El maíz se siembra en aproximadamente 90 millones de acres en los Estados Unidos cada año. Con todos esos datos, las agencias gubernamentales tardan meses después de la cosecha para analizar el rendimiento total y la calidad del grano. Los científicos están trabajando para acortar esa línea de tiempo, haciendo predicciones para el finalrendimiento de la temporada a mediados de temporada. Sin embargo, menos investigadores han abordado las predicciones de la calidad del grano, especialmente a gran escala. Un nuevo estudio de la Universidad de Illinois comienza a llenar ese vacío.
El estudio, publicado en agronomía , utiliza un algoritmo recientemente desarrollado para predecir tanto el rendimiento de fin de temporada como la composición del grano - la proporción de almidón, aceite y proteína en el grano - al analizar los patrones climáticos durante tres etapas importantes en el desarrollo del maíz.Las predicciones se aplican a toda la cosecha de maíz del Medio Oeste en los Estados Unidos, independientemente de los genotipos de maíz o las prácticas de producción.
"Hay varios estudios que evalúan los factores que influyen en la calidad de genotipos específicos o ubicaciones específicas, pero antes de este estudio, no podíamos hacer predicciones generales a esta escala", dice Carrie Butts-Wilmsmeyer, profesora asistente de investigación en el Departamento de Ciencias de Cultivosen la U de I y coautor del estudio.
A medida que el maíz llega a los elevadores en todo el Medio Oeste cada temporada, el Consejo de Granos de EE. UU. Toma muestras para evaluar la composición y la calidad de sus informes resumidos anuales, que se utilizan para las ventas de exportación. Fueron esta base de datos integral la que utilizaron Butts-Wilmsmeyer y sus colegas.en el desarrollo de su nuevo algoritmo.
"Utilizamos datos de 2011 a 2017, que abarcaron años de sequía y años récord, y todo lo demás", dice Juliann Seebauer, especialista principal en investigación en U del Departamento de Ciencias de Cultivos de I y coautora delestudiar.
Los investigadores combinaron los datos de calidad de grano con los datos climáticos de 2011-2017 de las regiones que alimentan cada elevador de granos. Para construir su algoritmo, se concentraron en el clima durante tres períodos críticos: emergencia, sedoso y llenado de granos.y descubrió que el predictor más fuerte tanto del rendimiento de grano como de la calidad de la composición fue la disponibilidad de agua durante el sedoso y el llenado de grano.
El análisis fue más profundo, identificando condiciones que conducen a mayores concentraciones de aceite o proteína, información que es importante para los compradores de granos.
La proporción de almidón, aceite y proteína en el grano de maíz está influenciada por el genotipo, la disponibilidad de nutrientes del suelo y el clima. Pero el efecto del clima no siempre es sencillo cuando se trata de proteínas. En condiciones de sequía, las plantas estresadas depositan menosalmidón en el grano. Por lo tanto, el grano tiene proporcionalmente más proteína que la de las plantas que no experimentan estrés por sequía. El buen clima también puede conducir a mayores concentraciones de proteína. Un montón de agua significa que más nitrógeno se transporta a la planta y se incorpora a las proteínas.
En el análisis, "los niveles de proteína y aceite de grano superiores a la media se vieron favorecidos por una menor lixiviación de nitrógeno durante el crecimiento vegetativo temprano, pero también temperaturas más altas en la floración, mientras que mayores concentraciones de aceite que proteína resultaron de temperaturas más bajas durante la floración y el relleno de grano".los autores dicen en el estudio.
La capacidad de predecir mejor las concentraciones de proteína y aceite en el grano podría influir en los mercados mundiales, teniendo en cuenta la creciente demanda nacional e internacional de maíz con mayor contenido de proteínas para aplicaciones de alimentación animal. Con el nuevo algoritmo, debería ser teóricamente posible lograr el fin depredicciones de rendimiento y calidad de temporada semanas o meses antes de la cosecha simplemente observando los patrones climáticos.
"Otros investigadores han logrado predicciones de rendimiento en tiempo real utilizando datos y modelos mucho más complejos. El nuestro fue un enfoque relativamente simple, pero logramos agregar la pieza de calidad y lograr una precisión decente", dice Butts-Wilmsmeyer. "Las variables climáticasdescubrimos que es importante en este estudio podría usarse en análisis más complejos para lograr una precisión aún mayor en la predicción de rendimiento y calidad en el futuro ".
Fuente de la historia :
Materiales proporcionado por Facultad de Ciencias Agrícolas, del Consumidor y del Medio Ambiente de la Universidad de Illinois . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :