4  Resultados

En esta sección se presentan los principales resultados del proyecto. Ver la sección de análisis de datos para conocer mas detalles.

4.1 Objetivo principal: Evaluación de métodos de muestreo.

Durante el experimento, se compararon tres métodos para el conteo de maleza en un campo de trigo: el método tradicional, el conteo a partir de fotografías tomadas a nivel de suelo, y las imágenes capturadas desde un VANT. En las pruebas preliminares, realizadas cuando el trigo aún era pequeño, las imágenes obtenidas tanto a nivel de suelo como desde el VANT mostraban una definición adecuada, permitiendo una comparación efectiva entre los métodos ().

Figura 4.1: Fotografía del área de muestreo tomadas en las pruebas preliminares a nivel de suelo (izquierda) y desde un vehículo aéreo no tripulado (derecha); 21 dde.

Sin embargo, durante el conteo previo a la aplicación de herbicidas, las imágenes tomadas desde el dron resultaron desenfocadas, posiblemente debido al mayor tamaño de las hojas de trigo y su movimiento, o la falta de optimización de los parámetros necesarios en el VANT, lo cual imposibilitó el uso de estas imágenes para el conteo de plantas de maleza (). Por esta razón, se decidió continuar con el análisis utilizando únicamente las imágenes capturadas a nivel de suelo. Por otro lado, para asegurar que las condiciones de toma de imágenes fueran comparables, tanto las fotografías a nivel de suelo como las capturadas por el dron se realizaron sin apartar las hojas de trigo para exponer el suelo y la maleza dentro del cuadro de muestreo. Es decir, no se manipuló el trigo para apartar las hojas, lo que resultó en una visibilidad limitada de la maleza a medida que el trigo crecía y cubría más el suelo (). Esta metodología limitó la utilidad del método basado en imágenes a nivel de suelo, ya que solo fue efectivo mientras las plantas de trigo tuvieron una altura moderada. Si se desea emplear este método en etapas más avanzadas del crecimiento del trigo, será necesario ajustar la técnica, despejando las hojas de trigo lo suficiente para que no obstaculicen la captura de imágenes.

Figura 4.2: Fotografía del área de muestreo tomadas durante el conteo previo a la aplicación herbicida a nivel de suelo (izquierda) y desde un vehículo aéreo no tripulado (derecha); 33 dde.
Figura 4.3: Fotografía del área de muestreo tomadas durante el conteo a los 14 dda a nivel de suelo (izquierda) y desde un vehículo aéreo no tripulado (derecha); 50 dde.

Dado que las distintas especies de maleza que se pueden encontrar en una parcela de cultivo no se distribuyen de manera aleatoria, e incluso existe una fuerte evidencia de agrupamiento (), antes de someter los resultados a un análisis estadístico convencional, se realizó un análisis exploratorio de datos para determinar la frecuencia de cada una de las especies y su distribución dentro de la parcela experimental (ver Anexo análisis previo). De dicho análisis se concluyó que la distribución de maleza en el presente experimento nos permite analizar estadísticamente los datos de C. murale, A. palmeri, P. acutifolia y el complejo de maleza.

En la se presentan la media ± error estándar, la mediana, así como los valores mínimos y máximos del número de plantas contadas mediante ambos métodos para cada una de las especies evaluadas y el complejo de maleza. Aunque solo los datos correspondientes al complejo de maleza se ajustaron a una distribución normal, tanto la prueba t de Student como la prueba no paramétrica de Mann-Whitney U, aplicada a las especies individuales, no detectaron diferencias significativas al comparar los dos métodos de conteo.

Mostrar el código. 
# Cargar paquetes necesarios
library(knitr)
library(kableExtra)

# Leer el archivo Excel
cuadro2 = read_excel(path = "csv/cuadro2.xlsx")

# Convertir todas las columnas a tipo character
cuadro2 <- cuadro2 %>% 
  mutate(across(everything(), as.character))

# Reemplazar los NA con cadenas vacías
cuadro2[is.na(cuadro2)] <- ""

# Crear y mostrar la tabla
#kable(cuadro2, format = "html", caption = "") %>%
  #kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  #row_spec(nrow(cuadro2), bold = TRUE, color = "white", background = "#0a231fff") %>%
  #row_spec(0, bold = TRUE, color = "#ae8f5fff", background = "#0a231fff")

kable(cuadro2, format = "html", caption = "") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  row_spec(0, bold = TRUE, color = "#ae8f5fff", background = "#0a231fff")  # Aplicar formato solo a la cabecera
Tabla 4.1: Número de plantas de maleza contadas por el método tradicional y el método basado en imágenes evaluados en cultivo de trigo en el Sur de Sonora en el Ciclo 2023-2024 (n=72).
Especie Método media ± error estándar mediana min max
C. murale Tradicional 11 ± 0.8 9 0 34
BI 12 ± 0.7 12 2 29
A. palmeri Tradicional 19 ± 1.8 15 0 59
BI 18 ± 1.7 16 0 61
P. acutifolia Tradicional 5 ± 0.4 4 0 13
BI 5 ± 0.4 5 0 13
Complejo de maleza Tradicional 35 ± 2 32 3 74
BI 36 ± 1.8 34 8 80

Aunque los análisis de varianza son fundamentales para detectar diferencias en las medias entre grupos, es igualmente importante evaluar la relación entre los métodos de conteo. Por ello, se realizó un análisis de correlación para examinar la fuerza y la dirección de la relación entre los conteos realizados por el método tradicional y el método BI. El análisis de correlación permite entender mejor la consistencia y concordancia entre ambos métodos. Una alta correlación indicaría que los métodos podrían ser intercambiables para el monitoreo de maleza.

Los datos los conteos por el método tradicional y basado en imágenes de C. murale mostraron una correlación significativa (P < 0.001), con coeficiente de correlación de Pearson de 0.703, que se considera una correlación positiva fuerte; y un coeficiente de determinación de 0.86 ().

Mostrar el código. 
NOPLANTAS0DDA = read_excel(path = "csv/previoManualvsBI.xlsx")


Cmurale.NOPLANTAS.0dda <- ggplot(NOPLANTAS0DDA, aes(CmuraleBI, CmuraleManual)) + 
  geom_point() +
  geom_smooth(method = 'lm', formula = y ~ x - 1, se = TRUE, fill = "blue", color = "blue", fullrange = TRUE, na.rm = TRUE, alpha = 0.10, linetype = "dashed") + 
  geom_abline(intercept = 0, slope = 1, color = "black") +
  theme_classic() + 
  labs(title = expression("Número de plantas ("*italic("C. murale")*")"), subtitle = "Conteo previo") + 
  xlab("Método BI") + 
  ylab("Método tradicional") + 
  scale_x_continuous(expand = c(0, 0), breaks = c(0, 5, 10, 15, 20, 25, 30, 35)) + 
  scale_y_continuous(expand = c(0, 0), breaks = c(0, 5, 10, 15, 20, 25, 30, 35)) +
  coord_cartesian(xlim = c(0, 35), ylim = c(0, 35)) + 
  theme(
    text = element_text(family = "montserrat"), 
    axis.text = element_text(size = 9), 
    axis.title = element_text(size = 9, face = "bold"), 
    plot.title = element_text(size = 9, face = "bold"),
    aspect.ratio = 1
  ) +
  stat_regline_equation(aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~~")), 
                        formula = y ~ x - 1, label.x = 3, label.y = 33, output.type = "expression") + 
  stat_cor(method = "pearson", label.x = 3, label.y = 30, p.accuracy = 0.001, r.accuracy = 0.001) 



print(Cmurale.NOPLANTAS.0dda)


#ggsave("./Plots/Cmurale_NOPLANTAS_0dda.png", plot = Cmurale.NOPLANTAS.0dda, width=1920, height=1080, units = "px")
Figura 4.4: Correlación entre el número de plantas de C. murale contadas mediante el método tradicional y el método basado en imágenes.

Los datos los conteos por el método tradicional y basado en imágenes de A. palmeri mostraron una correlación significativa (P < 0.001), con coeficiente de correlación de Pearson de 0.833, que se considera una correlación positiva fuerte; y un coeficiente de determinación de 0.88 ().

Mostrar el código. 
Apalmeri.NOPLANTAS.0dda <- ggplot(NOPLANTAS0DDA, aes(ApalmeriBI, ApalmeriManual)) + 
  geom_point() +
  geom_smooth(method = 'lm', formula = y ~ x - 1, se = TRUE, fill = "blue", color = "blue", fullrange = TRUE, na.rm = TRUE, alpha = 0.10, linetype = "dashed") + 
  geom_abline(intercept = 0, slope = 1, color = "black") +
  theme_classic() + 
  labs(title = expression("Número de plantas ("*italic("A. palmeri")*")"), subtitle = "Conteo previo") + 
  xlab("Método BI") + 
  ylab("Método tradicional") + 
  scale_x_continuous(expand = c(0, 0), breaks = c(0, 10, 20, 30, 40, 50, 60, 65)) + 
  scale_y_continuous(expand = c(0, 0), breaks = c(0, 10, 20, 30, 40, 50, 60, 65)) +
  coord_cartesian(xlim = c(0, 65), ylim = c(0, 65)) + 
  theme(
    text = element_text(family = "montserrat"), 
    axis.text = element_text(size = 9), 
    axis.title = element_text(size = 9, face = "bold"), 
    plot.title = element_text(size = 9, face = "bold"),
    aspect.ratio = 1
  ) +
  stat_regline_equation(aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~~")), 
                        formula = y ~ x - 1, label.x = 3, label.y = 60, output.type = "expression") + stat_cor(method = "pearson", label.x = 3, label.y = 55, p.accuracy = 0.001, r.accuracy = 0.001)

Apalmeri.NOPLANTAS.0dda

#ggsave("./Plots/Apalmeri_NOPLANTAS_0dda.png", plot = Apalmeri.NOPLANTAS.0dda, width=1920, height=1080, units = "px")
Figura 4.5: Correlación entre el número de plantas de A. palmeri contadas mediante el método tradicional y el método basado en imágenes.

Los datos los conteos por el método tradicional y basado en imágenes de P. acutifolia mostraron una correlación significativa (P < 0.001), con coeficiente de correlación de Pearson de 0.774, que se considera una correlación positiva fuerte; y un coeficiente de determinación de 0.85 ().

Mostrar el código. 
Pacutifolia.NOPLANTAS.0dda <- ggplot(NOPLANTAS0DDA, aes(PacutifoliaBI, PacutifoliaManual)) + 
  geom_point() +
  geom_smooth(method = 'lm', formula = y ~ x - 1, se = TRUE, fill = "blue", color = "blue", fullrange = TRUE, na.rm = TRUE, alpha = 0.10, linetype = "dashed") + 
  geom_abline(intercept = 0, slope = 1, color = "black") +
  theme_classic() + 
  labs(title = expression("Número de plantas ("*italic("P. acutifolia")*")"), subtitle = "Conteo previo") + 
  xlab("Método BI") + 
  ylab("Método tradicional") + 
  scale_x_continuous(expand = c(0, 0), breaks = c(0, 5, 10, 15)) + 
  scale_y_continuous(expand = c(0, 0), breaks = c(0, 5, 10, 15)) +
  coord_cartesian(xlim = c(0, 15), ylim = c(0, 15)) + 
  theme(
    text = element_text(family = "montserrat"), 
    axis.text = element_text(size = 9), 
    axis.title = element_text(size = 9, face = "bold"), 
    plot.title = element_text(size = 9, face = "bold"),
    aspect.ratio = 1
  ) +
  stat_regline_equation(aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~~")), 
                        formula = y ~ x - 1, label.x = 1, label.y = 13, output.type = "expression") + stat_cor(method = "pearson", label.x = 1, label.y = 12, p.accuracy = 0.001, r.accuracy = 0.001)

Pacutifolia.NOPLANTAS.0dda

#ggsave("./Plots/Pacutifolia_NOPLANTAS_0dda.png", plot = Pacutifolia.NOPLANTAS.0dda, width=1920, height=1080, units = "px")
Figura 4.6: Correlación entre el número de plantas de P. acutifolia contadas mediante el método tradicional y el método basado en imágenes.

Los datos los conteos por el método tradicional y basado en imágenes del complejo de maleza mostraron una correlación significativa (P < 0.001), con coeficiente de correlación de Pearson de 0.823, que se considera una correlación positiva fuerte; y un coeficiente de determinación de 0.94 ().

Mostrar el código. 
Complejo.NOPLANTAS.0dda <- ggplot(NOPLANTAS0DDA, aes(ComplejoBI, ComplejoManual)) + 
  geom_point() +
  geom_smooth(method = 'lm', formula = y ~ x - 1, se = TRUE, fill = "blue", color = "blue", fullrange = TRUE, na.rm = TRUE, alpha = 0.10, linetype = "dashed") + 
  geom_abline(intercept = 0, slope = 1, color = "black") +
  theme_classic() + 
  labs(title = expression("Número de plantas ("*italic("Complejo de maleza")*")"), subtitle = "Conteo previo") + 
  xlab("Método BI") + 
  ylab("Método tradicional") + 
  scale_x_continuous(expand = c(0, 0), breaks = c(0, 10, 20, 30, 40, 50, 60, 70, 80, 85)) + 
  scale_y_continuous(expand = c(0, 0), breaks = c(0, 10, 20, 30, 40, 50, 60, 70, 80, 85)) +
  coord_cartesian(xlim = c(0, 85), ylim = c(0, 85)) + 
  theme(
    text = element_text(family = "montserrat"), 
    axis.text = element_text(size = 9), 
    axis.title = element_text(size = 9, face = "bold"), 
    plot.title = element_text(size = 9, face = "bold"),
    aspect.ratio = 1
  ) +
  stat_regline_equation(aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~~")), 
                        formula = y ~ x - 1, label.x = 3, label.y = 78, output.type = "expression") + stat_cor(method = "pearson", label.x = 3, label.y = 73, p.accuracy = 0.001, r.accuracy = 0.001)

Complejo.NOPLANTAS.0dda

#ggsave("./Plots/Complejo_NOPLANTAS_0dda.png", plot = Complejo.NOPLANTAS.0dda, width=1920, height=1080, units = "px")
Figura 4.7: Correlación entre el número de plantas del complejo de maleza contadas mediante el método tradicional y el método basado en imágenes.

En términos de eficiencia en la detección y conteo de maleza, aunque no se observaron diferencias significativas entre el método BI y el método tradicional, el método BI mostró una eficiencia ligeramente superior en todos los casos evaluados: 1.16 para C. murale (1/0.86), 1.02 para A. palmeri (1/0.98), 1.11 para P. acutifolia (1/0.9) y 1.03 para el complejo de maleza (1/0.97).

El costo de un empleado de campo durante el ciclo 2023-2024 fue de $11,512.13 mensuales, lo que equivale aproximadamente a $60.00 por hora. Para el muestreo mediante el método tradicional, se requieren dos personas (Figura 4). Esto implica que el conteo de 72 subparcelas, como se realizó en el presente experimento, tendría un costo estimado de $548.64 (3.81 minutos x 72 subparcelas x 2 personas). En contraste, el método BI solo requiere una persona, lo que reduce el costo a aproximadamente $130.32, representando una disminución del 77% en comparación con el método tradicional ().

Mostrar el código. 
# Leer el archivo Excel
cuadro3 = read_excel(path = "csv/cuadro3.xlsx")


# Reemplazar los NA con cadenas vacías
cuadro3[is.na(cuadro3)] <- ""


# Crear y mostrar la tabla
kable(cuadro3, format = "html", caption = "") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  row_spec(0, bold = TRUE, color = "#ae8f5fff", background = "#0a231fff")  # Aplicar formato solo a la cabecera
Tabla 4.2: Comparación de tiempos y costos entre métodos de muestreo de maleza evaluados en cultivo de trigo en el Sur de Sonora en el Ciclo 2023-2024.
Método Tiempo (minutos/ subparcela) Subparcelas Tiempo por ensayo Personas Costo ($/ muestreo) Porcentaje
Tradicional 3.81 72 4 h 34 min 2 $ 548.00 100%
BI 1.81 72 2 h 10 min 1 $ 130.00 23%

Durante el presente experimento, el tiempo de traslado entre las 72 subparcelas fue el mismo para ambos métodos, aproximadamente 30 minutos. Si utilizamos la media de 3.81 minutos que nos toma muestrear una subparcela por el método tradicional para calcular el tiempo total necesario para muestrear un ensayo de 72 subparcelas, y tomamos en cuenta el tiempo de traslado, una pareja de personas de apoyo necesitaría pasar 5 horas y 4 minutos bajo el sol. Esto representa diez veces más tiempo que el necesario para una sola persona utilizando el método BI (30 minutos) o 20 veces más de lo que le llevaría a la misma pareja (15 minutos). Dadas las condiciones climatológicas de la región, el muestreo de un ensayo de evaluación de herbicidas por el método tradicional expone al personal de apoyo a condiciones extremas durante periodos prolongados. Reducir el tiempo que el personal pasa bajo el sol mediante la sustitución del método tradicional por el método BI podría influir positivamente en la salud y el bienestar del personal de apoyo.

Otro beneficio del método BI es la generación de evidencia visual que resulta de gran utilidad durante el proceso de análisis de datos. En cualquier experimento, existe un proceso que comienza con la observación en campo y culmina en la presentación de resultados finales. A lo largo de este proceso, pueden ocurrir errores humanos en múltiples etapas: al tomar datos en el campo, el personal podría cometer un error al registrar la información en el libro de campo; posteriormente, al transcribir esos datos a un formato electrónico, podrían introducirse errores de digitación; durante el análisis y selección de los datos a evaluar, también pueden surgir equivocaciones. Aunque es una práctica común en el análisis de datos revisar los procesos varias veces para asegurarse de que no se han cometido errores, incluso con múltiples revisiones, siempre existe la posibilidad de que algunos errores pasen desapercibidos. Contar con varios puntos de referencia a los que se puede regresar durante el análisis es crucial para verificar la precisión de los resultados. En este contexto, tener una fotografía de las parcelas sirve como un valioso punto de referencia cercano a la observación original en campo. Estas imágenes permiten corroborar la exactitud de los datos, asegurándose de que reflejan fielmente lo observado durante el experimento.

Un ejemplo de la utilidad de estas imágenes se puede observar en la , , y . En estas figuras, se demuestra cómo el personal de apoyo reportó cero plantas de una especie en ciertas subparcelas, mientras que el método BI detectó la presencia de estas plantas. Las fotografías de las parcelas correspondientes a esos puntos en la gráfica confirmaron que, efectivamente, el personal de apoyo pasó por alto o no identificó correctamente el número de plantas de tal especie. Este tipo de evidencia visual permite corregir errores y asegurar que los resultados finales representen de manera precisa lo que realmente sucedió en el campo.

Otro beneficio del método BI es que, al realizar el conteo mediante el programa DotDotGoose, cada punto colocado sobre las plantas detectadas puede servir como un punto de referencia para convertirse en el centro de un recorte de imagen. Esto permite generar recortes específicos de cada planta contada, los cuales ya están categorizados por especie, gracias a las etiquetas que se asignan durante el conteo. Aunque en nuestro experimento no hemos avanzado aún a la etapa de etiquetado por objetos ni semántico, el uso del método BI ha proporcionado materia prima clasificada que podría ser usada para realizar trabajos de este tipo en el futuro. La creación de conjuntos de datos etiquetados, como lo discute Madec et al. (), es fundamental para mejorar los algoritmos de segmentación y facilitar investigaciones a gran escala sobre la detección de vegetación. En nuestro caso, las imágenes recortadas y categorizadas podrían utilizarse para entrenar y perfeccionar modelos que mejoren la precisión y eficiencia en la detección de maleza en el futuro. De la a la se muestran ejemplos de composiciones de segmentos imágenes de C. murale, A. palmeri y P. acutifolia, y su etiquetado mediante la plataforma Roboflow (https://roboflow.com). En este sentido, el presente estudio permitió obtener 885 imágenes de C. murale, 1326 imágenes de A. palmeri y 347 imágenes de P. acutifolia en condiciones de campo.

Figura 4.8: Composición de segmentos de C. murale obtenidos con DotDotGoose.
Figura 4.9: Ejemplo de imágenes de C. murale etiquetadas utilizando la plataforma Roboflow.
Figura 4.10: Composición de segmentos de A. palmeri obtenidos con DotDotGoose.
Figura 4.11: Ejemplo de imágenes de A. palmeri etiquetadas utilizando la plataforma Roboflow.
Figura 4.12: Composición de segmentos de P. acutifolia obtenidos con DotDotGoose.
Figura 4.13: Ejemplo de imágenes de P. acutifolia etiquetadas utilizando la plataforma Roboflow.

4.2 Objetivo secundario: Evaluación de mezclas de herbicidas para el control de maleza en trigo

Durante el muestreo previo a la aplicación herbicida la frecuencia de aparición de especies de maleza fue la siguiente: Chenopodium murale (69 de 72 subparcelas; 96%), Physalis acutifolia (90%), Amaranthus palmeri (90%), Malva parviflora (40%), Chenopodium album (26%), Sonchus oleraceus (19%), Polygonum aviculare (13%), Portulaca oleracea (10%), Melilotus albus (8%), Sida hederácea (4%). Dado que solamente las especies C. murale, A. palmeri y P. acutifolia se distribuyeron de mera lo suficientemente uniforme en toda la parcela experimental, se seleccionaron solamente estos datos para el análisis de control de maleza y su relación con el rendimiento. Un análisis detallado de la estadística descriptiva de las distintas variables evaluadas y fechas de muestreo se encuentran en la sección de anexos.

La y muestran la media de número de plantas y la altura máxima en cada una de las evaluaciones realizadas.

Código 
# Cargar las librerías necesarias
library(ggplot2)
library(reshape2)

# Cargar los datos desde el archivo Excel
df <- read_excel("csv/correlacionRendimiento.xlsx")

# Filtrar las columnas relevantes
df_filtered <- df[, c("Tratamiento", "noPlantas0dda", "noPlantas14dda", "noPlantas19dda", "noPlantas28dda")]

# Renombrar las columnas para que tengan las etiquetas deseadas
colnames(df_filtered) <- c("Tratamiento", "0 dda", "15 dda", "21 dda", "29 dda")

# Convertir el dataframe a formato largo
df_melted <- melt(df_filtered, id.vars = "Tratamiento", 
                  variable.name = "Tiempo", value.name = "NoPlantas")

# Crear el gráfico
figuraBarrasNoplantas <- ggplot(df_melted, aes(x = Tiempo, y = NoPlantas, fill = Tratamiento)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Número de plantas por tiempo y tratamiento",
       x = "Tiempo", y = "Número de plantas") +
  theme_minimal()

figuraBarrasNoplantas

#ggsave("./Plots/figuraBarrasNoplantas.png", plot = figuraBarrasNoplantas, width=1920, height=1080, units = "px")
Figura 4.14: Número de plantas por tratamiento y fecha de evaluación como efecto de la aplicación de mezclas de herbicidas en cultivo de trigo en el Sur de Sonora en el Ciclo 2023-2024.
Código 
# Filtrar las columnas relevantes
df_filtered_hmax <- df[, c("Tratamiento", "hMax0dda", "hMax14dda", "hMax19dda", "hMax28dda")]

# Renombrar las columnas para que tengan las etiquetas deseadas
colnames(df_filtered_hmax) <- c("Tratamiento", "0 dda", "15 dda", "21 dda", "29 dda")

# Convertir el dataframe a formato largo
df_melted_hmax <- melt(df_filtered_hmax, id.vars = "Tratamiento", 
                       variable.name = "Tiempo", value.name = "hMax")

# Crear el gráfico
figuraBarrashMax <- ggplot(df_melted_hmax, aes(x = Tiempo, y = hMax, fill = Tratamiento)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Altura máxima por tiempo y tratamiento",
       x = "Tiempo", y = "Altura máxima (cm)") +
  theme_minimal()

figuraBarrashMax

#ggsave("./Plots/figuraBarrashMax.png", plot = figuraBarrashMax, width=1920, height=1080, units = "px")
Figura 4.15: Altura máxima por tratamiento y fecha de evaluación como efecto de la aplicación de mezclas de herbicidas en cultivo de trigo en el Sur de Sonora en el Ciclo 2023-2024.

Como se menciona en la sección análisis de control de maleza, en el presente estudio se analizó la relación entre las variables de control de maleza y el rendimiento de trigo. El cambio en el número de plantas de maleza desde el conteo previo hasta los 29 días después de la aplicación (dda) mostró una correlación negativa débil, explicando aproximadamente el 9% de la variabilidad en el rendimiento. Por otro lado, el cambio en la altura máxima de las plantas de maleza presentó una correlación positiva moderada, explicando el 18% de la variabilidad del rendimiento. Además, la ecuación de regresión basada en el cambio en altura máxima permitió estimar el rendimiento con un error promedio inferior al 4% en comparación con el rendimiento real obtenido. Esto indica que, bajo las condiciones del presente experimento, la variable del cambio en altura máxima tuvo un mayor impacto en el rendimiento del trigo.

La muestra que, en cuanto al cambio en el número de plantas, el testigo sin aplicación no solo no experimentó un aumento, sino que, inesperadamente, mostró una disminución en el número de plantas. Aunque esta reducción fue menor en comparación con la de los tratamientos herbicidas, no se observaron diferencias marcadamente grandes entre ellos. Esto resultó en diferencias significativas únicamente con los tratamientos T1 y T3, y porcentajes de control entre el 38% y el 55%, ajustado mediante la fórmula de Abbott ().

Por otro lado, los datos relativos al cambio en la altura máxima de las plantas de maleza desde la evaluación previa a la aplicación hasta los 29 dda mostraron diferencias significativas entre los tratamientos herbicidas y el testigo sin aplicación, con porcentajes de control que oscilaron entre el 77% y el 100%.

En lo que respecta al contenido de clorofila, ninguno de los tratamientos herbicidas tuvo un efecto significativo durante las primeras dos evaluaciones, donde se encontraron valores en un rango de 49.3 a 50 unidades de clorofila (UC) a los 15 dda, y entre 49.5 y 51 UC a los 21 dda. A los 29 dda, se observó una diferencia significativa entre T1 y T2, aunque ninguno de los tratamientos presentó diferencias significativas con el testigo regional ni con el testigo sin aplicación.

Por otra parte, los tratamientos herbicidas incrementaron significativamente el rendimiento de grano de trigo en comparación con el testigo sin aplicación, con aumentos del 36% en el caso del testigo regional, 35% en T4, 31% en T1 y T2, y, aunque no significativo, 25% en T3. En cuanto al índice de productividad relativa (IPR), entendido como la proporción del rendimiento relativo de los tratamientos herbicidas, con respecto al testigo regional, y el costo relativo de los mismos, T4 demostró una mayor eficiencia que el testigo regional.

Mostrar el código. 
# Leer el archivo Excel
cuadro4 = read_excel(path = "csv/cuadro4.xlsx")


# Reemplazar los NA con cadenas vacías
cuadro4[is.na(cuadro4)] <- ""


# Crear y mostrar la tabla
kable(cuadro4, format = "html", caption = "") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  row_spec(0, bold = TRUE, color = "#ae8f5fff", background = "#0a231fff")  # Aplicar formato solo a la cabecera
Tabla 4.3: Efecto de diferentes tratamientos sobre el cambio en número y altura de plantas de maleza, contenido de clorofila y rendimiento de grano de trigo, e índice de productividad relativa como efecto de la aplicación de mezclas de herbicidas en cultivo de trigo en el Sur de Sonora en el Ciclo 2023-2024.
Tratamiento Cambio en número de plantas % control Cambio en altura de planta % control  Clorofila (28 dda) Rend. (kg/ha) Costo rel. Rend. rel. IPR
TS -7.67 b - 42.08 a - 53.3 ab 3737.5 b - - -
TR -22.08 ab 54 2.92 b 93 52.6 ab 5116.67 a 1 1.00 1.00
T1 -23.67 a 43 9.33 b 77 54.3 a 4929.17 a 1.24 0.96 0.78
T2 -22.75 ab 55 4.33 b 90 51.3 b 4921.25 a 1.2 0.96 0.80
T3 -25.83 a 55 -0.67 b 100 52.4 ab 4671.67 ab 0.93 0.91 0.98
T4 -17 ab 38 7.33 b 82 52.4 ab 5058.33 a 0.89 0.99 1.10

El promedio de rendimiento de los últimos 20 años en la región de Navojoa, según datos de SIAP (2024), es de 6.2 t/ha. Según datos de Rafael Valdez Avilés (2024), gerente de operaciones del distrito de riego del Valle del Mayo, el rendimiento promedio durante el ciclo 2023-24 fue de 5.7 t/ha. Con estos datos podemos estimar que: Respecto al histórico regional, 8% de la pérdida de producción puede ser atribuida a las condiciones ambientales durante el ciclo de cultivo y la aplicación de un riego menos que los que se aplican tradicionalmente, 10 % se puede atribuir al manejo y las condiciones de la parcela experimental, y 22% se puede atribuir al efecto de la infestación de maleza. Estos datos coinciden con la revisión más exhaustiva que se ha realizado hasta la fecha con respecto a las pérdidas de producción ocasionadas por los distintos tipos de plagas en cultivos de interés comercial, en el cual, Oerke () señala una pérdida de producción potencial de 23% como efecto de la infestación de maleza en cultivos de trigo ().

Figura 4.16: Factores de pérdida de producción como efecto de la aplicación de mezclas de herbicidas en cultivo de trigo en el Sur de Sonora en el Ciclo 2023-2024.