Biomasa forrajera de Cynodon nlemfuensis Vanderyst var. nlemfuensis estimada por capacitancia electrónica en condiciones de Bosque Seco Premontano / Forage biomass of Cynodon nlemfuensis Vanderyst var. nlemfuensis estimated by electronic capacitance in Premontane Dry Forest conditions / Massa da forragem de Cynodon nlemfuensis Vanderyst var. nlemfuensis estimada por capacitância eletrônica em condições de Floresta Seca Submontana

• Ana María Herrera-Angulo Decanato de Investigación, Universidad Nacional Experimental del Táchira (UNET). Venezuela. http://orcid.org/0000-0002-3963-4663
• Giovanny Duque Departamento de Ingeniería de Producción Animal. Universidad Nacional Experimental del Táchira (UNET). Venezuela. http://orcid.org/0000-0001-7224-4483
• Greicy García Departamento de Ingeniería Agronómica. Universidad Nacional Experimental del Táchira (UNET). Venezuela. http://orcid.org/0000-0002-4077-0996
• Robert Emilio Mora-Luna Decanato de Investigación, Universidad Nacional Experimental del Táchira (UNET). Venezuela. http://orcid.org/0000-0001-8439-784X
• Pablo Emilio Herrera Estación Experimental La Iguana. Universidad Nacional Experimental Simón Rodríguez. Venezuela. http://orcid.org/0000-0003-2221-2832
• Beatriz Birbe† Experimental La Iguana. Universidad Nacional Experimental Simón Rodríguez. Venezuela

Resumo

Resumen

Con la finalidad de calibrar el medidor de capacitancia electrónica (muestreo no destructivo, MND) a partir del muestreo destructivo (MDE) pre-pastoreo de biomasa de Cynodon nlemfuensis Vanderyst var. nlemfuensis en condiciones de Bosque Seco Premontano (estado Táchira - Venezuela), se realizó un experimento en época de lluvias y sequía. Fue utilizado como MND el Pasture Probe-Jenquip® provisto de cinco lecturas referenciales. En cada época (dos meses por época), se tomaron 30 observaciones por mes para el MDE y 30 para cada lectura del MND. Se realizaron análisis de regresión lineal simple (RLS) y lineal múltiple (RLM), considerando para RLM las variables altura del pasto (AP), cobertura aérea (CA) y basal, relación verde:seco, variables macroclimáticas (nubosidad, temperatura ambiental, humedad relativa) y humedad en la base de la pastura; estableciendo en todos los casos la relación entre la biomasa del MDE y MND. En RLS, fueron obtenidos R² bajos tanto en sequía (0,26 - 0,48; p <0,05) como lluvia (0,05 - 0,13; p >0,05). Con RLM, fueron observados incrementos en el R² para ambas épocas, con modelos satisfactorios para sequía (R² > 0,70 en cuatro lecturas referenciales; p<0,01). En lluvia, el R² fue considerado bajo (R² máximo de 0,41) en todas las evaluaciones. La precisión del MND propuesto para estimar biomasa pre-pastoreo de C. nlemfuensis durante la sequía incrementa considerando RLM al incluir variables estructurales como AP y CA. En lluvias, la precisión es baja, aun adicionando variables asociadas al clima y la pastura. El contenido de humedad del pasto es determinante para la estimación de biomasa en esta época.

Abstract

In order to calibrate the electronic capacitance meter (non-destructive sampling, NDS) from the destructive sampling (DS) pre-grazing biomass of Cynodon nlemfuensis Vanderyst var. nlemfuensis in premontane dry forest conditions (Táchira state - Venezuela), an experiment was carried out in the rainy and dry seasons. The Pasture Probe-Jenquip® provided with five reference readings was used as NDS. At each season (two months per season), 30 observations were taken per month for the DS and 30 for each reading of the NDS. Simple linear (SLR) and multiple linear (MLR) regression analyzes were performed, considering for MLR the variables grass height (GH), aerial coverage (AC) and basal, green: dry relationship, macroclimatic variables (cloudiness, ambient temperature, relative humidity) and humidity at the base of the pasture; establishing in all cases the relationship between the biomass of the DS and NDS. In SLR, low R² were obtained both in drought (0.26 - 0.48; p <0.05) and rainy (0.05 - 0.13; p> 0.05) conditions. With MLR, increases in R² were observed for both seasons, with satisfactory models for drought (R2> 0.70 in four reference readings; p <0.01). In rain, R² was considered low (maximum R² of 0.41) in all evaluations. The precision of the proposed NDS to estimate pre-grazing biomass of C. nlemfuensis during drought increases considering MLR by including structural variables such as GH and AC. In rainfall, the precision is lower, even adding variables associated with the climate and the pasture. The moisture content of the grass is decisive for the estimation of biomass at this time.

Resumo

Para calibrar o capacitanciômetro eletrônico (amostragem não destrutiva, DNM) a partir da amostragem de biomassa pré-pastoral (PDM) de Cynodon nlemfuensis Vanderyst var. nlemfuensis sob condições de Floresta Seca Premontana (estado de Táchira - Venezuela), foi realizado um experimento durante as estações chuvosa e seca. O Pasture Probe-Jenquip® foi utilizado como MND com cinco leituras de referência. Em cada temporada (dois meses por temporada), foram feitas 30 observações por mês para o MOE e 30 para cada leitura do NRM. Foram realizadas análises de regressão linear simples (SIR) e regressão linear múltipla (MLR), considerando para a MLR as variáveis altura do pasto (TP), cobertura aérea (AC) e basal, razão verde:seco, variáveis macroclimáticas (nebulosidade, temperatura ambiente, umidade relativa) e umidade na base do pasto; estabelecendo em todos os casos a relação entre a biomassa do DEM e o DNM. No RLS, R² baixo foram obtidos tanto na seca (0,26 - 0,48; p <0,05) quanto na chuva (0,05 - 0,13; p >0,05). Com RLM, foram observados aumentos em R² para ambos os períodos, com modelos satisfatórios para seca (R² > 0,70 em quatro leituras de referência; p <0,01). Nas chuvas, o R² foi considerado baixo (máximo de R² de 0,41) em todas as avaliações. A precisão da NRM proposta para estimar a biomassa de C. nlemfuensis antes da seca aumenta considerando a RLM ao incluir variáveis estruturais, como PA e CA. Na pluviosidade, a precisão é baixa, mesmo quando se adicionam variáveis associadas ao clima e à pastagem. O teor de umidade do pasto é determinante para a estimativa da biomassa nesta estação.

Referências

Agnusdei, M.G. 2013. Rol de la ecofisiología en el diseño de manejos especializados de pasturas. Arch. Latinoam. Prod. Anim. 21(1): 63-78.

Andersson, K., M. Trotter, A. Robson, D. Schneider L. Frizell, A. Saint, D. Lamb and C. Blore. 2017. Estimating pasture biomass with active optical sensors. Adv. Anim. Biosc. 8(2): 754-757.

Andueza, D., A.M. Rodrigues, F. Picard, N. Rossignol, R. Baumont, U. Cecato and A. Farruggia. 2015. Relationships between botanical composition, yield and forage quality of permanent grasslands over the first growth cycle. Grass and Forage Sci. 71(3): 366–378.

Braga, G.J., C.G.S. Pedreira, V.R. Herling, P.H.C. Luz, W.A. Marchesin and F.B. Macedo. 2009. Quantifying herbage mass on rotationally stocked palisadegrass pastures using indirect methods. Sci. Agric. 66(1): 127-131.

Castillo Gallegos, E., B. Valles de la Mora y J. Jarillo Rodríguez. 2009. Relación entre materia seca presente y altura en gramas nativas del trópico mexicano. Tec. Pecu. Mex. 47(1): 79-92.

Chacón. E., A. Baldizán e I. Arriojas. 2006. Metodologías para el estudio de sistemas agrosilvopastoriles (Fundamentos teóricos). p. 1-16. En: Baldizán, A. (Ed.). I Simposio sobre silvopastoreo en Venezuela. Universidad Rómulo Gallegos. Guárico, Venezuela.

Chacón, E., T. Stobbs and K. Haydock. 1977. Estimation of leaf and stem contents of oesophageal extrusa samples from cattle. J. Aust. Inst. Agric. Sci. 43(1/2): 73-75.

Corporación de los Andes (CORPOANDES). 2007. Corporación de los Andes Táchira. Disponible en: http://www.corpoandes.gov.ve/%3Fq%3Dnode/60. pp. 24-26. Fecha de consulta: abril 2011.

Currie, P.O., T.O. Hilken and R.S. White. 1987. Evaluation of a single probe capacitance meter for estimating herbage yield. J. Range Manage. 40(6): 537-541.

Herrera, A.M. y R.E. Mora. 2013. Determinación de masa de forraje. p. 273-280. En: Perozo Bravo, A. (Ed.). Manejo de Pastos y Forrajes Tropicales. Cuadernos Científicos Girarz 13. Fundación Girarz. Ediciones Astro-Data S.A. Maracaibo, Venezuela.

Holdridge L. 1967. Life Zone Ecology. Tropical Science Center. San José, Costa Rica. 206 p.

Instituto Nacional de Meteorología e Hidrología (INAMEH). Boletín Climatológico enero, febrero, mayo y junio de 2014. Disponible en: http://www.inameh.gob.ve/web/index.php. Fecha de consulta: diciembre 2015.

Kallenbach, R.L. 2015. Describing the dynamic: Measuring and assessing the value of plants in the pasture. Crop Sci. 55(6): 2531-2539.

López-Díaz, J.E., A.I. Roca-Fernández and A. González-Rodríguez. 2011. Measuring herbage mass by non-destructive methods: A review. J. Agric. Sci. Technol. 1(7): 303-314.

López, J., A. Gonzáles y O. Vásquez. 2008. Revisión de métodos no destructivos de estimación de biomasa aérea en pastos. p. 315-319. En: Consejería de Agricultura y Pesca (Eds.). Pastos, clave en la gestión de los territorios: Integrando disciplinas. Sociedad Española para el Estudio de los Pastos.

Manual Jenquip. 2003. Pasture Probe. User Manual. 44 p.

Paladines O. 1992. Metodologías de Pastizales. Proyecto de Fomento Ganadero PROFOGAN. Ministerio de Agricultura y Ganadería. Deutsche Gessellschaft für technische Zusammenarbelt. Serie metodología manual. Nº 1: Pastos y forrajes. Convenio Ecuatoriano-Alemán. Quito. Ecuador. 219 p.

Rayburn, E., J. Lozier, M. Sanderson, B. Smith, W. Shockey, D. Seymore, and S. Fultz. 2007. Alternative methods of estimating forage height and sward capacitance in pastures can be cross calibrated. Forage and Grazinglands Res. 5(1):1-6.

Retallack, B.J. 1991. Compendio de apuntes para la formación del personal meteorológico de la clase IV: Meteorología. Segunda Edición. Secretaría de la Organización Meteorológica Mundial. 369 p.

Sanderson M., C. Rotz, S. Fultz and E. Rayburn. 2001. Estimating forage mass with a commercial capacitance meter, rising plate meter and pasture ruler. Agron. J. 93(6): 1281-1286.

Serrano, J., S. Shahidian, F. Moral and J.M. Silva. 2019. Long-term evaluation of the Grassmaster II probe to estimate productivity of pastures. p. 631-637. In: Stafford, J.V. (Ed.) 12th European Conference on Precision Agriculture. Montpellier, France.

Serrano, J.M., J.R.M Silva and S. Shahidian. 2011. Calibration of a capacitance probe for measurement and mapping of dry matter yield in Mediterranean pastures. Precision Agric. 12(6): 860-875.

Serrano, J.M., S. Shahidian and J.R.M Silva. 2016a. Calibration of Grassmaster II to estimate green and dry matter yield in Mediterranean pastures: effect of pasture moisture content. Crop Pasture Sci. 67(7): 780–791.

Serrano, J.M., S. Shahidian and J.R.M Silva. 2016b. Monitoring pasture variability: optical OptRx® crop sensor versus Grassmaster II capacitance probe. Environ. Monit. Assess. 188(2): 1-17.

Suzuki, Y, H. Okamoto, M. Takahashi, T. Kataoka and Y. Shibata. 2012. Mapping the spatial distribution of botanical composition and herbage mass in pastures using hyperspectral imaging. Grassland Sci. 58(1): 1–7.

Thomson, N.A. 1983. Factors influencing the accuracy of herbage mass determinations with a capacitance meter. New Zeal. J. Exp. Agr. 11(2): 171-176.

Toledo, J. and R. Shultze-Kraft. 1982. Metodología para la evaluación agronómica de pastos y forrajes. p. 91-110. En: Toledo, J.M. (Ed.). Manual para la Evaluación Agronómica. Red internacional de evaluación de pastos y forrajes, CIAT. Cali, Colombia.

Vickery P., I. Bennet and G. Nicol. 1980. An improved electronic capacitance meter for estimating herbage mass. Grass Forage Sci. 35(3): 247-252.