SciELO - Scientific Electronic Library Online

 
vol.39 issue3Morphological characterization and biocontrol potential of Trichoderma species isolated from semi-arid soilsStrain of Pseudomonas syringae causes bacterial leaf spot in marigold plants (Tagetes erecta) in Mexico author indexsubject indexsearch form
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • Have no similar articlesSimilars in SciELO

Share


Revista mexicana de fitopatología

On-line version ISSN 2007-8080Print version ISSN 0185-3309

Rev. mex. fitopatol vol.39 n.3 Texcoco Sep. 2021  Epub Dec 13, 2021

https://doi.org/10.18781/r.mex.fit.2104-6 

Revisiones científicas

Sistemas de vigilancia epidemiológicos para interfaz web y aplicaciones en roya del cafeto

Gustavo Mora-Aguilera1  * 

Gerardo Acevedo-Sánchez2 

Eduardo Guzmán-Hernández2 

Oscar Eder Flores-Colorado2 

Juan José Coria-Contreras2 

Coral Mendoza-Ramos2 

Verónica Inés Martínez-Bustamante2 

Abel López-Buenfil3 

Rigoberto González-Gómez4 

Miguel Ángel Javier-López4 

1 Programa de Postgrado en Fitosanidad-Fitopatología Colegio de Postgraduados (CP) , Campus Montecillo, km 36.5 Carretera México-Texcoco. Montecillo, Estado de México, México, C.P. 56230.

2 Programa de Postgrado en Fitosanidad-Fitopatología, Laboratorio de Análisis de Riesgo Epidemiológico Fitosanitario (CP-LANREF). Colegio de Postgraduados (CP) , Campus Montecillo, km 36.5 Carretera México-Texcoco. Montecillo, Estado de México, México, C.P. 56230.

3 Programa de Postgrado en Fitosanidad-Fitopatología, Colegio de Postgraduados (CP) , Campus Montecillo, km 36.5 Carretera México-Texcoco. Montecillo, Estado de México, México, C.P. 56230.

4 DGSV-SENASICA km 37.5 Carretera Federal México-Pachuca, Calle Centenario, Tecámac, Estado de México, México, C.P. 55740.


Resumen.

El avance de la tecnología digital ha permitido concebir Sistemas de Vigilancia Epidemiológicos (SVE) automatizados con un enfoque holístico-sistémico favoreciendo la planeación, operación, gestión y procesamiento de datos fitosanitarios de manera efectiva y oportuna para toma de decisiones en la prevención y manejo regional de plagas. Este tipo de sistemas se enfocan en la salud del cultivo superando la visión reduccionista de plaga en la vigilancia normativa convencional. Un SVE web implica la definición clara del marco regional, objetivos, plaga(s) en su amplia acepción, recursos humanos/financieros, contexto normativo, líneas de investigación de soporte, estructura operativa y modelos de innovación. Estos elementos determinan la precisión, frecuencia y tipo de muestreo y monitoreo, así como las variables de medición relativas a un novel sistema epidemiológico. A diferencia de la vigilancia normativa, un SVE web holístico-sistémico tiene capacidad descriptiva y de pronóstico de riesgos, incluyendo alertas tempranas a partir de análisis espaciales y temporales. La interfaz web SVE asegura la generación flexible y dinámica de reportes y/o análisis automatizados. Un SVE operado en plataformas web, con énfasis en lenguajes de programación y herramientas de uso libre puede ser alojado en servidores genéricos o dedicados para almacenamiento de metadatos configurados con tecnologías Linux/Apache y funcionalidad 24/7 (h día-1). Programas de uso libre incluyen MySQL/MariaDB y otros como gestores de bases de datos; PHP / Node.js, y JavaScript, Ajax, HTML5 y CSS, como tecnologías web de maquetado base ‘back-end’ y ‘front-end’, respectivamente. Esta revisión se enfoca en principios, atributos conceptuales, enfoques metodológicos generales y objetivos de SVE base web. Aplicaciones generales se ilustran con un SVE desarrollado en México para el cafeto (Coffea spp.), el cual permitió operar la vigilancia de 19 plagas, nueve con estatus cuarentenario, mediante la generación, gestión y análisis de 87.4 y 15.7 millones de registros climáticos y epidemiológicos, respectivamente, obtenidos entre 2013-2019.

Palabras clave: Hemileia vastatrix; Coffea arabica; Alerta temprana; Prevención

Abstract.

The advancement of digital technology has made it possible to conceive automated Epidemiological Surveillance Systems (ESS) with aholistic-systemicapproach allowing effective operation, management, and processing of phytosanitary data for fast decision-making applied to regional prevention and pest management. This surveillance type focuses on plant health, overcoming the reductionist pest vision of the conventional normative surveillance. An ESS implies the precise definition of the regional framework, objectives, pest(s) in wide-sense, human/financial resources, regulatory context, support research planning, operational structure, and innovation models. These elements determine the precision, frequency, and type of sampling and monitoring and the selection of variables related to a novelepidemiological system. In contrast to the normative surveillance, a systemic ESS has descriptive and risk forecasting capabilities, including early warnings, based on spatial and temporal analyses. A web-based ESS assures a flexible-dynamic generation of reports and automated analysis. An ESS operated on web platforms, emphasizing open source software and tools, can be hosted on generic or dedicated servers for metadata storage configured with Linux / Apache technologies with 24/7 (h day-1) functional capabilities. Open source tools include MySQL / MariaDB and other systems as database managers; PHP / Node.js, and JavaScript, Ajax, HTML5 and CSS as web design base ‘back-end’ and ‘front-end’ programs, respectively. This review focuses on principles, conceptual attributes, general methodological approaches, and objectives of web-based ESS. An overview is presented with an ESS developed in Mexico for coffee plantations (Coffeaspp.), which allowed the surveillance of 19 pests, nine under quarantine status, through the generation, management, and analysis of 87.4 million climatic data and 15.7 million epidemiological records over 2013-2019.

Key words: Hemileia vastatrix; Coffea arabica; Early warning; Prevention

El concepto y ámbito de vigilancia epidemiológica

La vigilancia epidemiológica (VE) es una acción fitosanitaria planeada que tiene como objetivo la prevención y mitigación del efecto de epidemias mediante la restricción del ingreso, establecimiento y/o incremento poblacional de una plaga(s) en un área de exclusión o endemicidad, con el fin de evitar o reducir impactos productivos sostenidos que comprometan la sustentabilidad y resiliencia de un cultivo (Mora-Aguilera et al., 2014b). Esta definición tiene tres implicaciones: 1) La VE tiene como principios la prevención, constituida a su vez por estrategias secuenciales de exclusión y erradicación, y la protección. Esto implica que la VE es aplicable tanto a organismos de interés cuarentenario como de importancia económica prevalentes; 2) La VE tiene como propósito el monitoreo de riesgos epidémicos. En consecuencia, un novel sistema epidemiológico es su marco racional obligado (Figura 1). Trasciende la reducida concepción de ‘Vigilancia’, definida en la Norma Internacional de Medidas Fitosanitarias 5 (NIMF 5), publicada por la Convención Internacional de Protección Fitosanitaria (CIPF), adscrita a la FAO (https://www.ippc.int/es/), como: ‘Un proceso oficial para recopilar y registrar información sobre la presencia o ausencia de una plaga mediante el uso de encuestas, monitoreo u otros procedimientos’, la cual implica una estrategia limitada a monitorear un organismo-plaga fuera de su contexto epidémico; 3) La VE puede incorporar cualquier atributo biótico y/o abiótico (p.e., nutrición y aeropoluantes) pertinente a la salud de una población de plantas, es decir, el cultivo (Mora-Aguilera et al., 2016a). Adicionalmente, la plaga en su amplia acepción (patógenos, insectos, malezas, etc.) es la unidad biológica poblacional de interés (Mora-Aguilera et al., 2017; Mora-Aguilera et al., 2014d), liberándose del principio de infección, propio de la epidemiología clásica, fuertemente adoptado por la vigilancia convencional (Carbajal-Yepez et al., 2019; Parnell et al., 2017). Eventualmente, se supera la población para incorporar la comunidad como base biológica analítica integral (Mora-Aguilera et al., 2017; Mora-Aguilera et al., 2014d). Este enfoque representa un cambio de paradigma en la epidemiología clásica.

Figura 1 Nueva propuesta de sistema epidemiológico, en el cual la planta es el centro del sistema y subordina el resto de sub sistemas a diferentes escalas de tiempo y espacio. El sistema epidemiológico es flexible para incluir n-subsistemas (p.e., vector) y permite la aplicación holística-sistémica de los principios de prevención y protección del manejo de plagas. Este sistema sustituye el restrictivo triángulo y tetraedro epidemiológico. El sistema epidemiológico es intrínsecamente sistémico y su implementación en vigilancia epidemiológica conduce al enfoque holístico con la inclusión dinámica e interactiva de n-plagas (patógenos, insectos, ácaros, etc.) evaluadas en su macro y microam bientes regional-parcelario (Figura 4 y 6), transitando del enfoque de población de la epidemiología clásica al de comunidad. 

Otras acepciones de la VE, en general restringen el ámbito biológico a una plaga(s) taxonómicamente relacionada(s) (Kaundal et al., 2006), el marco epidemiológico racional no es explícito o se omite en la estrategia (Firanj Sremac et al., 2018), y su alcance se limita al reporte presencia/ausencia de una plaga (VE tipo 1) o estratifica por niveles de detección (VE tipo 2) (Cuadro 1) (Carbajal-Yepez et al., 2019; Parnell et al., 2017).

Cuadro 1 Tipos de vigilancia epidemiológica (VE) fitosanitaria propuestos en función de su objetivo, enfoque metodológico y principio fitosanitario enfatizado ejemplificados con algunos Programas de VE. 

Tipo VE Objetivo / Metodología Principio Fitosanitario zEjemplos de Programas de VE operados en un entorno web
Tipo 1 Estatus de plaga: Área libre Exclusión DGSV/CNRF, https://prod.senasica.gob.mx/SIRVEF
Área de Baja prevalencia EPPO, https://gd.eppo.int/
/ Análisis cualitativo con adherencia a NIMF 6 y 8 NAPPO, https://www.pestalerts.org
OIRSA, https://geoportal.oirsa.org/
Tipo 2 Delimitación y contención regional Exclusión DGSV/CNRF/SIRVEF
https://prod.senasica.gob.mx/SIRVEF
/ Análisis cuantitativo descriptivo Erradicación SIMDIA
http://www.siafeson.com/simdia
Tipo 3 Estatus de plaga, Delimitación regional, Riesgos epidémicos, Alertas y criterios de accionabilidad Dispositivos de emergencia Campaña fitosanitaria Exclusión ANACAFE
https://www.anacafe.org/Servicios/Cedicafe
Erradicación FUNDECITRUS
https://www.fundecitrus.com.br/alerta-fitossanitario
Protección Fundación ABC
https://fundacaoabc.org/
/ Análisis cuantitativo descriptivo e inferencial PVEF-Cafeto
https://www.lanref.royacafe.org.mx
SIVEA-Agave
https://www.sivea.org.mx

zLos hipervínculos de algunos programas de VE podrían no ser funcionales o públicos en concordancia con políticas operativas de la institución respectiva.

Experiencias recientes han mostrado que la VE tipo 3, a la cual se adhiere la definición propuesta, implica una implementación compleja y dinámica de estrategias técnico-científicas, operativas y de innovación digital (Kaundal et al., 2006). Bajo este enfoque, su aplicación sistémica a escalas de tiempo y espacio que garanticen la solución de un problema fitosanitario conducen al desarrollo de Sistemas de Vigilancia Epidemiológica (SVE), los cuales pueden ser referidos como Programas de Vigilancia Epidemiológicos en un contexto de política pública. En realidad, el enfoque de sistemas es natural porque su concepción y operación tiene como base el sistema epidemiológico en su moderna acepción abierta con n i -subsistemas dinámicos, la población de plantas como subsistema integrador y el tiempo-región como dimensiones reguladoras de entradas (p.e., plaga(s), variedades) y salidas (p.e., carga inóculo, producción del cultivo) (Figura 1).

Un SVE tiene escalabilidad espacial variable. Sin embargo, a nivel regional se optimiza su propósito fitosanitario (Coria-Contreras et al., 2019; Flores-Sánchez et al., 2017; Acevedo-Sánchez and Mora-Aguilera, 2016; Mora-Aguilera et al., 2014e). Una región, en este contexto, es un área constituida por un conjunto de n-unidades productivas entre las que se establecen relaciones funcionales de interdependencia, directa o indirecta, por el uso común de recursos agroambientales, económicos y humanos, así como servicios, infraestructura y política pública específica (Coria-Contreras et al., 2019; Mora-Aguilera et al., 2016b; Coria-Contreras et al., 2015a,b; Mendoza-Ramos et al., 2015a). Evidencias de algunos programas regionales fitosanitarios exitosos han demostrado que el manejo enfocado al cultivo puede coadyuvar a desarrollar estrategias de sustentabilidad y resiliencia productiva (Mora-Aguilera et al., 2014d), los cuales no son factibles biológica, ambiental y técnicamente a nivel de unidades de producción o parcelas independientes. En general, la visión parcelaria de la vigilancia y otras prácticas de manejo fitosanitario planeadas, p.e., calendarización de fungicidas, es la razón de efectos indeseables en los activos productivos: erosión génica, pérdida de resistencia varietal, desarrollo de resistencia a limitados mecanismos de acción de pesticidas, problemas de inocuidad, contaminación de recursos hídricos y edáficos, etc. (Mora-Aguilera et al., 2014c).

La vigilancia en la epidemiología clásica

En la epidemiologia clásica, sensu Vanderplank, la vigilancia tiene sus antecedentes en modelos de pronóstico y alertas tempranas aplicadas a nivel de unidades productivas parcelarias con el propósito de sustentar estrategias de control de fitopatógenos bajo el principio de protección. Notoriamente, la prevención estuvo ausente en estos seminales enfoques analíticos. Artículos de revisión exhaustivos permiten claramente delinear la evolución conceptual y aplicativa de modelos de pronóstico. Por ejemplo, Krause y colaboradores (1975), resaltaron la importancia mecanística de la biología de patógenos mediante el uso de variables asociadas al proceso patogénico, p.e., periodo de incubación (ver sección de algoritmos, Figura 5); Coakley y colaboradores (1985), y posteriormente Huber y Gillespie (1992), enfatizaron el empleo de sensores microclimáticos para generar variables climáticas predictoras. De Wolf e Isard (2007), sintetizaron los avances del modelaje cuantitativo y las perspectivas de la tecnología digital concluyendo que: ‘efforts appear to be greater than just a few decades ago, and include novel applications of Bayesian decision theory. Advances in information technology have stimulated innovations in model application’.

La alerta temprana, menos popular que el pronóstico en epidemiología clásica en realidad representó una variante conceptual, más que analítica, al tener como propósito la generación de un predictor lo más ‘temprano’ posible en una progresión epidémica inducida por un fitopatógeno específico. Este predictor(es), generalmente climático, se emplea como criterio de accionabilidad para estrategias de control con un fin protectivo. En la actualidad, la alerta temprana se ha concebido erróneamente como sinónimo de VE denominándoseles Sistemas de Alerta Temprana, entre otros. Su mayor restrictividad es su condición no sistémica. Sin embargo, su estructura analítica y su fuerte énfasis en variables climáticas han favorecido su implementación digitalizada por empresas que comercializan equipos climáticos automatizados para uso parcelario en cultivos específicos (https://www.ambientweather.com/dadi6571.html). Ante la eventual adopción por un amplio sector productivo, su alcance puede ser regional. No obstante, su aplicación particularizada al usuario final limita la integración sistémica fitosanitaria.

Dos sistemas clásicos de pronóstico, los cuales inspiraron la adaptación o derivación de otros sistemas, ilustran como los sistemas web han permitido escalar y automatizar los modelos de vigilancia. En los 70’s, BLITECAST y FAST (del cual derivó posteriormente TOMCAST), fueron sistemas de pronóstico computarizados pioneros, los cuales generaron criterios de accionabilidad con base en modelos empíricos determinísticos combinando matrices de decisión con temperatura, precipitación, humedad relativa y mojado foliar para decidir la primera y subsecuentes aplicaciones de fungicidas para control de Phytophthora infestans y Alternaria solani (Madden et al., 1978; Krause et al., 1975). Estos modelos se desarrollaron en FORTRAN IV operados en computadoras tipo ‘mainframe’ IBM 370/168. El cálculo de parámetros con estos modelos requería el ingreso manual de datos climáticos. La operación de BLITECAST muestra claramente el principio que fundamenta un sistema de vigilancia y los aspectos que la tecnología digital actual ha permitido automatizar (resaltado con subrayado): ‘When a grower desires a Blitecast, he telephones the Blitecast operator and reports his most recently recorder environmental data. The operator submits the data to the computer via a typewriter terminal. The computer analyzes the data within a fraction of a second and returns the forecast and spray recommendation to the operator, who relays it to the grower. The entire operation can be completed during a standard 3-minute telephone call. In this way, it is possible to provide, from a central office, Blitecast for 15 to 20 distant locations in one hour’ (Krause et al., 1975). Posteriormente, en los 90´s los criterios de accionabilidad se generaron a partir de modelos empíricos directamente en computadoras personales mediante programas desarrollados en Turbo-C o Turbo Pascal, entre otros, autoejecutables en el sistema operativo MS DOS®, antecesor de MS Windows®. Ejemplos de estos sistemas son DMCAST y PLASMO para el control de Plasmopara viticola (Park et al., 1997; Rosa et al., 1993). Actualmente, este tipo de sistemas se distribuyen comercialmente como complemento de equipos climáticos para uso individual parcelario aplicable a plagas y enfermedades de vid (Vitis spp.), almendro (Prunus dulcis), manzano (Malus domestica), peral (Pyrus communis) y duraznero (Prunus persica) (https://www.ambientweather.com/dadi6571.html). Esta visión comercial ha limitado el enfoque SVE regional original y restringiendo el sistema epidemiológico al componente clima como variables predictoras, una tendencia operativa práctica a nivel parcelario, pero limitado en una visión productiva sustentable (Kim et al., 2020; Firanj Sremac et al., 2018).

Los avances de la tecnología digital web y telefonía móvil durante el presente siglo han impulsado la VE regional y fortalecido estrategias predictivas clásicas (Coria-Contreras et al., 2019; Mora-Aguilera et al., 2015a). Sin embargo, la adopción de enfoques epidemiológicos sistémicos sigue siendo limitada (Carbajal-Yepez et al., 2019; Parnell et al., 2017), privilegiándose por ejemplo variables de generación automática y masiva como las climáticas (Kim et al., 2020; Firanj Sremac et al., 2018; Newlands, 2018), o enfatizando modelos teóricos clásicos orientados al patógeno (Parnell et al., 2017). La evolución del conocimiento y desarrollos tecnológicos en VE se han circunscrito principalmente a operar los principios de infección y protección a nivel parcelario. En general, se ha excluido la visión holística biológica y regional, y la aplicación sistémica del sistema epidemiológico, como marco racional integral, ha estado ausente o se ha aplicado parcialmente. Este enfoque científico y tecnológico restrictivo debe superarse sobre la base de un nuevo paradigma donde se escale la unidad espacial a la región (Mora-Aguilera et al., 2014e), y la salud de la planta sea el eje integrador de un nuevo sistema epidemiológico como base racional de la prevención y protección (Figura 1). La tendencia a una visión holística-sistémica será el gran reto de la fitosanidad en el futuro. Paradójicamente, el problema no parece ser tecnológico, sino visiones científicas clásicas atomizadas por la especialización. En contrapeso, la tendencia a una agricultura de precisión y extensiva, orientada a satisfacer la necesidad de alimentos y a fortalecer cadenas de valor (Carbajal-Yepez et al., 2019), forzará el desarrollo de SVE regionales, nacionales y globales.

Marco normativo y operativo

SVE a nivel regional requiere efectiva planeación, operatividad y eventualmente marcos legales que idealmente pueden cumplir instituciones fitosanitarias e instancias coadyuvantes. La Organización Mundial de Comercio (OMC), CIPF, Organismos Nacionales y Regionales de Protección Fitosanitaria (ONPF y ORPF, respectivamente), y productores organizados y vinculados con ONPFs, han establecido marcos jurídicos o normativos para salvaguardar la sanidad e inocuidad de productos agrícolas en un entorno regional, principalmente con fines de comercio internacional (Carbajal-Yepez et al., 2019). En estos ámbitos la vigilancia, sin asociatividad epistemológica a la epidemiología, y en clara referencia a la plaga en su concepción amplia, fue concebida con un enfoque normativo desvinculada de desarrollos metodológicos de la epidemiológica clásica. No obstante, la recurrente emergencia y movilidad de plagas, por vías alternas a flujos comerciales (Mendoza-Ramos et al., 2021; Carbajal-Yepez et al., 2019; Parnell et al., 2017; Mora-Aguilera et al., 2016a; Mora-Aguilera et al., 2015a; Mora-Aguilera et al., 2014a), ha provocado que algunas de estas instancias impulsen el desarrollo científico-tecnológico de SVE más allá del marco normativo establecido, por ejemplo, en NIMF 6 Directrices para la Vigilancia publicada por la CIPF (https://www.ippc.int/es/). Esta norma, cuyo fin es armonizar la vigilancia entre países adherentes a la CIPF, es efectiva para determinar el estatus de una plaga, pero altamente restrictiva conceptual y metodológicamente para sustentar sistemas cuantitativos robustos, inferenciales y aplicados a toma de decisiones fitosanitarias en procesos productivos (Cuadro1).

En 2019, se publicó la nueva versión de la NIMF 6 denominada Vigilancia (https://www.ippc.int/es/). En esta versión aún prevalece un marco conceptual epidemiológico restrictivo, pero se amplían opciones analíticas y metodológicas acordes a la epidemiología cuantitativa con el fin reducir el riesgo de movilidad de plagas por efecto del comercio internacional y otras vías. Sin embargo, también se reconoce la importancia de proteger cultivos estratégicos de plagas preexistentes en un país (https://www.ippc.int/es/). Las NIMFs son directrices mínimas para ONPFs que pueden optimizarse conceptual y metodológicamente, con el correspondiente sustento científico. Así, cada país puede desarrollar programas de VE oficiales acorde a sus necesidades fitosanitarias y marco legal (Cuadro 1). En adición, por iniciativa de productores organizados o empresas es posible implementar programas de VE, generalmente de tipo 2 o 3, los cuales pueden tener el soporte técnico y/o financiero del ONPF. Un ejemplo lo constituye el Sistema Integral de Protección y Vigilancia Epidemiológica del Agave (SIVEA) asociado al Consejo Regulador del Tequila (CRT) con apoyo técnico y financiero del ONPF (Cuadro 1). En otros casos, organizaciones productivas pueden desarrollar y operar sus propios programas de VE acordes a sus necesidades productivas y de comercio. No se requiere la adherencia a la normatividad internacional mientras se garantice la productividad y un manejo efectivo de riesgos fitosanitarios. La Asociación Nacional del Café de Guatemala (ANACAFE), Fundación de Defensa de la Citricultura (FUNDECITRUS) y la Fundación ABC constituida para la asistencia en trigo, soya y frijol en Brasil, son ejemplos con instancias científicas no gubernamentales financiados directamente por productores, con limitada o nula participación oficial (Cuadro 1).

Programas de vigilancia epidemiológica y la tecnología digital

La vigilancia epidemiológica a escala regional puede generar y emplear bases de datos constituidas por millones de metadatos. Superar la barrera analítica del dato parcelario fue posible con el advenimiento de tecnología digital de los 90’s. Hay tres sucesos tecnológicos que posibilitaron romper con la vigilancia parcelaria y con el uso de modelos de pronóstico locales: Desarrollo del World Wide Web (WWW), que permite la consulta de datos en cualquier parte del mundo a través de un proveedor de internet; el lenguaje de base de datos estandarizado SQL para almacenamiento de grandes volúmenes de datos multidimensionalmente estructurados y su posterior consulta 24/7 (h día-1) (p.e., Apache Derby) (Chiavegatto, 2015); y por último, el sistema operativo móvil Android®, desarrollado en programas de código abierto, que posibilitó la integración de programas (Apps) para el registro de medición de variables in situ, transferencia en tiempo real a bases de datos WWW para automatizar análisis epidemiológicos y recepción de alertas sanitarias (Guzmán-Hernández et al., 2017). La revolución digital hizo posible la integración transversal de la fitosanidad a nivel de comunidad de cultivos (p.e., especies de cítricos agrios y dulces) y plagas que interactúan en una región (p.e., CLas, CTV, Diaphorina citri, Toxoptera citricida en cítricos), viabilizando a nivel científico operar la complejidad como enfoque holístico-sistémico de respuestas epidemiológicas, y a nivel productivo concebir y medir correctamente indicadores de sustentabilidad y resiliencia. Previo a los desarrollos tecnológicos de los 90’s, el investigador debía explotar al máximo limitadas bases de datos mediante modelos programados en Fortran o Pascal ejecutados mediante tarjetas perforadas en grandes computadoras IBM o mainframe (Casacuberta, 2013). Alternativamente, bases de datos fitosanitarias creadas por la academia u organismos internacionales (p.e., FAO) se masificaron mediante dispositivos digitales asociados a gestores de datos tipo dBase pero de nula o limitada aplicación directa en modelaje.

En la actualidad, la vigilancia ‘normativa’ (i.e., VE tipo 1 y 2), la que aporta listados oficiales de plagas regionalmente presentes, análisis descriptivos y categóricos de plagas en un entorno web, tiene amplia aceptación en ONPFs y organismos regionales de protección fitosanitarios (ORPF) como NAPPO, OIRSA y EPPO, aunque con avances asimétricos (Cuadro 1). Estas instancias operan VE en concordancia con lineamientos regulatorios y de trasparencia establecidos en los Acuerdos sobre Medidas Sanitarias y Fitosanitarias de la Organización Mundial de Comercio (OMC), posteriormente formalizados y ampliados con la CIPF. Estos programas de VE cualitativos digitales varían en flexibilidad, dinamismo, interacción con el usuario, generación de reportes, etc. Metodológicamente son dependientes de protocolos de diagnóstico de plagas y de estrategias de muestreo y/o monitoreo (Carbajal-Yepez et al., 2019; Parnell et al., 2017). Consecuentemente son factibles de implementarse en el ámbito técnico de un ORPF u ONPF sin supervisión científica. En contraste, la aplicación y adopción de VE tipo 3 ha sido limitada por deficientes modelos racionales y por restricciones conceptuales, metodológicas, operativas y tecnológicas. Un SVE holístico-sistémico efectivo tipo 3 se genera a partir de la concepción interdisciplinaria de tres modelos interdependientes: A) Modelo de innovación integral entre investigación, políticas institucionales y estructuras operativas. Este permite garantizar la adopción y aplicabilidad a partir de estrategias de gestión y vinculación interinstitucionales; B) Modelo científico-tecnológico (Figura 2); y C). Modelo de integración de tecnologías digitales (Figura 3), los cuales permiten planear y aplicar tecnologías pertinentes a las necesidades científicas del SVE (Mendoza-Ramos et al., 2021; López-Bautista et al., 2020; Coria-Contreras et al., 2019; Acevedo-Sánchez et al., 2017; Mora-Aguilera et al., 2016b; Mora-Aguilera et al., 2014d). Otra limitante que debe superarse es la tendencia a emplear un marco racional analítico generalmente restringido o acotado a un subsistema del sistema epidemiológico como contexto predictor de cambios en la dinámica de plaga(s) (Figura 1). Por ejemplo, una tendencia en los últimos 20 años ha sido el énfasis en variables del subsistema clima, como temperatura, viento, humedad relativa, etc., favorecido por la disponibilidad de estaciones meteorológicas digitales y acceso público a bases de datos regionales (p.e., CONAGUA en México) y globales (NOAA) (Magarey e Isard, 2017), para el desarrollo de alertas de riesgos fitosanitarios regionales (Kim et al., 2020; Moschini et al., 2004). Este subsistema ha mostrado viabilidad en cultivos extensivos con gradientes térmicos lineales (Tsukahara et al., 2008; Moschini et al., 2004), pero en general su aplicación es inviable en agroecosistemas heterogéneos al excluir otros subsistemas asociados a sensibles procesos biológicos de las plagas (Mora-Aguilera et al., 2016a,b; Mora-Aguilera et al., 2014b) (Figura 1). Un SVE sistémico es intrínsecamente holístico. Requiere un sistema epidemiológico robusto y modelos integrativos como marco racional. La tecnología digital claramente se subordina a las necesidades y objetivos del SVE. Es la consecuencia, no el fin (Figura 4).

Figura 2  Modelo científico-tecnológico empleado en la concepción, desarrollo, validación e implementación web de un Siste ma de Vigilancia Epidemiológico (SVE) tipo 3. El modelo tiene tres ejes principales: Definición del problema (A); desarrollo de soluciones científico-tecnológicas (B); y solución integral del problema (C). El modelo genera inno vación tecnológica continua, la cual detona innovaciones institucionales y operativas complementarias requeridas para garantizar el éxito SVE. Fuente: CP-LANREF. 

Figura 3  Modelo de integración de tecnología digital aplicable a la generación y gestión web de datos de un Sistema de Vigi lancia Epidemiológico tipo 3 mediante tres elementos integrales: Diseño de aplicaciones móviles de código abierto para evaluación y registro de n-variables epidemiológicas in situ (A); diseño estructural de n-bases de datos rela cionales (B); y desarrollo de una plataforma modular web para gestión de metadatos, análisis y comunicación de riesgos (C) (Figura 4). Fuente: CP-LANREF. 

Figura 4 Modelo sistémico general de un Sistema de Vigilancia Epidemiológico tipo 3 operado por técnicos capacitados en la concepción holística-sistémica de los principios de prevención y protección aplicados al manejo de plagas. Inte gra aplicaciones móviles ad hoc para registro de datos pertinentes de campo (A) (Figura 3), su envío en tiempo real una plataforma web modular para gestión de base de datos y análisis dinámico automatizado (B), y comunicación de riesgos mediante la generación de gráficas descriptivas, indicadores epidémicos y alertas epidemiológicas apli cadas a toma de decisiones en manejo integrado regional fitosanitario sustentable (C). El modelo tiene como base racional el novel sistema epidemiológico (D) (Figura 1). Fuente: CP-LANREF. 

Estructura general de un Sistema de Vigilancia Epidemiológico tipo 3

Un SVE web en la concepción holística-sistémica, es decir un VE tipo 3, corresponde a un sistema dinámico complejo caracterizado por la interacción e interdependencia de múltiples procesos concurrentes, todos derivados a partir del marco racional del sistema epidemiológico (Figura 2-4), los cuales operan con las siguientes asunciones: 1) Todo fenómeno fitosanitario es multidimensional y posee una variabilidad multivariada altamente dinámica en tiempo y espacio. Su caracterización y cuantificación es la base del modelaje, indicadores epidémicos y desarrollo de algoritmos; 2) Requiere procedimientos planeados de retroalimentación y optimización, p.e., un diagnóstico molecular puede corregir factores de riesgo u ocurrencia de una nueva plaga implica reconfigurar algoritmos de prevalencia y módulos de análisis; 3) Involucra relaciones funcionales no lineales entre variables cuyos parámetros además son relativos en espacio-tiempo, p.e., la tasa de esporulación de H. vastatrix versus severidad no tiene una relación proporcional simple y sus parámetros estimados son dependientes de variedad de café (Coffea arabica) o factores de manejo (Mendoza-Ramos et al., 2015b); 4) Incluye mediciones cualitativas (p.e., categorías de manejo agronómico) y cuantitativas (i.e., número de hojas con lesiones de roya), lo cual diversifica las estrategias analíticas; y 5) El factor humano es parte sustancial del sistema. Directamente, aportando calidad del dato registrado en campo y en adopción de criterios de accionabilidad preventiva/protectiva; e indirectamente, en planeación de política fitosanitaria y agrícola. Debido a la complejidad intrínseca, un SVE requiere un enfoque de holístico-sistémico e idealmente un equipo interdisciplinario involucrado en procesos cíclicos de análisis y síntesis conducentes a la solución del problema (Figura 1 y 2).

Este enfoque holístico-sistémico resulta en un modelo tecnológico digital de innovación (Figura 3) (Kang et al., 2010), pero articulado a un marco racional de investigación para sustentar el desarrollo de algoritmos en la solución del problema fitosanitario (Coria-Contreras et al., 2019; Mora-Aguilera et al., 2014d; Kuang et al., 2012). La estructura general de un SVE web tiene tres componentes perfectamente diferenciados: 1) Generación de datos pertinentes de campo a través de sincronización App-Plataforma Web; 2) Sistema modular de gestión y análisis avanzados en Plataforma Web y análisis restringido en App; 3) Comunicación de alertas y riesgos. Estos componentes poseen diagramas de flujo específicos al problema fitosanitario por lo que poseen su propia estructura digital de programación y no pueden aplicarse indiscriminadamente (Figura 4). El núcleo de desarrollo implica un lenguaje de programación a nivel servidor, como PHP, complementado con otro usuario-interfaz, como JavaScript. Una plataforma debe entenderse aquí como una interfaz web específicamente diseñada y desarrollada para representar gráficamente y/o intervenir grandes bases de datos fitosanitarios a través de requerimientos específicos del usuario a partir de un conjunto automatizado de opciones propuestas para la comprensión y solución de un problema fitosanitario. Sin embargo, una plataforma web, orientada a simplificar las necesidades el usuario, representa únicamente el modelo digital operativo y no la integralidad del proceso holístico-sistémico asociados con un SVE tipo 3 que un equipo interdisciplinario de expertos supervisa y aplica mejora continua (Figura 2-4).

Aplicaciones móviles - plataformas web en la gestión del dato epidemiológico

La telefonía móvil y el desarrollo de aplicaciones (Apps) para operar en esos dispositivos ha revolucionado la VE, siendo fundamental para SVE tipo 3 en los últimos 10 años (Guzmán-Hernández et al., 2017; Aanensen et al., 2009) (Figura 3 y 4). Apps con arquitectura pertinente permiten registrar y trasferir datos en tiempo real con servicios telefónicos y equipos de bajo costo. Android®, el popular Sistema Operativo de código abierto, ha favorecido la generación e innovación de Apps acordes a necesidades específicas SVE. Sin embargo, estos desarrollos deben asegurar una adecuada integración de bases biológicas, epidemiológicas y operativas con fines funcionales. Un equipo interdisciplinario es fundamental para lograr este propósito. La tendencia creciente del empleo de Apps en VE, y en general en la fitosanidad, ha exhibido fallas aplicativas debido a que se delega su concepción al desarrollador de software.

Adicionalmente, una App puede diseñarse para fines muy específicos, p.e., evaluar severidad de enfermedad, cálculos de unidades de muestreo, georreferenciación de plagas/síntomas sospechosos, y registro de individuos trampeados (Pethybridge y Nelson, 2018; Pethybridge y Nelson, 2015). Esto conduce a la fragmentación excesiva de un problema fitosanitario en múltiples Apps, pero viables para VE tipo 1 y 2. En contraparte, una App genérica, sobrecargada de módulos y opciones puede resultar compleja e impráctica. Por otra parte, la factibilidad técnica y conceptual para desarrollar una App orientada al usuario final, sin interactividad web, proyecta una idea tecnológica simplificada. En realidad, Apps para SVE tipo 3 deben concebirse para flujo bidireccional de datos referenciados en espacio-tiempo, vinculado a un sistema web de gestión fitosanitario y múltiples usuarios acreditados para registrar y recibir información estandarizada y sincrónica hacia / desde un entorno web (Figura 3 y 4) (Guzmán-Hernández et al., 2017). Estas Apps tienen un fin epidemiológico y son más complejas conceptual y operativamente (Drew et al., 2020; Guzmán-Hernández et al., 2017). En otros casos, como en Epicollect5 3.0.3, una aplicación pionera genérica (Aanensen et al., 2009), se vinculan a un entorno web para la integración y visualización de datos, pero no permiten la incorporación de algoritmos para tomas de decisiones.

Apps para SVE tipo 3 son esenciales para registrar datos periódicos en tiempo real a partir de evaluaciones extensivas de variables asociadas al sistema epidemiológico en n-sitios/unidades productivas regionales preseleccionadas con criterios cuantitativos de inductividad, idealmente con estimaciones de error estadístico con fines de auditabilidad técnica (Acevedo-Sánchez et al., 2017; Parnell et al., 2017; Acevedo-Sánchez y Mora-Aguilera, 2016). Eventualmente, el acopio estructurado de datos articulados a una plataforma web ad hoc genera grandes volúmenes de datos los cuales son intervenidos mediante algoritmos dinámicos para generar insumos gráficos descriptivos, análisis automatizados y desarrollo de criterios de accionabilidad para toma de decisiones inherentes al objetivo(s) de un SVE. Una aplicación móvil diseñada con un enfoque epidemiológico permite también su implementación en investigación de soporte (Mendoza-Ramos et al., 2021; López-Bautista et al., 2020; Coria-Contreras et al., 2019), y en comunicación de riesgos mediante la recepción de alertas para toma de decisiones. App Alerta Café v. 2.0, disponible en Play Store, se implementó por tres años con este propósito (CP-LANREF, 2017. No Publicado). CP-LANREF generó las aplicaciones App-VEFCafe v4.7 y App-SIVEA v4.1 para SVEs de cafeto (C. arabica) y agave (Agave tequilana), respectivamente, operados oficialmente por el ONPF (SENASICA-DGSV) (Cuadro 1). Estas aplicaciones permiten el registro de un total de 79 y 71 metadatos calendarizados, totalizando 103,242,764 y 35,664,551 registros en bases de datos web durante ocho y cinco años de implementación, respectivamente. Características operativas incluyen geoposicionamiento, autenticación de usuarios, caracterización de unidades productivas, sistemas QR de identificación, y escalas de evaluación daño por plaga(s), fenología, etc., que garantizan estandarización, oportunidad, confiabilidad y representatividad regional de datos fitosanitarios y productivos del cultivo agrícola de interés. Las Apps fueron desarrolladas para el sistema operativo Android® (versión 5 o mayor para café y 6 - 8 para agave) articuladas con tecnologías web y lenguajes de programación asociadas al servidor (PHP, HTML, CSS, etc.) para generar servicios web de registro-envío de datos. Emplean bases de datos relacionales teniendo a MySQL como gestor principal. Ambas Apps se validaron extensivamente previa implementación SVE, requiriendo adecuación por compatibilidad entre sistemas móviles, verificación geográfica automática de georreferencias, recuperación de registros, historicidad local de datos, etc.

Estas Apps están desarrolladas con una estructura modular multifuncional, multivariada y multiplaga. App-SIVEA permite además generar pre-alertas epidemiológicas in situ. Los metadatos alimentan algoritmos en las plataformas PVEF-Cafeto y SIVEA para generar alertas preventivas de riesgos fitosanitarios a nivel regional y subregional para toma de decisiones. El uso de este tipo de Apps requiere entrenamiento y son de uso exclusivo para usuarios acreditados. Otras Apps, con propósitos fitosanitarios pueden ser genéricas y de uso libre. App-Monitor 4.0 de CP-LANREF se diseñó en soporte a diagnósticos epidemiológicos no extensivos. Permite configurar la escala de medición de daño y vigor de planta, evaluar hasta cinco plagas de interés y registrar la especie vegetal hospedera. Los datos generados son compatibles con formato MS Excel y son exportables desde distintas herramientas como e-mail, bluetooth y otras. Esta App también puede descargarse desde Play Store.

Después de un proceso exhaustivo de validación en condiciones reales, la tecnología digital y la investigación de soporte generada para un SVE tipo 3 debe ser trasferida al usuario final directamente en campo para asegurar calidad del dato y adopción de la filosofía holística-sistémica explicita en la innovación científica-tecnológica. Esta transferencia debe incluir el modelo de innovación operativo y el institucional/empresarial/productivo con énfasis en directrices, protocolos, roles funcionales y metas programáticas. La gestión efectiva del talento humano determina el éxito SVE web tipo 3 (Figura 2 y 3).

Aplicabilidad de algoritmos en la gestión y análisis de metadatos

SVE tipo 3 requiere la integración de estrategias cuantitativas para establecer o sustentar criterios de accionabilidad preventivos y protectivos en el manejo de plagas (Coria-Contreras et al., 2019; Acevedo-Sánchez et al., 2017; Acevedo-Sánchez and Mora-Aguilera, 2016; Mora Aguilera et al., 2015a, b; Mora-Aguilera et al., 2014e). VE tipo 1 y 2 comúnmente emplean criterios normativos cualitativos (i.e., plaga presente/ausente). En SVE web, las estrategias cuantitativas deben generar soluciones o algoritmos programables para automatizar la gestión y análisis de grandes volúmenes de datos en tiempo real. En este contexto, un programa de computo son líneas de código en un lenguaje idóneo para entorno web, como PHP, que resuelve un problema específico de visualización gráfica, generación de reportes automáticos con análisis descriptivos y cálculo de criterios de accionabilidad define un algoritmo (Figura 5A). Un enfoque intuitivo para generar algoritmos ha sido el empleo de modelos empíricos determinísticos o modelos estocásticos recurrentes en la epidemiología clásica. Por ejemplo, para resolver la interrogante: ¿Cuál es la incidencia de enfermedad-y en un tiempo-t?, se generó el siguiente algoritmo mediante un modelo estocástico o probabilístico: =20.92+0.28x 1 -0.20x 2 -0.005x 3 +0.09x 4 +0.02x 5 +0.05x 6 . Donde x 1 -x 6 son variables de clima medidas con equipo especializado (Kuang et al., 2012). En este caso, el empleo de mediciones de variables asociadas a un problema real determina el carácter empírico del modelo (Coria-Contreras et al., 2019; Coria-Contreras et al., 2015b), en oposición a un modelo teórico, el cual se basa en asunciones preconcebidas (Parnell et al., 2017). La estimación de parámetros (i.e., 20.92, 0.28, etc.) con supuestos estadísticos establece su carácter estocástico. Con un SVE sistémico basado en grandes volúmenes de datos se requiere además de este tipo de algoritmos numéricos, un conjunto de algoritmos relacionales, es decir aquellos que permiten relacionar categorías de metadatos para gestión de grandes bases de datos (Mora-Aguilera et al., 2014d)

Figura 5 Programación web en PHP de un algoritmo numérico dinámico para el cálculo del número de horas favorables (Hf) para la germinación de esporas de H. vastatrix aplicable en alertas tempranas de focos regionales de roya del cafeto. La sección enmarcada hace referencia al código de programación específico a la función numérica del recuadro azul (A). Actividad estomática y temperatura foliar en C. arabica var. Caturra empleada para definir el rango de horas (h)(0-8:30) de estoma abierto para contabilizar horas de temperatura (°C) y humedad relativa (HR) aptas para la germinación (B). Ciclo de patogénesis de H. vastatrix. El recuadro punteado rojo indica la fase seleccionada para estimar riesgos de infección (C). 

La gestión efectiva de datos mediante opciones multi-criterio definidas por el usuario adquiere una poderosa relevancia en la visualización de interrelaciones entre variables asociadas al sistema epidemiológico y su efecto en cambios de intensidad de plaga en tiempo y espacio. La trasferencia de SVE web a usuarios con diferente perfil técnico ha demostrado que los algoritmos relacionales permiten la fácil comprensión de interrelaciones funcionales entre variables y aporta bases epidemiológicas para entender los criterios de accionabilidad (CP-LAREF. No publicado). Por ejemplo, observar gráficamente la progresión numérica de hojas jóvenes de cafeto (subsistema Planta) respecto al número de hojas con lesiones causadas por H. vastatrix (subsistema Patógeno), permite entender la relación tejido susceptible con disponibilidad de inóculo para desencadenar un proceso infectivo. Los algoritmos que posibilitan esto son predominantemente relacionales y están condicionados a la pertinente y planeada selección de variables, frecuencia y distribución espacial de mediciones. Líneas de investigación de soporte SVE proporcionan esta de información (Mendoza-Ramos et al., 2021; López-Bautista et al., 2020; Acevedo-Sánchez and Mora-Aguilera. 2016; Mora-Aguilera et al., 2016b; Mendoza-Ramos et al., 2015a, b). Lógicamente, un algoritmo numérico también debe programarse para automatizar reglas de decisión en un entorno web. Pero su origen y concepción fue parte de una modelación cuantitativa (Coria-Contreras et al., 2019; Kuang et al., 2012).

Este tipo de algoritmos son críticos en la automatización de un SVE debido a su vinculación directa con el criterio(s) de accionabilidad o de alerta temprana. Notar que el dato de campo, aún más acentuado por su transferencia en tiempo real con SVE Apps, es dinámico por su propia naturaleza. Pero esto no es necesariamente expresado por un algoritmo numérico. Estos pueden ser dinámicos o estáticos en cuanto a su estructura numérica o al cálculo de parámetros. Un algoritmo numérico dinámico o ‘inteligente’ se basa principalmente en índices epidémicos los cuales son deseables por su sensibilidad para detectar cambios espacio-temporales sin depender de parámetros absolutos, como es el caso de un algoritmo numérico estático. Estos generalmente tienen una aplicación local y temporalmente restringida (i.e., β i de un modelo como el previamente descrito de la forma = β o + β i x i + ε). En el SVE para cafeto se programaron un total de 20 algoritmos basados en índices e indicadores epidémicos (CP-LANREF, No Publicado). Por ejemplo, el algoritmo para el cálculo número horas favorables para la infección de H. vastatrix se basó en temperatura (20-22 °C) y humedad relativa (> 90%) específicas exhibidas entre las 0:00 y 8:30 am (Santana-Peñaloza et al., 2015) (Figura 5). Estas condiciones constituyen rangos funcionales biológicos asociados a germinación de esporas y penetración estomática del hongo, eventos ‘tempranos’ de la patogénesis aptos con fines de alertas respecto a riesgos de infección (Figura 5B, C). La comprensión mecanística de este proceso implicó determinar el ciclo de patogénesis complementado con expansión de lesión / densidad de uredosporas en diferentes variedades de cafeto y régimen térmicos (Figura 5C). Adicionalmente, se realizaron estudios con microscopia electrónica de barrido (JSM 6390) y compuesto (40x Carl Zeiss) para conocer la morfología aerodinámica de la uresdospora, su proceso germinativo y la densidad estomática en material vegetal de campo (Figura 5B). Así, la Figura 5B muestra, en cortes foliares transversales de C. arabica var. Bourbon, la penetración estomática del tubo germinativo del hongo. La gráfica exhibe las horas efectivas de apertura estomática determinadas en var. Caturra (Handheld SC-1 Leaf Porometer) en hojas jóvenes (línea azul), maduras (verde) y viejas (rojo) con el fin de precisar la edad foliar más receptiva a la penetración / infección (CP-LANREF. No Publicado). Este tipo de investigación demuestra el fundamento científico requerido para sustentar un algoritmo de accionabilidad. El SVE holístico-sistémico no puede ser intuitivo y demanda investigación acorde a la realidad regional dónde éste será implementado. El resultado automático de este algoritmo se muestra gráficamente en la interfaz web PVEF-Cafeto en la siguiente sección.

PVEF-Cafeto no incluyó ningún algoritmo desarrollado con modelos epidemiológicos clásicos o modelos probabilísticos generales, basados por ejemplo en la tendencia temporal de incidencia (Mora-Aguilera et al., 2016b; Mora-Aguilera et al., 2015a; Mora-Aguilera et al., 2014e). En contraste, en SVE para agave se programaron algoritmos sub-regionales obtenidos a partir de exhaustivos análisis de datos históricos regionales (2016-2019) mediante modelos de regresión múltiple ajustados con SAS (Statistical Analyses System), para el cálculo de infestaciones de picudo del agave (Scyphophorus acupunctatus, Coleoptera: Curculionidade). La racionalidad de estos modelos estocásticos fue la estabilidad temporal de picos poblacionales y la fuerte dispersión local (CP-LANREF. No publicado). Consecuentemente, este enfoque no es recomendable para plagas muy sensibles a variaciones del sistema epidemiológico como en H. vastatrix - C. arabica (Coria-Contreras et al., 2015b). Operativamente, el ajuste estadístico de éstos modelos puede realizarse directamente en módulos web especiales, lo cual permite dinamizar el recalculo temporal de estos algoritmos (Kuang et al., 2012). Al igual que en SVE cafeto, en agave también se incluyeron algoritmos numéricos dinámicos. Consecuentemente, un SVE web no es restrictivo en tipo y número de algoritmos. Estos dependen de la complejidad sistémica del problema fitosanitario (Figura 2). Otro tipo de algoritmos con gran potencial aplicativo en SVE web, principalmente con datos masivos, se basan en aprendizaje automatizado con dos principales tendencias: máquinas de vector soporte y red neuronal artificial (Kaundal et al., 2006). Sin embargo, estos algoritmos se han limitado y orientado principalmente al diagnóstico de enfermedades y evaluación de severidad foliar (Golhani et al., 2018; Ma et al., 2018).

En la concepción holística-sistémica, un SVE web puede ser concebido como un sistema complejo de modelación - programación dinámica donde tiempo y espacio están incluidos en los cálculos intrínsecos de n-algoritmos numéricos y n-relacionales permitiendo comprender y analizar interacciones entre variables y subsistemas del sistema epidemiológico, además de la generación automática de alertas tempranas de riesgo o pronósticos para tomas de decisiones regionales (Figura 1, 4 y 5).

Sistema de Vigilancia Epidemiológico tipo 3 aplicado a la roya del cafeto

Incremento epidémico de Hemileia vastatrix . El agente causal de la roya del cafeto, H. vastatrix, se detectó en los 80´s en México. El hongo se estableció en zonas cafetaleras a nivel subendémico sin consecuencias económicas (SENASICA, 2016). Sin embargo, entre 2007 y 2012, el incremento de intensidad epidémica en Centroamérica y sureste de México alertó al sector productivo cafetalero y ONPFs. En 2012, un diagnóstico epidemiológico regional evidenció el riesgo socioeconómico debido a la distribución, incidencia y severidad de la enfermedad; inventario predominante de variedades de Coffea arabica susceptibles al hongo; y plantaciones envejecidas con edad superior a 20 años con limitado manejo agronómico en un estimado de 639 000 ha (SIAP, 2018; Acevedo-Sánchez et al., 2015). Con este sustento, la Dirección General de Sanidad Vegetal (DGSV) y el Laboratorio de Análisis de Riesgo Epidemiológico Fitosanitario del COLPOS (CP-LANREF) concibieron un SVE tipo 3 en interfaz web, el cual se denominó Programa de Vigilancia Epidemiológico Fitosanitario del Cafeto (PVEF-Cafeto). El Programa se estableció en 2013 con una estrategia de cobertura gradual a la totalidad de zonas cafetaleras (Mora-Aguilera et al., 2014d). Los objetivos del PVEF-Cafeto fueron: A) Desarrollar un SVE que permitiera conocer con precisión y en tiempo real el estatus epidémico de la roya del cafeto, inductividad climática, dinámica fenológica y manejo productivo; B) Generar modelos regionales de alertas de riesgo epidémico e indicadores epidemiológicos para diseñar estrategias de accionabilidad preventiva y protectiva orientadas a tomadores de decisión a niveles federal, estatal y productivo; y C) Incorporar gradualmente n-plagas del cafeto de importancia cuarentenaria y económica para sustentar un modelo holístico-sistémico fitosanitario con la planta (cultivo) como eje integrador de un novel sistema epidemiológico.

Características del PVEF-Cafeto. El PVEF-Cafeto es un SVE web tipo 3, diseñado para automatizar procesos de gestión, análisis y comunicación de riesgos en un entorno Web (Coria-Contreras et al., 2015a; Mora-Aguilera et al., 2015a, b; Mora-Aguilera et al., 2014d). El paradigma clásico del monitoreo de plagas específicas se transformó a uno integrador holístico-sistémico con base en un sistema epidemiológico con el cultivo como eje central del proceso productivo y fitosanitario (Figura 1 y 6). El SVE se concibió para mitigar el impacto potencial de la roya de cafeto con acciones regionales predominantemente preventivas. La arquitectura web del PVEF-Cafeto es multimodular con interfaces de acceso público y privado (Figuras 7 y 8).

Acceso web público y privado. La interfaz pública trasparenta el estatus operativo de la vigilancia en tiempo real (Figura 7A) y la condición epidémica de la roya por medio de reportes oficiales y alertas fitosanitarias semanales (Figura 7B). Similarmente, pueden consultarse libremente protocolos, videos metodológicos y manuales operativos. Esto posibilita auditorias de carácter técnico y la eventual armonización del SVE con otros ONPF (Figura 7C). La interfaz privada permite a usuarios acreditados visualizar mapas y gráficas subregionales automáticas con el mayor riesgo epidémico en un periodo-i o configurar consultas específicas que generan gráficas espaciales y/o temporales.

Instrumentos de Vigilancia en la sección privada: Mapas. La Figura 8 ilustra el módulo de Instrumentos de Vigilancia, el cual automáticamente muestra espacialmente la Condición Fitosanitaria de Veracruz, uno de los estados cafetaleros mexicanos más importantes, con divisiones municipales coloreados por nivel de daño, causado por la roya del cafeto en una escala de 0 - 70% (Clases) (Figura 8A). Ausencia de color naranja o rojo indica que no existen subregiones que requieran acciones de mitigación al estatus actual del ciclo productivo ya que el rango de severidad promedio máximo es de 4 - 15% (amarillo). Áreas que requieren y realizan mitigación para roya se pueden visualizar en la opción Arcos (Áreas Regionales de Control). El recuadro derecho es un selector de plaga que cambia concordantemente el mapa (Figura 8A). Otras opciones personalizadas se muestran en menú superior.

Figura 6 Subsistemas Planta - Plaga asociado a PVEF-Cafeto (Figura 7). La Planta de cafeto constituye el eje de integración fitosanitaria y es el centro del novel Sistema Epidemiológico propuesto para SVE tipo 3 (Figura 1). Línea punteada exterior azul resalta las plagas de importancia cuarentenaria de interés para México. La línea punteada negra des taca plagas prevalentes de importancia económica. PVEF-Cafeto permite vigilar cambios de intensidad epidémica / incursión de patógenos, nematodos, insectos y ácaros acorde con el enfoque SVE holístico- sistémico aplicado a la prevencion y protección de plagas. 

Figura 7 Interfaz web para visualizar información de interés público del Programa de Vigilancia Epidemiológico del Cafe to (PVEF-Cafeto). Sección de representación del estatus en tiempo real del muestreo (puntos azules) y monitoreo (puntos rojos) sincrónico de plagas del cafeto (Figura 6). El usuario puede personalizar el mapa con opciones del menú ‘Mas +’ (A). Sección de consulta de comunicación de riesgos: Boletines epidemiológicos y Alertas fitosani tarias. En recuadro inferior se indican algunos elementos informativos dinámicos de tipo operativo, metodológico y fitosanitario (B). Sección especializada para personal responsable del muestreo y monitoreo en campo, oficiales ONPF e investigadores acreditados (C).  

Figura 8 Interfaz web para consulta privada de módulos avanzados de análisis epidemiológicos automatizados en PVEF-Cafeto. Se visualiza el módulo de Instrumentos de Vigilancia. Sección espacial con Opciones de Consulta personali zada espacio-tiempo, tipo de plaga y escala de daño para generar mapas estatales o nacionales de riesgo-prevalen cia (A). Sección temporal con Opciones de Consulta análogas (B) y Sección temporal de monitoreo climático para cálculo de algoritmos de inductividad (C), (Figura 5). Otras explicaciones generales del menú superior en Figura 7. 

Instrumentos de Vigilancia en la sección privada: Dinámicas temporales. En la Figura 8B, automáticamente se muestran los municipios de Veracruz más inductivos a la roya del cafeto (Tepetlán, Teocelo y Altotonga) al avance del ciclo productivo actual con trazabilidad temporal a ciclos previos (2016-2021). Las barras rojas del recuadro inferior representan a intervalo semanal/mensual el número de horas favorables (HF) para infección de H. vastatrix asociado al proceso epidémico del municipio más inductivo (Teocelo) (Figura 8C), calculados automáticamente con un algoritmo numérico dinámico (Figura 5). Bajo las barras HF, líneas continuas (azul) de temperatura y humedad relativa pueden opcionalmente mostrarse. Estos insumos climáticos son generados a partir de sensores a nivel de plantaciones de café estratégicamente distribuidos en una subregión. Elipses y flechas roja sobrepuestas representan la asociación exploratoria del efecto diferencial inductivo epidémico de un intervalo sostenido de HF entre mayo-septiembre con un incremento de severidad de roya en Teocelo entre mitad de agosto y finales de diciembre (nivel máximo) en tres ciclos productivos de café. El desfasamiento de tiempo representa el efecto del periodo de incubación y latencia (lag) en la infección del hongo (Figura 5). Los datos y gráficas pueden ser exportables para generar reportes personalizados.

Algoritmos analíticos. Los análisis descriptivos son generados automáticamente con algoritmos relacionales y permiten realizar diagnósticos epidemiológicos en línea y elaborar reportes avanzados. Las alertas a roya, a intervalos semanales, tienen como propósito determinar riesgos diferenciados, a nivel municipio, en la conformación de focos regionales; tipificar el proceso epidémico como foco temprano o tardío, y epidemia activa (dispersión regional); y definir los criterios de accionabilidad para mitigación con productos preventivos y/o protectivos previamente evaluados en campo (Mendoza-Ramos et al., 2015b). Estos análisis de riesgo, también automatizados, se generan con algoritmos cuantitativos dinámicos (Figura 5).

Innovación continua. PVEF-cafeto, en concordancia con un SVE tipo 3, tuvo un desarrollo de innovación científica-tecnológica dinámica y continua. Así, por ejemplo, se realizaron adecuaciones de algoritmos para gradual integración de 10 plagas de importancia económica y nueve cuarentenarias para vigilar un total de 19 plagas (Figura 6); se integró un módulo de monitoreo regional de la resistencia varietal a H. vastatrix; y se optimizó el módulo para cálculo de horas favorables de inductividad climática de n-plagas insectiles como la broca del cafeto Hypothenemus hampei (Coleoptera: Scolytinae). Estas plagas también pueden ser analizadas en línea con criterios análogos a la roya. La condición multiplaga de PVEF-cafeto confirió integralidad tecnológica, optimizó recursos generales y fue altamente efectivo en trazabilidad de riesgos fitosanitarios.

Implementación y operatividad. PVEF-Cafeto operó de 2013 a 2019 mediante personal técnico debidamente capacitado de Comités Estatales de Sanidad Vegetal (CESV), entidad coadyuvante del ONPF. Finalizó una vez que se logró mitigar regionalmente el problema de roya del cafeto en 11 entidades productoras de café, pero conserva sus bases de datos históricas en servidor web. Incluyó un total de 240 municipios seleccionados con criterios de inductividad epidémica (Acevedo-Sánchez y Mora-Aguilera 2016), los cuales representaron el 85% de la superficie cafetalera del país. El manejo de focos regionales de la roya mostró su efectividad al reducir gradualmente severidad foliar y prevalencia respecto al brote 2013 (Acevedo-Sánchez et al., 2015), lográndose desde 2017 niveles de baja intensidad epidémica. Así, el promedio estatal en junio 2017 exhibió 8% de severidad en planta y 5% de severidad foliar. Subregionalmente (municipal), se tuvo un 20% (±8%) de severidad en planta promedio y 6% (±3%) de severidad foliar. Las tendencias epidémicas de los municipios más inductivos, en general se mantuvieron constantes con niveles bajos (Severidad < 5%). Ninguna plaga adicional tuvo niveles de riesgo accionables y no se detectaron plagas de interés cuarentenario durante el periodo referido. Sin embargo, la arquitectura digital y modelo operativo de PVEF-Cafeto permite su rápida reactivación (1-3 meses) ante una emergencia fitosanitaria. Así, del ciclo productivo 2020 al presente, PVEF-Cafeto opera con fines preventivos en Veracruz con 12 técnicos adscritos al CESV y con soporte técnico-científico de CP-LANREF. El PVEF-cafeto posee un gran volumen de datos fitosanitarios con 15,773,140 registros provenientes de 199,660 evaluaciones de campo, incluyendo daño de plagas, fenología y manejo agronómico, a intervalos semanales y quincenales; y 87,469,624 registros climáticos provenientes de sensores de Temperatura / HR establecidos in situ. Este ‘big-data’ estructurado es base para la gestión fitosanitaria en tiempo-espacio, establecer criterios de accionabilidad y generar alertas fitosanitarias a diferentes horizontes de tiempo (Figura 7 y 8). PVEF-Cafeto fue premiado por su innovación técnico-científica por el Consejo Nacional de Ciencia y Tecnología de México, CONACYT (INNOVATIS, 2018), y por el Instituto Interamericano de Cooperación para la Agricultura, IICA (INNOVAGRO, 2016).

Perspectivas

La vigilancia epidemiológica, en su concepción holística-sistémica, representa el futuro de la fitosanidad aplicada a la mitigación de riesgos. La velocidad de procesos epidémicos a nivel global ha escalado en tiempo y espacio. Los manejos parcelarios clásicos son cada vez menos eficientes y rentables en términos ambientales y de activos productivos obligando a la búsqueda de estrategias regionales. La movilidad e incremento de carga de plagas por la actividad productiva y comercial, trasiego humano, variabilidad y cambio climático (Mendoza-Ramos et al., 2021; López-Bautista et al., 2020; Carbajal-Yepez et al., 2019; Parnell et al., 2017; Mora-Aguilera et al., 2014a, b, c); así como la exigencia social por una producción inocua de alimentos, menor huella de carbono y trazabilidad del impacto ambiental constituirán el complejo marco operativo de la fitosanidad. Los SVE tipo 3 base web, por su concepción holística-sistémica, soporte en algoritmos de decisión y propósito predominantemente preventivo, constituye la opción más idónea para enfrentar estos retos. La vigilancia epidemiológica tipo 1 y 2 seguirá vigente, pero con impacto acotado al marco normativo. Claramente, los avances de la tecnología digital han revolucionado la adquisición, manejo y uso de datos fitosanitarios posibilitando el desarrollo e implementación de SVE web aplicados al manejo regional de riesgos fitosanitarios (Coria-Contreras et al., 2019; Mora aguilera et al., 2014d). La optimización, armonización e indicadores de calidad de todos los procesos intrínsecos a un SVE integral son igualmente factibles (Acevedo-Sánchez et al., 2017; Guzmán-Hernández et al., 2017). Las perspectivas estarán, sin embargo, acotadas por visiones científicas clásicas, modelos productivos fragmentados y políticas fitosanitarias tradiciones. La adopción de nuevos paradigmas fitosanitarios y la innovación científica-tecnológica determinarán el futuro de la VE. Por ejemplo, la epidemiologia clásica enfocada a estudios en unidades productivas parcelarias; adopción del triángulo o tetraedro epidemiológico; y la concepción del daño dependiente únicamente de procesos infecciosos, constituyen premisas restrictivas. No compatibles con SVE enfocados a la salud de cultivos en el amplio sentido productivo.

Conclusiones

En 1975, Krause y colaboradores predijeron que: ‘The future in plant disease prediction will perhaps be centralized national, regional, or state facilities, equipped with data processing machinery linked to remote data acquisition units. These facilities could monitor environmental parameters and process data for diseases, pests, and growing conditions on many crops. Such a network could make disease predictions, issue warnings, and perhaps make definitive disease control recommendations as they are necessary’. Incentivada por la revolución digital, esta previsión ha quedado claramente demostrada. Casos exitosos de SVE tipo 3 base web operados por ONPFs, ORPFs y asociaciones de productores han mostrado la asertividad de un manejo fitosanitario digital escalado en espacio. Sin embargo, aún prevalecen fuertes retos de innovación científica-tecnológica con marcos normativos y operativos pertinentes. Por su naturaleza sistémica y preventiva, un SVE tipo 3 enfatiza la salud del cultivo bajo un enfoque sustentable y resiliente. El principio de protección, entendido con el enfoque clásico de intervenir una epidemia para disminuir su intensidad, i.e., su tasa epidémica, queda subordinado al principio preventivo optimizado mediante umbrales económico-biológicos de decisión. La tecnología digital es un fuerte componente de innovación, pero no define el éxito de un Programa de Vigilancia Epidemiológico. La concepción epidemiológica holística-sistémica del problema fitosanitario enfocado a la salud del cultivo, comprendido y validado en el campo por equipos interdisciplinarios, determina la aplicabilidad y pertinencia de un SVE integral.

Agradecimientos

A la Dirección General de Sanidad Vegetal del SENASICA por el apoyo financiero para desarrollar y aportar el sustento técnico-científico de PVEF-Cafeto. Al personal técnico de Comités Estatales de Sanidad Vegetal de Chiapas, Puebla, Veracruz, SLP, Guerrero, Colima, Nayarit, Oaxaca, Hidalgo, Querétaro, Jalisco y Edo. de México, por su profesionalismo y compromiso en la operación del PVEF-Cafeto. Por la asistencia en traducción al inglés a Miranda Mora. A productores de café que sin restricción permitieron el acceso a sus predios. A COLPOS por el soporte para la ejecución del proyecto PVEF-Cafeto.

Literatura citada

Aanensen DM, Huntley DM, Feil EJ, al-Own FA and Spratt BG. 2009. EpiCollect: Linking smartphones to web applications for epidemiology, ecology and community data collection. Plos one 4(9): e6968. https://doi.org/10.1371/journal.pone.0006968 [ Links ]

Acevedo-Sánchez G, Santana-Peñaloza B, López-Bautista V, Martínez-Bustamante V, Coria-Contreras J, Mendoza-Ramos C, Jiménez-González L y Mora-Aguilera G. 2017. Criterios epidemiológicos para implementar una red de monitoreo de enfermedades causadas por Fusarium spp. en regiones agaveras de Jalisco. Revista Mexicana de Fitopatología 35S: 176-177. http://rmf.smf.org.mx/suple­mento/Suplemento352017.htmlLinks ]

Acevedo-Sánchez G y Mora-Aguilera G. 2016. Desarrollo de REG-N Café v1.0 para determinar n-sitios de monitoreo-muestreo regional de roya del cafeto en México usando criterios epidemiológicos ponderados. In. 49º Congresso Brasileiro de Fitopatologia. 29 agosto-01 septiembre. Alagoas, Maceio, Brasil. [ Links ]

Acevedo-Sánchez G, Mora-Aguilera G, Coria-Contreras JJ, López-Muratalla Y, González-Gómez R y López-Buenfil A. 2015. Vulnerabilidad epidemiológica, productiva y socioeconómica en la cadena productiva del cafeto en Chiapas, Veracruz y Puebla. Revista Mexicana de Fitopatología 33S: 120. http://rmf.smf.org.mx/suplemento/Suplemento332015.htmlLinks ]

Carvajal-Yepes M, Cardwell K, Nelson A, Garrett KA, Giovani B, Saunders DGO, Kamoun S, Legg JP, Verdier V, Lessel J, Neher RA, Day R, Pardey P, Gullino ML, Records AR, Bextine B, Leach JE, Staiger S and Tohme J. 2019. A global surveillance system for crop diseases. Science 364(6447): 1237-1239. https://doi.org/10.1126/science.aaw1572 [ Links ]

Casacuberta D. 2013. Innovación, big data y epidemiología. Revista Iberoamericana de Argumentación 7: 1-12. https://revistas.uam.es/ria/article/view/8176/8515Links ]

Chiavegatto ADP. 2015. Uso de big data em saúde no Brasil: perspectivas para um futuro próximo. Epidemiologia e Serviços de Saúde 24(2): 325-332. https://doi.org/10.5123/S1679-49742015000200015 [ Links ]

Coakley SM, McDaniel LR and Shaner G. 1985. Model for predicting severity of Septoria tritici blotch on winter wheat. Phytopathology 75: 1245-1251. https://www.apsnet.org/publications/phytopathology/backissues/Documents/1985Articles/Phyto75n11_1245.PDFLinks ]

Coria-Contreras JJ, Mora-Aguilera G, Yañez-Morales MJ, Acevedo-Sánchez G, Santana-Peñaloza B, Mendoza-Ramos C, Jiménez-González L, Martínez-Bustamante VI, García-Martínez DC and Rubio-Cortés R. 2019. Applied regional epidemiology to inductive characterization and forecasting of blue agave gray spot (Cercospora agavicola) in Jalisco, Mexico. Mexican Journal of Phytopathology 37(1): 71-94. http://doi.org/10.18781/R.MEX.FIT.1809-4 [ Links ]

Coria-Contreras JJ, Acevedo-Sánchez G, Mendoza-Ramos C, Jiménez-González L y Mora-Aguilera G. 2015a. APLI-K v1.0: Sistema automatizado para la planeación de aplicación de productos químicos contra roya del cafeto (Hemileia vastatrix). Revista Mexicana de Fitopatología 33S: 121. https://www.smf.org.mx/rmf/suplemento/docs/Volumen332015/Suplemento332015FULL.pdfLinks ]

Coria-Contreras JJ, Acevedo-Sánchez G, Mora-Aguilera G y Martínez-Bolaños M. 2015b. Modelos de pronóstico de ocurrencia regional de la roya del cafeto (Hemileia vastatrix) en el Soconusco Chiapas. Revista Mexicana de Fitopatología 33S: 121. https://www.smf.org.mx/rmf/suplemento/docs/Volumen332015/Suplemento332015FULL.pdfLinks ]

De Wolf ED and Isard SA. 2007. Disease cycle approach to plant disease prediction. Annual Review of Phytopathology 45: 203-220. https://doi.org/10.1146/annurev.phyto.44.070505.143329 [ Links ]

Drew DA, Nguyen LH, Steves CJ, Menni C, Freydin M, Varsavsky T, Sudre CH, Cardoso MJ, Ourselin S, Wolf J, Spector TD, Chan AT and Consortium C. 2020. Rapid implementation of mobile technology for real-time epidemiology of COVID-19. Science 368: 1362-1367. https://doi.org/10.1126/science.abc0473 [ Links ]

Firanj Sremac A, Lalić B, Marčić M and Dekić L. 2018. Toward a weather-based forecasting system for fire blight and downy mildew. Atmosphere 9(12): 1-17. https://doi.org/10.3390/atmos9120484 [ Links ]

Flores-Sánchez JL, Mora-Aguilera G, Loeza-Kukc E, López-Arroyo JI, Gutiérrez-Espinosa MA, Velázquez-Monreal JJ, Domínguez-Monge S, Bassanezi RB, Acevedo-Sánchez G and Robles-García P. 2017. Diffusion model for describing the regional spread of Huanlongbing from first-reported outbreaks and basing an area wide disease management strategy. Plant Disease 101: 1119-112. https://doi.org/10.1094/PDIS-04-16-0418-RE [ Links ]

Golhani K, Balasundram SK, Vadamalai G and Pradhan B. 2018. A review of neural networks in plant disease detection using hyperspectral data. Information Processing in Agriculture 5(3): 354-37. https://doi.org/10.1016/j.inpa.2018.05.002 [ Links ]

Guzmán-Hernández E, Flores-Colorado O, Acevedo-Sánchez G, Mora-Aguilera G, López-Javier MA y González-Gómez R. 2017. Apps como herramientas de soporte epidemiológico aplicado a sistemas regionales de vigilancia epidemiológica. Revista Mexicana de Fitopatología 35S: 184. https://www.smf.org.mx/rmf/suplemento/docs/Volumen352017/VOLUMEN_35_SUPLEMENTO_2017.pdfLinks ]

Huber L and Gillespie TJ. 1992. Modeling leaf wetness in relation to plant disease epidemiology. Annual Review of Phytopathology 30: 553-577. https://www.annualreviews.org/doi/pdf/10.1146/annurev.py.30.090192.003005Links ]

Kang WS, Hong SS, Han YK, Kim KR, Kim SG and Park EW. 2010. A web-based information system for plant disease forecast based on weather data at high spatial resolution. The Plant Pathology Journal 26(1): 37-48. https://doi.org/10.5423/PPJ.2010.26.1.037 [ Links ]

Kaundal R, Kapoor AS and Raghava GPS. 2006. Machine learning techniques in disease forecasting: a case study on rice blast prediction. BMC Bioinformatics 7:485. https://doi.org/10.1186/1471-2105-7-485 [ Links ]

Kim HS, Do KS, Park JH, Kang WS, Lee YH and Park EW. 2020. Application of numerical weather prediction data to estimate infection risk of bacterial grain rot of rice in Korea. Plant Pathology Journal 36(1): 54-66. https://doi.org/10.5423/PPJ.OA.11.2019.0281 [ Links ]

Krause RA, Massie LB and Hyre RA. 1975. Blitecast: a computer forecast of potato late blight. Plant Disease Reporter 59(2): 95-98. https://babel.hathitrust.org/cgi/pt?id=chi.23661187&view=1up&seq=112Links ]

Kuang W, Liu W, Ma Z and Wang H. 2012. Development of a web-based prediction system for wheat stripe rust. Pp. 324-335. In: 6th Computer and Computing Technologies in Agriculture (CCTA), Oct 2012, Zhangjiajie, China. https://hal.inria.fr/hal-01348115/documentLinks ]

López-Bautista V, Mora-Aguilera G, Gutiérrez-Espinosa MA, Mendoza-Ramos C, Martínez-Bustamante VI, Coria-Contreras JJ, Acevedo-Sánchez G and Santana-Peñaloza B. 2020. Morphological and molecular characterization of Fusarium spp. associated to the regional occurrence of wilt and dry bud rot in Agave tequilana. Mexican Journal of Phytopathology 38(1): 79-106. http://www.scielo.org.mx/scielo.php?pid=S0185-33092020000100105&script=sci_arttext&tlng=enLinks ]

Ma J, Du K, Zheng F, Zhang L, Gong Z and Sun Z. 2018. A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network. Computers and Electronics in Agriculture 154: 18-24. https://doi.org/10.1016/j.compag.2018.08.048 [ Links ]

Madden L, Pennypacker SP and MacNab AA. 1978. FAST, a forecast system for Alternaria solani on tomato. Phytopathology 68: 1354-1358. https://www.apsnet.org/publications/phytopathology/backissues/Documents/1978Articles/Phyto68n09_1354.pdfLinks ]

Magarey RD and Isard SA. 2017. A Troubleshooting guide for mechanistic plant pest forecast models. Journal of Integrated Pest Management 8(1): 1-7 https://doi.org/10.1093/jipm/pmw015 [ Links ]

Mendoza-Ramos C, Mora-Aguilera G, Coria-Contreras JJ, Santana-Peñaloza B, Acevedo-Sánchez G, Martínez-Bustamante V, Gutiérrez-Espinosa MA and Rubio-Cortés R. 2021. Fusarium spp. and inoculum load estimation associated to commercial Agave tequilana offsets at different regional epidemic inductivity levels. Mexican Journal of Phytopathology 39(1): 94-121. http://www.scielo.org.mx/pdf/rmfi/v39n1/2007-8080-rmfi-39-01-94-en.pdfLinks ]

Mendoza-Ramos C, Jiménez-González L, Coria-Contreras JJ, Acevedo-Sánchez G y Mora-Aguilera G. 2015a. Comportamiento aerobiológico de esporas de Hemileia vastatrix en la región nororiental de Puebla-Veracruz. Revista Mexicana de Fitopatología 33S: 238. https://www.smf.org.mx/rmf/suplemento/docs/Volumen332015/Suplemento332015FULL.pdfLinks ]

Mendoza-Ramos C, Jiménez-González LR, Coria-Contreras JJ, Acevedo-Sánchez G, Santana-Peñaloza B, Martínez-Bolaños M y Mora-Aguilera G. 2015b. Efecto de ingrediente activo y dosis en la esporulación y expansión de lesión de Hemileia vastatrix. Revista Mexicana de Fitopatología 33S: 135. https://www.smf.org.mx/rmf/suplemento/docs/Volumen332015/Suplemento332015FULL.pdfLinks ]

Mora-Aguilera G, Cortez-Madrigal H and Acevedo-Sánchez G. 2017. Epidemiology of entomopathogens: Basis for rational use of microbial control of insects. Southwestern Entomologist 42(1): 153-169. https://doi.org/10.3958/059.042.0116 [ Links ]

Mora-Aguilera G, Acevedo-Sánchez G, Guzmán-Hernández E, Coria-Contreras JJ, Mendoza-Ramos C, Jiménez-González L, Santana-Peñaloza B, González-Gómez R, López-Buenfil A, López-Javier M y Carranza P. 2016a. Criterios epidemiológicos de accionabilidad regional para control de la roya del cafeto en México. Revista Mexicana de Fitopatología 34S: 23. https://www.smf.org.mx/rmf/suplemento/docs/Volumen342016/Suplemento_34_2016.pdfLinks ]

Mora-Aguilera G, Coria-Contreras JJ, Martínez-Bolaños M, Acevedo-Sánchez G y Santana-Peñaloza B. 2016b. Gradientes regionales de dispersión de la roya del cafeto (Hemileia vastatrix) en el Soconusco, Chiapas, México. In. 49º Congresso Brasileiro de Fitopatología. 29 agosto - 01 septiembre. Alagoas, Maceio, Brasil. [ Links ]

Mora-Aguilera G, Acevedo-Sánchez G, Coria-Contreras J, González-Gómez R, López-Buenfil A y Javier-López MA. 2015a. Alertas tempranas regionales para manejo de focos de roya del cafeto en México. Revista Mexicana de Fitopatología 33S: 64. http://rmf.smf.org.mx/suplemento/Suplemento332015.htmlLinks ]

Mora-Aguilera G, Acevedo-Sánchez G, Coria-Contreras JJ, López-Muratalla Y, López-Buenfil A y González-Gómez R. 2015b. C@FE-RISK v1.0: Simulador de riesgos regionales fitosanitarios, epidemiológicos y productivos en la cadena productiva del café en México. Revista Mexicana de Fitopatología 33S: 119. http://rmf.smf.org.mx/suplemento/Suplemento332015.htmlLinks ]

Mora-Aguilera G, Acevedo-Sánchez G, Calderón-Estrada G, Flores-Sánchez J, Domínguez-Monje S, Baker P and González-Gómez R. 2014a. Epidemiological considerations of climate change on tropical crops health. Mexican Journal of Phytopathology 32(2): 147-167. http://www.scielo.org.mx/scielo.php?pid=S0185-33092014000200147&script=sci_arttext&tlng=enLinks ]

Mora-Aguilera G, Flores-Sánchez F, Acevedo-Sánchez G, Domínguez-Monge S, Oropeza-Salin C, Flores-Olivas A, González-Gómez R and Robles-García P. 2014b. Epidemiological surveillance and current status of coconut lethal yellowing, potato purple top and citrus huanglongbing (HLB) in Mexico. Mexican Journal of Phytopathology 32(2): 120-131. https://www.researchgate.net/publication/300533174_Epidemiological_Surveillance_and_Current_Status_of_Coconut_Lethal_Yellowing_Potato_Purple_Top_and_Citrus_Huanglongbing_HLB_in_MexicoLinks ]

Mora-Aguilera G, Robles-García P, López-Arroyo JL, Flores-Sánchez J, Acevedo-Sánchez G, Domínguez-Monge D and González-Gómez R. 2014c. Current situation and perspectives in management of citrus HLB. Mexican Journal of Phytopathology 32(2): 108-119. https://www.smf.org.mx/rmf/Vol3222014/AR/32-2_03.pdfLinks ]

Mora-Aguilera G, Acevedo-Sánchez G, Domínguez-Monge D, Coria-Contreras JJ, Hernández-Hernández E, González-Gómez R, López-Buenfil A, Sánchez-Anguiano H, García-Feria J, Trujillo-Arriaga J, López-Pérez E, Méndez-Ramos A, Matuz-Conde J and Martínez-Bolaños M. 2014d. Epidemiological surveillance system for coffee rust disease (Hemileia vastatrix) in Mexico: A regional approach. In: The 25th International Conference on Coffee Science. 8-13 Septiembre. Armenia, Colombia. 1-6pp. https://www.researchgate.net/publication/306347540_Epidemiological_Surveillance_System_for_Coffee_Rust_Disease_Hemileia_vastatrix_in_Mexico_A_Regional_ApproachLinks ]

Mora-Aguilera G, Acevedo-Sánchez G, Flores-Sánchez J, Hernández R, González-Gómez R and Robles-García P. 2014e. Regional Epidemiology: A new frontier and challenge in plant pathology. In: Abstracts 47º Congresso Brasileiro de Fitopatología “Desafios Futuros”. 17-22 agosto. Londrina, Paraná, Brasil. https://www.researchgate.net/publication/301204091_Regional_Epidemiology_A_new_frontier_and_challenge_in_plant_pathologyLinks ]

Moschini RC, Carranza MR and Carmona MA. 2004. Meteorological-based predictions of wheat head blight epidemic in the southern Argentinean pampas region. Cereal Research Communications 32: 45-52. https://doi.org/10.1007/BF03543279 [ Links ]

Newlands NK. 2018. Model-based forecasting of agricultural crop disease risk at the regional scale, integrating airborne inoculum, environmental, and satellite-based monitoring data. Frontiers in Environmental Science 6: 1-16. https://doi.org/10.3389/fenvs.2018.00063 [ Links ]

Park EW, Seem RC, Gadoury DM and Pearson RC. 1997. DMCAST: a prediction model for grape downy mildew development. Viticulticulture and Enological Science 52: 182-89 https://www.researchgate.net/publication/258219975_DMCast_a_prediction_model_for_grape_downy_mildew_developmentLinks ]

Parnell S, van den Bosch F, Gottwald T and Gilligan CA. 2017. Surveillance to inform control of emerging plant diseases: An epidemiological perspective. Annual Review of Phytopathology 55: 591-610. https://doi.org/10.1146/annurev-phyto-080516-035334 [ Links ]

Pethybridge SJ and Nelson SC. 2018. Estimate a new ipad application for assessment of plant disease severity using phothographic standard area diagrams. Plant Disease 102: 276-281. https://doi.org/10.1094/PDIS-07-17-1094-SR [ Links ]

Pethybridge SJ and Nelson SC. 2015. Leaf Doctor: A new portable application for quantifying plant disease severity. Plant Disease 99: 1310-1316. http://dx.doi.org/10.1094/PDIS-03-15-0319-RE [ Links ]

Rosa M, Genesio R, Gozzini B, Maracchi G and Orlandinic S. 1993. PLASMO: a computer program for grapevine downy mildew development forecasting. Computers and Electronics in Agriculture 9(3): 205-215. https://doi.org/10.1016/0168-1699(93)90039-4 [ Links ]

Santana-Peñaloza B, Acevedo-Sánchez G, Coria-Contreras JJ, Mora-Aguilera G, González-Gómez R y López-Buenfil A. 2015. CALCULA-HF v1.0: Estimación de horas favorables de inductividad epidémica debido a la germinación de uredosporas de Hemileia vastatrix. Revista Mexicana de Fitopatología 33S: 119. https://www.smf.org.mx/rmf/suplemento/docs/Volumen332015/Suplemento332015FULL.pdfLinks ]

SENASICA. 2016. Roya del cafeto (Hemileia vastatrix Berkeley & Broome). Dirección General de Sanidad Vegetal. Programa de Vigilancia Epidemiológica Fitosanitaria. México, D.F. Ficha Técnica No. 40. 23 p. https://prod.senasica.gob.mx/SIRVEF/ContenidoPublico/Roya%20cafeto/Fichas%20tecnicas/Ficha%20T%C3%A9cnica%20de%20Roya%20del%20cafeto.pdfLinks ]

SIAP (Servicio de Información Agrícola y Pesquera). 2018. Cierre de la producción agrícola por estados. http://www.siap.gob.mx/cierre-de-la-produccion-agricola-por-cultivo/Links ]

Tsukahara RY, Marceli H and Canteri MG. 2008. Relationship between climate and the progress of the asian soybean rust (Phakopsora pachyrhizi) in two micro-regions of Paraná State. Ciências Agrárias 29: 47-52. https://www.redalyc.org/pdf/4457/445744087005.pdfLinks ]

Recibido: 30 de Abril de 2021; Aprobado: 10 de Agosto de 2021

*Autor para correspondencia: morag@colpos.mx.

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons