Modelado analítico predictivo para la prevención de enfermedades agrícolas: Marlene Raquel Paredes, Miguel Arturo Valle Pelaez, María Pérez Campomanes, Confesor Saavedra Quezada y Kennedy Johnson Gutierrez Mendoza

• Autores: Valle Pelaez, Miguel Arturo, Paredes, Marlene Raquel, Pérez Campomanes, María, Saavedra Quezada, Confesor, Gutierrez Mendoza, Kennedy Johnson
• Formato: artículo
• Fecha de Publicación: 2018
• Institución: Universidad San Pedro
• Repositorio: Revistas - Universidad San Pedro
• Lenguaje: español
• OAI Identifier: oai:ojs.pkp.sfu.ca:article/297
• Enlace del recurso: https://revista.usanpedro.edu.pe/index.php/CPD/article/view/297
• Nivel de acceso: acceso abierto

La investigación se realizó en el campo experimental San Luis, en Nuevo Chimbote. El propósito fue contar con información para la prevención del hielo (Phytophthora infestans) en el cultivo de papa (Solanum tuberosum) utilizando datos de la estación meteorológica con que cuenta la USP, específicamente la escuela de ingeniería agrónoma. Se trabajó en dos parcelas divididas de 2000 m2 donde se realizó el manejo agronómico del cultivo de papa; en una de las parcelas se aplicó la información que brinda la estación meteorológica, y en la otra parcela se desarrolló el trabajo de manera artesanal, según el conocimiento de los agricultores. Se logró desarrollar un Sistema Informático basado en alertas, el cual nos indicó con exactitud en qué momento se deben realizar las aplicaciones de químicos, según sean las condiciones apropiadas para la multiplicación del hongo (Phytophthora infestans) y así mismo se cuenta con mensajes de advertencia para que el productor pueda programar su manejo de control de la enfermedad. Palabras clave: Modelado analítico predictivo, prevención, enfermedades agrícolas.   Citas: Arán Manansingh, 2011, Indicadores Claves de Desempeño de TI – Por Arun Manansingh, https://cafrancavilla.com/2011/09/21/indicadores-claves-de-desempeno-de-ti-%E2%80%93-por-arun-manansingh/. David Martínez Simarro, “Big Data y agricultura de precisión, cómo reducir los riesgos en la producción de alimentos agropecuarios, http://www.ainia.es/tecnoalimentalia/tecnologia/big-data-y-agricultura-de-precision-como-reducir-los-riesgos-en-la-produccion-de-alimentos-agropecuarios/. Carlos de los Ríos 2009 Banco Mundial: Consultoría para el Agricultura, Asesoramiento y Desarrollo del Programa Estratégico en Productividad Rural en el Sector. Clarke, C. Mohtadi, P. Tuffs. "Generalised predictive control". Part. I: The basic algorithm. Part. 2: Extensions and interpretations. Automatica.VoL23.N"2,pp. 137-160. 2007. García, J. (2015) 19 de febrero de 2015, “Big data y la nueva revolución del sector agrícola”. https://aunclicdelastic.blogthinkbig.com/bigdata-agricultura/. Instituto Nacional de Estadística e Informática - Perú: Estimaciones y Proyecciones de Población por Departamento, Sexo y Grupos Quinquenales de Edad 1995-2025. Boletín de Análisis Demográfico Nº 37., https://www.inei.gob.pe/estadisticas/indice-tematico/poblacion-y-vivienda/. Isabella Muñoz (2018) Los contrastes. https://www.larepublica.co/finanzas/fondos-de-capital-buscan-invertir-en-fintech-y-agro-2709257?platform=hootsuite. Ministerio de agricultura y riego, “Documento prospectivo al 2030 sector Agricultura y Riego” http://www.minagri.gob.pe/portal/download/pdf/dcto-prospectivo-2030.pdf. UNAM. Observatorio Atmosférico. (2015). Red Universitaria de Observatorios Atmosféricos de la UNAM. Obtenido de Observatorio Atmosférico UNAM: http://www.ruoa.unam.mx/UNAM/index_UNAM.html. UNAM. Observatorio Atmosférico. (2015a). Red Universitaria de Observatorios Atmosféricos de la UNAM. Obtenido de Observatorio Atmosférico UNAM: http://www.ruoa.unam.mx/UNAM/index_UNAM.html. Unidad de Informática para las Ciencias Atmosféricas y Ambientales. (2015). Unidad de Informática para las Ciencias Atmosféricas y Ambientales (UNIATMOS), Centro de Ciencias de la Atmósfera, Universidad Nacional Autónoma de México. Obtenido de http://atlasclimatico.unam.mx/atlas/Docs/unidad.html