Conceptos y herramientas que sustentan el...

88
JORGE MIGUEL PAULINO VÁZQUEZ ALVARADO, SERGIO RAMIREZ ROJAS Y RAMIRO ROCHA RODRÍGUEZ Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias Centro de Investigación Regional Pacífico Sur Campo Experimental Zacatepec Zacatepec, Morelos, octubre 2016 Publicación especial Núm. 61 ISBN: 978-607-37-0651-3 Conceptos y herramientas que sustentan el Sistema Nacional de Alertas sobre Eventos Bióticos y Abióticos nocivos para la agricultura

Transcript of Conceptos y herramientas que sustentan el...

JORGE MIGUEL PAULINO VÁZQUEZ ALVARADO, SERGIO RAMIREZ ROJAS Y RAMIRO ROCHA RODRÍGUEZ

Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias Centro de Investigación Regional Pací�co SurCampo Experimental ZacatepecZacatepec, Morelos, octubre 2016Publicación especial Núm. 61 ISBN: 978-607-37-0651-3

Conceptos y herramientas que sustentan el Sistema Nacional de Alertas sobre Eventos Bióticos y Abióticos nocivos para la agricultura

www.INIFAP.gob.mx

Los sistemas de alerta de eventos bióticos y abióticos son una necesidad para la agricultura ya que al pronosticar con anticipación su existencia, se puede disminuir el uso de materiales e insumos, la mayoría nocivos al ambiente. Al prevenir los eventos, se disminuirá la contaminación y los costos lo cual redundará en la rentabilidad ambiental y económica.

En la presente publicación se describen los conceptos y herramientas que sirvieron de base y referencia para desarrollar el SINAEBA, una plataforma que emite alertas digitales sobre eventos bióticos y abióticos nocivos para la agricultura.

SECRETARÍA DE AGRICULTURA, GANADERÍA, DESARROLLO RURAL, PESCA Y ALIMENTACIÓN

M. A. JOSÉ EDUARDO CALZADA ROVIROSASecretario

C.P. JORGE ARMANDO NARVÁEZ NARVÁEZ Subsecretario de Agricultura

LIC. RICARDO AGUILAR CASTILLO Subsecretario de Alimentación y Competitividad

M.E.M. MELY ROMERO CELISSubsecretario de Desarrollo Rural

M. A. MARCELO LÓPEZ SÁNCHEZO�cial Mayor

DR. RAFAEL AMBRIZ CERVANTESDelegado Estatal en Morelos

INSTITUTO NACIONAL DE INVESTIGACIONES FORESTALES, AGRÍCOLAS Y PECUARIAS

DR. LUIS FERNANDO FLORES LUI Director General

DR. RAÚL GERARDO OBANDO RODRÍGUEZ

Coordinador de Investigación, Innovación y Vinculación

MC JORGE FAJARDO GUELCoordinador de Planeación y Desarrollo

MTRO. EDUARDO FRANCISCO BERTERAME BARQUÍN Coordinador de Administración y Sistemas

CENTRO DE INVESTIGACIÓN REGIONAL PACIFICO SUR

DR. RENÉ CAMACHO CASTRO Director Regional

DR. JUAN FRANCISCO CASTELLANOS BOLAÑOS Director de Investigación

M. A. JAIME ALFONSO HERNÁNDEZ PIMENTEL Director de Administración

DR. EFRAÍN CRUZ CRUZ Director de Coordinación y Vinculación en Morelos

DIRECTORIO DEL PERSONAL INVESTIGADOR

CAMPO EXPERIMENTAL “ZACATEPEC”

Dr. Efraín Cruz Cruz

Director de Coordinación y Vinculación del INIFAP en el estado de Morelos

NOMBRE PROGRAMAS DE INVESTIGACIÓNDr. Leonardo Hernández Aragón Arroz Dr. Edwin Javier Barrios Gómez Bioenergía Biól. Leticia Tavitas Fuentes Recursos genéticos: forestales, agrícolas,

pecuarios y microbianosIng. Alberto Trujillo Campos Maíz

Dra. Marianguadalupe Hernández Arenas Caña de Azúcar Dr. Felipe de Jesús Osuna Canizalez Hortalizas Dr. Sergio Ramírez Rojas Sanidad Forestal y Agrícola Dr. Jaime Canul Ku Plantas Ornamentales M.C. Faustino García Pérez Plantas OrnamentalesDra. Sandra Eloísa Rangel Estrada Plantas OrnamentalesIng. Areli Madai Guzmán Pozos* Manejo Forestal Sustentable y Servicios

AmbientalesM.C. Juan Carlos Orihuela Porcayo Carne de RumiantesDr. Jorge Miguel Paulino Vázquez Alvarado SocioeconomíaMC. Alejandro Ayala Sánchez Socioeconomìa

*Realiza estudios de postgrado

Conceptos y herramientas que sustentan el Sistema Nacional de Alertas sobre Eventos Bióticos y Abióticos nocivos para la agricultura

C O M P I L A D O R E S

Jorge M. P. Vázquez Alvarado

Sergio Ramírez Rojas

Ramiro Rocha Rodríguez

SECRETARÍA DE AGRICULTURA, GANADERÍA, DESARROLLO RURAL, PESCA Y ALIMENTACIÓN

INSTITUTO NACIONAL DE INVESTIGACIONES FORESTALES, AGRÍCOLAS Y PECUARIAS

CENTRO DE INVESTIGACIÓN REGIONAL PACÍFICO SUR

CAMPO EXPERIMENTAL “ZACATEPEC”

Instituto Nacional de Investigaciones, Forestales, Agrícolas y Pecuarias.

Progreso No. 5 Barrio de Santa Catarina

Delegación Coyoacán

C. P. 04010 México, D.F.

Tel. 01 800 088 2222

Conceptos y herramientas que sustentan el Sistema Nacional de Alertas sobre Eventos Bióticos y Abióticos nocivos para la agricultura

ISBN: 978-607-37-0651-3

Primera Edición 2016

No está permitida la reproducción total o parcial de esta publicación, ni la transmi-sión de ninguna forma o por cualquier medio, ya sea electrónico, mecánico, fotoco-pia, por registro u otros métodos, sin el permiso previo y por escrito a la Institución.

La cita correcta de esta publicación es:

Vázquez-Alvarado, J. M. P., S. Ramírez-Rojas y R. Rocha-Rodríguez 2016. Conceptos y herramientas que sustentan el Sistema Nacional de Alertas sobre Eventos Bióticos y Abióticos nocivos para la agricultura. Secretaria de Agricultura, Ganadería, Desa-rrollo Rural, Pesca y Alimentación, Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias, Centro de Investigación Regional Pacífico Sur, Campo Experi-mental “Zacatepec”. Zacatepec, Morelos. Publicación especial No.61. 74 p.

IIICONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Contenido

PRÓLOGO...................................................................................................................

CAPÍTULO 1. ACTUALIZACIÓN INSTANTÁNEA DE VARIABLES DE CLIMA

1.1. Introducción................................................................................................

1.2. Red de estaciones agro meteorológicas.............................................

1.3. Descarga de archivos de clima...............................................................

1.4. Agente para la descarga de archivos de clima..................................

1.5. Modelo de datos........................................................................................

1.6. Actualización de la base de datos.........................................................

1.7. El archivo anual para cada estación agro meteorológica...............

1.8. Ventajas del nuevo sistema.....................................................................

1.9. Divulgación de información sobre clima.............................................

1.9.1. Consulta de valores a detalle de una EAM..................................

1.9.2. Consulta de variables de clima en cualquier punto del estado.

1.10. Interpolación de los datos registrados por las EAM.....................

1.10.1. Determinación de las cinco estaciones más próximas al

punto de interés ...............................................................................................

1.10.2. Se calculan los “pesos” que se asignarán a estas estaciones

1.11. Posibles usos de la información de clima........................................

1.12. Bibliografía...............................................................................................

CAPÍTULO 2. SISTEMA DE INFORMACIÓN PARA EL MONITOREO DEL

POTENCIAL ECOLÓGICO DE LOS CULTIVOS (SIMPEC).................................

2.1. Introducción................................................................................................

2.2. Descripción del sistema...........................................................................

2.3. Bibliografía...................................................................................................

CAPÍTULO 3. MODELOS NUMÉRICOS DE PREDICCIÓN DE HELADAS DE

ESTACIONES AUTOMATIZADAS DEL INIFAP....................................................

3.1. Introducción................................................................................................

3.2. Proceso de modelación............................................................................

1

5

5

6

8

8

9

9

10

11

12

12

14

20

21

23

23

24

27

27

28

32

33

33

35

pag

IV CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

3.3. Modelos por entidad.................................................................................

3.4. Validación de los modelos........................................................................

3.5. Recapitulación.............................................................................................

3.6. Bibliografia....................................................................................................

CAPÍTULO 4. SISTEMA DE ALERTA FITOSANITARIA DEL ESTADO DE

MORELOS....................................................................................................................

4.1. Antecedentes..............................................................................................

4.2. Calculo del número de generaciones de insectos.............................

4.3. Mapas de riesgo.........................................................................................

4.4. Enfermedades.............................................................................................

4.5. Bibliografía..................................................................................................

CAPÍTULO 5. PERCEPCIÓN REMOTA Y TECNOLOGÍA SATELITAL

COMO APOYO A LOS SISTEMAS DE ALERTA TEMPRANA EN MÉXICO...

5.1. Introducción.................................................................................................

5.2. La Percepción Remota..............................................................................

5.3. Interacción de los Objetos con la Energía Electromagnética.........

5.4. Los Sistemas de Información Geográficos..........................................

5.5. Los SIG y la PR como apoyo a los Sistemas de Alerta Temprana

5.6. Bibliografía...................................................................................................

36

50

51

53

55

55

57

58

59

61

63

63

64

66

69

71

74

VCONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Tabla de figuras

Figura 1. Ubicación de las estaciones agrometeorológicas de la red.........

Figura 2. Valores de variables registradas cada 15 minutos........................

Figura 3.- Interfaz para indicar las variables y el rango de días de interés.

Figura 4.- Interfaz para la selección del punto de interés en la consulta

de datos climatológicos...........................................................................................

Figura 5.- Ventana donde se despliegan los resultados de la consulta de

datos de las variables de clima..............................................................................

Figura 6.- Resultado detallado de la consulta a clima del punto de interés.

Figura 7.- Administración para la visualización de variables calculadas....

Figura 8. Mapa en tiempo real del número de generaciones del pulgón

amarillo en Morelos..................................................................................................

Figura 9. Mapa en tiempo real del nivel de riesgo de condiciones favo-

rables de temperatura para la roya asiática de la soya en Morelos...........

Figura 10. Algunas bandas del espectro electromagnético útiles para la

percepción remota....................................................................................................

Figura 11. Comportamiento de la energía del espectro visible e infra-

rrojo cercano dentro de la hoja.............................................................................

Figura 12. (a) Reflectancia común de la energía solar en plantas salu-

dables. Note la diferencia relativa entre la energía infrarroja cercana

y visible. (b) Reflectancia hipotética de la luz solar en plantas de maíz

con estrés por sequía...............................................................................................

Figura 13. Componentes de un Sistema de Información Geográfica.........

Figura 14. Distribución espacial de árboles de aguacate infectados con

el viroide de la “mancha de sol” (ASBVd) en Michoacán, obtenido con

imágenes de satélite (Beltrán-Peña et al., 2014)............................................

6

13

15

17

17

18

19

59

60

66

67

68

69

73

VI CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Tabla de cuadros

Cuadro 1. Red de estaciones agrometeorológicas del estado de Morelos.

Cuadro 2. Variables registradas por las EAM ...................................................

Cuadro 3. Modelo lineal para la estación “Buenvista” ...................................

Cuadro 4. Modelo lineal para la estación “Dublan” ........................................

Cuadro 5. Modelo lineal para la estación “El Porvenir” ..................................

Cuadro 6. Modelo lineal para la estación “Rancho el padrino”.....................

Cuadro 7. Modelo lineal para la estación “Arroyo”..........................................

Cuadro 8. Modelo lineal para la estación “El hospital”....................................

Cuadro 9. Modelo lineal para la estación “Zapotlán” ....................................

Cuadro 10. Modelo lineal para la estación “Tepetates” ...............................

Cuadro 11. Modelo lineal para la estación “San José Ovando” ..................

Cuadro 12. Modelo lineal para la estación “El Seco”.......................................

Cuadro 13. Modelo lineal para la estación “INIFAP San Luis” ......................

Cuadro 14. Modelo lineal para la estación “Yoliatl”.........................................

Cuadro 15. Validación de modelos de heladas correspondientes a los

reportados en el 2013............................................................................................

6

12

37

38

38

40

41

41

43

44

45

47

48

48

49

VIICONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

ACRÓNIMOS

APHIS Servicio de Inspección Sanitaria de Plantas y Animales CONABIO Comisión Nacional para el conocimiento y uso de la BiodiversidadCONAGUA Comisión Nacional del AguaEAM Estación Agro MetereológicaERIC III Extractor Rápido de Información ClimatológicaFAO (Food and Agriculture Organization). Organización de las Naciones Unidas

para la Alimentación y la AgriculturaGUI Interface gráfica de usuarioIG Información geográficaIMTA Instituto Mexicano de Tecnología del AguaINIFAP Instituto Nacional de Investigaciones Forestales Agrícolas y PecuariasPIPE Plataforma de información sobre plagas con fines educativos y de extensio-

nismoPR Percepción remotaSIAFEMOR Sistema de Alerta Fitosanitaria del estado de MorelosSIG Sistemas de Información GeográficaSIMPEC Sistema de Información para el Monitoreo del Potencial Ecológico de los

CultivosSINAVEF Sistema Nacional de Vigilancia Epidemiológica SMBD Sistema de manejo de bases de datosTb Temperatura baseTI Tecnologías de la informaciónUCA Unidades calor UCD Unidades calor diariasUSDA Departamento de Agricultura de los Estados Unidos Vensim Ventana de Simulación

1CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

PRÓLOGO

La lluvia y la temperatura son fenómenos naturales que son indispensables

para los seres vivos del planeta. Sin embargo, los puntos extremos son perju-

diciales; por ejemplo, la escasez de precipitación impide el desarrollo óptimo

de las plantas. Estos fenómenos, por el momento, son incontrolables por los

seres humanos, pero se han estudiado a tal punto que se puede prever su

aparición con alto grado de probabilidad con el fin de amortiguar sus efectos.

La actividad económica que más resiente los polos climáticos es la agricultura

ya que los daños directos son económicamente significativos. Para los fines

de la presente publicación, a los fenómenos climáticos extremos les llamare-

mos eventos abióticos.

Otro factor que puede causar estragos en la agricultura son las plagas y en-

fermedades; éstas son parte de la naturaleza, por lo tanto, no se pueden eli-

minar. Se puede convivir con ellas siempre y cuando su población no rebase el

umbral económico, es decir, el punto en que el daño que ocasionan disminuye

los ingresos a tal nivel que no se pueden recuperar los costos. A las plagas y

enfermedades les llamaremos eventos bióticos.

Pronosticar la aparición de eventos bióticos y abióticos ha sido una aspiración

desde hace mucho tiempo, pero hasta años recientes se han logrado grandes

avances gracias al desarrollo de la computación y a la Internet.

Los primeros trabajos que se hicieron sólo consistía en mapas de riesgo. En

Estados Unidos de América, la Universidad de California en colaboración con

2 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

el Servicio de Inspección Sanitaria de Plantas y Animales (APHIS) y la com-

pañía de informática y tecnología Zedz, publicaron los primeros mapas de

riesgo para la vigilancia fitosanitaria mediante la plataforma informática NA-

PPFAST1. Otros sistemas que se desarrollaron en este país fueron el AgroCli-

mate (http://www.agroclimate.org/) y la Plataforma de Información sobre

Plagas con fines educativos y de extensionismo (PIPE) (http:/sbr.ipmpipe.

org/cgi-bin/sbr/public.cgi).

En otra regiones del mundo también se han desarrollado plataformas como

“Locustwatch”, en el Norte de África y Sur de Europa, (http://www.fao.org/

ag/locusts/en/info/info/index.html); el AgroClimate Fecoprod desarrollado

en Canadá, sistema de información de clima para ayudar a los productores

a reducir los riesgos de origen climático (http://fecoprod.agroclimate.org/).

En México se han desarrollado sistemas de alerta, pero se han hecho con datos

históricos por lo cual están considerados como estáticos. Entre los sistemas

de este tipo se encuentran: el Sistema Integral de referencia para la Vigilancia

epidemiológica fitosanitaria (SIRVEF, http://sinavef.senasica.gob.mx/SIIVEF),

los sistemas de alerta fitosanitaria de los estados de Sonora (http://www.

siafeson.com), Guanajuato2 y Morelos3;. Sólo en Zacatecas (http://www.za-

catecas.inifap.gob.mx/plaga/index.php?id=1881&m=6) se ha intentado in-

formar sobre riesgos fitosanitarias en tiempo real.

Ante la necesidad de crear un sistema que informe oportunamente la pro-

bable aparición de eventos bióticos y abióticos, un grupo de investigadores

del INIFAP se propuso desarrollar un sistema con estas características. Para

1. Magarey R. D., Fowler G. A., Borchert D. M., Sutton T. B., Colunga G. M., y Simpson J. A. 2007. NAPPFAST: An Internet System for the Weather-based Mapping of Plant Pathogens. Plant Di-sease.2. Quijano C. J. A. y Rocha R. R. 2011. Sistema de Alerta Fitosanitaria del Estado de Guana-juato. CEBAC. CIRCE. INIFAP. Folleto técnico No. 10. 44p.3. Ramírez R. S., Osuna C. F., Bahena S. G., Bartolo R. J.C., García P. F. y Canul K. J. 2012. Manual del usuario del sistema de alerta fitosanitaria de Morelos. CEZACA. CIRPAS. INIFAP. Publicación especial No. 52. 27p.

3CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

alcanzar este objetivo, llevaron a cabo una reunión donde cada miembro del

grupo expuso sus conocimientos y experiencias en los temas relacionados al

sistema. Al conocer todas estas piezas, cómo funcionaban y cómo se relacio-

naban, se pudo diseñar de manera consensuada una plataforma a la que se le

llamó: Sistema Nacional de Alerta de Eventos Bióticos y Abióticos (SINAEBA).

En la presente publicación se exponen los temas que soportan al SINAEBA. El

objetivo es que los usuarios potenciales o desarrolladores de sistemas pareci-

dos o afines, sepan los fundamentos teóricos y las herramientas que susten-

tan dicha plataforma.

La publicación está organizada de la siguiente manera: en el primer capítulo

se presenta cómo se recolecta, organiza, actualiza y se divulgan los datos

meteorológicos los cuales son un insumo clave en el desarrollo de sistemas

de predicción fitosanitaria, debido a que los procesos fisiológicos de insec-

tos y enfermedades de plantas, muestran sensibilidad a los cambios de tem-

peratura, humedad relativa, radiación solar y precipitación4. Una vez que se

tienen los datos climáticos organizados y depurados, el siguiente paso es

desarrollar o seleccionar los modelos que representarán el fenómeno que

se quiere estudiar. En el segundo capítulo se describe el Sistema de Infor-

mación para el Monitoreo del Potencial Ecológico de los Cultivos (SIMPEC)

como ejemplo del diseño de modelos de simulación dinámica del crecimien-

to de cultivos, balance de humedad en el suelo y de dinámica poblacional de

plagas y enfermedades. En el Capítulo 3 se describe el procedimiento para

modelar fenómenos abióticos, específicamente heladas. En el cuarto capítu-

lo se muestra cómo funciona el Sistema de Alerta Fitosanitaria del Estado

de Morelos (SIAFEMOR), el cual, se diferencia de otros sistemas por sus

alertas que se generan con datos de 15 minutos de antigüedad que pudiera

considerarse en tiempo real. Además, se caracteriza porque la difusión de la 4. Régnière, J. 2009. Predicción de la distribución continental de insectos a partir de la fisio-logía de las especies. Unasylva: revista internacional de silvicultura e industrias forestales, (231), 37-42.

4 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

información se puede hacer a través de algún dispositivo móvil con acceso a

Internet. El futuro de las alertas se presenta en el quinto y último capítulo.

El vertiginoso avance de la tecnología y la necesidad de mayor precisión en

las alertas ha favorecido la aplicación de la percepción remota a la agricultu-

ra la cual consiste en el uso de imágenes de satélite que, al ser procesadas,

se obtienen datos reales de los fenómenos que ocurren en la superficie te-

rrestre, tales como la distribución de cultivos agrícolas, el daño causado por

plagas y enfermedades, o algún fenómeno extremo como sequias, heladas

o inundaciones.

Finalmente se espera que con la información que se desarrolla en la presenta

publicación los lectores comprendan qué herramientas, métodos y enfoques

se utilizaron para desarrollar el SINAEBA, el cual no es una herramienta ter-

minada, pero sí un gran paso hacia un sistema de alerta más preciso, versátil,

amigable y accesible.

5CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

CAPÍTULO 1. ACTUALIZACIÓN INSTANTÁNEA DE VARIABLES DE CLIMA

Sergio Ramírez Rojas1, Vicente Varela Loza1, Juan Carlos Bartolo Reyes1, Jesús

Soria Ruiz2, Juan Ángel Quijano Carranza3, Ramiro Rocha Rodríguez3, Jorge M.

P. Vázquez Alvarado1, Antonio González Hernández4

1.1. INTRODUCCIÓN

Los datos de clima son el insumo principal para diversas aplicaciones, tales

como el cálculo de riesgos para el desarrollo de enfermedades en los cultivos,

el control de activación y apagado de sistemas de riego para la optimización

del agua, optimización en el rendimiento del cultivo y descartar diversas de-

ficiencias, la simulación del comportamiento y el crecimiento de plagas, la

predicción de volumen de lluvia, entre otras (Varela, 2014).

Las estaciones meteorológicas son la fuente de los datos, pero para que estos

tengan aplicación es necesario recopilarlos, ordenarlos, procesarlos y hacer-

los disponibles al usuario. En este capítulo se describe con detalle la secuencia

anterior, tomando como referencia la red de estaciones agro meteorológicas

(EAM) del estado de Morelos.

1.2. RED DE ESTACIONES AGRO METEOROLÓGICAS

En el estado de Morelos existe una red de 25 estaciones agro meteorológicas

ubicadas geográficamente como se muestra en la Figura 1. En el Cuadro 1 se

detalla la ubicación y las coordenadas de cada una de ellas.

1 Campo Experimental Zacatepec, 2 Campo Experimental Valle de México, 3 Campo Expe-rimental Bajío, 4 Centro de Investigación Disciplinario en Conservación y Mejoramiento de Ecosistemas Forestales

6 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Figura 1. Ubicación de las estaciones agrometeorológicas de la red.

Cuadro 1. Red de estaciones agrometeorológicas del estado de Morelos.

No. Estación Nombre_estación / ubicación Latitud Longitud

1 INIFAP/Zacatepec 18.6531 -99.20082 El Calvario/ Mazatepec 18.7246 -98.92363 Rancho el potrerillo (Huajintlán)/ Amacuzac 18.5914 -99.34764 CEIEPO/ Huitzilac 19.0439 -99.23635 Tlaquiltenango/Tlaquiltenango 18.5319 -99.08516 Ocuituco/Ocuituco 18.8716 -98.81947 El Hospital/ Cuautla 18.8319 -98.98818 Ayala/Ayala 18.7388 -99.04699 Axochiapan/Axochiapan 18.5051 -98.7387

10 Jonacatepec/Jonacatepec 18.6971 -98.831711 Puente de Ixtla/Puente de Ixtla 18.6476 -993449

7CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

No. Estación Nombre_estación / ubicación Latitud Longitud

12 Coatetelco/Coatetelco 18.7218 -99.292913 Tepalcingo/Tepalcingo 18.6336 -98.899714 Emiliano Zapata/Emiliano Zapata 18.8411 -99.169115 Tepoztlan/Tepoztlán 18.9383 -99.089116 Tlayacapan/Tlayacapan 18.9522 -98.988517 Tlaltizapan/Tlaltizapan 18.6912 -99.134218 Tetela del Monte/ Cuernavaca 18.9706 -99.272119 Tetela del Volcán/Tetela del Volcán 18.8828 -98.710820 Tehuixtla/Jojutla 18.5417 -99.261721 Huazulco/ Temoac 18.7548 -98.809922 Tlalnepantla/Tlalnepantla 19.0115 -98.996823 Totolapan/Totolapan 18.9866 -98.771124 Miacatlán/Miacatlán 18.7932 -99.351725 Tenango/Jantetelco 18.6334 -98.7546

La red está configurada para medir 10 variables de clima cada 15 minutos,

comenzando la toma del primer dato del día a las 00:00 h y terminando el día

con la toma de datos a las 23:45 h.

Las estaciones agro meteorológicas envían estas observaciones a un servidor

ubicado en las instalaciones del Instituto Mexicano de Tecnología del Agua

(IMTA). La comunicación entre el servidor y las diferentes estaciones se esta-

blece mediante frecuencias de radio, pasando por varias antenas intermedias

que retrasmiten los datos. En el servidor final se guardan como hojas de cál-

culo, pero en archivos con formato CSV (del inglés comma-separated values).

Ésta es una forma generalizada de estructurar bases de datos mediante el

uso de comas (,) en archivos de texto para indicar cuando acaba una columna

y empieza la siguiente (Mifsuf, 2012).

1.3. DESCARGA DE ARCHIVOS DE CLIMA

En el servidor del IMTA los archivos se almacenan en una carpeta con el nom-

bre del año en el que fueron tomadas las mediciones por las EAM, dividida en

carpetas por cada mes del año, y cada una de ellas contiene otra carpeta por

8 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

cada día del mes. Esta carpeta contiene los archivos CSV de cada estación. En

la computadora local se crean directorios con el mismo principio. Todos estos

directorios residen dentro del directorio de trabajo del sistema, indicado por

el usuario cuando hace la instalación del sistema o en cualquier momento

posterior.

1.4. AGENTE PARA LA DESCARGA DE ARCHIVOS DE CLIMA

Los agentes de búsqueda son programas diseñados para moverse a lo largo

de la red, creando rutas y filtrando los mensajes enviados a un usuario y bus-

cando información o servicios en representación del usuario (Calle, 1996).

El módulo de agente para la descarga de archivos de clima, se diseñó de modo

que se ejecute de manera automática mediante un dispositivo que activa las

descargas. Cuando el agente detecta que no está un archivo, lo omite para

procesarlo en el siguiente intento. En cada instancia, el agente copia los archi-

vos ubicados en el servidor a la computadora local.

La ejecución se puede hacer cada hora (se especificaría la hora y 10 minutos,

para contemplar el proceso de transferencia de datos de la EAM al servidor

del IMTA). Sin embargo, se puede modificar este intervalo si se necesitaran

datos con mayor o menor frecuencia.

El agente de búsqueda se conecta al servidor del IMTA y uno por uno verifica

que se encuentre el archivo en cuestión. En caso positivo lo baja a la com-

putadora con el comando: My.Computer.Network.DownloadFile(Url, Path). El

comando recibe dos parámetros: el primero es la dirección electrónica del

servidor donde se encuentra el archivo en cuestión y el segundo especifica la

ruta local donde se almacenan los archivos descargados.

El nombre de los archivos está formado por el nombre de la estación y la fecha

en la que fueron registrados los datos que contiene. Por ejemplo, el archivo

MOR_001_20130815.csv corresponde a la estación ubicada en las instalacio-

9CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

nes del INIFAP Campo Experimental Zacatepec, donde MOR representa a la es-

tación que corresponde a la red de EAM del estado de Morelos, 001 representa

a la estación que tiene asignado el número 1 dentro de la red, y 20130815

indica que el archivo contiene datos medidos el 15 de agosto del 2013.

1.5. MODELO DE DATOS

Para que los datos de clima puedan utilizarse en cualquier aplicación, se dise-

ñó una base de datos que se denominó “clima_estaciones”. De esta base se

toman los datos según la aplicación. Por ejemplo, si una de éstas sólo requiere

datos diarios de una EAM, entonces el sistema solamente procesa los archi-

vos correspondientes. Otras aplicaciones, como la consulta de clima, requiere

datos de varias estaciones los cuales selecciona de la base.

1.6. ACTUALIZACIÓN DE LA BASE DE DATOS

Como se explicó anteriormente, los agentes actualizan las hojas de cálculo

(en formato CSV) en la computadora que se usa para actualizar la base de

datos. Hay un programa que se ejecuta también en forma automática, ac-

tualiza la base de datos de clima con las nuevas observaciones.

Este proceso consiste en lo siguiente:

• Se accede una tras otra las tablas de cada estación de la base. Carga

los registros del día (hoy) y el de ayer (por si hay información atrasa-

da). Si no está el registro de “hoy”, lo crea con valores default (nulos

(null) en todos los campos excepto el número de estación, el día juliano

(que se calcula para tal efecto) y naturalmente los campos que compo-

nen la clave principal.

• Obtiene la hora de última actualización

• Abre el archivo de esa EAM y ese día (hoy). Por excepción, podrá tam-

bién necesitar el archivo de “ayer”.

10 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

• Obtiene de la hoja de cálculo las mediciones de cada variable para cada

hora cerrada. Esto lo hace calculando las hileras que tienen esos datos,

es decir, las hileras N + 4, N + 8, etc., donde N es el número de hileras que

preceden a la primera observación y que corresponden a encabezados.

• Actualiza el campo correspondiente del registro del día del archivo del

que consigue las observaciones. Todas las variables excepto la hume-

dad relativa, los multiplica por 10.

• Regraba la tabla de la EAM, y procede a la siguiente.

1.7. EL ARCHIVO ANUAL PARA CADA ESTACIÓN AGRO METEOROLÓGICA

Las EAM registran datos con una frecuencia de 15 minutos. A pesar de que la

mayoría de las aplicaciones sólo usarán los datos de horas puntuales, el sis-

tema contempla la necesidad de recurrir a las mediciones en horas “no pun-

tuales”. Por lo tanto, en lugar de conservar los archivos (diarios) obtenidos

del servidor del IMTA, se guardan en un conjunto de archivos, cada uno de los

cuales tiene la información de una EAM de todo el año.

Estos archivos están en un directorio llamado CLIMA_TOTAL_2013, donde el

número “2013” indica el año en el que fueron medidos los datos contenidos

en los archivos dentro de dicho directorio, que a su vez se encuentra ubicado

dentro del directorio correspondiente al año en el que se registran los datos

por las EAM. Estos directorios anuales también residen en el directorio de tra-

bajo elegido por el usuario.

El criterio de diseño fue minimizar el número y el tamaño de archivos, pero

que permita el uso de datos de varios meses, días u horas de la misma es-

tación sin tener que usar varios archivos. El archivo tiene un registro “base”

que contiene la fecha de la última actualización del archivo, y un registro para

cada uno de los 366 días (si el año no es bisiesto, sólo se usan 365 de ellos).

El archivo se usa con el método de acceso aleatorio: se consultan los datos

11CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

correspondientes a un día mediante su fecha juliana (se le suma 1 por la pre-

sencia del registro base).

Cada registro del archivo contiene los datos de las 10 variables que miden las

EAM en ese día, para cada una de las 96 mediciones posibles (una cada 15

minutos).

1.8. VENTAJAS DEL NUEVO SISTEMA

El proceso manual que se realiza actualmente para crear las mismas hojas de

cálculo con datos de horas puntuales es laborioso y tardado. El nuevo proceso

lo hace de manera instantánea; la duración depende de la velocidad con la que

se pueden bajar los archivos de Internet. Además de la reducción de recursos

humanos, esto permite ofrecer la información sin rezagos considerables.

La base de datos ofrece posibilidades adicionales a las que había sin el siste-

ma. Por ejemplo, las consultas de clima hubieran sido posibles sin ésta base

de datos, pero con un costo alto de programación por el uso de muchas hojas

de cálculo y un proceso hasta diez veces más tardado.

1.9. DIVULGACIÓN DE INFORMACIÓN SOBRE CLIMA

Las EAM informan cada 15 minutos los valores de las 10 variables que se

muestran en la Cuadro 2.

Cuadro 2. Variables registradas por las EAM.

1.- Precipitación

2.- Dirección del viento

3.- Velocidad del viento

4.- Velocidad del viento máxima

5.- Humedad de la hoja

6.- Radiación solar

7.- Humedad relativa

8.- Temperatura

9.- Temperatura máxima

10.-Temperatura mínima

Como se explicó anteriormente, esta información se concentra a detalle, pero

también se actualiza una base de datos con las observaciones a nivel horario,

es decir, en horas puntuales.

12 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Se implementaron dos modos de usar la información sobre clima. Se pueden

obtener los datos recibidos de cualquiera de las EAM a detalle u obtener valo-

res de variables climáticas de interés para cualquier lugar de la zona contem-

plada; para ello el sistema calcula dichos valores interpolando5 de las estacio-

nes más cercanas. A continuación, se describen los dos modos mencionados.

1.9.1. CONSULTA DE VALORES A DETALLE DE UNA EAM

Esta consulta permite obtener datos de clima reportados por las EAM al de-

talle. El usuario, selecciona la estación de interés e indica una fecha inicial y

una fecha final del módulo del sitio de interés (deben ser del mismo año). Se

pueden solicitar los valores cada 15 minutos, pero también se pueden limitar

a valores registrados cada 30 minutos, 45 minutos u horas cerradas.

Cuando en el módulo se indican como parámetro dos fechas con diferente

número de año, el sistema muestra un mensaje informando que las consultas

a los archivos deben contener un rango de fechas con el mismo año.

La información de clima registrada cada 15 minutos por las EAM se visualiza

en una interfaz compuesta por un cuadro que muestra la información gene-

ral de la estación y una serie de pestañas, donde cada pestaña contiene las

mediciones de las variables. A su vez cada pestaña contiene una tabla donde

las hileras corresponden a los días incluidos en el rango de fechas solicitado,

mientras que las columnas muestran los valores de ese día, en intervalos de

acuerdo a lo seleccionado (24 columnas para las frecuencias seleccionadas

y 96 columnas para el detalle general, una por cada 15 minutos del día). La

interfaz descrita en este párrafo se puede observar en la Figura 2.

5. La interpolación es el procedimiento para predecir el valor de los atributos en sitios donde no se ha muestreado, a partir de medidas realizadas en localidades puntuales de la misma área o región (Peña, 2006)

13CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Figura 2. Valores de variables registradas cada 15 minutos.

Además de concentrar los datos a nivel de 15 minutos también se puede

actualizar la base de datos con las observaciones a nivel horario, es decir, en

horas puntuales.

1.9.2. CONSULTA DE VARIABLES DE CLIMA EN CUALQUIER PUNTO

DEL ESTADO.

La consulta de clima en cualquier parte del estado de Morelos permite obte-

ner ciertos datos meteorológicos en cualquier punto de una zona geográfica

en base a los datos recabados por las EAM. Para ello, dadas las coordenadas

geográficas del punto de interés, el sistema calcula los valores para ese lugar

mediante una interpolación de los valores en las estaciones más cercanas.

En el subcampo  matemático  del  análisis numérico, se denomina  interpola-

ción a la obtención de nuevos puntos partiendo del conocimiento de un con-

junto discreto de puntos. La interpolación es una técnica muy útil para aproxi-

mar funciones y también para estimar valores intermedios de las mismas en

una serie de datos (Izar, 1998). Los pasos para la consulta de un punto espe-

cífico es el siguiente:

14 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

1.9.2.1. Selección en un mapa del punto de interés

El usuario de la consulta selecciona en un mapa el punto de interés. El sistema

calcula las variables climáticas mostradas en el Cuadro 2, interpolando las de

las EAM más cercanas. Se indican como parte de la consulta cuáles de ellas se

desea conocer, y el sistema muestra los resultados.

Se ofrece una consulta adicional a detalle: se puede obtener una lista de valo-

res de las 10 variables reportadas por las EAM a cada hora de los días indica-

dos en el rango de fechas.

La consulta se implementó usando un programa que reside en la computadora del

usuario. La base de datos con las observaciones de las EAM, así como los archivos

planos con los datos de clima de las EAM a detalle, puede residir en otra compu-

tadora, en particular, en el servidor mediante el cual se ofrece este servicio.

La consulta que permite conocer los valores de algunas de las variables reporta-

das por las EAM, así como las otras – mencionadas anteriormente – para cual-

quier punto del estado de Morelos se invoca usando una forma como la ilustrada

en la Figura 3, en la cual se pueden apreciar las variables de clima ofrecidas.

Figura 3.- Interfaz para indicar las variables y el rango de días de interés.

15CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

El usuario selecciona una o más variables, indica un rango de fechas y oprime

“CONSULTAR”. Inmediatamente aparece una forma como la que muestra la

Figura 4 que contiene un mapa del estado de Morelos sobre el cual se mues-

tran las EAM. Con un click del ratón de la computadora se indica el lugar de

interés: el sistema calculará las coordenadas del punto seleccionado con una

“regla de tres” basada en las coordenadas extremas del mapa.

Alternativamente, puede teclear las coordenadas en los espacios provistos

para dicho efecto. En este caso, el sistema le avisará si señaló un punto fuera

del mapa de Morelos.

Para la selección de las variables calculadas de interés, se puede solicitar una

sola o pedir varias de ellas. Las variables pueden ser seleccionadas o deselec-

cionadas una por una o todas de una sola vez. Como se aprecia en la Figura

3, esto se logra con las funciones “TODAS” o “NINGUNA”. Si no selecciona

ninguna de las variables, obtendrá una advertencia del sistema.

El resultado de la consulta será una lista de los datos seleccionados en el pun-

to de interés que indique en el siguiente paso.

1.9.2.2. Indicación del punto geográfico para el cual desea conocer

el clima

El segundo paso de la consulta es la indicación del lugar del cual se desean los

datos climáticos. El programa reacciona a una selección de un punto mostran-

do los resultados. Se pueden seleccionar -uno tras otro - varios puntos, y se

aplicarán los mismos criterios de selección de fecha y cuáles variables desea

conocer (las que están activas), a partir del paso anterior.

Para ello el sistema muestra la forma ilustrada en la Figura 4, que muestra

un mapa mediante una imagen georreferenciada del estado de Morelos. En el

mapa están indicadas las EAM instaladas en la red.

16 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Figura 4.- Interfaz para la selección del punto de interés en la consulta de

datos climatológicos.

También se pueden indicar las coordenadas del punto deseado (en grados

decimales), en lugar de hacerlo usando el mapa, y el resultado será el mis-

mo. Como este trabajo se centraliza en la entidad federativa de Morelos, se

pueden validar las coordenadas introducidas de este modo: si se encuentran

fuera del área del mapa, el sistema muestra una ventana informando que las

coordenadas no corresponden a un punto del estado de Morelos.

Los resultados se despliegan del modo que ilustra la Figura 5. Al señalar otro

lugar de interés aparecerán sus valores de forma instantánea.

17CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Figura 5.- Ventana donde se despliegan los resultados de la consulta de

datos de las variables de clima.

En el mapa desplegado aparece el lugar seleccionado y las EAM que intervi-

nieron en la interpolación que resultó en los valores mostrados. Los colores y

el tipo de las líneas que unen al punto con estas EAMs se degradan a medida

que se aleja la EAM del punto indicado. La línea amarilla es la correspondiente

a la EAM más lejana de las que intervinieron en los cálculos. Observe que se

muestran los datos de clima para las variables solicitadas (en este ejemplo, el

usuario seleccionó “Todas”).

Si se solicita la información detallada de las 10 variables climáticas que re-

portan las EAM (y no las calculadas por sistema que se muestran en el mapa)

para el punto indicado, aparecen los datos como los que ilustra la Figura 6. Las

pestañas se usan para ver los datos de la variable indicada en sus respectivas

etiquetas. Si se desea aprovechar estos datos para otras aplicaciones, se pue-

den exportar a hojas de cálculo usando el botón “EXPORTAR A EXCEL”; esto

crea, en un solo archivo, una hoja para cada una de las 10 variables.

18 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Figura 6.- Resultado detallado de la consulta a clima del punto de interés.

El botón REGRESAR le presenta nuevamente el mapa para que seleccione otro

punto de interés. Seguirá activa la selección de las variables que indicó ante-

riormente. Sin embargo, se ofrece vía un botón etiquetado como + VARIA-

BLES, que permite modificar la selección que se hizo anteriormente agregan-

do o quitando variables, tal como se muestra en la Figura 7.

19CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Figura 7.- Administración para la visualización de variables calculadas.

1.9.2.3. Determinación de las coordenadas del punto seleccionado en

el mapa

Se “calcula” el rectángulo formado por las tangentes horizontales y verticales

del mapa. También se introducen las coordenadas geográficas de los extre-

mos de este rectángulo. El programa conoce las ubicaciones (“left” y “top”)

de los puntos extremos inferior, superior, izquierdo y derecho de esta imagen.

También se le indican las coordenadas del rectángulo.

Cuando se selecciona un punto mediante un click del ratón, el sistema conoce

la posición del cursor (es decir, su “left” y “top”). Se hacen los cálculos que

determinan las coordenadas geográficas del punto en función de su distancia

a los lados izquierdo y superior del rectángulo (con una “regla de 3”).

Observación: el procedimiento que determina las coordenadas geográficas

del punto seleccionado no es exacto, puesto que no toma en cuenta la cir-

20 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

cunstancia de que la tierra no es plana. Sin embargo, esta circunstancia no

afecta la utilidad de la información que se proporciona.

1.10. INTERPOLACIÓN DE LOS DATOS REGISTRADOS POR LAS EAM

Cuando se señala un lugar (vía sus coordenadas geográficas) el sistema debe

calcular las variables climatológicas a partir de las registradas en las EAM. De

acuerdo a Peña (2006) los usuarios, científicos y desarrolladores han busca-

do métodos de interpolación para estos cálculos.

La interpolación debe tener en cuenta:

a) La definición de puntos vecinos alrededor de los puntos a predecir.

b) La búsqueda de puntos de datos dentro de los puntos vecinos.

c) La elección de una función matemática para representar la variación

sobre un número limitado de puntos

d) La evaluación de los puntos sobre una malla regular.

Sin embargo, en la aplicación específica para el sistema que se describe, sólo

aplican las dos primeras actividades: determinar las estaciones más cercanas

y la ponderación para determinar los valores en el punto indicado.

Se estudiaron algunos de los métodos de interpolación de uso generalizado,

especialmente en Sistemas de Información Geográfica. En particular, goza de

popularidad el método llamado Akima Interpolation (Ueberhuber, 1997), que

consiste en construir un polinomio como función de interpolación.

Se usa una combinación lineal de los valores de N estaciones más cercanas

al punto de interés para obtener las estimaciones que se usarían para ese

punto. Los coeficientes de esta combinación lineal estarán dados por las in-

versas del cuadrado de las distancias del punto de interés al de cada una de

las estaciones que intervienen. Para que constituyan una combinación lineal,

se normalizan los coeficientes de modo que la suma de los mismos sea uno.

21CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

En lugar de basar el estimado usando solamente las dos estaciones más cer-

canas, se decidió usar hasta cinco estaciones puesto que se asemejaba más

a la situación considerada en la consulta. El valor 5 fue una decisión tomada

para este tipo de situación, y no tiene algún precedente o recomendación en

la literatura del análisis numérico. De ese modo, la interpolación se hace en

tres pasos:

1. Se determinan las estaciones más cercanas (máximo cinco).

2. Se calculan los “pesos” que se asignarán a estas estaciones.

3. Para cada variable de interés se calculan los valores como com-

binación de los valores de cada una de las EAM próximas, donde

los coeficientes son los pesos determinados en el paso anterior.

Se describen a continuación estos pasos.

1.10.1. DETERMINACIÓN DE LAS CINCO ESTACIONES MÁS PRÓXIMAS

AL PUNTO DE INTERÉS

La determinación de las estaciones más próximas al lugar de interés se hizo

con la función trigonométrica llamada Haversine que permite calcular la dis-

tancia entre dos puntos en un sistema esférico, en este caso, al lugar de inte-

rés y de cada una de las EAM.

y

Donde:

d es la distancia entre los dos puntos

Δφ es la diferencia de latitud

22 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

φ1 es la latitud del punto 1

φ2 es la latitud del punto 2

Δλ es la diferencia de longitud

está dado en radianes.

Sean R el radio de la tierra medido en kilómetros = 6367.45 km y h es Ha-

versine . Entonces la distancia se puede calcular mediante la aplicación de

Haversine inversa.

Se calcula la distancia entre el punto seleccionado y cada una de las EAM. Se

ordenan de forma ascendente las EAM con respecto a las distancias calcula-

das y se seleccionan las 5 estaciones más próximas al punto.

Esta fórmula es sólo una aproximación cuando se aplica a la Tierra, porque

ésta no es una esfera perfecta: el radio de la Tierra, R, varía de 6,356.78 kilómetros

en los polos hasta 6,378.14 kilómetros en el ecuador. Hay pequeñas correc-

ciones, típicamente del orden de 0.1 % (suponiendo la media geométrica R =

6.367,45 kilómetros que se utiliza en todas partes), a causa de esta ligera forma elípti-

ca del planeta.

1.10.2. SE CALCULAN LOS “PESOS” QUE SE ASIGNARÁN A ESTAS

ESTACIONES

Se interpolan los valores con una combinación lineal de los valores de las cinco

EAM más cercanas, numeradas de acuerdo al orden ascendente de las distan-

cias calculadas, de uno a cinco (representadas por las i en las fórmulas). En

símbolos

= ( ) + ( ) ( ) ( )

23CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Es decir, c(i) es el coeficiente calculado con el método de interpolación del

inverso del cuadrado de las distancias (normalizados para que la suma de los

coeficientes sea uno) y e (i) es el número de la EAM. Observe que la interpo-

lación es la misma para cualquier variable, es decir, se usa la misma combina-

ción lineal de los valores de las EAM más cercanas.

1.11. POSIBLES USOS DE LA INFORMACIÓN DE CLIMA

En los hongos fitopatógenos se han estudiado ampliamente los efectos de la

humedad relativa y la temperatura en el progreso de las enfermedades (Neu-

feld y Ojiambo, 2012; Maziero et al., 2009; Guzmán-Plazola et al., 2003; King

et al., 1997).

Un ejemplo concreto es el uso de los datos de clima para la determinación

de riesgos de enfermedades fitosanitarias, entre otras aplicaciones (Varela,

2014).

La práctica más usada para el manejo de la enfermedad es la aspersión calen-

darizada de fungicidas, para lo cual es posible usar modelos de riesgo basados

en variables climáticas para optimizar la fecha de aplicación y reducir a un

mínimo el número de aspersiones necesarias para el control de la enfermedad

(Guzmán-Plazola, 2003).

Cada enfermedad requiere de una condición favorable de humedad relativa

y temperatura, durante un número de horas consecutivas. Por ejemplo, Cer-

cospora zeae-maydis requiere 100 % de humedad relativa, durante 36 horas

consecutivas y temperatura de 25-30 oC (Paul y Munkvold, 2005).

24 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Ya se ha mencionado que el presente trabajo contempla una red de EAM ubi-

cada de forma estratégica en todo el estado de Morelos, pero el sistema está

diseñado para ser implementado en cualquier lugar del mundo. Se le puede

aplicar a nivel parcelario, municipal, estatal y nacional; sólo hay que cambiar

ciertos datos, que no requieren cambios al sistema mismo. Entre estos cam-

bios cabe mencionar:

• Elaborar el catálogo de las estaciones de la red;

• Elaborar un mapa del área de interés;

• Indicar las coordenadas “extremas” del área que se mostrará en los

mapas.

1.12. BIBLIOGRAFÍA

Guzmán-Plazola, R. A., Davis, R. M. and Marois, J. J. 2003. Effects of relative

humidity and high temperature on spore germination and development

of tomato powdery mildew (Leveillula taurica). Crop Protection 22:

1157-1168.

Izar, L. J. M. 1998. Elementos de métodos numéricos para Ingeniería. UASLP.

San Luis Potosí, México. pp. 84-87.

King, W. T., Madden, L. V., Ellis, M. A., and Wilson, L. L. 1997. Effects of tem-

perature on sporulation and latent period of Colletotrichum spp. infect-

ing strawberry fruit. Plant Dis. 81:77-84.

Maziero, J. M. N., Maffia, L. A., and Mizubuti, E. S. G. 2009. Effects of tempera-

ture on events in the infection cycle of two clonal lineages of Phytoph-

thora infestans causing late blight on tomato and potato in Brazil. Plant

Dis. 93:459-466.

Mifsuf, T. E. 2012. Apache. Ministerio de educación, España. 303 p.

25CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Neufeld, K. N., and Ojiambo, P. S. 2012.Interactive effects of temperature

and leaf wetness duration on sporangia germination and infection of

cucurbit hosts by Pseudoperonospora cubensis. Plant Dis. 96:345-353.

Paul, P. A., and Munkvold, G. P. 2005. Regression and artificial neural network

modeling for the prediction of gray leaf spot of maize. Phytopathology

95:388-396.

Peña, L. J. 2006. Sistemas de información geográfica aplicados a la gestión

del territorio. 2a edición. Club Universitario. Alicante, España. pp. 1-46.

Ramírez, R. S., Osuna, C. F. J., Bahena, S. G., Bartolo, R. J. C., García, P. F. y

Canul, K. J. 2012. Manual del usuario del sistema de alerta fitosanitaria

de Morelos. INIFAP, CIRPAS, Campo Experimental Zacatepec. Zacate-

pec, Morelos, México. Publicación especial No. 52. 26 p.

Ueberhuber, C. W. 1997. Numerical Computation: Methods, Software, and

Analysis. Springer. Heidelberg, Alemania. 474 p.

Varela L. V. 2014. Evaluación de riesgos de plagas y enfermedades en cultivos

usando datos climáticos en tiempo real. Tesis de Maestría en ciencias.

Montecillo, Edo. de México, Colegio de Postgraduados. 133 p.

27CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

CAPÍTULO 2. SISTEMA DE INFORMACIÓN PARA EL MONITOREO DEL POTENCIAL ECOLÓGICO DE LOS CULTIVOS (SIMPEC)

Juan Ángel Quijano Carranza3, Rodolfo Cerrito Arellano3, Ramiro Rocha Ro-

dríguez3, Sergio Ramírez Rojas1, Vicente Varela Loza1, Juan Carlos Bartolo

Reyes1, Jorge M. P. Vázquez Alvarado1, Jesús Soria Ruiz2, Antonio González

Hernández4

2.1. INTRODUCCIÓN

El Sistema de Información para el Monitoreo del Potencial Ecológico de los

Cultivos (SIMPEC) es una herramienta de apoyo a la toma de decisiones que

permite estimar el rendimiento de los cultivos de importancia nacional bajo

diferentes condiciones de producción, simulando desde la disponibilidad ilimi-

tada de riego hasta el temporal. El sistema también cuenta con aplicaciones

para estimar el riesgo fitosanitario. La unidad de procesamiento está confor-

mada por modelos de simulación dinámica, tanto del crecimiento de cultivos

como el maíz, frijol, sorgo, trigo, cebada, papa y ajo; así como balance de

humedad en el suelo y de la dinámica poblacional de plagas y enfermedades.

Estos modelos se alimentan con una base de datos climáticos nacional al nivel

diario integrada por cerca de 3,000 estaciones de la red de CONAGUA. Ade-

más, el sistema cuenta con una base de datos edafológica con las descripcio-

nes de los perfiles representativos de las unidades predominantes de suelo

en el país. En su etapa actual el sistema plantea la organización de talleres de

capacitación y demostración de las capacidades del mismo con la finalidad de

1. Campo Experimental Zacatepec, 2. Campo Experimental Valle de México, 3. Campo Expe-rimental Bajío, 4. Centro de Investigación Disciplinario en Conservación y Mejoramiento de Ecosistemas Forestales.

28 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

promocionarlo como una herramienta de apoyo a la investigación y también

de apoyo a la toma de decisiones en producción y protección vegetal.

2.2. DESCRIPCIÓN DEL SISTEMA

Los principales componentes del SIMPEC son: un motor de simulaciones que

accede a los modelos y los ejecuta, bases de datos de suelo y de clima, los

modelos de simulación y la interfaz de usuario (Quijano et al., 2011).

El motor de simulaciones y la interfaz de usuario están programados en Vi-

sual Studio.net. El motor hace la interconexión directa con las librerías del

programa Vensim (Ventana Simulation), el cual es la plataforma en que están

construidos los modelos de simulación. El motor accede a los modelos y carga

los datos que lo alimentan a través de un conector ODBC de MySQL donde los

datos de clima y suelo están asociados a sus referencias geográficas.

Base de datos climática. La base de datos de clima se obtuvo a partir del pro-

grama ERIC III (Extractor Rápido de Información Climatológica) en su versión

2.0 así como de consultas directas al Servicio Meteorológico Nacional y algu-

nas delegaciones regionales de la CONAGUA. En total la base se compone de

2,971 estaciones de todo el país.

A la fecha esta base se ha depurado considerablemente, dependiendo de los

análisis sobre la continuidad, datos faltantes y del número de estaciones, se

determinará el periodo de años a utilizar. Existen diversas metodologías para

cumplir con este propósito; sin embargo, debido a la alta variabilidad de los

datos y la presencia de datos extremos no es factible usar técnicas no asis-

tidas. Para lograr captar la mayoría de los posibles errores se requiere de una

inspección visual de las series de datos, en base a la experiencia y conoci-

mientos sobre el comportamiento de los diversos fenómenos meteorológicos

y climáticos.

29CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Base de datos edafológica. La base de datos de suelo se integró a partir de la

información de la carta Edafológica que combina resoluciones 1:1,000,000

con 1:250,000 editada por el INIFAP y la CONABIO, la cual contiene las des-

cripciones de los perfiles representativos de las Unidades predominantes de

suelo de todo el país.

A partir de estos datos, se calcularon para cada Unidad predominante, los

valores de textura y profundidad de los horizontes funcionales. Con base en

la textura se calcularon parámetros hidráulicos como el Contenido de Hume-

dad a Capacidad de campo y a PMP, la capacidad total de poros del suelo y la

conductividad hidráulica, los cuales son esenciales para el cálculo del balance

de humedad en el modelo de simulación.

Al sobreponer las capas de información del clima y el suelo, se obtuvo el mapa

base del SIMPEC, que define las Unidades básicas de simulación clima-suelo

y que consisten en la combinación de los nodos de clima con las unidades de

suelo. Como referencia y para propósitos de consulta en la base de datos del

SIMPEC, se agregaron la delimitación estatal y el marco geo estadístico mu-

nicipal.

La interfaz del SIMPEC permite la interacción entre los modelos de simulación,

que son la parte fundamental del sistema, con sus insumos, representados

por las bases de datos y las aplicaciones que en esencia consisten en proce-

dimientos específicos automatizados con una cierta configuración de datos

de entrada y variables de salida. En el diagrama de la Figura 1 se ilustra esta

estructura. El Motor de simulaciones, programado en Visual Studio.NET, tiene

una interconexión directa con las librerías del Programa Vensim, lo cual le per-

mite abrir el Modelo de simulación y cargar los datos que lo alimentan. A tra-

vés del conector ODBC de MySQL, se seleccionan y cargan los datos de clima

seleccionados por el usuario, conservando siempre la referencia geográfica

del área de simulación elegida por el usuario.

30 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Las bases de datos de clima se almacenan en MySQL, mientras que las carac-

terísticas de los suelos y los parámetros específicos de organismos y cultivos

se cargan junto con los modelos de simulación.

La interfaz principal del SIMPEC se compone de un conjunto de aplicaciones

que se listan a continuación:

• Potencial productivo. Permite simular el crecimiento de un cultivo y

estimar el rendimiento bajo una serie de escenarios productivos con-

formados por diferentes combinaciones de factores como son el suelo,

clima y cultivo, bajo diferentes niveles de probabilidad.

o Proceso

Cargar en la librería de Vensim el modelo del cultivo a

simular

Cargar el archivo de datos de clima de un año en específi-

co correspondiente a una estación agroclimática

Cargar el archivo de cambios con la configuración del

modelo, el cual trae datos sobre el genotipo del cultivo,

disponibilidad de agua y, en caso que sea requerida, la fe-

cha de siembra

Se almacena el resultado de la simulación en la base de

datos de MySQL y en un archivo de texto delimitado por

tabulación

Se exportan los resultados de las simulaciones a una capa

de información, para poder visualizarlos de forma gráfica

en un mapa

• Estación de crecimiento. Es el periodo de tiempo en el cual existen

condiciones favorables de humedad y temperatura para el crecimiento

un cultivo.

31CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

o Proceso

Cargar en la librería de Vensim el modelo de Estación de

Crecimiento

Cargar el archivo de datos de clima de un año en específi-

co correspondiente a una estación agroclimática

Se almacena el resultado de la simulación en la base de

datos de MySQL y en un archivo de texto delimitado por

tabulación

Se exportan los resultados de las simulaciones a una capa

de información, para poder visualizarlos de forma gráfica

en un mapa

• Análisis de riesgo a enfermedades. Analiza las condiciones de clima y

suelo que favorecen el desarrollo de los organismos dañinos.

o Proceso

Cargar en la librería de Vensim el modelo de Análisis de

Riesgo a Enfermedades

Cargar el archivo de datos de clima de un año en específi-

co correspondiente a una estación agroclimática

Cargar el archivo de cambios con la configuración del

modelo, el cual trae datos sobre los requerimientos térmi-

cos, de humedad y precipitación de la enfermedad.

Se almacena el resultado de la simulación en la base de datos

de MySQL y en un archivo de texto delimitado por tabulación

Se exportan los resultados de las simulaciones a una capa

de información, para poder visualizarlos de forma gráfica

en un mapa

32 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

• Generaciones de insectos. Determina el número de generaciones de

un insecto de acuerdo al régimen térmico de la especie de interés, es

decir la duración del ciclo en términos de Unidades Calor, así como la

temperatura base de desarrollo del mismo.

o Proceso

Cargar en la librería de Vensim el modelo de Generaciones

de Insectos

Cargar un archivo de datos de clima de un año en específ-

ico correspondiente a una estación agroclimática

Cargar el archivo de cambios con la configuración del

modelo, el cual trae datos sobre los requerimientos tér-

micos de la especie, representados en unidades calor, y su

temperatura base

Se almacena el resultado de la simulación en la base de

datos de MySQL y en un archivo de texto delimitado por

tabulación

El SIMPEC como sistema que integra información de diferentes factores y fa-

cilita el procesamiento dinámico de la misma, constituye un medio para el

trabajo interdisciplinario y una herramienta poderosa para la vinculación del

INIFAP con otras organizaciones, y dependencias a través del apoyo a la toma

de decisiones.

2.3. BIBLIOGRAFÍA

Quijano C., J.A.; R. Rocha R. y J.A. Aguirre G. 2011. Sistema de Información

para el Monitoreo del Potencial Ecológico de los Cultivos, SIMPEC. INI-

FAP, Publicación técnica No. 2. 33 p.

33CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

CAPÍTULO 3. MODELOS NUMÉRICOS DE PREDICCIÓN DE HELADAS DE ESTACIONES AUTOMATIZADAS DEL INIFAP

Antonio González Hernández4, Sergio Ramírez Rojas1, Vicente Varela Loza1,

Juan Carlos Bartolo Reyes1, Juan Ángel Quijano Carranza3, Ramiro Rocha Ro-

dríguez3, Jorge M. P. Vázquez Alvarado1, Jesús Soria Ruiz2

3.1. INTRODUCCIÓN

La palabra “helada” hace referencia a la formación de cristales de hielo sobre

cualquier superficie, también, se le llama así a la congelación del rocío y de

igual manera el cambio de fase de vapor de agua a hielo (Blanc et al., 1963;

Bettencourt, 1980; Mota, 1981; Cunha, 1982). Se define como un fenómeno

atmosférico que consiste en el descenso abrupto de la temperatura del aire

próximo a la superficie terrestre que se registra en regiones continentales y

sucede cuando la temperatura del aire en la superficie alcanza los valores del

punto crítico de condensación (Sánchez, 1998). Aunque para la agricultura el

termino helada tiene como significado la ocurrencia de una temperatura del

aire de 0°C o inferior que provoca que el agua dentro de la planta se congele o

no, según los factores de tolerancia de la planta, pero en el caso de que esta no

sea tolerante a estas temperaturas hay ruptura de las membranas de la célula

por el crecimiento o formación de cristales de hielo dentro del protoplasma.

Esto produce una condición fisiológica irreversible que conduce a la muerte

o al mal funcionamiento de las células de las plantas (Snyder y Melo-Abreu,

2010 a), aunque este problema ambiental suele presentarse en gran parte del

territorio nacional se acentúa en las provincias fisiográficas de la Mesa Cen-

tro-Norte del Altiplano y en la Sierra Madre Occidental (Val, 2013).

1 Campo Experimental Zacatepec, 2 Campo Experimental Valle de México, 3 Campo Expe-rimental Bajío, 4 Centro de Investigación Disciplinario en Conservación y Mejoramiento de Ecosistemas Forestales.

34 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

A pesar de que es bien sabido que año tras año en los meses más fríos (no-

viembre a marzo), la producción agrícola de México está expuesta a daños

provocados por las heladas causando pérdidas económicas importantes para

este sector, la información sobre este tema sigue siendo escasa, por tal mo-

tivo la predicción de la temperatura mínima resulta de vital importancia para

poder activar métodos de defensa que permitan reducir las afectaciones ge-

neradas a los cultivos, sobre todo si consideramos que la actividad productiva

proporciona una oportunidad a los agricultores para prepararse contra ellas

(Snyder y Melo-Abreu, 2010 b; Verdes et al., 2000).

El método que se utilizó para este estudio fue el de predicción numérica del

tiempo o Numerical Weather Prediction (NWP), este método de predicción

de temperaturas mínimas consiste en usar programas de cómputo conocidos

como modelos numéricos de pronóstico, que procesan datos y proporcionan

predicciones de las variables meteorológicas, tales como temperatura, pre-

sión atmosférica, velocidad del viento y humedad relativa, utilizando datos

históricos de diferentes estaciones meteorológicas. Al igual que este método

de predicción de heladas, existen otros más para el mismo fin, pero la proble-

mática es que la mayoría de los agricultores aún no se han visto beneficiados

con este tipo de tecnología, debido a que los modelos de predicción son loca-

les y aún no han sido calculados para todo el país, es por ello que este estudio

tiene como objetivo obtener y validar modelos de predicción de heladas para

los estados de la republica más afectados.

3.2. PROCESO DE MODELACIÓN

Se obtuvieron bases de datos generados por las estaciones climatológicas

del Laboratorio Nacional de Modelaje y Sensores Remotos del INIFAP, de los

estados de Puebla, Hidalgo, Estado de México, San Luis Potosí, Coahuila y

Chihuahua, esta información se incorporó en una única base de datos por

estado. A esta base única se le realizo una depuración de datos incompletos

35CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

o “NULLS” que correspondían a los días, horarios y además de variables clima-

tológicas (temperatura, radiación, humedad relativa y velocidad del viento)

inexistentes. Posterior a este paso se eliminaron los datos de los meses sin

helada (abril a septiembre). El siguiente paso fue seleccionar las estaciones

con el mayor número de registros con heladas (temperatura menor o igual

a 0°C), para tal fin se realizó un conteo del número de datos para cada es-

tación meteorológica automatizada, descartando a las que poseían menor

número de datos. A partir de este paso se crearon bases de datos por pro-

vincia, cada una de esta bases de datos fue abierta con Oppen Office para

cambiar el formato a .dbf, formato necesario para poder abrirlas en FoxPro

9.0, y así correr un programa que arrojaría una base por separado, de los

horarios 7:00–17:00, 7:00–19:00, 7:00–20:00, 7:00–21:00, 8:00–19:00 y

8:00–20:00 con los que se pretendía escoger el mejor modelo para predecir

heladas con uno a cinco días anteriores a una helada (mejor coeficiente de

determinación r2)

Para la obtención de los modelos de regresión lineal, estas bases de datos

se pasaron a una hoja de Excel desglosando la fecha en tres columnas (día,

mes y año), las celdas vacías fueron remplazadas por punto. Al finalizar todas

las estaciones en archivos Excel estas bases generadas se procesaron en el

paquete estadístico SAS Enterprise Guide 5.1. mediante una regresión lineal

múltiple para cada estación en los cinco diferentes días. Ya obtenidos los re-

sultados de las regresiones se hizo un documento en el que sólo se copiaron

los datos estadísticos de las estaciones con una r2 mayor o igual a 0.6 según

el día para su posterior validación, la cual se obtuvo sustituyendo en el mode-

lo las variables a la hora que resultó mejor la estimación de dicho modelo con

datos de años donde no se obtuvieron los modelos.

Temp (hr) =b0+b1_Temp (Temp_hr) +b2_VViento (V_Viento_hr) +b3_Rad

(Rad_hr) +b4_HumRel (HumRel_hr)

36 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Dónde: Temp (hr) = Temperatura donde hay helada (7:00 am u 8:00 am)

b0, b1, b2, b3 y b4: Son los estimadores del parámetro.

Temp_hr, V Viento_hr, Rad_hr y HumRel_hr: Temperatura, Velocidad del

Viento, Radiación y Humedad Relativa a la hora que el mejor modelo, estimó

la helada con 1 a 5 días de anticipación.

Para la validación de los modelos que se reportaron en 2013 para predecir

heladas, sólo se sustituyeron los valores de las horas de la tarde 17:00, 19:00,

20:00 y 21:00, según haya sido el caso. Los modelos para los meses octubre,

noviembre y diciembre se validaron con datos del 2013 y los modelos para

los meses de enero, febrero y marzo se validaron con datos del 2014. Sólo en

los casos donde no existieron datos para esos meses se validó con datos de

2011 ó 2012. Este mismo procedimiento se hizo para los modelos obtenidos

en 2014 en otras estaciones.

3.3. MODELOS POR ENTIDAD

Chihuahua

Estación meteorológica Buenavista 35286

La estación está situada en el municipio de Janos en el estado de Chihuahua,

para esta estación meteorológica los resultados que se obtuvieron son repre-

sentados por un modelo de regresión lineal para un día anterior a la ocurren-

cia del fenómeno meteorológico (helada), perteneciente al mes de noviembre

para el cual se obtuvo un coeficiente de correlación de 0.6825, en cuanto a

la Pr, el valor de significancia fue de 0.0005, demostrando que el modelo fue

relativamente significativo y un CME de 29.51582 con 19 observaciones usa-

das (Cuadro 3).

37CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Cuadro 3. Modelo lineal para la estación “Buenvista”

CHIHUAHUA, EST. 35286 RANGO COMPLETO

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

1 11

T7:00 = -6.05954 +0.62362 (T21:00) + (-0.05787)

(V21:00) + -0 (Rad21:00) + 0.03383 (HR21:00)

19 19 0.6825 29.51582 0.0005

Estación meteorológica Dublan 35054

La estación está situada en el municipio de Nuevo Casas Grandes en el estado

de Chihuahua, para esta estación meteorológica los resultados que se obtu-

vieron son representados por dos modelos de regresión lineal para dos días

anteriores a la ocurrencia del fenómeno meteorológico (helada), pertenecien-

tes a los meses de noviembre y marzo. Para el modelo representativo del mes

de noviembre se obtuvo coeficiente de correlación de 0.7957, en cuanto a la

Pr, el valor de significancia fue de ˂0.0001, indicando así, fue relativamente

significativo, un CME de 26.3547 y 26 observaciones leídas y usadas. Para

segundo modelo representativo del mes de marzo se obtuvo una r2 de 0.786,

en cuanto a la Pr, el valor de significancia fue de 0.0329, indicando así, que

fue relativamente significativo, un CME de 5.50309 y con 11 observaciones

leídas y usadas. (Cuadro 4).

Cuadro 4. Modelo lineal para la estación “Dublan”

CHIHUAHUA, EST. 35054 RANGO COMPLETO

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

2 11T7:00 = -6.05954 +0.62362

(T17:00) + (-0.05787) (V17:00) + -0 (Rad17:00) + 0.06123 (HR17:00)

26 26 0.7957 26.3547 <.0001

2 3

T7:00 = -10.65538 +0.18759 (T17:00) + (-0.07884) (V17:00) +0.05061(Rad17:00) + 0.02294

(HR17:00)

11 11 0.786 5.50309 0.0329

38 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Coahuila

Estación meteorológica El Porvenir 26800

La estación está situada en el municipio de Francisco I. Madero en el estado de

Coahuila, para esta estación meteorológica los resultados que se obtuvieron

son representados por dos modelos de regresión lineal para un día anterior a

la ocurrencia del fenómeno meteorológico (helada), pertenecientes a los me-

ses de febrero y enero. Para el modelo representativo del mes de febrero se

obtuvo un coeficiente de correlación de 0.9204, en cuanto a la Pr, el valor de

significancia fue de 0.0003, indicando así, que fue relativamente significativo,

un CME de 31.67472 y con 11 observaciones leídas y usadas. Para el segun-

do modelo representativo del mes de febrero se obtuvo una r2 de 0.6825, en

cuanto a la Pr, el valor de significancia fue de 0.0005, demostrando así, que

fue relativamente significativo, un CME de 29.51582 y con 19 observaciones

leídas y usadas. (Cuadro 5).

Cuadro 5. Modelo lineal para la estación “El Porvenir”.

COAHUILA, EST. 26800 RANGO COMPLETO

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

1 2

T7:00 = -12.37438 +0.8975 (T21:00) + (-0.11594) (V21:00)

+ -0 (Rad21:00) + 0.1345 (HR21:00)

11 11 0.9204 31.67472 0.0003

1 1

T8:00 = -6.30985 +0.38828 (T19:00) + (-0.3604)

(V19:00) + -0 (Rad19:00) + 0.03381(HR19:00)

19 19 0.6825 29.51582 0.0005

Estación meteorológica Rancho El Padrino 26449

La estación está situada en el municipio de Saltillo en el estado de Coahuila,

para esta estación meteorológica los resultados que se obtuvieron son repre-

sentados por cuatro modelos de regresión lineal, pertenecientes a los meses

de noviembre, febrero, marzo y diciembre. Para el primer modelo represen-

tativo del mes de noviembre, la regresión lineal fue para un día anterior a la

39CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

helada y se obtuvo un coeficiente de correlación de 0.8344 en cuanto a la Pr,

el valor de significancia fue de 0.0072, indicando así, que fue relativamente

significativo, un CME de 4.02603 y con 12 observaciones leídas y usadas.

Para el segundo modelo perteneciente al mes de febrero, la regresión lineal

fue para un día anterior a la helada y se obtuvo un r2 de 0.7823 en cuanto a la

Pr, el valor de significancia fue de 0.0093, indicando así, que fue relativamen-

te significativo, un CME de 23.22414 y con 13 observaciones leídas y usadas.

Para el tercer modelo representativo del mes de marzo, la regresión lineal fue

para tres días anteriores a la helada y se obtuvo un coeficiente de correlación

de 0.6892 en cuanto a la Pr, el valor de significancia fue de 0.0351, indicando

así, que fue relativamente significativo, un CME de 6.8241 y con 13 observa-

ciones leídas y usadas. Para el cuarto y último modelo representativo del mes

de diciembre, la regresión lineal fue para tres días anteriores a la helada y se

obtuvo un r2 de 0.6158 en cuanto a la Pr, el valor de fue de 0.2324, un CME

de 1.76991 y con 10 observaciones leídas y usadas (Cuadro 6).

Cuadro 6. Modelo lineal para la estación “Rancho el padrino”.

COAHUILA, EST. 26449 RANGO COMPLETO

DÍA MES MODELO OBS. LEÍDAS

OBS. USA-DAS

R2 DEL MODELO CME Pr>F

1 11

T7:00 = -12.48865 +0.43413 (T17:00) + (0.10145) (V17:00)

+ -0.00396 (Rad17:00) + 0.0805(HR17:00)

12 12 0.8344 4.02603 0.0072

1 2

T8:00 = -7.55991 +0.64518 (T19:00) + (-0.1423) (V19:00)

+ (-0.00163) (Rad19:00) + 0.0487(HR19:00)

13 13 0.7823 23.22414 0.0093

3 3

T7:00 = -12.70453 + 0.65542 (T19:00) +

(-0.43825) (V19:00) + (-0.00401) (Rad19:00) +

0.01073(HR19:00)

13 13 0.6892 6.8241 0.0351

3 12

T8:00 = 0.6712 +(-0.06382) (T19:00) + 0.14715 (V19:00)

+ -2.20575 (Rad19:00) + (-0.02839)(HR19:00)

10 10 0.6158 1.76991 0.2324

40 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Estado de México

Estación meteorológica Arroyo 48020

La estación está situada en el municipio de Almoloya de Juárez en el Estado

de México, para esta estación meteorológica los resultados que se obtuvie-

ron son representados por dos modelos de regresión lineal para cinco días an-

teriores a la ocurrencia del fenómeno meteorológico (helada), pertenecientes

a los meses de febrero y noviembre. Para el modelo representativo del mes de

febrero se obtuvo un coeficiente de correlación de 0.7635, en cuanto a la Pr,

el valor de significancia fue de 0.0435, demostrando así, que fue relativamen-

te significativo, un CME de 3.13404 y con 11 observaciones leídas y usadas.

Para el segundo modelo representativo del mes de noviembre se obtuvo una

r2 de 0.6727, en cuanto a la Pr, el valor fue de 0.0665, es decir, que fue rela-

tivamente significativo, un CME de 0.9842 y con 10 observaciones leídas y

usadas. (Cuadro 7).

Cuadro 7. Modelo lineal para la estación “Arroyo”.

EDO. DE MÉXICO, EST. 48020 RANGO COMPLETO

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

5 2

T7:00 = 6.84624+ (-0.25947)(T18:00) + 0.03511 (V18:00) + (

-0.07546) (Rad18:00) +( -0.00884) (HR18:00)

11 11 0.7635 3.13404 0.0435

5 11T7:00 = -1.59906 + 0.22487

(T19:00) + 0.16186 (V19:00) + 0 (Rad19:00) + (-0.03199) (HR19:00)

10 10 0.6727 0.9842 0.0665

Estación meteorológica El Hospital 48449

La estación está situada en el municipio de Villa Victoria en el Estado de Mé-

xico, para esta estación meteorológica los resultados que se obtuvieron son

representados por dos modelos de regresión lineal, pertenecientes a los me-

ses de diciembre y enero. Para el primer modelo representativo del mes de

diciembre, la regresión lineal fue para tres días anteriores a la helada, con un

41CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

coeficiente de correlación de 0.6472 en cuanto a la Pr, el valor fue de 0.0851,

indicando así, que fue relativamente significativo, un CME de 0.42662 y con

12 observaciones leídas y usadas. Para el segundo modelo perteneciente al

mes de enero, la regresión lineal fue para un día anterior a la helada y se ob-

tuvo un r2 de 0.6104 en cuanto a la Pr, el valor fue de 0.1158, demostrando

así, que fue relativamente significativo, un CME de 0.43582 y con 12 obser-

vaciones leídas y usadas (Cuadro 8).

Cuadro 8. Modelo lineal para la estación “El hospital”.

EDO. DE MÉXICO, EST. 48449

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

3 12

T7:00 = -5.71355 +0.16068 (T17:00) + (-0.07749) (V17:00)

+ 0.01389 (Rad17:00) + 0.03083(HR17:00)

12 12 0.6472 0.42662 0.0851

1 1

T7:00 = -5.71355 +0.16068 (T17:00) + (-0.07749) (V17:00)

+ 0.01389 (Rad17:00) + 0.03083(HR17:00)

12 12 0.6104 0.43582 0.1158

Hidalgo

Estación meteorológica Zapotlán 12334

La estación está situada en el municipio de Zapotlán de Juárez en el estado de

Hidalgo, para esta estación meteorológica los resultados que se obtuvieron

son representados por cuatro modelos de regresión lineal, para un día ante-

rior a la ocurrencia del fenómeno meteorológico (helada) pertenecientes a

los meses de marzo, octubre, noviembre y diciembre. Para el primer modelo

representativo del mes de marzo, se obtuvo un coeficiente de correlación de

0.8679 en cuanto al Pr, el valor de significancia fue de ˂0.0001, indicando

así, que fue relativamente significativo, un CME de 10.8261 y con 20 obser-

vaciones leídas y usadas. Para el segundo modelo perteneciente al mes de

octubre, se obtuvo un r2 de 0.9561 en cuanto a la Pr, el valor de significancia

fue de 0.0014, indicando así que fue relativamente significativo, un CME de

42 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

2.16378 y con 10 observaciones leídas y usadas. Para el tercer modelo per-

teneciente al mes de noviembre, se obtuvo un r2 de 0.6413 en cuanto a la Pr,

el valor de significancia fue de ˂0.0001, demostrando así, que fue relativa-

mente significativo, un CME de 30.8634 y con 49 observaciones leídas y 46

usadas. Para el último modelo perteneciente al mes de diciembre se registró

un r2 de 0.7189 en cuanto al Pr, el valor de significancia fue de ˂0.0001, de-

mostrando así, que fue relativamente significativo, un CME de 123.713 y con

113 observaciones leídas y usadas (Cuadro 9).

Cuadro 9. Modelo lineal para la estación “Zapotlán”

HIDALGO, EST. 12334 TEMP. RANGO COMPLETO

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

1 3

Saturation Growth-Rate Model: T7:00=-13.2392+0.60678(T19:00)+0.01387(V19:00)+0.05086(Rad19:00)+0.07635(

HR19:00)

20 20 0.8679 10.8261 <.0001

1 10

Saturation Growth-Rate Model: T8:00=-3.1105+0.24853(T20:00)+(-0.14959)

(V20:00)+(-0.19802)(Rad20:00)+0.01781(HR20:00)

10 10 0.9561 2.16378 0.0014

1 11

Saturation Growth-Rate Model: T7:00=-7.74142+0.60366(T21:00)+(-0.15329)(V21:00)+0.13205(Rad21:00)+0.03254(

HR21:00)

49 46 0.6413 30.8634 <.0001

1 12

Saturation Growth-Rate Model: T7:00=-10.80117+0.71044(T21:00)+(-0.08236)(V21:00)+0.11204(Rad21:00)+0.05416(

HR21:00)

113 113 0.7189 123.713 <.0001

Estación meteorológica Tepetates 16161

La estación está situada en el municipio de Tepeapulco en el estado de Hidal-

go, para esta estación meteorológica los resultados que se obtuvieron son

representados por cuatro modelos de regresión lineal, para un día anterior

a la ocurrencia del fenómeno meteorológico (helada) pertenecientes a los

meses de marzo, octubre, noviembre y diciembre. Para el primer modelo re-

presentativo del mes de marzo, se obtuvo un r2 de 0.6073 en cuanto al Pr,

el valor de significancia fue de ˂0.0001, indicando así, que fue relativamente

43CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

significativo, un CME de 21.7713 y con 32 observaciones leídas y usadas.

Para el segundo modelo perteneciente al mes de octubre, se obtuvo un r2 de

0.7264 en cuanto a la Pr, el valor fue de 0.0651, indicando así, que fue rela-

tivamente significativo, un CME de 1.65433 y con 11 observaciones leídas y

usadas. Para el tercer modelo perteneciente al mes de noviembre, se obtuvo

un r2 de 0.6222, en cuanto a la Pr, el valor de significancia fue de ˂0.0001,

indicando así, que fue relativamente significativo, un CME de 43.943 y con 59

observaciones leídas y usadas. Para el último modelo perteneciente al mes de

diciembre se registró coeficiente de correlación de 0.6107 en cuanto al Pr, el

valor de significancia fue de ˂0.0001, demostrando así, que fue relativamen-

te significativo, un CME de 202.001 y con 131 observaciones leídas y usadas

(Cuadro 10).

Cuadro 10. Modelo lineal para la estación “Tepetates”

HIDALGO, EST. 16161 TEMP.

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

1 3T7:00=-16.85603+0.76174(T17:00)+0.03836(V17:00)+(-0.01867(Rad17:00)+

0.16929(HR17:00)32 32 0.6073 21.7713 <.0001

1 10

T8:00=-4.50631+0.25992(T19:00)+(-0.03642)

(V19:00)+0.10641(Rad19:00)+(-0.04215)(HR19:00)

11 11 0.7264 1.65433 0.0651

1 11T7:00=-12.32058+0.58319(T19:00)+0.01369(V19:00)+4.07411(Rad19:00)+0.

06878(HR19:00)59 59 0.6222 43.943 <.0001

1 12

T7:00=-13.96532+0.6967(T20:00)+(-0.00143)

(V20:00)+0(Rad20:00)+0.08483(HR20:00)

131 131 0.6107 202.001 <.0001

44 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Puebla

Estación meteorológica San José Ovando 26032

La estación está situada en el municipio de Nopalucan, Puebla, para esta es-

tación meteorológica los resultados que se obtuvieron son representados

por cinco modelos de regresión lineal, pertenecientes a los meses de febrero,

marzo, octubre, noviembre y diciembre. Para el primer modelo del mes de fe-

brero, la regresión lineal fue cuatro días anteriores a la helada y se obtuvo un

coeficiente de correlación de 0.7109; en cuanto a la Pr, el valor fue 0.1248,

un CME de 3.4083 y con 10 observaciones leídas y usadas. Para el segundo

modelo perteneciente al mes de marzo, la regresión lineal fue para un día

anterior a la helada y se obtuvo un r2 de 0.635; un Pr ˂0.0001, un CME de

38.5621 y con 46 observaciones leídas y usadas. Para el tercer modelo repre-

sentativo del mes de octubre, la regresión lineal fue un día anterior a la helada

y se obtuvo un r2 de 0.6503; un Pr de >0.0056 y un CME de 11.00929 con 19

observaciones leídas y con 18 observaciones usadas. Para el cuarto modelo

representativo del mes de noviembre, la regresión lineal fue para un día ante-

rior a la helada y se obtuvo un r2 de 0.7056 en cuanto a la Pr, el valor de sig-

nificancia fue de ˂0.0001, indicando así que fue relativamente significativo,

un CME de 41.12463 y con 46 observaciones leídas y usadas. Para el quinto

y último modelo representativo del mes de diciembre, la regresión lineal fue

para un día anterior a la helada y se obtuvo un r2 de 0.6282 en cuanto a la Pr,

el valor de significancia fue de 0.0053, demostrando que fue relativamente

significativo y un CME de 9.99947 con 19 observaciones usadas (Cuadro 11).

45CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Cuadro 11. Modelo lineal para la estación “San José Ovando”

PUEBLA, EST. 26032 TEMP. RANGO COMPLETO

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

4 2

Saturation Growth-Rate Model: T8:00=5.59719+(-0.04134)(T19:00)+(-

0.04134)(V19:00)+(-2.65702)(Rad19:00)+(-0.11043)(HR19:00)

10 10 0.7109 3.40831 0.1248

1 3

Saturation Growth-Rate Model: T7:00=-10.5121+0.71568(T21:00)+(-0.4336)

(V21:00)+(-1.71539)(Rad21:00)+0.03836(HR21:00)

46 46 0.635 38.5621 <.0001

1 10

Saturation Growth-Rate Model: T7:00=-10.66232+0.4848(T17:00)+(-0.09581)

(V17:00)+(-0.00874)(Rad17:00)+0.09998(HR17:00)

19 18 0.6503 11.00929 0.0056

1 11

Saturation Growth-Rate Model: T7:00=-15.9999+0.75017(T19:00)+(-0.01014)

(V19:00)+(-0.36443)(Rad19:00)+0.10249(HR19:00)

46 46 0.7056 41.12463 <.0001

1 12

Saturation Growth-Rate Model: T8:00=-9.8312+0.83157(T19:00)+0.06334(V19:00)+(-1.20151)(Rad19:00)+(-

0.015)(HR19:00)

19 19 0.6282 9.99947 0.0053

Estación meteorológica El Seco 25512

La estación está situada en el municipio de Mazapiltepec de Juárez en el

estado de Puebla, para esta estación meteorológica los resultados que se

obtuvieron son representados por cuatro modelos de regresión lineal, per-

tenecientes a los meses de octubre y noviembre. Para el primer modelo re-

presentativo del mes de octubre, la regresión lineal fue para cuatro días an-

teriores a la helada y se obtuvo un r2 de 0.7891 en cuanto a la Pr, el valor de

significancia fue de 0.0162, demostrando que fue relativamente significativo

y un CME de 5.27706 con 12 observaciones usadas. Para el segundo modelo

perteneciente al mes de octubre, la regresión lineal fue para un día anterior

a la helada y se obtuvo un r2 de 0.7886 en cuanto a la Pr, el valor de signifi-

cancia fue de 0.0163, demostrando que fue relativamente significativo y un

46 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

CME de 5.62014 con 12 observaciones usadas. Para el tercer modelo repre-

sentativo del mes de octubre, la regresión lineal fue para un día anterior a la

helada y se obtuvo un r2 de 0.7778 en cuanto a la Pr, el valor de significancia

fue de 0.0366, demostrando que fue relativamente significativo y un CME

de 4.93413 con 11 observaciones usadas. Para el cuarto y último modelo

representativo del mes de noviembre, la regresión lineal fue para tres días

anteriores a la helada y se obtuvo un r2 de 0.6157, en cuanto a la Pr, el valor

de significancia fue de ˂0.0001, demostrando que fue relativamente signifi-

cativo y un CME de 48.28477 con 56 observaciones usadas (Cuadro 12).

Cuadro 12. Modelo lineal para la estación “El Seco”.

PUEBLA, EST. 25512 TEMP.

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

4 10

T8:00=-16.11859+0.77341(T19:00)+0.14553)

(V19:00)+1.14522(Rad19:00)+0.06017)(HR19:00)

12 12 0.7891 5.27706 0.0162

1 10

T7:00=-12.12132+0.6179(T21:00)+(-0.10655)(V21:00)+2.43563(Rad21:00)+0.06132(

HR21:00)

12 12 0.7886 5.62014 0.0163

2 10

T8:00=-10.37819+0.32281(T19:00)+(-0.29269)(V19:00)+0.07818(Rad19:00)+0.10067(

HR19:00)

11 11 0.7778 4.93413 0.0366

1 11T7:00=-19.90883+0.71427(T17:00)+0.043(V17:00)+(-0.00736)(Rad17:00)+0.15316(HR17:00)

56 56 0.6157 48.28477 <.0001

47CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

San Luis Potosí

Estación meteorológica INIFAP San Luis 36755

La estación está situada en el municipio de San Luis Potosí en el estado de San

Luis Potosí, para esta estación meteorológica los resultados que se obtuvie-

ron son representados por dos modelos de regresión lineal, pertenecientes a

los meses de noviembre y octubre. Para el primer modelo representativo del

mes de noviembre, la regresión lineal fue para un día anterior a la helada, con

un r2 de 0.7214 en cuanto a la Pr, el valor de significancia fue de ˂0.0001,

demostrando que fue relativamente significativo y un CME de 14.76117 con

25 observaciones usadas. Para el segundo modelo perteneciente al mes de

octubre, la regresión lineal fue para dos días anteriores a la helada y se ob-

tuvo un r2 de 0.9196 en cuanto a la Pr, el valor de significancia fue de 0.006,

demostrando que fue relativamente significativo y un CME de 1.2067 con 11

observaciones leídas y 10 observaciones usadas (Cuadro 13).

Cuadro 13. Modelo lineal para la estación “INIFAP San Luis”

SAN LUIS POTOSÍ, EST. 36755 TEMP. RANGO COMPLETO

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

1 11

Saturation Growth-Rate Model: T7:00=-13.80723+0.46791(T17:00)+0.09942(V17:00)+(-0.00428)(Rad17:00)+0.09404(HR17:00)

25 25 0.7214 14.76117 <.0001

2 10

Saturation Growth-Rate Model: T7:00=-2.47874+0.1449(T17:00)+(-0.23556)

(V17:00)+(-0.0007617)(Rad17:00)+0.03572(HR17:00)

11 10 0.9196 1.2067 0.006

Estación meteorológica Yoliatl 36319

La estación está situada en el municipio de Villa de Ramos en el estado de San

Luis Potosí, para esta estación meteorológica los resultados que se obtuvie-

ron son representados por un modelo de regresión lineal para dos días ante-

riores a la ocurrencia del fenómeno meteorológico (helada), perteneciente al

48 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

mes de febrero para el cual se obtuvo un r2 de 0.6428, en cuanto a la Pr, el

valor de significancia fue de ˂0.0001, demostrando que el modelo fue relati-

vamente significativo y un CME de 33.63815 con 28 observaciones usadas

(Cuadro 14).

Cuadro 14. Modelo lineal para la estación “Yoliatl”.

SAN LUIS POTOSÍ, EST. 36319 TEMP

DÍA MES MODELO OBS. LEÍDAS

OBS. USADAS

R2 DEL MODELO CME Pr>F

2 2

T7:00=-9.05935+0.43627(T21:00)+(-0.2662)

(V21:00)+0(Rad21:00)+0.06267(HR21:00)

28 28 0.6228 33.63815 <.0001

49CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Cu

adro

15.

Val

idac

ión

de

mo

delo

s de

hel

adas

co

rres

pon

dien

tes

a lo

s re

port

ado

s en

el 2

013.

50 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

3.4. VALIDACIÓN DE LOS MODELOS

Chihuahua

Para este estado se validaron dos estaciones, “Dublan” en el horario de las

7:00 h vs 17:00 h con un coeficiente de correlación de 78 % de confiabilidad a

una temperatura de -6.13 a -12.12 con un día previo a la ocurrencia de hela-

da. Por otro lado, se validó Buenavista 7:00 h vs 21:00 h, con una r2 68 %, es-

tos modelos se evaluaron con uno y dos días previos al evento y la respuesta

fue favorable, ya que al validarlos con los datos del 2013 y 2014 según sea el

caso, estos pronosticaron helada.

Coahuila

En este estado se evaluaron tres modelos pertenecientes a dos estaciones,

“El Porvenir” en el horario de las 7:00 h vs 20:00 h y 8:00 h vs 19:00 h a una

temperatura de los -5.725 a los -6.30 y “Rancho el Padrino” a un horario de

7:00 h vs 19:00 h a una temperatura de -12.48 °C con tres días previos a la

helada, todos los modelos resultaron positivos al ser validados con los datos

de las diferentes variables de los años 2013 y 2014.

Estado de México

Se validaron tres modelos, de los cuales uno salió negativo, debido a que no se

encontró helada un día previo al evento, este fue el que se encontró en la es-

tación “Arroyo” en el horario 7:00 h vs 18:00 h a una temperatura de 6.84 °C,

mientras que en dos modelos restantes la validación fue positiva, esta validez

se realizó en las estaciones el “Arroyo” a un horario de 7:00 h vs 19:00 h con

cinco días previos al evento, y la estación “El Hospital” que fue validada a un ho-

rario de las 7:00 h vs 17:00 h con un día previo a la helada en el mes de enero.

51CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Hidalgo

Se puede observar que la estación “Tepetates”, obtuvo el valor más bajo de

temperatura estimada -1.12 a las 8:00 h validado contra las 19:00 h esto, se-

guido de la estación “Zapotlán” con una temperatura de -1.37 validado a las

7:00 h comparado contra las 20:00 h. Ambos casos sucedieron un día antes

de la helada.

Puebla

Para el estado de Puebla la estación con el mejor modelo validado fue para la

estación el “Seco” con una temperatura de -0.95 °C a las 7:00 h. validado con

las 19:00 h, seguido de la misma estación, pero a las 7:00 h comparado con

las 21:00 h. y a las 7:00 h contra las 17:00 h con -1.76 °C y -1.83 °C respec-

tivamente. Sucediendo este evento un día antes de la helada.

San Luis Potosí

Para este estado se validó la estación INIFAP San Luis a las 7:00 h validado a

las 21:00 h y 20:00 h, con una temperatura de -1.7 °C.

3.5. RECAPITULACIÓN

La variabilidad del clima en el país y el cambio climático que se ha dado en

los últimos años, imponen incertidumbres importantes en el futuro de la pro-

ducción agrícola, por lo cual el estudio de este fenómeno tiene fundamen-

tal importancia para adoptar estrategias tendientes a mitigar la probabilidad

de efectos perjudiciales sobre la producción. Los daños provocados por las

heladas en las regiones agrícolas pueden variar desde la pérdida de calidad

del producto, hasta la pérdida total de la cosecha (Martínez, 2005). Es por

ello que su predicción es muy importante en la planificación agrícola, porque

permite la eventual implementación de medidas de prevención teniendo en

cuenta el riesgo económico involucrado (Verdes et al., 2000), tratando de

anticiparse a hechos que indiscutiblemente ocurrirán y que en muchos casos

52 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

se pueden advertir. En particular, para sistemas de producción donde la renta-

bilidad permite realizar acciones para mitigar el efecto dañino de las heladas

(Ovando et al., 2005).

A pesar que en la actualidad las heladas se pueden pronosticar por medio

de mapas, Servicio Meteorológico, por Higrómetro, Evaporímetro, Termóme-

tro de Contacto y Temperatura de punto de Rocío, la generación de mode-

los de simulación resulta mucho más práctica, sencilla y rápida en el cálculo

de pronóstico de las heladas ya mediante un modelo matemático o fórmula

matemática, que es justamente lo que este trabajo proporciona (Fernández,

2014), es muy útil para el pronóstico del tiempo con antecedencia de 48 ho-

ras. Estos modelos son más confiables que los modelos globales, y no necesa-

riamente requieren de un supercomputador (Ovando et al., 2005).

Todavía hay grandes variaciones en la calidad de la predicción, incluso a uno

o dos días ya que en ocasiones existen grandes variaciones en la calidad de

la predicción: el mismo modelo puede ser muy bueno un día y muy malo al

día siguiente (López, 2002), a pesar de esto, un modelo numérico regional ha

mostrado dar mejores resultados con antecedencia de 48 horas que aquellos

obtenidos a nivel global (Ovando et al., 2005; Nyenzi, 2003) aunque en este

estudio se realizaron análisis estadísticos de información histórica para cinco

días de anticipación los modelos resultaron confiables, por otra parte se re-

salta el hecho de que la mayor parte de los resultados se obtuvieron en uno y

dos días antes de helada.

Otra forma de mejorar este método es seleccionando los días en los cuales

el cielo presentó poca nubosidad y viento suave o en calma durante la no-

che, ya que las condiciones se considerarían favorables (Bustos, s/f), esto es

importante ya que la calidad del aire en una región determinada es de suma

importancia porque suele considerar las condiciones atmosféricas más fre-

cuentes de una localidad (Fernández et al., 2011). En futuros trabajos esta

predicción se podría combinar o comparar con modelos numéricos acoplados

53CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

“atmósfera-océano” ya que la predicción estacional ya no se trata de predecir

el estado real de la atmósfera en un instante de tiempo dado, sino la anomalía

en la circulación atmosférica (Gutiérrez et al., 2004).

3.6. BIBLIOGRAFIA

Blanc, M.L., Geslin, H., Holzberg, I.A. & Mason, B. 1963.Protection against frost

damage. WMO, Technical Note, No. 51. Geneva, Switzerland. 62p.

Bettencourt, M.L. 1980. Contribuição para o estudo das geadasem Portugal

Continental. In: O Clima de Portugal, Fasc. XX. Lisboa: I.N.M.G.

Bustos C. (s/f). Aplicación de redes neuronales al pronóstico de temperatura

mínima en la provincia de Mendoza. Dirección de Agricultura y Con-

tingencias Climáticas – Gobierno Mendoza. http://www.congremet.

prmarg.org/upload/bustoscarlos1.pdf

Cunha, F.R. 1982. 0 problema da geada negra no Algarve [in Portuguese].

INIA Divulgação No. 12. 125p.

Fernández, R., Lakkis G., Allende D., Santos R., Cremades P. y Puliafito E. 2011.

Modelación de un evento meteorológico de mesoescala utilizando el

modelo WRF. en Contaminación Atmosférica e Hídrica en Argentina;

E. Puliafito (Ed.). Universidad Tecnológica Nacional; pp 289-298. ISBN

978-950-42-0136-6

Fernández A. T., 2014. Fórmula para pronosticar Heladas. Huerto Fenológico

del Colegio de Geografía. Riesgos Hidrometeorológicos: sequía, inun-

daciones, heladas e incendios forestales. Facultad de Filosofía y letras.

Universidad Nacional Autónoma de México. http://www.huertofeno-

logicounam.com/articulos.htm

Gutiérrez J. M., Cano R., Cofiño A. y Sordo C. M. 2004. Redes Probabilísticas y

Neuronales en las Ciencias Atmosféricas. Series Monográficas del Insti-

tuto Nacional de Meteorología. ISBN: 84-8320-281-6. p. 142.

López A., L. A. 2002. La predicción del tiempo a partir de modelos numéricos.

Meteorol. Colomb. 6:13-20. ISSN 0124-6984. Bogotá, D.C. – Colombia.

54 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Martínez B., O. U. y Ruiz C. M. 2005. Riesgo de heladas para la agricultura

en la región sureste del estado de Coahuila. Instituto Nacional de In-

vestigaciones Forestales, Agrícolas y Pecuarias Centro de Investigación

Regional del Noreste. Campo Experimental Saltillo. Publicación Especial

Núm. 5. ISSN 1405-1915.

Mota, F.S. 1981. Meteorología Agrícola. 5th ed. São Paulo, Brazil: Liv. Nobel.

Nyenzi B. y Malone L. 2003. Desafíos de la predicción climática y su apli-

cación en el sector agrícola. Organización Meteorológica Mundial Gi-

nebra, Suiza. Servicios de Información y Predicción del Clima (SIPC) y

Aplicaciones Agrometeorológicas para los Países Andinos. Actas de la

Reunión Técnica llevada a cabo en Guayaquil, Ecuador, del 8 al 12 de

diciembre de 2003.

Ovando G., Bocco M. y Sayago S. 2005. Redes Neuronales para Modelar Pre-

dicción de Heladas. Agricultura Técnica (Chile) 65(1) 9:65-73.

Sánchez, M.O. 1998. El fenómeno de heladas inesperadas en México. Tesis de

licenciatura. Universidad Nacional Autónoma de México. México, D.F.

Snyder, L.R. y Melo-Abreu, J.P. 2010 a. Protección Contra las Heladas: Fun-

damentos, Prácticas y Economía. Volumen I. Serie Sobre el Medio Am-

biente y la Gestión de los Recursos Naturales. FAO.

Snyder, L.R. y Melo-Abreu, J.P. 2010 b. Protección Contra las Heladas: Fun-

damentos, Prácticas y Economía. Volumen II. Serie Sobre el Medio Am-

biente y la Gestión de los Recursos Naturales. FAO.

Val, N.A.2013.Cuantificación de las superficies afectadas por heladas ocurri-

das en el mes de febrero de 2011, en el distrito de riego 041, Río yaqui,

utilizando imágenes de satélite y sistemas de información geográfica.

Tesis de maestría. Colegio de Posgraduados. Texcoco, México.

Verdes, P.F., Granitto, H.D., Navone, H.D. y Ceccatto, H.A. 2000. Frost Pre-

diction whit Machine Learning Techniques. Instituto de Física Rosario

(CONICET – UNR).

55CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

CAPÍTULO 4. SISTEMA DE ALERTA FITOSANITARIA DEL ESTADO DE MORELOS

Sergio Ramírez Rojas1, Vicente Varela Loza1, Juan Carlos Bartolo Reyes1, Jesús

Soria Ruiz3, Juan Ángel Quijano Carranza3, Ramiro Rocha Rodríguez3, Jorge M.

P. Vázquez Alvarado1, Antonio González Hernández4

4.1. ANTECEDENTES

El Sistema de Alerta Fitosanitaria del Estado de Morelos (SIAFEMOR) es una

herramienta que apoya la toma de decisiones en la prevención de riesgos de

plagas y enfermedades en los cultivos, mediante la integración de las herra-

mientas informáticas, los sistemas de información geográfica (SIG), bases

de datos de clima, tipo de suelo, frontera agrícola actual, entre otras, y en

conjunto con la información de las condiciones climáticas que favorecen el

desarrollo de enfermedades en poblaciones de plantas, más el crecimiento

poblacional de plagas insectiles en los cultivos, se pueden implementar mo-

delos que simulen la dinámica de estos fenómenos con aplicación a la agricul-

tura en tiempo real. Estas herramientas de modelaje se pueden utilizar con

un enfoque preventivo, lo cual permite tomar decisiones sobre el manejo de

eventos fitosanitarios adversos y con ello mejorar la rentabilidad en la pro-

ducción agrícola.

Los primeros mapas de riesgo utilizados en la vigilancia fitosanitaria fueron

elaborados por la Universidad de Carolina del Norte, en colaboración con el

Servicio de Inspección Sanitaria de Plantas y Animales (APHIS), y la compañía

informática y Tecnología ZedZ, en Estados Unidos a partir del programa NA-

PPFAST (Magarey et al., 2007). Otros países también han hecho uso de estas

herramientas tal es el ejemplo de “Locustwatch”, este sistema es

1 Campo Experimental Zacatepec, 2 Campo Experimental Valle de México, 3 Campo Expe-rimental Bajío, 4 Centro de Investigación Disciplinario en Conservación y Mejoramiento de Ecosistemas Forestales.

56 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

administrado por la FAO y el cual monitorea a la langosta del desierto en la

región norte de África y el sur de Europa (http://www.fao.org/ag/locusts/

en/info/info/index.html). Otro ejemplo es el Sistema Nacional Argentino de

Vigilancia y Monitoreo de Plagas que tiene el objetivo de vigilar el estado fito-

sanitario de los cultivos de importancia económica en ese país.

Por su parte el Departamento de Agricultura de los Estados Unidos (USDA),

opera la Plataforma de información sobre plagas con fines educativos y de

extensionismo (PIPE) (http://sbr.ipmpipe.org/cgi-bin/sbr/public.cgi), la cual

proporciona información exploratoria sobre la roya asiática de la soya y áfidos

basada en muestreos y recomendaciones para su manejo. En México, el Siste-

ma Nacional de Vigilancia Epidemiológica (SINAVEF), en su sitio web http://

portal.sinavef.gob.mx proporciona información sobre la presencia de plagas

de importancia cuarentenaria.

En el marco estatal, Guanajuato es pionero en los sistemas de alerta con el

enfoque de los modelos dinámicos, Sonora y Zacatecas, cuentan con un sis-

tema de alerta fitosanitaria que ayuda a difundir información para minimizar

el daño de plagas y enfermedades. La particularidad de estos sistemas con-

siste en que permite integrar el geoposicionamiento de cultivos, los compor-

tamientos históricos y actuales del clima.

En 2012 se desarrolló el Sistemas de Alerta Fitosanitaria del Estado de More-

los (SIAFEMOR). Este sistema surge en respuesta de la necesidad a una falta

de un medio eficiente para la difusión de información actualizada sobre plagas

insectiles y enfermedades agrícolas (Ramírez et al., 2012). Debido a estos

antecedentes, el Campo Experimental Zacatepec del INIFAP, en colaboración

con el Gobierno del estado de Morelos, la Fundación Produce Morelos A.C. y

el Comité estatal de la sanidad vegetal conjuntaron esfuerzos para crear el

SIAFEMOR, el cual tienen como finalidad primordial facilitar a los productores

agrícolas y al público en general el análisis de riesgos fitosanitarios en las zo-

57CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

nas agrícolas del estado, usando cualquier computadora o dispositivo móvil

con acceso a internet.

El SIAFEMOR pone a disposición la información relativa a la probabilidad de

presencia de plagas y enfermedades que inciden en los cultivos de importan-

cia económica, mediante un visor de mapas, se visualizan espacialmente las

condiciones favorables de clima en tiempo real, así como la frontera agrícola

actualizada de los principales cultivos en la entidad, en conjunto indican los

escenarios de riesgo, el sitio se ubica en la siguiente dirección electrónica:

www.siafemor.inifap.gob.mx

4.2. CALCULO DEL NÚMERO DE GENERACIONES DE INSECTOS

La temperatura es la variable que más influye en el ciclo biológico de los in-

sectos, en términos fisiológicos un insecto acumula calor para desarrollarse,

del cual se deriva el concepto de unidades calor (UCA) o grados día (Chiang,

1985, Barrientos et al. 1998; Soto et al., 1999). Este concepto constituye

una herramienta de pronóstico para asistir el manejo integrado de plagas, por

lo tanto, los mapas de riesgo de insectos plaga se realizan calculando el nú-

mero de generaciones por año y por estación de agroclimática. Para el cálculo

de las unidades calor diarias (UCD) se utilizan los datos de temperatura base

(Tb), temperatura máxima y mínima. Una forma de cálculo es la empleada

por Wilson y Barnett (1983) expresada en la siguiente ecuación:

UCD = ((Tmax + Tmin)/2) – Tb

Donde:

UCD = unidades calor diarias

Tmax = temperatura máxima

Tmin = temperatura mínima

Tb = temperatura base de desarrollo

58 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

4.3. MAPAS DE RIESGO

Los mapas de riesgo fitosanitario, son herramientas que permiten organizar

la información sobre escenarios adversos en la agricultura a nivel de localidad,

entidad, país o continente. Estos representan las probabilidades de ocurrencia

de enfermedades o incidencia de insectos plaga, los procesos fisiológicos de

éstos organismos y el de los cultivos, están influenciados por las condiciones

de clima, particularmente por la temperatura, humedad relativa y precipita-

ción, las cuales son registradas por una típica estación agroclimática (Grage-

da et al., 2002).

A partir de los datos actuales de clima por cada estación agro climatológica

en Morelos, se calcula el número potencial de generaciones. Los resultados se

interpolan mediante el método espacial de ponderación por distancia (IDW),

así se definen las áreas con riesgo potencial, en la Figura 8 se muestra el mapa

en tiempo real del número de generaciones del pulgón amarillo del sorgo (Me-

lanaphis sacchari Zehntner), en éste se observa un potencial bajo, en color

verde (1-5 generaciones), medio, en color anaranjado (5-9 generaciones) y

alto, en color rojo (mayor a 13 generaciones), el color gris del mapa represen-

ta la superficie no agrícola.

59CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Figura 8. Mapa en tiempo real del número de generaciones del pulgón

amarillo en Morelos.

4.4. ENFERMEDADES

Las condiciones generales para el desarrollo de una enfermedad en las plan-

tas son las siguientes:

1. La presencia de una cepa virulenta de algún patógeno (hongo, bac-

teria o virus) en la planta huésped.

2. Existencia de plantas susceptibles a esta cepa virulenta.

3. Condiciones ambientales favorables para el desarrollo de los pató-

genos. Dentro de estas condiciones, se incluyen la humedad relativa

y temperatura durante un periodo de tiempo favorable, para que

las estructuras reproductivas penetren y se desarrollen en la planta

(Berger et al., 1997; Agrios, 2008).

60 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

El efecto de la humedad relativa y temperatura en hongos fitopatógenos, se

ha estudiado ampliamente (King et al., 1997, Guzmán-Plazola et al., 2003;

Neufield y Ojiambo, 2012). Cada enfermedad requiere de una condición óp-

tima de humedad relativa y temperatura, durante un número de horas con-

secutivas. Con la información de las estaciones agroclimáticas, mediante una

búsqueda de los algoritmos programados realizan la consulta a la base de da-

tos de las 25 estaciones, la determinación del cálculo de horas con las condi-

ciones favorables es determinada para cada enfermedad, por ejemplo la roya

asiática de la soya (Phakopsora pachyrhizi Sydow & P. Sydow), las uredospo-

ras tienen una temperatura óptima de germinación entre 15-25 °C durante

10 horas (Marchetti et al., 1976), el mapa de condiciones favorables para la

roya asiática se actualiza diariamente con el resultado de horas favorables

con dicha condición para cada estación agroclimática, en la Figura 9, se mues-

tra el mapa en tiempo real con los niveles de riesgo para que se presente la

enfermedad, en éste se observa un riesgo bajo en color verde, medio en color

amarillo y alto en color rojo, el color gris del mapa representa la superficie no

agrícola.

Figura 9. Mapa en tiempo real del nivel de riesgo de condiciones favorables

de temperatura para la roya asiática de la soya en Morelos.

61CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

1.5. BIBLIOGRAFÍA

Agrios, GN. 2008. Fitopatología. Ed. Limusa. México. 838 p.

Barrientos, R. D., Bergamin Filho, A. y Amorin, L. 1998. Temperatura base y

constante térmica de desarrollo de la polilla del tomate, Tuta absolu-

ta (Lepidoptera gelichiidae). Ciencia en Investigación Agraria. 25:133-

137.

Berger, R.D., Bergamin F.A. y Amorin, L. 1997. Lesion expansion as an epidem-

ic component. Phytopathol. 87. 1005-1013.

Chiang, H. 1985. Insects and their environment. P. 128-161. In: R.E. Pfadt

(ed.) Fundamentals of Applied Entomology. MacMillan Publishing Com-

pany, NY, USA.

Grageda, G. j., Osorio, A.G., Sábori, P. R., y Ramírez, A.J.L. 2002. Uso de es-

taciones metereológicas automatizadas en la agricultura. Instituto

Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. Campo

Experimental Costa de Hermosillo, Hermosillo, Sonora, México. 28 p.

Folleto Técnico No. 24.

Guzmán-Plazola, R.A., Davis, R.M., y Marois, J.J. 2003. Effects of relative hu-

midity and high temperatura on spore germination and development

of tomato powdery mildew (Leveillula taurica). Crop Protect. 22:1157-

1168.

King, W.T., Maddem, L.V., Ellis, M.A., y Wilson, L.L. 1997. Effects of tempera-

ture on sporulation and latent period of Colletotrichum spp. Infecting

strawberry fruit. Plant Dis. 81:77-84.

Magarey, R.D., Fowler, G.A, Borchert, D.M., Sutton, T.B., Colunga-García, M.,

y Simpson, J.A. 2007. NAPPFAST: An Internet System for the Weath-

er-Based Mapping of Plant Pathogens. Plant Dis. 91:336-345.

62 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Marchetti, M. A., Melching, J. S., y Bromfield, K. R. 1976. The effects of tem-

perature and dew period on germination and infection by uredospores

of Phakopsora pachyrhizi. Phytopathol. 66:461-463.

Neufield, K.N, y Ojiambo. P.S. 2012. Interactive effects of temperature and

leaf wetness duration on sporangia germination and infection of cu-

curbit hosts by (Pseudoperonospora cubensis). Plant Dis. 96:345-353.

Ramírez, R.S., Osuna, C.F.J., Bahena, S.G., Bartolo, R.J.C., García, P.F., Canul, K.J.

2012. Manual del usuario del Sistema de alerta fitosanitaria de More-

los. Publicación Especial No. 52. CIRPAS Campo Experimental Zacate-

pec. 27p.

Soto, A., Apablaza, J., Norero, A, y Estay, P. 1999. Requerimientos térmicos de

Trialeurodes vaporariorum (Hemiptera Aleyrodidae) en tomate (Lyco-

persicon esculentum). Ciencia en Investigación Agraria 26:37-42.

Wilson, L., y Barnett, W. 1983. Degree-days: an aid in crop and pest manage-

ment. California Agriculture. 37:4-7.

63CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

CAPÍTULO 5. PERCEPCIÓN REMOTA Y TECNOLOGÍA SATELITAL COMO APOYO A LOS SISTEMAS DE ALERTA TEMPRANA EN MÉXICO

Jesús Soria Ruiz2, Sergio Ramírez Rojas1, Juan Ángel Quijano Carranza3, Rami-

ro Rocha Rodríguez3, Vicente Varela Loza1, Juan Carlos Bartolo Reyes1, Jorge

M. P. Vázquez Alvarado1, Antonio González Hernández4

5.1. INTRODUCCIÓN

En los años recientes, los avances tecnológicos han generado herramientas

de gran valor en el inventario de los recursos naturales, entre ellos, los utiliza-

dos en la percepción remota (PR) y en los sistemas de información geográfica

(SIG). Con dichas herramientas ha sido posible, la identificación de unidades

homogéneas, como el clima, el suelo, la vegetación, entre otros.

Una de las tecnologías de mayor crecimiento en la actualidad, es la percepción

remota, que ha abierto nuevos caminos en el uso de imágenes de satélite, que

al ser procesadas, se obtienen datos reales de los fenómenos que ocurren en

la superficie terrestre, tales como la distribución de cultivos agrícolas, el daño

causado por plagas y enfermedades, o algún fenómeno extremo como se-

quias, heladas o inundaciones. Cada vez que un agricultor observa su cultivo,

desde otro ángulo y en forma continua las plataformas satelitales monito-

rean el crecimiento y desarrollo mediante tomas de imágenes, para registrar

el color y el vigor de las plantas; si se encuentra bajo algún tipo de estrés

por sequía, deficiencia nutricional o infestación por plagas o enfermedades.

El productor utiliza además de la apariencia del cultivo y otros conocimientos

1 Campo Experimental Zacatepec, 2 Campo Experimental Valle de México, 3 Campo Expe-rimental Bajío, 4 Centro de Investigación Disciplinario en Conservación y Mejoramiento de Ecosistemas Forestales

64 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

como la época del año y el registro de lluvias, para determinar el estado del

cultivo. La detección temprana y el manejo anticipado de problemas pueden

ayudar a prevenir pérdidas potenciales de cultivos. Así, la PR provee al pro-

ductor los medios para identificar problemas potenciales antes que estos se

vuelvan irreversibles en términos de rendimiento volumen de producción y

calidad de la cosecha.

5.2. LA PERCEPCIÓN REMOTA

La percepción remota ha ganado mucho interés como una herramienta para

los agricultores. Imágenes de satélites le permiten al productor conocer rápi-

damente el avance de sus cultivos y decidir las áreas que necesitan un manejo

posterior. La percepción remota se define como el grupo de técnicas para re-

colectar información sobre un objeto o área, sin estar en contacto físico con

el objeto, área o fenómeno. La percepción remota, es la ciencia y el arte que

permite adquirir imágenes de la superficie terrestre desde sensores instala-

dos en plataformas espaciales. La distancia que separa al sensor del obje-

to o área estudiada, pueden variar desde metros hasta miles de kilómetros.

Los métodos más comunes para obtener la información, incluyen el uso de

sensores instalados sobre aviones o plataformas satelitales. Las técnicas de

la percepción remota son usadas ampliamente para recolectar información

de la superficie terrestre. Los datos percibidos remotamente tienen múltiples

usos que van desde la vigilancia militar, hasta la planificación del uso del suelo

y el estudio del monitoreo de cultivos. La percepción remota ofrece grandes

ventajas, por la capacidad de cubrir grandes áreas de la superficie terrestre de

manera rápida y repetidamente. Puede ser usado durante todo el periodo de

crecimiento de cultivos mediante un monitoreo continuo.

La percepción remota óptica, implica la medición de la energía que es refle-

jada o emitida por objetos, sin estar en contacto con ellos. Esta energía via-

ja por el espacio mediante ondas electromagnéticas, y se diferencian por su

longitud de onda. El espectro electromagnético abarca todas las longitudes

65CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

de onda de la energía electromagnética. El espectro continuo se subdivide en

algunos tipos familiares de energía electromagnética como los rayos X, rayos

ultravioletas (UV), visibles, infrarrojo (IR), microondas, y ondas de radio. Estos

distintos tipos de energía, son categorizados por su posición o longitudes de

onda en el espectro electromagnético. Los rayos X tienen longitudes de onda

muy pequeñas, y las ondas de radio tienen longitudes de onda grandes, hasta

100 m. La luz del sol es la fuente natural y más común de energía usada en la

percepción remota. Para las aplicaciones agronómicas, la porción de energía

del espectro electromagnético de mayor interés, es la del rango del ultravio-

leta (UV) hasta el infrarrojo (IR). La mayor parte de la luz solar, se registra en

estas bandas y tiene longitudes de onda entre 0.2 y 0.4 micrómetros.

Figura 10. Algunas bandas del espectro electromagnético útiles para la

percepción remota

La banda del visible se extiende de 0.4 a 0.7 micrómetros, región que puede

distinguir el ojo humano. La luz azul se encuentra cerca de la región de 0.4

μm y la luz roja cerca de los 0.7 μm. La región del infrarrojo cercano (NIR) se

66 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

localiza arriba de los 0.7 micrones. No existe una distinción clara entre el NIR

y el IR. Fuera de la región del visible, tanto del lado del ultravioleta como del

infrarrojo, los sensores artificiales pueden detectar los fenómenos de interés.

1.3. INTERACCIÓN DE LOS OBJETOS CON LA ENERGÍA ELECTROMAGNÉTICA

La percepción remota requiere una fuente de radiación y un sensor para de-

terminar características de interés sobre objetos que son afectados por la

radiación. El término objeto, se refiere a aquellos entes naturales o artificiales

que reflejan o emiten energía electromagnética (parcela de cultivo, suelos,

calles, arboles, ríos, bosque, etc.). Todos los objetos emiten energía electro-

magnética, y, en consecuencia, radiación. Sin embargo, esta radiación se emi-

te en longitudes de onda que están usualmente fuera de la banda del visible.

Por consiguiente, no podemos ver la mayoría de la energía con el ojo humano.

La mayor parte de lo que vemos es energía reflejada. Cuando la energía elec-

tromagnética es recibida por un objeto, dicha energía sigue tres caminos:

1. Reflejada por el objeto

2. Transmitida a través del objeto

3. Absorbida por el objeto

Cuando la luz llega a cualquier objeto, esta es reflejada, transmitida o absorbi-

da. Algunas longitudes de onda pueden ser reflejadas, otras son transmitidas

y algunas más son absorbidas. La energía absorbida puede ser convertida en

calor y emitida del objeto a una longitud de onda diferente. Un objeto es afec-

tado por la luz en función de la longitud de onda y del ángulo de incidencia.

67CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Figura 11. Comportamiento de la energía del espectro visible e infrarrojo

cercano dentro de la hoja

La energía reflejada y emitida de los objetos es lo que mide el sensor en la

percepción remota. Una planta verde se ve de ese color porque la clorofila en

sus hojas absorbe la mayor parte de la energía en las longitudes de onda del

azul y el rojo, y refleja principalmente las longitudes de onda verde. La ener-

gía reflejada en las longitudes de onda verde es percibida por el ojo humano

como el color verde. Parte de la energía lumínica es también transmitida a

través de las hojas.

Cada objeto o grupo de objetos, refleja un único espectro de longitudes de

onda. La energía reflejada en diferentes bandas o regiones del espectro, es la

base para distinguir un objeto de otro. En el diagnóstico de cultivos agrícolas,

se debería determinar un espectro característico para distintos cultivos y en

cada etapa fenológica o de crecimiento y desarrollo. Así, las plantas enfermas

producen distintas respuestas espectrales o patrones característicos de ra-

diación reflejada, versus plantas sanas.

68 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

(a) (b)

Figura 12. (a) Reflectancia común de la energía solar en plantas saludables.

Note la diferencia relativa entre la energía infrarroja cercana y

visible. (b) Reflectancia hipotética de la luz solar en plantas de

maíz con estrés por sequía.

La atmósfera absorbe y refleja ciertas longitudes de onda de la luz que pasan

desde el sol hacia la tierra. La luz azul es reflejada en todas direcciones. Por

ello, la bóveda celeste se observa normalmente azul. La capa de ozono en la

atmósfera absorbe la mayoría de los rayos ultravioleta de la luz solar. Además

del ozono, el agua y el dióxido de carbono en la atmósfera absorben ciertas

longitudes de onda de la luz solar. El vapor de agua es transparente a la radia-

ción, no obstante, las gotas de agua presentes en las nubes reflejan y disper-

san la radiación solar. La cobertura de nubes puede producir un sombreado,

que causa una reducción en el nivel de luz que incide sobre un objeto.

Por otra parte, la temperatura también puede afectar el espectro de energía

reflejada o emitida por los objetos. Todos los objetos físicos que tienen una

temperatura superior a cero absoluto emiten radiación electromagnética.

Objetos con mayor temperatura emiten la mayor parte de su radiación con

menores longitudes de onda. La mayor parte de la energía emitida por obje-

tos debida al calor, se encuentra en la banda del infrarrojo (IR). Por ello, esta

69CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

banda de energía se conoce como banda termal. Las cámaras infrarrojas y los

sensores infrarrojos, pueden medir el calor emitido por los objetos, y de esta

forma estimar su temperatura.

5.4. LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICOS

Los Sistemas de Información Geográfica (SIG) son el resultado de la aplica-

ción de las llamadas Tecnologías de la Información (TI) a la gestión de la In-

formación Geográfica (IG). Así, los SIG son el conjunto integrado de medios

y métodos informáticos, para obtener, verificar, almacenar, gestionar, actua-

lizar, manipular, recuperar, transformar, analizar, mostrar y transferir datos

espacialmente referidos de una determinada superficie de la tierra.

Figura 13. Componentes de un Sistema de Información Geográfica.

Las imágenes satelitales están conformadas por grandes volúmenes de infor-

mación que, al ser procesadas mediante técnicas y procedimientos específi-

cos, se obtiene cartografía temática que explica un fenómeno. Estos siste-

mas pueden representar geográficamente cualquier información almacenada

70 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

en bases de datos que tengan un componente geográfico, el cual permite ver

patrones, relaciones y tendencias que no pueden apreciarse en un formato de

tabla o de lista; además, proporcionan una perspectiva totalmente nueva de

la información para tomar mejores decisiones. Los SIG están integrados por

cinco componentes fundamentales:

a) El hardware se refiere a la computadora en la cual operará el SIG. Ac-

tualmente, estos sistemas pueden ser ejecutados en una amplia va-

riedad de hardware, desde servidores de computadoras centralizados,

hasta computadoras de escritorio utilizadas en configuraciones indi-

viduales o conectadas en red. Una organización requiere de un hard-

ware específico para cumplir las necesidades de la aplicación. Algunos

aspectos a considerar son: la velocidad, el costo, el soporte técnico, la

administración, la escalabilidad y la seguridad.

b) El software de un SIG proporciona las funciones y herramientas ne-

cesarias para almacenar, analizar y desplegar información geográfica.

Los componentes claves del software son: a) un sistema de manejo de

base de datos (SMBD), b) las herramientas para la entrada y manipu-

lación de información geográfica; c) las herramientas de soporte para

consultas, análisis y visualización geográfica, y d) una interface gráfica

de usuario (GUI) para un fácil acceso a las herramientas.

c) Los datos, son el componente más importante de un SIG. La recolección

de datos es un proceso largo que frecuentemente demora el desarrollo

de productos que pueden utilizarse para justificar la inversión. Los da-

tos geográficos y los datos tabulares relacionados, pueden obtenerse

por medio de una fuente propia o a través de un proveedor comercial

de datos. La mayoría de los SIG emplean un sistema manejador de ba-

ses de datos (SMBD) para crear y mantener una base de datos que

ayude a organizar y manejar dichos datos.

71CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

d) Personal. La tecnología de los SIG es de valor limitado si no se cuenta

con el personal que maneje el sistema y desarrolle planes que se apli-

quen a los problemas del mundo real.

e) Métodos. El éxito en la operación y uso de los SIG debe estar acorde

con un buen diseño en la planeación y procedimientos científicos para

extraer información de otras fuentes, tales como las tecnologías sate-

litales de la PR, de donde se obtienen resultados exitosos, como apoyo

a la agricultura y el sector rural. En resumen, la PR y los SIG son com-

plementarios, y la interacción entre ellos son fundamentales, los cuales

permiten el análisis de datos geográficos de manera eficiente y rápida.

5.5. LOS SIG Y LA PR COMO APOYO A LOS SISTEMAS DE ALERTA

TEMPRANA

Los retos actuales de la agricultura de ser sostenible y competitiva, impli-

can el desarrollo de métodos apropiados para la evaluación y monitoreo de

las áreas cultivadas, buscando una ubicación adecuada para los cultivos, de

manera que se logre mayor eficiencia en la producción y en el uso de los re-

cursos e insumos. La FAO considera que el manejo sostenible de las tierras

debe cumplir cuatro criterios: la producción se debe mantener, los riesgos no

deben aumentar, la calidad de las tierras se debe mantener y el sistema debe

ser económicamente redituable.

Las tecnologías de la información tienen la posibilidad para cartografiar las

variaciones espaciales y temporales de los riesgos asociados a plagas y en-

fermedades de los cultivos, propiciado por los cambios ambientales que se

están produciendo actualmente. El cambio climático global, las pérdidas de

ecosistemas y las transformaciones en el paisaje están cambiando el com-

portamiento de plagas y enfermedades que atacan a los cultivos, los cuales

están influyendo en la diseminación. Estas variaciones han generado la apari-

ción de nuevas patologías exóticas provenientes de otras regiones del mundo

72 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

y se han extendido a las áreas de habitabilidad de los vectores o transmisores

de las enfermedades, permitiendo que se muevan con facilidad hacia nuevas

fronteras, ya no sólo en latitud sino también en altitud.

La Percepción Remota es una herramienta muy importante para el análisis

espacial en los estudios epidemiológicos y su aplicación en problemas fito-

sanitarios en la aparición y distribución de las plagas y enfermedades (Bel-

trán-Peña et al., 2014). Las características espaciales, temporales y espec-

trales de los sensores a bordo de los satélites, proveen una amplia gama de

posibilidades de uso en aplicaciones fitosanitarias. Permiten caracterizar las

condiciones ambientales en las que se desarrollan los patógenos, mantener

una visión espacial global de la problemática y proporcionan la base para que,

en combinación con métodos matemáticos y estadísticos, se puedan cons-

truir modelos predictivos de riesgo para zonas con el potencial de ser afecta-

das por organismos causantes o transmisores de enfermedades (Hay, 2000).

Figura 14. Distribución espacial de árboles de aguacate infectados con el

viroide de la “mancha de sol” (ASBVd) en Michoacán, obtenido

con imágenes de satélite (Beltrán-Peña et al., 2014).

73CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

Los SIG y la PR constituyen una tecnología que ha evolucionado notablemen-

te en la última década, haciendo que los programas de computación sean

cada vez más fáciles de utilizar. Esto debido al desarrollo de interfaces que a

su vez resultan más sencillas de operar para el usuario. Esta tendencia segu-

ramente seguirá profundizándose en el futuro y por lo tanto éstos serán más

accesibles para una gama de áreas del conocimiento como la agronomía con

sus respectivas ramas.

La información aportada por las imágenes de satélite, es fundamental en la

vigilancia epidemiológica, ya que permiten mantener un monitoreo sistemá-

tico, activo continuo del daño provocado por plagas en los cultivos. La vigi-

lancia abarca el monitoreo y el análisis de la información para la planeación,

evaluación y toma de decisiones, orientadas a la implementación de estra-

tegias para prevenir la introducción o la dispersión de plagas. Mucha de esta

información es obtenida por imágenes de satélite. (Rivas et al., 2009). Por

otro lado, el desarrollo de los SIG ha facilitado a agrónomos, entomólogos y

ecólogos el análisis de patrones espaciales complejos que presentan una va-

riación temporal en el sector rural. Estas herramientas han venido apoyando

de manera directa a la agricultura aplicado a problemas reales, por un lado,

de sistemas de alerta temprana de plagas y enfermedades (Quijano y Rocha,

2011; Ramírez et al., 2012), por otro lado, al seguimiento y evaluación de da-

ños ocasionados por factores abióticos, como sequias, heladas, inundaciones,

etc. (Soria et al., 2009), generados todos ellos por el calentamiento global de

la tierra.

74 CONCEPTOS Y HERRAMIENTAS QUE SUSTENTAN EL SISTEMA NACIONAL DE ALERTAS SOBRE EVENTOS BIÓTICOS Y ABIÓTICOS NOCIVOS PARA LA AGRICULTURA

5.6. BIBLIOGRAFÍA

Beltrán-Peña, H., J. Soria-Ruiz, D. Téliz-Ortiz, D. L. Ochoa-Martínez, C. Na-

va-Díaz y S. Ochoa-Ascencio. (2014). Detección satelital y molecular

del viroide de la mancha de sol del aguacate (avocado sunblotch viroid,

ASBVd). Rev. Fitotecnia Mexicana. Vol. 37 (1): 21 – 29.

Hay. S. 2000. An overview of Remote Sensing and Geodesy for Epidemiology

and Public Health application. En: Hay S., Randolph S., Rogers, D. (edits)

Remote Sensing and Geographical Information Systems in Epidemiol-

ogy. Advances in Parasitology 47. Academic Press, Londres. pp. 2-36.

Quijano, C. J.A. y Rocha, R.R. 2011. Sistema de Alerta Fitosanitaria del Estado

de Guanajuato (SIAFEG). Folleto Técnico No. 10. Campo Experimental

Bajío. CIRCE-INIFAP. México.

Ramírez, R. S., Osuna, C. F.J., Bahena, S.G., Bartolo, R.J.C., García, P.F., Canul,

K.J. 2012. Manual del usuario del Sistema de Alerta Fitosanitario de

Morelos. Publicación especial No. 52. Campo Experimental Zacatepec.

CIRPAS-INIFAP. México.

Rivas E., Díaz, Y., Borruel, G., Perovan, J. 2009. Principios y componentes de un

sistema de vigilancia fitosanitaria. Temas de Ciencia y Tecnología, Vol.

13 núm. 38.

Soria, R.J., Contreras, G.M., Piña, R. J. y Torres, P.H. 2009. Metodología para

la evaluación de daños en la agricultura causada por huracanes. Pu-

blicación especial No. 1. Centro de Investigación Regional del Sureste.

INIFAP. Mérida, Yucatán, México.

En el proceso editorial de esta publicación colaboraron las siguientes personas:

COMITÉ EDITORIAL DEL CIRPAS

Presidente: Dr. René Camacho Castro

Secretario: Dr. Juan Francisco Castellanos Bolaños

Vocal: Dr. David Heriberto Noriega Cantú

Vocal: MC. Rafael Rodríguez Hernández

Vocal: MC. Fernando Romero Santillán

Vocal: Dr. Eduardo Raymundo Garrido Ramírez

Vocal: Dra. Sandra Eloísa Rangel Estrada

EDICIÓN Y SUPERVISIÓN

Dr. Efraín Cruz Cruz

Dr. Edwin Javier Barrios Gómez

Dr. Sergio Ramírez Rojas

Ing. Alberto Trujillo Campos

COORDINACIÓN DE LA PUBLICACIÓN

Dr. Jorge M. P. Vázquez Alvarado

CÓDIGO INIFAP

MX-0-330417-20-07-35-14-61

Esta publicación se terminó de imprimir en octubre de 2016 por Grupo Prometeo.

Libertad No. 1457, Col. América, Guadalajara, Jal. México. C.P. 44160. Tel. (33)

3826 2726

Su tiraje consta de 500 ejemplares

SECRETARÍA DE AGRICULTURA, GANADERÍA, DESARROLLO RURAL, PESCA Y ALIMENTACIÓN

M. A. JOSÉ EDUARDO CALZADA ROVIROSASecretario

C.P. JORGE ARMANDO NARVÁEZ NARVÁEZ Subsecretario de Agricultura

LIC. RICARDO AGUILAR CASTILLO Subsecretario de Alimentación y Competitividad

M.E.M. MELY ROMERO CELISSubsecretario de Desarrollo Rural

M. A. MARCELO LÓPEZ SÁNCHEZO�cial Mayor

DR. RAFAEL AMBRIZ CERVANTESDelegado Estatal en Morelos

INSTITUTO NACIONAL DE INVESTIGACIONES FORESTALES, AGRÍCOLAS Y PECUARIAS

DR. LUIS FERNANDO FLORES LUI Director General

DR. RAÚL GERARDO OBANDO RODRÍGUEZ

Coordinador de Investigación, Innovación y Vinculación

MC JORGE FAJARDO GUELCoordinador de Planeación y Desarrollo

MTRO. EDUARDO FRANCISCO BERTERAME BARQUÍN Coordinador de Administración y Sistemas

CENTRO DE INVESTIGACIÓN REGIONAL PACIFICO SUR

DR. RENÉ CAMACHO CASTRO Director Regional

DR. JUAN FRANCISCO CASTELLANOS BOLAÑOS Director de Investigación

M. A. JAIME ALFONSO HERNÁNDEZ PIMENTEL Director de Administración

DR. EFRAÍN CRUZ CRUZ Director de Coordinación y Vinculación en Morelos

DIRECTORIO DEL PERSONAL INVESTIGADOR

CAMPO EXPERIMENTAL “ZACATEPEC”

Dr. Efraín Cruz Cruz

Director de Coordinación y Vinculación del INIFAP en el estado de Morelos

NOMBRE PROGRAMAS DE INVESTIGACIÓNDr. Leonardo Hernández Aragón Arroz Dr. Edwin Javier Barrios Gómez Bioenergía Biól. Leticia Tavitas Fuentes Recursos genéticos: forestales, agrícolas,

pecuarios y microbianosIng. Alberto Trujillo Campos Maíz

Dra. Marianguadalupe Hernández Arenas Caña de Azúcar Dr. Felipe de Jesús Osuna Canizalez Hortalizas Dr. Sergio Ramírez Rojas Sanidad Forestal y Agrícola Dr. Jaime Canul Ku Plantas Ornamentales M.C. Faustino García Pérez Plantas OrnamentalesDra. Sandra Eloísa Rangel Estrada Plantas OrnamentalesIng. Areli Madai Guzmán Pozos* Manejo Forestal Sustentable y Servicios

AmbientalesM.C. Juan Carlos Orihuela Porcayo Carne de RumiantesDr. Jorge Miguel Paulino Vázquez Alvarado SocioeconomíaMC. Alejandro Ayala Sánchez Socioeconomìa

*Realiza estudios de postgrado

JORGE MIGUEL PAULINO VÁZQUEZ ALVARADO, SERGIO RAMIREZ ROJAS Y RAMIRO ROCHA RODRÍGUEZ

Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias Centro de Investigación Regional Pací�co SurCampo Experimental ZacatepecZacatepec, Morelos, octubre 2016

Conceptos y herramientas que sustentan el Sistema Nacional de Alertas sobre Eventos Bióticos y Abióticos nocivos para la agricultura

www.INIFAP.gob.mx

Los sistemas de alerta de eventos bióticos y abióticos son una necesidad para la agricultura ya que al pronosticar con anticipación su existencia, se puede disminuir el uso de materiales e insumos, la mayoría nocivos al ambiente. Al prevenir los eventos, se disminuirá la contaminación y los costos lo cual redundará en la rentabilidad ambiental y económica.

En la presente publicación se describen los conceptos y herramientas que sirvieron de base y referencia para desarrollar el SINAEBA, una plataforma que emite alertas digitales sobre eventos bióticos y abióticos nocivos para la agricultura.