.png)
En los últimos años, el cambio climático ha provocado una reorganización de las estrategias de protección, especialmente en aquellos cultivos en los que es necesario controlar numerosas enfermedades e insectos. Debido a la alternancia de heladas y sequías, y a la aparición de precipitaciones abundantes y mal distribuidas, se hace imprescindible anticipar los brotes de enfermedades y las infestaciones de insectos para reaccionar con rapidez y limitar los posibles daños. En los últimos años, el interés por los Sistemas de Ayuda a la Decisión (SAD) también ha aumentado debido a la normativa (Directiva 2009/128/C) relativa a la reducción de los insumos químicos en la gestión integrada de plagas. A esto hay que añadir todos los demás compromisos que Europa y más allá nos imponen en materia de sostenibilidad medioambiental como: Green Deal, Agenda 2030, Paquete de Plaguicidas y estrategias Farm to Fork. Todo ello en un contexto en el que disminuye la Superficie Agraria Utilizada (SAU) y el número de moléculas para la gestión de patógenos y plagas fitófagas, aumenta la contaminación atmosférica y la erosión del suelo, así como el número y severidad de enfermedades e insectos debido al uso no racional de fitosanitarios y a la globalización; sin olvidar el aumento de la población mundial que llevará a todos los actores del sistema agroalimentario a tener que aumentar la cantidad y calidad de los alimentos en un futuro próximo.
Un modelo de enfermedad vegetal es una simplificación de un sistema real formado por el patógeno/fitófago, la planta huésped y el medio ambiente. Los modelos se utilizan en epidemiología para describir, comprender, predecir y comparar epidemias y sus componentes. La ayuda práctica para los cultivadores procede de la predicción de enfermedades, que es un proceso de estimación en situaciones futuras, pasadas, presentes o desconocidas.
Para el desarrollo de modelos de previsión se necesitan como datos de entrada datos climáticos generales como la temperatura mínima, media y máxima y la humedad relativa, las precipitaciones diarias y mensuales y el número de días de lluvia, la velocidad y duración del viento, el punto de rocío y las horas de sol. En función de la complejidad de los datos, también se utilizan datos climáticos históricos (por ejemplo, es. en base 30 años). Además, también pueden solicitarse datos sobre cultivos y plagas (patógenos y/o fitófagos). Por ejemplo, pueden utilizarse los siguientes parámetros: para los cultivos: la humedad de las hojas, la densidad de plantas, los estados fenológicos, el índice máximo de superficie foliar, el déficit de presión de vapor, la irradiancia neta por encima y por debajo del dosel, los estados fenológicos susceptibles; para los patógenos fúngicos: la tasa de liberación, maduración y germinación de esporas, su número en las hojas, la cantidad de inóculo primario y secundario y la tasa de colonización. Para los insectos (es. L. botrana en las vides) - períodos de vuelo de los individuos machos (detectados con trampas de feromonas) y distribución de las capturas de machos entre generaciones.
Los ámbitos de aplicación en la agricultura son diversos, desde el crecimiento y desarrollo de los cultivos hasta su productividad, el equilibrio hídrico y la defensa frente a adversidades bióticas y abióticas.
A medida que la calidad y la potencia de cálculo que ofrecen los ordenadores mejoran día a día, los modelos se incorporan cada vez más a los DSS, que son herramientas que ayudan a los usuarios en la toma de decisiones tácticas y operativas en materia de protección de cultivos, con el fin de planificar mejor las aplicaciones fitosanitarias en las estrategias de defensa. Los modelos también pueden formar parte de sistemas locales de alerta de enfermedades (por ejemplo, observatorios fitosanitarios regionales, etc.). El uso de previsiones para la protección de cultivos contra enfermedades fúngicas y plagas no es tan nuevo (es. regla de 3-10 para el tizón de la vid y la regla de 10 para el tizón del tomate).
Las principales ventajas de los DSS son la posibilidad de analizar distintos escenarios, comprender mejor los procesos físicos y biológicos, realizar manipulaciones en el sistema real para probar hipótesis sobre su funcionamiento, evaluar el efecto de posibles intervenciones externas para modificar el comportamiento del sistema, facilitar el intercambio de datos y permitir una mejor utilización de datos y recursos. Por el contrario, los aspectos críticos consisten en una utilización que a menudo se ve limitada por el desarrollo de paquetes informáticos y la necesidad de probar y validar procedimientos en distintos años.
En el contexto de la protección integrada de los cultivos, el uso de modelos de previsión es una herramienta valiosa que permite identificar la "ventana temporal útil" dentro de la cual un tratamiento puede ser más eficaz y eficiente para controlar el patógeno/fitófago objetivo. Esto conduce a una metodología de toma de decisiones más racional y eficiente y, por tanto, minimiza el número de aplicaciones e insumos introducidos en el sistema. Los modelos predictivos de xFarm Lab están concebidos, diseñados, calibrados y validados para proporcionar a los agricultores y a toda la cadena de suministro una herramienta técnica adicional que no se limita a complementar las demás ya disponibles (es. agronómicas, biológicas, físicas, químicas), sino que las coordina a todas para aumentar la eficiencia y la eficacia de las estrategias de protección y de las técnicas de cultivo, con el fin de incrementar la calidad y la cantidad de la producción.
Este concepto es tan válido para los agricultores con pequeñas parcelas como para las cadenas agroalimentarias que tienen la posibilidad, a gran escala, de amplificar el efecto positivo de una gestión racional y eficiente de los recursos.
El objetivo principal de xFarm Lab es apoyar a todo el sistema agroalimentario mediante la digitalización y las tecnologías aplicadas a la agricultura para salvaguardar la sostenibilidad de los procesos de producción en términos agronómicos, económicos y sociales.
Dubey, P.K., Singh, G.S., Abhilash, P.C. (2019). Prácticas agrícolas adaptativas: Construyendo resiliencia en un clima cambiante. Springer.
Pertot, I.; Caffi, T.; Rossi, V.; Mugnai, L.; Hoffmann, C.; Grando, M.S.; Gary, C.; Lafond, D.; Duso, C.; Thiery, D.; Mazzoni, V.; Anfora, G. (2016). Una revisión crítica de las herramientas fitosanitarias para reducir el uso de plaguicidas en la vid y nuevas perspectivas para la aplicación de la GIP en viticultura. Protección de cultivos, (), S0261219416303489-.
Rossi, V., Giosuè, S., Caffi, T. (2010). Modelling plant diseases for decision making in crop protection. En Precision crop protection-the challenge and use of heterogeneity (pp. 241-258). Springer, Dordrecht.
.svg)
