DISEÑO DE LA CORRECCION DEL FACTOR DE POTENCIA

Land productivity in sub Saharan Africa (SSA) has remained low due to declining soil  fertility resulting from many years of nutrient loss through crop harvest as well as  through processes such as soil erosion and leaching (Sanchez 2002). The amount of  major nutrients (nitrogen‐ N, phosphorus‐ P and potassium‐ K) lost far exceeds the  amounts replaced through processes such as fertilizer and manure application, natural  deposition  and  biological  fixation.  Smaling  et  al.,  (1997)  estimated  that  farming  systems in the East African Highlands lose nutrients at rates of 130 kg N, 5 kg P and 25  kg K ha/yr. Statistics indicate that yields of major cereals (maize, millet, sorghum) in  smallholder farming systems in Kenya average <1 t/ha compared to reported yields of  9 t/ha in highland environments (KARI 2005). On the other hand, fertilizer use among  smallholder farming systems is low. Fertilizer use in SSA is estimated to average 9 kg of  nutrients per hectare compared to 86 kg/ha, 104 kg/ha and 142 kg/ha for Latin  America, South Asia and Southeast Asia, respectively (Crawford et al. 2006). Equally,  production of organic resources in the smallholder systems is low because of the  already impoverished soils. Often the organics are not returned to the farms due to  other competing uses such as roofing, animal feed (Ikombo et al. 1994) and fuel  (Tittonell et al. 2005; KIPPRA 2010) or are burnt during land clearing (Muasya 1995). In  Uasin Gishu district, for example, 4 to 6 t/ha of crop residue is burnt each season to  facilitate land clearing and ploughing for the subsequent cropping season (Muasya  1995). 

With increasing land degradation and varied management practices, there is  high heterogeneity in soil properties across the cropping systems of many smallholder  farms (Prudencio 1993; Smaling and Braun 1996; Tittonell 2003). According to Tittonell  et al., (2005) and Tittonell et al., (2007) soil fertility heterogeneity at farm scale may be  associated with topography, soil types, land degradation intensities, sharp physical  discontinuities,  land‐use  history  or  distance  from  the  homestead  and  livestock 

facilities. This heterogeneity results in a mosaic pattern of yields across the landscape  which therefore requires adoption of different land management practices depending  on the conditions of a particular site. Farmers are not interested in the soil properties  per se, but the implication of the soil status on ultimate productivity. Yield mapping is  therefore a  logical  starting  point  for  site‐specific  nutrient  management  and  also  effective for the identification of potential management zones (Boydell and McBratney  2002). 

Management zones can be defined as sub‐regions within a landscape, farm or  plot with homogenous yield‐limiting factors (Doerge 1999). Variation in soil physical,  chemical  and  biological  properties  are  considered  the  most  important  factors  responsible for yield variability across the landscapes (Ping et al. 2005). The magnitude  and balance of the different soil properties result in varying nutrient supply and uptake  potential  thereby  affecting  ultimate  crop  productivity.  Hence,  understanding  the  variation of intrinsic soil fertility is the key factor for site‐specific fertilizer and soil  amendment applications as well as for planning effective soil sampling (Mann et al.  2011a; Mann et al. 2011b). 

Site‐specific management zones can be delineated based on variability in  color of bare soil, farmers’ perception of field topography and their knowledge of past  production practices (Corbeels et al. 2000; Khosla et al. 2002; Fleming et al. 2004;  Mairura et al. 2007; Mairura et al. 2008). For example, Mulla and Bhatti (1997)  observed that low‐, medium‐ and high‐organic‐matter zones were found to correspond  with top, middle and bottom slope landscape position, and that there were increasing  grain yields with increasing soil organic matter content. Other studies have used  variation in soil physical properties, nutrient levels, and water content to define the  management zones (Gaston et al. 2001). Gaston et al. (2001) reported that that  variability in clay and soil carbon influenced the location and density of weeds. 

Classifying fields into different levels of productivity management zones is a  concept that is rapidly being adopted as a management tool for soils especially under  precision agriculture systems (Doerge 1999; Khosla et al. 2002; Ping et al. 2005). This is  in recognition of the high variability in crop responses at farm level as well as the fact 

that most farmers cannot afford application of recommended rates of fertilizer while  production of organic inputs at farm level is limited. Knowledge about management  zones can help develop prescription maps that can allow the land users to apply  different rates of fertilizer at different locations of a field thereby reducing production  costs and  maximizing  returns  on investment  by  reducing  fertilizer application  to  unproductive areas of fields where nutrient uptake is low and losses may occur (Mulla  and  Bhatti  1997;  Mann  et  al.  2011a;  Mann  et  al.  2011b).  This  knowledge  on  management zones can also help when making decisions about the land use in poor or  degraded areas. These degraded areas can either be excluded from production or  possibly improved by applying appropriate amendments. 

Soil fertility research has generated interpretation guidelines for evaluating  the measured soil properties (Sanchez et al. 1982; Tekalign and Haque 1991; Okalebo  et al. 2002; FAO 2006, 2008). These guidelines can be used to group soils as fertile or  not fertile or as degraded or non‐degraded as a first step towards delineating the  management zones. Such guidelines serve to standardize and facilitate comparison of  results across  regions especially when  determining  recommendation  domains for  particular soil fertility management technologies. Further, estimates of crop yields as a  function of availability of nutrients in the soil can be done using models (Burrough  1989; Janssen et al. 1990; Lal et al. 1993; Smaling and Janssen 1993; Mulder 2000).  QUEFTS (Quantitative Evaluation of the Fertility of Tropical Soils) is one such model  that was  designed for the quantitative prediction of maize yields on unfertilized  tropical soils, although it can be adjusted for other crops and soils (Janssen et al. 1990).  This model was validated in Kenya by Smaling and Janssen (1993) and adapted so that  it could be used to estimate yield response to fertilization with N, P and K. This way,  results from QUEFTS modeling can be used to complement crop response data in  nutrient omission plots (Witt and Dobermann 2002). In this way, the model could  contribute to a more efficient use of mineral fertilizer at both regional and farm level  (Smaling and Janssen 1993). The  model combines both empirical and theoretical  approaches to modeling; thus it is based on data produced through observation or  experimentation as well as on theories of known physical or physiological relations of 

crop growth (Mulder 2000). The model’s main advantage is its simplicity, since it uses  relatively standard soil data commonly analyzed in routine laboratory procedures. The  ability of QUEFTS to predict nutrient supply, nutrient uptake and crop productivity as  well as to establish site‐specific fertilizer application makes the use of this model a  good starting point for determining management zones in the smallholder cropping  systems in SSA.  

The  study  therefore assessed  nutrient supply,  nutrient uptake  and  crop  productivity potentials across smallholder farming systems in Western Kenya using  QUEFTS model. 

7.2 Methodology