aplicaciÓn del modelo soil water ......47 aplicaciÓn del modelo soil water characteristics a las...

47

APLICACIÓN DEL MODELO SOIL WATER CHARACTERISTICS A LAS CONDICIONES DE LA REGIÓN CHACO- PAMPEANA SEMIÁRIDA PARA LA DETERMINACIÓN DE CONSTANTES

HÍDRICAS DE SUELOS

Alonso, J.M.; Carfagno, P.1 y Eiza, M.J.1

1 Facultad de Agronomía y Ciencias Agroalimentarias Universidad de Morón

RESUMENLos modelos computarizados de parámetros físicos de los suelos se basan en el uso de funciones de pedotransferencia que permiten conocer variables de difícil medición a través de parámetros simples de fácil obtención. En este trabajo se evaluó el modelo Soil Water Characteristics para determinar constantes hídricas a través de la textura y del contenido de materia orgánica de las muestras, y así poder compararlos a través de un análisis de correlación simple con aquellos resultados obtenidos por los métodos convencionales de laboratorio. El estudio fue realizado con muestras superficiales y subsuperficiales de suelos de la región semiárida y subhúmeda Chaqueña y Pampeana. Se demostró que a medida que aumenta el contenido de arena de las muestras la correlación fue mayor. De manera contraria al aumentar el contenido de arcilla la correlación fue menor. El contenido de materia orgánica no incidió significativamente en la muestra. El valor de correlación fue similar en ambas profundidades de muestreo. Se concluyó finalmente que al haber una correlación muy alta (r>0.80), es posible utilizar el programa SWCH como una herramienta eficiente en la determinación de agua útil en la Región Chaco-Pampeana.

Palabras clave: capacidad de campo, punto de marchitez, textura

Alonso, J.M.; Carfagno, P. y Eiza, M.J.

aBstRactComputer models of physical parameters of soils are based on the use of pedotransfer functions that provide variables difficult to measure through simple parameterseasily available. This study used the model Soil Water Characteristics to determine soil water properties through the texture and organic matter content of the samples, in order to compare them through a simple correlation analysis results with those obtained by conventional laboratory methods. The study was conducted with samples of surface and subsurface soils of the semiarid and subhumid Chaco-Pampean region. The results showed that with increasing sand content of the samples there was higher correlation. Conversely, when the clay content was increased, there was lower correlation. Content of organic matter did not affect the sample significantly. The correlation value was similar in both sampling depths. Finally, this study concluded that having a high correlation (r> 0.80), you can use the program as an efficient tool SWCH in the determination of useful water in the Chaco-Pampean Region.

Key words: field capacity, wilting point, texture

Rev. Fac. Agronomía y Cs. Agroalim. UM - Vol. VIII (2017)

48

INTRODUCCIÓNLa República Argentina está dividida en tres grandes categorías climáticas, encontrándose que un 25% es de clima húmedo, un 10% corresponde a un clima semiárido y el 65% restante presenta características áridas (Michelena, 2012). La importancia de administrar el agua, en especial en las áreas de clima árido y semiárido se torna cada vez más importante para el sector agropecuario en constante expansión. En este contexto, el suelo es el medio en donde el agua se almacena para luego ser utilizada en el desarrollo de los sistemas productivos. Por lo tanto, el estudio y la medición de la capacidad de almacenamiento de agua en los suelos y la eficiencia de uso del agua (EUA) son fundamentales para gestionar correctamente este recurso. La capacidad de almacenaje de agua edáfica de un suelo está definida como el agua que se encuentra entre el límite máximo (LMAX) y el límite mínimo (LMIN) en la zona de crecimiento radical del perfil. El LMAX se refiere al contenido de agua que un suelo puede retener luego haber sido plenamente humedecido y la variación del almacenaje en la zona de raíces se vuelve prácticamente nula. Este término también es conocido como capacidad de campo (CC). El LMIN se refiere al contenido de agua en el suelo a partir del cual las plantas dejan de extraer agua y manifiestan síntomas de marchitez parcial o total como resultado del estrés hídrico. Este término también es conocido como punto de marchitez permanente (PMP). El LMAX está muy relacionado con las propiedades físicas del suelo, como la textura, la estructura, la materia orgánica

(MO) y fundamentalmente con las características que presente el espacio poroso del suelo, mientras que el LMIN está relacionado con la granulometría de la textura del suelo y con las características de crecimiento y comportamiento que presente el vegetal (Conti, 2000). La importancia de estudiar la capacidad de los suelos para almacenar el agua radica en que, generalmente, durante el período de barbecho las precipitaciones exceden la capacidad de retención de los suelos, evaporándose, escurriendo o percolando en profundidad, lo que resulta en una baja EUA (Carfagno et al., 2007). El conocimiento del LMAX y LMIN de almacenamiento de agua en un suelo permite mejorar la EUA y al mismo tiempo, aplicar medidas correctivas tendientes a aumentar esta capacidad de almacenamiento en los momentos en que el aporte de agua sea mayor. A fin de conducir sistemas productivos agropecuarios sustentables y elaborar mejores estrategias de manejo, es fundamental contar con diagnósticos precisos del funcionamiento físico del suelo. Al mismo tiempo, resulta indispensable encontrar indicadores confiables y prácticos para el estudio de la evolución de los suelos en general y de la dinámica del agua edáfica en particular. El contenido de agua útil que presenta un suelo en un momento determinado depende de sus propiedades transmisivas y de los gradientes hidráulicos, ambos aspectos condicionados por la porosidad, asimismo pasible de ser modificada por distintos factores (Gil, 2002). El movimiento del agua a través del interior del perfil del suelo es dominado por su sistema poroso. El flujo de agua es gobernado por un factor hidráulico,

49


un factor gravitacional y un factor de capilaridad del suelo. En un suelo no saturado el movimiento del agua está dado por la conductividad hidráulica y la sortividad. Como el agua solo se trasmite a través de los poros, el flujo que circula será proporcional al diámetro de los poros, disminuyendo conforme los diámetros se reducen, pero esta disminución de velocidad, aparte del efecto geométrico, es aun en mayor grado para los pequeños poros, debido a que la movilidad de las moléculas de agua unidas a las partículas sólidas es muy baja por los efectos de adsorción (sortividad). Conforme el contenido de humedad baja disminuye el potencial mátrico y la conductividad tiende a disminuir con mayor rapidez. (Gil, 2002). Por ello en suelos con alta proporción de microporos tenemos más cantidad de agua retenida a PMP y CC. En un experimento llevado a cabo por Villar (2000), entre 1996 y 1999, se demostró que la utilización del agua útil del suelo como indicador permite determinar con buena precisión los rendimientos probables de trigo al momento de siembra. Este trabajo se realizó en lotes de 8 años en siembra directa y, a través de una función se estimaron los rendimientos de trigo a partir del agua útil almacenada al inicio del cultivo. Asimismo, concluyó que esta información juntamente con un seguimiento de las precipitaciones durante la etapa del macollaje puede mejorar la estimación de los rendimientos (Villar, 2000). Para determinar las constantes hídricas del suelo PMP y CC necesarias para estimar la cantidad de agua almacenable de un suelo, se pueden utilizar métodos de campo, laboratorio o bien,

realizar predicciones a través de funciones de pedotransferencia (FPT) y modelos computarizados. Entre las desventajas de las determinaciones de campo y de laboratorio se cuentan un alto insumo de tiempo, procesamiento de la muestra prácticamente artesanal, el uso de instrumental de alto costo y la necesidad de un gran número de muestras debido a la variabilidad espacial del suelo (Klute, 1986). Por tal motivo, bajo determinadas situaciones resulta mucho más práctico recurrir a la estimación a través del uso de FPT. Las FPT son 4 ecuaciones que relacionan el contenido de agua volumétrico del suelo con variables que describen el suelo (e.g. granulometría, estructura, densidad aparente y contenido de materia orgánica) dando como resultado un valor de retención de agua (Kern, 1995). Los modelos computarizados de predicción se basan en el uso de FPT que permiten conocer variables de difícil medición a través de parámetros simples de fácil obtención. Para el caso particular de la determinación de CC y PMP, uno de los modelos utilizados es el denominado como Soil Water Characteristics (SWCH) (Saxton y Rawls, 2006). Es importante destacar, que la información cartográfica publicada por el Instituto Nacional de Tecnología Agropecuaria (INTA) en las Cartas de Suelo de la República Argentina carece de datos de constantes hídricas del suelo. Asimismo, las pocas determinaciones del contenido de agua útil de los suelos realizadas se hicieron para conocer las necesidades de los cultivos en sitios específicos. (Totis de Zeljkovich et al., 1996). Por lo tanto, los modelos de predicción permitirían


50

aproximar estos valores de forma rápida y masiva. El modelo SWCH presenta una interfaz gráfica en la que, a partir de los contenidos de arena, arcilla y materia orgánica, el usuario obtiene las constantes hídricas PMP, CC y saturación, como así también una estimación de la conductividad hidráulica saturada (Ksat) y no saturada (Amabíle, 2008). Los resultados que arroja el modelo son reflejados en una curva de retención de agua que relaciona el volumen de agua del suelo con la tensión a la cual esta retenida. La tensión del suelo tiene dos componentes, el mátrico y el osmótico. La suma de ambos componentes es conocida como tensión total. El potencial mátrico está íntimamente relacionado con la estructura del suelo, en cambio, el osmótico está determinado por el contenido de sales que tiene el agua retenida en el suelo. A medida que aumenta la tensión (>15 atm), los valores de presión osmótica se desprecian. Es posible diferenciar tres regiones en la curva de retención de agua del suelo. La zona de saturación capilar, en la que la presión de poros-agua es negativa y el suelo se encuentra esencialmente saturado debido a las fuerzas de capilaridad. El límite de esta zona está determinado por el valor de entrada de aire (Air-entry value), que es aquel valor de la succión que se debe exceder para que los poros más grandes del suelo comiencen a drenar y el aire empiece a ocupar los poros del suelo. La segunda zona es llamada de saturación, y es aquella en la que el agua que se encuentra dentro de los poros desplazada por el aire en forma creciente. Finaliza en el contenido de agua residual en el cual los cambios en la tensión no afectan

significativamente el contenido de agua del suelo. La tercera zona es la de saturación residual en la cual el agua permanece inmóvil en el suelo (Pardo y Salinas, 2008). Las ecuaciones de correlación del modelo se desarrollaron en base a 1722 muestras tomadas del horizonte superficial (A) por USDA/NRCS National Soil Survey Laboratory de los Estados Unidos, elegidas de una base de datos. Cada muestra contenía el volumen de agua en PMP y CC, la densidad, la textura y porcentaje de MO del suelo. La textura y la MO son las variables que más afectan al contenido de agua en el suelo. Por ello, en la elaboración del modelo se evitó mezclar muestras de las capas subsuperficiales (horizontes B y C) con las del horizonte superficial, ya que enmascaraban el efecto de la MO. Por otra parte, no se tomaron muestras de suelos con más del 60% de arcilla o más del 8% de MO por considerarse muy diferentes en su estructura y mineralogía que aquellos menos arcillosos (Saxton & Rawls, 2006). El incremento de la MO en el perfil generalmente produce un aumento de la capacidad de retención de agua y de la conductividad, como consecuencia de su influencia en la agregación del suelo y asociado a la distribución de poros. Sin embargo, el contenido de agua a tensiones mayores, por ejemplo 15 atmósferas, se encuentra mayormente determinado por la textura del suelo, sin impactar el efecto de la MO sobre la agregación. Para tensiones menores el efecto de la MO varía con la clase textural, especialmente con las arcillosas (Amabile, 2008). El modelo también permite ajustarse a un parámetro de compactación. En un suelo compactado

51

se reduce la cantidad de macroporos reduciendo así la EUA. Igualmente, este fenómeno afecta a la estructura del suelo por lo tanto al agua retenida en tensiones menores. Por medio de este trabajo de investigación se busca evaluar la capacidad del modelo SWCH para predecir la retención de agua en los suelos más representativos de la región Chaco-Pampeana. Para ello, se utilizan valores de constantes hídricas (PMP y CC) obtenidas en el laboratorio del Instituto de Suelos de INTA, para su posterior correlación con aquellos arrojados por el modelo a partir de los datos de textura y contenido de MO de cada muestra de suelo. Los objetivos de este trabajo fueron: 1) correlacionar las constantes hídricas obtenidas a través de procesos de laboratorio, con aquellas simuladas por el Modelo Soil Water Characteristics en los horizontes superficial y subsuperficial; y 2) establecer el grado de correlación de los parámetros edáficos simulados (CC y PMP) en función de la textura de las muestras.

MATERIALES Y METODOLOGÍA

Sitios de muestreo. Se utilizó la información obtenida por el Instituto de Suelos del INTA Castelar de muestreos realizados en 10 sitios de la Región Chaco-Pampeana durante el periodo 2007-2011. De cada sitio se hicieron muestreos diferenciados por la serie a la que pertenecían y el manejo, completando un total de 33 suelos. De cada suelo se obtuvieron muestras a dos profundidades, una en superficie (0-10 cm) y otra subsuperficial (20-30 cm), originando 62 horizontes representados. Los suelos

muestreados a lo largo de la región son de composición heterogénea, por tener un distinto grado de evolución geomorfológica. En la Tabla 1 se detallan los 10 sitios de muestreo, las distintas series muestreadas en cada sitio y los manejos realizados en cada serie. Se recopilaron los datos de textura y MO de cada serie de las cartas de suelos del INTA Castelar, obteniendo así los datos necesarios para hacer correr el modelo de predicción (SWCH).

Armado de la base de datos. Para facilitar la introducción de datos en el modelo de predicción se confeccionó una base de datos (Tabla 1) que consta de tres partes: en una primera parte se identifica el sitio y la serie y dentro de esta, el tipo de manejo, la profundidad y un número de muestra. La segunda parte pertenece a los datos de textura y contenido de MO propio de cada muestra. La tercera sección de la base de datos corresponde a los puntos hídricos CC y PMP de la muestra analizada, obtenidos en el laboratorio del Instituto de Suelos del INTA Castelar. Se utilizaron distintas cartas de suelos para determinar, mediante la posición geográfica del sitio de muestreo, la serie a la cual pertenecían las muestras. Una vez determinada la serie se tomaron los datos de textura y contenido de MO de las leyendas de las cartas de suelo (Gómez et al., 1992; Moscatelli et al., 2005). Se determinó la textura de la muestra mediante el tacto, con el fin de constatar la composición textural de la serie de suelo indicada en la carta.



52

Tabla 1. Sitios de muestreo, series de suelos, características edáficas y constantes hídricas.Arena (%) Limo (%) Arcilla (%)

Ap 0-5 6.00 68.90 25.10 3.26 28.2 11.1B21t 30-35 12.06 55.94 32.00 1.2 25.3 14.2Ap 0-5 6.00 68.90 25.10 3.26 25.67 10.33

B21t 30-35 12.06 55.94 32.00 1.2 24.37 14.67Ap 0-5 68.00 20.50 11.50 2.24 18.13 6.37AC 30-35 71.10 23.90 5.00 1.96 10.73 4.03A 0-5 4.00 77.00 19.00 3.03 28.73 10.67B 30-45 5.50 68.50 26.00 1.84 23.03 12.4A 0-30 19.62 47.38 33.00 1.79 19.7 9.13

Bw 30-40 17.10 47.00 35.90 0.71 22 9.5A 0-30 19.62 47.38 33.00 1.79 25.1 10.88

Bw 30-40 17.10 47.00 35.90 0.71 24.8 14.93A 0-30 19.62 47.38 33.00 1.84 25.15 11.23

Bw 30-40 17.10 47.00 35.90 0.71 25 14.55A 0-30 31.76 43.62 24.62 3.05 29.65 10.73

Bw 30-40 33.00 42.00 25.00 1.91 18.35 11.6A 0-30 11.82 55.13 33.05 1.89 27.25 11.55

AC 30-40 12.70 55.50 31.80 1.15 24.9 11.98A 0-30 11.82 55.13 33.05 1.89 26.07 11.2

AC 30-40 12.70 55.50 31.80 1.15 24.47 12.6A 0-30 11.82 55.13 33.05 1.89 22.87 11.47

AC 30-40 12.70 55.50 31.80 1.15 24.3 13.13A 0-30 17.80 58.50 23.70 1.77 25.8 8.48

AC 30-40 17.30 57.50 25.20 1.56 17.1 5.38A 0-30 35.60 44.60 19.80 1.81 20.03 8.35

AC 30-40 33.20 46.10 20.70 1.08 19 8.25Suelo con tosca AC 30-40 22.00 39.70 38.30 2.99 35.82 30.84

A 0-5 28.80 41.80 29.40 6.74 30.17 16.48Bt 25-28 22.00 39.70 38.30 2.99 28.07 17.47A 0-5 28.80 41.80 29.40 6.74 34.27 17.48Bt 25-28 22.00 39.70 38.30 2.99 22.8 13.25A 0-5 28.80 41.80 29.40 6.74 29.97 14.53Bt 45-50 22.00 39.70 38.30 2.99 24.63 15.37A 0-5 28.80 41.80 29.40 6.74 28.6 14.22Bt 40-45 22.00 39.70 38.30 2.99 24.2 14.35A 0-5 25.70 41.60 32.70 7.91 29.33 18.1Bt 50-55 19.60 32.70 47.70 1.91 24.47 14.28A 0-5 19.40 49.90 30.70 7.39 29.9 13.13Bt 45-50 15.90 45.60 38.50 1.29 24.17 13.6A 0-5 52.72 42.15 5.13 1.79 19.43 6.17B 25-30 64.89 31.49 3.62 0.62 19.87 8.32A 0-5 67.36 12.00 20.64 0.9 20.47 5.12B 20-25 60.88 35.44 3.68 0.69 18.4 5.12A 0-10 26.10 54.20 19.70 2.29 25.03 8.9B 25-35 24.60 58.60 16.80 1.05 21.93 8.62A 0-10 18.00 56.00 26.00 3.33 26.83 9.68B 25-35 13.50 56.70 29.80 2.64 29.6 14.47A 0-10 47.90 33.10 19.00 2.31 23.93 7.85B 25-35 46.20 42.10 11.70 1.24 22.17 8.77

Ap 0-5 20.00 52.80 27.20 2.64 32.27 11.83Ah 25-30 26.40 54.00 19.60 2.82 25.27 11.42A 0-12 76.00 17.21 6.79 0.89 10.43 4.52

AC 12-35 75.39 20.10 4.51 0.57 7.5 4.1A 0-12 42.30 36.80 20.90 2.41 15.73 6.23

AC 45-55 39.30 40.30 20.40 0.35 10.9 5.13Monte A 0-20 83.38 11.21 5.41 0.89 7.07 3.78

A 0-20 83.38 11.21 5.41 0.89 7.9 4.13AC 20-45 86.45 9.12 4.43 0.6 6.1 3.28

Serie Batavia Maíz A 0-23 85.64 10.04 4.32 0.62 6.93 3.93Serie Naschel Soja AC 20-42 58.59 30.62 10.79 1.05 35.57 18.07

A 0-10 56.40 27.90 15.70 2.1 19.65 7.62AC 30-60 63.20 26.50 10.30 0.6 15.92 6.75

MO (%) CC (%) PMP (%)PROF. (cm)SITIO SERIE/SITIO MANEJONº

H

I

J 30 de AgostoBuenos Aires Serie El Correntino

Serie Buena Esperanza

A

B

C

D

E

F

G

San Luis

Serie Cramer

Serie Villa Reynolds

Agrícola con rotaciones

Serie Marcos JuarezMarcos Juarez

Canal Serie Canals

Oliveros Serie Oliveros

Las Breñas, ChacoSerie Tizón

Trigo-Soja (algo de maíz en la rotación)

Rastrojo Soja

Soja

Soja

Trigo

Trigo

Soja

Trigo

Rastrojo Maíz

Maíz-Soja

Maíz-Soja

Trigo

Sorgo Forrajero pastoreado (Bajo)

Soja

Maíz- Soja

Trigo-Soja

Trigo-Soja

Sorgo

Rastrojo algodón-lote degradado

Rastrojo SorgoRotación Soja-Sorgo

Soja-Soja

Soja-CC

Rastrojo Soja-SD

Rastrojo Soja

Bosque nativo (renoval)

Soja-Soja

Rastrojo Sorgo

Rastrojo MaízSerie Las Breñas

Santiago del Estero

Serie Bandera

Los Juríes

Serie Añatuya (Tobas)

Serie Miel de Palo (Tobas)

Azul, Buenos Aires

Serie Tandil

Serie Las Delicias

Serie Tres Esquinas

TEXTURA

Tucumán Sur (Dpto. Garmendia)

Tucumán Norte (Dpto. Burruyacu)

Serie Lamadrid

Serie Pampa Larga

Ayala/Gob. Piedrabuena

Araoz/Serie Pto. De Huncos

Garmendia/Serie La Esperanza

La Ramada/Serie El Chañar

HORIZONTE

Metodología para determinar CC y PM en laboratorio. Para la determinación de los puntos hídricos característicos de las muestras de suelo se utilizó el método de ollas de presión de Richards (Klute, 1986), haciendo uso del equipo extractor de presión del Laboratorio de Física del Instituto de Suelos (INTA Castelar). Las succiones a las que se

sometieron las muestras fueron 0.33 bar y 15 bares para CC y PMP, respectivamente. Se colocaron las muestras en placas de cerámica porosa de 1 bar para CC o de 15 bar para PMP y se saturaron durante 24 h en un recipiente con agua destilada. Se depositó la placa dentro de la olla de presión, se cerró la misma y se aplicó la presión correspondiente al punto hídrico

53

deseado. Una vez finalizada la salida de agua de la olla de presión (alrededor de 48 h), se retiraron las placas y se procedió a su pesado, obteniendo así el peso húmedo de la muestra. Por último, se secaron las muestras en estufa (105 º C) hasta que alcanzaron un peso constante y se calculó la humedad gravimétrica a CC y PMP. La metodología se repitió para cada una de las 62 muestras de suelo. Para poder realizar la correlación estadística entre las constantes del modelo de simulación y las determinadas en laboratorio, fue necesario calcular la humedad volumétrica en CC y PMP ya que los datos obtenidos de este procedimiento están expresados en base gravimétrica (g g-1) y el modelo trabaja con volúmenes (g cm-3).

Descripción del programa Soil Water Characteristics.El programa SWCH posee una interfaz gráfica intuitiva y amigable, con una única pantalla que se presenta en la Figura 1. El usuario puede modificar las variables de entrada y el programa calcula automáticamente las variables de salida. Las variables encerradas con un recuadro en color rojo son aquellas que se pueden modificar: el contenido de arena (Sand) a la izquierda junto al grafico textural, el contenido de arcilla (Clay), debajo del grafico textural, el contenido de materia orgánica (Organic Matter), salinidad (Salinity), rocosidad (Gravel), compactación (Compaction) y humedad (Moisture Calculator), en un recuadro a la derecha del triángulo textural.Por otro lado, los resultados obtenidos por el programa están remarcados en color azul, en la esquina superior derecha de la pantalla.

Cabe destacar que es muy dinámico y que el usuario puede ver instantáneamente cómo varían los resultados alterando las variables con el mouse. A partir de las variables introducidas el programa obtiene: clase textural, PMP (Wilting Point), CC (Field Capacity), humedad de saturación (Saturation), agua útil (Avaiable Water), conductividad eléctrica en manto saturado (Sat. Hydraulic. Cond.) y densidad (Matric Bulk Density). Asimismo, el programa elabora un gráfico que representa la variación del potencial mátrico, osmótico y la conductividad eléctrica en función del grado de saturación del suelo. El programa también permitió guardar las simulaciones realizadas por lo que para el resguardo de los datos se elaboró un archivo para cada muestra simulada. Los archivos se nombraron con el número de muestra seguido del horizonte. De esta forma se agiliza la lectura e interpretación de los datos obtenidos, al no tener que correr las simulaciones nuevamente.



54

Figura 1. Interfaz gráfica del SWCH.

Se realizaron análisis de correlación entre las variables analizadas a fin de comprobar la capacidad del modelo para predecir la capacidad de retención a CC y PMP. Se obtuvieron los coeficientes de correlación correspondientes a las muestras superficiales y subsuperficiales.

RESULTADOS Y DISCUSIÓN

Determinaciones en laboratorio de CC y PMP En las Tablas 2 y 3, se detallan los puntos hídricos obtenidos en laboratorio en humedad gravimétrica y su equivalente en humedad volumétrica, así como la densidad aparente en las muestras superficiales y subsuperficiales, respectivamente. Los datos obtenidos presentaron una amplia variabilidad que respondió a las características texturales y de contenido de MO, en relación con la ubicación geográfica de la que se tomaron las muestras. En

este sentido, para las determinaciones en muestras superficiales la CC se halló entre 9.64 y 38.55 %v/v, mientras que el PMP estuvo entre 5.47 y 30.84 %v/v, no correspondiendo estos datos extremos a la misma muestra (Tabla 2). El mínimo y el máximo correspondientes a agua útil fueron de 4.17 y 24.61 %v/v, respectivamente (Tabla 2). Por otro lado, para las muestras subsuperficiales, las CC y los PMP mínimos y máximos fueron de 6.25 y 3.35 %v/v y 45.82 y 21.90 %v/v, respectivamente. Asimismo, el agua útil para este estrato de suelo varió entre 2.90 y 29.02 %v/v.

Tabla 2. Densidad aparente (Dap), capacidad de campo (CC) y punto de marchitez permanente (PMP) obtenidas por determinaciones en laboratorio, correspondientes a las muestras superficiales.

55

Nº IDDap

(Mg m-3)CC

(% p/p)PMP

(% p/p)CC

(% v/v)PMP

(% v/v)Agua útil (% v/v)

1 1.32 28.20 11.10 37.22 14.65 22.573 1.32 25.67 10.33 33.88 13.64 20.245 1.30 18.13 6.37 23.57 8.28 15.297 1.19 28.70 10.70 34.05 12.64 21.419 1.22 19.70 9.13 24.03 11.13 12.90

11 1.26 25.10 10.88 31.63 13.70 17.9313 1.33 25.15 11.23 33.45 14.93 18.5215 1.30 29.65 10.73 38.55 13.94 24.6117 1.10 27.25 11.55 29.98 12.71 17.2719 1.12 26.07 11.20 29.19 12.54 16.6521 1.21 22.87 11.47 27.67 13.87 13.8023 1.06 25.80 8.48 27.35 8.99 18.3625 1.16 20.03 8.35 23.24 9.69 13.5528 1.20 37.90 23.40 35.82 30.84 4.9830 1.31 37.90 23.40 36.77 22.88 13.8932 1.36 37.90 23.40 31.01 18.02 12.9934 1.38 37.90 23.40 33.99 21.21 12.7836 1.48 37.90 23.40 35.82 21.24 14.5838 1.47 41.50 28.50 35.97 21.00 14.9740 1.45 38.40 23.50 35.04 19.72 15.3242 1.14 12.20 2.80 22.70 9.50 13.2044 1.32 13.30 2.90 24.35 6.77 17.5846 1.18 28.40 11.20 25.96 10.20 15.7648 1.22 36.30 19.00 36.19 17.69 18.5050 1.20 21.50 8.30 26.63 10.53 16.1052 1.25 31.10 13.80 31.68 14.31 17.3754 1.47 10.40 3.20 11.03 6.03 5.0056 1.44 25.90 12.40 15.70 7.39 8.3157 1.38 7.90 4.13 10.90 5.70 5.2059 1.39 6.93 3.93 9.64 5.47 4.1761 1.26 19.65 7.62 24.76 9.60 15.16

Mínimo 1.06 6.93 2.80 9.64 5.47 4.17Máximo 1.48 41.50 28.50 38.55 30.84 24.61Promedio 1.28 25.98 12.57 28.32 13.51 14.81

Tabla 3. Cálculo Densidad aparente (Dap), capacidad de campo (CC) y punto de marchites permanente (PMP) obtenidas por determinaciones en laboratorio, correspondientes a las muestras subsuperficiales.



56

Nº ID Dap CC PMP CC v/v PMP v/v Agua útil2 1.40 37.20 20.70 35.42 19.88 15.544 1.40 37.20 20.70 34.11 20.53 13.586 1.40 13.10 4.50 15.03 5.65 9.388 1.45 36.40 16.50 33.40 17.98 15.42

10 1.12 37.00 21.70 24.64 10.64 14.0012 1.31 37.00 21.70 32.49 19.55 12.9414 1.28 37.00 21.70 32.00 18.62 13.3816 1.36 31.00 16.10 24.96 15.78 9.1818 1.13 36.30 19.60 28.14 13.54 14.6020 1.06 36.30 19.60 25.93 13.36 12.5722 1.30 36.30 19.60 31.59 17.07 14.5224 1.10 33.60 15.90 18.81 5.92 12.8926 1.12 28.30 13.40 21.28 9.24 12.0427 1.31 30.17 16.48 39.52 21.59 17.9329 1.14 34.27 17.48 39.06 19.93 19.1331 0.99 29.97 14.53 29.67 14.39 15.2833 1.25 28.60 14.22 35.75 17.77 17.9835 1.21 29.33 18.10 35.49 21.90 13.5937 1.21 29.90 13.13 36.18 15.89 20.2939 1.24 19.43 6.17 24.10 7.65 16.4541 1.27 20.47 5.12 25.91 6.48 19.4343 1.12 25.03 8.90 28.11 9.99 18.1245 1.31 26.83 9.68 35.08 12.66 22.4247 1.32 23.93 7.85 31.54 10.34 21.2049 1.26 32.27 11.83 40.81 14.97 25.8451 1.45 10.43 4.52 15.13 6.55 8.5853 1.42 32.27 11.83 45.82 16.80 29.0255 0.89 7.07 3.78 6.25 3.35 2.9058 1.40 7.50 2.30 8.54 4.60 3.9460 1.51 17.80 7.50 23.05 12.84 10.2162 1.36 15.70 6.40 21.65 9.18 12.47

Mínimo 0.89 7.07 2.30 6.25 3.35 2.90Máximo 1.51 37.20 21.70 45.82 21.90 29.02Promedio 1.26 27.67 13.27 28.37 13.38 14.99

Simulaciones realizadas con el modelo SWCH en el horizonte superficial y subsuperficial.En la Tabla 4 se presentan los resultados de CC y PMP obtenidos mediante simulación con el modelo SWCH para la totalidad de las muestras. La variabilidad de los valores

encontrados a través de las simulaciones para CC y PMP fue similar, e incluso, los valores extremos y promedio fueron similares entre ambas profundidades. En este sentido, la CC mínima y máxima para el horizonte superficial fue de 7.50 y 41.50 % v/v, mientras que para PMP fueron de

57

2.30 y 28.50% v/v, respectivamente. Por su parte, en el horizonte subsuperficial los extremos para CC registrados fueron de 7.50 y 38.60 % v/v y para PMP de 2.30 y 22.50 % v/v, respectivamente.

Tabla 4. Simulaciones realizadas con el programa SWCH en el horizonte superficial y horizonte subsuperficial.

Nº ID CC v/v PMP v/v Nº ID CC v/v PMP v/v1 36.70 16.50 2 37.20 20.703 36.70 16.50 4 37.20 20.705 16.80 7.80 6 13.10 4.507 35.80 13.30 8 36.40 16.509 36.10 20.40 10 37.00 21.70

11 36.10 20.40 12 37.00 21.7013 36.10 20.40 14 37.00 21.7015 31.60 16.10 16 31.00 16.1017 37.10 20.30 18 36.30 19.6019 37.10 20.30 20 36.30 19.6021 37.10 20.30 22 36.30 19.6023 33.20 15.50 24 33.60 15.9025 28.00 13.30 26 28.30 13.4028 37.90 23.40 27 36.70 20.2430 37.90 23.40 29 36.70 20.2432 37.90 23.40 31 36.70 20.2434 37.90 23.40 33 36.70 20.2436 37.90 23.40 35 38.60 22.5038 41.50 28.50 37 38.50 21.2040 38.40 23.50 39 17.30 4.7042 12.20 2.80 41 20.80 12.5044 13.30 2.90 43 30.60 13.6046 28.40 11.20 45 35.00 17.2048 36.30 19.00 47 25.70 13.0050 21.50 8.30 49 34.40 17.4052 31.10 13.80 51 11.60 4.7054 10.40 3.20 53 27.90 14.2056 25.90 12.40 55 8.80 3.3057 8.80 3.30 58 7.50 2.3059 7.50 2.30 60 17.80 7.5061 22.40 11.20 62 15.70 6.40

Mínimo 7.50 2.30 Mínimo 7.50 2.30Máximo 41.50 28.50 Máximo 38.60 22.50Promedio 29.86 15.50 Promedio 29.47 15.26

Horizonte superficial Horizonte subsuperficialSIMULACIONES

Correlaciones entre constantes hídricas simuladas y determinadas en laboratorio y su comportamiento ante diferentes contenidos de arena, arcilla y materia orgánica para el horizonte superficial.



58

En las Figuras 2 a, b, c, d, e, f, g y h, se presentan los resultados de correlación para el horizonte superficial y el valor de correlación (r) para el modelo completo (Figura 2 a y b) y discriminada por el contenido de arena (Figura 2 c y d), arcilla (Figura 2 e y f) y materia orgánica (Figura 2 g y h). A medida que se incrementaron los valores de CC y PMP la dispersión de los datos fue mayor. Cabe remarcar que, en general, a mayor CC y PMP las muestras se

caracterizaron por ser de textura arcillosa, disminuyendo la proporción de arena. Para ambas variables, los valores tuvieron un ajuste óptimo, ubicándose la línea de tendencia a la correspondiente de y=x, por lo que el modelo evaluado se correspondió satisfactoriamente con los datos reales determinados en el laboratorio. En tal sentido, los valores de r de correlación para CC y para PMP fueron altos y positivos (r=0.84 y r= 0.82, respectivamente).

y = 1.0826x - 0.7955r = 0.8397

0

10

20

30

40

50

0 10 20 30 40 50CC Observada (% v/v)

CC S

imul

ada

(% v

/v)

y=xa) CC - Horizonte superficial

0

10

20

30

40

50

0 10 20 30 40 50CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 20 %20 - 40 %40 - 60 %> 60%

y=xc) CC - Contenido de arenasuperficial

0

10

20

30

40

50

0 10 20 30 40 50CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 10 %10 - 20 %20 - 30 %> 30%

y=xe) CC - Contenido de arcillasuperficial

y = 1.0399x + 1.4513r = 0.8177

0

10

20

30

40

0 10 20 30 40PMP Observado (% v/v)

PMP

Sim

ulad

o (%

v/v

)

y=xb) PMP - Horizonte superficial

0

10

20

30

40

0 10 20 30 40CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 20 %20 - 40 %40 - 60 %> 60%

y=xd) PMP - Contenido de arenasuperficial

0

10

20

30

40

0 10 20 30 40CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 10 %10 - 20 %20 - 30 %> 30%

y=xf) PMP - Contenido de arcillasuperficial

0

10

20

30

40

50

0 10 20 30 40 50CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 2 %2 - 4 %> 4 %

y=xg) CC - Contenido de MOsuperficial

0

10

20

30

40

0 10 20 30 40CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 2 %2 - 4 %> 4 %

y=xh) PMP - Contenido de MOsuperficial

59

Figura 2. Correlaciones entre la CC y PMP simulada y la determinada en laboratorio para el horizonte superficial para el modelo completo (a y b) y discriminada por el contenido de arena (c y d), arcilla (e y f) y materia orgánica (g y h).Con relación al contenido de arena de las muestras, a medida que esta se incrementó, el contenido hídrico retenido fue menor y la dispersión de los puntos también se redujo. En sentido, tanto para CC, como para PMP, con bajos contenidos de arena (menos del 40%) la retención fue sobrestimada de manera significativa y los pares de datos tuvieron un menor ajuste. De manera similar a lo presentado en este trabajo, Mastrantonio et al. (2012) estudiaron 114 muestras de suelo obtenidas en el Valle de Uco (Mendoza). Estos autores probaron la correlación existente entre la CC y el PMP determinados en laboratorio y aquellos simulados con cuatro modelos de predicción a partir de FPT. Concluyeron que el modelo de van Genuchten se ajustó mejor a suelos con altos contenidos de arena, al igual que lo presentado aquí para el SWCH. Por el contrario, los otros tres modelos propuestos tuvieron un mejor ajuste en suelos de textura fina.Con respecto al contenido de arcilla, la dispersión de los puntos aumentó en la medida que esta fracción mineral fue mayor, mientras que, al reducirse, los puntos se ajustaron a la línea y=x. La correlación en CC y PMP es sobrestimada en muestras con contenidos de arcilla superiores al 30%. Contrariamente a lo presentado, un estudio realizado por Pilatti (1989) en suelos de Santa Fe, sobre la predicción de PMP a partir del contenido de arcilla, demostró que

en la medida que el porcentaje de arcilla aumentó, el error relativo medio (ERM) fue menor (Pilatti, 1989). Esto fue contrario a lo determinado por el modelo SWCH en el que, a medida que aumentaron los contenidos de arcilla se perdió correlación. Asimismo, otros estudios que incluyeron la utilización de los métodos de Pecorari et al. (1988) y Rawls et al. (1982) para la estimación de constantes hídricas a través de FPT en muestras provenientes de suelos de textura franco-limosa a arcillo limosa, demostraron que el ERM fue menor. En cambio, el método de Damiano et al. (1996), utilizado en las mismas muestras funcionó con un ERM más alto que en suelos de textura areno-francos (Damiano y Taboada, 2000).Por otro lado, la MO no afectó de manera significativa la correlación, ya que el comportamiento de las tres agrupaciones fue similar, no observándose ninguna tendencia en la nube de puntos hasta niveles de 4% de MO. A partir de 4% la CC y el PMP mostraron mayores retenciones hídricas. Inicialmente, en la elaboración de las ecuaciones de predicción del modelo de simulación se separaron las muestras en superficiales y subsuperficiales por el efecto que podría producir la materia orgánica MO. Sin embargo, para este modelo evaluado, la variable textura parecía tener mayor peso al momento de explicar la retención de los suelos.

Correlaciones entre constantes hídricas simuladas y determinadas en laboratorio y su comportamiento ante diferentes contenidos de arena, arcilla y materia orgánica para el horizonte subsuperficial.



60

En las Figuras 3 a, b, c, d, e, f, g y h, se muestran las correlaciones para el horizonte subsuperficial y el valor de correlación (r) para el modelo completo (Figura 3 a y b) y discriminada por el contenido de arena (Figura 3 c y d), arcilla (Figura 3 e y f) y materia orgánica (Figura 3 g y h). Al igual que en la correlación de las muestras del horizonte superficial, para las muestras subsuperficiales el valor r fue alto, para CC como para PMP (r=0.76 y r=0.80, respectivamente). Para estas profundidades, los valores simulados de CC fueron similares a los observados, aunque hasta 25% de retención observada fue levemente subestimada y a partir de ese valor fue sobreestimada. Por otro lado, la PMP fue levemente sobreestimada en todo el rango observado. Cabe mencionar que, aunque el programa SWCH fue diseñado para ser utilizado en horizontes superficiales (Saxton y Rawls, 2006), los valores reencontrados en cada situación presentan una gran similitud para ambos puntos de retención y horizontes estudiados. Lo explicado demuestra que el SWCH sería adecuado para utilizarse en cualquier profundidad.A diferencia de lo presentado para el horizonte superficial, el contenido de arena no colaboró en explicar la retención a CC y PMP, ya que estos valores se distribuyeron indistintamente para todo el rango de contenidos de arena. En este sentido, la dispersión en los datos fue mayor, y con contenidos extremos altos y bajos de arena el programa simuló indistintamente la CC y el PMP observado o determinado en laboratorio.A medida que el contenido de arcilla

aumentó en las muestras, también lo hizo la dispersión de los datos, tanto para CC como para PMP. Para las muestras con contenidos de arcilla superiores al 20% la CC y el PMP fueron sobrestimados. De todas maneras, las pruebas realizadas retirando los pares de datos correspondientes a muestras con contenidos de arcilla mayores al 20%, no mejoraron significativamente el ajuste.

61

0

10

20

30

40

50

0 10 20 30 40 50CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 20 %20 - 40 %40 - 60 %> 60%

y=xc) CC - Contenido de arenasub-superficial

0

10

20

30

40

50

0 10 20 30 40 50CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 10 %10 - 20 %20 - 30 %> 30%

y=xe) CC - Contenido de arcillasub-superficial

0

10

20

30

0 10 20 30CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 20 %20 - 40 %40 - 60 %> 60%

y=xd) PMP - Contenido de arenasub-superficial

0

10

20

30


CC

Sim

ulad

a (%

v/v

)

0 - 10 %10 - 20 %20 - 30 %> 30%

y=xf) PMP - Contenido de arcillasub-superficial

0

10

20

30

40

50

0 10 20 30 40 50CC Observada (% v/v)

CC

Sim

ulad

a (%

v/v

)

0 - 2 %2 - 4 %> 4 %

y=xg) CC - Contenido de MOsub-superficial

0

10

20

30


CC

Sim

ulad

a (%

v/v

)

0 - 2 %2 - 4 %> 4 %

y=xh) PMP - Contenido de MOsub-superficial

y = 0.8238x + 6.1037r = 0.7645

0

10

20

30

40

50

0 10 20 30 40 50CC Observada (% v/v)

CC S

imul

ada

(% v

/v)

y=xa) CC - Horizonte sub-superficial

y = 0.9427x + 2.6538r = 0.8042

0

10

20

30

0 10 20 30PMP Observado (% v/v)

PMP

Sim

ulad

o (%

v/v

)

y=xb) PMP - Horizonte sub-superficial

Figura 3. Correlaciones entre la CC y PMP simulada y la determinada en laboratorio para el horizonte superficial para el modelo completo (a y b) y discriminada por el contenido de arena (c y d), arcilla (e y f) y materia orgánica (g y h).



62

Al igual que lo observado en el horizonte superficial, la materia orgánica no afectó significativamente la correlación y la retención a CC y a PMP fue indistinta del contenido de MO (Figuras 3 g y h). Quiroga y Bono (2007) comprobaron en el INTA Anguil que, con bajos contenidos de MO los cambios en las propiedades físicas del suelo, provocados por el manejo, son más dependientes de la granulometría que del contenido de MO. Por orto lado, resultados obtenidos por Mc Anenney y Arrue (1993), demostraron la estrecha relación que existe entre la capacidad de almacenaje de agua y el aumento de los contenidos de MO. Sin embargo, estos autores igualmente indicaron que los suelos con mayor capacidad de retención de agua (CRA) han recibido un mayor aporte de materia orgánica al favorecer el crecimiento y desarrollo vegetativo de las especies vegetales.

En resumen, al aumentar el contenido de arcilla de los suelos se favorece la formación de agregados. La formación de estos agregados mejora la estructuración del suelo resultando en un aumento de la capacidad de almacenaje de agua (Borie et al., 2008). En estas circunstancias es lógico pensar que cualquier disturbio en la estructura por efecto de manejos agronómicos inadecuados, como, por ejemplo, la compactación del suelo puede provocar grandes variaciones en las constantes hídricas, y en el contenido de agua útil. Por lo tanto, en estos suelos mal estructurados la variabilidad del contenido de agua útil es mayor por estar más condicionados por el manejo. Por el

contrario, los suelos con alto contenido de arena al tener menor efecto determinante de la estructura se correlacionan mejor con las predicciones del modelo. Aunque la MO forma parte importante de la floculación y cementación de agregados y en consecuencia de la estructura y de la EUA del suelo (Borie et al., 2008), en este estudio no marcó una tendencia en las simulaciones.Con relación a la profundidad de los horizontes evaluados, el programa Soil Water Characteristics funciona de igual manera para muestras a nivel superficial, como sub-superficialmente, aún habiendo sido diseñado exclusivamente para horizontes superficiales. Esto se pudo deber a que la textura de las muestras en ambos horizontes analizados fue similar, notándose un leve aumento en los contenidos de arcilla en el horizonte subsuperficial.

CONCLUSIONESPara suelos de la región semiárida y subhúmeda Chaco-Pampeana se comprobó que medida que aumenta el contenido de arena de las muestras la correlación entre las estimaciones del modelo SWCH y las determinaciones en laboratorio de la CC y el PMP, es mayor. Además, de manera contraria al aumentar el contenido de arcilla de las muestras la correlación es menor. Para las condiciones planteadas se demostró que el contenido de materia orgánica no incide significativamente en la precisión de la simulación, como sí lo hacen la arena y la arcilla. Con respecto al valor r de correlación, se observó que fue muy alta (r > 0,80) y similar en ambas profundidades de

63

muestreo, a pesar de que el modelo ha sido diseñado para horizontes superficiales. Debido a que las estimaciones con el modelo SWCH tienen una correlación muy alta (r>0,80) con las determinaciones de laboratorio, es posible utilizarlo de manera eficiente como una herramienta en la determinación del agua útil de los suelos en la Región Chaco-Pampeana, especialmente en suelos de texturas arenosa, franco arenosa y arenosa franca.

BIBLIOGRAFÍA• Amabíle, V.G. 2008. Introducción al

programa: “Soil Water Characteristics” Hydraulic Properties Calculator. Maestría de Cuencas Hidrográficas de la Escuela de Bosques de la Universidad Nacional de La Plata, Buenos Aires ARGENTINA.

• Borie F., Rubio R. y Morales A. 2008. Arbuscular mycorrhizal fungi and soil aggregation. J. Soil Sc. Plant Nutr. 8 (2) 2008. p 9-18.

• Carfagno, P. Eiza, M.J. y Michelena, R. 2007. Inclusión de Cultivos de Cobertura bajo Agricultura de Secano en la Región Semiárida Pampeana. Jornadas de Cultivos de Cobertura – 28 y 29 de septiembre de 2007 General Villegas y General Pico.

• Conti, M. 2000. 2º Edición. Principios de Edafología. Editorial Eudeba.

• Damiano F., Díaz R. A., Grondona M. O. 1996. Evaluación de una función uni-parámetrica para la estimación de la curva de retención de agua en suelos agrícolas. XVI Congreso Nacional del Agua. San Martín de los Andes, Argentina. Trabajo Nº 148. Publicado

en Actas.• Damiano, F. y Taboada, M.A. 2000.

Predicción del agua disponible usando funciones de pedotransferencia en suelos agrícolas de la región pampeana. Revista Ciencia del Suelo. Número 18. Año 2000. p. 77-88.

• Gil, R., 2002. El comportamiento físico-funcional de los suelos: “Algunos criterios para la cuantificación y diagnóstico del comportamiento estructural del suelo, y su relación con la dinámica del agua y la producción de los cultivos”. Informe técnico. Instituto de Suelos. INTA Castelar.

• Gómez, L.A.; Ferrao, F.R. y Casen, L.M. 1992. Carta básica de suelos del departamento de Burruyacu, Provincia de Tucumán. SAGPyA-INTA. Tomo 1. Castelar. p. 67, 44, 45, 46.

• Kern, A., 1995. Evaluation of soil water retention models based on basic soil physical properties. Soil Science. Society of America Journal 59:1134-1141.

• Klute, A., 1986. Methods of Soil Analysis, Part 1, Physical and Mineralogical Methods. Ed. Agronomy Nº9, Madison, Wisconsin, Estados Unidos. p.635-662.

• Mastrantonio, L., Pérez Valenzuela, B.R. y Maffei, J. 2012. Evaluación de funciones de pedotransferencia en suelos del Valle de Uco, Mendoza. Actas en Cd del XIX Congreso Latinoamericano de la Ciencia del Suelo y XXIII Congreso Argentino de la Ciencia del Suelo.

• Mc Anenney, K. y Arrue, J. 1993. A wheat-fallow rotation in northeastern



64

Spain: water balance-yield considerations. Agronomie 13:481-490.

• Michelena, R. 2012. Degradación de Tierras en la Argentina. Prevención y control. Academia Nacional de Agronomía y Veterinaria. Premio Antonio Prego. Buenos Aires.

• Moscatelli, G; Godagnone, R.E.; Salazar, J.C; Nakama, V. y Cuenca, M.A. 2005. Estudio de suelos para la reconversión del sector agropecuario. Departamento de Famaillá-Montero-Simoca y Chicligasta, Provincia de Tucumán. Ed. INTA. Buenos Aires. 134 p.

• Pardo, J.M. y Salinas, L.M. 2008. Física, química y biología de suelos. Curva de retención de agua del suelo (SWRC): Análisis de estimaciones y ajustes. Informe técnico. Laboratorio de Geotecnia. Universidad Mayor de San Simón, Cochabamba, Bolivia.

• Pecorari, C., Balcaza, L.F., Frutos, E. 1988. Relaciones empíricas entre contenido de agua, textura y materia orgánica en suelos representativos de la Pampa Ondulada. Informe Técnico Nº212. EEA Pergamino.32 p.

• Pilatti, 1989. Estimación del Punto de Marchitez Permanente en Molisoles de Santa Fe. Cátedra de Edafología. U. N. Litoral. Esperanza. Provincia de Santa Fe.

• Quiroga, A. y Bono, A. 2007. Manual de fertilidad y evaluación de suelos. Instituto Nacional de Tecnología Agropecuaria. EEA Anguil. P 28.

• Rawls, W.L, Brakensiek, D.L, Saxton, K.E. 1982. Estimation of soil water

properties. Transactions of the ASAE 25: 1316-1320.

• Saxton, K.E.y Rawls, W.J. 2006. Soil Water Characteristic Estimates by Texture and Organic Matter for Hydrologic Solutions. Soil Sci. Soc. Am. J. 70: 1569-1578.

• Totis de Zeljkovich, L.E., Zeljkovich, V.J. y Pérez, O.G. 1996. Manejo del agua de riego en el cultivo de maíz en la zona norte de la Provincia de Buenos Aires. Actas del 7º Congreso Argentino de Agrometeorología. Buenos Aires. p. 27-28.

• Villar, J. 2000. Economía del agua en el cultivo de trigo. En: Información técnica de trigo. Campaña 2000. Publ. Misc. Nº92. INTA EEA Rafaela. 5 p.

aplicaciÓn del modelo soil water ......47 aplicaciÓn del modelo soil water characteristics a las...

Documents