Comparación de diseños experimentales y modelos espaciales en experimentación agrícola

Uno de los aspectos más relevantes en cualquier experimento en investigación agrícola, es la correcta elección del diseño experimental. En ensayos de evaluación de cultivares donde el número de tratamientos en general es alto y la necesidad de separar cultivares en términos de rendimiento se hace cada vez más exigente, la elección del diseño más eficiente determina la precisión y sesgo en la estimación de los efectos de los tratamientos. En condiciones de campo existe una alta variabilidad que afecta la respuesta del cultivo, por lo que las medidas de control local como la construcción de bloques son fundamentales. En particular, el Diseño de Bloques Completos al Azar (DBCA) ha sido el más utilizado debido a su facilidad en la implementación práctica y en el análisis de los datos. El problema de este diseño es que a medida que el número de tratamientos aumenta se incrementa el tamaño de cada bloque y por ende la variabilidad intrabloque, disminuyendo la precisión del experimento. Los diseños en bloques incompletos (DBI) son más adecuados a este tipo de ensayos, pero su utilización no ha sido muy extendida por su mayor complejidad en la aleatorización y análisis. Aún en estos diseños, la variabilidad espacial puede no ser correctamente controlada si ocurre a escalas más pequeñas que el tamaño de los bloques. Por estas razones, el estudio de la variabilidad espacial y su inclusión en los modelos de análisis puede producir beneficios adicionales. El objetivo de este proyecto es comparar distintos diseños experimentales en ensayos donde se evalúan un alto numero de cultivares a través de indicadores de eficiencia y bondad de ajuste. Se utilizará una base de datos de rendimiento de trigo georreferenciados. De la Red Nacional de Evaluación de Cultivares, se seleccionarán cultivares de trigo y se obtendrá su rendimiento promedio, que será considerado en este trabajo como promedios poblacionales. Los efectos de los cultivares se simularán sobre los datos de rendimiento aleatorizados en tres diseños distintos. En cada diseño se ajustarán distintos modelos que incluyan o no la variabilidad espacial, y luego se compararán según: la eficiencia para separar medias de tratamientos, el mejor ajuste teniendo en cuenta el modelo más parsimonioso y cual reproduce mejor el ranking de cultivares poblacionales. Se espera encontrar una mayor eficiencia relativa en el diseño más complejo (DBI) dado el mayor control de la variabilidad del mismo. Se discutirá si esta ganancia en eficiencia justifica su uso a nivel experimental. Se espera determinar si a la escala estudiada la variabilidad espacial es importante y si la inclusión del análisis espacial en los modelos cambia la estimación de los efectos relativos del los tratamientos respecto de los modelos que no la consideran. A partir de los rankings de medias poblacionales, se espera poder determinar cuales son los mejores indicadores para seleccionar diseños y modelos de análisis.