SciELO - Scientific Electronic Library Online

 
vol.9 issue50Diversity of spiders in forest ecosystems as elevation and disturbance indicatorsSilicon dioxide as a stimulant of the quality index of nursery-grown pequin pepper (Capsicum annuum L. var. glabriusculum) plants author indexsubject indexsearch form
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • Have no similar articlesSimilars in SciELO

Share


Revista mexicana de ciencias forestales

Print version ISSN 2007-1132

Rev. mex. de cienc. forestales vol.9 n.50 México Nov./Dec. 2018

https://doi.org/10.29298/rmcf.v9i50.226 

Artículos

Predicción de biomasa radicular en especies de pastizales semiáridos en el sur del Desierto Chihuahuense

Miguel Á. Hernández Gómez1 

Marisela Pando Moreno1  * 

Ricardo Mata González3 

Humberto González-Rodríguez1 

Julio Chacón Hernández2 

Maritza Gutiérrez1 

1Facultad de Ciencias Forestales. Universidad Autónoma de Nuevo León. México.

2Instituto de Ecología Aplicada. Universidad Autónoma de Tamaulipas. México.

3Department of Animal and Rangeland Sciences. Oregon State University. USA.


Resumen:

La mayor parte del carbono en los pastizales proviene de la biomasa subterránea, particularmente en pastizales áridos. A pesar de ello, la estimación de la biomasa radicular en esos ecosistemas ha sido poco abordada. En el presente estudio se analizó la correlación entre variables aéreas de la planta y su biomasa radicular para desarrollar modelos estadísticos que permitan la estimación confiable de esta última. Se recolectaron 26 especies vegetales dentro de pastizales sin pastoreo. Se diseñaron modelos de regresión lineal, exponencial y logarítmica para cada taxon y para todos en su conjunto con el fin de determinar las variables que mejor predijeran la biomasa radicular. Solo Frankenia gypsophila y Dalea gypsophila mostraron relación raíz/tallo (RBR) >1. Enneapogon desvauxii y Atriplex acantocarpha tuvieron una RBR cercana a 1. Ocho especies mostraron significancia estadística en al menos un análisis de correlación, pero solo Tiquilia canescens, Bouteloua gracilis, Machaerantera pinnatifida, Lesquerella fendleri, y Atriplex acanthocarpa registraron tanto significancia estadística como un coeficiente de determinación r2 ≥0.50. Mediante el método Marquardt en la regresión exponencial, 14 de las 15 especies de interés alcanzaron coeficiente de determinación alto y significancia estadística; este método fue el adecuado (r2=0.853) para estimar la biomasa radicular de las especies analizadas en su conjunto, a partir de la altura de la planta y el diámetro de la copa.

Palabras clave: Biomasa vegetal; ecosistemas áridos; ecuaciones alométricas; método Marquardt; modelo de regresión; noreste de México

Abstract:

Most of carbon in grasslands comes from underground biomass, particularly in arid grassland ecosystems. However, estimation of root biomass in these ecosystems has been poorly studied. In this study was analyzed the correlation between above ground plant variables and root biomass to develop statistical models for reliable root biomass estimations. Twenty-six plant species were collected within grazing-excluded grasslands. Linear, exponential and logarithmic regression models were performed for each species and for the whole data set to determine the variables that best predicted root biomass. Only Frankenia gypsophila and Dalea gypsophila showed root/shoot ratio (RSR) higher than one. Enneapogon desvauxii and Atriplex acantocarpha had a RSR close to one. Eight species showed statistical significance in at least one of the correlation analyses but only Tiquilia canescens, Bouteloua gracilis, Machaerantera pinnatifida, Lesquerella fendleri, and Atriplex acanthocarpa had both statistical significance and acceptable coefficient of determination (r2 ≥0.50). Using the Marquardt exponential method, 14 out of 15 studied species showed a high determination coefficient and statistical significance. This method was adequate (r2=0.853) to estimate root biomass for the whole set of plants from plant height and crown diameter.

Key words: Plant biomass; arid ecosystems; allometric equations; Marquardt method; regression model; northeastern Mexico

Introducción

Una proporción sustancial de carbono (C) asimilado por las plantas a través de la fotosíntesis se transfiere a las raíces, el cual generalmente excede a la cantidad presente en los componentes de las partes aéreas. Este flujo de C tiene un fuerte impacto en la regulación de los principales procesos del suelo que afectan la productividad y los ciclos bioquímicos de los ecosistemas (Jansson et al., 2010).

La estimación de las reservas de carbono (C) y las emisiones de gases de efecto invernadero han recibido una atención cada vez mayor en la última década (Maniatis y Mollicone, 2010; Asner, 2011). Sin embargo, los bosques templados y tropicales se han estudiado más a fondo (Saatchi et al., 2011; Asner et al., 2012) y otros ecosistemas que podrían contener cantidades sustanciales de C se han descuidado (Scurlock et al., 2002; Gibbon et al., 2010).

Al cubrir casi 39 millones de km2 (aproximadamente 25 % de la superficie continental de la Tierra), los pastizales representan uno de los ecosistemas más extensos del mundo y proporcionan numerosos servicios ambientales (D'Atri, 2007).

Los pastizales son sumideros potenciales de C que reducen el CO2 atmosférico (Jones y Donnelly, 2004; Acharya et al., 2012). Los estudios sobre almacenamiento de C en pastizales sugieren que la mayor parte de este elemento proviene de la biomasa subterránea (Jackson et al., 2002). El C total asignado aumenta con la riqueza de especies vegetales (Adair et al., 2009), particularmente, en sistemas áridos donde el crecimiento de la raíz de las plantas puede ser mucho más alto que el de los brotes (Evans et al., 2013).

Además, es común que bajo condiciones ambientales adversas como el déficit de agua o de nutrientes en la zona de la raíz, la relación entre la biomasa de la raíz y la biomasa del tallo (RSR = Raíz / relación de brote) tiende a aumentar (Wan et al., 1993; Mata et al., 2002; Mata y Meléndez, 2005; Sainju et al., 2017). Sin embargo, la biomasa de raíces en pastizales áridos ha sido escasamente investigada y con frecuencia ha sido subestimada para determinar los depósitos de C en diferentes ecosistemas, aunque las raíces pueden ser la principal fuente de biomasa en algunas especies (Evans et al., 2013; Hernández-Gómez et al., 2013).

Varios estudios han aportado resultados para la cuantificación de la biomasa aérea, a través de ecuaciones alométricas en sistemas áridos (Navar et al., 2004; Flombaum y Sala, 2007; McClaran et al., 2013). Otros investigadores han estimado la biomasa de raíces en pastos templados cultivados (Vinther, 2006; Rasmussen et al., 2010; Acharya et al., 2012; Eriksen et al., 2012), aunque la mayoría de ellos han evaluado la biomasa con muestras de suelo a un nivel estandarizado de profundidad y sin diferenciar especies.

También, se ha trabajado para determinar la proporción de biomasa de raíces que se produce o muere anualmente (coeficientes de rotación de raíces) por medio de las características ambientales y de la planta para determinar la productividad primaria neta de los pastizales (Gill et al., 2002). Ninguno de estos estudios ha intentado desarrollar un modelo estadístico que permita una estimación rápida de la biomasa de la raíz a partir de variables vegetales fáciles de medir. Existe una clara falta de investigaciones para documentar las ecuaciones alométricas para la estimación de la biomasa de raíces en pastizales naturales áridos y semiáridos, tal vez por la dificultad que conlleva cuantificar la producción subterránea.

Las ecuaciones alométricas requieren un muestreo de biomasa destructivo extensivo inicial, pero pueden usarse posteriormente como un método consistente y no destructivo para estimar la biomasa de la raíz subterránea. Se deben considerar las diferencias de especies en la asignación de biomasa en las prácticas de gestión y conservación del suelo. La información propia del taxon sobre la biomasa de raíces y brotes también es importante, para parametrizar los modelos ecológicos que se utilizan para apoyar el manejo del suelo y el ambiente (Mata et al., 2008). La hipótesis aquí planteada es que la biomasa de la raíz puede estimarse de manera confiable a partir de los parámetros de la planta sobre el suelo. Por lo tanto, se diseñaron ecuaciones alométricas particulares para 26 taxa nativos del Desierto Chihuahuense, así como ecuaciones de múltiples especies de manera conjunta

Materiales y Métodos

Área de estudio

El estudio se llevó a cabo en dos pastizales semiáridos excluidos del ganado en la parte sur del Desierto Chihuahuense, en el noreste de México. La temperatura media anual para la región es de 17.2 °C, con un mínimo de -1.8 °C en enero y un máximo de 35.1 °C en mayo. La precipitación media anual es de 386.43 mm. Marzo y julio se consideran los meses más secos (8.43 mm) y más húmedos (58.06 mm), respectivamente (SMN, 2012). Las áreas de muestreo estuvieron entre 1 800 y 2 000 msnm, en las localidades de La Soledad en el estado de Nuevo León y El Salado en San Luis Potosí.

La vegetación está conformada por comunidades de pastizales cortos halófitos / gipsófilos (entre 0.05 y 0.2 m de altura) asociados con el matorral desértico micrófilo y rosetófilo (Estrada et al., 2010), donde las especies más abundantes son Muhlenbergia villiflora Hitchc., Scleropogon brevifolius Phil., Zinnia acerosa (DC.) A. Gray, Dasyochloa pulchella (Kunth) Willd. ex Rydb., Bouteloua chasei Swall., Frankenia gypsophila I. M. Johnst., Calylophus hartwegii (Benth.) P.H. Raven, Dalea gypsophila Barneby y Bouteloua gracilis (Willd. ex Kunth) Lag. ex Griffiths. En estas praderas se desarrollan varias plantas endémicas (Dalea gypsophila, D. radicans S. Watson, Frankenia gypsophila, Machaeranthera heterophylla R. L. Hartm. y M. crutchfieldii B.L. Turner) (Estrada et al., 2010), y animales como el perro de la pradera mexicana (Cynomys mexicanus Merriam, 1892), especie regionalmente endémica en estatus de peligro mundial (Baillie y Groombridge, 1996). Dicho ecosistema también proporciona un refugio importante para los animales residentes y migratorios (Day y Ludeke, 1993).

Los suelos de la zona son, principalmente, Solonchack y Feozem calcárico, y en áreas más pequeñas predominan el Vertisol crómico y el Chernozem lúvico (INEGI, 1981).

Muestreo y análisis de datos

Se tomaron muestras de 26 especies de plantas para el análisis de la estimación de biomasa. El muestreo se realizó durante julio, agosto y septiembre de 2011-2013, alrededor de un mes después de la temporada de escasa lluvias. Las plantas se recolectaron de 240 parcelas establecidas aleatoriamente (1 m2 cada una); de las cuales, 144 se ubicaron en El Salado y 96 en La Soledad. El número de muestras de plantas por taxon varió entre 8 y 18, según la disponibilidad en el campo, e incluyó una amplia gama de alturas y diámetros para cada especie.

Las muestras se extrajeron del suelo húmedo (durante la estación lluviosa), inmediatamente después de una lluvia o posterior a regar, de manera manual, el suelo para permitir la extracción de la raíz lo más completa posible. El material recolectado, se lavó con agua destilada, y a las plantas se les midió la altura del tallo, el diámetro medio de la corona y la longitud de la raíz. Las raíces se separaron de la parte aérea y ambas se secaron a 70 ° C, con un horno digital de secado Riossa HCF-102-D, hasta que el peso seco permaneció constante. Los tallos y raíces se midieron con una cinta métrica de plástico graduada marca Urrea. Los valores se usaron para evaluar la relación entre la biomasa de brotes y las raíces (RSR) y para generar un modelo no destructivo para determinar la biomasa de estas últimas.

Los datos cumplieron con los supuestos estadísticos (normalidad multivariante, sin multicolinealidad, sin autocorrelación y homocedasticidad). Por lo tanto, se les aplicaron modelos de regresión lineal, exponencial y logarítmica para cada especie (Cuadro 1); y rasgos de plantas individuales como la altura de la planta (H), el diámetro medio de la corona (D) o una combinación de ellos (H * HD, H + HD y H, D) se utilizaron como las variables independientes que mejor estiman la biomasa de la raíz, que fue la variable dependiente. El análisis de regresión lineal se llevó a cabo mediante el método de mínimos cuadrados, mientras que el modelo exponencial se realizó con el procedimiento de Marquardt (cuadrado mínimo no lineal) (Marquardt, 1963). Los análisis se hicieron con SPSS y PROC NLIN SAS / STAT (SAS Institute, 2004).

Cuadro 1 Modelos de análisis de regresión para estimar la biomasa radical (RB) como una función del diámetro de la copa de la planta (D) y de la altura de la planta (H) en 26 especies del sur del Desierto de Chihuahua. 

Modelo Variable Expresión matemática
Lineal Diámetro (D) RB= B0+B1D
Altura (H) RB= B0+B1H
Altura * Diámetro (H*D) RB= B0+B1HD
Altura + Diámetro (H+D) RB= B0+B1H + B2D
Logarítmico Diámetro (D) RB=β0+β1lnD
Altura (H) RB=β0+β1ln(H)
Altura * Diámetro (H*D) RB=β0+β1lnHD
Altura + Diámetro (H+D) RB=β0+β1ln(H)+β2ln(D)
Exponencial Diameter (D) BR= B0eB1D
Altura (H) BR= B0eB1H
Altura * Diámetro (H*D) BR= B0eB1HD
Altura, Diámetro BR= B0eB1H+B2D
Altura + Diámetro (H+D) BR= B0eB1H+D

B 0 = Intercepto del eje de Y-del modelo de regresión; B 1 y B 2 = Pendientes de los modelos de regresión; Log y e = Valor de la función exponencial y del logaritmo base 10.

Resultados

Solo dos de las 26 especies de plantas mostraron una relación raíz/brote >1: Frankenia gypsophila (2.27) y Dalea gypsophila (1.95). Enneapogon desvauxii y Atriplex acantocarpha tuvieron una relación raíz / brote, cercana a uno, lo que significa que su producción de biomasa aérea y subterránea es similar (Cuadro 2).

Cuadro 2 Biomasa aérea y radical y RSR (Relation Raíz/Parte aérea) de 26 especies de plantas nativas del sur del Desierto de Chihuahua. 

Especie Familia Ciclo de vida N Biomasa aérea (g) Biomasa radical (g) RSR
Frankenia gypsophila I.M. Johnst. Frankeniaceae Perenne 15 19.43±4.12 44.19±10.32 2.27
Dalea gypsophila Barneby Fabaceae Perenne 12 0.69±0.15 1.35±0.27 1.95
Enneapogon desvauxii P. Beauv. Poaceae Perenne 4 2.04±0.08 2.02±0.36 0.99
Atriplex acanthocarpa (Torr.) S. Watson Chenopodiacea Perenne 10 8.25±2.46 8.02±2.01 0.97
Scleropogon brevifolius Phil. Poaceae Perenne 4 1.34±0.18 1.01±0.37 0.76
Muhlenbergia arenicola Buckley Poaceae Perenne 5 0.87±0.13 0.52±0.11 0.60
Dieteria canescens (Pursh) A. Gray (Syn.:
Machaeranthera canescens)
Asteraceae Anual o Perenne breve 4 7.48±1.87 3.90±0.77 0.52
Bouteloua gracilis (Willd. ex Kunth) Lag. ex Griffiths Poaceae Perenne 10 11.37±2.51 5.82±1.12 0.51
Rumex crispus L. Polygonaceae Perenne 5 0.88±0.33 0.43±0.13 0.49
Aristida havardii Vasey Poaceae Perenne 10 1.28±0.15 0.63±0.09 0.49
Zinnia acerosa (DC.) A. Gray Asteraceae Perenne 18 3.77±0.69 1.71±0.48 0.45
Muhlenbergia repens (J. Presl) Hitchc. Poaceae Perenne 10 8.50±0.65 2.92±0.45 0.34
Machaeranthera pinnatifida (Hook.) Shinners Asteraceae Perenne 10 4.79±1.18 1.38±0.35 0.29
Muhlenbergia villiflora Hitchc. Poaceae Perenne 13 1.37±0.18 0.36±0.07 0.26
Dasyochloa pulchella (Kunth) Willd. ex Rydb. Poaceae Perenne 15 2.25±0.21 0.56±0.19 0.25
Bouteloua chasei Swall. Poaceae Perenne 10 1.42±0.21 0.35±0.05 0.25
Lepidium virginicum L. Brassicaceae Anual Bienal 13 9.30±1.90 2.19±0.55 0.24
Atriplex canescens (Pursh) Nutt. Chenopodiaceae Perenne 4 29.30±10.37 10.92±5.06 0.20
Croton dioicus Cav. Euphorbiaceae Perenne 5 22.58±2.53 2.87±0.31 0.13
Hoffmanseggia glaucas (Ort.) Eifert Caesalpiniaceae Perenne 5 0.50±0.10 0.06±0.03 0.11
Euphorbia prostrata Aiton Euphorbiaceae Perenne 5 2.00±0.50 0.20±0.12 0.10
Gaura coccinea Pursh Onagraceae Perenne 13 11.53±3.21 1.06±0.13 0.09
Lesquerella fendleri (A. Gray) S. Watson Brassicaceae Perenne 15 3.40±0.57 0.27±0.02 0.08
Tribulus terrestrisi L. Zygophyllaceae Anual 5 1.01±0.27 0.07±0.03 0.07
Tiquilia canescens (DC.) A. Richardson Boraginaceae Perenne 8 63.20±9.20 4.45±0.58 0.07
Aristida adscencionis L. Poaceae Anual 5 2.75±0.39 0.08±0.02 0.03

Los valores representan la media ±error estándar.

Estimación de la biomasa de raíces a partir de parámetros de la planta sobre el suelo

Se llevaron a cabo análisis de regresión lineal, exponencial, cuadrático y logarítmico entre los rasgos aéreos de la planta y la biomasa de la raíz para aquellas especies con un tamaño de muestra superior o igual a ocho (Cuadro 3). Ocho presentaron significancia estadística (P≤0.05) en al menos uno de los análisis, pero solo cinco (Tiquilia canescens, Bouteloua gracilis, Machaerantera pinnatifida, Lesquerella fendleri y Atriplex acanthocarpa) tuvieron, tanto significancia estadística, como un coeficiente de determinación aceptable (r2 ajustado ≥0.50). A. acanthocarpa tuvo un valor aceptable para un mayor número de variables (H, D y D + H) y tipos de análisis de regresión (lineal, exponencial, cuadrático y logarítmico). El modelo de regresión polinomial cuadrático fue el más adecuado, con un valor superior de r2 para la mayoría de las especies. El parámetro de la planta que mejor explicó la biomasa de la raíz fue el diámetro de la copa.

Cuadro 3 Ecuaciones derivadas del análisis de regresión. 

Especies Variable n r2Aj Sig. Modelo de regresión Ecuación
Atriplex acanthocarpa H 10 0.563 0.012 Lineal BR=2.324 +0.729X
Atriplex acanthocarpa H 10 0.562 0.013 Exponencial BR=3.179 e0.084H
Atriplex acanthocarpa D 10 0.832 0.000 Lineal BR=1.019+0.038D
Atriplex acanthocarpa D 10 0.577 0.011 Logarítmico BR=-16.197+4.972 lnD
Atriplex acanthocarpa D 10 0.838 0.002 Cuadrático BR=1.900 +0.028D +1.782E-5D2
Atriplex acanthocarpa D 10 0.735 0.002 Exponencial BR=2.94 e0.004DH
Atriplex acanthocarpa D+H 10 0.797 0.001 Lineal BR=-19.713+0.873D+H
Atriplex acanthocarpa D+H 10 0.740 0.001 Logarítmico BR=-92.470+29.200 lnD+H
Atriplex acanthocarpa D+H 10 0.841 0.002 Cuadrático BR=14.375-1.108 D+H+0.028D+H2
Atriplex acanthocarpa D+H 10 0.598 0.009 Exponencial BR=0.396 e0.087D+H
Bouteloua gracilis D 10 0.620 0.007 Lineal BR=-0.975+0.763D
Bouteloua gracilis D 10 0.794 0.004 Cuadrático BR=7.322-1.213D+0.102D2
Bouteloua gracilis D 10 0.573 0.011 Exponencial BR=2.095 e0.101D
Bouteloua gracilis DH 10 0.603 0.008 Lineal BR=1.134+0.016DH
Bouteloua gracilis DH 10 0.683 0.018 Cuadrático BR=5.227-0.014DH +4.147E-5DH2
Bouteloua gracilis DH 10 0.558 0.013 Exponencial BR=2.767 e0.002DH
Lesquerella fendleri D 15 0.723 0.000 Cuadrático BR= -0.647+0.175D-0.008D2
Machaerantera pinnatifida D 10 0.514 0.020 Exponencial BR=0.155 e0.129D
Machaerantera pinnatifida DH 10 0.689 0.017 Cuadrático BR=-3.238+0.047DH-9.457E-5DH2
Machaerantera pinnatifida D+H 10 0.672 0.020 Cuadrático BR=10.932+1.135D+H-0.019D+H2
Tiquilia canescens H 8 0.730 0.038 Cuadrático BR=37.516-3.583H+0.092H2
Tiquilia canescens D 8 0.512 0.046 Lineal BR=-2.244+0.208D
Zinnia acerosa H 18 0.509 0.005 Cuadrático BR=8.717-0.743H+0.016H2
Zinnia acerosa DH 18 0.533 0.003 Cuadrático BR=7.032-0.043DH+6.349E-5DH2
Zinnia acerosa D+H 18 0.502 0.001 Logarítmico BR=18.572-5.150 lnD+H
Zinnia acerosa D+H 18 0.536 0.003 Cuadrático BR=13.171-0.661D+H+0.008 D+H2

Solo las especies vegetales que satisfacen el criterio de significancia estadística (P≤0.05) y el coeficiente de determinación r2ajustada ≥0.50 se presentan en el Cuadro. D = Diámetro de la copa de la planta; H = Altura de la planta.

En virtud de que los modelos probados solo permitieron la predicción de la biomasa de raíces para cinco especies, también se probó una regresión exponencial con el método de Marquardt. Este procedimiento es un método de vecindad máxima que realiza una interpolación óptima entre la linealización y el método de pendiente más pronunciada o gradiente (Marquardt, 1963). Asimismo, usa un proceso iterativo de ecuaciones no lineales, mediante mínimos cuadrados que minimiza la suma cuadrada de los residuos del modelo, lo que permite el máximo valor posible para la función de verosimilitud, de acuerdo con la precisión requerida (Aguirre, 1994).

Al utilizar el método de Marquardt, 14 de los 15 taxa estudiados registraron un alto coeficiente de determinación (r2≥0.60) y significancia estadística (P≤0.05) (Cuadro 4).

Cuadro 4 Ecuaciones derivadas del método de Marquardt del modelo exponencial de análisis para estimar la biomasa de raíces (RB) como una función del diámetro de la copa de la planta (D) y de su altura (H) por especie. 

Especies Variable n r2Aj Sig. Ecuación
Aristida havardii D 10 0.861 0.0004 RB=0.561e-0.0092D
H 10 0.885 0.0002 RB=2.6465e0.0589H
H+D 10 0.891 0.0009 RB=2.4733e-0.0134H+-0.0628D
H*D 10 0.858 0.0004 RB=0.6256e-0.00001HD
Atriplex acanthocarpha D 10 0.661 0.0133 RB=1.4789e-0.07D
H 10 0.847 0.0006 RB=3.7664e-0.077H
H+D 10 0.937 0.0001 RB=0.5382e(-0.0822H)+(0.077D)
H*D 10 0.931 <0.0001 RB=3.9404e-0.00322HD
Bouteloua chasei D 10 0.864 0.0003 RB=0.4416e0.0228D
H 10 0.858 0.0004 RB=0.3616e0.00245H
H+D 10 0.862 0.0004 RB=0.3973e0.0253H+(0.00905D)
H*D 10 0.862 0.002 RB=0.4091e(0.00105HD)
Bouteloua gracilis D 10 0.938 <0.0001 RB=1.4998e-0.1374D
H 10 0.816 0.0012 RB=1.4682e-0.0433H
H+D 10 0.940 0.0001 RB=1.8543e-0.1519H+(-0.0111D)
H*D 10 0.917 <0.0001 RB=2.4597e-0.0026HD
Dalea gipsofila D 12 0.743 0.0011 RB=0.5671e-0.1097D
H 12 0.751 0.001 RB=0.2705e-0.2538H
H+D 12 0.778 0.0027 RB=0.1994e(-0.0837H)+(0.196D)
H*D 12 0.783 0.0005 RB=0.5556e-0.0171HD
Dasyochloa pulchella D 15 0.419 0.0292 RB=0.1203e-0.1513D
H 15 0.623 0.0018 RB=0. 0124e-0.4223H
H+D 15 0.678 0.0028 RB=0.0127e(-0.2369H)+(0.6708D)
H*D 15 0.505 0.0103 RB=0.1708e-0.0133HD
Frankenia gipsofila D 15 0.612 0.0021 RB=25.5739e0.0338D
H 15 0.605 0.0024 RB=30.4454e-0.0376H
H+D 15 0.615 0.0079 RB=25.3009e(-0.0248H)+(0.0159D)
Lepidium virginicum D 13 0.585 0.0079 RB=1.3999e-0.0149D
H 13 0.612 0.0055 RB=1.1626e-0.0276H
H+D 13 0.621 0.0175 RB=1.216e(0.0191H)+(0.0191D)
H*D 13 0.588 0.0076 RB=1.7525e-0.0003HD
Lesquerella fendleri D 15 0.941 <0.0001 RB=0.1593e-0.0553D
H 15 0.937 <0.0001 RB=0.1633e-0.0428H
H+D 15 0.944 <0.0001 RB=0.136e-0.0405H+0.0254D
H*D 15 0.943 <0.0001 RB=0.1927e-0.00292HD
Machaeranthera pinnatifida D 10 0.724 0.0058 RB=0.4364e-0.0766D
H 10 0.635 0.0177 RB=1.4201e0.00241H
H+D 10 0.738 0.0192 RB=0.5581e(-0.0876H)+(-0.0354D)
H*D 10 0.656 0.014 RB=1.0422e-0.00158HD
Muhlenbergia repens D 10 0.863 0.0004 RB=0.1317e-0.1864D
H 10 0.875 0.0002 RB=0.1386e-0.1908H
H+D 10 0.875 0.0015 RB=0.1423e(0.0119H)+(0.2015D)
Muhlenbergia villiflora H 13 0.031 0.0002 RB=0.1345e-0.0769H
H+D 13 0.805 0.0007 RB=0.1024e(-0.0705H)+(0.0504D)
H*D 13 0.804 0.0001 RB=0.1847e-0.00553HD
Tiquilia canescens D 8 0.951 0.0001 RB=1.1298e-0.0418D
H 8 0.917 0.0006 RB=2.0123e-0.0402H
H+D 8 0.952 0.001 RB=1.1462e(-0.0461H)+(-0.00795D)
H*D 8 0.944 0.0002 RB=2.3945e-0.00093HD
Zinnia acerosa D 18 0.631 0.0003 RB=31.5865e0.2417D
H 18 0.693 <0.0001 RB=11.7601e0.1492H
H+D 18 0.720 0.0002 RB=24.3341e(0.099H)+(-0.1114D)
H*D 18 0.723 <0.0001 RB=8.6773e0.0101HD

Algunas especies como Tiquilia canesD,cens y Lesquerella fendleri tuvieron un coeficiente de determinación altamente significativo (P <0.001) (r2> 0.90) para todas las variables incluidas. El único taxón con un bajo coeficiente de determinación (r2≤0.319) y no significativa (P = 0.275) fue Gaura coccinea (no registrada en el Cuadro 3).

Se realizaron varios análisis de regresión para estimar la biomasa de la raíz a partir de los rasgos de la planta sobre el suelo, para los datos de todas las especies en su conjunto. Los modelos de regresión exponencial evidenciaron (Cuadro 5) ser significativos en la estimación de la biomasa de la raíz en función de las variables de la planta, aunque con valores muy bajos del coeficiente de determinación (r2≤0.122). Solo la regresión exponencial con el método de Marquardt registró un alto coeficiente de determinación y significancia con la variable H, D (r2 = 0.853; P <0.001).

Cuadro 5 Resultados y ecuaciones derivados del análisis lineal, exponencial y logarítmico para todas las especies en su conjunto para estimar la biomasa de las raíces (RB), como una función del diámetro de la copa de la planta y de su altura (H). 

Modelo de regresión Variable n r2 Sig. Ecuación
Exponencial D 182 0.122 0.000 * RB=0.445e0.64D
DH 182 0.037 0.009 * RB=-0.894e0.001DH
D+H 182 0.067 0.000 * RB=0.506e0.028D+H
Exponencial con el
método de Marquardt
H 182 0.004 <0.0001 * RB=6.2293e-0.0178H
D 182 0.006 <0.0001 * RB=3.1317e0.0266D
D,H 182 0.8529 <0.0001 * RB=7.7889e0.0145D+0.0298H

Las ecuaciones se muestran únicamente para resultados significativos.

Discusión

La mayoría de las especies presentaron valores bajos de RSR. Solo Frankenia gypsophila (2.27) y Dalea gypsophila (1.95) tuvieron un RSR> 1. Estas dos son endémicas, presumiblemente muy bien adaptadas a las condiciones gipsofílicas locales del suelo. Sin embargo, dichos valores son, considerablemente, más bajos que los de Evans et al. (2013) para Sporobolus airoides (Torr.) Torr. de 5.5, lo que denota una proporción de producción de raíz mucho mayor. Dichos autores calcularon valores de RSR más altos en los pastos que en los arbustos del desierto, donde los últimos exhibieron números de RSR entre 0.25 y 0.50.

Las gramíneas tienden a acumular grandes cantidades de carbono por debajo de la tierra, lo que hace que las praderas sean un bioma atractivo para la captura de ese elemento (Sharrow e Ismail, 2004). Sin embargo, su baja acumulación es propia de las especies anuales, lo que representa una implicación negativa si invaden las praderas (Evans et al., 2013). Al respecto, los resultados del presente estudio coinciden con lo anterior, ya que Enneapogon desvauxii, pasto perenne, tuvo el valor más alto de RSR (0.99); mientras que, Aristida adscencionis, pasto anual, registró el RSR más bajo (0.03). Es decir que, con mayor frecuencia, las especies perennes tienden a reunir una mayor biomasa de raíces que las anuales, ya que permanecen más tiempo en el campo, aunque se debe considerar la fenología, el clima y las características de la planta. Por ejemplo, Snyman (2014), al estudiar dos especies de Opuntia, descubrió que la biomasa de la raíz disminuía con el estrés hídrico, aunque ocurría lo contrario con la longitud de la raíz.

Ocho especies mostraron significancia (P≤0.05) en al menos uno de los análisis, pero solo en cinco (Tiquilia canescens, Bouteloua gracilis, Machaerantera pinnatifida, Lesquerella fendleri y Atriplex acanthocarpa) fueron significativas y tuvieron un coeficiente de determinación aceptable (r2 ≥0.50). En A. acanthocarpa se estimó un r2 ajustado> 0.50 para un mayor número de variables (H, D y D + H) y tipos de análisis de regresión (lineal, exponencial, cuadrático y logarítmico).

El modelo más con un mayor valor de r2 para la mayoría de las especies fue el análisis de regresión polinomial cuadrático. El parámetro de la planta que mejor explicó la biomasa de la raíz fue el diámetro de la copa de la planta. Sin embargo, al usar el método de Marquardt, 14 de las 15 especies estudiadas evidenciaron un alto coeficiente de determinación (r2≥0.60) y significancia (P≤0.05).

El modelo exponencial de Marquardt, también fue adecuado para estimar la biomasa de raíces para todo el conjunto de plantas, en función de la variable D, H que dio como resultado un alto coeficiente de determinación (r2 = 0.853) y significancia (P≤0.05). La ecuación desarrollada con el modelo exponencial podría ser muy útil para fines pragmáticos (por ejemplo, estimación del secuestro de C bajo tierra), ya que permite la estimación de la biomasa de la raíz, sin tener que identificar las plantas a nivel de especie.

De manera similar, Gill et al. (2002) desarrollaron un algoritmo a partir de características ambientales y de la parte aérea de las plantas, para estimar la productividad primaria neta subterránea en pastizales; llegaron a formular una ecuación que predijo la biomasa subterránea con una confianza razonable (r2 = 0.54), aunque menor a la documentada en este trabajo (r2 = 0.853).

Parecería que la relación entre las variables del suelo y la biomasa de la raíz es más estrecha en especies de ecosistemas más templados. Además, Kuyah et al. (2012) analizaron la relación entre el DAP y la biomasa de la raíz de una mezcla de taxones arbóreos (Markhamia lutea, (Benth.) K. Schum., Mangifera indica L., Eucalyptus spp., Cupressus lusitanica Mill. y Acacia mearnsii De Wild), a lo largo de la cuenca del río Yala en Kenia occidental; identificaron que una relación lineal (r2 = 0.90) era mejor para describir la correlación para árboles más grandes (DAP> 40 cm) en comparación con una relación de función de potencia (r2 = 0.86). En ambos casos, los coeficientes de determinación fueron más altos que los aquí documentados para especies de pastizales.

En los bosques semiáridos de la Pampa Argentina, Risio et al. (2013) generaron un modelo para estimar la biomasa superior y subterránea de Prosopis caldenia Bukart., a partir del área basal (AB) y la altura total (h) como variables independientes, definieron que el siguiente modelo como el más adecuado para predecir la biomasa:

W= β*AB2+λ*h

Y calcularon una r2 ajustada = 0.70, el cual es un coeficiente de determinación inferior al registrado en la presente investigación.

Conclusiones

Los resultados del estudio aquí presentado destacan, hasta cierto punto, que las variables medibles de la planta se relacionan fuertemente con la biomasa de la raíz, lo que permite proponer varios modelos confiables para predecirla.

El método Marquardt del modelo exponencial es adecuado para estimar la biomasa de raíces de 15 especies de pastizales semiáridos del norte de México, tanto en forma individual como en su conjunto. Esto es una ventaja práctica del método, ya que permite la estimación de la biomasa de raíces de especies similares, sin la necesidad de identificar las plantas a nivel taxon.

Agradecimientos

Los autores expresan su agradecimiento a la Universidad Autónoma de Nuevo León por todo el apoyo logístico para llevar a cabo el presente estudio.

Referencias

Acharya, B. S., J. Rasmussen and J. Eriksen. 2012. Grassland carbon sequestration and emissions following cultivation in a mixed crop rotation. Agriculture, Ecosystems and Environment 153: 33-39. doi: 10.1016/j.agee.2012.03.001. [ Links ]

Adair, E. C., P. B. Reich, S. E. Hobbie and J. M. H. Knops. 2009. Interactive effects of time, CO2, N, and diversity on total below ground carbon allocation and ecosystem carbon storage in a grassland community. Ecosystems 12(6): 1037-1052. doi: 10.1007/s10021-009-9278-9. [ Links ]

Aguirre, A. 1994. Introducción al tratamiento de series de temporales. Aplicación a las ciencias de la salud. Ed. Díaz Santos. Madrid, España. 606 p. [ Links ]

Asner, G. P. 2011. Painting the world REDD addressing scientific barriers to monitoring emissions from tropical forests. Environmental Research Letters 6(2): 021002. doi: 10.1088/1748-9326/6/2/021002. [ Links ]

Asner, G. P., J. K. Clark, J. Mascaro, R. Vaudry, K. D. Chadwick, G. Vieilledent, M. Rasamoelina, A. Balaji, T. Kennedy-Bowdoin, L. Maatoug, M. S. Colgan and D. E. Knapp. 2012. Human and environmental controls over above ground carbon storage in Madagascar. Carbon Balance and Management 7: 2. doi: 10.1186/1750-0680-7-2. [ Links ]

Baillie, J. and B. Groombridge (comps and eds). 1996. 1996 IUCN Red List of Threatened Animals. IUCN, Gland, Switzerland and Cambridge, UK. https://portals.iucn.org/library/sites/library/files/documents/RL-1996-001.pdf (8 de enero de 2014). [ Links ]

D'atri, P. 2007. Pastizales del mundo. Novedades de Biodiversidad en América Latina Nº 160. IPS (Inter Press Service) e IFEJ (Federación Internacional de Periodistas Ambientales). Argentina. http://www.produccion-animal.com.ar/sustentabilidad/54-pastizales_del_mundo.pdf (20 de marzo de 2014). [ Links ]

Day, A. and K. Ludeke. 1993. Plant nutrients in desert environments. Springer-Verlag. Berlin, Germany. 117 p. [ Links ]

Eriksen, J., T. B. Mortensen and K. Søegaard. 2012. Root biomass and carbon storage in differently managed multispecies temporary grasslands. Grassland Science in Europe 17: 610-612. http://orgprints.org/22043/7/22043.pdf (4 de noviembre de 2015). [ Links ]

Estrada, E., L. Scott, J. A. Villarreal, E. Jurado, M. Cotera, C. Cantú y J. García. 2010. Clasificación de los pastizales halófilos del noreste de México asociados con perrito de las praderas (Cynomys mexicanus Merriam): diversidad y endemismo de especies. Revista Mexicana de Biodiversidad 81(2): 401-416. doi: http://dx.doi.org/10.7550/rmb.20439. [ Links ]

Evans, T. L., R. Mata, D. W. Martin, T. McLendon and J. S. Noller. 2013. Growth, water productivity, and biomass allocation of Great Basin plants as affected by summer watering. Ecohydroly 6(5): 713-721. doi: 10.1002/eco.1292. [ Links ]

Flombaum, P. and O. E. Sala. 2007. A non-destructive and rapid method to estimate biomass and above ground net primary production in arid environments. Journal of Arid Environments 69(2): 352-358. doi: 10.1016/j.jaridenv.2006.09.008. [ Links ]

Gibbon, A., M. R. Silman, Y. Malhi, J. B. Fisher, P. Meir, M. Zimmermann, G. C. Dargie, W. R. Farfan and K. C. Garcia. 2010. Ecosystem carbon storage across the grassland-forest transition in the high Andes of Manu National Park, Peru. Ecosystems 13(7): 1097-111. doi: 10.1007/s10021-010-9376-8. [ Links ]

Gill, R. A., R. H. Kelly, W. J. Parton, K. A. Day, R. B. Jackson, Morganv, J. M. O. Scurlock, L. L. Tieszen, J. V. Castle, D. S. Ojimaand and X. S. Zhang. 2002. Using simple environmental variables to estimate below-ground productivity in grasslands. Global Ecology and Biogeography 11: 79-86. doi: 10.1046/j.1466-822X.2001.00267.x. [ Links ]

Hernández-Gómez, M. Á., M. Pando-Moreno, R. Mata-González y J. Jiménez-Pérez. 2013. Captura de carbono en ecosistemas de pastizales semiáridos del Altiplano del norte de México. In: Paz P., F., J. W. González, M. Bazan y V. Saynes (eds.). Estado actual del conocimiento del ciclo del carbono y sus interacciones en México: síntesis a 2013. Programa Mexicano del Carbono A.C. Texcoco, Edo. de Méx., México. pp. 82-89. [ Links ]

Instituto Nacional de Estadística y Geografía (INEGI). 1981 Carta estatal. Climas escala 1:1000000. México, D. F., México. s/p. [ Links ]

Jackson, R. B., J. L. Banner, E. G. Jobbagy, W. T. Pockman and D. H. Wall. 2002. Ecosystem carbon loss with woody plant invasion of grasslands. Nature 418: 623-626. doi: 10.1038/nature00910. [ Links ]

Jansson, C., S. D. Wullschleger, U. C. Kalluri and G. A. Tuskan. 2010. Phytosequestration: carbon biosequestration by plants and the prospects of genetic engineering. BioScience 60 (9): 685-696. doi: https://doi.org/10.1525/bio.2010.60.9.6. [ Links ]

Jones, M. B. and A. Donnelly. 2004. Carbon sequestration in temperate grassland ecosystems and the influence of management, climate and elevated CO2. New Phytologist 164(3): 423-439. doi: 10.1111/j.1469-8137.2004.01201.x. [ Links ]

Kuyah, S., J. Dietz, C. Muthuri, R. Jamnadass, P. Mwangi, R. Coe and H. Neufeldt. 2012. Allometric equations for estimating biomass in agricultural landscapes: II. Below ground biomass. Agriculture, Ecosystems and Environment 158:225-234. doi: https://doi.org/10.1016/j.agee.2012.05.010. [ Links ]

Maniatis, D. and D. Mollicone. 2010. Options for sampling and stratification for national forest inventories to implement REDD+ under the UNFCCC. Carbon Balance and Management 5 (9): 1-14. doi: 10.1186/1750-0680-5-9. [ Links ]

Marquardt, D. W. 1963. An algorithm for least-squares estimation of nonlinear parameters. Journal of the Society of Industrial and Applied Mathematics 11(2): 431-441. doi: 10.1137/0111030. [ Links ]

Mata, R., R. E. Sosebee and C. Wan. 2002. Shoot and root biomass of desert grasses as affected by biosolids application. Journal of Arid Environments 50(3): 477-488. doi: 10.1006/jare.2001.0897. [ Links ]

Mata, R. and R. Meléndez. 2005. Growth characteristics of Mexican oregano (Lippia berlandieri Schauer) under salt stress. The Southwestern Naturalist 50(1): 1-6. doi: 10.1894/0038-4909(2005)050<0001:GCOMOL>2.0.CO;2. [ Links ]

Mata, R. , R. G. Hunter, C. L. Coldren, T. McLendon and M. W. Paschke. 2008. A comparison of modeled and measured impacts of resource manipulations for control of Bromus tectorum in sagebrush steppe. Journal of Arid Environments 72(5): 836-846. doi:10.1016/j.jaridenv.2007.10.007. [ Links ]

McClaran, M. P., C. R. McMurtry and S. R. Archer. 2013. A tool for estimating impacts of woody encroachment in arid grasslands: Allometric equations for biomass, carbon and nitrogen content in Prosopis velutina. Journal of Arid Environments 88: 39-42. doi: http://dx.doi.org/10.1016/j.jaridenv.2012.08.015. [ Links ]

Navar, J., E. Mendez, A. Najera, J. Graciano, V. Dale and B. Parresol. 2004. Biomass equations for shrubs species of Tamaulipan thorn scrub of North-eastern Mexico. Journal of Arid Environments 59(4): 657-74. doi: 10.1016/j.jaridenv.2004.02.010. [ Links ]

Rasmussen, J., J. Eriksen , E. S. Jensen and H. H. Jensen. 2010. Root size fractions of ryegrass and clover contribute differently to C and N inclusion in SOM. Biology and Fertility of Soils 46(3): 293-297. doi: 10.1007/s00374-009-0430-7 [ Links ]

Risio, L., C. Herrero, S. M. Bogino y F. Bravo. 2013. Estimación de biomasa aérea y subterránea en bosques nativos de Prosopis caldenia en la pampa semiárida Argentina. In: Memorias del 6° Congreso Forestal Español. Sociedad Española de Ciencias Forestales. Vitoria Gasteiz, España. pp. 2-14. [ Links ]

Saatchi, S., N. L. Harris, S. Brown, M. Lefsky, E. T. Mitchard, W. Salas, B. R. Zutta, W. Buermann, S. L. Lewis, S. Hagen, S. Petrova, L. White, M. Silman and A. Morel. 2011. Benchmark map of forest carbon stocks in tropical regions across three continents. Proceedings of the National Academy of Sciences of the United States of America 108(24): 9899-904. doi: 10.1073/pnas.1019576108. [ Links ]

Sainju, U. M., B. L.Allen, A. W. Lenssen and R. P. Ghimire. 2017. Root biomass, root/shoot ratio, and soil water content under perennial grasses with different nitrogen rates. Field Crops Research 210: 183-191. doi: 10.1016/j.fcr.2017.05.029. [ Links ]

Statistical Analysis System (SAS) 2004. SAS/STAT™. (9.2) User’s Guide. SAS Institute Inc. Cary, NC USA. s/p. [ Links ]

Scurlock, J. M. O., K. Johnson and R. J. Olson. 2002. Estimating net primary productivity from grassland biomass dynamics measurements. Global Change Biology 8(8): 736-53. doi: 10.1046/j.1365-2486.2002.00512.x. [ Links ]

Sharrow, S. H. and S. Ismail. 2004. Carbon and nitrogen storage in agroforests, tree plantations, and pastures in western Oregon, USA. Agroforestry Systems 60(2): 123-130. doi: 10.1023/B:AGFO.0000013267.87896.41. [ Links ]

Servicio Meteorológico Nacional (SMN). 2012. Información climatológica: normales climatológicas por estado. http://smn.cna.gob.mx/index.php?option=com_content&view=article&id=42&Itemid=28 (10 de julio de 2012). [ Links ]

Snyman, H. A. 2014. Growth rate and water-use efficiency of cactus pears Opuntia ficus-indica and O. robusta. Arid Land Research and Management 27(3): 337-348. doi: 10.1080/15324982.2013.771232. [ Links ]

Vinther, F. P. 2006. Effects of cutting frequency on plant production, N-uptake and N2 fixation in above- and below-ground plant biomass on ryegrass-white clover swards. Grass and Forage Science 61(2): 154-163. doi: 10.1111/j.1365-2494.2006.00519.x. [ Links ]

Wan, C., R. E. Sosebee and L. McMichaelb. 1993. Broom snakeweed responses to drought: II. Root growth, carbon allocation, and mortality. Journal of Range Management 46(4): 360-363. https://journals.uair.arizona.edu/index.php/jrm/article/viewFile/8853/8465 (20 de febrero de 2016). [ Links ]

Recibido: 08 de Marzo de 2018; Aprobado: 20 de Agosto de 2018

*Autor por correspondencia, correo-e: mpando55@hotmail.com

Conflicto de intereses

Los autores declaran no tener conflicto de intereses.

Contribución por autor

Miguel Á. Hernández Gómez: desarrollo de la investigación, trabajo de campo, captura y análisis de datos, redacción del manuscrito; Marisela Pando Moreno: desarrollo conceptual de la investigación, estructuración del manuscrito y edición final; Ricardo Mata González: apoyo en la interpretación de los resultados y la redacción de la discusión; Humberto González Rodríguez: apoyo en la interpretación de los resultados y la redacción de su discusión; Julio Chacón Hernández: análisis estadístico de datos; Maritza Gutiérrez: trabajo de campo, revisión del manuscrito y edición final.

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons