Hay que conocer los recursos forrajeros En un artículo recientemente publicado por INTA Mercedes, los técnicos abordan la problemática de la producción y curva de crecimiento de los pastizales en la región Este de Corrientes. Los expertos insisten en la importancia de conocer la producción forrajera para, por medio de la carga animal, garantizar la rentabilidad.

Los pastizales aportan entre el 75 y el 100% de la dieta del ganado vacuno.

En Argentina, los pastizales aportan entre el 75 y el 100% de la dieta del ganado vacuno. En Corrientes el 95% de la actividad de cría vacuna y ovina se realiza sobre los pastizales naturales. Según Pizzio (2011) la productividad de éstos oscila entre 3500 y 5500 kg MS/ha/año y más del 70% se concentra en primavera y verano. Su calidad forrajera es media, con una digestibilidad de la materia orgánica (DMO) de 43-50% y un contenido de proteína bruta (PB) de 7-14% (Iacopini, 2001).

Dado que esa producción no es contante a lo largo del año (afectada principalmente por las temperaturas bajas), además de conocer la producción total o anual de forraje es necesario conocer la curva de crecimiento. Esta curva se construye con la productividad primaria neta aérea (PPNA), que es la velocidad de generación de alimento para el ganado y se vincula con la receptividad o capacidad de carga de los sistemas pastoriles (Oesterheld et. al., 1999).

La carga es la herramienta de manejo que mayor impacto tiene sobre la producción de los sistemas, la sustentabilidad de los recursos y la rentabilidad de la empresa ganadera. Sin embargo, el ajuste de la carga es difícil dadas las grandes variaciones que presenta la productividad de los recursos forrajeros. Esa alta variabilidad se manifiesta en el tiempo (dentro del año y entre años) y en el espacio (sitios, potreros) a diferentes escalas (Lauenroth y Sala, 1992). Conocer los cambios en la magnitud de la PPNA y las características agroecológicas de la zona, son elementos esenciales para determinar la receptividad ganadera y planificar un uso racional.

Contar con estimaciones detalladas en el espacio y en el tiempo de la PPNA ha sido dificultoso en general y no está disponible esta información a nivel de comunidad, para la mayoría de ellas, ni a nivel de potrero. Sin embargo, actualmente sería factible tener aproximaciones de la PPNA de diferentes comunidades o incluso a nivel de potrero utilizando la información proveniente de sensores remotos. Para ello es necesario contar con calibraciones entre datos de PPNA medidos a campo e información satelital.

El objetivo de este trabajo fue conocer la productividad primaria neta de diferentes comunidades de pastizales de Corrientes y establecer la correlación entre mediciones de PPNA realizadas a campo y de radiación fotosintéticamente activa absorbida (RFAA) por la vegetación derivados de información satelital, lo que permitirá hacer estimaciones de la PPNA con información satelital.

Las mediciones
Se midió la productividad primaria neta aérea (PPNA, kgMS/ha/día) de 11 comunidades de pastizales de la región este de la provincia de corrientes (Cuadro 1) que difirieron entre sí en tipo de suelo, comunidad vegetal y manejo. Se usó el método de las jaulas móviles (Brown, 1954; Frame, 1981) con 5 jaulas de 0,25 m2 por sitio. Los cortes se efectuaron cada 30-45 días, aproximadamente. En cada uno de ellos se realizó un corte inicial en el momento de colocar la jaula (sin recolección del forraje) y un corte al final del período correspondiente a cada determinación (con recolección del forraje). Las muestras se secaron en estufa a 60 ºC hasta peso constante. La PPNA se calculó como el cociente entre la biomasa aérea cosechada y la duración del período entre cortes.

De manera independiente a la PPNA, se estimó la RFAA, la cual tiene relación directa con la productividad de la vegetación. Se seleccionaron pixeles MODIS para cada comunidad. La RFAA se calculó a partir del IVN (índice verde normalizado) del sensor MODIS (Moderate Resolution Imaging Spectroradiometer) y la radiación incidente obtenida del Centro de Datos Científicos Atmosféricos de Agencia Espacial Estadounidense (NASA).

Para la calibración entre PPNA y RFAA, se utilizó un modelo de regresión lineal simple para cada sitio. La cantidad de datos utilizados para la calibración en cada sitio difirió en función de la cantidad de años de medición de la PPNA obtenidos, que fue para todos los casos al menos dos años. Luego se evaluó la diferencia para ambos parámetros (ordenada al origen y pendiente) entre los modelos de distintos sitios.


Los resultados
Todas las comunidades vegetales evaluadas se encontraban en pastoreo y difirieron en su condición, como consecuencia de diferentes manejos (carga, fuego, corte, fertilización), y en su composición botánica como consecuencia de factores ambientales (topografía, suelo) y de manejo (Cuadro 2).


La PPNA mostró una marcada variabilidad espacial y temporal (Cuadro 3). Es decir que entre las diferentes comunidades vegetales hay una variación importante en la producción de forraje pero que, a su vez, dentro de cada comunidad vegetal, la producción varió significativamente en el tiempo, dentro del año y entre años.

En el cuadro 3 se puede observar que los menores valores de productividad (crecimiento diario, kgMS/ha/día) se dan entre los meses de mayo y agosto, siendo los más bajos, en promedio de todas las comunidades en junio y julio. Sin embargo, en pastizales mejorados al sur de la provincia, como es el caso de las comunidades vegetales de San Vicente, se puede observar que la producción de forraje de invierno es alta en comparación con los otros pastizales, siendo aún mayor en pastizal fertilizado con nitrógeno en comparación con el que solo ha recibido fertilización con fósforo.


Cuando se evaluó por regresión la relación entre la RFAA y la PPNA (cuadro 4), se vio que en todos los sitios medidos hubo significancia estadística (p>0,05).De acuerdo a los modelos de regresión, entre el 35 y el 76 % de la variabilidad en productividad fue explicada por la radiación absorbida estimadacon el satélite. La ordenada al origen difirió significativamente (p>0,01) entre ecuaciones de regresión. El incremento marginal de la PPNA varió (p>0,01) en el rango de 1,8 a 5,64 g MS/Mjentre sitios o comunidades vegetales. Las menores eficiencias en el uso de la radiación pueden estar asociadas a condiciones limitantes para el crecimiento según el tipo de vegetación, manejo, tipo de suelo, historia de uso.Cuadro 4. Valores de los parámetros (ordenada al origen y pendiente), el ajuste (R2) y la significancia (Valor p) de las ecuaciones de regresión entre la PPNA y la RFAA de 11 sitios de la provincia de Corrientes. Expresado en g MS/Mj RFAA.

Consideraciones finales
Los pastizales de la provincia de Corrientes tienen un alto potencial de producción, y corrigiendo algunas deficiencias pueden llegar a producir hasta 10 toneladas de MS/ha/año. Esto incrementaría considerablemente la capacidad de carga de los mismos.

La PPNA de pastizales varía entre comunidades vegetales en magnitud y en variación estacional y anual.  La variación estacional es menor en pastizales de buena calidaddel sur de la provincia fertilizados (Ej. San Vicente). Esta información reafirma la necesidad de conocer las comunidades vegetales para poder ajustar la carga en función de la capacidad de producción de pasto de cada una, y además realizar ajustes dentro del año de acuerdo a la curva de crecimiento.

Es necesario contar con herramientas que permitan en forma sencilla y rápida caracterizar el principal recurso forrajero de la ganadería en la región, para ajustar aspectos de manejo y mejorar la eficiencia de uso del recurso.

La PPNA de pastizales de la provincia de Corrientes puede monitorearse con el uso de sensores remotos. Sin embargo, para mejorar la capacidad de los modelos de estimación, es necesario evaluar otras variables que podrían alterar la relación entre PPNA y RFAA. Aparentemente hay otros factores que determinan que la energía absorbida por la planta no se transforma en forma directa en pasto. El desafío futuro es poder determinar cuáles son esos factores, para poder mejorar el poder de estimación de la productividad por parte de los sensores remotos.

Autores: Diego Bendersky, Rafael Pizzio, Carlos Maidana, Patricio Zapata y Martín Durante