La podredumbre carbonosa, causada por el hongo del suelo Macrophomina phaseolina (Mp), representa una grave amenaza para la salud y las cosechas de soja a nivel mundial.
por la Sociedad Americana de Fitopatología
Esta enfermedad prolifera en condiciones secas y calurosas y puede devastar silenciosamente los cultivos incluso antes de que aparezcan los síntomas. Ahora, investigadores han desarrollado mapas de riesgo de alta resolución que predicen dónde es más probable que se produzca la podredumbre carbonosa, basándose en el suelo bajo la superficie.
Publicado en Phytopathology , el estudio fue dirigido por Horacio López-Nicora, profesor asistente de patología y nematología de la soja en la Universidad Estatal de Ohio, y Sandip Mondal, investigador postdoctoral en el laboratorio de López-Nicora.
El equipo de investigación recolectó muestras de suelo de 297 campos de soja en siete departamentos de Paraguay, una región clave para la producción de soja en Sudamérica. Su análisis reveló que la abundancia de Mp es mayor en la región sureste del país, donde los suelos tienden a ser más ácidos y ricos en arcilla.
«Al utilizar mapas geoestadísticos y modelos predictivos, brindamos a los agricultores la capacidad de pronosticar el riesgo de enfermedades antes de que se conviertan en un problema», afirmó López-Nicora.
Lo que hace que este enfoque sea tan eficaz es su carácter proactivo. En lugar de esperar a observar los síntomas después de que se produzca el daño, los mapas utilizan características medibles del suelo, como el pH, el contenido de arcilla y la capacidad de intercambio catiónico, para evaluar el riesgo en todo el paisaje. Se descubrió que estos indicadores eran fuertes predictores de las unidades formadoras de colonias de Mp, y un pH más bajo mostró una correlación negativa significativa con la abundancia de hongos.
El equipo utilizó modelos geoestadísticos y de regresión espacial para descubrir no solo qué campos eran más vulnerables, sino también cómo Mp se agrupa en áreas específicas en lugar de distribuirse uniformemente. El estadístico I de Moran, que mide la correlación espacial, confirmó que la enfermedad muestra patrones geográficos claros, algo que los métodos de exploración tradicionales suelen pasar por alto.
«La podredumbre carbonosa no se propaga uniformemente por el campo. Aparece en las condiciones adecuadas, y estas condiciones suelen estar ocultas en el suelo», dijo Mondal. «Esta herramienta ayuda a descubrir esas zonas de alto riesgo».
La capacidad de identificar estos puntos críticos tiene implicaciones directas para la agricultura de precisión. Los conocimientos de este estudio acercan a los agricultores a enfoques específicos para el manejo de la podredumbre carbonosa: ajustar las fechas de siembra, rotar cultivos y aplicar enmiendas del suelo solo donde sea necesario. Esto reduce los costos innecesarios de insumos y ayuda a proteger los rendimientos en condiciones climáticas cada vez más variables.
Emile Gluck-Thaler, profesor adjunto de la Universidad de Wisconsin-Madison y coautor del estudio, afirmó: «Las implicaciones van más allá de los agricultores individuales. Para los responsables de las políticas, el estudio ofrece una estrategia escalable para apoyar la seguridad alimentaria mediante la integración de datos del suelo y la predicción de enfermedades en los programas nacionales de protección de cultivos».
«Lo que más nos entusiasma de esta investigación es su potencial para revolucionar la forma en que abordamos el manejo de enfermedades en la agricultura», afirmó López-Nicora. «No se trata solo de la soja ni de una sola enfermedad; es una demostración de cómo los datos espaciales y la edafología pueden transformar la agricultura en un sistema más predictivo, eficiente y sostenible».
El proyecto contó con la contribución de investigadores de la Universidad de Wisconsin-Madison, la Universidad Nacional de Asunción y la Universidad Católica de Paraguay. Juntos, el equipo sienta un precedente sobre cómo la colaboración internacional y el uso inteligente de datos pueden generar cambios significativos en la gestión de cultivos, especialmente en regiones que enfrentan una creciente presión por fenómenos meteorológicos extremos y patógenos transmitidos por el suelo.
Más información: Sandip Mondal et al., El modelado geoestadístico mejora la predicción de la abundancia y distribución de Macrophomina phaseolina en los campos de soja, Fitopatología (2024). DOI: 10.1094/PHYTO-04-24-0139-R
