Uso de temperaturas históricas para predecir posibles ... · información de plagas para estimar,...
Transcript of Uso de temperaturas históricas para predecir posibles ... · información de plagas para estimar,...
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
1
Uso de temperaturas históricas para predecir posibles incidencias de plagas en una localización Ruiz de Angulo J, Sicilia MA, Nogales A. Information Engineering Research Unit, Computer Science Department, Universidad de Alcalá, Ctra. Barcelona km. 33.6, 28871 Alcalá de Henares (Madrid), España
{juan.angulo, msicilia, alberto.nogales}@uah.es
RESUMEN
En los últimos años, los modelos climáticos empiezan a utilizarse en la agricultura como un método más de mejora en las formas de cultivo. Uno de estos modelos sencillo y de fácil aplicación es la interpolación inversa a la distancia, conocida como IDW, que permite estimar, por ejemplo, variables climáticas en puntos donde no hay registro de datos. Por otro lado, los modelos Grados-día permiten estimar el crecimiento de organismos en función de la temperatura a la que están sometidos. En este artículo se combinan estos dos modelos con bases de datos gratuitas tanto de registros climáticos como de información de plagas para estimar, en una localización concreta incluso sin necesidad de estación meteorológica, las posibles incidencias de una plaga mediante las temperaturas históricas de estaciones europeas.
Palabras clave: interpolación climática, modelos, grados-día, manejo de plagas
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
2
INTRODUCCIÓN
En los últimos años, la posibilidad de almacenar y manejar grandes
cantidades de datos ha permitido nuevos métodos de trabajo en casi todas las
ciencias. La agricultura es una de ellas en las que la ciencia de la computación
está empezando a jugar un papel importante para su mejora. Existe la
posibilidad de estudiar multitud de variables relacionadas con el clima, el suelo,
o las plagas y enfermedades. La información extraída de cualquier fuente de
datos relacionada con la agricultura resulta de gran utilidad para analizar,
interpretar y poder modelizar procesos que ayuden en el proceso de cultivo de
forma efectiva. La incidencia de plagas y enfermedades en los cultivos es uno
de los principales factores que generan enormes pérdidas en la agricultura.
Todo organismo está sometido a las condiciones climáticas en las que
se desarrolla, por tanto, la correlación entre los factores meteorológicos y el
crecimiento de plagas y enfermedades permiten establecer patrones y formas
de predecir el comportamiento de las mismas para su control.
La capacidad de recoger y almacenar datos de estaciones
meteorológicas a nivel mundial ha aumentado recientemente de forma
considerable. Con ello, se han desarrollado herramientas que permiten su
análisis y modelización. Una de las herramientas más utilizadas son los
Sistemas de Información Geográfica (SIG), que permiten realizar análisis muy
variados. Uno de ellos es la interpolación que aplicada a los datos climáticos
permiten hacer estimaciones de temperaturas y demás variables en lugares
donde no existen puntos de recogida de datos (estaciones meteorológicas)
generando mapas e información valiosa para muchas disciplinas.
Existen diferentes métodos matemáticos para realizar interpolaciones y
unos de los más conocidos son IDW (Inverse Distance Weigthed) y Kriging. La
interpolación IDW destaca por los buenos resultados que da en relación a su
sencillez de cálculo. Ibáñez y Rosell (2001), afirman que la estimación de
temperaturas máximas y medias, los métodos sencillos (IDW entre otros),
consiguen buenos resultados incluso cuando las estaciones no son
demasiadas y existe una orografía abrupta. Kriging es un método probabilístico
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
3
mucho más complejo que el IDW y requiere mayor poder computacional,
aunque, en general se ha demostrado más preciso. En cualquiera de los dos
casos, una mayor densidad de estaciones meteorológicas revierte en una
mayor precisión en las interpolaciones. Esto permite una mejor información en
áreas donde no existen estaciones pudiendo establecer relaciones entre estos
datos climáticos y datos de crecimiento del cultivo o plagas y enfermedades
mediante, por ejemplo, los Grados-día (GD).
Los Grados-día (GD), describen el tiempo de los procesos biológicos de
muchos organismos basados en la temperatura (McMaster and Willhelm,
1997). También se conocen como unidades de calor o integral térmica.
Numerosos organismos como las plantas, hongos, bacterias e incluso insectos,
necesitan una determinada suma de grados para completar todo su desarrollo
vital. Cuanto mayor sea el calor que reciben (hasta unos límites) mayor es la
tasa de crecimiento y por tanto, antes completan su ciclo. Este sencillo método
puede aplicarse para diferentes propósitos. Uno de ellos, es el cálculo de
estados fenológicos de las plantas o el cálculo de las diferentes fases de
crecimiento de las plagas. Este tipo de modelos se llevan estudiando muchas
décadas y aun hoy se siguen utilizando e investigando. Deryng et al. (2011)
desarrollaron una simulación utilizando Grados-día en la que se podía estimar
los rendimientos agrícolas en el futuro basados en predicciones de cambio
climático. Wilstermann y Vidal (2013) estudiaron la dependencia de la
temperatura en la eclosión del huevo y estado larvario de la plaga de maíz
Diabrotica virgifera. Jones et al. (2013) estudiaron la incidencia de Cydia
pomonella en América del norte mediante modelos de Grados-día.
En este artículo se combinan el método de interpolación IDW con
Grados-día para diferentes plagas, con el fin de poder conocer de forma
aproximada, el número de generaciones que se pueden producir de una plaga
en un área determinada en función de las temperaturas medias diarias a través
del método de interpolación.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
4
MATERIALES Y MÉTODOS
En este artículo se va a utilizar un software libre de análisis de datos
llamado IPython Notebook. Este software trabaja en un entorno HTML basado
en programación Python que proporciona una gran capacidad de computación
que nos va a permitir programar de forma cómoda e intuitiva, los procesos
requeridos para el estudio.
Sets de datos climáticos empleado
Dado que este estudio está incluido en un proyecto europeo llamado
AgINFRA, hemos utilizado sets de datos climáticos europeos que se pueden
obtener de forma libre gracias al proyecto ECA&D (European Climatic
Assessment and Datasets).
ECA&D es un proyecto que aglutina más de 8000 estaciones climáticas
repartidas por Europa y realiza diversos estudios de cambio climático y
registros extremos entre otras labores. Del total de 8000 estaciones con las que
se trabaja, cualquier usuario puede descargarse sets de datos de variables
climáticas de unas 2600 estaciones ya que no toda la información se encuentra
disponible de forma libre.
Interpolación inversa al cuadrado de la distancia (IDW).
Para este estudio se ha escogido este tipo de interpolación por la
sencillez de cálculo y fácil programación. Según la Organización Meteorológica
Mundial, las series de datos de temperatura deben contener, al menos 30 años
consecutivos para considerarse homogéneas (Castillo, 2001). Por ello, se han
tomado las temperaturas medias diarias de 32 años de resolución temporal
para nuestro estudio considerando desde 01/01/1981 hasta 31/12/2013.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
5
A continuación se muestran las fórmulas implicadas en el proceso de
interpolación IDW:
Donde: Z(x) es la temperatura interpolada, Z(x)i es la temperatura real (de la
estación climática), λi es el coeficiente de ponderación en función de la
distancia y n, el número de estaciones implicadas en la interpolación.
El coeficiente de ponderación a su vez es obtenido con la siguiente
expresión:
Donde: λi el coeficiente de ponderación, dij, la distancia entre la estación y el
punto de cálculo y p es el exponente de la inversa de la distancia que
normalmente es 1 o 2. La variación dependerá del peso que se le quiera dar a
las estaciones más cercanas.
Para este estudio, además de aplicar la interpolación IDW, se establece
una ligera corrección para paliar los posibles errores provocados por las
diferencias de altitud entre las estaciones y los puntos de cálculo. Esta
corrección se realiza aplicando el gradiente térmico vertical.
En la atmósfera existen variaciones de temperatura según la altitud, que
difieren en función de la capa en la que nos encontremos. En la capa más baja
(troposfera), que es la que nos ocupa, la variación de temperatura con la altitud
se considera constante, con algunas excepciones, a razón de -6,5ºC ºC/1000 m
a medida que se asciende sobre el nivel del mar. Otros autores como Dodson
et al. (1997) o Stahl et al. (2006) han utilizado gradientes térmicos en
interpolaciones de temperaturas diarias.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
6
Utilización de Grados-día para vincular la temperatura con el
comportamiento de plagas
Una vez estimada la temperatura a través del proceso de interpolación,
mediante el método de Grados día antes citado, se pueden establecer modelos
de comportamiento de plagas en función de la temperatura. Para ello, vamos a
combinar las temperaturas obtenidas del proceso de interpolación con la base
de datos de plagas de NAPPFAST desarrollada por la Universidad estatal de
Carolina del Norte en conjunto con el servicio de inspección de salud animal y
vegetal. Esta base de datos es una recopilación de cientos de artículos
científicos relacionados con el cálculo de grados-día de más de 500 plagas que
afectan a cultivos de todo el mundo. En esta base de datos se detallan la
acumulación de grados necesaria para los ciclos de vida de plagas así como de
los diferentes estadios en algunos de ellos. De esta forma, podemos hacer
estimaciones de las generaciones de una plaga que se pueden producir en
función de la acumulación térmica durante un año completo.
RESULTADOS Y DISCUSIÓN
Validación del método de interpolación IDW
Una vez programado el proceso de interpolación IDW para la obtención
de temperaturas medias diarias de cualquier punto de Europa, se procede a
validar de forma sencilla el modelo aplicado. Para ello, se programa una
condición en la que si se introducen coordenadas GPS correspondientes a una
estación existente, el programa no tiene en cuenta dicha estación de la
interpolación para tomar su posición GPS como punto de cálculo y comprobar
si lo interpolado se aproxima a lo real. El programa genera un gráfico y una
serie de datos para identificar si para el punto seleccionado se obtiene una
buena aproximación.
Como ejemplo se muestra el método de interpolación para la estación
Vitoria/Aeródromo.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
7
En la Tabla 1 aparecen las estaciones que el programa ha seleccionado
en función de la distancia, en este caso en un radio máximo de 100 km.
En la figura 1 se muestra el resultado de la interpolación para la estación
Vitoria/Aeródromo así como los datos reales para comprobar la validez del
modelo en dicha ubicación. Los valores estadísticos de salida en este ejemplo
son:
ID station: 3904
Max difference: 1.04ºC
Difference mean: 0.52
Std Deviation: 0.19
Se ha realizado dicha comprobación para un total de 20 estaciones
escogidas de forma aleatoria, una por país, variando el parámetro de selección
de estaciones para cada una de ellas.
num_station: se ha obtenido la validación para las 50 estaciones más
cercanas sea cual sea la distancia.
dist_station: se ha obtenido la validación para las n estaciones más
cercanas en un radio máximo de 200 km.
Además se ha probado a cambiar a 1 y 2 los exponentes de la inversa
de la distancia para ver diferencias.
Los resultados obtenidos como se ve en la tabla 2 son variables en
función de la calidad de los datos escogidos por el programa, es decir, de la
calidad de los datos europeos que se ha descargado. Depende del número de
estaciones y de que los datos de cada una de ellas estén completos para la
interpolación. De hecho, el programa también calcula los datos nulos de cada
estación y desecha aquellas que superen el 25% de datos faltantes.
Como se puede observar en la tabla, de las variaciones propuestas, el
método dist_station en un radio de 200 km con el exponente 2 en el inverso de
la distancia, arroja claramente los errores mínimos en la mayoría de ocasiones.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
8
Aun así, se observan errores especiales que ahora se comentan:
Estación 214: La interpolación se interrumpe porque las series
climáticas de las estaciones seleccionadas constan de 12 años, menos
de la mitad del mínimo necesario (30 años).
Estación 175: En esta ocasión, no existe estación en los 200 km
seleccionados por lo que el método num_stations recoge estaciones
muy alejadas (más de 400 km) provocando una mala estimación.
Estación 276: En este caso la estación más cercana tiene una altitud de
2600m y la estación de comprobación está a 630 m. El resto de
estaciones están a más de 300 km. Observando esto, se concluye que
el interpolador no puede corregir con el gradiente térmico vertical las
diferencias para valores muy extremos (2000 m de diferencia en altitud)
y con poca calidad de datos (una sola estación cercana).
Utilización de la base de datos NAPPFAST de Grados-día para plagas
Como se ha expuesto en la introducción, el método de Grados-día,
constituye una sencilla forma de calcular la velocidad de desarrollo de un
organismo, en este caso de plagas. La base de datos NAPPFAST muestra
diversos valores de límites térmicos así como acumulación de grados día para
el ciclo total y/o los diferentes estadios de las plagas. Uno de los problemas
encontrados es que la información proporcionada por la base de datos no está
completa para cada plaga debido a que cada estudio está definido para una
serie de variables que no tienen por qué coincidir con los demás estudios.
Considerando esto, se han establecido las 3 variables más importantes
para la estimación de fechas para la plaga:
Base_Devel_temp: Temperatura base de crecimiento. Temperatura por
debajo de la cual, el organismo detiene su crecimiento.
Egg_to_Egg: Total de Grados-día necesarios por encima de la
temperatura base de crecimiento para completar un ciclo completo de la
plaga. Se considera desde el comienzo de la ovoposición hasta el final
de la vida adulta.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
9
Egg_to_Adult: Total de Grados-día necesarios por encima de la
temperatura desde el comienzo de la ovoposición hasta el comienzo de
vida adulta. En caso de no disponer de la variable Egg_to_egg se puede
tomar esta variable aunque se incurre en un pequeño error de cálculo ya
que de la vida adulta hasta la siguiente ovoposición habrá una ligera
acumulación de grados mayor.
Considerando las variables descritas, se puede hacer un sencillo cálculo
para obtener la temperatura efectiva diaria en Grados-día mediante la siguiente
expresión:
Te = [ (Tmax + T min) / 2] – Base_Devel_temp
Donde: Te es la temperatura efectiva o grados-día, Tmax es la temperatura
máxima, Tmin, la temperatura mínima y Base_Devel_temp, la temperatura base
de crecimiento.
Teniendo en cuenta esta expresión y los datos obtenidos de la
interpolación se pueden obtener las generaciones posibles que se pueden
producir para la zona que se ha escogido. En este artículo continuamos con el
ejemplo antes descrito para Vitoria, con una plaga tan común como Cydia
pomonella (carpocapsa, polilla del manzano) que afecta a varios frutales. Los
datos obtenidos de la base de datos NAPPFAST son:
Base_Devel_temp: 10,0ºC
Egg_to_Egg: 621,1 Grados-día.
Teniendo en cuenta la temperatura base de crecimiento, podemos
obtener el primer y último día en el que la temperatura media diaria va a estar
por encima de los 10ºC por tanto, podremos obtener el rango de fechas en los
que la plaga va a estar en pleno desarrollo. En este caso obtenemos:
First day of effective temperature: April, 02
Last day of effective temperature: November, 10
En la figura 2 se muestra un gráfico con la temperatura efectiva diaria en
Vitoria para el insecto Cydia pomonella.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
10
A su vez, con la variable Egg_to_Egg, se puede calcular la cantidad de
generaciones que se pueden completar para un año medio en la localización
seleccionada en la interpolación y generar una gráfica con los Grados-día
totales en un año completo. Los resultados para Cydia pomonella son:
1 Generation: July, 28
2 Generation: October, 04
En la figura 3 se muestra la acumulación de grados-día para un año
completo en la ubicación Vitoria/Aeródromo.
Aunque el programa da datos absolutos en función de lo obtenido
mediante la interpolación, se ha de analizar e interpretar correctamente los
resultados. Hay que tener en cuenta que estamos tomando la temperatura
media diaria obtenida de 30 años históricos de diversas estaciones y puede
haber años más o menos calurosos que la media que se muestra en el
programa.
En el ejemplo se puede observar que se completan 2 generaciones
antes del último día de temperatura efectiva. La tercera generación llegaría a
eclosionar pero se detiene su crecimiento en fase muy temprana.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
11
CONCLUSIONES
En este artículo se ha trabajado con dos sets de datos obtenidos de
fuentes muy distintas. Por un lado, las temperaturas europeas obtenidas de
ECA&D y por otro la base de datos de plagas NAPPFAST para establecer
relaciones mediante modelos ya estudiados (IDW y Grados-día).
La base de datos de temperatura utilizada es de una gran
heterogeneidad en la densidad de estaciones debido a que cada país decide
qué estaciones pone a disponibilidad de los usuarios. Existen países como
Suecia que aportan más de 700 estaciones y otros como Alemania, apenas
unas 50. Una mala densidad de estaciones, provoca errores muy notables que
impiden que la interpolación obtenga los resultados esperados dado que las
distancias entre estaciones son de varios cientos de kilómetros. De todas
formas, trabajar con sets de datos agregados como este, permite una
programación sencilla ya que todos los datos están exactamente en el mismo
formato y eso facilita mucho las operaciones de lectura y preparación de las
operaciones de trabajo. Además, una de las ventajas encontradas más notoria,
es que el sistema utiliza estaciones de otros países indistintamente si están
dentro del radio seleccionado, por lo que para localizaciones fronterizas, por
ejemplo, se completan con estaciones del país cercano obteniendo mejores
resultados.
Se ha puesto a prueba el set de datos de temperatura europeo ECA&D
con diferentes parámetros de la interpolación IDW. Se ha observado que en el
60% de las estaciones de control utilizadas, los errores son menores para un
exponente 2 en la inversa de la distancia seleccionando estaciones en un radio
máximo de 200 km.
Una vez obtenidos los datos de la interpolación, se han podido
establecer relaciones con la base de datos NAPPFAST y el modelo de Grados-
día para obtener las posibles generaciones de plagas que se pueden generar
para una localización concreta y así tener una idea de las fechas más
importantes a la hora de tratar y controlar la plaga que se estudia. Es cierto que
los modelos de Grados-día tienen sus limitaciones, empezando porque la
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
12
temperatura aunque es el factor más influyente en los procesos de crecimiento,
no es el único y eso limita la precisión de los resultados obtenidos.
Para futuros trabajos se está considerando aplicar otros métodos de
interpolación más complejos como Kriging, limitar las áreas de aplicación (un
país) e incluir otras variables como humedad ambiental o precipitaciones para
conseguir más precisión en los modelos. Además, trabajar con datos de
predicciones climáticas futuras combinadas con los históricos, puede permitir
establecer alertas futuras para prever las plagas unos días o semanas antes de
que aparezcan.
AGRADECIMIENTOS
El trabajo presentado en este artículo ha recibido financiación del
Séptimo Programa Marco de la Unión Europea (FP7/2007-2013) bajo el
acuerdo de subvención nº 283770 “agINFRA”
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
13
REFERENCIAS BIBLIOGRÁFICAS
Castillo FE, Castellví, F. 2001. Agrometeorología. Mundi-Prensa. 517 pp.
Deryng D. Sacks WJ. Barford CC. Ramankutty N. 2011. Simulating the effects of climate and agricultural management practices on global crop yield. Global Biogeochem. Cycles, 25
Dodson R. Marks D. 1997. Daily air temperature interpolated at high spatial resolution over a large mountainous region. Climate Research. 8, 1–20.
Jones VP. Hilton R. Brunner JF. Bentley WJ. Alston DG. Barrett B. Van Steenwyk RA., Hull LA. Walgenbach JF. Coates WW. Smith TJ 2013. Predicting the emergence of the codling moth, Cydia pomonella (Lepidoptera: Tortricidae), on a degree-day scale in North America. Pest
Management. Science. 69, 1393–1398.
Ibáñez JJ. Rosell JI. 2001. Interpolación espacial de la temperatura del aire incorporando imágenes AVHRR. Teledetección. Medio Ambiente y Cambio Global 405-408
Stahl K. Moore RD. Floyer JA. Asplin MG. McKendry IG. 2006. Comparison of approaches for spatial interpolation of daily air temperature in a large region with complex topography and highly variable station density. Agricultural and Forest Meteorology, 139: 224-236.
MacMaster GS. Wilhelm WW. 1997. Growing degree-says: one equation, two interpretations. Agricultural and Forest Meteorology. 87, 291-300.
Wilstermann A. Vidal S. 2013 Western corn rootworm egg hatch and larval development under constant and varying temperatures. Journal of Pest Science 86: 419–428.
European Climate Assessment and Datasets (ECA&D). http://eca.knmi.nl/. [Consulta: junio 2014]
NAPPFAST Pest Database. http://www.nappfast.org/ [Consulta: junio 2014].
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
14
ANEXO 1: TABLAS
Tabla 1. Estaciones seleccionadas por el programa en un radio de 100 km para la ubicación de la
estación Vitoria/Aeródromo.
p = 1 p = 2
num_stations dist_stations num_stations dist_stations
Estación País Media St.Dv Media St.Dv Media St.Dv Media St.Dv
1404 ES 0.61 ±0.42 1.15 0.45 1.09 0.36 1.2 0.35
214 PT NaN*1 NaN NaN NaN NaN NaN NaN NaN
38 FR 2.45 0.79 2.67 1.03 2.19 0.64 2.1 0.68
2759 DE 0.38 0.28 0.31 0.18 0.32 0.21 0.31 0.2
109 DK 1.04 0.76 0.52 0.34 0.62 0.42 0.44 0.32
252 UA 2.31 1.71 2.73 2.05 2.47 1.88 3.35 2.52
220 RO 1.58 1.1 0.6 0.33 1.21 0.79 0.57 0.31
10901 HR 1.58 0.48 1.08 0.71 0.74 0.46 0.61 0.36
175 IT 5.73 1.63 NaN*2 NaN 5.93 1.73 NaN NaN
27 CZ 1.48 0.75 1.8 1.06 1.43 0.78 1.6 0.98
3169 NL 1.3 0.99 0.54 0.33 1.18 0.83 0.53 0.31
268 EE 1.65 1.16 0.74 0.5 0.89 0.62 0.49 0.35
195 NO 1.61 0.71 1.59 0.69 1.36 0.76 1.33 0.73
5328 SE 1.52 1.21 2.21 1.85 0.44 0.37 0.69 0.55
61 GR 9.75 2.29 0.48 0.39 4.73 1.0 0.48 0.39
91 RU 0.95 0.45 0.35 0.22 0.62 0.28 0.25 0.2
276 BA*3 5.65 2.85 7.51 3.98 12.08 6.19 12.82 6.6
228 SI 1.96 0.46 1.8 0.51 1.53 0.63 1.51 0.63
242 CH 2.47 1.04 1.89 0.81 1.76 0.75 1.19 0.53
201 LT 3.21 2.42 3.27 2.48 4.19 3.23 4.42 3.43
Tabla 2. Validación de la interpolación IDW para 20 estaciones al azar y con variaciones en el método de
selección de estaciones.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
15
ANEXO 2: FIGURAS
Figura1. Validación de la interpolación IDW para la estación Vitoria/Aeródromo. Temperatura real (rojo),
Temperatura interpolada (azul).
Figura 2. Temperatura efectiva para Cydia pomonella en Vitoria/Aeródromo.
XI Congreso de SEAE: «Agricultura ecológica familiar». Vitoria-Gasteiz (Álava), 1-4 octubre 2014
16
Figura 3. Grados-día acumulados para Cydia pomonella en Vitoria en un año climático medio