiciones clim�ticas (Gonz�lez et al., 2020) y ed�ficas (Boccolini et al., 2019) que predicen que a pesar de que material gen�tico puede alcanzar rendimientos extraordinarios, el mismo solo lo alcanza en aquellas regiones donde las condiciones edafoclim�ticas son las m�s adecuadas.

En este sentido los factores que causan brechas de rendimiento pueden clasificarse seg�n su modalidad y el grado en el cual contribuyen a las brechas: Biof�sicos: clima/condiciones atmosf�ricas, suelos, agua, presi�n por plagas, malezas; T�cnicos/manejo: labranza, selecci�n de variedades/semillas, agua, nutrientes, malezas, plagas y manejo en postcosecha; Socioecon�micos: nivel socioecon�mico, tradiciones y conocimientos de los agricultores, tama�os de la familia, ingresos/gastos/inversiones del hogar; Institucionales/pol�ticos: pol�tica del gobierno, precios del arroz, cr�dito, oferta de insumos, tenencia de la tierra, mercado, investigaci�n, desarrollo, extensi�n y de transferencia de tecnolog�a como: idoneidad y servicios del personal de extensi�n; integraci�n entre investigaci�n, desarrollo y extensi�n; resistencia de los agricultores frente a la nueva tecnolog�a; conocimientos y habilidades; v�nculos d�biles entre el personal de extensi�n de los sectores p�blico, privado y no gubernamental.

Para estimar el porcentaje que representa cada brecha en primer lugar se debe identificar cual es la variable responsable y estimar el peso, para lo cual se ha utilizado un an�lisis de regresi�n m�ltiple, donde las variables que resulten estad�sticamente significativas se consideran como causante de la brecha, dado que uno de los problemas que se presentan en la estimaci�n de este tipo de an�lisis de la variabilidad en especial cuando se trabaja con una gran cantidad de par�metros en periodos cortos de tiempo se ha recurrido a la estad�stica multivariada, predominante el uso de An�lisis de Componentes Principales (ACP), al cual ha sido una herramienta a �til, para identificar en este caso las variables asociadas a la cambios en el rendimiento.

Las brechas de rendimiento ocurren en todos los cultivos, sin embargo la preocupaci�n es mayor en aquellos rubros como el banano, el cual se ha hecho una alta inversi�n para la selecci�n de nuevos materiales que aumente la producci�n del mismo en particular en el caso de los pa�ses tropicales como el Ecuador, donde este es uno del principales rubros de exportaci�n, en el pa�s aunque existen muchas regiones productoras, existe aquellas donde los rendimientos son superior por lo que de establecer si las causas de este es debido a condiciones ambientales o el manejo .

Para poder hacer este an�lisis tanto desde el punto de vista cuantitativo es necesario desarrollar algoritmo que la identificaci�n de la brecha y que a su vez esta herramienta asa en la aplicaci�n de diversos procedimientos estad�sticos sea los suficientemente confiable para emplearla de forma rutinaria, por lo que el objetivo de esta investigaci�n fue desarrollado un algoritmo para identificar las brechas de rendimientos en el cultivo del banano, el cual es principal rubro exportador del Ecuador.

 

Materiales y M�todos

Se trabaj� con los de registros Sistema de Producci�n Agropecuario (SIPA) durante el periodo 2010 a 2020, para datos de producci�n (Tabla 1) y superficie de siembra en banano (Tabla 2) en las Provincias de Cotopaxi, Morona Santiago, Santa Elena, El Oro y Guayas. Los datos fueron depurados en funci�n de la presencia de valores extremos y de aquellos datos que maximizan o achican los valores de las respuestas predichas. �stos �ltimos fueron eliminados luego de graficar los valores estimados contra los residuales.

 

Tabla 1. Datos de rendimiento (Tn ha^-1) de cinco provincias para el an�lisis de brecha de rendimiento en banano en el Ecuador

 

 

Tabla 2. Datos de superficie (ha) sembrada de banano de cinco provincias para el an�lisis de brecha de rendimiento en banano en el Ecuador.

 

 

Para la identificaci�n� de las brechas de rendimiento se aplic� el algoritmo que se ilustra en la figura 1, en el cual el primer paso fue la creaci�n de la base de datos, que incluy� variables clim�ticas y ed�ficas a partir del cual se realiz� la estad�stica descriptiva, para posteriormente llevar a cabo el an�lisis de correlaci�n de todas las variables con el rendimiento, seguido de una an�lisis de regresi�n para identificar la variable causante de la brecha para despu�s hacer una an�lisis comprobatorio mediante un ACP.

Figura 1. Algoritmo para estimar las brechas de rendimientos en el cultivo del banano

 

 

Para la identificaci�n de la brecha de rendimientos se consideraron como variable dependiente el rendimiento y como independiente adem�s de la superficie de siembra algunos par�metros clim�ticos y ed�ficos que se describen a continuaci�n.

Rendimiento del cultivo: expresado en la cantidad de toneladas producidas por superficie cosechada, se consideraron los datos del sistema de informaci�n agropecuaria de Ecuador para el periodo 2010-2020.

Superficie de siembra: se consideraron las hect�reas sembradas con banano en las cinco provincias evaluadas en el estudio, independientemente de la variedad, se consideraron los datos del sistema de informaci�n agropecuaria de Ecuador para el periodo 2010-2020.

Precipitaci�n: Se refiere a los datos promedio anual de lluvia para el periodo bajo estudio, los valores se expresaron en mm y se tomaron como referencia los valores promedios de las estaciones climatol�gicas dentro del �rea de influencia de cada provincia.

Temperatura: se refiere a los datos de temperatura promedio anual para el periodo bajo estudio, se expresaron en grados cent�grados se tomaron como referencia los valores promedios de las estaciones climatol�gicas dentro del �rea de influencia de cada provincia, las estaciones climatolog�as usadas en el estudio se detallan en la tabla 3.

 

Tabla 3. Estaciones climatol�gicas consideradas para la determinaci�n de temperatura y precipitaci�n en 5 provincias ecuatorianas productoras de banano.

Fuente: INAMHI (2022).

 

 

Materia org�nica: se refiere al contenido de carbono org�nico en el suelo, los datos fueron obtenidos en art�culos cient�ficos y trabajo de grado en repositorio de investigaciones realizadas en las provincias bajo estudio, se consider� el contenido de materia org�nica en los primeros 20 cent�metros de suelo y obtenidos por la metodolog�a de Walkley and Black (1934) y se expres� en g kg^-1.

pH: es un valor que mide el grado de acidez o alcalinidad del suelo, los datos fueron obtenidos en art�culos cient�ficos y trabajo de grado en repositorio de investigaciones realizadas en las provincias bajo estudio, se consider� el pH en los primeros 20 cent�metros de suelo, determinado por m�todo potenciom�trico en relaci�n agua suelo 5:1.

Conductividad el�ctrica es un valor que mide el grado de salinidad del suelo, los datos fueron obtenidos en art�culos cient�ficos y trabajo de grado en repositorio de investigaciones realizadas en las provincias bajo estudio, se consider� la conductividad el�ctrica en los primeros 20 cent�metros de suelo, determinado por medio de conduct�metro en relaci�n agua suelo 5:1 y se expres� en dS m^-1.

Contenido de f�sforo (kg ha^-1): se refiere al contenido de f�sforo en el suelo en forma de P₂O₅, los datos fueron obtenidos en art�culos cient�ficos y trabajo de grado en repositorio de investigaciones realizadas en las provincias bajo estudio, se consider� el contenido de f�sforo en los primeros 20 cent�metros de suelo y obtenidos por la metodolog�a de Olsen.

Contenido de potasio (kg ha^-1) se refiere al contenido de potasio en el suelo en forma de K₂O, los datos fueron obtenidos en art�culos cient�ficos y trabajo de grado en repositorio de investigaciones realizadas en las provincias bajo estudio, se consider� el contenido de potasio en los primeros 20 cent�metros de suelo y obtenidos por la metodolog�a de extracci�n en acetato de amonio o cloruro de amonio, cuantificaci�n por absorci�n at�mica.

Control de calidad de datos

Para la aplicaci�n del algoritmo se siguen una serie de pasos posterior a la construcci�n de los datos, en primer lugar, se aplic� un control de calidad de los datos de rendimiento de banano de las 5 provincias evaluadas que constituyendo 50 datos en total, el cual consisti� en depurarlos eliminando datos extremos y datos at�picos, as� como completando los datos faltones. Los mismos, fueron subdivididos de acuerdo a la provincia en cinco grupos: Cotopaxi (10 datos), Morona Santiago (10 datos); Santa Elena (10 datos); El Oro (10 datos) y Guayas (10 datos).

Se realiz� una prueba de normalidad, esta permite modelar los valores rendimiento en un histograma de frecuencias relativas, este presenta si una distribuci�n de los valores de la variable dependiente es normal, la cual maximiza la visualizaci�n de la entrop�a entre todas las distribuciones con media y varianza conocidas.

An�lisis estad�stico descriptivo

Se llev� a cabo un an�lisis de estad�stica descriptiva (media, desviaci�n est�ndar, varianza, coeficiente de variaci�n, valores m�nimos y m�ximos) para la variable independiente (rendimiento) y las variables dependientes (variables de manejo agron�mico), para conocer los valores m�ximos, minino, promedio, as� como la desviaci�n de los datos.

An�lisis de brecha de rendimiento

A los fines de cuantificar la relaci�n entre las variables clim�ticas y de suelo (variables independientes) y el rendimiento de banano (variable dependiente) se realiz� un an�lisis de regresi�n m�ltiple a pasos a partir del procedimiento PROC REG STEPWISE. Se trata de encontrar el (los) modelo(s) que mejor explique(n) cu�les variables tienen mayor efecto sobre el rendimiento y cu�l es su grado de influencia sobre la brecha o diferencias en el rendimiento Donde el rendimiento es la variable dependiente y las variables independientes relacionadas con las variables de clima y suelos correspondientes al periodo 2010-2020.

Identificaci�n de variables limitantes del rendimiento

De la ecuaci�n resultante del an�lisis de regresi�n m�ltiple paso a paso, se identificaron las variables responsables de la brecha de rendimiento las cuales se determinaron en funci�n de la probabilidad obtenida la cual debi� ser menor a (p< 0,05) y posteriormente se comprob� la importancia de estas variables, mediante un an�lisis comprobatorio usando una t�cnica de an�lisis multivariado denominada an�lisis de componentes principales (ACP).

An�lisis de componentes principales (ACP)

En este an�lisis se aplic� para conocer la relaci�n entre los elementos de una poblaci�n y se sospecha que en dicha relaci�n influye de manera desconocida un conjunto de variables o propiedades de los elementos. Cada componente principal explica una proporci�n de la variabilidad total. El mismo se realiz� con el objeto de conocer la relaci�n entre las �reas de producci�n de banano y un conjunto de variables, relacionadas con las condiciones clim�ticas y de suelo, que pudieran ser las responsables de la diferencia o brecha del rendimiento entre dichas parcelas. Para el ACP se utiliz� el InfoStat/L versi�n libre 2020. Los componentes principales fueron determinados a partir de la matriz de correlaci�n debido a la diferencia en unidades de medici�n, magnitud y orden diferentes (Pla, 1986).

 

Resultados y Discusi�n

El primer resultado que se presenta es el relacionado a la estad�stica descriptiva de los datos correspondiente al periodo 2010-2020, donde se observa que en promedio los rendimientos fueron de 30,06 Tn ha^-1 con un valor m�ximo de 53,18 Tn ha^-1 lo que representa una brecha de 20,12 Tn ha^-1, observ�ndose que las mayores variaciones que pueden explicar los cambios en el rendimiento fueron en la superficie sembrada, contenido de materia org�nica, CE y potasio disponible (Tabla 3).

 

Tabla 4. Estad�stica descriptiva de datos de producci�n de banano en 5 provincias del Ecuador, durante el periodo 2010-2020

 

En la figura 2, se observa que para alcanza los valores m�ximos de producci�n que son de 53,18 Tn ha^-1 la producci�n nacional debe incrementarse en un 70 % lo que requiere adem�s de mejorar considerablemente el nivel tecnol�gico de productores en funci�n de aquellos considerados de elites, seleccionar las �reas con mejores condiciones ed�ficas y clim�ticas que garanticen una adecuada producci�n de banano por encima de los valores promedios obtenidos a nivel nacional.

 

Figura 2. Brechas de rendimiento en la producci�n de banano en 5 provincias del Ecuador, durante el periodo 2010-2020.

 

 

Dada la importancia de seleccionar las �reas con mejores aptitudes para la producci�n de banano se compararon los datos de 5 provincias del Ecuador en las cuales los rendimientos son variables en funci�n de cambios en las condiciones de clima y suelo encontr�ndose como se observa en la tabla 4, que las provincias de Guayas, Santa Elena y el Oro presentaron rendimientos superiores a los observados en la provincia de Morona Santiago (Tabla 4).

 

Tabla 5. Rendimiento de banano (Tn ha^-1) en 5 provincias del Ecuador, durante el periodo 2010-2020

Variable	N	M�nimos	M�ximo	Promedio	DE	CV
Cotopaxi	10	26,19	46,30	33,50	8,24	24,60
Morona Santiago	10	2,62	8,59	4,74	2,53	53,52
Santa Elena	10	2,06	53,18	35,64	20,27	56,89
El Oro	10	25,40	39,95	34,21	5,39	15,76
Guayas	10	37,68	47,64	42,23	2,61	6,17

Con respecto a las brechas entre los rendimientos de banano a nivel de provincias en la figura 3 se puede observar que las menores se presentaron en aquellas provincias con mayores rendimientos debido quiz�s a un manejo m�s tecnificado y estandarizado, como fue en la provincia del Guayas la cual presento las menores brechas (20,60 %) seguida de la provincia de Santa Elena (33%), El Oro (35,68%) y Cotopaxi (37,01 %). Adicionalmente se observa que la mayor desigualdad se presenta en la provincia de Morona Santiago (91,11 %), que es aquella que tiene los rendimientos m�s bajos probablemente por tener las condiciones m�s desfavorables para la producci�n de banano, sistemas tecnol�gicos menos avanzado en comparaci�n a las provincias restantes.

 

Figura 3. Brechas de rendimiento en la producci�n de banano en las provincias de Cotopaxi, Morona Santiago, Santa Elena, El Oro y Guayas durante el periodo 2010-2020.

 

 

Para explicar las brechas de rendimiento se realiz� un an�lisis de regresi�n m�ltiple por paso (Stepwise) donde se encontr� que las variables que explican las variaciones de rendimiento fueron el contenido de MO, la conductividad el�ctrica y el contenido de P, quienes poseen coeficiente de regresi�n altamente significativo (Tabla 5).

 

 

 

Tabla 6. Variables predictoras que explican las brechas de rendimiento en la producci�n de banano en 5 provincias del Ecuador, durante el periodo 2010-2020

 

 

La disminuci�n en los rendimientos por la reducci�n de la MO est� asociada a que esta es una fuente importante para aportar nutrientes producto de la mineralizaci�n de la mismas bien sea producto de la acumulaci�n natural de materia org�nica o por abonamiento como compost, microalgas u otro tipo de biofertilizantes, en el caso del P su contenido en el suelo, producto de una adecuada fertilizaci�n es un elemento clave para garantizar los rendimientos del banano y se relaciona con la conductividad el�ctrica altos rendimientos con altos valores asociado a la capacidad de algunos materiales de banano de adaptan a condiciones de suelos afectados por sales.

La importancia de la materia org�nica en la producci�n de banano es concordante con lo reportado por Valverde et al. (2019) quien se�ala que la misma es una pr�ctica necesaria para mantener la alta productividad del cultivo y evitar la degradaci�n qu�mica y biol�gica del suelo, adem�s de mejora la fertilidad de suelo por su aporte de nitr�geno y el potasio que son los dos elementos m�s importantes dentro de la producci�n bananera.

Con relaci�n al P los resultados contradicen los reportados por Vivas-Cede�o et al. (2018), Quien observa que el efecto de la fertilizaci�n con este nutriente no influye directamente en el aumento o disminuci�n de la producci�n por lo que el f�sforo no tiene efecto en el rendimiento de la fruta del banano, dado que no presenta respuesta en su producci�n a la fertilizaci�n fosforada y las recomendaciones de aplicaci�n, solo son para reposici�n de los minerales extra�dos de la plantaci�n.

Mendes et al. (2016), se�alan que no de los principales problemas en el cultivo del banano, especialmente en regiones �ridas y semi�ridas, es la salinidad del suelo y del agua, ya que el cultivo muestra l�mites significativos en la producci�n cuando se cultiva bajo estr�s salino. La especie se considera sensible a la salinidad por lo que requiere valores para la conductividad el�ctrica (CE) del agua de riego de hasta 1,00 dS m^-1, no obstante, las provincias donde m�s se produce banano en Ecuador como Guayas y El Oro, presentan una gran cantidad de suelos afectados por sales, por lo que la siembra de materiales tolerante a la salinidad es clave para mantener los rendimientos como parecer ser sugerido en los resultados obtenidos del an�lisis de regresi�n.

Para comprobar si estas variables verdaderamente explican la brecha entre los rendimientos esperados y los obtenidos en las 5 provincias del Ecuador, se realiz� un an�lisis de componentes principales, donde se observa que el que el 72 % de la variaci�n de estos datos es explicado por los componentes 1 y 2, por lo que se decidi� estudiar el comportamiento de estas variables en esos dos componentes a partir de sus correlaci�n con el mismo y la distribuci�n de los grupos y direcci�n de los vectores en el biplots (Tabla 6).

 

Tabla 7. Componentes principales (valores de Eigen) para las variables evaluadas en 5 provincias ecuatorianas dedicadas a la producci�n de banano.

Lamda	Valor	Proporci�n	Proporci�n acumulada
1	4,86	0,54	0,54
2	2,53	0,28	0,72
3	1,28	0,14	0,96
4	0,33	0,04	100

 

 

Cuando se analiza al correlaci�n de cada variable con cada uno de los componentes en el componente 1 se observa que las m�s importante en explica los cambios en los rendimientos son la temperatura, el pH y el contenido de P, las cuales adem�s de tener una alta correlaci�n el componente tiene la misma direcci�n que el vector de rendimiento como se observa en la Figura 2, as� mismo en el componente 2 se observa que la CE, y el contenido de K tienes las correlaci�n m�s alta con este componente por lo cual, tambi�n contribuyen a explicar las brechas de rendimiento en funci�n de ello se ratifica la CE y el P como variable en explicar los mayores rendimientos pero no as� la MO que a pesar de tener una alta correlaci�n con el componente la direcci�n del vector es contraria a la del rendimiento, adicionalmente a estas variables el an�lisis de componentes principales permiti� determinar que la temperatura y el pH son valores asociada a los altos rendimientos, las cuales no fueron seleccionados por el an�lisis de regresi�n (Tabla7).

 

 

Tabla 8. Correlaci�n de variables evaluadas con los componentes principales, para la selecci�n de los par�metros que explican los cambios en el rendimiento de banano en 5 provincias ecuatorianas.

 

 

Los resultados observados son ratificados en el biplost del componente 1 vs componente 2, donde se observan dos grandes grupos la zona de Guayas, el Oro y Santa Elena, asociadas a rendimientos altos de banano y la zona de Cotopaxi y Morona Santiago con rendimientos m�s bajos, los altos rendimientos de las provincias de Guayas, el Oro y Santa Elena esta asociadas a mejores condiciones clim�ticas con temperaturas m�s altas, pH cercano a la neutralidad, suelos con alto contenido de P y K, as� como variables tolerantes a condiciones de suelo afectados por sales como los que predominan en al provincias de Guayas (Figura 4).

 

Figura 4. Dispersi�n de las variables evaluadas con los dos primeros componentes que explican el rendimiento de banano en 5 provincias ecuatorianas.

La primera variable que pude explicar la brecha de rendimiento y que fue identificada en el an�lisis complementario por ACP mas no en el an�lisis de regresi�n m�ltiple fue la temperatura, esto coincide con lo reportado en diversas investigaciones donde la aptitud agroecol�gica del cultivo de banano se ve favorecido en regiones de altas temperaturas como las de Guayas, El Oro, Santa Elena, tal como se ha reportado en diversas investigaciones (Ravi y Vaganan, 2016) sin embargo un factor que puede estar influenciado es el cambio clim�tico y aunque no se analiz� desde esta perspectiva en los datos presentados se evidencia cambios notables en los rendimientos anuales lo que pueden estar correlacionados a las variaciones de temperatura y r�gimen de precipitaci�n (Verzosa et al., 2016).

Un segundo factor es el pH, observ�ndose mayores rendimientos en suelos con valores de pH m�s altos, debido a que esto favorece una mayor disponibilidad de nutrientes (Escobar et al., 2020), por el contrario pH bajos que predominan en aquellas provincias donde existen altas precipitaciones y problemas de erosi�n, que favorece el lavado de bases (P�rez, 2019), pueden conllevar la presencia de suelos �cidos que limitan el desarrollo del cultivo por problemas para la absorci�n de nutrientes (Naranjo-Mor�n et al., 2021), fijaci�n de P (Garc�a et al., 2019) y toxicidad por aluminio (Sancho y Molina, 2016).

Villase�or et al. (2020) se�alan que el banano (Musa spp.) es conocido por su alta demanda de nutrientes, entre ellos el potasio (K). Un suministro adecuado de este elemento nutricional es muy importante para optimizar el equilibrio econ�mico/productivo del cultivo, siendo una caracter�stica nutricional del cultivo, corresponde a su exigencia de potasio (K), superior a otros nutrimentos como nitr�geno (N), calcio (Ca), magnesio (Mg) y f�sforo (P) (Rodr�guez et al., 2021). En este contexto, el potasio es esencial para una producci�n sostenible, por lo tanto, la mayor�a de trabajos relacionados con el potasio se han desarrollado en funci�n de la determinaci�n de una dosis �ptima de fertilizaci�n (DOF), por medio de modelos estad�sticos que explican la incidencia de la fertilizaci�n sobre el rendimiento (Sala y Boldea, 2011).

Con respecto al P si bien se considera� que el mismo no es tan importante para la producci�n del banano como es el caso del K, su presencia en el suelo, bien sea de forma natural o mediante fertilizaci�n es clave para garantizar un adecuada desarrollo del cultivo, dado que el P est� asociado a procesos de divisi�n celular, desarrollo de ra�ces (Novoa et al., 2018) y propagaci�n de plantas, en este caso se observ� que en las provincias de mayor rendimiento los suelos poseen alto contenido de P, asociados a la fertilizaci�n org�nica o inorg�nica del cultivo (Jaramillo, 2021).

Otra variable que se encuentra asociada a los altos rendimiento del cultivo y cuyos resultados coinciden con las identificaci�n de brechas mediante el an�lisis de regresi�n fue la conductividad el�ctrica, lo que ratifica la importancia de seleccionar variedades tolerantes a condiciones de salinidad, dado que en las provincias de mayores rendimiento, si bien las condiciones edafoclim�ticas son la m�s apropiadas, lo literatura reporta severo problemas de sales, lo que afecta la producci�n del cultivo de banano el cual es altamente sensible a la presencia de sales en el suelo (Medina, 2019).

Como se observ� el algoritmo empleado permiti� identificar las brecha que limitan la producci�n de banano en las principales provincia del Ecuador, lo que servir� como herramienta para llevar a cabo pr�cticas de manejo que reduzcan a mismas, los dos an�lisis estad�stico coincidieron en reportar la CE y el P como par�metros claves en explicar las brechas, sin embargo el ACP permiti� identificar otros par�metros como la temperatura el pH� y el contenido de observ�ndose solo una identificaci�n err�nea en la MO como par�metros para explicar las diferencias en los rendimientos.

El uso de m�todos estad�sticos y matem�ticos para estudiar los factores que afectan el rendimiento del banano han sido se�alados por Bencomo y Suazo (2021) quienes afirman que para establecer valoraciones, estudios retrospectivos y conocer la evoluci�n y tendencias de la producci�n y comercializaci�n de bananos, es imprescindible la correcta identificaci�n y tratamiento de los indicadores que miden este proceso y permiten evaluar el comportamiento de los indicadores de estudio y monitorear los cambios del entorno, utilizando la metodolog�a del An�lisis Exploratorio de Datos o Exploratory Data An�lisis (EDA), por ser m�s convenientes, de acuerdo al grado de dispersi�n de los datos, los �ndices de posici�n (cuartiles) a trav�s de las Bisagras de Tuckey y correlaciones calculadas para determinar el grado de dependencia de cada variable del estudio y su significaci�n estad�stica

El procedimiento empleado para el desarrollo del algoritmo si bien recoge algunos elementos de estas investigaci�n se us� con �xito en el cultivo del banano, tiene la ventaja que lo aborda de una manera integral mediante el uso de datos de diferentes provincias con marcados cambio en el rendimiento producto de las variaciones en sus condiciones edafoclim�ticas, la ventaja es que para la base de datos se us� un grupo m�s amplio de informaci�n, lo cual deber�a ayudar a disminuir la dispersi�n de los datos que es t�pica en estudios ambientales y agr�colas.

Si bien este algoritmo es una primera aproximaci�n, se tiene la ventaja de que en el Ecuador se posee una red amplia de informaci�n, la cual se puede ir alimentando con nuevos elementos que contribuyan a una explicaci�n m�s detallada de las brechas de rendimiento, comprobando adem�s de los elementos edafoclim�ticos, elementos el manejo agron�mico que facilitar�an a compresi�n de los procesos que explican las brechas rendimiento, en aras de optimizar el manejo agron�mico, para aumentar la producci�n de banano, que es el principal rubro de exportaci�n del Ecuador.

 

Conclusiones

Se observaron marcadas brechas entre el rendimiento del banano observado en las provincias de Guayas, Oro, Sana Elena en comparaci�n a los rendimientos de banano en Cotopaxi y Morona Santiago, cuyas diferencias se deben a variaciones clim�ticas y de suelo, que se asocien a mayores rendimientos en las provincias con mejores condiciones clim�ticas y ed�fica, sin embargo es importante resaltar que en este estudio no se consideraron los cambios debidos al cambio clim�tico y a condiciones ed�ficas inadecuadas de origen antr�pica, generadas por el inadecuado manejo de la tierra.

El uso de los procedimientos estad�sticos como la regresi�n m�ltiple (Stepwise) complementada con an�lisis de componentes principales (ACP) resulto eficiente para la identificaci�n de las variables responsables de la brecha de rendimiento, cuya aplicaci�n e pude extender a otros rubros de importancia agron�mica en el Ecuador y donde las causas de las brechas de rendimientos se deben a variaciones edafoclim�tica, sino a cambios en la calidad de los recursos biof�sicos producto de las condiciones de manejo o a factores externos que afecten el manejo de la tierra.

Para consolidar este procedimiento como herramienta rutinaria en el an�lisis de brechas de rendimientos se debe contar con una base de datos robusta, si bien el Ecuador presenta una amplia informaci�n en materia� de productividad y rendimiento en la mayor�a de los rubros, as� como una amplia red clim�tica, carece de una informaci�n sistem�tica en lo referente a informaci�n de fertilizaci�n, calidad de suelo y riego, por lo cual se debe fortalecer este aspecto para optimizar una base de datos de calidad que alimente el sistema de estimaci�n de brechas de rendimiento.

 

Referencias

    1.          Bencomo, O. B. B., & Suazo, V. G. (2021). Comportamiento de indicadores de calidad en el cultivo del banano de la provincia El Oro, Ecuador. Revista Metropolitana de Ciencias Aplicadas, 4(S1), 202-209.

    2.          Boccolini, M., Cazorla, C. R., Galantini, J. A., Belluccini, P. A., & Baigorria, T. (2019). Cultivos de cobertura disminuyen el impacto ambiental mejorando propiedades biol�gicas del suelo y el rendimiento de los cultivos. RIA. Revista de investigaciones agropecuarias, 45(3), 412-425. http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1669-23142019000300412

    3.          Bonatti, R., Calvo, S., Giancola, S., Centeno, M., Iacovino, R., & Jaido, A. M. (2014). An�lisis cualitativo de los factores que afectan a la adopci�n de tecnolog�a en los cultivos de soja y ma�z de la provincia de San Luis. Serie: estudios socioecon�micos de la adopci�n de tecnolog�a, (6). Ediciones INTA, https://inta.gob.ar/sites/default/files/script-tmp-analisis_cualitativo_adopcion_san_luis_inta.pdf

    4.          Escobar, M. I., Panadero, A. N., Medina, C. A., �lvarez, J. D. C., Tenjo, A. I., & Sandoval, L. M. B. (2020). Efecto de pr�cticas agroecol�gicas sobre caracter�sticas del suelo en un sistema de lecher�a especializada del tr�pico alto colombiano. Development, 32, 4. https://lrrd.cipav.org.co/lrrd32/4/maria.es32058.html

    5.          Garc�a Guzm�n, S. D., Bautista-Montealegre, L. G., & Bola�os-Benavides, M. M. (2019). Diagn�stico de la fertilidad de los suelos de cuatro municipios de Cundinamarca (Colombia) para la producci�n de pl�tano. Revista UDCA Actualidad & Divulgaci�n Cient�fica, 22(1). https://doi.org/10.31910/rudca.v22.n1.2019.1192

    6.          Gonz�lez Osorio, B. B., Barrag�n Monrroy, R., Simba Ochoa, L., & Rivero Herrada, M. (2020). Influencia de las variables clim�ticas en el rendimiento de cultivos transitorios en la provincia Los R�os, Ecuador. Centro Agr�cola, 47(4), 54-64. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0253-57852020000400054

    7.          Guam�n Guam�n, R. N., Desiderio Vera, T. X., Villavicencio Abril, �. F., Ulloa Cort�zar, S. M., & Romero Salguero, E. J. (2020). Evaluaci�n del desarrollo y rendimiento del cultivo de ma�z (Zea mays L.) utilizando cuatro h�bridos. Siembra, 7(2), 47-56. https://doi.org/https://doi.org/10.29166/siembra.v7i2.2196

    8.          Gudelj, V., & Ju�rez, I. M. (2019). Fertilizaci�n y brecha de rendimiento del cultivo de ma�z. Informe de Actualizaci�n T�cnico en l�nea N� 14 � agosto 2019, 43-45. Ediciones INTA. https://inta.gob.ar/sites/default/files/inta_marcosjuarez_actualizacionmaiz_2019.pdf#page=43

    9.          INAMHI. (2022). Red de estaciones autom�ticas hidrometeorol�gicas. http://186.42.174.236/InamhiEmas/

10.          Jaramillo, J. (2021). Efecto de nitr�geno, fosforo y potasio m�s tierra de diatomea en el cultivo de pl�tano (Musa aab), cant�n milagro, provincia del Guayas. Trabajo de Grado. Universidad Agraria Del Ecuador. Milagro - Ecuador http://181.198.35.98/Archivos/JARAMILLO%20QUNDE%20CARLOS%20JAVIER.pdf

11.          Medina, E. (2019). Estudios de suelos, nutrici�n y fertilizaci�n en varias zonas bananeras del Ecuador. In X Congreso Ecuatoriano de La Ciencia Del Suelo (Vol. 14). http://www.secsuelo.org/wp-content/uploads/2015/06/8.-Estudios-de-Suelos.pdf

12.          Mej�a, K. J. (2018). Efecto de bioplaguicidas sobre la incidencia de plagas y enfermedades foliares y componentes de rendimiento del frijol com�n (Phaseolus vulgaris L.) en Santa Rosa de Cop�n. Revista Ciencia y Tecnolog�a, 58-73. https://www.lamjol.info/index.php/RCT/article/view/6439

13.          Mendes Almeida, A. M., Gomes, V. F. F., Mendes Filho, P. F., Lacerda, C. F. D., & Freitas, E. D. (2016). Influence of salinity on the development of the banana colonised by arbuscular mycorrhizal fungi. Revista Ci�ncia Agron�mica, 47, 421-428. https://doi.org/10.5935/1806-6690.20160051

14.          Naranjo-Mor�n, J., Vera-Morales, M., & Mora-Gonz�lez, A. (2021). Acumulaciones de hierro en agroecosistemas bananeros (Milagro, Ecuador): Una revisi�n bibliogr�fica de algunos factores que intervienen en la salud y nutrici�n del cultivo. Siembra, 8(2). https://doi.org/https://doi.org/10.29166/siembra.v8i2.2680

15.          Novoa, M. A., Miranda, D., & Melgarejo, L. (2018). Efecto de las deficiencias y excesos de f�sforo, potasio y boro en la fisiolog�a y el crecimiento de plantas de aguacate (Persea americana, cv. Hass). Revista Colombiana de Ciencias Hort�colas, 12(2), 293-307. https://doi.org/10.17584/rcch.2018vl2i2.8092

16.          P�rez Molina, A. (2019). Riesgo de sodicidad en los suelos de Cant�n Milagro, Guayas-Ecuador en �poca de estiaje. Revista Polit�cnica, 42(2), 15-22. http://scielo.senescyt.gob.ec/scielo.php?script=sci_arttext&pid=S1390-01292019000100015

17.          Pla, L. E. (1986). An�lisis multivariado: m�todo de componentes principales (No. 519.535 P696). OEA, Washington, DC (EUA). Secretar�a General. Programa Regional de Desarrollo Cient�fico y Tecnol�gico.

18.          Rabery, S. H., Cano, V. E., Ibars, R. F., & Lezcano, J. R. (2020). Incidencia del riego complementario en el rendimiento de granos de s�samo (Sesamun indicum L.). Investigaci�n Agraria, 22(2), 75-81. http://dx.doi.org/10.18004/investig.agrar.2020.diciembre.2202642

19.          Ravi, I., & Vaganan, M. M. (2016). Abiotic stress tolerance in banana. In Abiotic stress physiology of horticultural crops (pp. 207-222). Springer, New Delhi.

20.          Rodrigues Filho, V. A., Neves, J. C. L., Donato, S. L. R., & Guimar�es, B. V. C. (2021). Potential nutrient-response curves and sufficiency ranges for �Prata-An�banana cultivated under two environmental conditions. Scientia Agricola, 78. https://doi.org/10.1590/1678-992X-2020-0158

21.          Sainz Rozas, H., Reussi Calvo, N. I., & Barbieri, P. A. (2019). Uso del �ndice de verdor para determinar la dosis �ptima econ�mica de nitr�geno en ma�z. Ciencia del suelo, 37(2), 246-256. http://www.scielo.org.ar/scielo.php?pid=S1850-20672019000200005&script=sci_arttext&tlng=en

22.          Sala, F., & Boldea, M. (2011, September). On the optimization of the doses of chemical fertilizers for crops. In AIP Conference Proceedings (Vol. 1389, No. 1, pp. 1297-1300). American Institute of Physics. https://doi.org/10.1063/1.3637856

23.          Sancho, H., & Molina, E. (2016). Efecto del Mg y pH en la reducci�n de la toxicidad de Al en plantas de banano cultivadas en soluci�n hidrop�nica. Siembra, 3(1), 53-66. https://doi.org/10.29166/siembra.v3i1.260

24.          Valverde Luna, M. E. (2019). �Manejo y prevenci�n de Sigatoka negra (Mycosphaerella fijiensis) en el cultivo de banano, en la hacienda Banaloli 1, zona de Babahoyo. Trabajo de Grado. Universidad T�cnica de Babahoyo: Babahoyo, Ecuador. http://dspace.utb.edu.ec/bitstream/handle/49000/6149/E-UTB-FACIAG-ING%20AGRON-000148.pdf?sequence=1&isAllowed=y

25.          V�sconez, G. H., Caicedo, L., Zamora, D. V. V., & Mora, F. D. S. (2021). Producci�n de biomasa en cultivos de ma�z: Zona central de la costa de Ecuador. Revista de ciencias sociales, 27(3), 417-431. https://produccioncientificaluz.org/index.php/rcs/index

26.          Verzosa, K. V. C., Gallegos, J. D. J. A., Jaramillo, F. Y. V., & Romero, A. E. L. (2016). An�lisis econ�mico del sector bananero y su relaci�n con El Ni�o Oscilaci�n del Sur (ENOS) en la provincia de El Oro (2001-2014). Revista Tecnol�gica-ESPOL, 29(2). http://200.10.147.88/index.php/tecnologica/article/download/569/351

27.          Villase�or, D., Noblecilla-Romero, Y., Luna-Romero, E., Molero-Naveda, R., Barrezueta-Unda, S., Huarquila-Henriquez, W., ... & Garz�n-Montealegre, J. (2020). Respuesta �ptima econ�mica de la fertilizaci�n pot�sica sobre variables productivas del banano (Musa spp.). Chilean journal of agricultural & animal sciences, 36(2), 161-170. http://dx.doi.org/10.29393/chjaas36-14rodv80014

28.          Vivas-Cede�o, J. S., Robles-Garc�a, J. O., Gonz�lez-Ram�rez, I., �lava-Cruz, D. A., & Meza-Loor, M. A. (2018). Fertilizaci�n del pl�tano con nitr�geno, f�sforo y potasio en cultivo establecido. Dominio de las Ciencias, 4(1), 633-647. https://dx.doi.org/10.23857/dom.cien.pocaip.2017.4.1.enero.633-647

29.          Walkley, A., & Black, I. A. (1934). An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method. Soil science, 37(1), 29-38.

30.          Woittiez, L. S., van Wijk, M. T., Slingerland, M., van Noordwijk, M., & Giller, K. E. (2018). Brechas de rendimiento en el cultivo de palma de aceite: una revisi�n cuantitativa de factores determinantes. Revista Palmas, 39(1), 16-68. https://publicaciones.fedepalma.org/index.php/palmas/article/view/12400

 

 

 

 

 

 

 

 

� 2022 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).