UNIVERSIDAD AUTONOMA CHAPINGO

UNIDAD REGIONAL UNIVERSITARIA DE ZONAS ARIDAS

Ensear la explotacin de la tierra, no la del hombre.

DR. AURELIO PEDROZA SANDOVAL

PRACTICA 5 PREDICCION DE DAOS POR PLAGAS Y ENFERMEDADES
PRESENTA:

MONTIEL GONZALEZ IVAN

5to AO SISTEMAS AGRICOLAS

BERMEJILLO, DURANGO A ABRIL 2012

Prediccin de daos por plagas y enfermedades.

Introduccin. La prediccin de los daos a cultivos agrcolas ya sea por la accin de una plaga o de una enfermedad es de uno de los enfoques de la epidemiologia agrcola ya que esta disciplina estudia el progreso espacial y temporal de una enfermedad o plaga en una poblacin plantas. Su propsito es proporcionar criterios denolgicos y ecolgicos slidos para un manejo racional de las enfermedades. El cabal entendimiento del desarrollo de una epidemia tiene que ser abordado multifactorialmente. Este enfoque emerge naturalmente si se concibe que las epidemias son productos de complejas interacciones existentes entre el patgeno, el hospedero y el ambiente sin olvidar las actividades del hombre como elementos condicionadores o catalizadores de las mismas. La epidemiologia en si nos ayuda como una herramienta en el control de una epidemia agrcola, esto mediante el anlisis temporal del crecimiento de la epidemia mediante modelos que nos puedan dar una idea muy certera de cmo se comportara el crecimiento de la poblacin de determinada especie de plaga o patgeno. Segn (Pedroza Sandoval, 1995) en la epidemiologia agrcola se pueden visualizar por lo menos tres enfoques: Como herramienta de investigacin: Ya que esta aporta criterios cuantitativos que para la conduccin experimental en la evaluacin de epidemias con fines de control. Como herramienta de prediccin de enfermedades: La evaluacin de las epidemias en el campo es bsico para conocer su dinmica espacial y temporal e identificar momentos oportunos de control o bien la evaluacin de las perdidas. Como herramienta de pronostico Mediante la construccin de modelos de pronstico, es posible la prediccin de epidemias que permitan el establecimiento de medidas preventivas necesarias para el control de enfermedades. Esto es de mayor perspectiva en la agricultura de alta tecnologa.

En si para poder tener una buena aplicacin de la epidemiologia agrcola se debe de poder conjugar esta con otras disciplinas como lo son la fitopatologa, la estadstica, la micrometeorologa y la fisiotecnia.

La intensidad de la enfermedad (incidencia y severidad) se monitorea a travs del tiempo y los resultados pueden analizarse con modelos de de regresin logstica y observar su comportamiento por medio de grficos, en una rea bajo la curva del progreso de la enfermedad a travs del tiempo, la cual comnmente adopta la forma de S aunque tiene sus variantes las cuales dependen del de la epidemia. (Pedroza Sandoval & Samaniego, Analisis del area bajo la curva del pregreso de las enfermedades (ABCPE) en patosistemas agriclas, 2009) En forma general se tiene una etapa inicial de incremento lento de la epidemia, por el proceso de adaptacin de entre el patgeno y el hospedante, despus ocurre un crecimiento exponencial y, finalmente la epidemia adquiere un comportamiento asinttico.

Ilustracin 1.- comportamiento usual del incremento de las epidemias.

Las predicciones de severidad de epidemias basadas en modelos se realizan para evitar aplicaciones de agroqumicos que sean innecesarios y por ende puedan ser dainos al ambiente. Objetivo. Aplicar las tcnicas de modelacin temporal de las epidemias, que permita la generacin y uso de los parmetros de la regresin en los anlisis cuantitativos y prediccin de daos producidos tanto por plagas como por patgenos. Revisin Bibliogrfica En la prediccin de daos por plagas o enfermedades se utiliza el modelo logstico ms comnmente ya que este de algn modo representa el crecimiento que tendran las poblaciones de plagas y patgenos. Las predicciones se realizan con el fin de tener conocimiento del lapso de tiempo que tenemos para que la plaga rebase el umbral econmico y as causar daos al cultivo que nos impidan recuperar la inversin que se realizo en el cultivo.

El umbral econmico segn (Romerro R., 2004) Es la densidad de poblacin de la plaga a partir de la cual deben tomarse medidas de combate, esto con el fin de no llegar al dao econmico.

Ilustracin 2.- Umbral econmico.

En la ilustracin 2 se puede observar el umbral econmico a la vez se pueden denotar otras variables como: dao tolerable el cual es el dao proporcionado por los insectos que el cultivo puede tolerar sin prdidas econmicas significativas. Poblacin tolerable es la poblacin de insectos que el cultivo puede tolerar sin que le cause daos significativos. (Montgomery, 1991) propone que los modelos matemticos son ms concisos y menos ambiguos; esto, junto con la disponibilidad de reglas que se pueden usar mecnicamente, permite describir situaciones ms complejas, con menos esfuerzo, y con menos riesgo de confusin. Frecuentemente, los mtodos de regresin se utilizan para analizar datos que provienen de experimentos que no fueron diseados o en donde no se puede tener control sobre la variabilidad. Las funciones de regresin lineal simple y mltiple son adecuadas para modelar una amplia variedad de relaciones entre variables respuesta y variables predichas. El coeficiente de determinacin (R2) se usa para juzgar la adecuacin del modelo de regresin lineal simple y en la regresin lineal mltiple adems se utiliza el coeficiente de colinealidad. Se puede aseverar que si el modelo lineal no es el adecuado, se debe considerar el ajuste de algn modelo no lineal. Los modelos que parecen ser no lineales pueden convertirse en lineales utilizando alguna transformacin apropiada de la variable respuesta, las variables de prediccin, los parmetros, o la combinacin de stos. Algunos modelos no lineales incluyen al logstico, exponencial, MichaelisMenten y el monomolecular.

Segn (Calvo, Gonzales, & Perez, 1994) El modelo logstico puede expresar adecuadamente el crecimiento o desarrollo en funcin del tiempo, que se caracteriza por tener forma sigmoidal, un punto de inflexin y dos asntotas, una superior y otra inferior. Materiales y Mtodos. B es la tasa de incremento Se requiri para realizar la practica computadora, gua didctica con datos, programa SAS. Dentro la metodologa a utilizar primeramente se tuvo que linealizar el modelo que se utilizara en la prctica el cual fue el modelo logstico.
Modelo Logstico

Modelo Logstico linealizado

Esto se representa tambin como

En donde y es la severidad, a es el intercepto (y0), b es la tasa de incremento y x el tiempo. Para el anlisis de los datos se procedi a la captura de estos en el programa SAS en este programa solo se analizaron 3 variedades y no las 4 como se indicaba en la gua didctica. El programa en SAS quedo de la siguiente manera.

data PE; input var $ rep DDI Sev; y=(sev+ 0.1)/100; ml=Log (y/( 1-y)); cards ; ka 1 14 2.5 ka 2 14 11.8 ka 3 14 2.3 ka 4 14 3.9 ka 1 18 23.2 ka 2 18 26.2 ka 3 18 23.4 ka 4 18 21.5 ka 1 21 37.8 ka 2 21 42.0 ka 3 21 32.5 ka 4 21 37.3 ka 1 24 56.3

ka 2 24 58.8 ka 3 24 56.3 ka 4 24 55.3 ka 1 29 83.5 ka 2 29 85.0 ka 3 29 72.5 ka 4 29 78.0 ka 1 32 89.3 ka 2 32 92.5 ka 3 32 91.0 ka 4 32 87.0 Ke 1 14 0.9 Ke 2 14 0.8 Ke 3 14 1.7 Ke 4 14 1.0 Ke 1 18 6.6 Ke 2 18 5.2 Ke 3 18 3.5 Ke 4 18 6.5 Ke 1 21 14.3 Ke 2 21 17.5 Ke 3 21 16.5 Ke 4 21 13.0 Ke 1 24 41.0

Ke 2 24 32.8 Ke 3 24 41.3 Ke 4 24 35.0 Ke 1 29 65.8 Ke 2 29 59.5 Ke 3 29 60.3 Ke 4 29 54.8 Ke 1 32 81.5 Ke 2 32 76.0 Ke 3 32 4.5 Ke 4 32 71.3 mo 1 14 11.8 mo 2 14 7.8 mo 3 14 2.8 mo 4 14 8.0 mo 1 18 28.5 mo 2 18 35.3 mo 3 18 29.8 mo 4 18 34.0 mo 1 21 51.0 mo 2 21 62.0 mo 3 21 60.3 mo 4 21 60.3 mo 1 24 84.8

mo 2 24 81.5 mo 3 24 83.0 mo 4 24 80.8 mo 1 29 96.3 mo 2 29 98.0 mo 3 29 98.3 mo 4 29 98.0 mo 1 32 99.0 mo 2 32 99.5 mo 3 32 99.7 mo 4 32 99.7 ; proc sort; by var rep DDI; proc print; proc glm; by var; model ml=DDI; run ;

Resultados. La primer variedad que analizada por el sistema SAS fue la de Kennebec la cual tuvo la siguiente salida.

Ilustracin 3.- Anlisis de la variedad Kennebec mediante el sistemas SAS.

La interpretacin del anlisis de esta variedad es la siguiente.

La ecuacin anterior representa el modelo de prediccin para la variedad anteriormente sealada. En esta ecuacin conocemos la severidad que para esta variedad es de 5%. Por lo cual se tiene que realizar el despeje correspondiente para poder determinar el lapso de das en la cual la el patgeno sobrepasara el umbral econmico.

El resultado que con un 75% de certeza indica que despus de 29 dias de la inoculacin se tiene que realizar un ataque qumica que ya en ese tiempo la poblacin de la plaga rebasara el umbral econmico. En este resultado se recomienda analizarlo mediante otro modelo que genere un mayor grado de confianza. La segunda variedad analizada fue la Katahdin la cual tuvo la siguiente salida en su anlisis.

Ilustracin 4.- anlisis de la variedad Katahdin mediante el sistema SAS.

La interpretacin del anlisis de esta variedad es la siguiente.

La ecuacin anterior representa el modelo de prediccin para la variedad anteriormente sealada. En esta ecuacin conocemos la severidad que para esta variedad es de 20%. Por lo cual se tiene que realizar el despeje correspondiente para poder determinar el lapso de das en la cual la el patgeno sobrepasara el umbral econmico.

El resultado que con un 94 % de certeza indica que despus de 24 das de la inoculacin se tiene que realizar un ataque qumica que ya en ese tiempo la poblacin de la plaga rebasara el umbral econmico. La tercera variedad analizada fue la Monona la cual tuvo la siguiente salida.

Ilustracin 5.- anlisis de la variedad Monona mediante el sistema SAS.

La interpretacin del anlisis de esta variedad es la siguiente.

La ecuacin anterior representa el modelo de prediccin para la variedad anteriormente sealada. En esta ecuacin conocemos la severidad que para esta variedad es de 14%. Por lo cual se tiene que realizar el despeje correspondiente para poder determinar el lapso de das en la cual la el patgeno sobrepasara el umbral econmico.

El resultado que con un 97% de certeza indica que despus de 20 das de la inoculacin se tiene que realizar un ataque qumico que ya en ese tiempo la poblacin de la plaga rebasara el umbral econmico provocando as un dao econmico en el cultivo. En los anlisis anteriores se puede ver que en los dos ltimos se tienen un mayor grado de confiabilidad para el resultado en das obtenido. Esto indica que el modelo se ajusto bien a los datos.

Conclusiones. Mediante el empleo de modelos de prediccin podemos estimar con un grado alto de confiabilidad cuando poder aplicar el control qumico en una parcela, esto para evitar que la poblacin de alguna plaga o patgeno rebase el umbral econmico de determinado cultivo generando as prdidas econmicas. Mediante el uso de modelos de prediccin se evita la contaminacin al ambiente de manera injustificada ya que esta es una garanta para poder emplear mtodos de control qumico evitando as su aplicacin de manera espordica y errante.

Cuestionario I. Cul fue la tasa de incremento del progreso de la enfermedad para cada variedad? Para la variedad Kennebec la tasa de incremento que se registro fue por dia despus de la inoculacin. Para la variedad Katahdin la tasa de incremento que se registro fue por dia despus de la inoculacin. Para la variedad Monona la tasa de incremento que se registro fue por dia despus de la inoculacin. Cul es la aplicacin la aplicacin agronmica en el marco de un MIIF de esta prctica? Para poder estimar cuando hacer uso del control qumico para poder mitigar a una plaga o patgeno y que este no sobrepase el umbral econmico en un determinado cultivo evitando as la aplicacin de qumicos antes o despus de que dicha poblacin rebase el umbral econmico. Cul es el modelo de prediccin para cada variedad y su grado de confiabilidad con su interpretacin agronmica? Para la variedad Kennebec el modelo de prediccin fue el siguiente:

II.

III.

Con un grado de confiabilidad de 75% Para la variedad Katahdin el modelo de prediccin es el siguiente:

Con un grado de confiabilidad de 94% Para la variedad Monona el modelo de prediccin es el siguiente.

Con un grado de confiabilidad de 97%.

Trabajos citados
Calvo, H. R., Gonzales, A. J., & Perez, B. S. (1994). Manual de Modelos no Lineales en los mbitos Agronmico, Ganadero y Forestal. Madrid, Espaa: Ministerio de Agricultura, Pesca y Alimentacin. Instituto Nacional de Investigacin y Tecnologa Agraria y Alimentaria. Montgomery, D. C. (1991). Diseo y Anlisis de Experimentos. Mexico: Grupo Editorial Iberoamrica. Pedroza Sandoval, A. (1995). Epidemiologia Agricola: Principios y Aplicaciones. Bermejillo, Durango: Unidad Regional universitaria de Zonas Aridas. Pedroza Sandoval, A., & Samaniego, J. A. (2009). Analisis del area bajo la curva del pregreso de las enfermedades (ABCPE) en patosistemas agriclas. En N. Bautista Martinez, L. Soto Rojas, & P. P. Rafael, Topicos Selectos de estadistica aplicados a la fitosanidad (pgs. 179-189). Montecillo, Texcoco, Mexico: COLPOS. Romerro R., F. (2004). Manejo Integrado de Plagas: Las bases, Los conceptos, Su mercantilizacion. Chapingo, Texcoco, Mexico: COLPOS.