Modelos jerárquicos predictivos para la dinámica poblacional de pentatómidos en cultivos de soja

Abstract

En las últimas décadas, la intensificación de la producción agrícola, acompañada de una mayor presión por plagas, resultó en un aumento sustancial del uso de pesticidas sintéticos. El manejo integrado de plagas (MIP) brinda un marco para el desarrollo y uso de estrategias de control que sean efectivas y a le vez sustentables. Promueve el uso de procesos biológicos renovables para el control de plagas, el monitoreo de su dinámica poblacional y el uso de herramientas de decisión de control, tales como umbrales de daño y modelos predictivos. En este trabajo, se propone un enfoque de modelado empírico basado en un modelo bayesiano jerárquico con estructura espacio-estado para aumentar la eficacia y la eficiencia de los controles basados en el MIP y aumentar así su adopción por el sector productivo. Utilizando datos de abundancia de chinches (Pentatomidae) y de fenología del cultivo de soja, junto con datos meteorológicos para 8 localidades de la región pampeana , (1) se estimó el tamaño poblacional real de chinches través del tiempo, (2) se realizaron predicciones a corto plazo del tamaño poblacional, (3) se creó un método para estimar el daño acumulado por parte de las chinches que presentaban los cultivos, (4) se realizó un análisis de incertidumbre en las predicciones en función del tamaño muestral y (5) se evaluó la capacidad predictiva de distintas variantes del modelo con el criterio de información WAIC y el método de validación cruzada LOOCV. Las predicciones mostraron un grado de exactitud razonable y la estimación del daño acumulado permitió aumentar la información disponible para los productores acerca de cuándo realizar un control. Por último, el análisis de incertidumbre sugirió un tamaño muestral de 60 para obtener un buen balance entre la precisión y el esfuerzo de muestreo.

In the last few decades, the intensification of agricultural production accompanied by an increasing pressure from pests in various crops, is resulting in a substantial increase in the use of synthetic pesticides. Integrated pest management (IPM) provides a framework for the development and use of sustainable yet effective control strategies. This framework promotes the use of renewable biological processes for the control of pests, the monitoring of pest population dynamics, and the use of control decision tools, such as action thresholds and predictive models. In this work, an empirical modeling approach based on a hierarchical Bayesian model with a spacestate structure is developed with the aim of increasing the efficacy and efficiency of MIP-based pest control tactics and thus favouring their adoption by stakeholders. Using data of stinkbug (Pentadomidae) abundance and crop phenology, along with meteorological data from 8 different locations in Argentina we, (1) estimated the true population size of stink bugs through time, (2) made short-term forecasts of population size, (3) developed a method to estimate the cumulative damage on crops caused by stink bug populations, (4) we analyzed how the uncertainty of the predictions vary as a function of sample size and (5) we evaluated the predictive capacity of different variants of the model using WAIC information criterion and LOO-CV cross-validation. The forecasts showed a reasonable degree of accuracy and the cumulative damage estimation can increase the information available to stakeholders about when to carry out a given control measure. Finally, the uncertainty analysis suggests a sample size of 60 to obtain a good balance between precision and sampling effort