INTRODUCCIÓN

En sistemas ganaderos de base pastoril conocer la capacidad de carga de los recursos forrajeros permite la asignación de una dotación adecuada de animales (Golluscio, 2009). La productividad forrajera (variable de flujo) representa la principal fuente de energía para los herbívoros (Sala y Austin 2000) y es la variable más importante para estimar la capacidad de carga de un sistema. En cambio, la disponibilidad forrajera (variable de estado) es útil para decisiones de corto plazo (i.e. tiempo de ocupación según carga instantánea o estimación de consumo animal). A pesar de su importancia, existe escasa información de la variabilidad espacial y temporal de estas variables, frecuentemente asociadas a la dificultad para estimar y extrapolar la información entre ambientes (Paruelo et al., 2010; Oesterheld et al., 2011).

La disponibilidad forrajera está determinada por la estacionalidad y la variabilidad interanual de la producción de forraje (Grigera et al., 2007; Millapán et al., 2014; Ojeda, 2017; 2018). Para evaluar la capacidad productiva de los sistemas forrajeros es imprescindible cuantificar la producción de forraje y su variación a través del tiempo (Chapman et al., 2008). Esto permite estimar la tasa de crecimiento de las pasturas y la cantidad de forraje disponible en un ambiente determinado para una estación en particular. A su vez, esta información es muy útil para la planificación forrajera ya que es insumo básico para identificar los momentos de déficit y exceso de forraje.

Las pasturas y verdeos implantados constituyen la principal base forrajera de los sistemas de producción de carne y leche en Entre Ríos (Engler et al., 2016), con una superficie implantada de 360000 ha (CNA, 2008). En esta región existe información disponible acerca de la productividad forrajera potencial en secano y bajo riego (Di Nucci et al., 2009; 2014; Sevilla y Agnusdei, 2016), pero pocos estudios han evaluado esta productividad en sistemas reales de producción (i.e. productividad real utilizando la tecnología media del productor) (Vicentin et al., 2013).

Existen métodos directos o indirectos para medir la disponibilidad forrajera. El método directo más difundido es el de corte y pesado de forraje, que brinda exactitud en la determinación de la disponibilidad de forraje, aunque es laborioso y puede ser poco preciso si no se cuenta con un número de muestras representativo de la heterogeneidad espacial (Spada y Cangiano, 1991). Los métodos indirectos requieren el corte como método patrón; entre ellos se incluyen la estimación visual (densidad, composición (Assuero et al., 1989, Millapán, 2014)), la regla graduada o bastón aforado (Cangiano, 1996; Sanderson et al., 2001), el pasturómetro o plato de levante (Fulkerson y Slack,1993; Sanderson et al., 2001), el capacitómetro (Danelón et al., 2001; Sanderson et al., 2001) e imágenes satelitales (Paruelo et al., 2000). La correcta estimación de la cantidad de forraje disponible en un momento dado depende del número y tamaño de muestreo y del error experimental del operador. A su vez, estas estimaciones están vinculadas directamente con la altura y densidad del forraje, la composición botánica, la estación del año y el manejo del pastoreo (O’Donovan et al., 2002). En este sentido, la calibración de métodos indirectos de estimación de disponibilidad forrajera es clave para una correcta asignación de pasturas.

Entre los métodos indirectos, el pasturómetro o plato de levante es uno de los más utilizados debido a su practicidad y alta repetitividad (Gourley y McGowan, 1991). La estimación del pasturómetro integra la altura y densidad de forraje en una única medida, denominada “altura del forraje comprimido” (Montossi et al., 2013). Estudios previos han reportado relaciones satisfactorias entre medidas de pasturómetro y método de corte para distintos ambientes de la región Pampeana (Cangiano, 1996; Millapán, 2014), sur de Chile (Saavedra, 2002; Demanet y Canseco, 2006) y Uruguay (Montossi et al., 2013). Sin embargo, hasta el momento no se ha evaluado la capacidad predictiva de la disponibilidad forrajera utilizando pasturómetro en ambientes de Entre Ríos, y menos aún, en condiciones reales de producción. Por lo tanto, los objetivos de este trabajo fueron: (i) calibrar medidas de pasturómetro a partir de mediciones de disponibilidad forrajera en pasturas perennes y verdeos anuales y (ii) validar los modelos calibrados utilizando set de datos independientes.

MATERIALES Y MÉTODOS

Sitios de estudio y especies evaluadas

La disponibilidad de forraje estacional de pasturas perennes consociadas (PP) y verdeos invernales (VI) fue evaluada durante los años 1999, 2000, 2001, 2002, 2003 y 2005 en 17 sitios del sudoeste de Entre Ríos. Las PP incluyeron alfalfa (Medicago sativa L.) en mezcla con trébol blanco (Trifolium repens L.), cebadilla criolla (Bromus catharticus Vahl.) y festuca alta (Festuca arundinacea Schreb.) mientras que los VI incluyeron raigrás anual (Lolium multiflorum Lam.) y avena (Avena sativa L.). Los sitios incluyeron sistemas ganaderos de producción de leche (tambo) y carne (cría e invernada) de ~100-300 ha de superficie ganadera en promedio. La localización y el tipo de suelo por sitio se describen en la tabla 1.

Manejo agronómico

Todos los sitios fueron conducidos en secano y bajo óptimo manejo agronómico (control de plagas y enfermedades). La rotación promedio fue de 3-4 años de PP seguida de 1-2 años de cultivos anuales forrajeros [VI + verdeo estival (VE)]. Los VE antecesores fueron moha [Setaria italica (L.) P. Beauv.], maíz (Zea mays L.), sorgo [Sorghum bicolor (L.) Moench]) o soja (Glycine max L.). Todas las PP fueron sembradas en siembra directa entre el 1 de marzo y el 1 de mayo a una distancia entre hileras de 0,175 m. La densidad de siembra de PP utilizada fue de 18-20 kg semillas viables ha-1 (promedio entre sitios) con una proporción de 60% de alfalfa. Las PP fueron fertilizadas a la siembra con 20,2 kg P ha^-1 año^-1 y 18,2 kg N ha^-1 año^-1 (fosfato diamónico). La densidad de siembra utilizada para los VI fue de 65-80 kg semillas viables ha^-1 para avena y de 15-20 kg semillas viables ha^-1 para raigrás anual. Los VI fueron fertilizados a la siembra con 8 kg P ha^-1 año^-1 y 7 kg N ha^-1 año^-1 (fosfato diamónico) y al estado de macollaje con 46 kg N ha^-1 año^-1 (urea). El manejo de la defoliación se realizó sobre un sistema rotativo intensivo con subdivisiones de franja diaria/medio día.

Mediciones

Biomasa aérea

Durante los años 1999, 2000, 2001, 2002, 2003 y 2005 se realizaron mediciones de biomasa aérea (BA) con un intervalo promedio de 30-60 días, variable según la estación de crecimiento, PP y VI (n=302; ver fechas de muestreo en Anexo). En cada fecha de muestreo se registraron mediciones de BA (1 a 5) pre- y pospastoreo. Las mediciones se realizaron cuando la cobertura de PP y VI alcanzó el 90-100% (determinación visual). Los muestreos se realizaron con tijera eléctrica (Accu 3, Gardena, Ulm, Germany) al ras del suelo, en una superficie de 0,2 m² dentro de parcelas homogéneas y representativas de ~0,5-1 ha en cada sitio. El total del forraje fresco cosechado se pesó y se extrajo una submuestra para determinar el porcentaje de materia seca (MS) a través de analizador de humedad (Koster Crop Tester Inc., Cleveland, Ohio).

Altura comprimida

Para las mismas fechas y sitios donde se muestreó BA (0,2 m²), se registró la altura del forraje comprimido (AFC) (n=302) mediante medidor de placa plegable manual, i.e. pasturómetro (Filip’s Manual Folding Plate Meter, Jenquip, Fielding, New Zealand). La relación peso de bastón+disco/área del disco fue de 3,23 kg/m². El pasturómetro consistió en un bastón de metal, con un disco o placa móvil que se movía sobre un eje central. Este eje estaba graduado cada 0,5 cm (es decir, cada medición de AFC corresponde con 0,5 cm de altura). Por lo tanto, cada medida de AFC se dividió por 2 con el objetivo de expresar el valor de AFC en cm.

Calibración y validación

Las medidas de BA obtenidas mediante método de corte fueron utilizadas para calibrar las estimaciones de disponibilidad forrajera mediante pasturómetro. La calibración se realizó utilizando el set de datos completo (i.e. anual) y por estación (i.e. otoño, invierno, primavera y verano).

Inicialmente, se realizaron regresiones lineales entre datos apareados utilizando las mediciones de BA y AFC (y=a*x+b, i.e., BA=a*AFC+b) para las PP y VI en base anual. Posteriormente, se agruparon los datos por estación y se calculó la regresión lineal para cada una de las estaciones del año. El ajuste entre variables (BA y AFC) se evaluó a través del coeficiente de determinación (R²) y el valor p de dichas regresiones. Posteriormente se analizó la H_o: a=0 y b=0 vs. H_a: a≠0 y b≠0 para las ecuaciones anuales y estacionales. Para los casos en donde b=0, se calcularon ecuaciones de regresión lineal adicionales (y=a*x, i.e., BA=a*AFC). Los datos fueron analizados mediante regresión lineal simple utilizando Rcmdr versión 2.3-2 (Fox et al., 2017).

Para validar los modelos (BA=a*AFC+b) calibrados se utilizaron set de datos de BA y AFC provenientes de estudios completamente independientes de PP de Argentina (Millapán, 2014) y Canadá (Martin et al., 2005) (Anexo). Los pasturómetros utilizados en estos estudios y la relación peso de bastón+disco/área del disco de estos estuvo en un rango similar al utilizado en el presente trabajo. La evaluación de los modelos predictivos de BA obtenidos a partir de la calibración se realizó según lo descripto por Tedeschi (2006). Los parámetros estadísticos utilizados fueron: media y desviación estándar observada y modelada, coeficiente de determinación (R²) y coeficiente de correlación de concordancia (CCC). El CCC integra la precisión a través del coeficiente de correlación de Pearson, que representa la proporción de la varianza total en los datos observados que puede ser explicada por los modelos, y la precisión por sesgo que indica hasta qué punto la línea de regresión se desvía de la línea (1:1; y=x). Las validaciones se juzgaron categóricamente sobre la base de los valores de CCC (Stöckle et al., 1998). Los límites estadísticos superior e inferior se fijaron como: “muy bueno” cuando CCC>0,80, “satisfactorio” cuando 0,70<CCC <0,80, “aceptable” cuando CCC<0,70 y “pobre” con otros valores de CCC.

RESULTADOS

En PP el rango de BA y AFC utilizado para la calibración varió entre 264-3300 kg MS y 3-15,5 cm, respectivamente (fig. 1a), mientras que en VI varió entre 140-3960 kg MS y 3-24 cm, respectivamente (fig. 1b). Los porcentajes de MS variaron entre 21-27% en PP y entre 16-25% en VI (tabla 2). La BA y AFC se relacionaron linealmente en base anual (R²=0,68-0,78; p<0,001) y estacional (R²=0,67-0,83; p<0,001), excepto en primavera para VI (p>0,001) (tabla 2). En todos los casos, el coeficiente b, i.e. ordenada al origen de la ecuación BA=a*AFC+b no fue significativo (p>0,001) (tabla 2). Por lo tanto, se compararon los valores del coeficiente a, i.e. BA por unidad de AFC, de la ecuación BA=a*AFC. El coeficiente a de la regresión difirió según la estación del año y entre PP y VI (tabla 2). En PP el incremento de BA por unidad de AFC, i.e. coeficiente a, varió desde 153,0 kg MS cm^-1 en otoño a 194,2-195,6 kg MS cm^-1 en verano y primavera, mientras que en invierno el incremento de BA por unidad de AFC fue intermedio (179,6 kg MS cm^-1) (tabla 2). El ajuste entre BA y AFC fue mayor en PP en verano (R²=0,74) en comparación con el otoño, invierno y primavera (R²=0,67-0,69; tabla 2). En cambio, en VI los valores de a fueron similares entre otoño e invierno (149,0 y 154,2 kg MS cm^-1, respectivamente), aunque el ajuste entre BA y AFC fue mayor en otoño que en invierno (tabla 2). El valor de a para VI en primavera fue de 149,0 kg MS cm^-1 (n=6).

Por un lado, en base anual (i.e. sin distinguir la estación), los modelos de calibración (tabla 2) mostraron precisión aceptable para predecir BA de PP (fig. 2a) y VI (fig. 2b) utilizando las bases de datos de validación (Anexo). Esto fue demostrado a través del rango de valores de R² (0,65 y 0,51 para PP y VI) y CCC (0,77 y 0,68 para PP y VI) en base anual (tabla 3). En base estacional, la precisión del modelo validado para PP fue aceptable en invierno (R²=0,37; CCC=0,61), satisfactoria en primavera (R²=0,64; CCC=0,72) y verano (R2=0,65; CCC=0,76) y muy buena en otoño (R²=0,78; CCC=0,88). En general, el modelo predictivo de BA en función de AFC subestimó BA en otoño e invierno (9,8 y 4,4%, respectivamente; fig. 2a), mientras que sobreestimó BA en primavera y verano (41,0 y 16,2%, respectivamente; fig. 2a). Por otro lado, la performance del modelo calibrado para predecir BA de VI fue aceptable (R²=0,51; CCC=0,68), aunque subestimó la estimación de BA en 27,8% (fig. 2b; tabla 3).

DISCUSIÓN

Los valores de los coeficientes de correlación obtenidos en las regresiones entre BA y AFC para PP y VI fueron similares a los reportados en la literatura nacional (Spada y Cangiano, 1991; Cangiano, 1996; Millapán, 2014) e internacional (Gourley y McGowan, 1991; Fulkerson y Slack, 1993; Sanderson et al., 2001; Saavedra, 2002; Demanet y Canseco, 2006; Montossi, 2013) (tabla 2). Estos estudios fueron basados en el análisis de la regresión BA=a*AFC+b debido a que la estructura de las PP analizadas (ej. trébol blanco, trébol rojo, raigrás perenne, festuca alta) fue cespitosa, i.e. alta BA por unidad AFC, y no incluyó alfalfa, lo cual generó coeficientes b positivos interpretados como BA remanentes en la mayoría de los casos. Por el contrario, nuestro trabajo presentó un análisis adicional de la regresión BA=a*AFC debido a que las PP evaluadas tuvieron como principal componente de la mezcla el cultivo de alfalfa, las cuales presentaron estructuras de canopia menos densas, i.e. más erectas en comparación con los estudios citados previamente. En este sentido, los valores del coeficiente b fueron, en casi todos los casos negativos y estadísticamente no significativos (tabla 2). Por lo tanto, presentamos ecuaciones alternativas de predicción (BA=a*AFC) (tabla 2). Estas ecuaciones permitieron analizar de manera simplificada el incremento de BA por unidad de AFC estacional y anual en PP y VI y podrían ser utilizadas para estimar BA en el rango de alturas de 5-30 cm, las cuales se corresponden con los umbrales de pastoreo habituales (Agnusdei, 2013).

De manera similar a lo reportado por Laca et al. (1989) en pastizales naturales de Estados Unidos, las regresiones entre BA y AFC fueron sensibles a la variación estacional de la densidad de la vegetación y a la variación estacional del contenido de MS (tabla 2). Asimismo, nuestros resultados fueron consistentes con las estimaciones de BA estacional a partir de AFC en PP de trébol blanco, trébol rojo (Trifolium pratense L.) y cebadilla criolla reportados por Millapán (2014) en la provincia de Buenos Aires (fig. 2a). En efecto, los mayores valores de a se encontraron durante primavera-verano donde el contenido de MS fue mayor en comparación con otoño (tabla 2). Sin embargo, estas diferencias se diluyeron en VI, debido a que el número de observaciones primaverales fue reducida (n=6).

A su vez, en promedio, la BA por unidad de AFC varió según el estrato de vegetación y las especies analizadas debido a la estructura diferencial de la vegetación, i.e. la estimación de BA a partir de la AFC fue diferencial según estratos. Esta relación fue mayor para el estrato >= 10 cm tanto para PP como para VI (tabla 2). Esta diferencia se acentuó aún más en el estrato < 10 cm entre PP y VI sembrados en línea donde el arreglo espacial de las especies generó una menor densidad de forraje (tabla 2). En el caso de los VI, la densidad de forraje es muy baja a bajos valores de AFC, lo cual limitaría el uso de estas ecuaciones predictivas cuando la disponibilidad de forraje es muy baja (fig. 1) debido a la sobreestimación de estas.

En general, la predicción de los modelos evaluados en este trabajo fue satisfactoria, lo cual los posiciona como una posible herramienta metodológica para la estimación de disponibilidad forrajera para pasturas de base alfalfa y verdeos invernales en los ambientes evaluados.

BIBLIOGRAFÍA

AGNUSDEI, M.G. 2013. Rol de la ecofisiología en el diseño de manejos especializados de pasturas. Archivos Latinoamericanos de Producción Animal, 21(1), 63-78.

ASSUERO, S.G.; ESCUDER, C.J.; NORBIS, H. 1989. Comparación de dos metodologías para estimar la disponibilidad de forraje en parcelas pastoreadas. Revista Argentina de Producción Animal, 9, 115-119.

CANGIANO, C.A. 1996. Métodos de medición de la fitomasa aérea. En: CANGIANO, C.A. (Ed.). Producción animal en pastoreo. Instituto Nacional de Tecnología Agropecuaria (INTA), Estación Experimental Agropecuaria Balcarce, Área de Producción Animal. Balcarce, INTA, Buenos Aires, Argentina. 117-128 pp.

CHAPMAN, D.F.; KENNY, S.N.; BECA, D.; JOHNSON, I.R. 2008. Pasture and forage crop systems for non-irrigated dairy farms in southern Australia. 2. Inter-annual variation in forage supply, and business risk. Agricultural Systems, 97(3), 126-138.

CENSO NACIONAL AGROPECUARIO. 2008

DEMANET, R., CANSECO, C. 2006. Comparación de métodos indirectos de estimación de la disponibilidad de forraje en praderas permanentes del sur de Chile. En: SEPÚLVEDA, N.; SOTO, P. (Ed.). xxxi Reunión Anual de la Sociedad Chilena de Producción Animal.Temuco, Chile. 9-10 pp.

DANELÓN, J.L.; DAPUENTE, C.G.; JAURENA, G.; CANTET, R., SAUCEDE, M.C. 2001. Eficiencia de la capacitancia y altura de canopeo comprimido (con disco) para estimar biomasa forrajera. Revista Facultad de Agronomía, 21 (3): 213-219.

DI NUCCI DE BEDENDO, E.; VALENTINUZ, O.; FIRPO, M.V.; MARTÍNEZ, M. 2009. Análisis de crecimiento de alfalfa en condiciones potenciales. EEA Paraná, INTA. 7 p.

DI NUCCI, E.; COSTA, M.; RE, A.; DE BATTISTA, J.P. 2014. Producción de forraje y persistencia de cultivares de alfalfa en suelos molisoles y vertisoles de Entre Ríos (ciclos 2006 a 2009). (Disponible: https://inta.gob.ar/documentos/produccion-de-forraje-y-persistencia-de-cultivares-de-alfalfa-en-suelos-molisoles-y-vertisoles-de-entre-rios-ciclos-2006-a-2009 verificado: septiembre de 2017).

ENGLER, P.; MANCUSO, W.; CANCIO, R. 2016. Costos de verdeos de invierno y pasturas permanentes en Entre Ríos. Boletín Económico de Lechería N.° 6. Paraná, INTA. (Disponible : https://inta.gob.ar/sites/default/files/inta_boletin_economico_lecheria_6.pdf. verificado: septiembre de 2017).

FOX, J.; BOUCHET-VALAT, M.; ANDRONIC, L.; ASH, M.; BOYE, T.; CALZA, S.; CHANG, A.; GROSJEAN, P. 2017. Package ‘Rcmdr’.

FULKERSON, W.J.; SLACK, K. 1993. Estimating mass of temperate and tropical pastures in the subtropics. Australian Journal of Experimental Agriculture, 33(7), 865-869.

GOLLUSCIO, R. 2009. Receptividad ganadera: marco teórico y aplicaciones prácticas. Ecología Austral, 19(3), 215-232.

GOURLEY, C.J.P.; MCGOWAN, A.A. 1991. Assessing differences in pasture mass with an automated rising plate meter and a direct harvesting technique. Australian Journal of Experimental Agriculture, 31(3), 337-339.

GRIGERA, G.; OESTERHELD, M.; DURANTE, M.; PACIN, F. 2007. Evaluación y seguimiento de la productividad forrajera. Revista Argentina de Producción Animal, 27 (2): 137-148.

LACA, E.A.; DEMMENT, M.W.; WINCKEL, J.; KIE, J.G. 1989. Comparison of weight estimate and rising-plate meter methods to measure herbage mass of a mountain meadow. Journal of Range Management, 71-75.

MARTIN, R.C.; ASTATKIE, T.; COOPER, J.M.; FREDEEN, A.H. 2005. A comparison of methods used to determine biomass on naturalized swards. Journal of Agronomy and Crop Science, 191(2), 152-160.

MILLAPÁN, L. 2014. Estimación de biomasa aérea en pasturas templadas de sistemas lecheros pastoriles. Trabajo Final Especialización en Producción Lechera en Sistemas Argentinos de la Universidad de Buenos Aires, FAUBA. 63 pp.

MONTOSSI, F.; PRAVIA, M.I.; DIGHIERO, A.; PORCILE, V.; GUTIÉRREZ, D.; DE O’DONOVAN, M.; CONNOLLY, J.; DILLON, P.; RATH, M.; STAKELUM, G. 2002. Visual assessment of herbage mass. Irish Journal of Agricultural and Food Research, 41: 201-211.

MONTOSSI, F.; DE BARBIERI, I.; DIGHIERO, A. 2013. El uso de la altura del forraje: una herramienta disponible para el manejo eficiente de sistemas pastoriles orientados a la producción ovina. Tecnologías de engorde de corderos pasados sobre pasturas cultivadas en Uruguay. Montevideo: INIA, 159-182.

OESTERHELD, M.; PARUELO, J.M.; OYARZABAL, M. 2011. Estimación de la productividad primaria neta aérea a partir de diferencias de biomasa y de integración de la radiación absorbida. En: ALTESOR, A.; AYALA, W.; PARUELO J.M. (Eds.). Bases ecológicas y tecnológicas para el manejo de pastizales. Ed. INIA, Serie FPTA, (26), 113-120.

OJEDA, J.J. 2017. Eficiencia de uso de la precipitación en secuencias de cultivos forrajeros anuales y pasturas perennes. Tesis Doctoral. Universidad Nacional de Mar del Plata. 322 pp.

OJEDA, J.J.; CAVIGLIA, O.P.; IRISARRI, J.G.N.; AGNUSDEI, M.G. 2018a. Modelling inter-annual variation in dry matter yield and precipitation use efficiency of perennial pastures and annual forage crops sequences. Agricultural and Forest Meteorology, 259, 1-10.

OJEDA, J.J.; CAVIGLIA, O.P.; AGNUSDEI, M.G.; ERRECART, P.M. 2018b. Forage yield, water-and solar radiation-productivities of perennial pastures and annual crops sequences in the south-eastern Pampas of Argentina. Field Crops Research, 221, 19-31.

PARUELO, J.M.; LAUENROTH, W.K.; ROSET, P.A. 2000. Estimating aboveground plant biomass using a photographic technique. Journal of Range Management, 53 (2): 190-193.

PARUELO, J.M.; PINEIRO, G.; BALDI, G.; BAEZA, S.; LEZAMA, F.; ALTESOR, A.; OESTERHELD, M. 2010. Carbon stocks and fluxes in rangelands of the Rio de la Plata basin. Rangeland Ecology & Management, 63(1), 94-108.

SAAVEDRA, M.C. 2002. Comparación entre métodos de estimación de disponibilidad de materia seca en praderas naturales de la vi región. Residencia requisito para título de Ing. Agr. Pontificia Universidad Católica de Chile, Facultad de Agronomía e Ingeniería Forestal, Departamento de Zootecnia. 123 p.

SALA, O.E.; AUSTIN, A.T. 2000. Methods of estimating aboveground net primary productivity. Methods in Ecosystem Science, 31-43.

SANDERSON, M.A.; ROTZ, C.A.; FULTZ, S.W.; RAYBURN, E.B. 2001. Estimating forage mass with a commercial capacitance meter, rising plate meter, and pasture ruler. Agronomy Journal, 93: 1281-1286.

SECRETARÍA DE AMBIENTE Y DESARROLLO SUSTENTABLE DE LA NACIÓN, 2014. Tercera Comunicación Nacional sobre Cambio Climático. “Cambio Climático en Argentina; Tendencias y Proyecciones” (Centro de Investigaciones del Mar y la Atmósfera). Buenos Aires, Argentina.

SEVILLA, G.H.; AGNUSDEI, M.G. 2016. Efecto del agregado de fósforo y nitrógeno en el crecimiento de cultivos de alfalfa en rebrotes de primavera y verano en un suelo vertisol de Entre Ríos. RIA. Rev. investig. agropecu. vol.42, n.1 93-101 pp. (Disponible: http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1669-23142016000100014&lng=es&nrm=iso verificado: 01 de junio de 2018).

SPADA, M. DEL C.; CANGIANO, C.A. 1991. El uso del disco en la estimación de la fitomasa aérea: una comparación con otros métodos. Revista Argentina de Producción Animal, 11(1):19-27.

STÖCKLE, C.O.; BELLOCCHI, G.; NELSON, R. 1998. Evaluation of the weather generator ClimGen for several world locations. 7th Int. Congr. for Comp. Tech. in Agric., Florencia, Italia. 34-41.

TEDESCHI, L.O. 2006. Assessment of the adequacy of mathematical models. Agricultural Systems. 89, 225-247.

VICENTIN, J.A.; MISTRORIGO, D.M.; CURTO, A.; DI NUCCI, E.; CIAN, M.; LORENZON, M.M.; STERREN, A.; ISAURRALDE, R.M.; VALLECILLO, S.M.; GANGGE, F.N.; SITO HENDERSON, R.; MUGHERLI, F.; RIEDEL, J.; VEICK, V. 2013. Evaluación de la producción primaria y secundaria de pasturas en siembra directa (en Sistemas Reales). Revista Ciencia, Docencia y Tecnología. UNER. 28 pp.