Modelos Lineales Generalizados en el análisis del uso de desechos agroindustriales en la preparación de enmiendas orgánicas y su efecto en los parámetros de calidad

Mariela González Narváez; Omar Ruiz Barzola; Eduardo Chávez Navarrete; Mario Solórzano Carvajal

Mariela González Narváez Escuela Superior Politécnica del Litoral, ESPOL, Facultad de Ciencias Naturales y Matemáticas, Campus Gustavo Galindo Km. 30.5 Vía Perimetral P.O. Box 09-01-5863, Guayaquil - Ecuador http://orcid.org/0000-0002-8747-5257
Omar Ruiz Barzola Escuela Superior Politécnica del Litoral, ESPOL, Facultad de Ciencias de la Vida, Campus Gustavo Galindo Km. 30.5 Vía Perimetral P.O. Box 09-01-5863, Guayaquil - Ecuador http://orcid.org/0000-0001-8206-1744
Eduardo Chávez Navarrete Escuela Superior Politécnica del Litoral, ESPOL, Facultad de Ciencias de la Vida, Campus Gustavo Galindo Km. 30.5 Vía Perimetral P.O. Box 09-01-5863, Guayaquil - Ecuador http://orcid.org/0000-0003-2493-8143
Mario Solórzano Carvajal Escuela Superior Politécnica del Litoral, ESPOL, Centro de Estudios e Investigaciones Estadísticas, Campus Gustavo Galindo Km. 30.5 Vía Perimetral P.O. Box 09-01-5863, Guayaquil - Ecuador http://orcid.org/0000-0001-8682-6652

Resumen

La gran cantidad de desechos orgánicos obtenidos de procesos de producción agroindustriales, son materiales muy importantes para la agricultura orgánica, pues son capaces de mejorar la calidad física, química y biológica de los suelos. Por ello se realizó un ensayo en el ingenio “La Troncal”, Guayas-Ecuador (2009-2010), para probar tres combinaciones de residuos agroindustriales; estableciéndose un diseño experimental multifactorial y examinar tres diferentes combinaciones de cachaza, melaza y ceniza; dos fuentes de microorganismos; y dos tipos de aireación. Se aplicó Regresión (Modelos Lineales Generalizados), a través del método stepwise, de eliminación posterior, para modelar la relación entre la variable dependiente (relación carbono nitrógeno C/N y las independientes o predictoras: Altura, contenido de Materia Orgánica, Conductividad, Porcentaje de Materia Orgánica y de Ceniza en la fórmula, Micro-Organismos, Temperatura, pH y Aireación. El modelo final fue: E[C/N] = -10566.1 + 66.5738*Altura - 0.19824*Altura² - 1.8069*Altura*MOCromat - 0.4597*Altura*Temp - 0.2226*Conduct + 0.0015*Conduct*F%Cenizas + 0.0039*Conduct*Temp - 18.411*F%MO + 0.3609*F%MO*Temp + 32.0059*MicroOrgC + 188.788*MOCromat + 299.196*Temp - 2.7438*Temp² + 27.0893* pH - 90.2597*Aireac + ε.

El cual resultó ser un buen modelo explicativo y predictivo para medir la dependencia y estimar los posibles valores que tome la relación C/N en función de los valores iniciales de las variables independientes. El parámetro temperatura es el más crítico, dado que la producción del compost es un proceso dinámico, de manera similar el pH y la conductividad. La probabilidad de obtener el mejor compost según el método de Monte Carlo, es mayor al colocar entre 33% y 35% de MO, 19% de Ceniza y se completa el 100% de la pila con Humedad; aplicando microorganismos comerciales; utilizando como método de aireación el volteo; y teniendo al inicio del proceso la conductividad en valores entre 2750 y 2850 µS/cm; alrededor de 55ºC de temperatura y 7.5 de pH.

Citas

Agresti, A. (2018). An introduction to categorical data analysis. John Wiley & Sons.

Alba, N., Godoy, N., y Sixto, H. (2006). Growth and potential production of different populus alba l. clones for biomass. En 15th european biomass conference and exhibition. Berlín (pp. 728–729).

Civeira, G., y Lavado, R. S. (2006). Efecto del aporte de enmiendas orgánicas sobre propiedades físicas e hidrológicas de un suelo urbano degradado. Ciencia del suelo, 24(2), 123–130.

Congdon, P. (2014). Applied bayesian modelling. John Wiley & Sons.

De Mendonca Costa, M. S. S., Bernardi, F. H., de Mendonca Costa, L. A., Pereira, D. C., Lorin, H. E. F., Rozatti, M. A. T., y Carneiro, L. J. (2017). Composting as a cleaner strategy to broiler agro-industrial wastes: Selecting carbon source to optimize the process and improve the quality of the final compost. Journal of Cleaner Production, 142, 2084–2092.

Gordillo, F., y Chávez, E. (2010). Evaluación comparativa de la calidad del compost producido a partir de diferentes combinaciones de desechos agroindustriales azucareros.

Miller, J. P., y Rao, D. (2008). Epidemiology and medical statistics. handbook of statistics, volume 27. Elsevier Science & Technology.

Morales, A. B., Bustamante, M. A., Marhuenda-Egea, F. C., Moral, R., Ros, M., y Pascual, J. A. (2016). Agri-food sludge management using different co-composting strategies: study of the added value of the composts obtained. Journal of cleaner production, 121, 186–197.

Pezzolla, D., Cucina, M., Proietti, P., Calisti, R., Regni, L., y Gigliotti, G. (2021). The use of new parameters to optimize the composting process of different organic wastes. Agronomy, 11(10), 2090.

Zerega, L., Hernández, T., y Valladares, J. (1995). Efecto de 3 enmiendas sobre un suelo salino-sódico con 9 variedades de caña de azúcar. Caña de Azúcar, 13, 51–64.

Zhang, L., y Sun, X. (2016). Influence of bulking agents on physical, chemical, and microbiological properties during the two-stage composting of green waste. Waste Management, 48, 115–126.

Zurita, G. (2008). Probabilidad y estadística, fundamentos y aplicaciones, ediciones del Instituto de Ciencias Matemáticas Espol, Guayaquil, Ecuador.