Determinación de mallas de muestreo para estimar la producción de racimos de fruta fresca en cultivos de palma de aceite sembrados con híbridos OxG
DOI:
https://doi.org/10.56866/01212923.14322Resumen
La cosecha es la tarea más exigente del cultivo de la palma de aceite. La logística de los subprocesos de cosecha, desde el corte de los racimos de fruta fresca (RFF), la recolección de RFF y el transporte de RFF hasta las plantas extractoras de aceite de palma dependen del rendimiento del cultivo. Esto último explica por qué el muestreo de RFF es relevante en las plantaciones de palma de aceite. Además, la mayoría de los esfuerzos en las plantaciones de palma de aceite en todo el mundo están en línea con el aumento del rendimiento de RFF mediante el uso de prácticas sostenibles, lo que se conoce como intensificación sostenible. Convencionalmente, la producción se estima a través de mallas de muestreo, por lo general, cada 5 filas y cada 5 palmas (5×5), 7×7 o 10×10; sin embargo, la densidad de muestreo no suele ser el resultado de un método estadísticamente riguroso. En consecuencia, el objetivo del presente trabajo fue definir cuadrículas de muestreo adecuadas para la estimación de rendimientos con métodos propios de la geoestadística. Se estudiaron cinco lotes de diferentes regiones colombianas productoras de palma de aceite con edades de siembra entre 5 y 9 años. En esos lotes, se registraron datos sobre el número total de estructuras reproductivas en cada palma de aceite en pie. Se utilizaron diferentes métodos de modelación geoestadística para determinar cuadrículas de muestreo que proporcionaron estimaciones precisas sobre el rendimiento de los cultivos. Los resultados indicaron que las cuadrículas óptimas de muestreo variaron de 3x3 a 9x9 entre los lotes estudiados, en función de la variabilidad de la producción de racimos de fruta fresca (RFF) por palma en cada lote y edad del cultivo.
Referencias bibliográficas
Ayala, I. M., Romero, H. M., Tupaz, A. A., Daza, E. S., Rincón, Á. H., & Caicedo, A. F. (2017).
Comportamiento agronómico de cultivares comerciales de palma de aceite en Campo Experimental Palmar de la Vizcaína. http://repositorio.fedepalma.org/handle/123456789/107601
Corley, R. H. V., & Tinker, P. B. (2015). The Oil Palm. Fifth Edition. John Wiley and Sons. https://doi.
org/10.1002/9781118953297
Cressie, N. (1992). Statistics for spatial data. Terra Nova, 4(5). https://doi.org/10.1111/j.1365-3121.1992. tb00605.x
Hoffmann, M. P., Donough, C. R., Cook, S. E., Fisher, M. J., Lim, C. H., Lim, … Oberthür, T. (2017).
Yield gap analysis in oil palm: Framework development and application in commercial operations
in Southeast Asia. Agricultural Systems, 151. https://doi.org/10.1016/j.agsy.2016.11.005
Mosquera-Montoya, M., Camperos, J. E., Ruiz, E., Hernández, D., García, A., Vargas, L. E., … Sinisterra,
K. (2023). Evidence of sustainable intensification in the production of palm oil from crops planted
with Elaeis oleifera x Elaeis guineensis in Colombia. Frontiers in Sustainable Food Systems. https://
www.frontiersin.org/journals/sustainable-food-systems/articles/10.3389/fsufs.2023.1217653
Mosquera-Montoya, M., Ruiz-Álvarez, E., Munévar-Martínez, D. E., Ardila, C., Cala, S. L., Benavides,
E., & Chávez, N. (2024). Costos de producción para la palma de aceite en empresas referentes
por su adopción tecnológica en Colombia en 2023. Palmas, 45(2), 40–53. https://publicaciones.
fedepalma.org/index.php/palmas/article/view/14266
Mosquera-Montoya, M., Ruiz-Álvarez, E., Munévar Martínez, D. E., Estupiñán Villamil, M.
C., Guerrero, Á., & Cala, S. (2022). Estudio de costos de producción 2021 para empresas
benchmark del sector de la palma de aceite de Colombia. Palmas, 43(4), 26–39. https://doi.
org/10.56866/01212923.13911
Ramirez-Contreras, N. E., Fontanilla-Díaz, C. A., Pardo, L. E., Delgado, T., Munar-Florez, D., Wicke,
B., … Faaij, A. P. C. (2022). Integral analysis of environmental and economic performance of
combined agricultural intensification & bioenergy production in the Orinoquia region. Journal
of Environmental Management, 303. https://doi.org/10.1016/j.jenvman.2021.114137
Rhebergen, T., Zingore, S., Giller, K. E., Frimpong, C. A., Acheampong, K., Ohipeni, F. T., … Fairhurst,
T. (2020). Closing yield gaps in oil palm production systems in Ghana through Best Management
Practices. European Journal of Agronomy, 115. https://doi.org/10.1016/j.eja.2020.126011
Rodrigues, M. S., Castrignanò, A., Belmonte, A., da Silva, K. A., & da Trindade, B. F. (2020).
Geostatistics and its potential in Agriculture 4.0. Revista Ciência Agronômica, 51. https://doi.
org/10.5935/1806-6690.20200095
Souza, Z. M. de, Marques, J., & Pereira, G. T. (2004). Variabilidade espacial da estabilidade de
agregados e matéria orgânica em solos de relevos diferentes. Pesquisa Agropecuária Brasileira,
(5). https://doi.org/10.1590/s0100-204x2004000500012
Sun, B., Zhou, S., & Zhao, Q. (2003). Evaluation of spatial and temporal changes of soil quality based
on geostatistical analysis in the hill region of subtropical China. Geoderma, 115(1–2). https://doi.
org/10.1016/S0016-7061(03)00078-8
Team, R. C. (2021). R: A Language and Environment for Statistical Computing. R Foundation for
Statistical Computing.
Woittiez, L. S., van Wijk, M. T., Slingerland, M., van Noordwijk, M., & Giller, K. E. (2017). Yield gaps
in oil palm: A quantitative review of contributing factors. European Journal of Agronomy, 83.
Cómo citar
Descargas
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Palmas
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
