dominios de recomendación y representatividad de … · 4.1. preguntas de investigación ..... 13...
TRANSCRIPT
UNIVERSIDAD DE CALDAS
FACULTAD DE CIENCIAS AGROPECUARIAS
DOCTORADO EN CIENCIAS AGRARIAS
Proyecto de Tesis Doctoral
Dominios de Recomendación y representatividad de las Estaciones Experimentales de
Cenicafé
JUAN CARLOS GARCÍA LÓPEZ
Manizales, abril de 2011
1
TABLA DE CONTENIDO
1. INTRODUCCIÓN ........................................................................................................................... 4
2. ANTECEDENTES ...................................................................................................................... 5
2.1. DETERMINANTES DE LA PRODUCCIÓN .................................................................... 5
2.1.1. Agroecología para el cultivo del café en Colombia .................................................... 6
2.2. COMPONENTES DE LA VARIACIÓN FENOTÍPICA ................................................... 8
2.2.1. Genotipo ...................................................................................................................... 8
2.2.2. Ambiente ..................................................................................................................... 8
2.2.3. Fenotipo ....................................................................................................................... 9
2.2.4. Interacción Genotipo x Ambiente (IGA) ..................................................................... 9
2.2.5. Estabilidad y Adaptabilidad ...................................................................................... 10
2.2.6. Ambientes óptimos para pruebas de rendimiento ..................................................... 11
2.2.7. Estrés abiótico ........................................................................................................... 11
3. OBJETIVOS ............................................................................................................................. 12
3.1. Objetivo General ............................................................................................................... 12
3.2. Objetivos específicos......................................................................................................... 12
4. PREGUNTAS DE INVESTIGACIÓN E HIPÓTESIS ............................................................. 13
4.1. Preguntas de investigación ................................................................................................ 13
4.2. Hipótesis ............................................................................................................................ 13
5. MATERIALES ......................................................................................................................... 13
5.1. Bases con Información de investigaciones ........................................................................ 13
5.2. Información detallada de uso y manejo del suelo. ............................................................ 13
5.3. Información meteorológica ............................................................................................... 13
5.4. Bases de datos para modelación ........................................................................................ 13
5.4.1. Sistema de Información Cafetera SIC@® ................................................................ 13
5.4.2. Ecocrop...................................................................................................................... 14
5.4.3. MarkSim™ ................................................................................................................ 14
5.5. Herramientas de modelación ............................................................................................. 14
5.5.1. CaNaSTA (Crop Niche Selection For Tropical Agriculture) .................................... 14
5.5.2. Homologue™ ............................................................................................................ 15
5.6. Herramientas SIG (Sistema de Información Geográfica) ................................................. 15
2
5.6.1. DivaGis ..................................................................................................................... 15
5.6.2. ArcGis™ ................................................................................................................... 15
5.6.3. Geoestadística............................................................................................................ 15
5.7. Información del IGAC ...................................................................................................... 16
6. MÉTODOS ............................................................................................................................... 16
6.1. Fase I. Clasificación de ambientes .................................................................................... 16
6.1.1. Modelos que utilizan el ANAVA .............................................................................. 16
6.1.2. Métodos que utilizan la regresión ............................................................................. 17
6.1.3. Modelo combinado para evaluar interacción triple ................................................... 18
6.1.4. Resultados fase I ........................................................................................................ 19
6.2. Fase II. Elementos del ambiente que caracterizan las EE ................................................. 19
6.2.1. Análisis de componentes principales (ACP) ............................................................. 19
6.2.2. Efectos aditivos principales y análisis de la interacción multiplicativa (AMMI) ..... 20
6.2.3. Mínimos cuadrados parciales (PLS) .......................................................................... 20
6.2.4. Resultados Fase II ..................................................................................................... 20
6.3. Fase III. Dominios de recomendación ............................................................................... 21
6.3.1. Generación de mapas de factores ambientales .......................................................... 21
6.3.2. Análisis de atributos distribuidos espacialmente ....................................................... 22
6.3.3. Desarrollo metodológico ........................................................................................... 23
6.3.4. Metodología CaNaSTA ............................................................................................. 23
6.3.5. Resultados Fase III .................................................................................................... 24
6.4. Fase IV. Superficies de probabilidad ................................................................................ 24
6.4.1. Metodología Homologue ........................................................................................... 24
6.4.2. Resultados Fase IV .................................................................................................... 24
6.5. Fase V. Modelación para adaptabilidad ............................................................................ 24
6.5.1. Desarrollo metodológico adaptabilidad ..................................................................... 24
6.5.2. Metodología Ecocrop ................................................................................................ 25
6.5.3. Resultados Fase V ..................................................................................................... 25
7. RESULTADOS ESPERADOS ................................................................................................. 25
8. BENEFICIARIOS ..................................................................................................................... 25
9. PROYECCIONES ..................................................................................................................... 26
10. CRONOGRAMA DE ACTIVIDADES ................................................................................ 26
3
11. PRESUPUESTO ................................................................................................................... 27
12. BIBLIOGRAFÍA ................................................................................................................... 28
Anexo 1. Cuadro conceptual metodología de análisis ...................................................................... 32
4
1. INTRODUCCIÓN
La zona cafetera colombiana se localiza entre 1º y 11º de latitud Norte, y 72º a 78º de Longitud
Oeste; distribuida entre las tres cordilleras andinas (Occidental, Central y Oriental, además del
sistema montañoso de la Sierra nevada de Santa Marta) (Gómez et al., 1991). Las plantaciones se
ubican en un rango altitudinal entre 800 y 2.000 m.s.n.m.
El área cafetera sembrada es de 914.410 hectáreas (ha), distribuidas en 585 municipios, ubicados en
20 de los 33 departamentos; en esta área se registran 553.495 productores y más de 670.000 fincas1.
Los requerimientos de empleo directo se calcularon para 2005 en 624.760, discriminados en las
siguientes actividades: 3,9% para inversión; 65,2% para sostenimiento; 29,5% para recolección; y
1,4% para beneficio (Leibovich y Botello, 2005). La participación de los productos de café en el
PIB agrícola es del 8% y del 0,6% en el PIB nacional2
Colombia en el último año produjo 8,9 millones de sacos de café verde, lo que le representó una
participación en la producción mundial cercana al 6,6%3. En sus programas institucionales la FNC
se propone alcanzar metas de producción anual que superen los doce millones de sacos, con el fin
de elevar y afianzar la participación en el mercado de los suaves, a su vez en su estrategia de
mercado está basando su atención en la diferenciación del producto con iniciativas como la
denominación de origen.
Las diferencias en los factores geográficos determinan una alta diversidad en los elementos de
clima, especialmente por cantidad y distribución de lluvias, rango de temperatura día - noche,
temperatura media, humedad relativa, horas de brillo solar y meses secos durante algunos meses del
año, factores productivos que determinan un comportamiento diferencial en la mayoría de las
características de importancia agronómica en la planta de café.
Al nivel de suelos la zona cafetera colombiana presenta mayor desarrollo en aquellas áreas con
mayor precipitación, en zonas medias de las laderas; en general se observan suelos derivados de
materiales sedimentarios, ígneos y metamórficos y dentro de estos la ceniza volcánica ha jugado un
papel importante en la evolución. Los suelos óptimos para el cultivo del café son profundos,
francos, de estructura granular, de permeabilidad moderada, bien aireados y fertilidad media
(Gómez, et al., 1991).
Teniendo en cuenta las condiciones de clima, suelo y relieve la Federación Nacional de Cafeteros
(FNC) adelantó estudios de zonificación y uso potencial de los suelos, los resultados permitieron
definir 86 áreas agroecológicas, llamadas ECOTOPOS, las cuales fueron agrupadas en siete grandes
regiones. (Gómez et al., 1991)
Con el propósito de dar respuesta a las necesidades regionales de la caficultura, que de alguna
manera cubra las principales zonas cafeteras, la FNC ha desarrollado su estrategia en dos sentidos:
En sitios experimentales fijos, correspondientes a las Estaciones Experimentales (EE), las cuales
1 Fuente, FNC, SICA 2010,
(http://www.federaciondecafeteros.org/particulares/es/quienes_somos/119_estadisticas_historicas/, consultada marzo 20 de 2011) 2 Fuente DANE, PIB por rama de actividad, diciembre de 2009,
(http://www.dane.gov.co/daneweb_V09/index.php?option=com_content&view=article&id=128&Itemid=85 consultada marzo 21 de 2011) 3 Fuente, FNC, Cartas del Gerente, 2011 (http://mail1.cafedecolombia.com/productivo/aromaneti.nsf,
consultada marzo 21 de 2011)
5
sólo representan una parte de esta variación geográfica (tabla1), e incorporado el esquema de la
Investigación Participativa, buscando ampliar la representatividad y el dominio de recomendación
de los resultados de investigación.
Tabla 1. Información general de las Estaciones de Investigación de Cenicafé
ESTACIÓN MUNICIPIO DEPARTA-
MENTO
LATITUD
NORTE
LONGITUD
OESTE
ALTITUD
(m) ECOTOPO
EL ROSARIO Venecia Antioquia 05°58' 75°42' 1635 203A
EL TAMBO Tambo Cauca 02°24' 76°44' 1735 218A
LA CATALINA Pereira Risaralda 04°45' 75°44' 1321 209A
LÍBANO Líbano Tolima 04°54' 75°02' 1456 207B
NARANJAL Chinchiná Caldas 04°58' 75°39' 1381 206A
PARAGUAICITO Buenavista Quindío 04°24' 75°44' 1203 211A
PUEBLO BELLO Pueblo Bello Cesar 10°25' 73°34' 1134 402
SANTANDER Floridablanca Santander 07°06' 73°04' 1539 302A
No obstante las estrategias de zonificación y la búsqueda de ampliación de cobertura de
investigación, existe incertidumbre del alcance de aplicación de los resultados de investigación, así
mismo, dada la restricción de sitios de investigación es necesario determinar su alcance de
recomendación y trazar estrategias para priorizar la selección de ambientes estratégicos
representativos de la caficultura o definir nuevos conceptos para la investigación regional, donde se
tenga mayor competitividad por ejemplo en calidad.
2. ANTECEDENTES
2.1. DETERMINANTES DE LA PRODUCCIÓN
El alcance de los resultados de las investigaciones realizadas en café está determinado por un
sinnúmero de factores asociados a los aspectos ecofisiológicos y de manejo, en este sentido las
investigaciones se realizan en diferentes sitios, con diversidad de materiales genéticos, a los que
durante varios años se les evalúa su respuesta, explicada por la oferta ambiental y de suelo en cada
sitio.
Lambers et al., 1998, definen el potencial de producción de un cultivo con base en los factores que
afectan el crecimiento, el cual refleja las respuestas predictivas de la planta al ambiente, entre ellos
se destacan la radiación solar, los extremos de temperatura, la reducción en el potencial de agua, la
escasez de nitrógeno, la compactación y la inundación de los suelos y las elevadas concentraciones
de CO2 en la atmósfera.
6
De acuerdo con Grierson, 2001, la temperatura limita las áreas geográficas donde pueden crecer los
cultivos, pero no actúa sola, temperaturas extremas son asociadas con la disponibilidad de agua, la
prevalencia de fuertes vientos y la duración e intensidad del brillo solar.
En café, para las condiciones del trópico, las condiciones térmicas son muy uniformes durante todo
el año y su mayor fluctuación está asociada a la duración e intensidad de los períodos de
disminución de agua. Colombia desarrolla toda su estrategia de producción con la variedad de café
Coffea arabica, muchos de los estudios en torno a esta variedad han cubierto una amplia gama de
temas.
DaMatta et al., 2007, realizaron una detallada revisión de los determinantes climáticos, ambientales
y de crecimiento vegetativo y reproductivo; se destacan las siguientes citas:
La precipitación anual óptima fluctúa entre 1200 y 1800mm y la temperatura media entre
18 y 21oC. (Alègre, 1959), por encima o por debajo de estos se producen alteraciones en los
patrones de crecimiento y producción (Camargo, 1985); un factor que además afecta la
periodicidad de crecimiento corresponde a las fluctuaciones de la radiación solar (Alvim,
1964)
Los períodos secos (Haarer, 1958) y las primeras lluvias que le siguen a este (Barros, 1999)
determinan los patrones de floración; la carencia de estos, limita el cultivo en zonas de
regiones tropicales (Maestri y Barros, 1977)
El cuajamiento del fruto se afecta por factores ambientales como la lluvia intensa, por la
nutrición mineral, por caídas súbitas de temperatura, (DaMatta, 2007), por su parte las
mayores altitudes (temperaturas del aire más bajas) permiten una mejor expresión de
calidad de la bebida, (Vaast et al., 2006)
Un estudio para determinar las zonas con potencial agroecológico para el cultivo del café en Costa
Rica determinó que temperaturas por encima de 24oC y por debajo de 18
oC, influyen en el
crecimiento; se establecieron como límites del período de disponibilidad de agua entre 160 y 260
días, por encima de este último la floración se dispersa (Rojas, 1989)
La zona óptima de producción de café en Cuba se caracteriza por precipitaciones anuales con
medias entre 1800 y 2000mm, temperatura media entre 18 y 24oC y suelos muy profundos
(>100cm); las medianamente óptimas en las cuales el intervalo de precipitación se ubica entre 1500
y 1800mm, la temperatura es igual que el anterior y se incluyen suelos profundos (61-100cm); para
la zona aceptable el límite inferior de precipitación anual es de 1200mm, se incluyen suelos
medianamente profundos (41-60cm); una cuarta zona catalogada como no apta presenta extremos
de precipitación (<1200, >2200mm) (Soto et al., 2002).
En la evaluación de los aspectos que influyen en la aptitud agroecológica en un sistema de café
asociado con palma en México, Pérez y Geissert, 2006, encontraron una alta relación entre los
elementos de clima, los cuales explicaron el 70% de la distribución de este sistema en el área de
estudio, mientras las características del suelo sólo explicaron el 45%; las variables ambientales que
tuvieron mayor peso en esta respuesta fueron la temperatura (mínima y máxima) y el déficit hídrico.
2.1.1. Agroecología para el cultivo del café en Colombia
De acuerdo con Jaramillo, 2005, en Colombia la temperatura óptima se encuentra entre 18oC y
22oC; por debajo o por encima se disminuye la producción debido principalmente a los trastornos
7
florales. En cuanto a las necesidades de agua esta se calcula en 125 mm/mes, no obstante, la
deficiencia hídrica anual de innumerables regiones cafeteras mundiales, muestra que valores
inferiores a 150 mm, viabilizan al cultivo y superiores a éste, con límite de 200 mm, lo marginan o
deberá recurrirse a riego. Los períodos de deficiencia hídrica seguidos por lluvias inducen la antesis,
la cual será mayor en la medida que el período de déficit sea más acentuado y prolongado. El
fotoperíodo en café no es limitante, ya que durante todo el año el número de horas de brillo solar no
superan las 13,5, que se establecen como límite.
La zona de convergencia intertropical repercute en Colombia para que existan dos épocas secas y
dos húmedas (Trojer, 1968, Gómez et al., 1991 y Jaramillo, 2005), las cuales determinan dos
épocas de cosecha de café, con variaciones en los extremos norte y sur, en los cuales la distribución
monomodal de las lluvias hace que se concentre la cosecha (Trojer, 1968, Gómez et al., 1991 y
Jaramillo, 2005, Arcila, 2007). La intensidad relativa de la estación seca (uno a dos meses),
repercute en el ciclo de producción que presenta una variabilidad entre 215 y 240 días a 5º y 11° de
latitud norte respectivamente (Trojer, 1968). Una relación entre los aspectos meteorológicos y
fenológicos muestra: En el período de formación de botones y crecimiento de ramas (dos meses
antes de la florescencia), el predominio de verano, alta radiación, mayor amplitud térmica; baja
humedad relativa, buen desarrollo de los vientos y precipitaciones de poca intensidad; En el
período de florescencia las temperaturas mínimas nocturnas son muy altas; aumentan la humedad
relativa, la nubosidad y la lluvia. En la etapa de formación del fruto se recrudece la lluvia, se
aumenta la nubosidad, se reduce la radiación, se presentan oscilaciones de temperatura y humedad
relativa y lluvias fuertes de alta duración. La maduración del fruto coincide con el período de
transición invierno-verano (Trojer, 1959).
Montoya et al., 2009 han desarrollado un modelo para simular la producción potencial del cultivo
de café en Colombia, plantean tres condiciones de los factores más importantes: los reductores
(arvenses, plagas, enfermedades), los limitantes (agua, nutrientes) y los determinantes (climáticos,
fisiológicos, genéticos, CO2). Sobre esta base se definen niveles o situaciones de producción para
estudiar los efectos de los factores determinantes y limitativos, como los de superposición con los
factores que reducen los rendimientos. Los autores utilizaron la metodología de Wit et al., 1982
para el nivel de producción 1, al que corresponde la producción potencial, en el cual el cultivo tiene
los recursos suficientes y en la cantidad adecuada; encontraron que la tasa de crecimiento está
determinada principalmente por la radiación solar absorbida.
Para potenciar las respuestas del cultivo de café es necesario conocer los factores (atrás
mencionados por Montoya et al., 2009) que influyen en alcanzarlo, dado que cada región es
particular en sus condiciones edafoclimáticas, las cuales determinan un comportamiento específico
de la planta y por ende de su potencial de producción, asociado a su forma de administración
(Arcila, 2007).
Teniendo en cuenta que un caficultor puede, en su proceso de administración, controlar aquellos
factores reductores y limitantes para lograr una producción "alcanzable", es necesario que las
condiciones climáticas de su entorno le permitan lograrlo, ya que estas difícilmente puede
modificarlas.
De los factores ambientales, la disponibilidad de energía y agua juegan un papel importante en la
producción; en una localidad y una época del año determinada, la cantidad de radiación que llega a
la superficie sufre modificaciones de acuerdo con la nubosidad, la latitud, la altitud y la orientación
de las laderas. Por su parte, la temperatura juega un papel importante en el crecimiento del café, sus
extremos (13oC, inferior; 32
oC, superior) anulan el proceso de crecimiento y producción (Arcila,
2007).
8
Dentro de las condiciones físicas del suelo y su relación con la disponibilidad hídrica, Arcila, 2007,
destaca a la textura porque juega un papel importante en la retención de humedad, en el drenaje y en
el crecimiento de las raíces. En cuanto a las condiciones químicas el autor resalta la materia
orgánica como indicador de la productividad del suelo, asociado a su proceso de descomposición;
destaca al pH por su influencia en el desarrollo del cultivo, su rango de adaptación se encuentra
entre 5,0 y 6,0.
Otra forma de reflejar la importancia de los factores ecofisiológicos, es su relación con la calidad,
Bertrand et al., 2008, compararon la efectividad de tres familias de químicos, entre ellos los ácidos
grasos y clorogénicos, y encontró que ofrecieron los mejores resultados para la discriminación de
variedades y ambientes. A partir de este trabajo Villarreal et al., 2009, encontraron que las tres
variables de temperatura ambiental (mínima, media y máxima) durante el desarrollo de las cerezas
de café, tuvieron una influencia sobre la composición de ácidos grasos, principalmente los ácidos
linoleico y linolénico.
En estudios realizados por Laderach et al., 2006b, al evaluar los factores que más influyen en la
calidad del café, encontraron que altitudes entre 1800 y 2000 msnm y temperaturas promedias
anuales entre 16 y 18oC, tienen efectos favorables, aunque definen que, factores como la altitud y la
exposición de la ladera juegan un papel importante.
2.2. COMPONENTES DE LA VARIACIÓN FENOTÍPICA
En sistemas de producción intervienen las condiciones del ambiente (clima y suelo) y el cultivo, en
el cual, el hombre tiene la capacidad de modificar el entorno con prácticas de manejo agronómico,
lo cual determina la expresión del potencial genético del cultivo. Es función de un mejorador la
búsqueda permanente de genotipos de excelentes condiciones de adaptabilidad y estabilidad, sin
embargo, cada vez encuentra un reto mayor, dado el efecto de la interacción con el ambiente, ante el
cual el profesional determina las mejores estrategias. En café, como cultivo perenne, el objetivo es
proponer metodologías que aseguren un proceso idóneo de suministro de nuevos materiales que
reúnan las ventajas de adaptación general o específica, con la garantía de productividad, calidad y
resistencia a pestes entre otras.
2.2.1. Genotipo
La heredabilidad puede ser definida como la transmisión de los caracteres o características desde
los padres hacia los hijos a través de los genes. El genotipo se refiere a un compuesto genético
individual un gene o genes, que son transmitidos de padres a hijos. (Yang y Kang, 2003), determina
el potencial para el desarrollo de cada individuo (Allard, 1960)
El genotipo corresponde generalmente a un cultivar, genéticamente homogéneo, por ejemplo una
línea pura; o heterogéneo, por ejemplo una población de polinización abierta, en lugar de su
composición genética de un individuo (Grando y Ceccarelli, 2009).
2.2.2. Ambiente
Ambiente es la suma de todas las condiciones externas que afectan el crecimiento y desarrollo de un
individuo (Allard, 1960; Yang y Kang, 2003). El ambiente agrupa el conjunto de clima, suelo,
aspectos bióticos y condiciones de administración del cultivo en una determinada localidad-año
(anuales) o combinación de ciclos cultivo-sitio (perennes) (Romagosa y Fox, 1993). El grupo de
ambientes relacionados con año-localidad se les denomina macroambientes, constituidos a su vez
9
por microambientes, este último relacionado con los factores que afectan a la planta propiamente
(Vega, 1988).
2.2.3. Fenotipo
El fenotipo se refiere a la apariencia física y o de un carácter individual perceptible, el cual es
dependiente de la expresión de un genotipo en el ambiente (Yang y Kang, 2003). Son las
expresiones de características individuales de un genotipo, que son modificadas por el ambiente,
llamada plasticidad (Bradshaw, 1965).
2.2.4. Interacción Genotipo x Ambiente (IGA)
La IGA es la expresión genotípica diferencial a través de ambientes, ella existe cuando no se puede
asociar una desviación producida por un ambiente específico a una variable dada, sin tener en
cuenta al genotipo sobre el que ella actúa, (Romagosa y Fox, 1993).
Los efectos genotípicos resultan de una sucesión de reacciones bioquímicas, iniciadas por genes
específicos, a través de una cadena de eventos controladas por otros genes y por el ambiente externo
hasta determinar el fenotipo final. (Allard, 1960).
Diferencias en la tasa de aumento de la respuesta genotípica a un nivel sub-óptimo refleja
diferencias en la eficiencia y las diferencias en las tasas de rendimiento de la respuesta genotípica a
un nivel super-óptimo refleja diferencias en tolerancia. (Baker, 1988b, citado por Yan y Kang,
2003).
2.2.4.1. Cómo medir la IGA
En general un genotipo puede ser expresado como sigue, si la interacción entre genotipo y ambiente
no es importante o es ignorada: F=G+A (Yan y Kang, 2003)
La interacción genotipo x ambiente, se dice que ocurre cuando cultivares diferentes o genotipos
responden de manera diferente a diversos ambientes (Baker, 1988). La IGA es importante sólo
cuando causa cambios significantes en clasificación de genotipos en diferentes ambientes (Baker
1988; Yan y Kang, 2003), las interacciones cualitativas complican la selección e identificación de
los mejores genotipos, cuando no se cruzan, no es posible la recomendación para ambientes
específicos (Baker, 1988).
Para que la IGA sea detectada vía procedimientos estadísticos, debe haber al menos dos genotipos
diferentes o cultivares evaluados en al menos dos ambientes diferentes. El modelo básico que
incluya la IGA es: F=G+A+GA (Yan y Kang, 2003)
El estudio de la IGA es un elemento fundamental en aspectos como (González, 2001):
Evaluación de adaptación amplia o específica.
Elección de localidades para llevar a cabo procesos de selección.
Selección en generaciones tempranas, cuando se realiza en ambientes con estrés y sin
estrés.
Eliminación de un amplio número de genotipos entre los testigos de muchos ambientes.
10
2.2.5. Estabilidad y Adaptabilidad
Se puede hablar de adaptación en el contexto de la variación espacial de la expresión de un genotipo
y de estabilidad para la variación en un lugar dado, a través de los años o bajo distintas prácticas de
cultivo, en ambos casos puede referirse a las dos dimensiones de manera conjunta, por ser
expresiones del mismo fenómeno (Romagosa y Fox, 1993).
La estabilidad puede ser debida a la presencia de genes de adaptación. La resistencia a una
enfermedad que afecta el rendimiento, puede ser considerada un gen de adaptación; si existe un
ataque de dicha enfermedad en un ambiente dado, el genotipo resistente tendrá un mayor
rendimiento que el genotipo susceptible (González, 2001).
2.2.5.1. Estabilidad
La estabilidad según Laing, 1978 citado por Damba, 2008, es la respuesta relativa de un genotipo a
las variaciones del ambiente en una localidad específica, puede ser espacial si la variación es entre
repeticiones en una misma localidad, o temporal si la variación es entre una estación de cultivo a
otra.
Otros autores definen la estabilidad en dos sentidos (Becker, 1981 y Romagosa y Fox 1993): El
primero, en el cual un mismo genotipo mantiene un rendimiento constante en diferentes ambientes,
denominada estabilidad biológica; el segundo, en el que un genotipo rinde de manera relativa de
acuerdo con el potencial de los ambientes evaluados, denominado estabilidad agronómica.
Posteriormente otro concepto importante desarrollado por Yan y Kang, 2003, consideran
homólogamente la estabilidad estática y dinámica, para estabilidad biológica y agronómica
respectivamente..
2.2.5.2. Adaptabilidad
En sentido general la adaptación es el estado de adecuación a un ambiente dado.
La adaptabilidad de un genotipo o una población de genotipos, es la propiedad o habilidad que
permite la alteración de las normas de adaptación en respuesta a distintas presiones de selección
(Simmonds, 1979, citados por Damba, 2008). Se diferencian: Adaptación específica de un genotipo
o de una población, que es su adaptación a un ambiente limitado y; adaptación general de un
genotipo o de una población, como la capacidad de adaptarse a una variedad de ambientes
(Simmonds, 1979 y Laing, 1978, citados por Damba, 2008 y Becker 1981, Citado por Romagosa y
Fox 1993).
2.2.5.3. Adaptación ecogeográfica de las variedades
En un análisis de varianza, donde se incluyen los mismos genotipos en una diversidad de ambientes
por diferentes años el término GxA se puede dividir en los componentes de interacción de genotipo
x localidad (GxL), genotipo x año (GxY) y genotipo x localidad x año (GxLxY). Si la interacción
GxL es la componente dominante, entonces la adaptación específica puede explotarse
subdividiendo las zonas de producción en regiones homogéneas que minimicen la interacción GxA
dentro de las regiones. Cuando las interacciones GxY y GxLxY dominan el estudio de la
interacción GxA no se puede simplificar en una subdivisión espacial de regiones. Es importante que
11
los ensayos cubran un rango representativo de condiciones ambientales (variación espacial y
temporal) para determinar las respuestas genotípicas. (Romagosa y Fox 1993)
Para eliminar el problema de muestras asociadas con variación inter-anual, deberían realizarse
ensayos repetidos durante varios ciclos de cultivo. Sin embargo para ahorrar tiempo, los
mejoradores optan por sustituir variación temporal por variación espacial (Romagosa y Fox, 1993),
asumiendo que la realización de ensayos adicionales en un amplio rango geográfico asegura un
grado paralelo de amortiguación temporal en su germoplasma, (Fox et al., 1981, citados por
Romagosa y Fox, 1993).
En sistemas agrícolas de subsistencia, los rendimientos máximos per se pueden no ser tan
importantes como la prioridad de alcanzar un cierto nivel de rendimiento mínimo. Esto involucra un
compromiso entre estabilidad homeostática y agronómica, esto es entre respuestas de rendimiento y
variación limitada de rendimiento a través de ambientes (Romagosa y Fox 1993).
Un mejorador definiría a largo plazo el ambiente objetivo, usando rendimientos relativos ordenados
de una combinación de genotipos de referencia sembrados por varios años. Es necesario sembrar los
genotipos de referencia en cada prueba de selección, de manera que pueda determinarse la
proximidad de la combinación específica localidad-año a largo plazo en términos de la interacción
G*A (Romagosa y Fox, 1993)
2.2.5.4. Origen genético de la estabilidad
Una mayor estabilidad está asociada a mezclas genéticas heterogéneas más que a poblaciones
homogéneas, de lo anterior se considera que a mayor variabilidad genética de una especie, mayor
estabilidad sobre el ambiente (Eberhart y Russell, 1966; Allard y Bradshaw, 1985), lo que algunos
autores definen como amortiguamiento poblacional, en contraposición del amotiguamiento
individual (Allard y Bradshaw, 1985).
2.2.6. Ambientes óptimos para pruebas de rendimiento
Son los ambientes favorables o con estrés los que no cubren la diferencia real entre genotipos?
Gotoh y Osani, 1959, citados por Allen et al., 1978, encontraron IGA significativa en el caso de
líneas de avena seleccionadas en ambientes con estrés y no significativa en condiciones sin estrés.
Las evidencias de los estudios con la teoría de Comstock and Moll citados por Allen et al., 1978,
sugieren que la heradibilidad o ganancia genética, estimada de datos de macroambientes únicos,
pueden resultar deficientes como criterio para ambientes en los cuales la selección sería efectiva.
Las hipótesis de que la capacidad hereditaria es superior en buenas condiciones y que existe un
efecto de arrastre de alto rendimiento potencial, no son compatibles con la evidencia experimental.
Si el ambiente de destino está por debajo del punto de cruce, la selección ha de llevarse a cabo para
la adaptación específica para ese entorno. El concepto de amplia adaptación tiene más un
significado geográfico que ambiental, reduce la diversidad genética y aumenta la vulnerabilidad
genética (Ceccarelli, 1994).
2.2.7. Estrés abiótico
Estreses abióticos son las consecuencias de los extremos del entorno físico que comprende los
cambios climáticos y condiciones de suelo o el agua. Las plantas pueden experimentarlo como
resultado de la escasez de un recurso esencial, o de un exceso tóxico de una sustancia o de extremos
climáticos. En algunos casos el mismo recurso puede imponer estrés tanto en escasez como en
12
exceso (Grando y Ceccarelli, 2009). Las zonas con una alta probabilidad de estrés abióticos
generalmente tienen agricultura de bajos insumos, porque el riesgo de perder el cultivo o de un bajo
rendimiento desalienta a los agricultores a utilizar insumos costosos, especialmente de fertilizantes
(Cooper et al., 1987, citados por Grando y Ceccarelli, 2009).
2.2.7.1. Respuesta de genotipos a ambientes con estrés abióticos
La acumulación de tolerancias a un número de estreses es la clave para adaptación amplia y
consecuentemente, la selección en diferentes ambientes, es la mejor vía para seleccionar genotipos
estables (Romagosa y Fox 1993). La principal conclusión de revisiones y estudios realizados por
Grando y Ceccarelli, 2009, es que el mejoramiento para ambientes de estrés es posible, esto puede
lograrse aprovechando las ventajas de la variabilidad temporal de los ambientes, que permite la
exposición de los mismos cultivares a las combinaciones variables de tensiones en un período corto.
Se plantea la situación de si los programas de mejoramiento de cultivos basados en selección bajo
altos insumos, posibilita la generación del tipo correcto de germoplasma para una agricultura
sostenible (Ceccarelli et al., 1992). El mérito de cualquier estrategia depende de la gama de
ambientes evaluados y de la definición del “ambiente de estrés”, lo cual define la selección directa
en este tipo de ambiente, cuando su expresión de rendimiento potencial es mucho menor
(Ceccarelli, 1989).
En el marco de los dos grandes temas atrás revisados se pretende abordar la problemática del
alcance de los resultados de investigación, teniendo como elementos clave:
Información generada en muchos experimentos de Cenicafé, que de manera espacial (siete
EE) y temporal (15 años) recojan una gran variación.
Variables ambientales de suelo y clima de interés
Herramientas de análisis y modelación.
Se espera, a través de un desarrollo metodológico, determinar las principales variables que inciden
en las expresiones fenotípicas de los materiales en cada ambiente, que permita dimensionar tanto el
alcance de las recomendaciones, como la capacidad que tienen las EE de diferenciar esas
respuestas.
3. OBJETIVOS
3.1. Objetivo General
El trabajo propuesto pretende determinar la representatividad que tienen las EE con relación a sus
áreas de influencia y establecer los dominios de recomendación (DR) que permitan definir nuevas
estrategias de investigación para la caficultura colombiana.
3.2. Objetivos específicos
3.2.1. Establecer la capacidad de cada EE para diferenciación de respuestas
fenotípicas.
3.2.2. Determinar las condiciones climáticas y de suelo que definen las respuestas
diferenciales de las EE.
3.2.3. Definir el potencial de adaptabilidad actual y futuro del DR.
13
4. PREGUNTAS DE INVESTIGACIÓN E HIPÓTESIS
4.1. Preguntas de investigación
Las principales preguntas de investigación son:
4.1.1. Cuáles elementos asociados al ambiente geográfico (clima, suelo)
caracterizan las EE?
4.1.2. Qué área de representación tiene cada EE?
4.1.3. Cuál es el poder de discriminación de las EE?
4.1.4. Cómo está representada la geografía cafetera por las EE?
4.2. Hipótesis
Se plantean las siguientes hipótesis:
4.2.1. Los elementos de clima y de suelo de las EE son similares.
4.2.2. Las EE tienen igual poder de discriminación en variables agronómicas.
4.2.3. Al menos dos EE tienen una representatividad, en área, por encima del
80% respecto del área cafetera de su departamento.
4.2.4. El DR de las EE sigue principalmente el patrón de ecotopos cafeteros.
5. MATERIALES
Para el desarrollo de la investigación se tendrá como base:
5.1. Bases con Información de investigaciones
Obtenidas de resultados de las investigaciones, especialmente las de la disciplina de Mejoramiento
Genético (MEG), realizadas entre 1994 y 2010 en las ocho EE (tabla 1), que recogen en muchos de
sus experimentos la dinámica de la variación espacial y temporal.
5.2. Información detallada de uso y manejo del suelo.
Obtenida de los estudios de los ecotopos cafeteros y de la realizada puntualmente en cada EE.
5.3. Información meteorológica
Obtenida de la red climática de la FNC (Disciplina de Agroclimatología de Cenicafé) y de modelos
climáticos a partir de la base del WorldClim.
5.4. Bases de datos para modelación
5.4.1. Sistema de Información Cafetera SIC@®
EL SIC@® forma parte de la infraestructura de datos de la Federación Nacional de Cafeteros y es
la principal fuente de información estratégica para el diseño, formulación, trazado y seguimiento de
políticas de competitividad y sostenibilidad de la caficultura colombiana.
Este sistema suministra toda la información para los diferentes programas que adelanta la FNC, es
un sistema de información dinámico, en el cual se actualiza de manera permanente la información
relacionada con los caficultores y las fincas cafeteras del país. El sistema brinda la posibilidad de
acceder - a través de la tecnología WEB - a una base de datos única, georreferenciada, de cobertura
nacional. Esta base de datos posee información espacial y alfanumérica que reposa en un gran
14
servidor ubicado en las oficinas de Tecnología de Información - Oficina Central, en Bogotá. Por
medio del software ArcGis Server, se ejecuta el proceso de actualización de la información,
mediante el cual las novedades quedan reemplazadas automáticamente. (FNC, 2008)
5.4.2. Ecocrop
La base de datos inicio su desarrollo desde 1992 y fue desarrollada por la FAO como herramienta
para identificar los ambientes y usos de varias especies de plantas, como un sistema de información
que contribuyera al ordenamiento territorial.
Después de realizadas varias versiones, en las que se han incorporado más de 2000 especies y más
de 20 descriptores, éstas podrán coincidir con las condiciones de suelo y clima del usuario. Puede
utilizarse en todos los ámbitos agroalimentarios y ecológicos del mundo; hoy en día Ecocrop cuenta
con su página en línea URL www. ecocrop.fao.org (FAO, 2011).
5.4.3. MarkSim™
MarkSim funciona con un conjunto de superficies de clima interpolados para ajustar al modelo de
Markov los datos del clima estimado. Utiliza un tercer orden del modelo con un remuestreo
estocástico especial de los parámetros del modelo para simular variaciones reales de temperatura y
precipitación para cualquier lugar del trópico. Un conjunto de coberturas de fondo ayudan a
encontrar el lugar que se está buscando. Una herramienta útil de visualización del clima permite
seleccionar el clima exacto que se desea simular (http://gisweb.ciat.cgiar.org/marksim). La
estimación del parámetro de modelo es la primera parte. Esto produce un archivo intermedio
conocido como un archivo *.clx que contiene los parámetros del modelo. El archivo *.clx se utiliza
como entrada para la segunda fase donde se producen los datos diarios simulados. El sistema ofrece
una variedad de formas de entrada como una opción para seleccionar un punto del mapa. La salida
se presenta en dos formas estándar, el formato de calendario de MarkSim y el formato de entrada de
modelo DSSAT. (Jones, et al., 2002)
5.5. Herramientas de modelación
5.5.1. CaNaSTA (Crop Niche Selection For Tropical Agriculture)
Es particularmente útil para el análisis de cultivos que han recibido poca atención de los organismos
de investigación y, en consecuencia, poco se sabe sobre su respuesta a las variables ambientales y
de manejo; también en cultivos de tardío crecimiento, con frecuencia, con poca información
disponible en prácticas de manejo a largo plazo; y donde pocos datos de prueba pueden estar
disponibles y gran parte de la experiencia y el conocimiento de las variables que influyen en la
respuesta del cultivo están en la mente de los expertos y los agricultores. El algoritmo central es
probabilidad bayesiana modelada, con la salida de distribuciones de probabilidad de respuesta,
asignada en un área de interés. El modelado de probabilidad bayesiana fue elegido como adecuado
para la calibración de pequeños conjuntos de datos con datos de respuesta ordinal. Este enfoque no
sólo satisface la necesidad de respuestas ordinales, sino que también permite incorporar el
conocimiento del experto como insumo para complementar los datos de los ensayos. Medidas de
incertidumbre y sensibilidad se proporcionan y se pueden visualizar y ser interpretadas por el
usuario. Además, se proporcionan herramientas para analizar los factores de conducción; factores
de conducción son las variables del ambiente que impulsan la idoneidad (Whitsed et al., 2010)
15
5.5.2. Homologue™
Homologue ha sido desarrollado para responder a la complejidad de una simple pregunta, qué
partes en el mundo son como mi parcela?. Utiliza el algoritmo básico de FloraMap, generalizado
para adaptarse a un rango de especies genéricas designadas por el usuario. Incorpora cálculos de
probabilidad estadística para la asignación de las características del suelo. Ayuda a calcular la
probabilidad de encontrar ambientes similares a través del mundo tropical con una resolución
espacial de 10 minutos de arco (aproximadamente 18 km2), construye una superficie de
probabilidad por cada localidad de ensayo (Jones et al., 2005). Homologue construye internamente
un diagrama climático para cada pixel en el que se encuentra localizado cada sitio de ensayo,
usando los valores de 36 superficies climáticas y los compara con diagramas climáticos de los
pixeles a nivel mundial. (Jones y Gladkov, 1999). Finalmente calcula la probabilidad de encontrar
condiciones similares a las del pixel de ensayo y devuelve una superficie de probabilidad, la cual
puede ser combinada con características de suelo. El usuario tiene la alternativa de escoger entre
siete variables y definir los rangos en cada una de ellas.
Está diseñado como una herramienta de "Qué pasaría si?", Actualmente se encuentra un aplicativo
en línea de esta herramienta, en la dirección http://gismap.ciat.cgiar.org/AfricaTS/, desarrollado
para África Central.
5.6. Herramientas SIG (Sistema de Información Geográfica)
5.6.1. DivaGis
Es un programa compatible con otros programas SIG, de uso libre, simple pero versátil,
especialmente útil para estudiar la distribución de la biodiversidad. Sirve para mejorar los datos,
sobre todo cuando son imprecisos, facilita la organización y transformación de los datos en formas
para análisis espacial. DIVA-GIS puede ser utilizado para mapear las ubicaciones en donde se
colectaron muestras, o se realizaron otras observaciones, también para analizar datos de distribución
de puntos y producir mapas que puedan ser empleados para desarrollar planes y estrategias para
actividades futuras de colección y conservación (Hijmans, et al., 2004).
5.6.2. ArcGis™
ArcGIS™ utiliza modelos inteligentes de datos de Sistemas de Información Geográfica (GIS por su
sigla en inglés) para representar la geografía y proporciona todas las herramientas necesarias para
crear y trabajar con los datos geográficos. Incluye herramientas para todas las tareas de GIS: edición
y automatización de datos, asignación de tareas basadas en mapas, administración de datos, análisis
geográfico, gestión de metadatos y la implementación de datos y aplicaciones en Internet. ArcGIS
tiene un modelo de alto nivel de datos geográficos para representar información espacial como
características, raster y otros tipos de datos espaciales. ArcGIS soporta una implementación del
modelo de datos para sistemas de archivos y DBMS (Sistema administrador de bases de datos). Los
modelos basados en archivos incluyen set de datos GIS, tales como las coberturas, archivos de
formas, cuadrículas, redes de imágenes trianguladas irregulares (TINs, por su sigla en inglés) (ESRI
™, 2002).
5.6.3. Geoestadística
La geoestadística se basa en la teoría de las variables regionalizadas y el concepto de la función
aleatoria, donde se considera cada observación como el resultado de un proceso aleatorio en ese
punto. Se define como la aplicación de la teoría de funciones aleatorias al estudio de las variables
numéricas en el espacio. La variable regionalizada toma en cuenta las diferencias entre pares de
16
valores de una propiedad en lugares separados por alguna distancia y los expresa como sus
varianzas; considera también la dirección. (Webster, 1985). Esta teoría de las variables
regionalizadas incluye las características estructuradas y aleatorias de las variables distribuidas
espacialmente para proporcionar herramientas cuantitativas para su descripción y estimación
imparcial óptima (Trangmar et al., 1986). La georeferenciación puede estar en coordenadas planas
o geográficas, en otros casos, por ejemplo en diseños experimentales con parcelas, es suficiente con
hacer asignaciones según planos cartesianos (Giraldo, 2002).
5.7. Información del IGAC
Información actualizada del Instituto Geográfico Agustín Codazzi para Colombia: mapas de la
división político-administrativa y de Suelos.
6. MÉTODOS
Para el análisis y discusión del presente trabajo se utilizarán los resultados de ensayos regionales de
Mejoramiento Genético, los que incluyen grupos de materiales avanzados, en condiciones de
manejo agronómico similar en cada EE, en los cuales, durante cuatro años, se midieron expresiones
fenotípicas, especialmente de producción.
El análisis del trabajo dará énfasis a la variable de rendimiento, expresada en kilogramos de café
pergamino seco (cps) por hectárea.
Se propone el desarrollo de la investigación en cinco fases así:
6.1. Fase I. Clasificación de ambientes
A partir de la variable de rendimiento, cuantificada sobre un grupo de líneas avanzadas, se
clasificarán los ambientes por su potencial de producción, obtenido en los diferentes años. Se
calculará el índice ambiental para cada EE y se establecerá el poder de discriminación, medido
sobre cada genotipo.
6.1.1. Modelos que utilizan el ANAVA
6.1.1.1. Análisis de la estabilidad
Lin et al., 1986, clasificaron la estabilidad estática en cuatro grupos:
Grupo A, basado en la desviación del efecto genotípico promedio (DG), representado por la
suma de cuadrados.
Grupo B, basado en la IGA; representado por la suma de cuadrados.
Grupo C y D, basado en los dos DG e IGA representados por el coeficiente de regresión o
las desviaciones de la regresión.
Con base en los anteriores grupos determinaron varias clases de estabilidad:
Tipo 1, equivalente estabilidad biológica, en la cual un genotipo es considerado estable si
su varianza entre ambientes es pequeña.
Tipo 2, equivalente a la estabilidad agronómica, si su respuesta a los ambientes es paralela
al promedio de las respuestas de todos los genotipos de la prueba.
17
Tipo 3, si la suma de cuadrados residual de la regresión, del comportamiento o rendimiento
de un genotipo, sobre el índice ambiental, es pequeña.
6.1.1.2. Método de la ecovalencia
La ecovalencia (ɷi) mide la contribución de un genotipo particular en todos los ambientes, a la
suma de cuadrados total de la interacción G*A en un ANAVA. Si la ecovalencia es pequeña la
estabilidad es alta ɷi=0 (Wricke, 1962, citado por González, 2001).
La ecovalencia de Wricke y la varianza de estabilidad de Shukla son estadísticas idénticas para la
determinación del coeficiente de correlación estabilidad-clasificación igual a 1. Este tipo de
medidas permite determinar las contribuciones de los genotipos de manera individual en una prueba
para la IGA total (Yang y Kang, 2003). También pueden utilizarla para identificar localidades con
un similar patrón de IGA (Glaz et al., 1985, citados por Yang y Kang, 2003)
6.1.1.3. Índice de Lin y Bins
Constituye una medida única de superioridad del comportamiento de un individuo, se define como
el cuadrado medio de la distancia entre la respuesta de un genotipo y el genotipo de máxima
respuesta en un ambiente dado (Lin y Bins, 1988).
El índice posibilita la identificación de genotipos de mejor comportamiento en los diferentes
ambientes de evaluación.
6.1.2. Métodos que utilizan la regresión
6.1.2.1. Modelo de Eberhart y Russell 1966
Estabilidad en sentido agronómico; un genotipo estable es aquel con un coeficiente de regresión
igual a la unidad ( 𝑏𝑖= 1) y una mínima desviación de la línea de regresión (S d𝑖
2 = 0).
Tabla 2. Significado de los parámetros de estabilidad obtenidos por la metodología de Eberhart y
Russell.
Coeficiente de
regresión (bi)
Cuadrado medio de la
desviación de la
regresión (Sdi
2
)
Significado
> 1 = 0 Mejor comportamiento en ambiente favorable,
desviación deseable
= 1 = 0 Buen comportamiento en todos los ambientes,
desviación deseable
= 1 > 0 Buen comportamiento en todos los ambientes,
desviación indeseable
< 1 = 0 Mejor respuesta en ambientes desfavorables
desviación deseable
< 1 > 0 Mejor respuesta en ambientes desfavorables,
desviación indeseable
18
6.1.3. Modelo combinado para evaluar interacción triple
En una secuencia de análisis estadísticos, desde anavas simples hasta modelos mixtos, generales e
individuales por localidad, se determinará si existen diferencias en la clasificación de genotipos
(ranking) y entre localidades.
Para los análisis con todas las posibles interacciones, se establecerán para los factores las
condiciones de los efectos así:
Factor Tipo de Efecto
Repetición Aleatorio
Estación Fijo
Genotipo Fijo
Año Aleatorio La tabla 3 muestra las fuentes a evaluar, el modelo explorará con mayor énfasis al genotipo y sus
interacciones usando un análisis mixto, la obtención de la significancia para el caso de los factores
con efectos fijos se realizará con base en la razón entre los cuadrados medios del factor y los
cuadrados medios de las interacciones, mientras la prueba de significancia de los factores con
efectos aleatorios se obtendrá por la razón entre el cuadrado medio del factor y el cuadrado medio
de su correspondiente error.
Tabla 3. Estructura del análisis de varianza para datos combinados de e estaciones, a años y g
genotipos
Fuente de Variación Grados de Libertad
Estación (𝑒 − 1) Error A (Repetición (Estación)) (𝑟 − 1)𝑒
Año (𝑎 − 1) Año x Estación (𝑎 − 1)(𝑒 − 1)
Error B (Año x Repetición (Estación)) (𝑎 − 1)(𝑟 − 1)𝑒 Genotipo (𝑔 − 1)
Genotipo x Estación (𝑔 − 1)(𝑒 − 1) Genotipo x Año (𝑔 − 1)(𝑎 − 1) Genotipo x Año x Estación (𝑔 − 1)(𝑎 − 1)(𝑒 − 1)
Error C
El modelo que se aplicará será el siguiente:
𝑌𝑖𝑗ℎ𝑘=µ + 𝑒𝑘 + (𝑟𝑗) 𝑒𝑘 + 𝑎ℎ + (𝑎𝑒)ℎ𝑘 + ((𝑎𝑟)ℎ𝑗) 𝑒𝑘 + ( 𝑔𝑒)𝑖𝑘 + (𝑔𝑎)𝑖ℎ + ( 𝑔𝑎𝑒)𝑖ℎ𝑘 + 𝜀𝑖𝑗ℎ𝑘,
Vega, 1988
En donde:
𝑌𝑖𝑗ℎ𝑘 = es la variable medida del i-ésimo genotipo en l la k-ésima estación en el h-ésimo año de la j-
ésima repetición
19
µ = es la media de la población tomada sobre todas las estaciones.
𝑒𝑘= efecto de la k-ésima estación.
(𝑟𝑗) 𝑒𝑘= efecto de la j-ésima repetición dentro de la k-ésima estación.
𝑎ℎ = efecto del h-ésimo año.
(𝑎𝑒)ℎ𝑘 = efecto de la interacción año h en la k-ésima estación.
((𝑎𝑟)ℎ𝑗) 𝑒𝑘= efecto de la interacción del h-ésimo año con la j-ésima repetición dentro de la k-ésima
estación
𝑔𝑖= efecto del i-ésimo genotipo.
(𝑔𝑒)𝑖𝑘= efecto de la interacción del i-ésimo genotipo con la k-ésima estación.
(𝑔𝑎)𝑖ℎ= efecto de la interacción del i-ésimo genotipo con el h-ésimo año.
(𝑔𝑎𝑒)𝑖ℎ𝑘= efecto de la interacción del i-ésimo genotipo con el h-ésimo año y con la k-ésima
estación.
𝜀𝑖𝑗ℎ = error experimental.
6.1.4. Resultados fase I
Con base en los análisis de estabilidad y el anava combinado, se obtendrá el promedio de
rendimiento de cada localidad y genotipo, un índice ambiental para cada EE y el poder de
discriminación de cada EE a partir de la función de cada genotipo.
Partiendo del análisis de resultados se establecerán los siguientes criterios:
Ambientes con similar índice ambiental e igual discriminación de genotipos, son similares.
Ambientes diferentes serán los que tengan diferente índice ambiental y diferente poder de
discriminación de genotipos.
6.2. Fase II. Elementos del ambiente que caracterizan las EE
Como variables de análisis en esta etapa se integrarán:
Información de Clima de las Estaciones Meteorológicas en cada EE.
Se incorporarán los estudios detallados de suelo de aquellas EE en que se hayan realizado.
Se utilizará el recurso del análisis multivariado en los que se espera que variables putativas
puedan explicar la diferencia entre ambientes, sobretodo en aspectos relacionados con la
espacialidad y temporalidad de cada EE
6.2.1. Análisis de componentes principales (ACP)
El método simplifica los datos para explicar en pocas componentes la mayor información de las
variables. Su utilidad se extiende a la caracterización de ambientes como clasificación de variedades
por estabilidad de rendimiento (Okuno et al., 1971, citados por González 2001).
Williams et al., 2010, encontraron que en el ACP los valores de los ejes describen los patrones de
respuesta de los genotipos, por medio de un índice de sensibilidad. Los valores positivos describen
los genotipos con mejor comportamiento en ambientes de alto rendimiento, y lo contrario ocurre
con los puntajes negativos. Un valor de cero o próximo a éste corresponde a un genotipo con
sensibilidad media. Según Yan et al., 2000, la mejor localidad puede ser la que disponga de altos
valores del componente principal uno (CP1) y pequeños valores de componente principal dos
(CP2). En este mismo sentido Crossa et al., 1991, expresan que aquellas localidades con valores
CP1 cercanos a cero tienen poca interacción y baja discriminación de genotipos.
20
6.2.2. Efectos aditivos principales y análisis de la interacción multiplicativa
(AMMI)
AMMI proporciona estimaciones más precisas de los rendimientos de genotipos en las ubicaciones
de las medias a través de repeticiones (Gauch Jr., 1982). Esta precisión facilita la formación, por
análisis clúster, de grupos más coherentes de genotipos y localidades para la interpretación
biológica de las interacciones que se han producido con medias sin ajustar (Crossa et al., 1991).
AMMI extrae los efectos principales del genotipo y el ambiente, luego utiliza ACP para explicar el
patrón en la interacción G*A, o matriz residual. Zobel et al., 1991, citados por Romagosa y Fox,
1993, proporcionaron una escala para registros de ACP los cuales permiten la estimación de los
términos de la interacción G*A. En el modelo, a partir de la suma de cuadrados y el cálculo de la
proporción de la variabilidad, se obtienen los scores para genotipos y ambientes para utilizarlos
luego en la prueba de Gollob, la cual permite determinar la significancia de cada uno de los
términos AMMI, y la diagramación del biplot (Hernández y Crossa, 2000).
Kroonenberg, 1997, define unas reglas básicas para la interpretación de los biplots, un punto
importante en la construcción de estos gráficos es que los ejes de coordenadas verticales y
horizontales deben tener la misma escala física. Independientemente de la escala de los ejes de
coordenadas: los genotipos se muestran preferiblemente como puntos y los ambientes como
vectores, si dos vectores de genotipo tienen un ángulo pequeño, tienen patrones de respuesta similar
sobre los ambientes y, si dos vectores ambiente tienen un ángulo pequeño están fuertemente
asociados.
6.2.3. Mínimos cuadrados parciales (PLS)
El PLS es un método de regresión multivariado diseñado para construir modelos de predicción con
muy buenos predictores y respuestas correlacionadas, es particularmente adecuado para
características ambientales complejas y respuestas del cultivo, las cuales pueden ser muy colineales
(Nguyen y Leee, 2006, Vagen et al. 2006, citados por Williams et al., 2008)
El principal objetivo del método PLS es identificar una combinación lineal de las variables
explicativas que predicen de forma óptima la variable de respuesta, mediante un procedimiento
iterativo. Las técnicas implementadas en el procedimiento PLS tienen el objetivo adicional de
contabilizar la variación en los predictores. Todas las técnicas implementadas en el procedimiento
PLS trabajan extrayendo sucesivas combinaciones lineales de los predictores, llamadas factores
(SAS, 2010). PLS funciona con dos matrices, X (por ejemplo, factores) e Y (por ejemplo, las
respuestas).
6.2.4. Resultados Fase II
Como productos esperados en esta fase, adicional a la separación de los ambientes, se obtendrán las
variables de clima y suelo que más explican la respuesta de los genotipos en las diferentes EE.
Se dará respuesta a la primera pregunta de investigación, cuáles elementos asociados al ambiente
geográfico (clima, suelo) caracterizan las EE?
Se espera igualmente clasificar los genotipos por su Adaptación General y Específica.
21
6.3. Fase III. Dominios de recomendación
Para esta fase se utilizarán las siguientes bases de datos:
Información del SICA®. La información, de referencia corresponderá a la consolidada a
diciembre de 2010, la cual contendrá el detalle de la ubicación geoespacial de cada predio
en coordenadas planas con los siguientes atributos: Id de cultivo, departamento, municipio,
vereda, ecotopo cafetero, área finca (hectárea), área en café (hectárea), área lote (hectárea),
área cultivo (hectárea), edad (años), labor, año labor, mes labor, día labor, densidad (plantas
por hectárea), variedad, altura (asnm), luminosidad, tipo.
Características de suelo y clima que explican la respuesta de los genotipos en las EE con
base en la Fase II y en la revisión de literatura.
Información de clima regional de las estaciones de FNC y de WorldClim y BioClim
consolidada por MarkSim con resolución de 1km2.
Información de altimetría de los modelos de elevación digital SRTM, normalizada por el
CIAT con resolución de 90m.
Información del IGAC.
Información regional de resultados de análisis de suelo y de calidad del café (química y
organoléptica).
Se utilizarán las siguientes herramientas de análisis:
Herramientas SIG (ArcGis, DivaGis)
Estadística de probabilidad
Análisis de clúster.
CaNaSTA (Selección de nichos de cultivo en Agricultura Tropical).
6.3.1. Generación de mapas de factores ambientales
CIAT ha desarrollado técnicas para completar la información de los raster (grids) obtenidos de las
bases de datos de WorldClim, MarkSim y el modelo de elevación digital DEM, los dos primeros
para los datos de clima y el último correspondiente a los topográficos (Laderach et al., 2006b).
En el caso de WorldClim la base en formato raster tiene una resolución de 1km2. Entre las variables
utilizadas bajo este formato comprenden la precipitación, la temperatura máxima, media y mínima,
la radiación solar (Hijmans, 2005). Utilizando diferentes metodologías que incluyen el desarrollo de
algoritmos y el software MarkSim, el CIAT ha generado raster de coberturas para variables como
promedios anuales de precipitación, temperatura y meses secos. Utilizando el método de Linacre
han obtenido mapas de punto de rocío, y por el método de Donatelli y Campell, la insolación
promedio anual. Para el caso de la información topográfica del modelo DEM del Shuttle Radar
Topography Mision (SRTM), contiene sólo información de datos espaciales de elevación, con
huecos de información, los cuales se llenaron en un proyecto del CIAT, mediante metodologías de
SIG y atributos topográficos. Según Laderach et al. 2006b los atributos del suelo son difíciles de
obtener, para lo cual el CIAT ha digitalizado los mapas del Instituto Geográfico Agustín Codazzi de
1981 en una resolución de 1:500.000.
En trabajos previos de Laderach et al., 2006b tendiente a definir los factores que influyen en la
calidad del café y sus interacciones con el ambiente natural, han utilizado la información aquí
descrita, con técnicas de análisis de Estadística Bayesiana enmarcadas dentro de las herramientas
22
desarrolladas para este propósito, tales como Expector y CaNaSTA, con el fin de obtener mapas de
nichos con condiciones más probables de determinados atributos, especialmente de alta calidad.
6.3.2. Análisis de atributos distribuidos espacialmente
6.3.2.1. Estadística Bayesiana
Según Pearl, 1990, citado por Laderach et al., 2006, los métodos Bayesianos proporcionan un
"formalismo para razonar en condiciones de incertidumbre, con grados de creencia codificados
como parámetros numéricos, que luego se combinan con arreglo a normas de teoría de la
probabilidad". Agrega que un simple modelo Bayesiano define de manera previa distribuciones de
probabilidad condicional y combina estos para calcular las probabilidades posteriores para cada
resultado posible. Las distribuciones de probabilidad pueden ser derivadas de datos, establecidas
por expertos o definidas a partir de una combinación de datos y la opinión de los expertos.
El algoritmo de CaNaSTA (O ' Brien, 2004, citado por Laderach et al., 2006) crea tablas de
probabilidad condicional de todas las variables categóricas contra categorías de las variables de
respuesta. En el caso del café, las variables predictoras incluyen factores topográficos y clima, y las
variables de respuesta pueden contener atributos de calidad sensorial, física o bioquímicos. La
salida principal del modelo es una distribución de probabilidad en cada ubicación. La probabilidad
de que la variable de respuesta esté en cada estado potencial, consiste en la distribución de
probabilidad. Esta información puede utilizarse para crear mapas que muestren el valor de respuesta
más probable (Most Likely). Los valores en la distribución de probabilidad también pueden ser
ponderados para generar un valor de adaptabilidad ('Score'). Por último, un indicador de
confiabilidad (valor de certidumbre) también puede mostrarse como un mapa ('certidumbre') y
puede ayudar en la interpretación de los resultados. Una vez que se han identificado ubicaciones
donde una respuesta determinada es probable, más análisis pueden llevarse a cabo para determinar
qué variables predictoras son importantes; un indicador de importancia se utiliza para comparar la
importancia de los factores.
De acuerdo con Laderach et al., 2006b, los atributos generados por el programa Canasta se
describen como hipótesis (H), basados en mayor o menor proporción en la evidencia (E). El
planteamiento del algoritmo de Bayes lo discute en torno a estos dos conceptos bajo el siguiente
modelo:
P(H|E) = (P,H) / P(E), donde:
H = Hipótesis,
E = Evidencia,
P(H|E) = Probabilidad condicional de tener H dado E
(P,H) = Probabilidad de tener la evidencia y la hipótesis
P(E) = Probabilidad de tener la evidencia siendo cierta
6.3.2.2. Análisis de Conglomerados
De acuerdo con Peña, 2002, el análisis de conglomerados (clusters) agrupa elementos en grupos
homogéneos en función de las similitudes entre ellos. Se agrupan observaciones y variables. Se
conoce también como método de reconocimiento de patrones sin supervisión.
El análisis de conglomerados estudia tres tipos de problemas:
23
Partición de los datos: Cuando se dispone de datos de los que no se tiene certeza de que
sean homogéneos y se desea dividirlos en un número de grupos prefijado, de manera que: a.
cada elemento pertenezca a uno y solo uno delos grupos; b. todo elemento quede
clasificado; c. cada grupo sea internamente homogéneo.
Construcción de jerarquías: Una clasificación jerárquica implica que los datos se ordenan
en niveles, de manera que los niveles superiores contienen a los inferiores.
Clasificación de variables: En problemas con muchas variables es interesante hacer un
estudio exploratorio inicial para dividir las variables en grupos. Este estudio puede orientar
para plantear los modelos formales para reducir la dimensión que se estudiaran
Los métodos de partición utilizan la matriz de datos, pero los algoritmos jerárquicos utilizan la
matriz de distancias o similitudes entre elementos. Para agrupar variables, se parte de la matriz de
relación entre variables: para variables continuas suele ser la matriz de correlación, y para variables
discretas, se construye a partir de la distancia ji-cuadrado (Peña, 2002).
6.3.3. Desarrollo metodológico
De la base de datos SICA se toma la capa de puntos de café para el departamento a analizar
en el cual se encuentre una EE.
De la bases de WorldClim, BioClim, y DEM (SRTM), se extraen los valores de las
variables climáticas, bioclimáticas y topográficas, para Colombia
Se consolidan y simulan con MarkSim aquellas variables que más explican las respuestas,
de acuerdo con la Fase II.
Se incorporan las variables a cada uno de los puntos cafeteros de la base SICA
Se realizan los análisis de componentes principales y de clúster y se obtienen los
agrupamientos, basados en aquellos componentes que expliquen más del 90% de la
respuesta
Se realizan las gráficas biplots e interpretan las respuestas de las diferentes variables. Se
grafican las frecuencias en cada caso.
Se verifica el nivel de representatividad de cada grupo, de acuerdo con el número de
predios cafeteros que abarca.
Se comparan los resultados con la información de los ecotopos y se explican las diferencias
Con base en la ubicación de la EE, se determina la representatividad actual dentro de
ecotopos y la proyectada con base en los grupos propuestos.
Se construyen los mapas con la distribución espacial propuesta por Departamento, la cual
corresponderá al Dominio de Recomendación.
6.3.4. Metodología CaNaSTA
Se adicionan las variables fenotípicas de interés al archivo que contiene las variables de
clima.
Se generan los archivos de trabajo en ArcGis compatibles con DivaGis y se convierten los
archivos para su utilización en CaNaSTA.
En CaNaSTA en su interfaz gráfica “skltn”, se cargan los archivos. Se despliegan los
cuadros de predicción que permitirán la modelación. Se eligen las variables predictoras y
las variables de respuesta. Se tendrán en cuenta los rangos de los factores determinantes en
café para Colombia, según Fases I y II y la revisión bibliográfica.
Después de modelar y obtener los mapas de predicción se convierten y exportan al software
ArcMap
Con base en los resultados del análisis se elaboran los mapas temáticos por Departamento.
24
Se realiza el análisis e interpretación de los resultados.
Se discutirá la representatividad de las EE en base a los patrones de respuesta de las
variables fenotípicas.
6.3.5. Resultados Fase III
Se elaborarán mapas temáticos por departamento que reflejen los nuevos dominios de
recomendación y los patrones de respuesta de variables fenotípicas de interés.
Como resultado de esta fase se dará respuesta a la segunda pregunta de investigación: Qué área de
representación tiene cada EE?
6.4. Fase IV. Superficies de probabilidad
6.4.1. Metodología Homologue
Se utilizará como fuente de información: Características de suelo -que utiliza Homologue-
de cada EE e información climática de homologue.
Se especifican las características del suelo para combinar con el modelo de probabilidad de
clima de homologue y se determinan los intervalos de acuerdo con las condiciones más
representativas de las EE.
Se calculará la probabilidad de encontrar ambientes similares a las del pixel de la EE, con
una resolución espacial de 10 minutos de arco (aproximadamente 18 km2) y se construye
una superficie de probabilidad.
Con base en las áreas de representación de cada EE, se realizarán las comparaciones de las
áreas que no alcanzan a incluirse dentro del DR de la EE y se analizarán las condiciones
que expliquen la diferencia.
6.4.2. Resultados Fase IV
Se realizarán los mapas temáticos de superficies de probabilidad y se observará y discutirá, con base
en la representación, si existe capacidad de diferenciar respuestas entre las EE. Se contrastarán los
resultados de esta fase con los obtenidos en la primera fase.
Con la misma información de los mapas temáticos de probabilidad, se verificará el alcance
potencial de las respuestas de las EE en la geografía cafetera colombiana.
Como resultado de esta fase se dará respuesta a las siguientes preguntas de investigación:
Cuál es el poder de discriminación de las EE? y,
Cómo está representada la geografía cafetera por las EE?.
6.5. Fase V. Modelación para adaptabilidad
6.5.1. Desarrollo metodológico adaptabilidad
De la base de datos SICA se toma la capa de puntos de café para el departamento a analizar
en el cual se encuentre una EE.
De la bases de BioClim, se extraen los valores de las variables climáticas, bio_1 y bio_12
para Colombia y se articulan con los del shape original.
Se exportan los datos para realizarles una discretización e histograma de frecuencia con el
fin de organizar los datos en cuartiles.
25
Se combinan los cuatro datos y se obtiene la información de los períodos de germinación
máximo y mínimo para café en las condiciones de Colombia; se construye el archivo con
todos los parámetros para correr Ecocrop.
6.5.2. Metodología Ecocrop
Se activa la herramienta Arc de ArcInfo Workstation y se direcciona a la ventana activada
la ruta donde se encuentre el algoritmo Ecocrop. Después de concretar las instrucciones se
activa Ecocrop.
Se corre el programa en alguna de las opciones de adaptabilidad y se vincula con la ruta
donde se encuentren los datos según la opción (actual, futura 2020, futura 2050).
Se generan los archivos de salida con los shape de adaptabilidad, los cuales se editan en
ArcMap para elaborar los mapas temáticos por Departamento.
Se realiza el análisis e interpretación de los resultados.
Se discutirá la representatividad de las EE en base a los patrones de respuesta.
6.5.3. Resultados Fase V
En los actuales escenarios de cambio climático, a partir de modelos de predicción, se discutirá el
papel de las EE en sus DR, en este nuevo escenario ganan o pierden representatividad, y sobretodo,
qué sitios estratégicos de la caficultura requieren acompañamiento de la investigación que hoy no lo
tienen.
En el marco de los resultados de las cinco fases se diseñarán nuevas estrategias de cubrimiento de la
investigación para la caficultura colombiana.
7. RESULTADOS ESPERADOS
Determinar la representatividad que tienen las EE y su potencial futuro en los escenarios de cambio
climático.
Obtener metodologías para diseñar estrategias (sistemas de información geográfica, análisis
estadísticos específicos, adaptación de software) para la selección de ambientes estratégicos en los
cuales se requiera investigación en función de especialización de su producción.
Trazar lineamientos de política cafetera, que permita una reestructuración del programa de
investigación regional y contribuya, en el marco de sostenibilidad y futuro de la caficultura, a
evaluar las ventajas comparativas que brinden ciertas zonas y que el estudio identifique por sus
potencialidades.
8. BENEFICIARIOS
En un mediano plazo el programa de Investigación de la FNC, que podrá desarrollar estrategias de
ampliación de su cobertura y construir su marco de alcance de las recomendaciones dentro del plan
operativo.
En el mediano y largo plazo, la FNC, que estará en capacidad de elaborar mejores planes de
desarrollo, con base en necesidades locales, para atender a expectativas de mejoramiento de la
sostenibilidad.
26
Así mismo, en el mediano plazo, los Caficultores, que encontrarán un soporte a sus necesidades de
manera más específica.
9. PROYECCIONES
El estudio le permitirá a la FNC trazar lineamientos para dar respuesta más eficiente a los
caficultores, y sobretodo, ubicar zonas cafeteras y caficultores que requieran acompañamiento
clave, de acuerdo con las expectativas en el marco de sus potencialidades o debilidades en
escenario de cambio climático.
10. CRONOGRAMA DE ACTIVIDADES
Actividad 2011I
2011II
2011III
2011IV
2012I
2012II
2012III
2012 IV
2013I
2013II
2013III
2013 IV
Planeación Proyecto X X Sustentación X Preparación de bases de información Fases I y II
X X
Análisis de Información Fase I (Pasantía)
X X
Análisis de información Fase II (Pasantía)
X X
Presentación Resultados Fases I y II
X
Preparación de información Fase III y IV
X X X
Análisis de información Fases III y IV (Pasantía)
X X X
Presentación de Resultados Fases III y IV
X
Análisis de información Fase V (Pasantía)
X X
Consolidación de Resultados y Preparación del Documento Final
X X
Sustentación Resultados X
27
11. PRESUPUESTO
Actividad Responsables Valor
Estimado
Sitio de ejecución Origen de los
Recursos I Semestre doctoral
Juan Carlos García $ 28.000.000 Universidad de
Caldas
FNC-Contrato de
Estudios
II Semestre doctoral
Planeación proyecto tesis
Juan Carlos García, Comité
Tutorial
$ 28.000.000 Cenicafé, Universidad
de Caldas
FNC-Contrato de
Estudios
Planeación proyecto de tesis Juan Carlos García, Comité
Tutorial
$ 1.500.0000 CIAT, CENICAÑA FNC-Contrato de
Estudios
III Semestre doctoral
Investigación I
Consolidación información
Juan Carlos García,
Colaboradores disciplina
Mejoramiento Genético.
Comité Tutorial
$ 28.000.000 Cenicafé, Universidad
de Caldas
FNC-Contrato de
Estudios
Análisis de información
Electiva de Profundización I
Juan Carlos García, Fredy
Salazar V
Huver Posada Suárez
$ 2.750.000 Cenicafé, Palmira -
CENICAÑA
FNC-Contrato de
Estudios
IV Semestre doctoral
Investigación II
Seminario Investigación I
Juan Carlos García, Comité
Tutorial
$ 30.000.000 Cenicafé. Universidad
de Caldas
FNC-Contrato de
Estudios
Electiva de Profundización II Juan Carlos García $ 12.000.000 CIMMYT (México) FNC-Contrato de
Estudios
V Semestre doctoral
Investigación III
Consolidación información
Juan Carlos García, Comité
Tutorial
$ 30.000.000 Cenicafé, Universidad
de Caldas
FNC-Contrato de
Estudios
Análisis de información
Electiva de Profundización III
Juan Carlos García, Peter
Laderach, Huver Posada
Suárez
$ 2.500.000 Cenicafé, CIAT FNC-Contrato de
Estudios
VI Semestre doctoral
Investigación IV
Seminario Investigación II
Juan Carlos García, Comité
Tutorial
$ 32.000.000 Cenicafé. Universidad
de Caldas
FNC-Contrato de
Estudios
Análisis de información,
discusión resultados
Juan Carlos García, Peter
Laderach
Huver Posada Suárez
$ 1.500.000 Cenicafé, CIAT FNC-Contrato de
Estudios
VII Semestre doctoral
Investigación V
Seminario Investigación III
Juan Carlos García, Comité
Tutorial
$ 35.000.000 Cenicafé. Universidad
de Caldas
FNC-Contrato de
Estudios
Total $244.750.000
28
12. BIBLIOGRAFÍA
Allard, R., and A. Bradshaw. 1964. Implications of Genotype-Environmental Interactions in
Applied Plant Breeding. Crop Science 4:503-508.
Allard, R. 1999. Principles of plant breeding. John Wiley, Canada. 257p.
Allen, F., R. Comstock, and D. Rasmusson. 1978. Optimal environments for yield testing. Crop
Science 18:747-751.
Arcila, J. 2007. Factores que determinan la productividad del cafetal. Pages 61-86 in Cenicafé-FNC,
editor. Sistemas de producción de café en Colombia, Chinchiná.
Baker, R. J. 1988. Tests for crossover genotype-environmental interactions. Canadian journal of
plant science 68:405-410.
Becker, H. C. 1981. Correlations among some statistical measures of phenotypic stability.
Euphytica 30:835-840
Bertrand, B., D. Villarreal, A. Laffargue, H. Posada, P. Lashermes, and S. Dussert. 2008.
Comparison of the Effectiveness of Fatty Acids, Chlorogenic Acids, and Elements for the
Chemometric Discrimination of Coffee (Coffea arabica L.) Varieties and Growing Origins.
Journal Agricultural and Food Chemistry 56:2273-2280.
Bradshaw, A. 1965. Evolutionary significance of phenotypic plasticity in plants. Pages 115-155 in
E. Caspari, editor. Advances in genetics. Academic Press Inc., New York.
Ceccarelli, S. 1989. Wide adaptation: How wide? Euphytica 40:197-205.
Ceccarelli, S. 1994. Specific adaptation and breeding for marginal conditions. Euphytica 77:205-
219.
Ceccarelli, S., S. Grando, and J. Hamblin. 1992. Relationship between barley grain yield measured
in low- and high-yielding environments. Euphytica 64:49-58.
Crossa, J., P. , L. Cornelius, and M. Seyedsadr. 1993. A shifted multiplicative model cluster
analysis for grouping environments without genotypic rank change. Theoretical and
Applied Genetics 85:577-586.
Crossa, J., P., P. Fox, W. Pfeiffer, R. S., and H. Gauch. 1991. AMMI adjustment for statistical
analysis of an international wheat yield trial. Theoretical and Applied Genetics 81:27-37.
DaMatta, F., R. Ronchi, M. Maestri, and R. Barros. 2007. Ecophysiology of coffee growth and
production. Braz. J. Plant Physiol. 19:485.
Damba, G. 2008. Evaluación de métodos para análisis de estabilidad en diferentes ambientes en
genotipos de yuca (Manihot esculenta Crantz). Tesis Maestría. Universidad Nacional de
Colombia, Palmira. 94p.
29
Eberhart, S., and W. Russel. 1966. Stability parameters for comparing varietes. Crop Science 6:36-
40.
ESRI™. 2009. What is ArcGIS™ ? in, New York.
FAO. Ecocrop. in. Consultado en línea, 14 de marzo de 2011, www. ecocrop.fao.org.
Federación Nacional de Cafeteros, F. 2008. Sistema de información Cafetera. Pages 56 in F. M.
Mejía, editor. FNC-FMM.
Gauch Jr., H. 1992. Statistical analysis of regional yield trials: AMMI analysis of factorial designs.
Elsevier Science Publishers B.V., Amsterdam. 278p.
Giraldo, H. 2002. Introducción a la Geoestadística: Teoría y aplicación. Universidad Nacional de
Colombia, Facultad de Ciencias, Santafé de Bogotá. 94p.
Gómez G., L., A. Caballero R., and J. V. Baldión R. 1991. Ecotopos cafeteros de Colombia.
Federación Nacional de Cafeteros de Colombia, Bogotá. 131p.
González G., M. 2001. Interacción genotipo x ambiente en guisante proteaginoso (Pisum sativum
L.). Tesis Doctoral. Valladolid, Palencia. 302p.
Grando, S., and S. Ceccarelli. 2009. Breeding for quantitative variables Part 3: Breeding for
resistance to abiotic stresses. Pages 391-417 in S. Ceccarelli, E. Guimarães, and E.
Weltzien, editors. Plant breeding and farmer participation. Food and Agriculture
Organization of The United Nations, Rome.
Grierson, W. 2001. Role of temperature in the physiology of crop plants: Pre- and postharvest.
Pages 13-33 in M. Pessarakli, editor. Handbook of plant and crop physiology. Marcel
Dekker, INC, New York.
Hernández, M., and J. Crossa. 2000. El análisis AMMI y la gráfica Biplot en SAS. Pages 42p in.
CIMMYT, Mexico.
Hijmans, R., S. Cameron, J. Parra, P. Jones, and A. Jarvis. 2005. Very high resolution interpolated
climate surfaces for global land areas. International Journal of Climatology 25:1965-1978.
Hijmans, R., L. Guarino, C. Bussink, P. Mathur, M. Cruz, I. Barrantes, and R. Rojas. 2004.
DivaGis: Sistema de Información Geográfica para el Análisis de Datos de Distribución de
Especies. in. http://www.diva-gis.org. Consultado en línea 14 de marzo de 2011
Jaramillo, A. 2005. Clima andino y café en Colombia. FNC - Cenicafé, Chinchiná. 195p.
Jones, P., W. Díaz, and J. Cock. 2005. Homologue™: A computer system for identifying similar
environments throughtout the tropical world. in. Centro Internacional de Agricultura
Tropical (CIAT), Cali. 100p.
30
Jones, P., and A. Gladkov. 1999. FloraMap: A computer tool for predecting the distribution of plant
and other organisms in the wild. in. Centro Internacional de Agricultura Tropical (CIAT),
Cali. 87p.
Jones, P., P. Thornton, W. Díaz, and P. Wilkens. 2002. MarkSim: A computer tool that generates
simulated weather data for crop modeling and risk assessment. in
http://gisweb.ciat.cgiar.org/marksim. CIAT, Consultado en línea, 14 de marzo de 2011.
Kroonenberg, P. 1997. Introduction to biplots for GxE tables. 51, The University of Queensland,
Brisbane, Australia. 22p.
Läderach, P., T. Oberthur, N. Niederhauser, H. Usma, L. Collet, and H. Jurgen. 2006b. Café
especial: Factrores, dimensiones e interacciones. Pages 140-160 in P. Jurgen, L. Soto, and J.
Barrera, editors. El cafetal del futuro: Realidades y visiones. CIAT, GTZ, GIEZCA,
Aachen.
Läderach, P., P. Vaast, T. Oberthür, R. O’Brien, L. D. Lara-Estrada, and A. Nelson. 2006.
Geographical analyses to explore interactions between inherent coffee quality and
production environment. CIAT. 54p.
Lambers, H., F. Chapin III, and T. Pons. 1998. Plant physiological ecology. Springer-Verlag, New
York. 540p.
Leibovich, J., and S. Botello. 2008. Análisis de los cambios demográficos en los municipios
cafeteros y su relación con los cambios en la caficultura colombiana (1993-2005). Ensayos
sobre economía cafetera 21:67-87.
Lin, C., M. Binn, and L. Lefkovitch. 1986. Stability Analysis: Where Do We Stand?l. Crop Science
26:894-900.
Lin, C., and M. Binns. 1991. Assessment of a method for cultivar selection based on regional trial
data. TAG Theoretical and Applied Genetics 82:379-388.
Montoya, E., J. Arcila, A. Jaramillo, N. Riaño, and F. Quiroga. 2009. Modelo para simular la
producción potencial del café en Colombia. Boletín Técnico Cenicafé 33:52p.
Peña, D. 2002. Análisis datos multivariantes. McGraw Hill. 539p.
Pérez, E., and D. Geissert. 2006. Zonificación agroecológica de sistemas agroforestales: El caso
café (coffea arabica l:) - Palma camedor (Chamadores elegans Mart.). Interciencia (online)
31:556-562.
Rojas, O. 1989. Determinación del potencial agroecológico para el cultivo del café (Coffea arabica)
en Costa Rica. Turrialba 39:279-287.
Romagosa, I., and P. Fox. 1993. Genotype x environment interaction and adaptation. Pages 373-390
in N. O. B. M.Dayward, I. Romagosa, editor. Plant Breeding: Principles and Prospects.
Chapman an Hall, London.
31
SAS, S. A. S. 2010. in. SAS Institute Inc, Cary.
Soto, F., A. Vantour, A. Hernández, A. Planas, A. Figueroa, P. Fuentes, T. Tejeda, M. Morales, R.
Vázquez, E. Zamora, F. Cutié, L. Vázquez, and P. Caro. 2002. La zonificación
agroecológica del Coffea arabica L. en Cuba. Macizos montañosos Sierra Maestra y
Guamuhaya. Boletines Técnicos 23:35-44.
Trangmar, B. B., R. S. Yost, and G. Uehara. 1986. Application of Geostatistics to Spatial Studies of
Soil Properties. Pages 45-94 in Advances in Agronomy. Academic Press.
Trojer, H. 1954. El ambiente climatológico y el cultivo del café en Colombia: problemas,
conocimientos actuales y perspectivas. Revista Cenicafé 5:22-37.
Trojer, H. 1968. The phenological equator for coffee planting in Colombia. Pages 107-117 in
Unesco, editor. AGROMETEOROLOGICAL Methods Proceedings of the Reading
Symposium, París.
Vega, P. 1988. Introducción a la teoría de la genética cuantitativa. Universidad Central de
Venezuela, Caracas.
Villarreal, D., A. Laffargue, H. Posada, B. Bertrand, P. Lashermes, and S. Dussert. 2009. Genotypic
and Environmental Effects on Coffee(Coffea arabica L.) Bean Fatty Acid Profile: Impacton
Variety and Origin Chemometric Determination. Journal Agricultural and Food Chemistry
57:11321-11327.
Webster, R. 1985. Quantitative spatial analysis of soil in the field. Advances in soil science 3:1-70.
Whitsed, R., P. Läderach, R. Corner, L. Collet, S. Cook, M. Peters, C. J, and T. Oberthür. 2010.
Crop Niche Selection For Tropical Agriculture (CaNaSTA): Method, Manual and Case
studies. in. CIAT, Charles Sturt University. 63p.
Williams, H., V. Pecina, F. Zavala, N. Montes, A. Gámez, G. Arcos, S. Montes, and L. Alcalá.
2010. Modelo de Finlay y Wilkinson vs. el modelo AMMI para analizar la interacción
genotipo-ambiente en sorgo. Revista Fitotecnia Mexicana 33:117-123.
Yan, W., L. Hunt, Q. Sheng, and Z. Szlavnics. 2000. Cultivar Evaluation and Mega-Environment
Investigation Based on the GGE Biplot. Crop Science 40:597-605.
Yan, W., and M. Kang. 2003. GGE biplot analysis, a graphical tool for breeders, geneticists, and
agronomists, London, New York. 271p.
32
Anexo 1. Cuadro conceptual metodología de análisis
Item Fase I Fase II Fase III Fase IV Fase V
Informaci
ón de
entrada
Información
Espacial y
Temporal de
experimentos de
Mejoramiento
Genético
(comportamiento de
genotipos en
diferentes sitios y
años).
Variables de
respuesta en kg de
cps/ha por planta o
familia; variables de
crecimiento como
altura (cm),
diámetro (cm) y
número de cruces.
Índice ambiental.
Componentes
IGA.
Información de
clima y suelo de
las Estaciones
Meteorológicas en
cada EE.
Información del SICA®
(Sistema de Información
cafetera). Características de
peso de la Fase II.
Información de clima
Regional de las estaciones
de FNC y de WorldClim y
BioClim consolidada por
MarkSim con resolución de
1km2. Información de
altimetría de los modelos de
elevación digital de SRTM,
normalizada por el CIAT
con resolución de 90m.
Información del IGAC.
Información regional de
resultados de análisis de
suelo.
Información de
entrada de la
fase III más
áreas de
Representación
Información de las
cuatro fases.
Tipo de
Análisis
Estadísticos
Univariados
Estadísticos
Multivariados.
AMMI (Additive
main effects and
multiplicative
interactions) y
PLS (partial least
squares)
Herramientas SIG (ArcGis,
DivaGis), Estadística de
probabilidad, Análisis de
clúster. CaNaSTA
(Selección de nichos de
cultivo en Agricultura
Tropical).
Homologue,
herramientas
SIG.
Herramientas SIG,
Ecocrop
Informaci
ón de
Salida
Perfiles de
subgrupos de
ambientes y
Genotipos.
Componentes de la
IGA (interacción
Genotipo x
Ambiente). Índice
ambiental
Características
que mayor peso
tienen en la
respuesta en
Cuanto a
Producción.
Genotipos de
Adaptación
General y
Específica
Dominios de
Recomendación.
Áreas de Representación de
las EE
Representación
de la geografía
cafetera por las
EE.
Capacidad de
diferenciar las
respuestas, en
variables
agronómicas, de
las EE
Sitios estratégicos
de la caficultura que
requieren
acompañamiento de
la investigación, que
hoy no lo tienen.
Representatividad y
Rol de las EE
Pregunta
que
resuelve
Cuáles elementos
asociados al
ambiente
geográfico
caracterizan las
EE?
Qué área de representación
tiene cada EE?
Poder de
discriminación
de las EE?
Cómo está
representada la
geografía
cafetera por las
EE?
Plantea: Nuevas
Estrategias de
Investigación para
la caficultura
colombiana