O RENDIMENTO DA BATATA (Solanum tuberosum) NO EQUADOR É INFLUENCIADO POR FATORES CLIMÁTICOS, GENÉTICOS E TECNOLÓGICOS DE CULTURA?

Autores

Victor Mario García-Mora 1Grupo de Investigación GDETERRA. Facultad de Recursos Naturales. Escuela Superior Politécnica de Chimborazo https://orcid.org/0000-0001-7137-8623
Mercy Ilbay- Yupa 2Grupo de Recursos Hídricos. Facultad de Ciencias Agropecuarias y Recursos Naturales. Universidad Técnica de Cotopaxi. https://orcid.org/0000-0001-9503-2686
Raúl Armando Ramos Veintimilla Docente. Facultad de Recursos Naturales. Escuela Superior Politécnica de Chimborazo. https://orcid.org/0000-0001-5181-1039

DOI:

https://doi.org/10.33936/revbasdelaciencia.v8i2.5403

Palavras-chave:

papa, regresión lineal múltiple, rendimiento, Ecuador

Resumo

Neste estudo, o modelo de regressão múltipla foi gerado para prever o rendimento da cultura da batata (Solanum tuberosum) no Equador, utilizando o registo anual de produção dos Inquéritos à Superfície e à Produção Agrícola para o período 2002-2019. As variáveis independentes consideradas foram a área semeada com diferentes tipos de sementes (variedade), práticas de cultivo, volume de vendas e área semeada, perdida e colhida. Os resultados mostram que o rendimento é influenciado por cinco variáveis independentes, tais como: sementes melhoradas, irrigação, aplicação de fertilizantes, geada e outras. O modelo de regressão múltipla tem um bom ajuste com um coeficiente de determinação de 0,86, um RMSE de 1.014 tonelada/ha e um MAE significativamente baixo (0,024 tonelada/ha), o que ajuda a verificar o arranjo do modelo. Por outro lado, a avaliação do aumento do rendimento (p≤0,01) revelou taxas médias de crescimento anual entre 0,87% e 2,07% para as províncias de Tungurahua (0,87%), Pichincha (1,26%), Chimborazo (1,54%), Carchi (1,71%), Cotopaxi (1,91%) e Bolívar (2,07%). A previsão do rendimento das culturas de batata no Equador centra-se principalmente na influência de fatores climáticos e genéticos. É importante que as ações políticas permitam aos agricultores ter acesso ao crédito e favoreçam a utilização de tecnologias de gestão de culturas como a irrigação, a fertilização e os controlos fitossanitários.

Downloads

Não há dados estatísticos.

Referências

Abrougui, K., Gabsi, K., Mercatoris, B., Khemis, C., Amami, R., & Chehaibi, S. (2019). Prediction of organic potato yield using tillage systems and soil properties by artificial neural network (ANN) and multiple linear regressions (MLR). Soil and Tillage Research, 190, 202–208. https://doi.org/10.1016/j.still.2019.01.011

Afrasiabian, B., & Eftekhari, M. (2022). Prediction of mode I fracture toughness of rock using linear multiple regression and gene expression programming. Journal of Rock Mechanics and Geotechnical Engineering. https://doi.org/10.1016/j.jrmge.2022.03.008

Amare, T., Bazie, Z., Alemu, E., Alemayehu, B., Tenagne, A., Kerebh, B., Taye, Y., Awoke, A., Feyisa, T., & Kidanu, S. (2022). Yield of potato (Solanum tuberosum L.) increased by more than two-folds through nitrogen and phosphorus fertilizers in the highlands of North-Western Ethiopia. Heliyon, 8(10), e11111. https://doi.org/10.1016/j.heliyon.2022.e11111

Ávila-Valdés, A., Quinet, M., Lutts, S., Martínez, J. P., & Lizana, X. C. (2020). Tuber yield and quality responses of potato to moderate temperature increase during Tuber bulking under two water availability scenarios. Field Crops Research, 251, 107786. https://doi.org/10.1016/j.fcr.2020.107786

Binyamin, R., Ahmed, N., Ashraf, W., Li, Y., Ghani, M. U., Zeshan, M. A., Ali, S., Khan, A. U. R., Ahmed, R., Ahmed, M. A. A., Aljowaie, R. M., Alkahtani, A. M., & Vachova, P. (2022). Prediction of mungbean yellow mosaic virus disease using multiple regression models. Journal of King Saud University - Science, 102094. https://doi.org/10.1016/j.jksus.2022.102094

Bocco, M., Sayago, S., & Violini, S. (2015). Modelos simples para estimar rendimiento de cultivos agrícolas a partir de imágenes satelitales: Una herramienta para la planificación. 2(2), 10.

Cavatassi, R., Salazar, L., González-Flores, M., & Winters, P. (2011). How do Agricultural Programmes Alter Crop Production? Evidence from Ecuador. Journal of Agricultural Economics, 62(2), 403-428. https://doi.org/10.1111/j.1477-9552.2010.00279.x

Chengot, R., Knox, J. W., Coxon, G., Cojocaru, G., & Holman, I. P. (2023). An enhanced version of the D-Risk decision support webtool for multi-scale management of water abstraction and drought risks in irrigated agriculture. Computers and Electronics in Agriculture, 204, 107516. https://doi.org/10.1016/j.compag.2022.107516

Doan, C. C., & Tanaka, M. (2022). Relationships between Tomato Cluster Growth Indices and Cumulative Environmental Factors during Greenhouse Cultivation. Scientia Horticulturae, 295, 110803. https://doi.org/10.1016/j.scienta.2021.110803

ESPAC. (2017). Encuesta de Superficie y Producción Agropecuaria Continua. Presentación Principales Resultados ESPAC -INEC 2017.pdf.

ESPAC. (2021). Principales resultados-ESPAC_2021. INEC. https://www.ecuadorencifras.gob.ec/documentos/web-inec/Estadisticas_agropecuarias/espac/espac-2021/Principales%20resultados-ESPAC_2021.pdf. https://www.ecuadorencifras.gob.ec/documentos/web-inec/Estadisticas_agropecuarias/espac/espac-2021/Principales%20resultados-ESPAC_2021.pd

Etemadi, S., & Khashei, M. (2021). Etemadi multiple linear regression. Measurement, 186, 110080. https://doi.org/10.1016/j.measurement.2021.110080

FAO. (2022). Duplicar la producción mundial de papa en 10 años es posible. Congreso Mundial de la Papa. Https://www.fao.org/newsroom/detail/doubling-global-potato-production-in-10-years-is-possible/es. Newsroom. https://www.fao.org/newsroom/detail/doubling-global-potato-production-in-10-years-is-possible/es

Feng, W., Liu, Y., Kong, X., Chen, Y., & Pan, J. (2018). Spatial and Temporal Variation of Grain Production and Its Influencing Factors at the County Level in China. https://doi.org/10.15957/j.cnki.jjdl.2018.05.018

Ghani, I. M. M., & Ahmad, S. (2010). Stepwise Multiple Regression Method to Forecast Fish Landing. Procedia - Social and Behavioral Sciences, 8, 549–554. https://doi.org/10.1016/j.sbspro.2010.12.076

Gómez-Gómez, M., Danglot-Banck, C., & Vega-Franco, L. (2003). Sinopsis de pruebas estadísticas no paramétricas. Cuándo usarlas. 70(2), 10.

Haverkort, A. J., Franke, A. C., Steyn, J. M., Pronk, A. A., Caldiz, D. O., & Kooman, P. L. (2015). A Robust Potato Model: LINTUL-POTATO-DSS. Potato Research, 58(4), 313–327. https://doi.org/10.1007/s11540-015-9303-7

Hosseinzadeh, A., Baziar, M., Alidadi, H., Zhou, J. L., Altaee, A., Najafpoor, A. A., & Jafarpour, S. (2020). Application of artificial neural network and multiple linear regression in modeling nutrient recovery in vermicompost under different conditions. Bioresource Technology, 303, 122926. https://doi.org/10.1016/j.biortech.2020.122926

Hunt, J. R., Lilley, J. M., Trevaskis, B., Flohr, B. M., Peake, A., Fletcher, A., Zwart, A. B., Gobbett, D., & Kirkegaard, J. A. (2019). Early sowing systems can boost Australian wheat yields despite recent climate change. Nature Climate Change, 9(3), Art. 3. https://doi.org/10.1038/s41558-019-0417-9

Iizumi, T., & Ramankutty, N. (2016). Changes in yield variability of major crops for 1981–2010 explained by climate change. Environmental Research Letters, 11(3), 034003. https://doi.org/10.1088/1748-9326/11/3/034003

INEC. (2017). Glosario de la encuesta de superficie y producción agropecuaria continua. Definiciones básicas.

INEC. (2020). Encuesta de Superficie y Producción Agropecuaria Continua 2020. https://www.ecuadorencifras.gob.ec/documentos/web-inec/Estadisticas_agropecuarias/espac/espac-2020/Presentacion%20ESPAC%202020.pdf

INIA. (2017). ,Manual del cultivo de la papa en Chile. Instituto de Desarrollo Agropecuario—Instituto de Investigaciones Agropecuarias. Boletín INIA N° 375.pdf. https://biblioteca.inia.cl/bitstream/handle/20.500.14001/6706/Bolet%C3%ADn%20INIA%20N%C2%B0%20375?sequence=1&isAllowed=y

Kukal, M. S., & Irmak, S. (2018). Climate-Driven Crop Yield and Yield Variability and Climate Change Impacts on the U.S. Great Plains Agricultural Production. Scientific Reports, 8(1), Art. 1. https://doi.org/10.1038/s41598-018-21848-2

Liu, X., Zhou, T., Zhang, X., Zhang, S., Liang, X., Gani, R., & Kontogeorgis, G. M. (2018). Application of COSMO-RS and UNIFAC for ionic liquids based gas separation. Chemical Engineering Science, 192, 816–828. https://doi.org/10.1016/j.ces.2018.08.002

Liu, Y., Heuvelink, G. B. M., Bai, Z., He, P., Xu, X., Ding, W., & Huang, S. (2021). Analysis of spatio-temporal variation of crop yield in China using stepwise multiple linear regression. Field Crops Research, 264, 108098. https://doi.org/10.1016/j.fcr.2021.108098

Lutaladio, N., & Castaldi, L. (2009). Potato: The hidden treasure. Journal of Food Composition and Analysis, 22(6), 491–493. https://doi.org/10.1016/j.jfca.2009.05.002

Montemayor Trejo, J. A., Munguía López, J., Segura Castruita, M. Á., Yescas Coronado, P., Orozco Vidal, J. A., Woo Reza, J. L., Montemayor Trejo, J. A., Munguía López, J., Segura Castruita, M. Á., Yescas Coronado, P., Orozco Vidal, J. A., & Woo Reza, J. L. (2017). La regresión lineal en la evaluación de variables de ingeniería de riego agrícola y del cultivo de maíz forrajero. Acta universitaria, 27(1), 40–44. https://doi.org/10.15174/au.2017.1255

Pahlavan-Rad, M. R., Dahmardeh, K., Hadizadeh, M., Keykha, G., Mohammadnia, N., Gangali, M., Keikha, M., Davatgar, N., & Brungard, C. (2020). Prediction of soil water infiltration using multiple linear regression and random forest in a dry flood plain, eastern Iran. CATENA, 194, 104715. https://doi.org/10.1016/j.catena.2020.104715

Petropoulos, S. A., Fernandes, Â., Polyzos, N., Antoniadis, V., Barros, L., & C. F.R. Ferreira, I. (2020). The Impact of Fertilization Regime on the Crop Performance and Chemical Composition of Potato (Solanum tuberosum L.) Cultivated in Central Greece. Agronomy, 10(4), Art. 4. https://doi.org/10.3390/agronomy10040474

Raymundo, R., Asseng, S., Prasad, R., Kleinwechter, U., Condori, B., Bowen, W., Wolf, J., Olesen, J. E., Dong, Q., Zotarelli, L., Gastelo, M., Alva, A., Travasso, M., & Arora, V. (2018). Global field experiments for potato simulations. Open Data Journal for Agricultural Research, 4, 35–44. https://doi.org/10.18174/odjar.v4i0.15813

Salcedo, S., & Guzmán, L. (2014). Recomendaciones de Política. Agricultura Familiar en América Latina y el Caribe. FAO. 486.

Shastry, A., Sanjay, H. A., & Bhanusree, E. (2017). Prediction of Crop Yield Using Regression Techniques. Int. J. SoftComput., 7.

Singaña, D. (2021). Los límites de la productividad del cultivo de papa en Ecuador entre 2017 y 2018. Revista Latinoamericana de la Papa, 25(1), Art. 1. https://doi.org/10.37066/ralap.v25i1.416

Vasco, C., Torres, B., Jácome, E., Torres, A., Eche, D., & Velasco, C. (2021). Use of chemical fertilizers and pesticides in frontier areas: A case study in the Northern Ecuadorian Amazon. Land Use Policy, 107, 105490. https://doi.org/10.1016/j.landusepol.2021.105490