Tesis. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados. Magister de la Universidad de Buenos Aires área Producción Vegetal. Maestría en Producción Vegetal. 2010.

La predicción en tiempo y forma de la ocurrencia de enfermedades en cultivos, permite tomar decisiones en el momento oportuno y reducir su impacto económico.. Dentro de las enfermedades que generan importantes pérdidas, se encuentra la Fusariosis de la espiga de trigo [FET], que causa severos daños por disminución del rendimiento y por contaminación del grano con la micotoxina Deoxynivalenol.. Esto hace necesario lograr una representación espacial adecuada del riesgo de incidencia de la FET a nivel regional.. Para ello se propuso incorporar a un modelo de predicción, información satelital que posea buena resolución temporal y una resolución espacial superior a la que posee la red de estaciones meteorológicas de la Región Pampeana.. Se incluyeron datos de lluvia de TRMM [Tropical Rainfall Measurement Mission], que obtuvieron un 85 por ciento de aciertos cuando fueron evaluados con datos de estaciones meteorológicas.. Por otra parte se incorporaron datos de temperatura obtenidos de una zonificación climática realizada con imágenes del satélite NOAA. De esta manera, surgieron dos nuevas variantes del modelo original.. La primera incluyó el dato de precipitación de TRMM y el resto de estaciones meteorológicas interpolados.. La otra variante incluyó la lluvia de TRMM, los datos de temperatura zonificados y la humedad relativa interpolada. De esta forma se logró obtener la representación espacial de la incidencia de la FET, presentada como mapas de riesgo.. Los resultados de la validación con datos de campo sugirieron que estos nuevos modelos representan de manera confiable la incidencia de la enfermedad, principalmente en aquellos sitios donde no se dispone de datos meteorológicos.. De ambos modelos, el que obtuvo mejor performance fue el que incorporó datos de TRMM y de temperatura zonificados.. Esta nueva metodología permitió aumentar la precisión de las predicciones a través de una mejora en la distribución espacial de la incidencia de la FET.