Raleo de frutos en kiwi

Durante la temporada 1999-2000 un lote de plantas de kiwi (Actinidia deliciosa (A. Chev.) C. F. Liang et A. R. Ferguson var. deliciosa cv Hayward) fue sometido a tres intensidades de raleo: 30, 40 y 50 frutos/m2 a los 19 días post-floración. Se evaluó la calidad de los frutos desarrollados en 3 tipos de ramificación lateral: fuerte, medio y débil. Se registró la evolución del crecimiento del fruto. Se determinó peso, contenido de sólidos solubles, firmeza de la pulpa y pH del jugo al momento de cosecha. • Las intensidades de raleo de 30, 40 y 50 frutos/m2 produjeron frutos de peso promedio 125, 121 y 113 g respectivamente. En los tres casos se superó el peso mínimo exigido para exportación. • Los laterales de tipo débil produjeron los frutos de menor peso y más blandos a cosecha. No se encontraron diferencias entre laterales en contenido de sólidos solubles y pH. • Los raleos intensos favorecieron la tasa de crecimiento del fruto pero la mayor intensidad de raleo (30 frutos/m2) comprometió el rendimiento del cultivo.

Análisis de componentes principales con datos georreferenciados : una aplicación en agricultura de precisión

La utilización de nuevas tecnologías asociadas a la agricultura de precisión permite capturar información de múltiples variables en gran cantidad de sitios georreferenciados dentro de lotes en producción. Las covariaciones espaciales de las propiedades del suelo y el rendimiento del cultivo pueden evaluarse a través del análisis de componentes principales clásico (PCA). No obstante, como otros métodos multivariados descriptivos, el PCA no ha sido desarrollado explícitamente para datos espaciales. Nuevas versiones de análisis multivariado permiten contemplar la autocorrelación espacial entre datos de sitios vecinos. En este trabajo se aplican y comparan los resultados de dos técnicas multivariadas, el PCA y MULTISPATI-PCA. Este último incorpora la información espacial a través del cálculo del índice de Moran entre los datos de un sitio y el dato promedio de sus vecinos. Los resultados mostraron que utilizando MULTISPATI-PCA se detectaron correlaciones entre variables que no fueron detectadas con el PCA. Los mapas de variabilidad espacial construidos a partir de la primera componente de ambas técnicas fueron similares; no así los de la segunda componente debido a cambios en la estructura de co-variación identificada, al corregir la variabilidad por la autocorrelación espacial de los datos. El método MULTISPATI-PCA constituye una herramienta importante para el mapeo de la variabilidad espacial y la identificación de zonas homogéneas dentro de lotes.