La actual tendencia hacia una Agricultura más Sostenible está provocando cambios en los métodos y estrategias de control de las enfermedades. Una de las herramientas que tiene más futuro es la utilización de Sistemas de Ayuda a la toma de Decisiones basados principalmente en modelos de predicción epidemiológica. En el presente trabajo se definen y explican como se obtienen estos modelos, las etapas a seguir para implementarlos en estaciones de avisos fitosanitarios y cuáles son los parámetros climáticos más utilizados.
INTRODUCCIÓN
La necesidad de realizar una Agricultura más Sostenible conlleva, en Europa, una serie de cambios muy importantes en el manejo de los sistemas agrícolas en general y en la Protección de Cultivos en particular. Como consecuencia de la Directiva 91/414/CE el número de productos fitosanitarios utilizados en el control de agentes nocivos de los cultivos cada vez será menor y, debido a otras reglamentaciones como las directivas de Producción Integrada, la utilización de estos productos también estará limitada en el número de aplicaciones.
No obstante, actualmente la utilización de fitosanitarios es el método más eficaz en el control de plagas y enfermedades, y muchas veces el único método, siendo imprescindible la utilización de estos productos para reducir las pérdidas en los cultivos. Por tanto el reto actual es optimizar y minimizar el número de tratamientos fitosanitarios manteniendo un nivel de control de los agentes nocivos similar al obtenido actualmente. En el campo de la protección vegetal una de las herramientas que puede ser utilizada se basa en los modelos de predicción epidemiológica. Es importante resaltar que las aplicaciones de fungicidas y bactericidas se realizan normalmente sin considerar las condiciones climáticas ni las condiciones de receptividad del cultivo y muchas veces sin que haya riesgo de infección, siendo algunas de las aplicaciones innecesarias. Una de las vías para solucionar esta problemática es la elaboración y desarrollo de sistemas de predicción de riesgo de enfermedades que asistan en la toma de decisiones para realizar estas aplicaciones sólo cuando sea necesario. Estos modelos son una herramienta de ayuda al técnico o agricultor que le permiten tomar una decisión sobre cuando y donde realizar los tratamientos o muestreos.
Modelización de epidemias en plantas
En el campo de la fitopatología se entiende como epidemia al progreso de la enfermedad en tiempo y espacio. Un modelo epidemiológico es una simplificación de la realidad y intenta resumir los principales componentes implicados en la epidemia (VAN MAANNE et al., 2003). Los modelos epidemiológicos pueden ser clasificados en descriptivos, predictivos y conceptuales o de funcionamiento (KRANZ AND ROYLE, 1978 ; JEGER AND TAMSETT, 1983). Los modelos descriptivos describen la enfermedad pero generalmente no revelan los mecanismos implicados en los procesos, son utilizados en epidemiología comparativa.
Los modelos predictivos, que de hecho son también descriptivos, permiten predecir la evolución de la epidemia y son los más utilizados en programas de control de enfermedades. Los modelos descriptivos y de predicción suelen estar basados en herramientas matemáticas. Los modelos conceptuales o de funcionamiento sirven para intentar explicar los mecanismos implicados en los procesos epidemiológicos.
Los modelos de predicción de enfermedades
Como se ha dicho anteriormente los modelos de predicción de enfermedades describen las relaciones entre algunos de los componentes del patosistema y la evolución de la epidemia. Mediante una descripción cuantitativa de las relaciones entre huésped, patógeno y clima es posible predecir el efecto en la evolución de la enfermedad. No obstante, los sistemas agrícolas son tan complejos que no se pueden considerar todos los elementos que realmente afectan al patosistema ya que existe el riesgo de hacer inaccesible el objetivo final del estudio (RAPILLY, 1991).
Básicamente los parámetros relativos al ambiente son climáticos, los relacionados con el huésped la susceptibilidad varietal y fenológica y los relacionados con el patógeno son la cantidad y disponibilidad de inoculo y la virulencia. La utilización de toda esta información permite determinar con exactitud el momento en el cual será necesario aplicar los tratamientos fitosanitarios para el control de la enfermedad o la realización de un muestreo. En cualquier caso, el nivel de control de la enfermedad conseguido con la aplicación guiada de los productos ha de ser similar al obtenido mediante aplicaciones realizadas preventivamente (ELLIS et al., 1986). Los modelos de predicción de riesgo de infección hace más de 50 años que se utilizan en diversas enfermedades (SUTTON, 1986).
El primer modelo publicado (en el año 1944) fue el de Mills, utilizado para predecir la aparición del moteado (Venturia inaequalis) en manzano y que ha sido sucesivamente revisado. En los últimos años la utilización de modelos en programas de control de enfermedades utilizados en Producción Integrada en diferentes países Europeos y de Estados Unidos ha llegado a ser una herramienta imprescindible. Actualmente existen varios modelos de predicción para diferentes enfermedades que han sido validados a escala productiva y la mayor parte de los mismos están implementados en estaciones de avisos a los agricultores, algunos de estos modelos pueden observarse en el Cuadro 1. La utilización de estos modelos permite una reducción del número de aplicaciones con fitosanitarios comparado con los tratamientos realizados a cadencia fija que suele oscilar entre el 30 % y el 50 %, consiguiendo el mismo control de la enfermedad (Cuadro 2). En España es frecuente la utilización de modelos de predicción para el moteado de la manzana (Venturia inaequalis), mildiu de la patata (Phytophthora infestans) o el mildiu de la vid (Plasmopara viticola).
Desarrollo de un modelo de predicción para una enfermedad
El procedimiento para la realización de un modelo de predicción se describe en la Figura 1 y consiste en primer lugar en identificar las variables más importantes en el desarrollo de la epidemia y correlacionarlas con datos empíricos de aparición, progresión e intensidad de la enfermedad. Estos datos empíricos se han de correlacionar a una cantidad limitada de parámetros. Normalmente estos parámetros corresponden a variables ambientales como la presencia de agua (lluvia, humectación y humedad relativa) o la temperatura. Para correlacionar estos parámetros con la intensidad de la enfermedad es aconsejable realizar los ensayos en condiciones de ambiente controlado con el fin de evitar la gran variabilidad que ocurre en condiciones naturales, aunque se ha demostrado que temperatura o humectación constantes no tienen el mismo efecto que valores medios equivalentes pero variables (LLORENTE AND MONTESINOS, 2002).
Una vez se ha obtenido el modelo es necesario evaluar su capacidad predictiva comparando los niveles de enfermedad predichos con los niveles observados en campo. Finalmente y una vez comprobado el adecuado ajuste entre las predicciones y las observaciones de la enfermedad se procederá a validar el modelo. Para poder utilizar un sistema de predicción de enfermedades en una estación de avisos, las predicciones han de ser fidedignas, por tanto un modelo ha de ser evaluado y validado durante varios años, en diferentes localidades y para el rango de condiciones ambientales que se elaboró (COAKLEY et al., 1988; PENNYPACKER et al., 1983). Sólo después de este proceso y si los resultados son satisfactorios se puede implementar el modelo en estaciones de avisos.
En este caso los modelos de predicción deberían considerar parámetros inherentes al patógeno como el efecto de la densidad de inóculo en campo (Figura 2) o relacionados con la sensibilidad del huésped como el estado fenológico y la susceptibilidad varietal (MACHARDY AND GADOURY, 1989) suponiendo que el modelo ya no tenga incorporada esta información. Normalmente los modelos de predicción evalúan el riesgo a posteriori, es decir a partir de los parámetros ambientales ocurridos previamente, no obstante algunos modelos como el Maryblyt y el Parefeu incorporan la posibilidad de utilizar predicciones meteorológicas o incluir simulaciones de parámetros ambientales, siendo posible predecir el nivel de riesgo y pudiendo realizar una medida de control preventiva si fuera necesario. La información necesaria para utilizar un modelo de predicción de enfermedad en un sistema de ayuda a la toma de decisiones ha de ser la siguiente: a) los parámetros de entrada necesarios (inputs) que se corresponden con los que utilizará el algoritmo matemático y que, como se ha comentado, suelen ser parámetros climáticos y/o relativos al huésped o patógeno.
Si se utiliza la variable humectación es necesario describir el tipo de sensor y la localización (Figura 3), ya que la medida de este parámetro es compleja y puede variar según el tipo, la orientación o el ángulo donde se coloque (LAU et al., 2000); b) la información de salida obtenida a partir del modelo (outputs) ha de ser clara y fácilmente interpretable; c) ha de ser definido el umbral de acción (que indicará en que momento es necesario realizar un tratamiento o un muestreo), y cómo varía este umbral de acción en función de datos no integrados en el algoritmo como son los relativos al huésped (p. ej. variedad poco susceptible) o al patógeno (p. ej. esporas no maduras). En la Figura 4 se muestran dos ejemplos de la información que generan dos modelos de predicción (BSPcast y Maryblyt).
Perspectivas futuras
Las tendencias en este campo de la Fitopatología están dirigidas hacia un refinamiento de los modelos de predicción incorporando nuevos conocimientos. Por ejemplo es frecuente que a modelos que predicen riesgo de infección se incorpore un segundo modelo que prediga la disponibilidad de inóculo del patógeno, siendo por tanto cada vez mayor el conocimiento de los patosistemas. Por otra parte las nuevas posibilidades de la agrometeorología permiten mediciones muy fiables de los parámetros ambientales en cualquier lugar y en tiempo real. Las ventajas de la utilización de la informática en la predicción de enfermedades son considerables como el avance constituido por el soporte magnético para almacenar datos, la rapidez en los cálculos o la disponibilidad en tiempo real de las predicciones (CAPRARA et al., 1990).
Las actuales redes de estaciones agrometeorológicas automáticas así como las nuevas tecnolo- gías en el campo de la comunicaciones abren nuevas vías a la protección de cultivos. Conocer los parámetros ambientales en tiempo real permite ajustar al máximo la predicción del riesgo de infección y la utilización de las Tecnologías de la Información y Comunicación (Internet, e-mail, SMS) abre un gran potencial en la transmisión de datos. En pocos minutos se pueden consultar las recomendaciones de las estaciones de avisos de los Servicios de Protección de los Vegetales. Esta consulta se puede realizar en cualquier momento del día y con la información constantemente actualizada.
BIBLIOGRAFÍA
CAPRARA, C., DONATI, D., VERONESI, G. 1990. Sviluppo di un programa su personal computer per il relievo delle avversità dei fruttiferi in campo. Informatore Fitopatologico 4:29-32.
COAKLEY, S. M., LINE, R. F., MCDANIEL, L. R. 1988. Predicting stripe rust severity on winter wheat using an improved method for analyzing meteorological and rust data. Phytopathology 78:543-550.
ELLIS, M.A., MADDEN, L. V., WILSON, L. L. 1986. Electronic grape black rot predictor for scheduling fungicides with curative activity. Plant. Dis. 70:938-940.
JEGER, M.J., TAMSETT, J. 1983. The status of models in crop protection: an analysis using data base systems. W.P.R.S. Bulletin VI-2, 57-76.
KRANZ, J., ROYLE, D.J. 1978. Perspectives in mathematical modelling of plant disease epidemics. In: Scort PR and Bainbridge A (eds). Plant Disease Epidemiology (pp 111- 129). Blackwell Scientific Publications. Oxford, London
LAU, Y., GLEASON, M.L., ZRIBA, N., TAYLOR, S.E., HINZ, P.N. 2000. Effects of coating, deployment angle, and compass orientation on performance of electronic wetness sensors during dew periods. Plant Dis. 84:192-192.
LLORENTE, I., MONTESINOS, E. 2002. Effect of relative humidity and interrupted wetness periods on brown spot severity of pear caused by Stemphylium vesicarium. Phytopathology 92:99-104.
MACHARDY, W. E., GADOURY, D.M. 1989. A revision of Mill?s criteria for predicting apple scab infection periods. Phytopathology 79:304-310.
RAPILLY, F 1991. L?épidémiologie en pathologie végétale. Mycoses aériennes. Institut National de la Recherche Agronomique. 317 pp.
SUTTON, T. B. 1996. Changing options for the control of deciduous fruit tree diseases. Annu. Rev. Phytopathol. 34:527-547.
VAN MAANNE, A.; X.-M. XU. 2003. Modelling plant disease epidemics. European Journal of Plant Pathology 109:669-682.
