Introducción
⌅Por lo general, la evaluación o caracterización de la fertilidad integral (física, química y biológica) de los suelos en los sistemas agropecuarios recurren al uso de las técnicas multivariadas (Acevedo et al., 2021Acevedo Ingrid, Sánchez Aymara y Mendoza Betty. (2021). Evaluación del nivel de degradación del suelo en dos sistemas productivos en la depresión de Quíbor. I. ANÁLISIS MULTIVARIADO. Bioagro 33(1): 59-66. doi: http://www.doi.org/10.51372/bioagro331. ; Chent et al., 2020Chen, S., B. Lin, Y. Li, y S. Zhou. (2020). Spatial and temporal changes of soil properties and soil fertility evaluation in a large grain-production area of subtropical plain, China. Geoderma 357: 113937. 1-13. https://doi.org/10.1016/j.geoderma.2019.113937. ; Hernández-Vigoa et al., 2018). Las cuales permiten reducir la dimensión del número de variables estudiadas y constituye una herramienta muy eficaz para seleccionar y crear índices que permitan interpretar el grado de estabilidad de los sistemas.
Por otra parte, para identificar las variables-indicadores y tipificar el comportamiento del proceso que se analiza se puede utilizar, el Modelo de evaluación del impacto (MEMI) propuesto por Torres et al. (2008)Torres, V., Ramos N., Lizazo D., Monteagudo F. y Noda A. (2008). Statistical model for measuring the impact of innovation or technology transfer in agricultural. Cuban Journal of Agricultural Science, 42(2), 133-139. . El MEMI, es una combinación coherente y armónica de métodos multivariados. Consta de 8 etapas, que van desde la digitalización de las matrices de datos, la comprobación de las premisas necesarias a través de criterios estadísticos adecuados, para lograr el doble propósito de identificar variables-indicadores fundamentales, responsables de la variabilidad o cambios producidos. Mediante la integración de indicadores, se puede determinar los impactos de forma cuantitativa, como un valor absoluto, y con ellos clasificar y tipificar el comportamiento de los sistemas. Existe en la literatura una amplia reseña de investigaciones relacionadas con la utilización de este modelo en agro-ecosistemas agropecuarios (Lok, 2015Lok, S. (2015). Determinación y selección de indicadores del sistema suelo-pasto en pastizales dedicados a la producción de ganado vacuno. [Tesis presentada en opción al grado de doctor en ciencias agrícolas. Universidad Agraria de la Habana. Mayabeque, Cuba]. ; Rodríguez, 2004Rodríguez, I. (2004). Evaluación del impacto de los sistemas ganaderos actuales en el recurso suelo en la provincia Habana. [Informe final de proyecto No.0417. Instituto de Ciencia Animal. Mayabeque, Cuba. ; Rodríguez et al., 2014Rodríguez, I. Verena Torres, Omar Martínez, J, Alonso, J, Álvarez. (2014). Environmental,socio-economical and technical evaluation of a genetic Enterprise from Mayabeque, Cuba, using the Statistical Model of Impact Measuring (SMIM). Cuban Journal of Agricultural Science, 48 (2), 219-226. y Torres et al., (2008)Torres, V., Ramos N., Lizazo D., Monteagudo F. y Noda A. (2008). Statistical model for measuring the impact of innovation or technology transfer in agricultural. Cuban Journal of Agricultural Science, 42(2), 133-139. que corroboran la eficacia del mismo para seleccionar las variables de mayor preponderancia. Es por ello que el objetivo de este trabajo es evaluar un grupo de indicadores de sostenibilidad en agro-ecosistemas ganaderos frágiles de la provincia de Granma, en Cuba.
Materiales y métodos
⌅La investigación se desarrolló durante tres años (julio de 2014 hasta marzo de 2017) en cinco agro ecosistemas de pastizales de la provincia Granma, ubicada en la porción suroeste de la región oriental de la isla de Cuba entre las coordenadas 20°23′00″N y 76°39′09″O. En el período lluvioso se tomaron como meses de muestreo de julio a septiembre y en el período poco lluvioso de enero a marzo, por ser los meses más representativos de ambos períodos climáticos en la región.
Para la selección de los agro ecosistemas de pastizales (Tabla 1) se consideró el estudio de Benítez et al. (2002)Benítez, D.G., Cordoví, E., Gómez, I., Ray J.V., Fajardo, E., Viamonte, M.I., Boza, P., Ramírez, A. y Díaz, M. (2002). Factores determinantes de los rebaños de fincas ganaderas en sistemas de doble propósito en el Valle del Cauto (Granma), Cuba. Revista Cubana Ciencia. Agrícola, 36(3), 101-106., los que realizaron la caracterización del manejo de las áreas de ganadería en la Cuenca del Cauto. El Sistema de Información Geográfica (Fig. 1) permitió seleccionar las áreas con características contrastantes en cuanto a tipo de suelo, factor limitante, manejo, tipo de pasto y propósito productivo.
Agro ecosistema | El Triángulo y El Progreso | Cupeycito | Ojo de agua | Estación de Pastos |
Municipio | Bayamo | Jiguaní | Guisa | Bayamo |
Afiliación | UBPC “Francisco Suárez Soa” | Empresa Genética “Manuel Fajardo” | Finca de Rafael Almaguer, CCS “Braulio Coroneaux” | IIA “Jorge Dimitrov” |
Propósito | Producción de leche | Cría | Ceba de toros | Ceba de toros |
Tipo de suelo | Vertisol Pélico | Pardo mullido carbonatado | Pardo mullido carbonatado | Fluvisol |
Método de pastoreo | Continuo | Rotacional | Continuo | Rotacional |
Área total de pastoreo (ha) | T:18,5 P: 20,4 |
14,2 | 6,7 | 0,8 |
Área de muestreo (ha) y % que representa del área total | T: 2 11 % P: 2 10 % |
1,8 13 % | 1,2 18 % | 0,8 100 % |
Tipo de pastos predominante | Jiribilla (Dichantium caricosum L. A. Camus) y pasto estrella (Cynodon nlemfuensis Vanderyst.) | Hierba de guinea (Megathyrsus maximus (Jacq.) | Jiribilla (Dichantium caricosum L. A. Camus) | Sistema silvopastoril de hierba de guinea y Leucaena leucocephala (Lam.) |
Área de forraje (ha) | Caña: 2 King grass:1,5 |
1 4 |
0,5 3 |
- |
Tiempo de explotación | 20 años | 10 años | 7 años | 10 años |
Raza y carga animal (UGM ha- 1 ) | Mestizo Siboney 1,5 | Criollo 1,7 | Mestizo 2,2 | Mestizo Siboney 1 |
Condiciones generales | Área de pastoreo totalmente deforestada, sin cuartones, se encharca en la época de lluvia | Buen nivel de sombra por árboles y acuartonamiento, alta pedregosidad. Especies de árboles: coco (Cocos nucifera); guácima (Guazuma ulmifolia); álamo | Buen nivel de sombra por árboles, sin cuartones, relieve con pendiente (10). Susceptibilidad a la erosión. Especies de árboles: Leucaena leucocephala; algarrobo (Samanea saman); caoba (Swietenia mahagoni); cedro (Cedrela odorata) | Buen nivel de sombra, zona de intensa sequía |
Procedimiento experimental
⌅Se determinó la estabilidad del suelo en cinco agro-ecosistemas de pastizales, mediante la evaluación de un grupo de indicadores relacionados con la composición taxonómica y funcional de la biota edáfica y su relación con las propiedades físicas y químicas del suelo, así como las características de la vegetación.
En la tabla 2 se muestra los indicadores evaluados y las metodologías utilizadas. Los muestreos se realizaron, según cada grupo evaluado, de la siguiente forma: Indicadores microbianos: Se tomaron cinco muestras compuestas por diez submuestras, a una profundidad de 0-20 cm, con ayuda de una piqueta, al finalizar el período experimental (marzo 2017). Mesofauna: El muestreo se desarrolló una vez en cada período climático en los tres años de la investigación. Se utilizó el método de los embudos Berlese-Tullgren, para lo cual se extrajeron las muestras con ayuda de cilindros metálicos con base cortante de 10 cm de altura y cuatro cm de diámetro. Se tomaron diez cilindros ha-1. También se colectaron ejemplares de la mesofauna en las trampas de caída ya descritas. Nematodos: El muestreo se desarrolló una vez en cada período climático, en los dos primeros años de la investigación. Se tomaron cuatro muestras de suelo, a una profundidad de 0-20 cm, compuestas por diez submuestras o puntos tomadas en zig-zag, en toda el área de muestreo, en cada agro ecosistema. En ambos casos el peso final de la muestra compuesta fue de 500 g. La extracción de los nematodos de las muestras de suelo y de las raíces, se hizo por el método de decantación-tamizado, para lo cual se tomaron 100 g de muestra. Macrofauna: El muestreo se desarrolló una vez en cada período climático en los tres años de la investigación. Se utilizaron dos métodos: monolitos y las trampas de caída o pitfall. Para el primer método se limpió la hojarasca previamente y se extrajo todo tipo de cuerpos extraños, tales como piedras y residuos vegetales. En la diagonal del área de muestreo se extrajeron 5 monolitos por ha, de 25 x 25 x 20 cm, a una distancia de 20 m. Manualmente se recolectaron y contaron los individuos in situ. Para el segundo método de muestreo se colocaron en cada área de estudio nueve trampas, dispuestas en las dos diagonales, en forma de cruz, con una trampa en el centro de la misma.
Determinación de las propiedades químicas y físicas del suelo: El muestreo de suelo se realizó una vez, al finalizar el período experimental (marzo 2017). Para la determinación de los indicadores químicos y físicos se tomaron cinco muestras compuestas (diez submuestras tomadas en zig-zag), en toda el área de muestreo, en la profundidad de 0-20 cm, con la ayuda de una barrena helicoidal. Para la determinación de la densidad aparente se tomaron muestras de suelo no disturbados.
Análisis estadístico
⌅La matriz de datos se organizó de manera que en las columnas se encontraba el número de variables a medir en cada subgrupo y en las filas los momentos de muestreo dentro de cada uno de los períodos climáticos estudiados en los cinco agro ecosistemas (30 individuos).
Se utilizó el análisis de componentes principales y el Modelo de medición de impacto (MEMI) (Torres et al., 2008Torres, V., Ramos N., Lizazo D., Monteagudo F. y Noda A. (2008). Statistical model for measuring the impact of innovation or technology transfer in agricultural. Cuban Journal of Agricultural Science, 42(2), 133-139. ) para cada subgrupo en cada componente (suelo-pasto) con el objetivo de seleccionar las variables de mayor peso dentro de cada subconjunto. Se tomó como criterio de análisis aquellos componentes principales que presentaron valor propio superior a uno y factores de suma o de preponderancia superior a 0,70. Se consideraron los supuestos de KMO y Bartlett, y la matriz de covarianza de puntuación de componentes para evaluar el modelo. Posteriormente se elaboró una matriz con los datos de las variables que resultaron seleccionadas en cada subgrupo analizado y se incorporaron además los datos climáticos de cada agro ecosistema (Chávez, 2019Chávez, L. (2019). Caracterización de la biota edáfica y su relación con las propiedades del suelo en agro ecosistemas ganaderos de la provincia de Granma. [Tesis presentada en opción al grado de doctor en ciencias agrícolas. Universidad Agraria de la Habana. Mayabeque, Cuba]. ).
Indicadores | Variables | Metodologías |
---|---|---|
Suelo-Químicos | Na, P, Ca, Mg, K, pH, MO, C, CCB y CE (conductividad eléctrica) | Potenciómetro, NC ISO 10390: 1999 NC ISO-51, 1999 Extracción con AcNH4, por el método de Maslova Determinación por Fotometría de llama Determinación por Volumetría con EDTA Oniani., 1964Oniani, O.G. (1964). Determinación del fósforo y potasio del suelo en una misma solución de los suelos Krasnozen y Podsólicos en Georgia. Agrojima, 6, 25. . Conductimétrico NC 112:2001 |
Suelo-Físicos | Arcilla, Porosidad total, Densidad real y Densidad aparente, Estabilidad estructural, Higroscopicidad, k(constante de estabilidad en seco) | NRAG 408, 1981 Método gravimétrico NC 110, 2001 NRAG 370, 1980 NC 11 508, 2000 Método de Savinov Cálculo Pt = (1- Da/Dr)*100 CO=MO*0,58 |
Suelo-Biológicos | Microflora: (3) (bacterias, hongos y actinomicetos) Mesofauna y nematodos (16) (número total de individuos y grupos mesofauna. Número total de mesofauna detritívoros y depredadores. Número y grupos de nematodos/suelo y la raíz. Número de nematodos depredadores, bacterívoros, fungívoros, omnívoros y fitopatógenos en el suelo y en la raíz |
Mayea et al,1998Mayea, S., Novo, R., Boado, I., Silveira, E., Soria, M., Morales, Y. y Valiño, A. (1998). Microbiología Agropecuaria. Tomo III. Editorial Félix Varela. La Habana. Trampas de caída o pitfall (Moreira et al. 2012Moreira, F.M.S., Huisisng, E.J., Bignell, D.E. (2012). Manual de Biología de suelos tropicales. Muestreo y caracterización de la biodiversidad bajo suelo. Instituto Nacional de Ecología, México. ). Embudos Berlese- Tullgren Rosales et at., 2009Rosales, L., Rodríguez, M. y Suárez, S. (2009). Toma de muestras de suelo y raíces para diagnóstico de nematodos Fito parasíticos. INIA Divulga, 13, 23-26. |
Macrofauna (12) (número de: Individuos, ingenieros, detritívoros, herbívoros, parasitoides y grupos /método de muestreo (trampa y monolito) | Tropical Soil Biology and Fertility (TSBF) (Anderson e Ingram, 1993Anderson, J.M., e Ingranm, J.S.I. (Eds.). (1993). Eds. Tropical soil biology and fertility: A handbook of methods. 2nd ed. Wallinford, U.K: CAB International. ) | |
Pasto | Composición botánica, disponibilidad, porcentaje de pastos (%), de arvenses (%) y de suelo desnudo (%), producción de biomasa (t ha-1). |
t´Mannetje y Haydock.,1963t´Mannetje, L. y Haydok, K. P. (1963). The dry weight rank method for the botanical analysis of pastures. Journal. British. Grassland. Society, 18, 268. Haydock y Shaw., 1975Haydock, K.P y Shaw, N.H. (1975). The comparative yield method for estimations dry matter yield of pastures. Australian Journal of Experimental Agriculture,15, 663. |
Resultados
⌅Microflora. Las tres variables se agruparon en un solo componente explicando el 64.97 % de la variabilidad. Los actinomicetos presentaron los mayores valores de peso (0.94) seguido de las bacterias (0.72) y los hongos (-0.71) presentaron valores negativos.
Mesofauna. En este caso se evaluaron 16 indicadores que se agruparon en dos componentes que explicaron 66.93% de la variabilidad (tabla 3). En el primer componente denominado “Nematodos y grupos funcionales” se concentraron siete variables que explican el 51.17%. El segundo componente denominado “Mesofauna y depredadores” agrupó dos variables que explican el 15.76%. En ambos componentes las variables presentaron valores de preponderancia elevados, destacándose los nematodos en el suelo y en la raíz lo cual evidencia la importancia de este grupo.
Identificación de factores | Variables | Pesos | Valores propios | Varianza explicada% |
---|---|---|---|---|
Nematodos y grupos funcionales | Número total de nematodos en el suelo | 0,95 | 8,18 | 51,17 |
Número de nematodos bacteriófagos en el suelo | 0,82 | |||
Número de nematodos fungívoros en el suelo | 0,85 | |||
Número de nematodos omnívoros en el suelo | 0,82 | |||
Número total de nematodos en la raíz | 0,96 | |||
Número de grupos totales de nematodos en la raíz | 0,87 | |||
Número de nematodos bacteriófagos en la raíz | 0,82 | |||
Mesofauna y depredadores | Número total de individuos de la mesofauna | 0,95 | 2,52 | 15,76 |
Número de depredadores de la mesofauna | 0,85 |
Macrofauna
⌅De las 13 variables estudiadas sólo 6 fueron las que mostraron mayor variabilidad del conjunto de 416 datos. El modelo seleccionado extrajo tres componentes o factores los cuales explicaron el 70.87 % de la variabilidad total (tabla 4). Los tres factores fueron identificados y en el primer componente reconocido como “Total de grupos funcionales y detritívoros” se explica 42.46 % de la varianza total. En este caso la mayor cantidad de variables se agruparon en ella y sólo dos tuvieron valores superiores a 0.70.
Cuando analizamos el comportamiento de esta componente en los diferentes períodos evaluados en cada uno de los agro ecosistemas estudiados, podemos apreciar según el grafico de evaluación del impacto, que en el agro ecosistema de la “Estación” se determina un mayor número de grupos de la macrofauna respecto a los demás, aunque el primer año fue extremadamente seco en ambos períodos climáticos y en los demás agro ecosistemas el impacto fue positivo solo en el período lluvioso del segundo año (Fig. 2).
El segundo factor con un 15.49 % de explicación, fue denominado “Individuos e ingenieros”. Es de destacar que en esta componente se encuentran las variables de mayor peso. En el tercero denominado “Depredadores y detritívoros” se explica 12.91%.
Identificación de factores | Variables | Pesos | Valores propios | Varianza explicada,% |
---|---|---|---|---|
Total de grupos funcionales y detritívoros | Número total de grupos, trampa | 0,75 | 5,52 | 42,46 |
Número de detritívoros, trampa | 0,83 | |||
Individuos e ingenieros | Número total de individuos, trampa | 0,91 | 2,01 | 57,95 |
Número de ingenieros, trampas | 0,91 | |||
Depredadores y detritívoros | Número de detritívoros, monolitos | 0,88 | 1,67 | 70,87 |
Número de depredadores, monolitos | 0,83 |
En la tabla 5 se resume los resultados del análisis de componentes principales realizado para cada subgrupo de indicadores.
Propiedades físicas del suelo
⌅Se evaluaron siete indicadores, los cuales se agruparon en dos componentes (90.46%). La primera componente explica el 55.92% y fue nombrada “Estabilidad estructural”, agrupo las variables Humedad higroscópica y Por ciento de arcilla las cuales estuvieron inversamente proporcional a las variables Sumatoria y Coeficiente de estructura en seco, K. En la segunda componente “Densidad” se agruparon las variables de igual nombre y la porosidad total. En este caso la Densidad real se relacionó de forma inversa con la densidad aparente y la porosidad total.
Componente | Identificación de factores | Variables | Pesos | Valores propios | Varianza explicada% |
---|---|---|---|---|---|
Suelo-Físicos | Estabilidad estructural | Humedad higroscópica | -0,84 | 3,91 | 55,92 |
Por ciento de arcilla | -0,93 | ||||
Estabilidad estructural | 0,97 | ||||
Coeficiente de estructura en seco, K | 0,96 | ||||
Densidad | Densidad aparente | -0,94 | 2,41 | 34,54 | |
Porosidad total | 0,99 | ||||
Densidad real | 0,70 | ||||
Suelo-químicos | pH y nutrientes | Mg | 0,89 | 4,07 | 58,23 |
P | 0,93 | ||||
MO | -0,77 | ||||
Conductividad Eléctrica, CE | 0,91 | ||||
pH | -0,90 | ||||
Bases | Na | 0,82 | 1,95 | 27,87 | |
Ca | 0,95 | ||||
Pastos | Pastos | Porciento de pastos presentes | 0,94 | 2,97 | 74,43 |
Arvenses | -0,87 | ||||
Despoblación | -0,74 | ||||
Producción de biomasa | 0,84 |
Propiedades químicas del suelo
⌅De las diez variables estudiadas se seleccionaron aquellas que presentaron mayor coeficiente de correlación y no son redundante. Las siete variables analizadas con el MEMI (tabla 5) se agruparon en dos componentes que explicaron el 86.10%. La primera componente denominada pH y nutrientes, agrupo cinco variables y en este caso el pH y la MO estuvieron inversamente proporcional al resto de las demás variables.
Pastos. En una componente se explica el 74.43 % de la variabilidad y se agruparon las cuatro variables estudiadas. Las variables % Arvenses y Despoblación influyen inversamente proporcional al Porcentaje de pastos presentes y a la Producción de biomasa.
La utilización del análisis de componentes principales permitió reducir el número de variables de cada subgrupo y realizar una evaluación integral añadiendo, además variables de los factores climáticos (tabla 6).
Identificación de factores | Variables | Pesos | Valores propios | Varianza explicada,% |
---|---|---|---|---|
Suelo | Contenido de P | 0,97 | 3,07 | 26,60 |
pH | -0,90 | |||
Densidad aparente | 0,83 | |||
Macrofauna | Número total de individuos, trampa | 0,89 | 1,92 | 16,61 |
Número de grupos, trampas | 0,71 | |||
Pastos y mesofauna | Número total de individuos de la mesofauna | 0,75 | 1,35 | 16,12 |
Porcentaje de pasto presente | 0,76 | |||
Clima y nematodos | Días con lluvia | 0,72 | 1,06 | 14,80 |
Número de nematodos, raíz | 0,85 |
Con cuatro componentes se logró explicar el 74.13 % de la variabilidad total. La primera componente relacionada con el suelo explicó el mayor porcentaje de la variabilidad (26.60%). La variable número de nematodos se relacionó directamente con la variable Días con lluvia en la cuarta componente y presentó valores de preponderancia superiores a los demás grupos de macro y mesofauna.
Discusión
⌅Las técnicas multivariadas utilizadas permitieron demostrar que a través de las mismas se pueden extraer las variables que mayor variabilidad presentan en el sistema suelo-planta y de esta forma relacionar e integrar los conocimientos para detectar y/o proponer alternativas que permitan corregir el grado de fertilidad de los suelos.
La caracterización de la composición funcional de la macrofauna edáfica en los cinco agro ecosistemas de pastizales estudiados, permitió identificar estos grupos como indicadores claves para evaluar el grado de estabilidad de los sistemas, lo anterior corrobora los resultados obtenidos en las investigaciones realizadas por Chávez et al. (2020Chávez, L, Rodríguez Idalmis, Benítez, D., Torres, V., Estrada, W., Herrera M., Medina, Y., y B. Diana. (2020). Characterization of the edaphic macrofauna in five grassland agroecosystems from Granma province. Richness and abundance. Cuban Journal of Agricultural Science, 54(4), 585-597. , 2021)Chávez, L, Rodríguez, I., Estrada-Prado, W., Herrera-Villafranca, M., y Medina-Mesa, Y. (2021). Functional composition of the edaphic macrofauna in five pastureland agroecosystems in the Granma province, Cuba. Pastos y Forrajes, 44, 1-11. en estos agro ecosistemas. Las variables de la biota edáfica número de individuos de la macrofauna, de la mesofauna y el número de nematodos presente en la raíz, fueron las que mayor aporte realizaron a la caracterización de los sistemas.
Según Marsden et al. (2019)Marsden, C., Martin-Chave, A., Cortet, J., Hedde, M., y Capowiez, Y. (2019). How agroforestry systems influence soil fauna and their functions - a review. Plant Soil https://doi.org/10.1007/s11104-019-04322-4 la macrofauna es uno de los grupos más estudiados en la región tropical. Estos autores recomiendan dirigir los estudios para determinar el funcionamiento de ese grupo en los ecosistemas. Sin embargo, los resultados de esta investigación demuestran la importancia de la selección de indicadores de la mesofauna incluso de grupos pocos reconocidos como son los nematodos.
El componente Pastos influye directamente en la estabilidad de los agros ecosistemas estudiados. Se pudo apreciar un efecto negativo de los demás indicadores estudiados en los sistemas donde la presencia de los mismos era menor. Resultados similares determinó Pestana et al. (2021)Pestana, L. F, de Souzab, A. L., Tanakab, M. O, Labarquec, F. M, Soaresa, J. H. (2021). Interactive effects between vegetation structure and soil fertility on tropical ground-dwelling arthropod assemblages. Applied and Soil Ecology,153. https://doi.org/10.1016/j.apsoil.2020.103624 en Brasil, al relacionar la estructura de la vegetación con la diversidad y composición de los grupos de la mesofauna.
En Colombia Giraldo (2021)Giraldo, N. V. (2021). Propuesta de indicadores de calidad del suelo para monitoreo de los Sistemas Silvopastoriles Intensivos (SSPi) en la Ecoregión Cafetalera, Colombia. [Tesis de Maestría. Universidad Nacional de Colombia, Colombia]. demostró los beneficios de los Sistemas Silvopastoriles Intensivos (SSPi) en la calidad del suelo al igual que los resultados obtenidos en la presente investigación. De igual forma Giraldo y Chará (2022)Giraldo N. V y Chará J. (2022). Efecto de los sistemas silvopastoriles intensivos en la reducción de la degradación física y biológica del suelo. Livestock Research for Rural Development, 34. http://www.lrrd.org/lrrd34/3/3417vicky.htlm encontraron que los SSPi disminuyen significativamente la tasa de pérdida de suelo hasta un 35.3%, mejoran la infiltración y conductividad hidráulica y mejoran considerablemente la dinámica biológica del suelo, registrando hasta 90 morfoespecies, con un total máximo de individuos de 12 281, representados en 16 órdenes, 3 clases taxonómicas, agrupados hasta en 6 grupos funcionales cuya representación estuvo marcada por los detritívoros y depredadores. En general los sistemas silvopastoriles mostraron las mejores condiciones biológicas lo cual aporta al mantenimiento de las características hidrológicas y a la conservación del suelo.
Los subgrupos que se crearon para cada componente (suelo-pastos) contribuyó a la selección de un mayor número de indicadores. Sin embargo, en otras investigaciones analizadas no ocurre así. Morales-Velasco et al. (2015) que de igual forma estudiaron un gran número de variables biofísicas, en doce sistemas agro silvopastoriles, determinaron que la mayor variabilidad se concentra en un menor número de indicadores, al realizar un análisis de componentes principales único.
Resultados similares obtuvieron Rodríguez (2004)Rodríguez, I. (2004). Evaluación del impacto de los sistemas ganaderos actuales en el recurso suelo en la provincia Habana. [Informe final de proyecto No.0417. Instituto de Ciencia Animal. Mayabeque, Cuba. , Lok (2015)Lok, S. (2015). Determinación y selección de indicadores del sistema suelo-pasto en pastizales dedicados a la producción de ganado vacuno. [Tesis presentada en opción al grado de doctor en ciencias agrícolas. Universidad Agraria de la Habana. Mayabeque, Cuba]. en Cuba y Vásquez et al. (2020) en Colombia, al evaluar más de 30 indicadores del suelo, diferentes grupos funcionales de la macrofauna y el pasto en diferentes agro ecosistemas con la utilización de sistemas silvopastoriles.
Jiménez et al. (2022)Jiménez L, Jiménez W, Felicito D, Quichimbo P, Sánchez D y Capa-Mra D. (2022). Rediscovering the edaphic knowledge of smallholder farmers in southern Ecuador. Geoderma, 406(15). https://doi.org/10.1016/j.geoderna.2021.115468. en Ecuador demostraron la importancia del conocimiento local de los agricultores sobre las prácticas de manejo del suelo y su fertilidad con el objetivo de mantener el agro ecosistemas sostenibles. En este trabajo se resalta el uso de indicadores visibles por parte de los productores.
Las variables seleccionadas permitieron relacionar e integrar los conocimientos para detectar y/o proponer alternativas que permitan mejorar el grado de fertilidad de los suelos. La biota edáfica resultó ser un indicador muy importante para evaluar la sostenibilidad en los agro-ecosistemas ganaderos frágiles de la provincia de Granma, en Cuba. La metodología utilizada con el análisis de componentes principales y el Modelo de medición del impacto (MEMI) permitieron realizar un análisis integral del complejo sistema suelo-pasto.