PREDICCIÓN DEL RENDIMIENTO DE MANÍ EN GRANO LIMPIO Y SECO, A

PARTIR DE MONITOR VOLUMÉTRICO Y ATRIBUTOS DEL TERRENO

Boretto, D.1; J. P. Vélez2; F. Scaramuzza2
(1)
Red Agricultura de Precisión - INTA General Cabrera; (2) Red Agricultura de Precisión - INTA Manfredi

Introducción
En la Republica Argentina se siembran anualmente entre 300 y 350 mil hectáreas de maní, y
más del 90% de esta superficie es sembrada la Provincia de Córdoba. El rendimiento promedio
en la región núcleo-manisera oscila entre 3.3 y 3.5 toneladas de maní en vainas por hectárea, lo
que arroja una producción anual media de aproximadamente de 1105000 toneladas de maní en
vaina (Pedelini, 2012). Esto representa una producción en grano de aproximadamente 662500
toneladas anuales. Este desfasaje entre los kilogramos recolectados y los kilogramos de
producto comercializable, se debe a diversas cuestiones propias del cultivo como: (i) El maní
crece dentro de una vaina (comúnmente llamada caja) por lo que el producto comercializable se
reduce a solo una fracción del material total que logra ser recolectado por la cosechadora. (ii)
Como es un cultivo de hábito de crecimiento indeterminado, que presenta un importante grado
de superposición entre los estados vegetativos y reproductivos (si bien existe un momento
donde se concentra la producción de flores fértiles), el periodo de floración y por ende, el
fructificación; suelen extenderse a lo largo de gran parte del ciclo del cultivo (Giambastiani,
2002); no siendo posible contar con un momento optimo de arrancado donde se logre alcanzar
la madurez del 100% de los frutos. Por el contrario, esta instancia debe ser siempre
seleccionada cuando exista la mayor proporción posible de frutos con madurez de cosecha,
minimizando la recolección tanto de frutos inmaduros, como de frutos sobre-maduros (Pérez, et
al., 2004).
No es novedad la existencia de variabilidad espacial en el rendimiento de los cultivos dada por
cuestiones de disponibilidad de recursos relacionados con la fertilidad del suelo y en particular
con la oferta hídrica; siendo este ultimo efecto mucho más importante en lotes de secano
(Robert,1999; Jaynes et al., 2003). Si a lo anterior le sumamos que en un lote de maní es
frecuente la existencia de variabilidad en la proporción de frutos que llegan maduros a un
determinado momento; serán dos las fuentes de variación que afecten la cantidad de producto
cosechado con valor comercial: (i) la inherente al rendimiento propiamente dicho, expresado en
volumen de vainas recolectadas por unidad de área; y dentro de este; (ii) la inherente a que
proporción de ese volumen cosechado, es ocupado por frutos con tamaño y madurez de
cosecha (Hinds & Singh, 1994).
El maní posee características muy particulares de fructificación, debido a que sus vainas crecen
por debajo de la superficie del suelo pero no surgen de ninguna estructura reproductiva
subterránea; por el contrario, estas se desarrollan a partir de una flor 100% aérea. Después de
que la flor ha sido fertilizada por el polen, se desencadenan mecanismos meristemáticos que
dan lugar a la elongación de la base del ovario generando una estructura comúnmente
denominada "clavo", que se dirige en dirección al suelo llevando en su extremo los óvulos
fecundados (Giambastiani, 2002). Esta particular forma de fructificación, hace que se requiera
de una labor previa de desenterrado de las vainas antes de la cosecha. El proceso de
arrancado de vainas consta del paso de una reja que invierte la planta completa de maní,
formando una andana de plantas dispuestas con el follaje hacia abajo y las vainas hacia arriba
comúnmente formada por cuatro surcos. Las andanas permanecen por un tiempo a la
intemperie, hasta que reúnan las condiciones de humedad necesarias para ser cosechadas.
Estas condiciones hacen que el proceso de cosecha del maní sea una labor donde
naturalmente existe acarreo de importante cantidad de impurezas (Benito, 2002).
El maní es cosechado y posteriormente transportado en vainas hasta las plantas de
procesamiento y selección, lugar donde finalmente se separa el grano de la vaina. Como las
vainas son frutos voluminosos y algo flexibles, al aplicársele una fuerza, estos presentan una
baja resistencia a la deformación. Por tales motivos, el uso de placas de impacto equipadas con
celdas de carga para el monitoreo de rendimiento en maní, no siempre es la mejor opción.
Cuando las vainas chocan bruscamente con una placa rígida, además de un potencial daño al
fruto estas tienden a desformarse, absorbiendo en gran medida la magnitud del impacto que
debería ser trasferido a la placa para ser contabilizado como rendimiento. Si a lo anterior se le
adiciona que para un mejor tratamiento del fruto, la velocidad angular de la cinta donde se fijan
los cangilones, es significativamente menor que en otras cosechadoras; no siempre se lograría
impactar enérgicamente en la placa con todo el caudal de vainas acarreadas por la noria, por
tales motivos, la mejor opción detectada hasta el momento para el monitoreo de rendimiento en
maní, es la utilización de monitores volumétricos. Un monitor volumétrico se basa en un sensor
óptico que es capaz de calcular el volumen de vainas que acarrea cada balde o cangilón,
midiendo el tiempo de obstrucción de un haz de luz. Como la altura de la columna de vainas
acarreadas por cada cangilón será variable en función de la productividad del cultivo, y esta
proporcional al tiempo que permanece cortado el haz de luz, es posible calcular el volumen de
vainas que esta siendo transportado por cada cangilón en un determinado momento y lugar, ya
que el área de la base, o piso del balde, permanece siempre constante (Boretto et al. 2012).
En pruebas experimentales durante dos campañas de monitoreo volumétrico en maní, se
obtuvieron resultados muy satisfactorios de funcionamiento, con errores porcentuales medios
entre monitor y balanza electrónica que nunca excedieron el 2.5%, convirtiéndose este en un
excelente estimador a campo de la cantidad de producción (Boretto et al. 2011; Boretto et al.
2012). En maní, muchas veces es necesario hablar de material recolectado, debido a que el
producto transportado a las plantas procesadoras, por supuesto compuesto en su mayoría por
vainas, siempre va en mezcla con otros materiales que ocasionan mermas de la cantidad de
producto con valor comercial. Cierto es que al menos hasta la llegada del maní a la planta, no
es posible otra manera de contabilizar el producto recolectado más que en forma de material
cosechado (vainas+impurezas), por ende, contar con la posibilidad de mapear y monitorear con
cierta precisión esta variable a campo, es una excelente opción al los fines de detección de
ambientes con diferentes aptitudes de producción, de manejos y respuestas sitio-específicas, y
de poseer una noción bastante aproximada de la producción de un lote y su variabilidad
espacial.
Al los fines de conocer con mayor exactitud el rendimiento en grano de un lote, que es el
producto que posee el verdadero valor comercial la cuestión cambia; ya que son muchos los
factores que intervienen en la conformación del precio que recibirá el productor por la entrega
de su cosecha. Aspectos como el grado de limpieza de las vainas (ausencia de tierra adherida),
proporción de granos sueltos, proporción de materiales extraños como palos, ramas, etc, y por
sobre todas las cosas, distribución de calibres (proporción de los diferentes tamaños de
granos), son variables clave al momento de valorar el producto.
Claro está que para contar con información de kilogramos por hectárea expresada en grano de
maní limpio y seco, se requiriera de fuentes extras de información. Por lo tanto, no seria posible
estimarla de manera directa solo con el monitor. Alguna de las limitaciones que presenta el uso
de este monitor de rendimiento en maní, es que la productividad es calculada partiendo de un
valor de volumen de material recolectado por la cosechadora, volumen que además de vainas,
puede estar ocupado por otros materiales e impurezas acarreados por el sistema de trilla; o
incluso en ausencia de impurezas, por vainas vanas, o vainas cuyos granos pequeños no
ocupen todo su interior. Sanders (1989), determinó que el tamaño y el grado de madurez de los
granos de maní no siempre están correlacionados con la variable tamaño de vainas.
Por lo antes expuesto, para la estimación de un mapa que refleje de manera más o menos
precisa la producción de un lote expresada en grano de maní limpio y seco, hay que considerar
factores tanto referidos a la recolección de impurezas, como al peso individual de los frutos
explicado por la relación grano:vaina. Por tales motivos, es necesario determinar previamente
aspectos como: (i) que cantidad de impurezas como ramas, palos, tierra adherida, etc puede
ser acarreado por el sistema de trilla conjuntamente con las vainas, (ii) que proporción del total
de los frutos recolectados poseen granos en su interior, o poseen en su interior granos
totalmente desarrollados que ocupan todo el volumen de la vaina, y (iii) como varían estas dos
condiciones respecto a los diferentes sitios o ambientes de un lote.
En muestras de maní cosechado provenientes de un mismo lote es posible encontrar
porcentajes de impureza totales que pueden ir desde un 1.5% a un 8.5%; y relaciones
grano:vaina que pueden alcanzar una rango de entre 50% al 75%, dependiendo del lugar en le
paisaje de donde fue recolectada la muestra. Esto habla a las claras de que existe algún grado
de relación entre la proporción de mermas que afecta el rendimiento en forma de producto
comercial, y la posición que estas ocuparon en la toposecuencia. Bajo el supuesto de que en
sectores deprimidos y de escasa pendiente, pueden darse condiciones de suelos más
profundos, con mejores condiciones de oferta hídrica, permitiendo consecuentemente mejores
condiciones de desarrollo de la biomasa y un dosel más denso y voluminoso; es posible que
allí: (i) exista un mayor rendimiento por mayor numero de vainas, (ii) exista un incremento en la
relación grano:vaina (aumento de la proporción de frutos de grandes calibres por incremento en
el peso individual de los granos), (iii) se incremente el acarreo de materiales extraños, dado por
un mayor esfuerzo por parte de la cosechadora para separar del fruto altos volúmenes planta, y
(iv) haya presencia de mayores cantidades de tierra adherencia a las vainas por condiciones de
suelos más pesados. Bajo este mismo supuesto, en sectores de alta pendiente con suelos
erosionados, se esperarían condiciones inversas a las anteriores; y en sectores de lomas o de
pendientes suaves, condiciones intermedias.
Los modelos matemáticos, son expresiones simplificadas de la realidad que intentan describir
fenómenos de la naturaleza.
El presente trabajo, es un estudio exploratorio y primera aproximación que intenta detectar
atributos espaciales que se presenten a escala sitio-específica similar a la de los mapas de
cosecha, cuya variabilidad tenga relación con la variación espacial de las mermas. Con el
objeto de ser utilizados como co-variable para estimar patrones espaciales de producción
expresada en términos de producto comercial, o grano de maní seco y limpio.

Materiales y métodos
El ensayo se realizó en un lote de producción de maní que se encuentra en la zona rural de la
localidad de Los Cisnes, provincia de Córdoba. Situado geográficamente en -33.478327 grados
de latitud sur y -63.457102 grados de longitud oeste. Esta parcela presenta una importante
variabilidad topográfica, con lomas, medias lomas y bajos bien definidos, alcanzando en
algunos sitios pendientes máximas de hasta el 15%.
El maní fue implantado en el mes de noviembre de 2011 sobre un rastrojo de soja, y
corresponde a la variedad tipo Runner ASEM 485. La fracción donde se realizo la experiencia,
fue cosechada con una descapotadota doble hilera modelo Cobra EVO II producida por
empresa Dehezamet S.A.; equipada con monitor de rendimiento volumétrico RDS (previamente
calibrado) a partir del cual mediante el krigeado de sus datos se obtuvo el mapa de rendimiento
de material cosechado (figura 1).

Figura 1: Mapa obtenido mediante el krigeado de datos del monitor volumétrico

Para la creación del modelo digital de elevación (DEM) de la parcela, se krigearon datos de
altimetría obtenidas con receptor GPS barométrico de precisión, conectado a una PocketPC
con FarmWorks Site-Mate v12.17. A partir del DEM se calcularon las pendientes del lote
mediante la aplicación gvSIG v1.12 (figura 2a y 2b).

(a)

(b)

Figura 2: (a) MDE obtenido mediante el krigeado de datos de GPS de precisión. (b) Mapa de pendientes máximas obtenido a partir del
MDE.

Durante el avance de la cosechadora, y a favor de la pendiente; se extrajeron desde la

descarga de la noria 12 muestras geo-referenciadas a intervalos de distancia regular, que
fueron analizadas en el laboratorio para determinar parámetros de merma como: (a) porcentaje
de palos y ramas; (b) porcentaje de tierra adherida en vainas; (c) porcentaje de otros materiales
extraños; (d) porcentaje de humedad de granos; (e) relación grano-vaina de la muestra (figura
3).

Figura 3: Ubicación de los sitios de toma de muestras desde la descarga de la noria para análisis de laboratorio.

Con la adición de los parámetros (a), (b) y (c) se obtuvo la suma de porcentajes de mermas por
materiales extraños, al relacionar este parámetro con el peso de la muestra bruta (material
cosechado), fue posible calcular el peso correspondiente solo a vainas limpias. Afectando el
anterior a la relación grano-vaina y descontando la humedad del grano, se logra calcular la
relación grano seco limpio:material cosechado (GSL:MC); de esta forma es posible integrar las
mermas en un parámetro único (figura 4 y tabla 1).

Figura 4: Esquematización del cálculo de la relación GSL:MC.

Peso granos Humedad Peso granos

Peso Granos Palos y Peso vainas Rel. Rel.
ID Tierra (%) Otros (%) limpios del grano limpios secos
muestra (gr) sueltos (%) ramas (%) limpias (gr) grano:vaina GSL:MC
húmedos (gr) (%) (gr)
1 1282.0 1.09 0.46 1.09 1.09 1248.2 0.75 936.12 17.20 775.10 0.605
2 1240.0 0.80 0.70 0.60 0.50 1217.7 0.73 888.91 16.80 739.57 0.596
3 1260.0 0.95 0.79 0.31 0.63 1238.2 0.75 928.65 17.30 767.99 0.610
4 1220.0 0.40 0.98 0.57 0.49 1195.1 0.75 896.33 16.70 746.65 0.612
5 1199.0 1.43 0.96 0.74 1.04 1166.1 0.71 827.96 17.40 683.90 0.570
6 1116.0 1.34 0.89 2.59 1.88 1056.2 0.76 802.70 17.80 659.82 0.591
7 1150.0 1.30 0.87 1.56 2.34 1095.1 0.54 591.38 17.70 486.70 0.423
8 1285.0 1.32 1.24 0.93 0.77 1247.2 0.73 910.47 17.00 755.69 0.588
9 1245.0 1.20 0.80 1.20 0.80 1210.1 0.73 883.40 16.90 734.11 0.590
10 1360.0 0.73 0.88 0.66 1.02 1325.2 0.67 887.87 16.60 740.49 0.544
11 1175.0 0.85 0.42 0.85 1.27 1145.2 0.53 606.93 16.00 509.82 0.434
12 1230.2 1.04 0.82 1.01 1.08 1194.9 0.70 832.79 17.04 690.89 0.562
Orígen
Lab. Calc. Lab. Calc. Lab Calc.
del dato
Tabal 1: Resultado de los parámetros analizados en cada muestra. Gentileza de la empresa Gastaldi Hnos. S.A.
Para determinar si los parámetros analizados en laboratorio tenían relación con alguno de los
atributo sitio-específicos disponibles, se realizó un análisis de componentes principales entre la
relación GSL:MC (también con cada fracción individual de merma), y los datos de rendimiento,
elevación y pendiente de los mismo sitios donde se tomaron las muestras.
Con las variables sitio-específicas que poseían mayor grado de asociación con la GSL:MC, se
calculó un modelo a partir de regresiones múltiples, para estimar cual sería la distribución
espacial de este atributo en el lote.
Posteriormente mediante unión de atributos por localización, se fusionaron los mapas cuyos
atributos fueron usadas como variables regresoras en el modelo, en un mapa único con tamaño
de cuadricula de 3 por 3 metros; y a partir de este mapa se estimó la distribución espacial de la
relación GSL:MC.
Los datos simulados de GSL:MC fueron contrastados con los observados mediante muestras
para determinar el grado de exactitud del modelo propuesto.
Ante una estrecha relación entre el producto del modelo y la realidad, es posible obtener datos
estimados de distribución espacial de rendimiento en grano seco y limpio, afectando cada punto
del mapa de rendimiento al valor simulado de GSL:MC del mismo sitio.

Resultados y discusión
Al analizar individualmente cada parámetro de merma, excepto el parámetro porcentaje de palos y
ramas y humedad del grano que mostró mejor relación con la variable sitio-específica elevación,
todos los demás parámetros de las muestras tuvieron mejor asociación con las variables sitio-
específica pendiente y rendimiento de material cosechado. El parámetro calculado relación GSL:MC
mostró un buen nivel de asociación tanto con la variable sitio-específica pendiente, como con la
variable rendimiento de material cosechado (no mostró asociación con la elevación). Por tales
motivos, para el cálculo de la función que explica espacialmente la variabilidad de las mermas, fue
seleccionada la GSL:MC como variable respuesta, y el rendimiento y la pendiente como variables
sitio-específicas independientes. A diferencia de la elevación, esta última además tiene al ventaja de
ser una variable común que se expresa en la misma dimensión para cualquier parcela. Por otro lado
la CSL:MC integra en un solo parámetro todas las mermas, esto facilita el análisis debido a la
necesidad de calcular un solo modelo que sintetiza la variabilidad.

Gráfico 1: Análisis de componentes principales y BiPlot que relaciona los parámetros que ocasionan mermas al producto comercial
y las variables sitio-especificas disponibles. Ángulos próximos a 0° entre auto-vectores: alta correlación positiva entre variables;
ángulos próximos a 180°: alta correlación negativa entre variables; ángulos próximos 90°: baja correlación entre variables.
CP1+CP2: 67.8%.
Con la supresión de algunos outliers, se logró un modelo que posee un excelente nivel de ajuste
con valores R2 y R2 Aj de: 0.97 y 0.92, respectivamente; y un valor de criterio de Akaike (AIC)
con signo negativo de: -25.14. Por tales motivos, es factible que este tenga una buena
performance para estimar la distribución espacial de la relación GSL:MC, a partir de otras
variables sitio-especificas. Los coeficientes de regresión del modelo que explican la variabilidad
espacial de la GSL:MC se detallan en la siguiente tabla:

y a b c d2 R2 R2 Aj. AIC
GSL:MC -1.25 * -0.03 * 0.83 ** -0.09 ns 0.97 0.92 -25.14
Tabla 2: Coeficientes de la regresión múltiple que relaciona la variable respuesta GSL:MC con las variables sitio-especificas
pendiente y rendimiento en material cosechado.
Donde:
GSL:MC = a + b(Pendiente) + c(Rend. Mat. Cosechado) + d(Rend. Mat. Cosechado)2
(*) Significativo para p<0.05.
(**) Significativo para p<0.10.
(ns) No significativo.

Al contrastar valores simulados por el modelo con valores observados, puede notarse que este
tuvo una preformase general bastante aceptable, pero que fue más preciso al estimar valores
extremos de GSL:MC (altos o bajos), y menos preciso cuando se trata de estimar valores
medios.

Gráfico 2: Datos de GSL:MC observados vs. calculados con el modelo propuesto.

Como el modelo propuesto es capaz de predecir con cierta exactitud la variación espacial de las
mermas totales explicadas por la relación GSL:MC; haciendo correr este modelo en cada sitio (o
cada cuadro de la cuadricula) del mapa que integra los datos de rendimiento de material cosechado
y los datos de pendiente; es posible confeccionar un mapa estimado de la distribución espacial del
rendimiento de producto con valor comercial expresado, en toneladas de grano seco y limpio por
hectárea (figura 5).
 Figura 5: Mapa expresando el rendimiento de grano seco limpio, y sus mapas estimadores.

Consideraciones finales
1- El monitoreo de rendimiento en maní mediante métodos volumétricos, es sin duda una
herramienta capaz de brindar información precisa sobre los niveles de producción en vainas en
condiciones de campo, pero no asegura un conocimiento explicito del rendimiento expresado en
producto comercial.
2- Si aparte del mapa de cosecha, se dispusiera de otras variables explicativas de mermas a
similar escala sitio-específica y suficiente cantidad de muestras analizadas en laboratorio. Seria
posible estimar un mapa del rendimiento de maní en grano seco y limpio; y por consiguiente,
valorar la producción de un lote de manera aproximada previo a la llegada del maní a la planta
procesadora.
3- El modelo empírico propuesto para estimar la producción de maní en grano seco y limpio, es
solo una primera aproximación surgida de un análisis exploratorio y aplicable en parcelas con
similares características a la del estudio.
4- Es fundamental seguir replicando experiencias explorando otras variables de síntesis sitio-
específicas, para mejorar el modelo y obtener estimaciones más precisas.
5- Líneas futuras de investigación, además de hacer hincapié en modelos predictivos de la
cantidad global de producto comercial, deberían contemplar la posibilidad de estimar mapas que
muestren el rendimiento y la distribución de cada calibre individualmente para una más precisa
valoración del producto.

Bibliografía consultada
Sanders, T. (1989). Maturity distributions in commercially sized florunner peanuts. Peanut Sci.
16: 91-95.
Hinds, M.; & Singh, B. (1994). Evaluation of fatty acids in oil as reaping indices for caribbean-
grown groundnut (Arachis hypogaea L.). Journal of Agric. Sci.122: 423-428.
Robert, P. (1999). Precision agriculture: An information revolution in agricultural. Agricultural
Outlook Forum. Sainum,k Forum 1999 yas orientadot Paul, Minnesota. ASA, CSSA, and SSSA,
Madison, Wisconsin.
Benito, A. (2002). Notas de clase, cátedra de cereales y oleaginosas, instituto de ciencias
básicas y aplicadas, universidad nacional de Villa María, Córdoba, (AR).
Giambastiani, G. (2002). Ecofisiología del cultivo de maní, facultad de ciencias agropecuarias,
universidad nacional de Córdoba, Córdoba, (AR).
Jaynes, D.; Kasper, T.; Colvin, T. & James, D. (2003). Cluster analysis of spatiotemporal corn
yield patterns in an Iowa field. Agron. J. 95: 574-586.
Pérez, M.; Cavallo, R.; Pedelini, R. (2004). Indicadores de madurez en frutos de maní (Arachis
hypogaea L.) cv. florman para la producción de semillas en Córdoba, Argentina. Agriscientia,
vol. XXI (2): 77-83.
Boretto, D.; Méndez, A.; Vélez, J.; Villaroel, D. Stucky H.; Alassia, M. (2011). Primer
cosechadora de maní de desarrollo nacional con monitor de rendimiento. Resumen de las
primeras experiencias. 10º Curso internacional de agricultura de precisión y 5° expo-maquinas
precisas. INTA EEA Manfredi, Córdoba, (AR).
Boretto, D.; Scaramuzza, F.; Méndez, A.; Ferreira, J. M.; Stucky, J. M.; Villarroel, D. (2012).
Monitoreo de rendimiento en maní, nuevas tecnologías para mejorar a futuro el manejo del
cultivo. Resultados de la segunda campaña de evaluación. XXVI Jornada nacional del maní.
INTA AER Gral. Cabrera. Córdoba, (AR).
Ackermann, B. (2012). El cluster manisero argentino y el desafió de la mejora constante. XXVI
Jornada nacional del maní. INTA AER Gral. Cabrera. Córdoba, (AR).
Pedelini, R. (2012). Maní, guía practica para su cultivo. Ediciones INTA. INTA EEA Manfredi,
Córdoba, (AR).