Modelación de la emisión de gases de efecto invernadero causados por la aplicación de excretas bovinas en el suelo

W F Ordoñez, S L Posada-Ochoa, D M Bolívar¹ y R Rosero-Noguera

Universidad de Antioquia – UdeA, Facultad de Ciencias Agrarias, Grupo de Investigación en Ciencias Agrarias – GRICA Calle 70 No. 52 – 21, Apartado aéreo 1226
jaime.rosero@udea.edu.co
¹ Facultad de Ciencias Agrarias, Universidad Nacional de Colombia, sede Medellín, Colombia

Resumen

El objetivo de este trabajo fue modelar la emisión de gases de efecto invernadero derivada de la aplicación de excretas bovinas en el suelo en la región del norte de Antioquia, Colombia. Para cuantificar las emisiones de GEI se emplearon 20 cámaras estáticas de flujo cerrado. Las siguientes dosis de aplicación de excretas fueron empleadas en el ensayo: Control, sin aplicación de heces y orina al suelo; H1 y H2, correspondiente a la aplicación de 1 y 2 kg de heces frescas al suelo, respectivamente y O1 y O2, correspondiente a la aplicación de 1 y 2 L de orina al suelo, respectivamente. Las concentraciones de dióxido de carbono (CO₂ ), metano (CH₄) y óxido nitroso (N₂O) fueron determinadas por un periodo de 39 días después de la aplicación de las excretas al suelo. Variables edafoclimáticas, tiempo y dosis de aplicación fueron consideradas para construir los modelos de regresión múltiple. En este estudio, la cantidad de heces y orina aplicadas al suelo y el EPLA mostraron ser las variables que explicaron en mayor medida las tasas de emisión de CO₂, CH₄ y N₂O. Para el caso de las emisiones de N₂O el volumen de orina aplicado al suelo mostró ser condicionante de la tasa de emisión de este gas. Los modelos construidos a partir de la aplicación de heces al suelo presentaron mayor capacidad predictiva que los obtenidos a partir de la aplicación de orina.

Palabras Clave: calentamiento global, estiércol, ganado lechero, modelación matemática

Modeling of greenhouse gas emissions caused by the application of bovine excreta to the soil

Abstract

The objective of this work was to model the emission of greenhouse gases derived from the application of bovine excreta to the soil in the northern region of Antioquia, Colombia. To quantify GHG emissions, 20 closed-flow static chambers were used. The following excreta application doses were used in the trial: Control, without application of feces and urine to the soil; H1 and H2, corresponding to the application of 1 and 2 kg of fresh feces to the soil, respectively and O1 and O2, corresponding to the application of 1 and 2 L of urine to the soil, respectively. The concentrations of carbon dioxide (CO₂), methane (CH₄) and nitrous oxide (N₂O) were determined for a period of 39 days after the application of the excreta to the soil. Edaphoclimatic variables, time and application dose were considered to build multiple regression models. In this study, the amount of feces and urine applied to the soil and the EPLA showed to be the variables that explained to a greater extent the emission rates of CO₂, CH₄ and N₂O. In the case of N₂O emissions, the volume of urine applied to the soil was shown to be a determining factor in the emission rate of this gas. The models built from the application of feces to the soil presented greater predictive capacity than those obtained from the application of urine.

Keywords: global warming, manure, dairy cattle mathematical modelling

Introducción

El aumento global de la temperatura originado por la acumulación de gases de efecto invernadero en la atmósfera es un tema de creciente preocupación en el ámbito político, económico y social por lo impactos que el aumento de temperatura tiene sobre el clima, el nivel del mar y la supervivencia de las especies.

Todas las actividades humanas contribuyen de forma directa o indirecta con la emisión de gases de efecto invernadero (GEI). Las actividades agrícolas y ganaderas no son ajenas a este hecho. A nivel mundial se estima que la producción ganadera contribuye anualmente con 4.6 gigatoneladas de CO_2-eq (Gerber et al 2013). El óxido nitroso (N₂O), metano (CH₄) y dióxido de carbono (CO ₂) provenientes de la fermentación entérica y la gestión del estiércol son los principales GEI emitidos por esta actividad. En Colombia, la producción ganadera se realiza en condiciones de pastoreo donde las excretas quedan depositadas en el suelo, contribuyendo con aproximadamente 11.9 megatoneladas de CO_2-eq de acuerdo con estimaciones realizadas por el IDEAM (2016).

La producción de leche especializada en la región andina de Colombia se maneja en condiciones de pastoreo rotacional, donde predominan praderas de pasto Kikuyo (Cenchrus clandestinus) y Raygrass (Lolium sp.) cuya digestibilidad varía entre 65 al 75% y sus aportes de proteína cruda superan el 20% (Correa et al 2008). Estos sistemas son altamente dependientes de la fertilización nitrogenada para alcanzar producciones de forraje que permitan manejar altas tasas de ocupación en las praderas. De acuerdo con Moir et al (2011) en praderas manejadas como en las condiciones antes descritas, 20% de la superficie de la pradera puede quedar cubierta con orina y aproximadamente 5% cubierta con heces (Ward et al 2018), anualmente.

Haynes y Williams (1993) relatan que los bovinos pueden excretar entre 10 y 12 veces al día, con 1.6 a 2.2 L de orina por evento. La excreción de nitrógeno en la orina dependerá de la dieta del animal, el contenido de proteína degradable en el rumen y la digestibilidad del alimento, siendo este último uno de los factores principales, ya que animales con dietas de baja calidad (bajo contenido de proteína) tienden presentan una menor excreción de N y una mayor relación de Carbono/Nitrógeno en la orina (Wassie et al 2019).

Las emisiones de GEI desde las excretas bovinas que son depositadas en las pasturas no solo dependen de factores asociados a la composición de la dieta y el animal; también dependen de factores ambientales como la humedad, la temperatura y las propiedades fisicoquímicas del suelo (Uchida et al 2011; Oertel et al 2016). En el suelo, el N₂O se produce principalmente a partir de los procesos de nitrificación y desnitrificación de los componentes nitrogenados que llegan al suelo.

Medir las tasas de emisión de GEI derivados de la gestión del estiércol en el suelo es una tarea laboriosa y costosa. Es por ello, que diferentes modelos matemáticos tendientes a predecir estas emisiones han sido desarrollados. Sin embargo, estos modelos no pueden aplicarse a amplias zonas geográficas puesto que las tasas de emisión están condicionadas a factores edafoclimáticos, las características de la dieta y el manejo de las praderas. En este contexto, el objetivo de este trabajo fue modelar la emisión de GEI derivada de la aplicación de excretas bovinas en el suelo en la región del norte de Antioquia, Colombia.

Materiales y métodos

Localización del experimento

El estudio se realizó en la Hacienda “La Montaña”, propiedad de la Universidad de Antioquia, la cual se encuentra localizada en el municipio de San Pedro de los Milagros (Antioquia-Colombia) a 2475 msnm. El municipio presenta una temperatura promedio de 14ºC, una humedad relativa del 79.7% y una P itación media anual de 2500 mm, correspondiendo a una formación ecológica de bosque muy húmedo montano bajo (bmh-MB).

El área experimental fue de 300 m2, con una topografía semiondulada y plantada con pasto Kikuyo (Cenchrus clandestinus, Hochst ex Chiov). La cual no fue fertilizada, ni pastoreada por un periodo mayor a un año, para evitar la entrada de N externo a la pradera previo al inicio del experimento. Para garantizar un crecimiento homogéneo de la pastura, dos cortes de uniformización (a 10 cm de la superficie del suelo) fueron realizados. El intervalo de corte fue de 42 días y 3 días después del segundo corte se procedió a instalar las cámaras estáticas.

Captura de información

Para cuantificar las emisiones de GEI se emplearon cámaras estáticas de flujo cerrado. Las cámaras fueron de PVC, cilíndricas, de 27 cm de diámetro y 63 cm de altura (44 cm para la base y 19 cm para la tapa). La base de cada cámara fue insertada a 12 cm de profundidad desde la superficie del suelo, cubriendo un área de 570 cm². En total se emplearon 20 cámaras estáticas, ubicadas en parcelas de 3 m², separadas 1 m entre sí, para garantizar independencia entre mediciones.

La tapa de cada cámara contaba con un termómetro para registrar la temperatura interna durante las mediciones, un ventilador para homogenizar los gases al momento del muestreo y un orificio sellado con un tapón de caucho a través del cual se colectaron las muestras de gas empleando una jeringa hipodérmica de 20 ml. El estudio tuvo una duración de 39 días, durante los cuales se realizaron mediciones los días 1, 2, 3, 4, 9, 11, 18, 25, 31 y 39, contabilizados a partir del día de aplicación de las excretas al suelo. Cada día, la captura de información y la toma de muestras de gas se realizó a los 0, 30 y 60 minutos después de iniciar las mediciones (10:00 horas).

Para modelar la emisión de GEI derivada de la aplicación de excretas bovinas en el suelo, se establecieron las siguientes dosis de aplicación: Control, sin aplicación de heces y orina al suelo; Heces 1 (H1), correspondiente a la aplicación de 1 kg de heces frescas al suelo; Heces 2 (H2), correspondiente a la aplicación de 2 kg de heces frescas al suelo; Orina 1 (O1), correspondiente a la aplicación de 1 L de orina al suelo; Orina 2 (O2), correspondiente a la aplicación de 2 L de orina al suelo.

Las concentraciones de dióxido de carbono (CO₂), metano (CH₄) y óxido nitroso (N₂O) en las muestras de gas fueron determinadas en el laboratorio del CIAT (Centro Internacional de Agricultura Tropical). La cuantificación de CO₂, CH₄ y N₂O se realizó con un cromatógrafo de gases GC-2014 (Shimadzu, Tokio, Japón), equipado con un detector de ionización de llama (FID) y un detector de captura de electrones (ECD).

Los flujos de carbono (C) del CO₂ (C_CO₂) y CH ₄ (C_CH₄) y del N del N₂O (N_N₂ O) fueron calculados a través de la ecuación propuesta por Klein et al (2003):

Donde Dc/Dt corresponde al cambio en la concentración de los gases (mL/L) a través del tiempo de muestreo (h), obtenido a través de regresión lineal; M es la masa (g/mol) del C o N presente en cada mol de CO₂ y CH ₄ o N₂O; Vm es el volumen molar del gas a la temperatura de muestreo (L/mol); V es el volumen de la cámara (m³) y A es el área de la cámara (m²).

El flujo de CO₂eq fue calculado sumando el producto entre la cantidad de cada uno de los GEI y su respectivo potencial de calentamiento global respecto al CO₂, que para el N₂O y CH₄ fue 298 y 25 veces, respectivamente (IPCC, 2019). La emisión acumulada de los gases (N_N₂O, C_CO₂, C_CH₄ y CO₂eq) durante los 39 días de experimentación se calculó a través de la determinación del área bajo la curva, correspondiente a la sumatoria de Riemann.

El contenido N de las heces y la orina fue 3% (base seca) y 0.6% (base fresca), respectivamente. El contenido de materia seca de las heces (10.7%) se determinó por secado en estufa de ventilación forzada a 110ºC/ 4horas. La dosis de N aplicada al suelo en cada tratamiento correspondió al producto entre la cantidad de excreta aplicada y su respectiva concentración de N. Los tratamientos control, H1, H2, O1 y O2 resultaron, por lo tanto, en la aplicación de 0, 56.1, 112.2, 104.9 y 209.8 g N/m², respectivamente.

Los datos de precipitación, temperatura ambiental y humedad relativa fueron registrados durante todo el periodo experimental por medio de la estación meteorológica ubicada en el local experimental (Davis Instruments®, model 6162).

Al inicio del estudio, antes de aplicación de los tratamientos, se colectaron muestras de suelo a una profundidad de 10 cm para realizar la caracterización del sitio. Se analizó textura con la técnica de Bouyoucos, pH, materia orgánica, P, Ca, Mg, K, capacidad de intercambio catiónico y densidad aparente. En el área de la parcela donde estaba ubicada la cámara estática, cada día de medición se tomó una muestra de suelo, a 15 cm de distancia de la cámara y a 15 cm de profundidad, para determinar su contenido de NO_3-, NH₄₊ y establecer la densidad aparente, densidad real y el espacio poroso lleno de agua (EPLA).

Construcción de los modelos predicción GEI

Un análisis de correlación múltiple fue realizado para determinar el grado de covariación conjunta entre las variables dependientes y las variables predictoras. En tanto que la relación de las emisiones de GEI derivadas de la aplicación de excretas bovinas y las variables predictoras (día, concentración de N, humedad del suelo, EPLA, temperatura ambiental, precipitación) fue establecida a través de modelos de regresión lineal múltiple. Se utilizó el paquete olsrr (Hebbali, 2020) del software R-project, utilizando la función stepwise, para la selección de los modelos (International-Harvard Satatistical Consulting Company, 2017). La Tabla 1, describe las variables consideradas en este estudio para la construcción de los modelos de predicción.

La capacidad predictiva de los modelos fue evaluada a través de los siguientes criterios estadísticos:

Coeficiente de determinación (R²) : representa la proporción de la varianza total que puede ser explicada por una o más variables independientes.

Donde, SSres y SStot corresponden a la suma cuadrado residual y total, respectivamente.

Raíz del error cuadrático medio (RMSE) : también llamada desviación cuadrática media y mide la diferencia media entre los valores predichos por el modelo y los valores observados.

Donde, n corresponde al número de observaciones, Pi al valor predicho por el modelo y Oi al valor observado

Error absoluto medio (MAE) : Representa la media de los errores absolutos. El error absoluto es el valor absoluto de la diferencia del valor predicho y el real.

Desviación estándar de observaciones RMSE (RSR): calculado como la relación entre el RMSE y la desviación estándar de los datos observados (STDEVobs)(Singh et al 2005).

De acuerdo con Moriasi et al (2007) valores de RSR de 0 a 0.5 indican un ajuste excelente, 0.5 a 0.6 ajuste bueno, 0.6 a 0.7 ajuste satisfactorio y > a 0.7 ajuste insatisfactorio.

La validación de los modelos se realizó empleando el método K-Fold Cross-Validation (Yang, 2014). En este método, los datos se dividen de forma aleatoria en k grupos del mismo tamaño, k-1 grupos se emplean para entrenar el modelo y uno de los grupos se emplea como validación. Este proceso se repite k veces utilizando un grupo distinto como validación en cada iteración. El proceso genera k estimaciones del error cuyo promedio se emplea como estimación final.

Resultados

En la Tabla 2 se muestran las correlaciones entre las variables dependientes y las variables predictoras. La variable T_suelo presentó correlación negativa con las emisiones de C-CH₄ y no tuvo influencia en las emisiones de los restantes gases. La T-ambiente influenció la emisión de N-N₂O mostrando que incrementos en la temperatura ambiente aumentan la tasa de emisión de este gas. La humedad del suelo (HS) solo mostró ser relevante para las emisiones de C-CH₄. El espacio poroso lleno de agua (EPLA) se correlacionó negativamente con las emisiones de C-CH₄, C-CO₂ y CO₂eq y positivamente con las emisiones de N-N₂O.

La concentración de las excretas (CON) fue relevante para las emisiones de N-N₂O y C-CO₂, en tanto que las emisiones de C-CH ₄ no se vieron influencias por esta variable. La Precipitación altera la dinámica del suelo afectando su temperatura, la actividad microbiana en función de disponibilidad de oxígeno lo que mostró influenciar significativamente las tasas de emisión de N-N₂O y C-CH₄.

Los modelos de predicción de emisiones de N-N₂O, se presentan en la Tabla 3. Para el caso de las heces, los modelos hN₂O-2 y hN ₂O-3 presentaron los menores valores de RSR (0.69 y 0.68, respectivamente) pudiendo ser clasificados como modelos de capacidad de predicción satisfactoria (Moriasi et al 2007). En estos mismos modelos más del 50% de la variación en la emisión de N₂O puede ser explicada por la cantidad de N aplicada, la humedad de suelo, el EPLA y la Precitación.

Los modelos desarrollados para predecir las emisiones de N₂O derivadas de la aplicación de orina al suelo mostraron tener baja capacidad predictiva (R₂ inferiores al 27% y valores de RSR superiores a 0.8). Las variables que contribuyeron a explicar la variación en la emisión de N20 a partir de la aplicación de orina al suelo fueron la cantidad de N aplicado (CON), la temperatura ambiente y el EPLA.

La Tabla 4 muestra los modelos correspondientes a la emisión de C-CH ₄. El modelo hCH₄-3 que incluyó las variables predictoras Día, CON y T- ambiente, lograron explicar el 65.8% de la variación en la emisión de metano a partir de las heces. Sin embargo, el modelo hCH₄-2 que a diferencia del modelo hCH₄-3, no incluyó la variable T-ambiente alcanzó una equivalente capacidad predictiva. Para el caso de los modelos desarrollados para predecir las emisiones de metano a partir de la orina todos presentaron baja capacidad de predicción con valores de RSR >0.7, indicando un ajuste insatisfactorio.

Los modelos construidos para predecir las emisiones de C-CO₂ desde las heces presentaron coeficientes de determinación superiores al 67% y valores de RSR entre 0.54 y 0.57 que los clasifican como modelos con buen ajuste y capacidad predictiva (Tabla 5). El modelo hCO₂-1 que incluyó como variable predictora la concentración de excretas (CON) tuvo un R² de 67.1%. El modelo hCO₂-2 que además de la variable CON incluyó la humedad de suelo (HS) no presentó una mejora sustancial en su capacidad predictiva (69.5%).

La emisión de C-CO₂ a partir de la orina fue influenciada por la cantidad de orina aplicada al suelo (CON) y el EPLA como pudo ser verificado en el modelo orCO₂-4. La inclusión de variables adicionales no mejoró significativamente los valores de los criterios de ajuste evaluados en este trabajo.

Dado que todos los gases de efecto invernadero no tienen el mismo potencial de calentamiento, el termino CO₂ equivalente (C-CO₂ eq) fue establecido como medida que permite convertir las emisiones de cualquier gas de efecto invernadero a una cantidad equivalente de CO ₂. La Tabla 6 presenta los modelos desarrollados para predecir las emisiones de C-CO₂eq por la aplicación de heces y orina al suelo. Los modelos de emisiones C-CO₂eq desde las heces presentaron coeficientes de determinación superiores al 73% y valores de RMSE, MAE y RSR muy similares entre sí.

Los modelos construidos para las emisiones de CO₂eq desde la orina no fueron buenos predictores (Tabla 6). El modelo orCO₂ eq-3 tuvo el menor coeficiente de determinación (R2=23,1%) considerando únicamente la variable CON. Hubo un aumento en el coeficiente de determinación en los modelos orCO₂eq-4 y orCO₂eq-5 (R ²=31,6 y 37,1%, respectivamente), cuando las variables EPLA y T-ambiente se agregaron.

Discusión

Variables seleccionadas

Las variables NO₃^-, NH₄⁺ y T_suelo no fueron incluidas en el proceso de construcción de los modelos debido a que presentaban correlaciones no significativas con las variables dependientes. No obstante, son variables que están relacionadas con los procesos de nitrificación y desnitrificación para la producción de N-N ₂O, por lo que las bajas correlaciones pueden deberse a la alta variabilidad que se presenta en la dinámica del suelo.

Las variables Día, T-ambiente, HS, EPLA CON y P, se correlacionaron significativamente con las emisiones de los gases evaluados. La variable Día tuvo una correlación negativa con la emisión de C-CH₄ y C-CO ₂ proveniente de las heces. Este hecho puede atribuirse en el caso de las heces, con el pasar de los días, se genera una capa costrosa que impide que los gases sean liberados al ambiente y, por tanto, se evidencie una reducción en las tasas de emisión (Flessa et al 1996).

La HS determina la disponibilidad de oxígeno, que a su vez condicionan la actividad microbiana en el suelo y por tanto las emisiones de N₂ O. En presencia de oxígeno el amonio es convertido a nitrito y luego en nitrato (nitrificación). Contrariamente, en condiciones anaerobias los nitratos se convierten en nitritos y nitrógeno (desnitrificación). Estas dos rutas son las responsables de las emisiones de N₂O en el suelo. Considerando que la presencia de agua en el suelo (HS) es inversamente proporcional al contenido de oxígeno, las emisiones de N2O dependen del EPLA.

El EPLA tuvo una fuerte correlación con la emisión de todos los gases en el suelo. Durante todo el experimento el valor promedio del EPLA fue 33.2% (min=20.5%; max=46.8%). La correlación positiva de dicha variable con el gas N-N2O (Tabla 2), se debe a la dominancia del proceso de nitrificación cuando los macro y microporos del suelo están libres de agua, permitiendo la libre circulación de oxígeno que favorece el proceso de nitrificación y la producción de N₂O (Saggar et al 2004). Wattiaux et al (2019) manifiesta que la emisión de N₂O es casi nula en suelos secos (EPLA menor al 30%); que la liberación aumenta a medida que la humedad desplaza al oxígeno (hasta que el EPLA alcanza aproximadamente el 60%) y, que cuando el nivel de saturación de agua es casi completo, las condiciones anaeróbicas prevalecen y las emisiones de N₂O se reducen, con aumento de las emisiones de N₂ como resultado de la desnitrificación.

Para los gases C-CH₄ y C-CO₂, el EPLA presentó una correlación negativa. Las emisiones de C-CH4 y C-CO2 en el suelo dependen de la descomposición de la materia orgánica en condiciones anaeróbicas. De acuerdo con Wattiaux et al (2019), es común observar una relación inversa entre las emisiones de CH4 y N2O, con condiciones anaeróbicas favoreciendo la producción del primer gas y, aeróbicas favoreciendo la producción del último. Los resultados obtenidos en este trabajo confirman ese concepto. En conclusión, el EPLA

determina la disponibilidad de oxígeno en el suelo, factor que condiciona la actividad de las poblaciones microbianas responsables de los procesos de la descomposición de la materia orgánica y los procesos de nitrificación y desnitrificación.

La variable CON fue importante para el desarrollo de los modelos de las emisiones de N-N₂O. Con el aumento en la concentración de N se observó un incremento en las emisiones de N-N₂O tanto en la aplicación de heces como de orina. Sin embargo, en las emisiones de C-CH ₄ las correlaciones fueron muy bajas, debido a que este gas no presenta una relación directa con la concentración de N (Tabla 2). Los resultados del presente trabajo concuerdan con lo reportado por Regina et al (2013), quienes, evaluando diferentes tipos de suelo, cultivos y manejo, encontraron que los flujos de N-N₂O varían en función del N orgánico aplicado. Sin embargo, dicha concentración no siempre presenta una relación lineal con los flujos de N-N₂O, ya que una mayor cantidad de N aplicado al suelo puede provocar una mayor infiltración el N, lo cual deja una menor cantidad de N disponible para la producción de N-N₂O (Hoeft et al 2012; Sordi et al 2014; Cardoso et al 2018)

Modelos construidos para la predicción de N-N₂O

El modelo hN₂O-1, tiene como variables predictoras CON y EPLA, siendo esta última muy influyente en los procesos de formación de N-N₂O. El ELPA determina el porcentaje de agua que hay dentro de los poros del suelo, determinando la dominancia de los procesos de nitrificación y desnitrificación para la formación de N-N₂O. No obstante, en el modelo hN2O-2 tiene una mayor capacidad predictiva que el modelo hN₂O-1 al incluir la variable HS, debido a que la humedad del suelo también influye en la concentración de oxígeno en el suelo, generando activación microbiana y sus procesos relacionados, como la nitrificación o desnitrificación para la producción de N-N2O (Saggar et al 2004). La inclusión de la variable precipitación (Precip) en el modelo hN₂O-3 no incrementó la capacidad de predicción del modelo (Tabla 3).

En el caso de la orina, las variables empleadas para la construcción de los modelos no lograron explicar la variación observada en las emisiones de N ₂O. Esta situación se refleja en los bajos coeficientes de determinación (<27%) y altos valores de RSR (>0.8) alcanzados (Tabla 3). La diferencia observada en la capacidad de predicción de los modelos construidos para las heces y la orina puede explicarse por la forma química del nitrógeno en cada una de estas excretas. En la orina, el nitrógeno está diluido en forma de urea, esto facilita su filtración a capas más profundas del suelo y su rápida volatilización (Sordi et al 2014).

Modelos construidos para la predicción de C-CH₄

Los modelos de emisiones de C-CH₄ provenientes de la aplicación de heces al suelo tuvieron mayor capacidad predictiva que los modelos construidos para la aplicación de orina. Este hecho se debe a que la producción de C-CH4 en el suelo está directamente relacionada con la cantidad de materia orgánica disponible que es descompuesta por microorganismos y enzimas en condiciones anaerobias (Hu et al 2018). Para las heces la variable CON tuvo alta significancia en la construcción de los modelos y esto se debe a que mayores aportes de N conllevan a un mayor aporte de materia orgánica que se deposita en el suelo.

La variable Día, también tuvo un peso significativo en la construcción de los modelos. El coeficiente negativo para esta variable dentro del modelo indica que con el pasar de los días las emisiones de metano disminuyen. Esto se explica porque con el transcurrir del tiempo, las heces en el suelo pierden humedad por causa de la aireación y temperatura del ambiente, provocando que las heces formen una capa dura y verdosa en la parte superior, impidiendo la salida de este gas y reduciendo la actividad microbiana (Yamulki et al 1999).

La modelación de las emisiones de metano a partir de la aplicación de orina resultó en modelos de baja capacidad predictiva (Tabla 4). Hecho atribuido a que la producción de metano a partir de la orina es casi nula. El metano resulta de la actividad microbiana sobre la materia orgánica en condiciones anaeróbias.

Modelos construidos para la predicción de C-CO₂

En los modelos de predicción de las emisiones de C-CO₂ desde las heces la variable CON logró explicar la mayor parte de la variabilidad de los datos (Tabla 5). Sin embargo, de acuerdo con Haynes y Williams (1993), las emisiones de C-CO₂ no solo son influenciadas por la concentración de N, sino también por el contenido de agua, materia orgánica y los microrganismos presentes en suelo. Las emisiones de C-CO₂ en las heces se deriva principalmente de la mineralización microbiana de materia orgánica que contienen (Flessa et al 2002). En este estudio, la inclusión de la variable HS en el modelo hCO₂-2 no mejoró sustancialmente la capacidad predictiva del modelo.

Para este gas, los modelos construidos para predecir las emisiones derivados de la aplicación de orina no tuvieron tan buena capacidad de predicción (Tabla 5). Al igual que para el metano la tasa de emisión de C-CO₂ es claramente dependiente de la disponibilidad de materia orgánica en el suelo.

Modelos construidos para la predicción de CO₂ eq

Algunos de los modelos de CO₂eq son similares a los modelos de C-CO₂ debido a que este gas representa la mayor parte de las emisiones de CO₂eq. La variable que explicó en mayor medida la variación en las emisiones de CO₂eq fue la variable CON. Agregar la variable P , genera una ligera mejora en la capacidad de predicción del modelo (Tabla 6).

Para el caso de la orina los modelos tuvieron baja capacidad de predicción de las emisiones de C-CO₂eq, indicando que para el caso de la orina otras variables además de las consideradas en este estudio están determinando la tasa de emisión de GEI derivados de la aplicación de esta excreta al suelo.

Conclusión

• Son múltiples los factores y sus interacciones los que determinan las emisiones de GEI derivados de la aplicación de excretas al suelo.
  
  
• En este estudio, la cantidad de heces y orina aplicadas al suelo y el EPLA mostraron ser las variables que explicaron en mayor medida las tasas de emisión de C-CO₂, C-CH₄ y N-N₂O.
  
  
• La disponibilidad de materia orgánica y humedad en el suelo condicionaron las emisiones de CO₂ y CH₄.
  
  
• Para el caso de las emisiones de N₂O el volumen de orina aplicado al suelo mostró ser condicionante de la tasa de emisión de este gas.

Dada la naturaleza factorial de las emisiones de GEI oriundos de la aplicación de excretas al suelo y su variación en función de la interacción de factores edafoclimáticos, dietarios y de gestión del estiércol y el rebaño, se hace necesaria la construcción de modelos regionales ajustados a las condiciones de cada entorno productivo.

Referencias

Cardoso A, Alves B, Urquiaga S and Boddey R 2018 Effect of volume of urine and mass of faeces on N₂O and CH ₄ emissions of dairy-cow excreta in a tropical pasture. Animal Production Science, 58(6): 1079-1086.

Flessa H, Dörsch P, Beese F, König H and Bouwman A 1996 Influence of Cattle Wastes on Nitrous Oxide and Methane Fluxes in Pasture Land. Journal of Environmental Quality, 25(6): 1366-1370.

Flessa H, Ruser R, Dörsch P, Kamp T, Jimenez M, Munch J and Beese F 2002 Integrated evaluation of greenhouse gas emissions (CO2 , CH4 , N2O) from two farming systems in southern Germany. Agriculture, Ecosystems and Environment, 91: 175-189. https://doi.org/10.1016/S0167-8809(01)00234-1

Gerber P, Steinfeld H, Henderson B, Mottet A, Opio C, Dijkman J, Falcucci A and Tempio G 2013 Enfrentando el cambio climático a través de la ganadería – Una evaluación global de las emisiones y oportunidades de mitigación. Organización de las naciones unidas para la alimentación y la agricultura (Roma). https://www.fao.org/3/i3437s/i3437s.pdf

Haynes R and Williams P, 1993 Nutrient cycling and soil fertility in the grazed pasture ecosystem. Advances in Agronomy, 49(C): 119-199.

Hebbali, A 2020 Olsrr: Tools for Building Ols Regression Models. https://CRAN.R-project.org/package=olsrr.

Hoeft I, Steude K, Wrage N and Veldkamp E 2012 Response of nitrogen oxide emissions to grazer species and plant species composition in temperate agricultural grassland. Agriculture, Ecosystems and Environment, 151: 34-43. https://www.sciencedirect.com/sdfe/reader/pii/S0167880912000539/pdf

Hu E, Sutitarnnontr P, Tuller M and Jones S 2018 Modeling temperature and moisture dependent emissions of carbon dioxide and methane from drying dairy cow manure. Frontiers of Agricultural Science and Engineering, 5(2): 280-286. https://digitalcommons.usu.edu/cgi/viewcontent.cgi?article=1807&context=psc_facpub

IDEAM, PNUD, MADS, DNP, CANCILLERÍA 2016 Inventario nacional y departamental de Gases Efecto Invernadero – Colombia. Tercera Comunicación Nacional de Cambio Climático. IDEAM, PNUD, MADS, DNP, CANCILLERÍA, FMAM. Bogotá D.C., Colombia. http://www.co.undp.org/content/dam/colombia/docs/cop22/IDEAM_TCNCC_INGEI_WEB.pdf

IPCC 2019 Intergovernmental Panel of Climatic Change, Calvo, E., Tanabe, L., y otros ocho editores, Refinement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventories, Vol. 4, 10.1-10.88, IPCC, ISBN 978-4-88788-232-4 Switzerland. https://www.ipcc-nggip.iges.or.jp/public/2019rf/pdf/4_Volume4/19R_V4_Ch10_Livestock.pdf

International-Harvard Statistical Consulting Company 2017 My.stepwise: Stepwise Variable Selection Procedures for Regression Analysis. R package version 0.1.0. https://CRAN.R-project.org/package=My.stepwise

Klein C, Barton L , Sherlock R and Li Z 2003 Estimating a nitrous oxide emission factor for animal urine from some New Zealand pastoral soils. Soil Research, 41: 381-399. https://www.landcareresearch.co.nz/uploads/public/researchpubs/nitrous_oxide_inventory.pdf

Moir J, Cameron K, Di H and Fertsak U 2011 The spatial coverage of dairy cattle urine patches in an intensively grazed pasture system. The Journal of Agricultural Science, 149(4): 473-485. https://core.ac.uk/download/pdf/35464007.pdf

Moriasi D, Arnold J and Liew M 2007 Model Evaluation Guidelines for Systematic Quantification of Accuracy in Watershed Simulations. Transactions of the ASABE, 50(3): 885-900. https://swat.tamu.edu/media/90109/moriasimodeleval.pdf

Oertel C, Matschullat J, Zurba K, Zimmermann F and Erasmi S 2016 Greenhouse gas emissions from soils—A review. Chemie Der Erde – Geochemistry, 76(3): 327-352. https://www.sciencedirect.com/sdfe/reader/pii/S0009281916300551/pdf

Regina K, Kaseva J and Esala M 2013 Emissions of nitrous oxide from boreal agricultural mineral soils-Statistical models based on measurements. Agriculture, Ecosystems and Environment, 164: 131-136. https://www.sciencedirect.com/sdfe/reader/pii/S0167880912003556/pdf

Saggar S, Andrew R, Tate K, Rodda N, Hedley C and Townsend J 2004 Modelling nitrous oxide emissions from New Zealand grazed pastures. Nutrient Cycling in Agroecosystems, 68(3): 243-255. https://www.sciencedirect.com/sdfe/reader/pii/S0167880906002787/pdf

Singh J, Knapp H, Arnold J and Demissie M 2005 Hydrological modeling of the iroquois river watershed using HSPF and SWAT. Journal of the American Water Resources Association, 41(2): 343-360. https://swat.tamu.edu/media/90101/singh.pdf

Sordi A, Dieckow J, Bayer C, Alburquerque M, Piva J, Zanatta J, Tomazi M, Machado C, de Moraes A 2014 Nitrous oxide emission factors for urine and dung patches in a subtropical Brazilian pastureland. Agriculture, Ecosystems and Environment, 190: 94-103. https://www.sciencedirect.com/sdfe/reader/pii/S0167880913003034/pdf

Uchida Y, Clough T, Kelliher F, Hunt J and Sherlock R 2011 Effects of bovine urine, plants and temperature on N₂O and CO ₂ emissions from a sub-tropical soil. Plant and Soil, 345(1):171-186. https://link.springer.com/content/pdf/10.1007/s11104-011-0769-z.pdf

Ward G, Kelly K and Hollier J 2018 Greenhouse gas emissions from dung, urine and dairy pond sludge applied to pasture. 1. Nitrous oxide emissions. Animal Production Science, 58(6): 1087–1093.

Wassie S, Ali A, Korir D, Butterbach-Bahl K, Goopy J, Merbold L, Schlecht E and Dickhoefer U 2019 Effects of feed intake level on efficiency of microbial protein synthesis and nitrogen balance in Boran steers consuming tropical poor-quality forage. Archives of Animal Nutrition, 73(2): 140-157. https://www.tandfonline.com/doi/epub/10.1080/1745039X.2019.1572343?needAccess=true

Wattiaux M, Uddin M, Letelier P, Jackson R and Larson R 2019 Invited Review: Emission and mitigation of greenhouse gases from dairy farms: The cow, the manure and the field. Applied Animal Science, 35(2): 238-254.

Yamulki S, Jarvis S and Owen P 1999 Methane Emission and Uptake from Soils as Influenced by Excreta Deposition from Grazing Animals. Journal of Environment Quality, 28(2), 676-682.

Yang Y, Huang S, 2014 Suitability of five cross validation methods for performance evaluation of nonlinear mixed-effects forest models – a case study. Forestry: An International Journal of Forest Research, 87 (5): 654-662.