Modelado prediccion enfermedades cultivos - edUTecNe ...
Modelado prediccion enfermedades cultivos - edUTecNe ... Modelado prediccion enfermedades cultivos - edUTecNe ...
Modelado para la predicción de enfermedades en cultivos de alto valor comercial pesticidas, pero no estiman la severidad de la enfermedad a lo largo del tiempo o el rendimiento. Además, tienen un dominio geográfico limitado de validación, y difícilmente pueden ser adaptados para diferentes cultivos. Sin embargo, los modelos de simulación dinámicos, podrían ser una base eficaz para desarrollar modelos de previsión [Canteri et al., 2004]. Uno de los primeros modelos de simulación con aplicación práctica en el área de la fitopatología es el Epidemics Predictor (EPIPRE), desarrollado en Holanda. Este sistema, genera información específica para cada situación monitoreada. La información recibida, referente a seis enfermedades de trigo y a dos especies de pulgones alineadas al modelo, dan por resultado las recomendaciones a los usuarios [Zadoks, 1986]. La información sobre la dinámica poblacional de microorganismos, es generalmente tratada aisladamente del crecimiento del hospedante [Zadoks, 1971], por lo que los daños causados por las enfermedades no son medidos adecuadamente. Para resolver este problema es necesario acoplar los modelos de simulación de enfermedades a los modelos de simulación de crecimiento. Este concepto es abordado por varios autores [Pinnschmidt et al., 1995; Berger, 1989; Luo et al., 1993], y constituye hoy día un gran desafío. El manejo integrado 3 de enfermedades, en principio, implica el uso de varios métodos de control. La estrategia a utilizar exige una previsión de la severidad final de la enfermedad y de las pérdidas consecuentes del desarrollo de la epidemia. En el caso del control químico, los pronósticos se basan en el progreso de la enfermedad en relación al estadio fenológico del cultivo, que permite determinar el momento adecuado de aplicación y el aspecto económico de la medida de control. Estimar daños a través de la observación de enfermedades es extremadamente difícil. La severidad de los síntomas visuales, puede ser resultante de diferentes alteraciones en la fisiología de la planta; el efecto depende de lo que aconteció con la planta en el pasado, de lo que está aconteciendo en el presente y de lo que acontecerá en el futuro. Por lo tanto, la única estrategia confiable para predecir daños, es el empleo de simulaciones, basadas en el uso de modelos matemáticos de crecimiento de la planta en relación al ambiente en que se encuentra, así como también simular 3 Es la cuidadosa consideración de todas las técnicas disponibles para combatir las plagas y la posterior integración de medidas apropiadas que disminuyan el desarrollo de las poblaciones de plagas y mantengan el empleo de biocidas a niveles económicamente justificados [FAO, 2006]. 28
Modelado para la predicción de enfermedades en cultivos de alto valor comercial las alteraciones producidas por el patógeno, en el crecimiento, la fisiología y sus consecuencias en el rendimiento [Shaw, 1997]. Por ello, el desarrollo de modelos de simulación requiere un gran esfuerzo en la obtención de datos confiables. Para progresar es preciso presumir los efectos y testearlos para ver su proximidad con la situación real. Para las enfermedades foliares, es razonable suponer que la mayoría de los efectos puedan ser atribuidos a los síntomas visuales y proporcionales a la intensidad de los mismos, pero esta suposición no es verdadera en todos los patosistemas [Canteri et al., 2004]. La ocurrencia de enfermedades está asociada a condiciones climáticas específicas y características de la planta. El uso de modelos complejos, esencialmente mecanísticos, del tipo de simulación de crecimiento y desarrollo de cultivos, ligado a la ocurrencia y avance de enfermedades, pueden servir para orientar decisiones en el manejo de tales factores, incluyendo aspectos tales como probabilidad de ocurrencia de la enfermedad, su curso y el riesgo de pérdidas de producción. La investigación sobre cambios climáticos globales es extremadamente dependiente del uso de modelos de simulación de crecimiento y desarrollo de cultivos. Mientras tanto, muchos de los modelos de simulación actuales, no esclarecen las pérdidas por adversidades (plagas, enfermedades, malezas), a pesar de que frecuentemente causan reducciones sustanciales en los rendimientos de los cultivos [Canteri et al., 2004]. 2.1.5.2. Agricultura de precisión La agricultura de precisión está ligada a los sistemas de información geográfica (GIS) y también para aplicaciones prácticas a campo dependientes de sistemas de posicionamiento global (GPS). La combinación de GIS con otras tecnologías como sensores remotos, GPS y geoestadística, prometen importantes cambios en la previsión de enfermedades y en las recomendaciones de aplicación de pesticidas [Blaise, 1998]. Las tecnologías para agricultura de precisión, están siendo desarrolladas para obtener condiciones específicas, en pequeña escala y en tiempo real, permitiendo así encontrar los requerimientos técnicos de cada zona agrícola [Maohua, 2001]. En este tipo de tecnología, la información necesita ser analizada para poder utilizarse, análisis que sólo es viable mediante el uso de computadoras. Técnicas de inteligencia artificial, procesamiento de imágenes, entrenamiento y análisis estadístico, son herramientas computacionales utilizadas en agricultura 29
- Page 1 and 2: Editorial de la Universidad Tecnol
- Page 3 and 4: Modelado para la predicción de enf
- Page 5 and 6: Modelado para la predicción de enf
- Page 7 and 8: Modelado para la predicción de enf
- Page 9 and 10: Modelado para la predicción de enf
- Page 11 and 12: Modelado para la predicción de enf
- Page 13 and 14: Modelado para la predicción de enf
- Page 15 and 16: Modelado para la predicción de enf
- Page 17 and 18: Modelado para la predicción de enf
- Page 19 and 20: Modelado para la predicción de enf
- Page 21 and 22: Modelado para la predicción de enf
- Page 23 and 24: Modelado para la predicción de enf
- Page 25 and 26: Modelado para la predicción de enf
- Page 27: Modelado para la predicción de enf
- Page 31 and 32: Modelado para la predicción de enf
- Page 33 and 34: Modelado para la predicción de enf
- Page 35 and 36: Modelado para la predicción de enf
- Page 37 and 38: Modelado para la predicción de enf
- Page 39 and 40: Modelado para la predicción de enf
- Page 41 and 42: Modelado para la predicción de enf
- Page 43 and 44: Modelado para la predicción de enf
- Page 45 and 46: Modelado para la predicción de enf
- Page 47 and 48: Modelado para la predicción de enf
- Page 49 and 50: Modelado para la predicción de enf
- Page 51 and 52: Modelado para la predicción de enf
- Page 53 and 54: Modelado para la predicción de enf
- Page 55 and 56: Modelado para la predicción de enf
- Page 57 and 58: Modelado para la predicción de enf
- Page 59 and 60: Modelado para la predicción de enf
- Page 61 and 62: Modelado para la predicción de enf
- Page 63 and 64: Modelado para la predicción de enf
- Page 65 and 66: Modelado para la predicción de enf
- Page 67 and 68: Modelado para la predicción de enf
- Page 69 and 70: Modelado para la predicción de enf
- Page 71 and 72: Modelado para la predicción de enf
- Page 73 and 74: Modelado para la predicción de enf
- Page 75 and 76: Modelado para la predicción de enf
- Page 77 and 78: Modelado para la predicción de enf
<strong>Modelado</strong> para la predicción de <strong>enfermedades</strong> en <strong>cultivos</strong> de alto valor comercial<br />
pesticidas, pero no estiman la severidad de la enfermedad a lo largo del tiempo<br />
o el rendimiento. Además, tienen un dominio geográfico limitado de validación,<br />
y difícilmente pueden ser adaptados para diferentes <strong>cultivos</strong>. Sin embargo, los<br />
modelos de simulación dinámicos, podrían ser una base eficaz para desarrollar<br />
modelos de previsión [Canteri et al., 2004].<br />
Uno de los primeros modelos de simulación con aplicación práctica en el área<br />
de la fitopatología es el Epidemics Predictor (EPIPRE), desarrollado en<br />
Holanda. Este sistema, genera información específica para cada situación<br />
monitoreada. La información recibida, referente a seis <strong>enfermedades</strong> de trigo y<br />
a dos especies de pulgones alineadas al modelo, dan por resultado las<br />
recomendaciones a los usuarios [Zadoks, 1986]. La información sobre la<br />
dinámica poblacional de microorganismos, es generalmente tratada<br />
aisladamente del crecimiento del hospedante [Zadoks, 1971], por lo que los<br />
daños causados por las <strong>enfermedades</strong> no son medidos adecuadamente. Para<br />
resolver este problema es necesario acoplar los modelos de simulación de<br />
<strong>enfermedades</strong> a los modelos de simulación de crecimiento. Este concepto es<br />
abordado por varios autores [Pinnschmidt et al., 1995; Berger, 1989; Luo et al.,<br />
1993], y constituye hoy día un gran desafío.<br />
El manejo integrado 3 de <strong>enfermedades</strong>, en principio, implica el uso de varios<br />
métodos de control. La estrategia a utilizar exige una previsión de la severidad<br />
final de la enfermedad y de las pérdidas consecuentes del desarrollo de la<br />
epidemia. En el caso del control químico, los pronósticos se basan en el<br />
progreso de la enfermedad en relación al estadio fenológico del cultivo, que<br />
permite determinar el momento adecuado de aplicación y el aspecto económico<br />
de la medida de control. Estimar daños a través de la observación de<br />
<strong>enfermedades</strong> es extremadamente difícil. La severidad de los síntomas<br />
visuales, puede ser resultante de diferentes alteraciones en la fisiología de la<br />
planta; el efecto depende de lo que aconteció con la planta en el pasado, de lo<br />
que está aconteciendo en el presente y de lo que acontecerá en el futuro. Por<br />
lo tanto, la única estrategia confiable para predecir daños, es el empleo de<br />
simulaciones, basadas en el uso de modelos matemáticos de crecimiento de la<br />
planta en relación al ambiente en que se encuentra, así como también simular<br />
3 Es la cuidadosa consideración de todas las técnicas disponibles para combatir las plagas y la<br />
posterior integración de medidas apropiadas que disminuyan el desarrollo de las poblaciones<br />
de plagas y mantengan el empleo de biocidas a niveles económicamente justificados [FAO,<br />
2006].<br />
28