Parcial 1
Isabella Calvache, Santiago Otalvaro, Jose Silva
Punto 1 - Salinidad
Para estudiar la relación entre ciertas características del suelo y la producción de biomasa (gr) de una planta forrajera natural se obtuvieron 45 muestras en diferentes ambientes, y en cada muestra se estimó la biomasa (respuesta Y) y se registraron las características (covariables X) del suelo en el que crecía (pH, Salinidad, Zinc y Potasio). Estos datos fueron registrados en la siguiente tabla.
Para el posterior analisis de estos resultados, se decidio estudiar cada una de las variables de forma indepentidnete, para luego compararlas respecto a la variable de interes (Biomasa), con el fin de obtener cual de estas caracteristicas demuestra tener mas influencia sobre la biomasa de las plantas.
Analisis Univariados
Biomasa
La biomasa es un tipo de energía renovable generada a partir de la combustión de materia orgánica mediante procesos que pueden suceder en el día a día (Santander Universidades, 2024). En este caso se decidio evaluar la producción de Biomasa en relacion con otras caracteristicas vitales para el desarrollo de las plantas, ya que las variaciones en estas condiciones pueden afectar el desarrollo de las plantas y, por lo tanto, reducir la cantidad de material biologico que es normalmente usado como biomasa, tales como los restos de las podas de frutales, el serrín, las cáscaras de frutos secos o la paja (Santander Universidades, 2024).
En la siguiente tabla, es posible apreciar que el promedio de Biomasa hallada en las 45 plantas, es de 1080g, mientras que la menor cantidad de biomasa registrada fue de 370g, y la mayor alcanzo los 2340g. Esto podria indicar que bajo las diferentes condiciones, las plantas tienden a generar alrededor de los 1000g de biomasa, pero, bajo las condiciones adecuadas, esta producción puede hasta duplicarse.
| Overall (N=45) |
|
|---|---|
| Biomasa | |
| Mean (SD) | 1080 (546) |
| Median [Min, Max] | 992 [370, 2340] |
Con el fin de apreciar mejor los resultados, se ilustraron los datos mediante una grafica de densidad.
Gracias a esta grafica fue posible identificar que las mayores producciones de biomasa se encuentran entre los rangos de 500g a 1000g, lo cual era de esperarse considerando los resultados obtenidos en la tabla. Sin embargo, tambien hay una pequeña curva posterior a este pico, donde se ve que hay unas cuantas plantas las cuales tuvieron una producción mayor a los 2000g de biomasa pero que nunca alcanzo a pasar los 2500g, indicando que probablemente bajo las condiciones optimas, estas plantas son capaces de generar un maximo de aproximadamente 2000g a 2300g.
pH
El pH (potencial de hidrógeno), es el indice que determina el grado de adsorción de iones (H+) por las partículas del suelo, y es usado con el fin de evaluar si un suelo es acido o alcalino. Este indicador funciona como la principal guia en la disponibilidad de nutrientes para las plantas, ya que el pH es capaz de influir en la solubilidad, movilidad, disponibilidad de otros constituyentes y contaminantes inorgánicos presentes en el suelo (FAO, s. f.).
En la siguiente tabla es posible ver que el pH esta alrededor 4.61 en las muestras, lo que significaria que en promedio, los suelos evaluados tendieron a ser ácidos, ya que su pH estaba por debajo de 6.5. Esto es curioso, ya que, La mayoría de los nutrientes vegetales están disponibles a un pH ligeramente ácido de 5,8 a 6,5 (Cropaia, 2021), lo cual esta por encima de estos valores, por o que podria significar que esta especie de planta esta adaptada para crecer en suelos mas acidos que la mayoria.
| Overall (N=45) |
|
|---|---|
| pH | |
| Mean (SD) | 4.61 (1.25) |
| Median [Min, Max] | 4.45 [3.20, 7.45] |
Para comprobar las cantidades de pH, se decidio hacer una grafica de densidad, y esta probo que, en la mayoria de suelos evaluados, el pH se encontraba por debajo de 6, y que varios de hecho, se encontraban alrededor de 3 o 4. Esto termina por afianzar la idea de que esta planta en especifico esta mas bien adaptada a suelos acidos.
Salinidad
La salinidad se refiere a la acumulación de sales solubles en agua en el suelo, la cual, en caso de ser elevada, puede llevar a la degradación de los suelos y la vegetación (FAO, s. f.). Unos altos niveles de salinidad puede llevar a las plantas a sufrir de estrés hídrico, fitotoxicidad por sodio y cloruro, desequilibrio nutricional y, en este caso lo que mas importaria para el estudio, la pérdida de producción y viabilidad (Herogra Especiales, 2018).
En la siguiente tabla se puede ver que la salinidad es de 30.3 en promedio, y que en realidad no presenta una variación tan grande, dado que no el maximo ni el minimo alcanzan a alejarse mas de unas cuantas unidades de la media.
| Overall (N=45) |
|
|---|---|
| Salinidad | |
| Mean (SD) | 30.3 (3.72) |
| Median [Min, Max] | 30.0 [24.0, 38.0] |
Para tener una mejor visualización de estos datos, se realizo una grafica de densidad, la cual comprobo que, mientras que la mayoria de suelos tenian una salididad un poco mas alta de 28, los niveles de esta son mucho mas uniformes y no hay presencia de picos tan pronunciadas como las que habia presentes en las graficas de pH o Salinidad.
Zinc
El zinc (Zn) desempeña un papel importante en muchos procesos biológicos y es un oligoelemento esencial para el crecimiento y la reproducción adecuados de las plantas, aunque tambien ha sido reportado como la causa de contaminación en algunos suelos, cuerpos de agua y cadenas alimentarias (Noulas et al., 2018).
En la siguiente grafica, se muestra que el zinc se encuentra alrededor los 17.8mg/kg, lo cual, a pesar de estar debajo de la media general de entre 50–55 mg/kg, aún entra entre el contenido normal que puede haber en suelos no fertilizados y no contaminados, el cual oscila entre 10 y 300 mg/kg (Noulas et al., 2018).
| Overall (N=45) |
|
|---|---|
| Zinc | |
| Mean (SD) | 17.8 (8.27) |
| Median [Min, Max] | 19.2 [0.211, 31.3] |
Posterior a la realización de la tabla, se decidio hacer una grafica para evidenciar mejor el comportamiento de los datos, y gracias a esta fue posible ver que, a diferencia de el pH o la Salinidad, el Zinc en pocas cantidades es muy poco común en las muestras, lo cual puede estar relacionado al el hecho de que en ausencia de Zinc, las plantas simplemente no pueden crecer adecuadamente y por lo tanto no serian ni siquiera aptas para ser consideradas dentro de este estudio.
Potasio
El potasio es un nutriente esencial para los procesos fisiológicos de las plantas, y juega un papel vital en su tolerancia al estrés hídrico, el cual es el principal factor límite que afecta el crecimiento y la producción de las plantas(Bader et al., 2021).
La siguiente tabla muestra que en los suelos estudiados el promedio de potasio estaba alrededor de los 797mg/kg, aunque gracias al minimo siendo 351mg/kg y el maximo 1440mg/kg, es posible ver que hubo un gran rango en cuanto a cantidades de potasio presentes en la muestra.
| Overall (N=45) |
|
|---|---|
| Potasio | |
| Mean (SD) | 797 (298) |
| Median [Min, Max] | 773 [351, 1440] |
Los datos luego fueron organizados en una grafica de densidad, donde se puede apreciar el gran rango de cantidades de Potasio presentes en los suelos, pero al mismo tiempo, tambien se puede ver un patron descendiente en las cantidades, donde el maximo pico se encuentra en los valores mas bajos de potasio, pero igual continua habiendo muestras con las cantidades cada vez mayores, solo que en menos frecuencia.
Analisis Bivariados
pH
Gracias a la evaluación de los coeficientes de correlación, es posible ver que a lo largo de las muestras el pH tiene una gran relacion con los niveles de biomasa, pero de forma contraria a la forma que se esperaria basandose en los analisis univariados, puesto que el indice de coorrelación de pearson (0.9281023) se encuentra muy cercano a 1, indicando que su relación es directamente proporcional y por lo tanto, entre mas pH, mas biomasa se produce.
## [1] 0.9281023##
## Call:
## lm(formula = Biomasa ~ pH, data = datos)
##
## Coefficients:
## (Intercept) pH
## -780.2 404.1Para una mejor visualización, se graficaron estos datos, donde se confirmo la gran relación que hay entre estas dos variables.
g1=ggplot(datos, aes(y = Biomasa, x = pH)) +
geom_point(color = "#2E8B57", size = 3) +
geom_smooth(method = "lm",
color = "#145A32",
fill = "#A9DFBF") +
theme_bw() +
ggtitle("Correlación entre pH y Biomasa")
g1
Salinidad
Contrario a lo que sucedio con el pH, la salinidad no demostro tener mucha correlación con la biomasa gracias a que su indice de correlación de pearson (-0.06657756) se encuentra muy cercano a 0. Aun asi, de ser reelevante para la cantidad de biomasa, gracias al signo que se obtuvo se podria decir que estas dos varibles son inversamente proporsionales, indicando que en caso de aumentar la Salinidad, la biomasa se veria reducida.
## [1] -0.06657756##
## Call:
## lm(formula = Biomasa ~ Salinidad, data = datos)
##
## Coefficients:
## (Intercept) Salinidad
## 1378.112 -9.778Con el fin de mejorar el entendimiento de estos indices, se grafico la correlación de estas variables, lo cual termino por confirmar la poca relación que tienen las biomasa y la salinidad en esta muestra.
g2 = ggplot(datos, aes(y = Biomasa, x = Salinidad)) +
geom_point(color = "#8E44AD", size = 3) +
geom_smooth(method = "lm",
color = "#411a52",
fill = "#D2B4DE") +
theme_bw() +
ggtitle("Correlación entre Salinidad y Biomasa")
g2
Zinc
Respecto al zinc, al calcular su indice de correlación con la biomasa (-0.7814625), fue posible ver que la reducción de este elemento en los suelos es vital para el desarrollo y posterior produccion de biomasa de las plantas. Esto resulta curioso, ya que entre mas cantidades de Zinc en el suelo, mas la planta podria aprovehcarlo para favorecer su crecimiento. Sin embargo, si se considera que esta especie esta diseñada para adecuarse a lugares con muy poco Zinc, es posible que los niveles que para otras especies son basicos, para esta puedan resultar toxicos, llevandola a ser intoxicada por niveles que normalemente serian necesarios para el desarrollo de cualquier otra especie de planta.
## [1] -0.7814625##
## Call:
## lm(formula = Biomasa ~ Zinc, data = datos)
##
## Coefficients:
## (Intercept) Zinc
## 2002.15 -51.59Con el fin de evidenciar mejor el comportamiento entre estas dos variables, se realizo una grafica la cual termina por confirmar como el incremento de Zinc en el suelo resulta perjudicial para la produccion de Biomasa.
g3 = ggplot(datos, aes(y = Biomasa, x = Zinc)) +
geom_point(color = "#F39C12", size = 3) +
geom_smooth(method = "lm",
color = "#873600",
fill = "#FAD7A0") +
theme_bw() +
ggtitle("Correlación entre Zinc y Biomasa")
g3
Potasio
Por ultimo, similar a lo que sucede con la salinidad, la cantidad de potasio encontrada en el suelo probo ser bastante neutra respecto a la produccion de biomasa de las plantas. El indice de correlación entre estas variables (-0.07319518) termino siendo bastante cercano a cero, aunque su signo demuestra que su relación seria inversamente proporcional a la de la biomasa.
## [1] -0.07319518##
## Call:
## lm(formula = Biomasa ~ Potasio, data = datos)
##
## Coefficients:
## (Intercept) Potasio
## 1189.3171 -0.1344Para poder demostrar mejor la poca relación entre las dos varibles, se grafico su indice de correlación, dando por resultado la siguiente grafica.
g4 = ggplot(datos, aes(y = Biomasa, x = Potasio)) +
geom_point(color = "#524233", size = 3) +
geom_smooth(method = "lm",
color = "#302419",
fill = "#D7B899") +
theme_bw() +
ggtitle("Correlación entre Potasio y Biomasa")
g4
Resumen de los Hallazgos
En resumen, gracias a las exploraciones univariadas fue posible generar la siguiente tabla, dentro de la cual se puede apreciar los valores promedios de cada una de las variables. Aún asi, como fue posible evidenciar despues con el pH, estos indices por si solos no pueden ser tomados al pie de la letra, puesto que no resultan ser del todo confiables a la hora de analizar las posibles relaciones entre dos o mas variables. Por estas razones, a la hora de realizar este tipo de estudios es necesario hacer uso de las exploraciones bivariadas.
| Overall (N=45) |
|
|---|---|
| Biomasa | |
| Mean (SD) | 1080 (546) |
| Median [Min, Max] | 992 [370, 2340] |
| pH | |
| Mean (SD) | 4.61 (1.25) |
| Median [Min, Max] | 4.45 [3.20, 7.45] |
| Salinidad | |
| Mean (SD) | 30.3 (3.72) |
| Median [Min, Max] | 30.0 [24.0, 38.0] |
| Zinc | |
| Mean (SD) | 17.8 (8.27) |
| Median [Min, Max] | 19.2 [0.211, 31.3] |
| Potasio | |
| Mean (SD) | 797 (298) |
| Median [Min, Max] | 773 [351, 1440] |
Por ultimo, los analisis bivariados permitieron enfocar el contexto de los analisis univariados para que la información obtenidad apartir de estos pudiera girar al rededor de nuestra variable de interes. Dentro de estos ultimos analisis, fue posible identificar tanto al pH como al Zinc, como las caracteristicas mas importantes con relacion a la producción de biomasa, una de forma directamente proporcional (pH), mientras que la otra de forma inversamente proporcional (Zinc).
En conclusión, se recomienda que para incrementar al maximo la capacidad de producción de biomasa de estas plantas, se haga un incrmento modulado del pH del suelo, mientras que se vaya reduciendo de manera progresiva el Zinc; todo siendo monitoreado de forma constante con el fin de asegurarse de que en ningun momento se vayan a exceder los limites que puedan causar una disminución drastica en la producción de la biomasa a causa de un daño a las plantas. De esta forma, el presupuesto va a poder ser dirigido a el control y mejoramiento de las condiones del suelo que realmente afectan la producción de biomasa, en vez de a otras caracteristicas que no influyen en gran manera sobre los resultados deseados.
Punto 2 - MOLUSCOS:
Análisis Univariado
Concentracion de agua:
Tipo: Cualitativa ordinal (100%, 75%, 50%).
En el contexto de estudios fisiológicos sobre moluscos, la variable c_agua representa la salinidad o el grado de dilución del medio acuático al que está expuesto el organismo. Esta variable es crítica porque los moluscos, al ser en su mayoría osmoconformadores o reguladores osmóticos parciales, experimentan cambios en su presión osmótica interna y volumen celular según la concentración de sales en el agua, una variación en c_agua afecta directamente la tasa de filtración y el gasto metabólico, ya que el animal debe invertir energía en procesos de osmorregulación o cerrar sus valvas para protegerse de ambientes excesivamente diluidos (Brusca, 2023).
tabla_cagua <- data.frame(
Concentracion = names(table(BD_moluscos$c_agua)),
Frecuencia = as.vector(table(BD_moluscos$c_agua)),
Proporcion = round(prop.table(table(BD_moluscos$c_agua)),3)
)
tabla_caguaLa variable concentración presenta tres niveles: 100%, 75% y 50% de
agua de mar.
Las frecuencias observadas en cada nivel son similares, lo que indica
que el experimento fue aplicado de manera uniforme en cada
tratamiento.
library(ggplot2)
ggplot(BD_moluscos, aes(x = "", fill = factor(c_agua))) +
geom_bar(width = 1, color = "black") +
coord_polar("y") +
geom_text(
stat = "count",
aes(label = after_stat(count)),
position = position_stack(vjust = 0.5)
) +
labs(title = "",
fill = "Concentración") +
theme_void()
El diseño experimental permite comparar adecuadamente los efectos de la concentración sobre el consumo de oxígeno, ya que no se observa desbalance en el número de observaciones por nivel.
Moluscos:
Tipo: Cualitativa nominal (A y B).
Los moluscos son un grupo diverso de invertebrados que presentan diferentes adaptaciones fisiológicas y ecológicas según la especie. Por esta razón, identificar el tipo de molusco permite comparar posibles diferencias en sus respuestas biológicas frente a las condiciones del ambiente (Brusca, 2023).
tabla_molusco <- data.frame(
Molusco = names(table(BD_moluscos$molusco)),
Frecuencia = as.vector(table(BD_moluscos$molusco)),
Proporcion = round(prop.table(table(BD_moluscos$molusco)),3)
)
tabla_moluscoSe observan dos categorías de moluscos: tipo A y tipo B.
Las frecuencias de ambos tipos son similares , lo que indica que ambos
grupos están representados adecuadamente en la muestra.
No existe predominancia marcada de un tipo sobre otro, lo que permite realizar comparaciones sin sesgo por tamaño de grupo.
Consumo de Oxigeno:
Tipo: Cuantitativa continua.
La variable cons_o hace referencia al consumo de oxígeno de los organismos estudiados. El consumo de oxígeno es una medida ampliamente utilizada en fisiología animal para estimar la actividad metabólica de los organismos. En organismos acuáticos, la medición del consumo de oxígeno permite evaluar sus necesidades energéticas y su capacidad respiratoria bajo diferentes condiciones ambientales. Este tipo de mediciones se utilizan frecuentemente en experimentos fisiológicos para analizar cómo factores ambientales, como la temperatura o la disponibilidad de oxígeno en el agua, pueden influir en el metabolismo y en el funcionamiento fisiológico de los organismos acuáticos (Wetzel, 2001).
tabla_cons <- data.frame(
Media = mean(BD_moluscos$cons_o),
Mediana = median(BD_moluscos$cons_o),
Desviacion_Estandar = sd(BD_moluscos$cons_o),
Minimo = min(BD_moluscos$cons_o),
Maximo = max(BD_moluscos$cons_o)
)
tabla_consEl consumo de oxígeno presenta un rango que va desde valores mínimos hasta valores máximos de, la media y la mediana son cercanas, lo que sugiere una distribución aproximadamente simétrica. La desviación estándar indica una dispersión moderada.
ggplot(BD_moluscos, aes(x = cons_o)) +
geom_histogram(fill = "#F28E2B", color = "black") +
labs(title = "Distribución del consumo de oxígeno en moluscos",
x = "Consumo de O2",
y = "Frecuencia") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold")
)
ggplot(BD_moluscos, aes(y = cons_o)) +
geom_boxplot(fill = "#8E44AD", color = "black", width = 0.4) +
labs(title = "Distribución del consumo de oxígeno",
y = "Consumo de O2") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold")
)
Existe variabilidad en el consumo de oxígeno entre los
individuos.
Esta variabilidad podría estar asociada al tipo de molusco o a la
concentración del agua, lo cual podría analizarse posteriormente con
análisis bivariado.
ggplot(BD_moluscos, aes(x = cons_o)) +
geom_density(fill = "#F28E2B", color = "black", alpha = 0.6) +
labs(title = "Densidad del consumo de oxígeno en moluscos",
x = "Consumo de O",
y = "Densidad") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, size = 14, face = "bold")
)
La curva de densidad del consumo de oxígeno confirma lo observado en el histograma, mostrando una leve asimetría hacia valores altos. Se distinguen dos zonas con mayor concentración de datos, aproximadamente entre 4–7 y 9–12 unidades de consumo. En general, los registros abarcan un rango amplio y fueron tomados de forma equilibrada entre los tipos de moluscos y niveles de concentración de agua de mar.
Análisis Bivariado
Consumo de oxígeno en relación a la concentración de agua
Dos tipos de moluscos A y B fueron sometidos a tres concentraciones
distintas de agua de mar (100, 75, 50) y se observo el consumo de
oxígeno midiendo la proporción de O2 por unidad de pesos seco del
molusco.
Para identificar esto, se realizó un análisis exploratorio que permite
reconocer como es el consumo de oxígeno en distintas concentraciones de
agua de mar. y si stas son las mismas para cada tipo de molusco.
require(table1)
require(ggplot2)
BD_moluscos$c_agua=factor(BD_moluscos$c_agua, levels = c(50,75,100))
table1(~cons_o|c_agua, data=BD_moluscos)| 50 (N=16) |
75 (N=16) |
100 (N=16) |
Overall (N=48) |
|
|---|---|---|---|---|
| cons_o | ||||
| Mean (SD) | 12.3 (3.20) | 6.99 (2.80) | 8.67 (3.00) | 9.30 (3.68) |
| Median [Min, Max] | 11.5 [6.38, 18.8] | 6.43 [1.80, 13.2] | 8.60 [3.68, 14.0] | 9.70 [1.80, 18.8] |
g5=ggplot(BD_moluscos, aes(y=cons_o, x=c_agua, fill = c_agua)) + geom_boxplot()+ scale_fill_manual(values = c("50" = "#7FFFD4",
"75" = "#2A9D8F",
"100" = "#457B9D")) +
theme_bw()
g5
El consumo de oxígeno es mayor en la concentración del 50% de agua de mar (12.3), es medio en el los 100% y menor en el 75%. Ademas, la variabilidad del consumo tambien difiere en cada condición, siendo más dispersa en el 50% y mas homogenea en el 75%. El grafico confirma estos hallazgos, la mediana del consumo en 50% de agua de mar es mas alta con valores mas dispersos y algunos exteremos elevados. En el 75%, el consumo es mas bajo y estable, mientras que en el 100%, aunque parece haber una mayor dispersión, los valores, los valores se mantiene en un nivel intermedio. Esto podria deberse a factores ambientales o morfologicos tales como la presion osmotica, presencia de parasitos de la clase Digenea (Castro, et al., 2015).
Ahora se compara el consumo de oxígeno de cada molusco (molusco A y molusco B) en base a la concentración de agua (50%, 75%, 100%).
Consumo de oxigeno vs Moluscos
Ahora se analiza si el consumo de oxigeno varia entre los dos tipos de molusco. Para esto, se realizó un diagrama de cajas y bigotes con el fin de evidenciar si el consumo de oxigeno varia entre moluscos del grupo A y moluscos del grupo B
| A (N=24) |
B (N=24) |
Overall (N=48) |
|
|---|---|---|---|
| cons_o | |||
| Mean (SD) | 10.0 (3.27) | 8.61 (4.00) | 9.30 (3.68) |
| Median [Min, Max] | 9.74 [5.20, 18.8] | 8.06 [1.80, 17.7] | 9.70 [1.80, 18.8] |
g6=ggplot(BD_moluscos, aes(x=molusco, y=cons_o, fill = molusco))+ geom_boxplot() + scale_fill_manual(values = c ("A" = "#7FFFD4",
"B" = "#2A9D8F"))+ theme_bw()
g6
El grupo de moluscos B tiende a tener consumos más bajos de oxígeno porque concentra muchos datos en 5-6, y parece estar más sesgada a la derecha. Los moluscos del grupo A concentran la mayoría de observaciones en valores intermedios más altos (8-12).
boxplot(cons_o ~ molusco:c_agua, data=BD_moluscos,
main="Consumo O2 por combinación molusco x c_agua",
ylab="cons_o", xlab="molusco:c_agua")
Gracias a estos valores, se clasifica en base a las caracteristicas de consumo de cada grupo de moluscos. Para una concentración de 50% de agua, los moluscos del “grupo B” tienen una mediana mas alta que los del grupo A, y se dice que los del “grupo B” consumen más oxígeno a esta concentración. Por otro lado, los moluscos del “grupo A” presentan un consumo de oxígeno mayor para las concentraciones de 75% y 100%. ¿Qué indica esto? Los moluscos del “grupo A” presentan una mejor adaptación en contra de ambientes con niveles de oxigeno bajo o ausente.
Referencias
Noulas, C., Tziouvalekas, M., & Karyotis, T. (2018). Zinc in soils, water and food crops. Journal of Trace Elements in Medicine and Biology, 49, 252–260. https://doi.org/10.1016/j.jtemb.2018.02.009
Herogra Especiales. (2018, 31 de octubre). Salinidad: conceptos y soluciones. https://herograespeciales.com/salinidad-conceptos-y-soluciones/
Food and Agriculture Organization of the United Nations. (s. f.). Propiedades químicas. https://www.fao.org/soils-portal/soil-survey/clasificacion-de-suelos/sistemas-numericos/propiedades-quimicas/es/
Castro Rojas, M., Moya, K. C., & Nascimento, M. G. (2015). Consumo de oxígeno en Perumytilus purpuratus según el parasitismo por Digenea, y efectos de la temperatura y del ciclo de emersión-inmersión sobre la liberación de cercarias. Oceanogr, 50(2), 315–321.
Brusca, R. C., Giribet, G., & Moore, W. (2023). INVERTEBRATES (F. Edition, Ed.). Library of Congress.
Wetzel, R. (2001). Limnology: Lake and River Ecosystems. Academic Press.
Cropaia. (2021, 19 de marzo). El pH y la acidez del suelo. https://cropaia.com/es/blog/el-ph-del-suelo/
Santander Universidades. (2024, 10 de abril). Qué es la biomasa: tipos, ventajas y desventajas de esta fuente renovable. Santander Open Academy. https://www.santanderopenacademy.com/es/blog/biomasa.html
Bader, B. R., Taban, S. K., Fahmi, A. H., Abood, M. A., & Hamdi, G. J. (2021). Potassium availability in soil amended with organic matter and phosphorous fertilizer under water stress during maize (Zea mays L) growth. Journal of the Saudi Society of Agricultural Sciences, 20(6), 390–394. https://doi.org/10.1016/j.jssas.2021.04.006