SciELO - Scientific Electronic Library Online

 
vol.6 número7Variedades mejoradas de maíz de secano derivadas de variedades nativas tolerantes a sequíaProducción de plántulas de chile jalapeño fertilizadas con orina índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Revista mexicana de ciencias agrícolas

versión impresa ISSN 2007-0934

Rev. Mex. Cienc. Agríc vol.6 no.7 Texcoco sep./nov. 2015

 

Artículos

 

Patrón espacial del carbón de la espiga del maíz en diferentes localidades del Estado de México*

 

Spatial pattern of maize head smut in different localities of the State of Mexico

 

Jesús Ricardo Sánchez-Pale, José Francisco Ramírez-Dávila, Andrés González-Huerta y Carlos de León2

 

1 Universidad Autónoma del Estado de México-Postgrado en Ciencias Agropecuarias y Recursos Naturales. Toluca, Estado de México. A. P. 435. México. (jframirezd@uaemex.mx; agonzalezh@uaemex.mx).

2 Colegio de Postgraduados-Postgrado en Fitopatología. Texcoco, Estado de México, C. P. 56230, México. (cdeleon@colpos.mx). §Autor para correspondencia: jrsanchezp@uaemex.mx.

 

* Recibido: enero de 2015
Aceptado: abril de 2015

 

Resumen

Con el fin de generar bases para el manejo del carbón de la espiga del maíz en zonas infestadas del Estado de México, se estudió el patrón espacial que presentó durante un cuarto año de estudio. La presente investigación se realizó para determinar la distribución espacial de esta enfermedad con técnicas geoestadísticas durante el año 2009. Su incidencia se determinó en '00 parcelas de cada una de las 25 localidades evaluadas, ubicándolas geográficamente con un dGPS. La determinación de la distribución espacial se realizó con el uso de herramientas Geoestadísticas, que fue validada a través del procedimiento de validación cruzada. Se elaboraron mapas de la distribución espacial por medio del kriging y se estimó la superficie infestada. Los resultados de la validación cruzada indicaron que los semivariogramas obtenidos se ajustaron al modelo esférico enl9 localidades, cuatro al exponencial y dos al gaussiano. Los diferentes modelos mostraron que el patrón espacial de la enfermedad se presenta de forma agregada o puntos específicos dentro de cada localidad. La agregación se visualizó de forma aleatoria dentro de cada localidad a través de los mapas elaborados. Dichos mapas permitieron estimar la superficie infestada, lo cual permitirá realizar su manejo con precisión a través del sitio-específico y detectar cambios en los patrones espaciales a través del tiempo.

Palabras clave: Zea mays L., distribución espacial, geoestadística.

 

Abstract

In order to generate a basis to handle head smut of corn, on infested areas in the State of Mexico, the spatial pattern showed during four consecutive years of study was studied. This research was conducted to determine the spatial distribution of the disease with geostatistical techniques in 2009. Its incidence was determined in l00 plots of each of the 25 locations evaluated, geographically locating them with dGPS. Determining the spatial distribution was performed using geostatistical tools, which were validated through cross validation procedure. Spatial distribution maps through kriging were developed and the infested area was estimated. The results of cross validation indicated that semivariograms obtained were fitted to the spherical model in l9 locations, four at exponential and two to Gaussian. Different models showed that the spatial pattern of the disease occurs in aggregate form or specific points within each locality. The aggregation was visualized at random within each locality through the elaborated maps. These maps enable estimating the infested area, which will allow its handling with precision through the site-specific and detect changes in spatial patterns over time.

Keywords: Zea mays L., geostatistics, spatial distribution.

 

Introducción

El maíz (Zea mays L.) es el cultivo de mayor superficie cultivada en el Estado de México con 556 325 ha: 467 578 ha en secano y 88 747 en riego, una producción estimada en 1 801 330 t y rendimiento de grano de 2.97 t ha-1 (SIAP, 2014). Reducciones en su rendimiento de hasta 15.1% se han reportado en la mayoría de las variedades e híbridos comerciales por la presencia de la enfermedad carbón de la espiga (CESAVEM, 2005; Aquino et al, 2011) ocasionada por el hongo Sporisorium reilianum (Kühn) Langdon y Fullerton. En el país, la incidencia de la enfermedad ha oscilado desde 0.1 hasta 40% (SARH, 1992). En otras regiones del Mundo se han observado incidencias hasta de 80% (Pataky, 1999).

Temperaturas en el suelo entre 21 a 28 °C y humedad entre 15 y 25% peso/peso (Pataky, 1999) favorecen la infección, sus esporas son viables en el suelo hasta por 10 años (SARH, 1992). Recientemente, la enfermedad ha infectado a cultivares criollos poniendo en riesgo la diversidad genética del maíz en México, considerado centro de origen primario. También el teocintle (Zea mays subsp. mexicana), el pariente más cercano del maíz, es afectado por el carbón de la espiga.

El conocimiento del patrón espacial de las enfermedades pueden darnos valiosa información acerca de la naturaleza y rol de las fuentes de inoculo para el desarrollo de epidemias (Navas et al, 2008) que permitan realizar estrategias de su manejo (Rodríguez et al, 2009). Un eficiente control va estrechamente ligado al conocimiento de los patrones espaciales de la enfermedad ya que permiten dirigir en forma focalizada las diversas alternativas de manejo. La geoestadística se ha utilizado para analizar los patrones espaciales de las enfermedades en plantas (Alves et al, 2006; Navas et al, 2008; Carvalo et al, 2009) y de las poblaciones de patógenos a través del tiempo para caracterizarlos cuantitativamente (Stein et al, 1994).

Con el uso de la geoestadística es posible establecer mapas de distribución espacial de la enfermedad y su porcentaje de infección, consiguiéndose ahorros económicos y ambientales al direccionar las alternativas de control hacia puntos específicos donde se presenta la enfermedad, con un consecuente menor uso de insumos (Carvalo et al., 2009). Aún en la actualidad existe poca información sobre la distribución espacial de esta enfermedad que proporcione las bases para la mejora de la eficiencia y sostenibilidad del manejo de esta enfermedad. Ante este contexto, en el presente se plantearon los objetivos de a) Determinar los patrones espaciales del carbón de la espiga del maíz a nivel regional por medio de la geoestadística; y b) generar mapas de la superficie infestada con la enfermedad para el año 2009.

 

Materiales y métodos

Este trabajo es la continuación y ampliación de uno anterior (Sánchez et al, 2011) sobre el comportamiento espacial del carbón de la espiga en el Estado de México. El muestreo se realizó en variedades criollas e híbridos comerciales de maíz cuando se encontraban al 50% de grano lechoso-masoso de la etapa R3 (Ritchie y Hanway, 1982) en 25 localidades del Estado de México. De cada localidad se consideraron 100 parcelas con antecedentes de haberse presentado laenfermedad ubicando su punto geográfico o coordenadas con un dGPS (Model SPS351, Trimble, Estados Unidos de América). La determinación de la incidencia consistió en dividir a cada predio en cinco puntos de muestreo, en cada punto se contabilizaron 100 plantas consecutivas en la misma hilera; registrando las que presentaron síntomas de la enfermedad. La incidencia se estimó a partir del porcentaje de las plantas enfermas en un total de 500 evaluadas en cada predio. Se registró el rango en que fluctuó la incidencia dentro de cada localidad.

Geoestadística: con los datos de incidencia de la enfermedad y su punto geográfico, el análisis geoestadístico consistió en: 1) estimación del semivariograma; 2) estimación de los parámetros del modelo de semivariograma; y 3) estimación de la superficie (mapas) utilizando puntos (estimas) a partir del krigeado. Con los datos de incidencia de la enfermedad obtenidos, se estimó el semivariograma experimental por medio de la siguiente expresión (Isaaks y Srivastava, 1989):

Donde: γ*(h)= valor experimental del semivariograma para el intervalo de distancia h; N(h)= número de pares de puntos muestrales separados por el intervalo de distancia h; z(xi)= valor de la variable de interés en el punto muestral xi y z(xi+h)= valor de la variable de interés en el punto muestral xi+h.

Una vez obtenido el semivariograma experimental, se realizó su ajuste a un modelo teórico (esférico, exponencial, gaussiano, etc.) (Englund y Sparks 1988) utilizando el programa Model versión 2.2 de Variowin (Software for spatial data analysis in 2D. Spring Verlag, New York. USA). La validación del modelo teórico se realizó con el procedimiento de validación cruzada (Isaaks y Srivastava, 1989), de una forma interactiva, variando los valores Co (efecto de pepita), C + Co (meseta) y a (alcance), hasta coincidir con el mejor ajuste, una vez determinado se validó a través de la determinación de los cuatro parámetros estadísticos de validación cruzada (Samper y Carrera 1996) como son: media de los errores de estimación (MEE) que no debe ser significativamente distinta de 0 para que se considere que el ajuste del modelo es adecuado, error cuadrático medio (ECM) cuyo valor final debe ser cercano a cero, error cuadrático medio adimensional (ECMA) que debe estar comprendido entre los valores 1±2 (2/N)0.5 (Ramírez et al. 2013) y un estadístico adicional que consiste en que el valor de la varianza de los errores sea menor a la varianza muestral.

Para determinar el grado de relación espacial entre los datos obtenidos en los muestreos se calculó el índice de dependencia espacial, que se obtuvo al dividir el efecto pepita entre la meseta y expresando en porcentaje su resultado. Si el resultado fue menor de 25% el índice de dependencia espacial se considera alto, si se encuentra entre 26 y 75% es considerado como moderado y si es mayor de 76% el índice de dependencia es bajo (Ramírez et al, 2013). Se utilizó el krigeado para estimar los valores insesgados en los puntos que no fueron muestreados (Samper y Carrera, 1996) para elaborar los mapas de densidad de enfermedad que permitieran visualizar el comportamiento espacial de la enfermedad. Tanto las estimaciones obtenidas representadas en forma de mapa como la determinación de la superficie infestada estimada por localidad se realizaron mediante el uso del programa Surfer 9 (Surface Mapping System, Golden Software Inc. 809, 4th Street. Golden, Colorado 804011866. USA).

 

Resultados y discusión

La enfermedad se presentó en 25 localidades de 24 municipios del Estado de México (Cuadro 1). La incidencia de la enfermedad fluctuó de 0.2 a 27% dentro de las diferentes localidades evaluadas. La mayor incidencia en campo (27.0%) se presentó en la localidad de San José Ixtapa del municipio de Temascalcingo, por arriba de lo reportado por Aquino et al. (2011) quienes encontraron incidencias de 15.7% en genotipos de maíz que usualmente se siembran en Valles altos, además la incidencia de la enfermedad tuvo un incremento respecto a lo determinado por Sánchez et al. (2011) quienes reportan niveles de 3.4% para el año 2008. La superficie total infestada con carbón de la espiga del maíz para el Estado de México fue de 631.3 ha (Cuadro 1) en 2009, menor a las 914.8 ha estimadas el año inmediato anterior (Sánchez et al., 2011).

Los valores dentro del rango apropiado de los estadísticos de validación cruzada permitieron validar el patrón espacial de tipo agregado de la enfermedad que se obtuvo con los modelos teóricos ajustados (Cuadro 2), de tal forma que 19 localidades se ajustaron al modelo esférico; cuatro localidades se ajustaron al modelo exponencial y dos localidades se ajustaron al modelo gaussiano (Cuadro 3), lo que permitió modelar la variabilidad espacial que presenta la enfermedad en las diferentes localidades del Estado de México. Las diferencias de incidencias de la enfermedad así como en la distancia entre los predios con presencia y ausencia de la enfermedad en cada localidad posiblemente originaron los diferentes comportamientos espaciales que se reflejaron en tres tipos de modelos de la estructura espacial agregada de la enfermedad.

Todos los modelos ajustados carecieron de efecto pepita por lo que el error de muestreo se consideró mínimo y la escala de muestreo para cada localidad fue la adecuada (Rossi et al, 1992). Esto significa que 100% de la variación de la distribución de la enfermedad se explicó por la estructura espacial establecida en los semivariogramas respectivos. El nivel de dependencia espacial encontrado para todos los casos fue alta (Cuadro 3), indicativo de una fuerte distribución agregada de la enfermedad en todas las localidades evaluadas. Los valores del rango fluctuaron entre 142.67 y 2747.94 m entre los diferentes modelos.

Incidencias por arriba de 3% de S. reilianum se asociaron visualmente con el modelo esférico. La distribución espacial con un ajuste al modelo esférico indica que dentro de la localidad existen parcelas o puntos geográficos en que se manifiesta más la enfermedad respecto al resto de las parcelas muestreados, es decir, existen focos de la enfermedad que avanza desde una fuente puntual, los cuales están dispersos dentro de cada localidad, tal como lo mencionan Van de Landea y Zadoks (1999). Por otro lado, Jaime y Cotti (2003) consideran que el modelo esférico es indicativo de una distribución irregular de la enfermedad dentro del área analizada. La irregularidad de los focos de infestación dentro de la localidad permite suponer que la enfermedad se originó a partir de semilla contaminada (Roberto et al., 2002). A pesar de tratarse de otro patosistemas, los presentes encontrados concuerda con lo reportado por Johnson et al. (2007) quienes determinaron los patrones de distribución de Puccinia melanocephala por técnicas geoestadísticas a modelos esféricos.

Las cuatro localidades con un ajuste del semivariograma al modelo exponencial manifiestan una distribución de límites irregulares o aleatorios de la enfermedad, que biológicamente manifiestan una distribución agregada de límites irregulares o aleatorios del carbón de la espiga del maíz dentro del área de cada localidad; lo que permite inferir la existencia de un posible factor que la origina, como podría ser la susceptibilidad de las variedades e híbridos, por lo que es posible que la presencia de dichos genotipos sea irregular dentro de la localidad o bien sea originada por una mayor abundancia de variedades criollos los cuales expresan una menor susceptibilidad a la enfermedad (CESAVEM, 2005). El ajuste del modelo gaussiano en las localidades de Otzoloapan y Tequixquiac, indica que los focos de la enfermedad se expresaron en forma o expansión continúa respecto a los puntos muestreados (Alves et al, 2006), que nos permite inferir la existencia de diversos factores medio ambientales que le favorecen, y que la enfermedad se disemina continuamente a las parcelas vecinas.

La distribución en puntos específicos o focos de infección de S. reilianum dentro de cada localidad, permite suponer la existencia de condiciones medio ambientales favorables o de genotipos susceptibles de maíz que favorecen la expresión de la enfermedad dentro de cada localidad, tal como lo indica Aquino et al. (2011) quienes mencionan que la mayoría de genotipos de maíz sembrados en los Valles Altos del Estado de México expresan la enfermedad con diferentes niveles de susceptibilidad, encontrando que los genotipos híbridos expresaron mayor incidencia. La modelización espacial geoestadística del carbón de la espiga en maíz obtenida en el presente trabajo concuerda con la determinación de los patrones espaciales de la enfermedad obtenida por Sánchez et al. (2011) quienes determinaron los patrones espaciales de S. reilianum en maíz que se presentaron durante el ciclo agrícola 2008 y con lo reportado en otros patosistemas, aunque con el uso de las mismas técnicas, por Allen et al. (2008) en trigo con Tilletia indica. Así con lo reportado por Johnson et al. (2007) quienes determinaron los patrones de distribución de Puccinia melanocephala.

En todos los modelos validados se lograron establecer mapas donde se observan y se visualiza el comportamiento en agregados (Figura 1) de la enfermedad, así como los gradientes de la enfermedad. Las escalas variables de los mapas de las 25 localidades se deben a las diferencias en distancia que existen entre las ubicaciones de las 100 parcelas dentro de cada localidad. Se evidenció que los mayores porcentajes de área sin infestar se asociaron con el modelo esférico en la localidad de San Felipe, municipio de San Felipe del Progreso y Tlalmanalco ; es decir, la enfermedad se ubicó en zonas muy específicas dentro del mapa; mientras que en las localidad de Otzoloapan y Tequixquiac ajustadas al modelo gaussiano, los centros de agregación de la enfermedad se visualizaron en forma continua, pero compacta, lo que implica el avance de la infestación a parcelas vecinas (Alves et al., 2006).

El área estimada por municipio sin infestar se ubicó entre 20 y 78%, del área total muestreada (Cuadro 1). Las localidades de San Felipe del progreso, Tlalmanalco y El Salto del Municipio de Ixtapan del Oro presentaron los mayores porcentajes de superficie estimada sin infestar. Por otro lado, el área estimada infestada fluctúo entre 22% y 85%, la mayor superficie infestada estimada se presentó en la localidad del Cerrillo del municipio de Toluca (85%), Tenango del municipio de Tenango del Valle (80%), y San José El Cuartel (81%). Lo anterior nos permitió identificar áreas infestadas y libres de infestación dentro de cada localidad. Ninguna localidad presentó el 100% de área infestada (Figura 1). No se encontró una asociación entre los mayores porcentajes de incidencia de la enfermedad obtenida en campo, con los mayores porcentajes de áreas infestadas estimadas.

La ocurrencia de la enfermedad en puntos específicos dentro de la localidad permite focalizar las acciones de monitoreo y dirigir las medidas de control hacia puntos o sitios específicos, lo que adecua las acciones de manejo agronómico en términos de puntos o sitios específicos (Moral et al., 2011). Este manejo tiene el potencial de reducir el uso de fungicidas y de retardar el desarrollo de la resistencia debido a la creación de refugios temporales dinámicos (Fleischer et al, 1999) definidos como las áreas sin aspersión de plaguicidas que permiten la proliferación de enemigos naturales y una menor presión de fungicidas sobre el patógeno. Carvalho y Ampélio (2010) indican que los mapas obtenidos con el krigeado es una herramienta adecuado para el monitoreo de enfermedades y el manejo de la enfermedad con precisión, además que pueden utilizarse para detectar cambios de los patrones espaciales de la enfermedad a través del tiempo (Navas et al, 2008). La utilización de mapas de la distribución de enfermedades tiene por objeto dirigir medidas de control sobre áreas específicas de infestación (Park et al, 2007) que permite reducir el uso de diferentes insumos.

Sánchez et al. (2011) mencionan que esta enfermedad se manifiesta en puntos específicos dentro de cada localidad, concordando con los resultados obtenidos. Dicha manifestación podría deberse a que este hongo Ustilaginal raramente se disemina a grandes distancias por el viento; al parecer el principio biológico del modelo esférico plantea que la enfermedad tiene una distribución aleatoria dentro de las localidades, es decir, su propagación se visualiza a partir de una fuente puntual; que soporta la idea que la enfermedad se originó a partir de material propagativo contaminado (Roberto et al, 2002), posiblemente dichas fuentes puntuales sean producto de la infestación originada de semilla de maíz infestada de los híbridos comerciales, que se introducen a las localidades. La prevalencia de dichos genotipos en las localidades analizadas, han originado mayores niveles de incidencia (Cuadro 1) al considerarse con una mayor susceptibilidad respecto a los maíces criollos (Aquino et al, 2011).

Los resultados de agregación y los mapas obtenidos sugieren la posibilidad de realizar alternativas dirigidas del control químico y cultural que se utilicen, así como focalizar las actividades de muestreo, que hace factible obtener ahorros económicos y ambientales (Park et al, 2007), lo cual nos permiten justificar el uso de las técnicas de la agricultura de precisión para controlar las infestaciones del carbón de la espiga mediante métodos químicos o alternativos en donde se reporte su presencia.

 

Conclusiones

Los patrones espaciales del carbón de la espiga del maíz se presentaron de forma agregada durante el año 2009 en las 25 localidades analizadas, lo que propició infestaciones en zonas específicas, que permitirá direccionar y focalizar las diferentes medidas de control sobre los puntos de agregación. Los mapas obtenidos reflejaron la estructura agregada de la enfermedad en todas las localidades analizadas.

 

Agradecimientos

Al Consejo Nacional de Ciencia y Tecnología (CONACYT) por el apoyo económico para la realización de estudios de Posgrado y el presente trabajo.

 

Literatura citada

Aquino, M. J. A.; Sánchez-Flores, A.; González-Huerta, A. y Sánchez-Pale J. R. 2011. Evaluación de variedades e híbridos de maíz (Zea mays L.) por su resistencia a Sporisorium reilianum (Kühn) Langdon & Fullerton y rendimiento de grano. Rev. Mex. Fitopatol. 29:39-49.         [ Links ]

Allen, T. W.; Maples, H. W.; Workneh, F.; Stein, J. M. and Rush C. M. 2008. Distribution and recovery of Tilletia indica teliospores from regulated wheat fields in Texas. Plant Dis. 92:344-350.         [ Links ]

Alves, M. C.; Pozza, E. A.; Machado, J. C.; Araújo, D. V.; Talamini, V. e Oliveira, M. S. 2006. Geoestatística como metodología para estudar a dinâmica espaço-temporal de doenças associadas a Colletotrichum spp. transmitidos por sementes. Fitopatología Brasileira. 31:557-563.         [ Links ]

Carvalho, A. M. and Ampélio, P. E. 2010. Indicator kriging modeling epidemiology of common bean anthracnose. Applied Geomatical. 2:65-72.         [ Links ]

Carvalo, A. M.; Moreira, da S. F;Ampelio, P. E. and Silva, de O. M. 2009. Modeling spatial variability and pattern of rust and brown eyespot in coffee agroecosystem. J. Pest. Sci. 82:137-148.         [ Links ]

CESAVEM (Comité de Sanidad Vegetal del Estado de México). 2005. Carbón de la espiga del maíz. Campaña Manejo fitosanitario del cultivo del maíz. SENASICA-SAGARPA-SEDAGRO. Folleto para Productores. Toluca Estado de México. 6 p.         [ Links ]

Englund, E. and Sparks, A. 1988. Geostatistical Environmental Assessment Software (GEO-EAS) User's Guide. U.S. Environmental Protection agency document EPA/600/4-88/033. Environmental Monitoring Systems Laboratory. Las Vegas, NV, USA. 186 p.         [ Links ]

Fleischer, J.; Blom, E. and Weisz, R. 1999. Sampling in precision IPM: when the objective is a map. Phytopathology. 89:115-118.         [ Links ]

Isaaks, E. H. and Srivastava, R. M. 1989. An introduction to applied geostatistics. Oxford University Press. New York. 561 p.         [ Links ]

Jaime, G. R. and Cotty, P. J. 2003.Aflatoxin contamination of commercial cottonseed in south texas. Phytopathology. 93:1190-1200.         [ Links ]

Johnson, R. M.; Grisham, M. P. and Richard, E. P. Jr. 2007. Relationship between sugarcane rust severity and soil properties in Louisiana. Phytopathology. 97:748-755.         [ Links ]

Moral, F. J.; Terron, J. M. and Rebollo, F. J. 2011. Site-specific management zones based on the Rasch model and geostatistical techniques. Computers and Electronics in Agriculture 75:223-230.         [ Links ]

Navas, C. J. A.; Landa, B. B.; Mercado-Blanco, J.; Trapero-Casas, J. L.; Rodríguez-Jurado, D. and Jiménez-Díaz, R. M. 2008. Spatiotemporal analysis of spread of infections by Verticillium dahliae pathotypes within a high tree density olive orchard in southern Spain. Phytopathology. 98:167-180.         [ Links ]

Park, Y. L.; Krell, R. K. and Caroll, M. 2007. Theory, technology and practice of site-specific insect pest management. J. Asia-Pacific Entomol. 10(2):89-101.         [ Links ]

Pataky, J. K. 1999. Smuts. In: White, D. G. (Ed.). Compendium of corn diseases. Third edition. APS Press. St. Paul Minnesota, USA. 33-55 p.         [ Links ]

Ramírez, D. J. F.; Solares, V. M.; Figueroa, D. K. y Sánchez, J. R. 2013. Comportamiento espacial de trips (Insecta: Thysanoptera), en plantaciones comerciales de aguacate (Persea americana Mill.) en Zitácuaro, Michoacán, México. Acta Zoológica Mexicana. 93:545-563.         [ Links ]

Ritchie, S. W. and Hanway, J. J. 1982. How a corn plant develops. Iowa State University of Science and Technology. Special Report 48. Cooperative Extension Service Ames, Iowa, USA. 24 p.         [ Links ]

Roberto, S. R.; Farias, P. R. S. and Bengamin, F. A. 2002. Geostatistical analysis of spatial dynamics of Citrus Variegated Chlorosis. Fitopatologia Brasileira. 27:599-604.         [ Links ]

Rodríguez, E.; García-Garrido, J. M.; García, P. A. and Campos, M. 2009. Large-scale epidemiological study and spatial patterns of Verticillium wilt in olive orchards in southern Spain. Crop Protection. 28:46-52.         [ Links ]

Rossi, R.; Mulla, J.; Journel, G. and Franz, H. 1992. Geostatistical tools for modeling and interpreting ecological spatial dependence. Ecological Monographs. 62:277-314.         [ Links ]

Samper, F. J. y Carrera, J. 1996. Geoestadística: aplicaciones a la hidrología subterránea. 2ª Ed. Centro Internacional de Métodos en Ingeniería. Barcelona. 484 p.         [ Links ]

Sánchez, P. J. R.; Ramírez-Dávila, J. F.; González-Huerta, A. and De León, C. 2011. Modelization of the spatial distribution of corn head smut (Sporisorium reilianum Langdon and Fullerton) in Mexico. Spanish J. Agric. Res. 9:882-893.         [ Links ]

SARH (Secretaría de Agricultura y Recursos Hidráulicos). 1992. Enfermedades del maíz. In: SARH (Edit.). Guía fitosanitaria para el cultivo del maíz. Serie Sanidad Vegetal. México D. F. 14 p.         [ Links ]

SIAP (Sistema de Información Agrícola y Pecuaria). 2014. Cierre de la producción agrícola por estado del año 2012. http://www.siap.gob.mx/cierre-de-la-produccion-agricola-por-estado/ fecha de consulta: 30 de Junio de 2014.         [ Links ]

Stein, A.; Kocks, C. G.; Zadoks, J. C.; Frinkin, H. D.; Ruissen, M. A. and Myers, D. E. 1994. A geostatistical analysis of the spatio-temporal development of downy mildew epidemics in cabbage. Phytopathology. 84:1227-1239.         [ Links ]

Van de Landea, H. L. and Zadoks, J. C. 1999. Spatial patterns of spear rot in oil palm plantations in Surinam. Plant Pathology. 48:189-201.         [ Links ]

Creative Commons License Todo el contenido de esta revista, excepto dónde está identificado, está bajo una Licencia Creative Commons