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).
Modelo | Variable | Expresión matemática |
---|---|---|
Lineal | Diámetro (D) |
|
Altura (H) |
|
|
Altura * Diámetro (H*D) |
|
|
Altura + Diámetro (H+D) |
|
|
Logarítmico | Diámetro (D) |
|
Altura (H) |
|
|
Altura * Diámetro (H*D) |
|
|
Altura + Diámetro (H+D) |
|
|
Exponencial | Diameter (D) |
|
Altura (H) |
|
|
Altura * Diámetro (H*D) |
|
|
Altura, Diámetro |
|
|
Altura + Diámetro (H+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).
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.
Especies | Variable | n | r2Aj | Sig. | Modelo de regresión | Ecuación |
---|---|---|---|---|---|---|
Atriplex acanthocarpa | H | 10 | 0.563 | 0.012 | Lineal |
|
Atriplex acanthocarpa | H | 10 | 0.562 | 0.013 | Exponencial |
|
Atriplex acanthocarpa | D | 10 | 0.832 | 0.000 | Lineal |
|
Atriplex acanthocarpa | D | 10 | 0.577 | 0.011 | Logarítmico |
|
Atriplex acanthocarpa | D | 10 | 0.838 | 0.002 | Cuadrático |
|
Atriplex acanthocarpa | D | 10 | 0.735 | 0.002 | Exponencial |
|
Atriplex acanthocarpa | D+H | 10 | 0.797 | 0.001 | Lineal |
|
Atriplex acanthocarpa | D+H | 10 | 0.740 | 0.001 | Logarítmico |
|
Atriplex acanthocarpa | D+H | 10 | 0.841 | 0.002 | Cuadrático |
|
Atriplex acanthocarpa | D+H | 10 | 0.598 | 0.009 | Exponencial |
|
Bouteloua gracilis | D | 10 | 0.620 | 0.007 | Lineal |
|
Bouteloua gracilis | D | 10 | 0.794 | 0.004 | Cuadrático |
|
Bouteloua gracilis | D | 10 | 0.573 | 0.011 | Exponencial |
|
Bouteloua gracilis | DH | 10 | 0.603 | 0.008 | Lineal |
|
Bouteloua gracilis | DH | 10 | 0.683 | 0.018 | Cuadrático |
|
Bouteloua gracilis | DH | 10 | 0.558 | 0.013 | Exponencial |
|
Lesquerella fendleri | D | 15 | 0.723 | 0.000 | Cuadrático |
|
Machaerantera pinnatifida | D | 10 | 0.514 | 0.020 | Exponencial |
|
Machaerantera pinnatifida | DH | 10 | 0.689 | 0.017 | Cuadrático |
|
Machaerantera pinnatifida | D+H | 10 | 0.672 | 0.020 | Cuadrático |
|
Tiquilia canescens | H | 8 | 0.730 | 0.038 | Cuadrático |
|
Tiquilia canescens | D | 8 | 0.512 | 0.046 | Lineal |
|
Zinnia acerosa | H | 18 | 0.509 | 0.005 | Cuadrático |
|
Zinnia acerosa | DH | 18 | 0.533 | 0.003 | Cuadrático |
|
Zinnia acerosa | D+H | 18 | 0.502 | 0.001 | Logarítmico |
|
Zinnia acerosa | D+H | 18 | 0.536 | 0.003 | Cuadrático |
|
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).
Especies | Variable | n | r2Aj | Sig. | Ecuación |
---|---|---|---|---|---|
Aristida havardii | D | 10 | 0.861 | 0.0004 |
|
H | 10 | 0.885 | 0.0002 |
|
|
H+D | 10 | 0.891 | 0.0009 |
|
|
H*D | 10 | 0.858 | 0.0004 |
|
|
Atriplex acanthocarpha | D | 10 | 0.661 | 0.0133 |
|
H | 10 | 0.847 | 0.0006 |
|
|
H+D | 10 | 0.937 | 0.0001 |
|
|
H*D | 10 | 0.931 | <0.0001 |
|
|
Bouteloua chasei | D | 10 | 0.864 | 0.0003 |
|
H | 10 | 0.858 | 0.0004 |
|
|
H+D | 10 | 0.862 | 0.0004 |
|
|
H*D | 10 | 0.862 | 0.002 |
|
|
Bouteloua gracilis | D | 10 | 0.938 | <0.0001 |
|
H | 10 | 0.816 | 0.0012 |
|
|
H+D | 10 | 0.940 | 0.0001 |
|
|
H*D | 10 | 0.917 | <0.0001 |
|
|
Dalea gipsofila | D | 12 | 0.743 | 0.0011 |
|
H | 12 | 0.751 | 0.001 |
|
|
H+D | 12 | 0.778 | 0.0027 |
|
|
H*D | 12 | 0.783 | 0.0005 |
|
|
Dasyochloa pulchella | D | 15 | 0.419 | 0.0292 |
|
H | 15 | 0.623 | 0.0018 |
|
|
H+D | 15 | 0.678 | 0.0028 |
|
|
H*D | 15 | 0.505 | 0.0103 |
|
|
Frankenia gipsofila | D | 15 | 0.612 | 0.0021 |
|
H | 15 | 0.605 | 0.0024 |
|
|
H+D | 15 | 0.615 | 0.0079 |
|
|
Lepidium virginicum | D | 13 | 0.585 | 0.0079 |
|
H | 13 | 0.612 | 0.0055 |
|
|
H+D | 13 | 0.621 | 0.0175 |
|
|
H*D | 13 | 0.588 | 0.0076 |
|
|
Lesquerella fendleri | D | 15 | 0.941 | <0.0001 |
|
H | 15 | 0.937 | <0.0001 |
|
|
H+D | 15 | 0.944 | <0.0001 |
|
|
H*D | 15 | 0.943 | <0.0001 |
|
|
Machaeranthera pinnatifida | D | 10 | 0.724 | 0.0058 |
|
H | 10 | 0.635 | 0.0177 |
|
|
H+D | 10 | 0.738 | 0.0192 |
|
|
H*D | 10 | 0.656 | 0.014 |
|
|
Muhlenbergia repens | D | 10 | 0.863 | 0.0004 |
|
H | 10 | 0.875 | 0.0002 |
|
|
H+D | 10 | 0.875 | 0.0015 |
|
|
Muhlenbergia villiflora | H | 13 | 0.031 | 0.0002 |
|
H+D | 13 | 0.805 | 0.0007 |
|
|
H*D | 13 | 0.804 | 0.0001 |
|
|
Tiquilia canescens | D | 8 | 0.951 | 0.0001 |
|
H | 8 | 0.917 | 0.0006 |
|
|
H+D | 8 | 0.952 | 0.001 |
|
|
H*D | 8 | 0.944 | 0.0002 |
|
|
Zinnia acerosa | D | 18 | 0.631 | 0.0003 |
|
H | 18 | 0.693 | <0.0001 |
|
|
H+D | 18 | 0.720 | 0.0002 |
|
|
H*D | 18 | 0.723 | <0.0001 |
|
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).
Modelo de regresión | Variable | n | r2 | Sig. | Ecuación |
---|---|---|---|---|---|
Exponencial | D | 182 | 0.122 | 0.000 * |
|
DH | 182 | 0.037 | 0.009 * |
|
|
D+H | 182 | 0.067 | 0.000 * |
|
|
Exponencial con el método de Marquardt |
H | 182 | 0.004 | <0.0001 * |
|
D | 182 | 0.006 | <0.0001 * |
|
|
D,H | 182 | 0.8529 | <0.0001 * |
|
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:
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.