Conceptos y herramientas que sustentan el...
-
Upload
vuongthuan -
Category
Documents
-
view
217 -
download
0
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.