Modelo para la predicción del rendimiento de grano en maíz.

Abstract

El crecimiento de la población mundial conlleva a la demanda de alimentos, y estos se deben obtener mediante el uso eficiente de los recursos. Los modelos de simulación son una herramienta con la que se puede visualizar escenarios y cuantificar los insumos a usar. En el presente trabajo, con datos de los rendimientos máximos de maíz (RG) de 1943 a 2017 obtenidos de experimentos de campo, se generó un modelo de regresión lineal múltiple para estimar el rendimiento del grano en maíz (RGE) y sirva de apoyo para la toma de decisiones del manejo del cultivo de maíz para grano. Las variables identificadas y cuantificadas fueron: densidad de población (DP), dosis de potasio (K), lámina de riego (LR), dosis de nitrógeno (N) y dosis de fósforo (P) y se usaron para generar el modelo con el método de regresión múltiple stepwise, y se expresó como: RGE=3.158205+0.693319 (DP)-0.022246(K)+ 0.005990(LR)+0.010687(N)+0.013794(P), tuvo un R2=0.73 y un error estándar de 0.964 Mg ha-1. La DP fue la variable que explicó en mayor proporción el valor del RGE, con el análisis de datos de RG se observó el incremento de la tasa de siembra a través del tiempo para lograr una mayor DP e incrementar el RG, lo cual generó la demanda de insumos, el modelo expresó que el RGE fue función de la DP, K, LR, N, y P. _______________ MODEL FOR PREDICTING CORN GRAIN YIELD. ABSTRACT: The human population growth demands for food, which has to be obtained with an efficient use of resources. Simulation models are tools, which it could be used to visualize scenarios and quantify inputs to use. In the present research, with data of trials in which the highest corn grain yields (RG) have been reached from 1943 to 2017, a multiple regression model was generated to estimate the corn grain yield (RGE) and it could help to make decisions. Identified and quantified factors were: plant population (DP), potassium rate (K), irrigation water (LR), nitrogen rate (N) and phosphorus rate (P), and these were used to generate the model with the stepwise method, and it was expressed as: RGE = 3.158205 + 0.693319 (DP) - 0.022246 (K) + 0.005990 (LR) + 0.010687 (N) + 0.013794 (P) and reached a R2=0.73 and a residual standard error of 0.964 Mg ha-1. DP was the most influenced variable to get RGE, with the analysis of the RG data base it was observed that seeding rates have been increasing to get higher DP and increase RG, this situation generated a demand for inputs, the multiple regression model expressed that RGE was the function of DP, K, LR, N, and P.