1. Inicio
  2. Atrás
Título: Desarrollo de un modelo predictivo del brote de la sigatoka negra para las plantaciones de plátano al sur del lago de Maracaibo.
Autores: Freitez T., Juan A.
Fecha: 2008-07-02
2008-07-02
2008-07-02
2007-02-16
2008-07-02
Publicador: Universidad de los Andes Venezuela
Fuente:
Tipo:
Tema: Plátano
Sigatoka negra
Mycosphaerella fijiensis
Facultad de Ciencias Económicas y Sociales
Maracaibo Edo. Zulia
Medio Ambiente
Tesis
Descripción: Desarrollo de un modelo predictivo del brote de la sigatoka negra para las plantaciones de plátano al sur del lago de Maracaibo. (Freitez T., Juan A.) Resumen El cultivo de musáceas (plátanos y bananos) es una actividad agrícola de importancia para numerosos países tropicales. En Venezuela, la Zona sur del Lago de Maracaibo es la región que más se destaca en este rubro por poseer el 55% de la superficie sembrada de Musáceas en el país. En la última década, la Sigatoka Negra causada por el hongo Mycosphaerella Fijiensis Morelet ha causado preocupación a los productores de plátano de la zona por su impacto directo en la producción del cultivo y por ende en los costos (48.6 %) necesarios para su control, siendo la aplicación aérea de agroquímicos con periodicidad mensual la técnica más utilizada para combatir la enfermedad. El desarrollo de modelos que permitan establecer un sistema de pronóstico temprano del brote o estadios de enfermedad tiene gran importancia como medio de racionalizar el uso de agroquímicos, reducir los costos de producción y mantener las plantaciones en buen estado sanitario. El objetivo de este trabajo fue elaborar un modelo que permita desarrollar un sistema bioclimático de pronóstico de la Sigatoka Negra en los cultivos de plátano en la zona Sur del Lago de Maracaibo, a fin de decidir el momento más oportuno de efectuar la aplicación de fungicida. A tal fin se elaboraron modelos que tratan de relacionar indicadores biológicos de ocurrencia de la enfermedad con datos meteorológicos recolectados en la Estación Local Chama - INIA que se encuentran en el repositorio bioclimático del Centro de Cálculo de la Universidad de los Andes (CECALCULA). Para el desarrollo del modelo se consideraron técnicas de minería de datos y herramientas que permiten la búsqueda iterativa de correlaciones entre la suma o promedio de registros de días consecutivos (ventanas temporales) de las variables climáticas y la fecha de medición de las variables biológicas. Además del criterio de discriminación por temporada de lluvia para el estudio del comportamiento dinámico estacional de la enfermedad. Los modelos generados son de calidad variable y presentaron dinámica estacionaria. En algunos casos logran predecir la severidad de la enfermedad, con y sin discriminación por temporada climática (lluvia y sequía) con correlaciones hasta de 79,22 %, donde destacan las variables humedad relativa, precipitación, velocidad del viento y energía solar como las que mejor predicen la severidad de la enfermedad para la temporada seca (r2 = 0.79), mientras en el caso de la temporada lluviosa lo hacen la temperatura del aire, evapotraspiración, humedad relativa y precipitación (r2 = 0.73). Se recomienda validar los modelos con nuevos datos de campo a una escala piloto para hacer el diseño definitivo del sistema de pronóstico a ser utilizado por los productores de plátano.
Universidad de Los Andes
Índice
Índice de figuras
Índice de tablas
Resumen
Agradecimientos
Capítulo I
1.1 Introducción
1.2 Descripción del problema
1.3 Antecedentes
1.4 Objetivos General
1.5 Objetivos Específicos
Capítulo II: Marco teórico
2 Introducción
2.1 Descripción de la zona de estudio
2.2 El plátano
2.2.1 Etapas de desarrollo de una hoja del plátano
2.3 La sigatoka negra
2.3.1 Evaluación del estado de la infección
2.3.2 Factores que influyen en el desarrollo de la enfermedad
2.3.3 Variable climatológicas
2.4 Generación del modelo predictivo
2.5 Exploración y limpieza de datos
Capítulo III: Marco metodológico
3 Introducción
3.1 Pre-Procesamiento de los datos
3.1.1 Búsqueda de datos anómalos o extremos
3.1.2 Búsqueda de datos ausentes
3.1.3 Integración de las bases de datos
3.1.4 Selección de las variables
3.2 Procesamiento de los datos
3.2.1 Búsqueda del modelo de pronóstico temprano o preaviso
Capítulo IV: Resultados
4 Introducción
4.1 Exploración y limpieza de datos
4.1.1 Datos atípicos
4.1.2 Datos ausentes
4.2 Integración y selección de datos
4.2.1 Caso de estudio 1: el lapso de exploración 15 hasta 30 días
4.2.2 Caso de estudio 2: el lapso de exploración 15 hasta 140 días
4.3 Modelo predictivo
4.3.1 Caso de estudio 1: la lapso de exploración 15 hasta 30 días
4.3.2 Caso de estudio 2: la lapso de exploración 15 hasta 140 días
Capítulo V: Discusión de resultados
Capítulo VI: Conclusiones y recomendaciones
Capítulo VII: Referencias
Capítulo VIII
Apéndice A
Apéndice B
Índice de Ilustraciones
Figura Nº 1. La numeración utilizada para las hojas del plátano
Figura Nº 2. Sistema de calificación de la severidad
Figura Nº 3. Ventana con retardo para un lapso de tiempo de exploración dado
Figura Nº 4. Costos de Producción. Composición Porcentual 4.3.2.3
Figura Nº 5. Etapas de desarrollo de una hoja de banano 4.3.2.3.21
Figura Nº 6. Estadio de la Sigatoka Negra
Figura Nº 7. Conteo de hojas para la obtención de la emisión foliar
Figura Nº 8. Proceso de extracción de conocimiento en bases de datos
Figura Nº 9. Gráfico de caja de estado de evolución de la enfermedad
Figura Nº 10. Reajuste de las mediciones de las variables
Figura Nº 11. Grafico del comportamiento de la correlación y el valor p
Figura Nº 12. Temporada de lluvia
Figura Nº 13. Temporada de sequía
Índice de Tablas
Tabla Nº 1. Síntomas de las manchas foliares de Sigatoka Negra asociados a los diferentes estadios de la enfermedad
Tabla Nº 2. Coeficientes arbitrarios de severidad de la Sigatoka Negra
Tabla Nº 3. Codificación de los casos de estudios para un lapso de exploración n números de días
Tabla Nº 4. Tabla de calificación cualitativa
Tabla Nº 5. Resultados de la prueba de Grubbs aplicada a las variables biológicas
Tabla Nº 6. Resultados de la prueba de Grubbs aplicada a las variables climáticas
Tabla Nº 7. Tabla del número de valores ausentes por variable climatológica
Tabla Nº 8. Tabla de evaluación cualitativa de la correlación entre las variables Biológicas y climatológicas para un lapso de 30 días
Tabla Nº 9. Tabla de las variables climatológicas seleccionada para el lapso de 30 días
Tabla Nº 10. Evaluación cualitativa de la correlación para el periodo de lluvia
Tabla Nº 11. Variables climatológicas seleccionadas para el periodo de lluvia
Tabla Nº 12. Evaluación cualitativa de la correlación para el periodo de sequía
Tabla Nº 13. Evaluación cualitativa de la correlación para el periodo de sequía (Continuación)
Tabla Nº 14. Variables climatológicas seleccionadas para el periodo de sequía
Tabla Nº 15. Variables climatológicas seleccionadas para el periodo de sequía (Continuación)
Tabla Nº 16. Variables climatológicas seleccionadas sin discriminación por temporada
Tabla Nº 17. Variables climatológicas seleccionadas sin discriminación por temporada (continuación)
Tabla Nº 18. Variables climatológicas seleccionadas para la temporada de lluvia
Tabla Nº 19. Variables climatológicas seleccionadas para la temporada de sequía
Tabla Nº 20. Tabla de la correlación y porcentaje de error de los modelos generados para datos globales, lapso de 30 días
Tabla Nº 21. Tabla de la correlación y porcentaje de error de los modelos generados, caso temporada de lluvia, lapso de 30 días
1-124
Magister Scientiae
Nivel monográfico
30012007
Idioma: Español