texto en 
Inglés (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
Según el SIAP (2022), la producción de maíz en México ha aumentado desde 2006, alcanzando 27.5 millones de toneladas entre el 2020 y 2021. Este cultivo representa más de 60% de las calorías de los sectores más pobres de la población (Bourges, 2013). A pesar de que México es uno de los principales productores (ASERCA, 2018), también importa 34.12% del maíz que consume, el segundo más alto en el ranking de importadores (FIRA, 2016).
El maíz es el alimento básico de México y su producción es vital para la seguridad alimentaria de la nación (Ureta et al., 2020). México también es uno de los mayores reservorios de diversidad genética de maíz, albergando aproximadamente 50% de la diversidad genética conocida en el continente americano (Vigouroux et al., 2008). Cualquier desajuste en el desarrollo y producción de los agroecosistemas de maíz podría poner en riesgo esta diversidad genética.
Uno de los factores de relevancia en el manejo agronómico del cultivo de maíz es la fertilización. La fertilización del suelo con nitrógeno (N) es prioritaria para la producción rentable del cultivo, seguida por el uso de fósforo (P) y potasio (K). Una dosis equilibrada de NPK tiene una gran influencia en el crecimiento y rendimiento del cultivo (Garbanzo et al., 2021).
Según la CEPAL (2022), conflictos bélicos trasnacionales como el actual entre Ucrania y Rusia están afectando la economía y el comercio mundial, incluyendo a América Latina. Entre las repercusiones en el comercio de insumos, los fertilizantes son uno de los productos más afectados, ya que México y otras naciones de América Latina importan 88% de los fertilizantes agrícolas de Rusia.
Aunque los precios de fertilizantes nitrogenados ya van a la baja, aún se mantienen en niveles históricamente elevados y se espera que su uso disminuya en campo por cuestiones de asequibilidad y disponibilidad, lo que afectaría negativamente la producción de grano a nivel nacional y la seguridad alimentaria (CEPAL, 2022). En México, según Bada-Carbajal et al. (2021), la cuenca del Papaloapan es una de las principales regiones productoras de maíz, con municipios como San Andrés Tuxtla o José Azueta con altos rendimientos de grano por hectárea y un impacto negativo en el proceso de fertilización del cultivo afectaría enormemente ciertos ámbitos socioeconómicos de la cuenca. Por lo anterior. en este trabajo se analizó el factor de fertilización en la Cuenca del Papaloapan para analizar el efecto que ejerce la nutrición química en el cultivo de maíz en función de su productividad en t ha-1 de grano.
Materiales y métodos
Área de estudio
La cuenca del Papaloapan se encuentra en la vertiente sur del Golfo de México (Figura 1). Abarca territorios de los estados de Puebla, Oaxaca y Veracruz con un área de 46 263 km2, representa 2.36% del territorio nacional y es la segunda región más importante del país por su volumen de escurrimiento, estimado en 46 000 millones de m3 al año (Murillo y López, 2005).
Análisis de uso de fertilizantes en el cultivo de maíz
Se implementó el modelo SWAT (Soil and Water Assessment Tool) (Neitsch et al., 2009) para calcular el potencial productivo de maíz en la Cuenca del Papaloapan. Se compararon tres escenarios: a) uno con manejo agronómico de fertilización recomendada (Tinoco, 2019); b) media dosis de fertilización; y c) falta de fertilización en condiciones de temporal. La simulación abarcó el período 2016-2021 y consideró tres variables de análisis: fertilización óptima, media dosis de fertilización y sin aplicaciones de fertilizantes.
Delineación de las subcuencas dentro de la cuenca del Papaloapan
El SWAT trabaja a nivel de cuenca y subcuenca. El modelo subdivide la cuenca en subcuencas, basándose en la topografía del área de estudio (Akhavan et al., 2010; Garg et al., 2011). Para el presente trabajo se tomó el total del área de la Cuenca del Papaloapan. Mediante un modelo de elevación digital (DEM) con píxel 90 x 90 adquirido de (INEGI) se procedió a la generación de subcuencas. La generación de flujos acumulados y la red de escurrimientos se formó con base a el DEM y un mapa de ríos. La delineación de las subcuencas se realizó seleccionando todas las salidas de la red de flujos generada por el modelo. Para este proceso se generaron un total de 168 subcuencas para el total del área de estudio.
Generación de las unidades de respuesta hidrológica (HRU)
Se subdividieron las subcuencas en unidades de respuesta hidrológica (HRU) basadas en el tipo de suelo, uso de suelo y pendiente (Akhavan et al., 2010; Garg et al., 2011). Utilizando un mapa edafológico de INEGI (2015) en formato vector (escala 1:250 000), se generaron las HRU dentro de la cuenca. La base de datos utilizada en el estudio consistió en 4 418 perfiles de suelos clasificados según el sistema WRB (INEGI, 2015). Estos datos proporcionaron información sobre las características ambientales, análisis físicos y químicos de 14 349 horizontes de suelo, así como detalles morfológicos y limitaciones para el uso y manejo del suelo (Paz-Pellat, 2018).
A partir de la capa vectorial de suelos y su tabla de atributos, se unificaron 340 tipos de suelo según la clasificación WRB para el área de estudio, considerando la primera subdivisión y sus horizontes. Para evaluar el uso de suelo, se creó una máscara en formato ráster que simuló el rendimiento potencial del cultivo de maíz en toda la superficie, asumiendo que el área de la cuenca se destinaba a uso agrícola en este estudio.
Para la generación de los rangos de pendiente se generaron cinco categorías (0-3, 3-8, 8-15, 15-30 y >30%) con base al modelo de elevación digital. Al final del proceso el modelo generó 4 852 HRU. En el Cuadro 1, se muestra a modo de ejemplo el perfil típico del suelo Vertisol-mázico-esquelético (VRmzsk) con los parámetros que requiere el modelo, así como la fuente de su obtención.
Cuadro 1 Características del perfil típico del suelo Vertisol-mázico-esquelético.
| Horizonte | Prof (mm) | Tex (%) | DA (g cm-3) | HD (mm mm-1) | CO (%) | CHS (mm hr-1) | CR (%) | Alb | USLE K | CE (dS m-1) |
|---|---|---|---|---|---|---|---|---|---|---|
| A | 130 | 14-14-72 | 1.48 | 0.15 | 1.5 | 0.08 | 0 | 0.21 | 0.5 | 2 |
| B1 | 440 | 32-14-54 | 1.56 | 0.15 | 0.3 | 0.1 | 0 | 0.21 | 0.25 | 2 |
| B2 | 830 | 36-14-50 | 1.54 | 0.15 | 0.2 | 0.11 | 0 | 0.21 | 0.25 | 2 |
Prof= profundidad (INEGI, 2015); Text= textura en el siguiente orden arcilla limón arena (INEGI, 2015); DA= densidad aparente (Saxton et al., 1986); HD= humedad disponible (Saxton et al., 1986), CO= carbono orgánico (Neitsch et al., 2009); CHS= conductividad hidráulica saturada (Saxton et al., 1986); CR= contenido de rocas (INEGI, 2015); Alb= albedo adimensional (ecuación de Harris, software curve expert 2.0) USLE K= factor ‘K’ de la ecuación universal de pérdida de suelo (Neitsch et al., 2009); CE= conductividad eléctrica (INEGI, 2015).
Generación y asignación del clima
Se utilizaron datos históricos de 1074 estaciones climáticas del Servicio Meteorológico Nacional (SMN) ubicadas en el trópico húmedo. Estos datos abarcan al menos 100 años de registros de precipitación, temperatura máxima y mínima en el periodo 1912-2020. Utilizando el generador climático EPIC (Sharpley y Williams, 1990), se generaron las estadísticas climáticas requeridas por el modelo y los datos diarios de temperatura y precipitación para el periodo completo de 1950 a 2020.
Las variables climáticas consideradas son las siguientes: a) temperatura máxima; b) temperatura mínima; c) desviación estándar de la temperatura máxima; d) desviación estándar de la temperatura mínima; e) precipitación pluvial promedio mensual, f) desviación estándar de la precipitación pluvial promedio mensual; g) coeficiente de asimetría de la precipitación pluvial promedio mensual; h) probabilidad de un día húmedo después de un día seco; i) probabilidad de un día húmedo después de un día húmedo; j) promedio de días con precipitación pluvial al mes; k) precipitación pluvial máxima en media hora; y l) radiación solar. Para el total de la superficie de la cuenca de Papaloapan el modelo selecciono 128 estaciones meteorológicas con base a la proximidad al centroide de las subcuencas generadas.
Introducción de parámetros fisiológicos y manejo
Para el cálculo del potencial productivo de cultivos, el modelo requiere los parámetros fisiológicos de la especie a simular. SWAT contiene una base de datos con parámetros fisiológicos de diversos cultivos, dentro de la cual, de acuerdo con Neitsch et al. (2011) se introdujeron los correspondientes al cultivo maíz. En el Cuadro 2 se muestra a modo de ejemplo los parámetros fisiológicos introducidos al modelo.
Cuadro 2 Parámetros fisiológicos de maíz introducidos al SWAT.
| Especie | RUE (kg ha-1/Mj m-2) | 2a point RUE | LAI | HI | Altura del dosel (m) | Profundidad de raíz (m) | Temperatura optima (°C) | Temperatura base (°C) |
|---|---|---|---|---|---|---|---|---|
| Maíz | 39 | 45 | 6 | 0.5 | 2.5 | 2 | 25 | 8 |
RUE= eficiencia en el uso de la radiación; LAI= índice de área foliar; HI= índice de cosecha.
Para calcular el rendimiento del cultivo, se introdujo al modelo un manejo, incluyendo fechas de siembra y cosecha, dosis de fertilización y labores culturales (Cuadro 3).
Cuadro 3 Manejo óptimo del cultivo de maíz introducido al modelo bajo condiciones de temporal.
| Actividad | Año | Operación | Insumo o actividad | Fecha |
|---|---|---|---|---|
| Preparación del suelo | 1 | Chapeo | Blade | 14 mayo |
| 1 | Subsoleo | Disk Plow | 24 mayo | |
| 1 | Rastreo | Finishing Harrow | 29 mayo | |
| 1 | Rastreo | Finishing Harrow | 30 mayo | |
| 1 | Surcado | Furrow Diker | 31 mayo | |
| Establecimiento del cultivo | 1 | Siembra | maíz | 1 junio |
| Fertilización | 1 | 1a Fertilización | 60-00-00 NPK (kg ha-1) | 1 junio |
| 1 | 2a Fertilización | 00-60-00 NPK (kg ha-1) | 1 junio | |
| 1 | 3a Fertilización | 60-00-60 NPK (kg ha-1) | 27 junio | |
| Cosecha | 1 | Cosecha | Operación de cosecha y matanza | 28 septiembre |
NPK= nitrógeno, fósforo, potasio (Tinoco, 2019).
Análisis de resultados
Utilizando sistemas de información geográfica, se realizó el mapeo del rendimiento potencial de maíz en la cuenca para tres escenarios: fertilización completa, media dosis de fertilización y sin fertilización. Se empleó el análisis estadístico de diferencia de medias en R®, (R Core Team, 2021) con el método de Anova de Fischer (Cayuela, 2010) para evaluar la significancia y aceptar o rechazar la hipótesis nula de igual rendimiento de maíz en los tres escenarios simulados.
Resultados y discusión
En la Figura 2 se puede observar, mediante un gráfico de caja, la diferencia de medias entre los factores analizados para el rendimiento simulado del cultivo de maíz en la cuenca del Papaloapan. Se utilizó el método de análisis de varianza (Anova) de Fischer (Cayuela, 2010) para hallar el valor de significancia y determinar si existía diferencia significativa entre los factores analizados. El valor de P obtenido fue de 2e-16, lo que indica que se rechaza la hipótesis nula y se demuestra que existe una gran diferencia significativa entre los factores analizados en función del rendimiento simulado del cultivo de maíz en la cuenca del Papaloapan.
Figura 2 Diferencia de medias de rendimiento del cultivo de maíz bajo diversos efectos de fertilización.
En el Cuadro 4 se presentan las estadísticas básicas comparativas de los escenarios simulados (con fertilización, media dosis de fertilización y sin fertilización) donde se observa las diferencias significativas de los tres factores de analizados.
Cuadro 4 Estadísticas básicas de análisis del efecto de fertilización en el cultivo de maíz en la cuenca del Papaloapan.
| Factor | Media (t ha-1) | Mínimo (t ha-1) | Máximo (t ha-1) |
|---|---|---|---|
| Con fertilización | 9.4 | 0.04 | 14.37 |
| Media dosis de fertilización | 6.75 | 0.05 | 10.7 |
| Sin fertilización | 1.6 | 0.051 | 5.2 |
La distribución espacialmente explicita de los efectos de los factores analizados sobre el cultivo de maíz en la cuenca se muestran en la Figura 3, del cultivo de maíz con fertilización (Figura 4), cultivo de maíz bajo efecto de dosis media de fertilización y Figura 5 del cultivo de maíz sin aplicación de fertilizantes.
Figura 3 Rendimiento del cultivo de maíz bajo un régimen completo de fertilización en la cuenca del Papaloapan.
Figura 4 Rendimiento del cultivo de maíz sin aplicación de fertilizantes en la cuenca del Papaloapan.
Figura 5 Rendimiento del cultivo de maíz sin aplicación de fertilizantes en la cuenca del Papaloapan.
Mediante el método de correlación de Pearson (Lalinde et al., 2018) se validaron datos medidos en campo en función de los obtenidos por medio del proceso de simulación. En el Cuadro 5 se muestran los valores analizados.
Cuadro 5 Análisis de correlación de datos medidos en campo en función de datos simulados por el modelo.
| Localidad | HRU | Rendimiento simulado (t ha-1) | Rendimiento medido (t ha-1) |
|---|---|---|---|
| +Ignacio de la Llave | 1 219 | 8 | 6.65 |
| +San Andres Tuxtla | 2 457 | 7.96 | 6.69 |
| *Loma Bonita | 3 702 | 6.79 | 5.99 |
| +Tlalixcoyan | 1 730 | 6.01 | 5.18 |
| +Cotaxtla | 1 285 | 8.5 | 7.74 |
| +Mata de Agua | 2 175 | 7.28 | 5.82 |
| +Rodriguez Clara | 3 819 | 4.05 | 3.3 |
| +Sampedro Quilitongo | 6 140 | 4.01 | 1.28 |
| *San Juan Bautista Coixtlahuaca | 6 153 | 4.02 | 1.48 |
| *Tepelmeme de Morelos | 4 310 | 4.01 | 1.27 |
En la Figura 6 se puede observar el comportamiento del análisis de correlación de datos tomados en campo en contraste con los valores obtenidos por medio del proceso de simulación. El valor de R2 obtenido muestra una alta correlación y por ende demuestra que el modelo SWAT (Neitsch et al., 2009) simula con notable precisión el comportamiento del cultivo de maíz en la cuenca de Papaloapan.
En función de los resultados obtenidos, se puede apreciar que la aplicación de fertilizante en el cultivo de maíz de la cuenca del Papaloapan es crucial para la producción de grano, a su vez, se observó que la diferencia entre una dosis media de nitrógeno (60 kg ha-1) y una dosis óptima (120 kg ha-1) es solo de 3.67 t ha-1. Con base a esto, se analizó la eficiencia del uso de nitrógeno en ambos escenarios. La eficiencia en el uso de nitrógeno se calculó de acuerdo con (Dobermann, 2005), con la siguiente formula: PFPN = YN/FN.
Donde: PFPN= eficiencia en el uso del nitrógeno; YN= rendimiento del cultivo bajo la aplicación de N (t ha-1); FN= cantidad de N aplicado (kg ha-1). Se encontró que la eficiencia en el uso del nitrógeno del escenario con media dosis de fertilización fue mayor que el de dosis completa. En el Cuadro 6 se muestran los resultados obtenidos en proporción al valor estadístico de media y valor máximo de los efectos evaluados.
Cuadro 6 Eficiencia en el uso del nitrógeno bajo la aplicación de una dosis media y optima de nitrógeno en la cuenca del Papaloapan.
| Factor FN | Media YN | Máximo YN | Valor de PFPN |
|---|---|---|---|
| Fertilización óptima (120 kg N ha-1) | 9.4 t ha-1 de maíz | 14.37 t ha-1 de maíz | PFPN (media)= 0.08 PFPN (máximo)= 0.12 |
| Media dosis de fertilización (60 kg N ha-1) | 6.75 t ha-1 de maíz | 10.7 t ha-1 de maíz | PFPN (media)= 0.11 PFPN (máxima)= 0.18 |
La dosis óptima de fertilizante para el cultivo de maíz en la cuenca del Papaloapan resulta ser excesiva, según lo indicado por Capetillo et al. (2021). Aplicar una dosis media de fertilizante nitrogenado es suficiente para obtener rendimientos superiores a 10.7 t ha-1, como se muestra en las Figuras 7 y 8. Esta práctica no solo tiene implicaciones en la relación beneficio-costo, sino que también contribuye a la sostenibilidad del agroecosistema al evitar procesos degradativos asociados al uso ineficiente de fertilizantes nitrogenados, como mencionado por Saynes-Santillán et al. (2019).
Figura 7 Valor de eficiencia de uso de nitrógeno (PFPN) en el cultivo de maíz bajo un efecto de dosis media de fertilización.
Conclusiones
La fertilización es crucial para el cultivo de maíz, ya que se observa una diferencia significativa en el rendimiento entre la fertilización y la no fertilización, con una media de 7.8 t ha-1. Sin embargo, se ha encontrado un desperdicio en el uso de fertilizantes nitrogenados, ya que el rendimiento no varía tanto entre la dosis completa y la dosis reducida. Esto sugiere que una aplicación moderada de fertilizante podría ser suficiente para obtener buenos rendimientos, por encima de las 10.7 t ha-1 y ser más sostenible para el agroecosistema del maíz. Se requiere investigación adicional para mejorar el uso de fertilizantes nitrogenados mediante nuevas tecnologías y prácticas agronómicas.
