Impacto da intensidade de pastejo na produtividade da soja em integração com bovinos de corte | Impact of grazing intensity on soybean yield integrated with beef cattle

A intensidade de pastejo pode ser reconhecida como primordial na formação do potencial produtivo da lavoura em sistemas integrados de produção agropecuária (SIPA). Neste estudo, objetivamos entender como diferentes intensidades de pastejo definem a produtividade da soja em SIPA. O trabalho está inserido em um protocolo experimental de longa duração iniciado em 2001, no estado do Rio Grande do Sul, Brasil. Os tratamentos são definidos durante a fase pastagem, arranjados em um delineamento de blocos completamente casualizados com três repetições em diferentes intensidades de pastejo por novilhos em pasto misto de azevém anual e aveia: pastejo intenso (P10), pastejo moderado (P20), pastejo moderado-leve (P30), pastejo leve (P40) e ausência de pastejo (SP) e ausência de pastejo (SP). A soja foi semeada após a saída dos animais e os dados coletadas durante a safra 2015/16. A inserção do animal não afetou a produtividade da soja (P=0,0570). Análises de cluster e discriminante foram utilizadas no estudo da variação na produtividade. O cluster hierárquico agrupou valores de produtividade em três grupos, alta (CA), intermediária (CI) e baixa (CB), baseado em suas similaridades. Os atributos químicos não foram limitantes da produtividade. O residual da pastagem exerceu papel central na construção do potencial produtivo (P<0,001). A maior população de plantas foi encontrada no CB (P<0,001), com número inferior de legumes por área, frente aos demais cluster (P<0,001). A plasticidade fenotípica da soja explica a compensação pela modificação da arquitetura do estande de plantas nos clusters CA e CI, resultando na maior formação de legumes por planta (P<0,05). Pela análise de cluster observou-se que o P10 não apresenta valores de alta produtividade ao contrário do SP que não possui valores de produtividade baixa. Quase metade dos valores observado no P40 são mais produtividade enquanto, o P20 e P30 tendem a apresentar maior homogeneidade na distribuição entre os clusters. A análise discriminante definiu parâmetros que mais explicam a variação entre os clusters Através da função stepwise encontramos cinco variáveis (residual da pastagem, fósforo, altura final - R8, nós por ramos, legumes por área) que explicam a maioria da variação. O modelo para predizer a produtividade da soja, a partir das variáveis explicativas avaliadas a campo selecionadas pela análise discriminante, demostrou a acurácia na predição da produtividade espacial, em sistemas integrados de produção agropecuária com diferentes intensidades de pastejo, sob plantio direto na palha.

Grazing intensity can be considered essential to the potential productivity of crops in integrated crop-livestock systems (ICLS). In this study, we aimed to understand how differents grazing intensity defines the subsequent productivity of soybeans in ICLS. The work forms part of a long-term experimental protocol dating from 2001 in Rio Grande do Sul state, Brazil. Treatments were defined during the pasture phase, arranged in a completely randomized block design with three replicates under different grazing intensities by steers on Italian ryegrass and black oat mixed pastures: intense grazing (G10), moderate grazing (G20), moderate-light grazing (G30), light grazing (P40), and an ungrazed control (UG). Soybean was planted after exit of the animals and data were collected during the 2015/16 season. The integration of animals did not affect soybean productivity (P=0.0570). Cluster and discrimination analyses were used to study variation in productivity. The cluster hierarchy returned three groups of productivity values: high (HC), intermediate (IC), and low (LC), based on their similarities. Chemical attributes were not limiting to productivity. Pasture residue played a central role in the determination of potential productivity (P<0.001). The greatest plant population was found in the LC (P<0.001), while more pods per plant were found in the HC and IC (P<0.001). This result is explained by the phenotypic plasticity of soybean, which allows it to compensate for lower plant population by modifying plant stand architecture. The cluster analysis revealed that G10 did not present high productivity values, as opposed to UG, which did not contain low productivity values. Nearly half of the values observed in G40 were more productive, while G20 and G30 tended to produce greater homogeneity in the distribution among clusters. A discrimination analysis defined the parameters that explain the greatest part of the variation among clusters. Using a stepwise function, we found five variables (pasture residue, phosphorus, final plant height at R8, nodes per branch, and pods per area) that explained most of the variation. The model to predict soybean productivity, using the explanatory field variables selected by the discrimination analysis, demonstrated accuracy in the prediction of spatial productivity in ICLS with different grazing intensities under no-till.