Obtención del mapa de rendimiento
georreferenciado del cultivo de cacao (Theobroma cacao L.) CCN-51
mediante el empleo de técnicas de agricultura de precisión
Georeferenced yield mapping of cocoa crop (Theobroma cacao L.)=
CCN-51 using precision agriculture techniques
|
1 |
Erick
Alberto Eguez Enriquez |
|
https://orcid.org/0000-0002-7071-4645 |
|
|
|
Universidad
Técnica Estatal de Quevedo (UTEQ), Quevedo, Ecuador. Magister
Scientiae en Producción Vegetal |
|||
|
2 |
Edwin
Miguel Jiménez Romero |
|
https://orcid.org/0000-0002-7411-8189 |
|
|
|
Universidad
Técnica Estatal de Quevedo (UTEQ), Quevedo, Ecuador. Magister
en Manejo y Aprovechamiento Forestal |
|||
|
3 |
Oscar
Oswaldo Prieto Benavides |
|
https://orcid.org/0000-0003-4101-0523 |
|
|
|
Universidad
Técnica Estatal de Quevedo (UTEQ), Quevedo, Ecuador. Doctor
en Recursos Naturales |
|||
|
4 |
Anyela
Nayeli Cedeño Cedeño |
|
https://orcid.org/0009-0008-7192-010X |
|
|
|
Universidad
Técnica Estatal de Quevedo (UTEQ), Quevedo, Ecuador. |
|
|
Artículo de Investigación Científica y
Tecnológica Enviado: 12/04/2025 Revisado: 10/05/2025 Aceptado: 30/06/2025 Publicado:28/07/2025 DOI: https://doi.org/10.33262/c=
ienciadigital.v9i3.1.3376 =
|
||||||||
|
|
|
||||||||
|
Cítese: |
|
Eguez Enriquez, E., Jiménez Romero, E. M., P=
rieto
Benavides, O. O., & Cedeño Cedeño, A. N.
(2025). Obtención del mapa de rendimiento georreferenciado del cultivo de
cacao (Theobroma cacao L.) CCN-51 mediante el
empleo de técnicas de agricultura de precisión. Ciencia Digital, <=
i>9(3.1),
27-44. https://doi.org/10.33262/cienciadigital=
.v9i3.1.3376 |
|
||||||
|
|
|
|
|
||||||
|
|
|
Esta revista está protegida bajo una licencia Creat=
ive Commons Atribución-NoComercial=
-CompartirIgual 4.0 International. Copia de la licen=
cia: https://creativecommons.org/lic=
enses/by-nc-sa/4.0/deed.es |
|
||||||
|
Palabras claves: Producción, monilla, fitoftoria, geoestadístic=
a,
espacial. |
|
Resumen Introducción=
: La Agricultura de Precisión optimiza el uso de
insumos, aprovechando la variabilidad espacial y temporal que existe dent=
ro
de los cultivos tanto para suelo, productividad, plagas y enfermedades. Su
implementación en frutales perennes representa un desafío debido a la
estimación de rendimiento. En cultivos de cacao la variabilidad en la
productividad es significativa, afectando la eficiencia del manejo agríco=
la.
Aunque existen estudios sobre interpolación en cultivos de ciclo corto, se
requiere un enfoque específico para frutales perennes. Objetivo: Este estudio busca validar un méto=
do que
mapee la variabilidad espacial del rendimiento de cacao CCN-51 en sistema=
s de
cosecha manual. Metodología: =
El
área experimental cuenta con una superficie de 3000 m², con plantas
injertadas de 7 años. Para el muestreo, el área se dividió en 36 celdas
regulares de 30 m x 30 m. Durante la cosecha de marzo a junio, se
recolectaron mazorcas quincenalmente y se georreferenciaron con GPS,
utilizando el sistema UTM y la aplicación Mobile Top=
ographer.
Los análisis estadísticos se realizaron con GS+ y QGIS 3.10, aplicando
interpolación mediante kriging o el inverso d=
e la
distancia, según la dependencia espacial. Resultados: El estudio d=
el
cacao CCN-51 mostró variabilidad mensual en la producción. Las enfermedad=
es,
como monilla y mazorca negra, aumentaron a lo largo del tiempo. La
geoestadística reveló que tanto el modelo gaussiano como el esférico fuer=
on
adecuados para describir la dependencia espacial de las mazorcas sanas,
enfermas y del peso seco, con una alta dependencia espacial en la mayoría=
de
los meses. La interpolación mediante kriging
permitió identificar áreas específicas de alta y baja producción, mostran=
do
que las zonas suroeste y central fueron las más productivas o afectadas s=
egún
el mes. Conclusión: El método propuesto permite optimizar la gesti=
ón
del cultivo de cacao, aumentando la precisión en el uso de recursos y
mejorando la sostenibilidad en sistemas agrícolas perennes. Área de
estudio general: Agronomía Área de estudio específica: Agricul=
tura
de precisión Tipo de estudio: Artículos original=
es. |
|
||||||
|
Keywords: |
|
Abstract Introduction=
: Precision Agriculture optimizes input use by
leveraging the spatial and temporal variability present within crops,
including soil, productivity, pests, and diseases. Its implementation in
perennial fruit trees represents a challenge due to yield estimation. In =
cacao
crops, variability in productivity is significant, affecting the efficien=
cy
of agricultural management. Although studies on interpolation exist for
short-cycle crops, a specific approach is required for perennial fruit tr=
ees.
Objective: This study aims to validate a method for mapping the
spatial variability of CCN-51 cacao yield in manual harvest systems. M=
ethodology:
The experimental area covers 3000 m², with 7-year-old grafted plants.=
For
sampling, the area was divided into 36 regular cells of 30 m x 30 m. Duri=
ng
the harvest from March to June, pods were collected biweekly and
georeferenced using GPS, employing the UTM system and the Mobile Topograp=
her
app. Statistical analyses were performed with GS+ and QGIS 3.10, applying
interpolation through kriging or inverse distance weighting, depending on
spatial dependence. Results: =
The
study of CCN-51 cacao showed monthly variability in production. Diseases =
such
as frosty pod rot and black pod increased over time. Geostatistical analy=
sis
revealed that both the Gaussian and spherical models were suitable to
describe the spatial dependence of healthy pods, diseased pods, and dry
weight, with high spatial dependence in most months. Kriging interpolation
allowed the identification of specific areas of high and low production,
showing that the southwest and central zones were the most productive or
affected depending on the month. Conclusion: The proposed method
allows for optimizing cacao crop management, increasing resource use
efficiency, and improving sustainability in perennial agricultural system=
s. General
Area of Study: Agronomy. Specific area of study: Precision
agriculture. Type of study: Original articles. |
|
||||||
1. Introducción
La
Agricultura de Precisión (AP) ha sido adoptada ampliamente en el mundo,
especialmente en cultivos de ciclo corto, como los de granos. Los agriculto=
res
recurren a esta metodología debido a la necesidad de abordar la heterogenei=
dad
que presenta el campo. Existen variaciones tanto temporales como espaciales=
en
factores clave como el clima, el suelo, la aplicación de fertilizantes, la
presencia de plagas y enfermedades
El
establecimiento de zonas de manejo específicas dentro de los cultivos, basa=
das
en características particulares, permite determinar el potencial de rendimi=
ento
en cada área. Para ello, se utilizan bases de datos que combinan mapas de
propiedades físicas del suelo, relieve, rendimiento histórico, entre otros
factores. La AP facilita que los agricultores tomen decisiones más informad=
as y
adaptadas a las condiciones de cada sitio, optimizando así el uso de recurs=
os y
mejorando la eficiencia productiva
El
monitoreo de la producción es una de las actividades más importantes en la =
AP,
ya que proporciona información clave sobre el rendimiento en distintas zonas
del cultivo. Este análisis permite implementar estrategias de manejo
diferenciadas para optimizar la productividad en cada área. En muchos casos=
, la
cosecha es mecanizada, y los datos que conforman los mapas de rendimiento
provienen directamente de sensores instalados en las cosechadoras, lo que
garantiza una recopilación precisa y eficiente de la información
El
rendimiento en árboles frutales, especialmente en cultivos como el cacao, el
café y los cítricos, es uno de los aspectos más complejos de la AP, debido =
a la
limitada disponibilidad de métodos efectivos. Los investigadores han intent=
ado
desarrollar técnicas para estimar la producción de frutos por planta,
utilizando el conteo de frutos en secciones de la copa de los árboles. Sin
embargo, este método presenta limitaciones, ya que la estructura de
ramificación y la fructificación varían tanto entre especies como entre
cultivares de la misma especie, dificultando una estimación precisa del
rendimiento
En
São Paulo, Brasil, se evaluó la variabilidad espacial en la productividad y=
el
tamaño de los frutos de naranja, aplicando técnicas de geoestadística. A tr=
avés
de datos obtenidos en distintos puntos de las parcelas donde la cosecha se
almaceno temporalmente en algún tipo de contenedor. Posteriormente, se real=
izó
una interpolación para generar mapas detallados de productividad. Este anál=
isis
permitió identificar áreas de alta y baja productividad dentro de los culti=
vos
Es
importante establecer nuevas técnicas para la generación de mapas de
productividad en especies perennes para adoptar estrategias de
georreferenciamiento efectivas. Esto permitirá al agricultor visualizar,
mediante imágenes, el estado actual de su cultivo y abordar de manera oport=
una
problemas relacionados con plagas, enfermedades o deficiencias nutricionale=
s en
el cultivo, contribuyendo así a mejorar los rendimientos.
El
objetivo de este estudio es desarrollar y validar un método para mapear la
variabilidad en el rendimiento del cultivo de cacao CCN-51 (Theobroma ca=
cao
L.), utilizando técnicas de AP que sean simples, eficientes y compatibles c=
on
los sistemas existentes de cosecha manual.
2.
Metodología
El
área experimental se encuentra en las coordenadas geográficas: 00º 33' 08.2=
''
de latitud Sur, 79º 26' 48.5'' de longitud Oeste de Greenwich, a una altitu=
d de
160 m (sede de la finca), ubicada en el cantón Buena Fe, en la provincia de=
Los
Ríos (Figura 1). El suelo del área es un Andisol y de textura franca. La finca tiene una super=
ficie
de plantación de 3000 m2 con plantas de cacao CCN-51 (Theobro=
ma
cacao L.) injertadas, de 7 años, con un espaciamiento de 3 m x 3 m y un
total de 3290 plantas.
Localización geográfica del área de estudio y
distribución de los puntos muestrales
El
área se dividió en subparcelas utilizando un muestreo en celdas regulares d=
e 30
m x 30 m aproximadamente, es decir, con una configuración de 36 pequeñas
celdas.
Las
coordenadas utilizadas en el trabajo se transformaron al sistema UTM (Unive=
rsal
Transversa de Mercator), siguiendo el sistema de coordenadas rectangulares.
Este sistema de coordenadas establece la división de la Tierra en 60 husos =
de
6° cada uno.
Muestreo
en cuadrícula
Durante
la cosecha, entre los meses de marzo, abril, mayo y junio, se realizaron
recolecciones quincenales de mazorcas maduras, evaluando tanto mazorcas san=
as
como mazorcas enfermas en cada celda de la parcela experimental. Estas fuer=
on
abiertas para extraer las almendras frescas, las cuales se colocaron en sac=
os
distribuidos en cada celda de la parcela experimental. El método descrito p=
or
Los
sacos fueron georeferenciados con un receptor G=
PS
utilizando la aplicación Mobile Topographer,
instalada en un celular Hisilicon Kirin 710 Hua=
wei.
El área representativa de cada saco se obtuvo multiplicando el ancho de la
franja de cosecha (30 m) por la mitad de la distancia entre puntos vecinos.
Para esto, las coordenadas geográficas se convirtieron a coordenadas métric=
as
(UTM) para calcular las distancias entre los sacos usando el teorema de
Pitágoras.
Tratamiento
de los Datos
El análisis inicial se fundamentó en estadísticas
descriptivas, considerando valores de tendencia central, dispersión y
coeficiente de variación, para cada variable.
Para evaluar la estructura espacial de las variables
mazorcas sanas, mazorcas enfermas y peso seco de cacao por hectárea se util=
izó
el software GS+ Geostatistics for
the Environmental <=
span
class=3DSpellE>Sciences versión 10.0
donde: γ(h) es la semivarianza en función de la
distancia, Z(xi) representa el valor de la variable en el punto i; Z(xi+h) el valor de la variable en el punto xi + h, N(h=
) es
el número de veces que dos puntos distintos están separados por una misma
distancia h.
Para calcular el desempeño del método muestral, se
utilizó el método de validación cruzada leave-one-o=
ut,
que consiste en remover un punto del conjunto de datos, estimar su valor
mediante el método de muestro, y luego reincorporarlo al conjunto para repe=
tir
el proceso con el siguiente punto, hasta completar todos los puntos del
conjunto de datos. Una vez obtenidos los valores observados y estimados. Se
calculó el error cuadrático medio (RMSE), para las variables en estudio,
conforme la Ecuación 2.
donde:
La estimación del punto removido se realizó mediante
kriging ordinario, tras ajustar el semivariograma de cada variable. Los mod=
elos
de semivariogramas que se evaluaron fueron el exponencial, esférico, gaussi=
ano
y lineal, eligiendo el modelo con mayor coeficiente de determinación (r²). A
partir de cada modelo ajustado, se obtuvieron los parámetros Co, Co+C y el índice de dependencia espacial
Todo el análisis geoestadístico se realizó utilizando
herramientas de geoprocesamiento de QGIS. Para la interpolación y generació=
n de
los mapas temáticos, se utilizó el método inverso de la distancia (cuando la
dependencia espacial fuera baja) o kriging para lo cual se utilizó el plugi=
n Smart-Map. El plugin es un complemento para el software=
QGIS
(QGIS development Team,
2018) versión 3.10 o superior desarrollado en Python (creado por Guido Van
Rossum y gerenciado Por Python Software Foundation,
Delaware, EUA). Smart-Map está disponibl=
e en
GitHub o puede ser instalado desde el repositorio de p=
lugins
de QGIS
3.
Resultados y
discusión
Estadística
descriptiva
Los
datos de cosecha de mazorcas sanas y enfermas, así como el peso seco en kil=
ogramos
por hectárea (kg/ha) del cacao CCN-51, presentan una variabilidad notable e=
ntre
los diferentes meses de evaluación (marzo, abril, mayo y junio), como se
muestra en la Tabla 1.
La
producción de mazorcas sanas varió significativamente a lo largo de los mes=
es.
Marzo mostró el promedio más alto de mazorcas sanas (5134.24), mientras que=
en
junio se observó la menor producción promedio (2585.36). El coeficiente de
variación (CV%) reflejó variabilidad considerable, con el valor más alto en
junio (47.52%). La cantidad de mazorcas enfermas fue significativamente may=
or
en junio, con un promedio de 17810, en contraste con marzo, que presento el
promedio más bajo con 7513.03. El CV% de las mazorcas enfermas también fue
alto, reflejando la variabilidad espacial en la distribución de enfermedade=
s en
los meses de marzo, mayo y junio, mientras que en abril se observó una baja
dependencia espacial.
Estadística descriptiva de los datos de cosecha del
cultivo CCN-51
|
Mes |
Descriptiva |
Promedio |
Des. Estándar |
Varianza |
Min |
Max |
CV% |
|
|
Marzo |
Mazorcas Sanas |
5134.24 |
1662.75 |
2764723.19 |
2333.00 |
9111 |
32.39 |
|
|
Mazorcas enfermas<= o:p> |
7513.03 |
3741.61 |
13999648.21 |
2000.00 |
14444.00 |
49.80 |
||
|
Peso seco kg/ha |
590.46 |
261.09 |
68166.26 |
232.33 |
1303.00 |
44.22 |
||
|
Abril |
Mazorcas Sanas |
4960.29 |
1719.31 |
2956017.61 |
2333.00 |
8555.00 |
34.66 |
|
|
Mazorcas enfermas<= o:p> |
3299.27 |
829.31 |
687762.95 |
2222.00 |
5333.00 |
25.14 |
||
|
Peso seco kg/ha |
628.63 |
289.08 |
83570.11 |
262.67 |
1313.11 |
45.99 |
||
|
Mayo |
Mazorcas Sanas |
4365.50 |
1667.66 |
2781099.65 |
1666.00 |
8000.00 |
38.20 |
|
|
Mazorcas enfermas<= o:p> |
5508.00 |
3570.17 |
12746126.38 |
2111.00 |
15111.00 |
64.82 |
||
|
Peso seco kg/ha |
475.05 |
198.91 |
39563.40 |
141.33 |
969.67 |
41.87 |
||
|
Junio |
Mazorcas Sanas |
2585.36 |
1228.61 |
1509479.86 |
333.00 |
5555.00 |
47.52 |
|
|
Mazorcas enfermas<= o:p> |
17810.00 |
10527.06 |
110818953.76 |
3777.00 |
41666.00 |
59.11 |
||
|
Peso seco kg/ha |
252.23 |
138.86 |
19282.11 |
30.33 |
646.44 |
55.05 |
En
cuanto al rendimiento de peso seco, el mes de abril mostró el promedio más =
alto
con 628.63 kg/ha, mientras que en junio disminuyó considerablemente a 252.23
kg/ha. El coeficiente de variación para el peso seco fue alto en todos los
meses, lo que indica una distribución no uniforme del rendimiento en el áre=
a de
estudio.
A
lo largo del tiempo, se observó una disminución en la producción de mazorcas
sanas y rendimiento de cacao seco y un incremento en la cantidad de mazorcas
enfermas. Esto se atribuye a la presencia de frutos infectados después de la
fecundación de la flor, que coincidió con condiciones ambientales favorables
para el desarrollo de patógenos. Estas condiciones propiciaron la prolifera=
ción
de enfermedades durante las primeras doce semanas de desarrollo de los frut=
os,
resultando en una pérdida significativa de mazorcas sanas, estimada entre e=
l 60
y el 80%
Geoestadística
En
la Tabla 2 se observa que para mazorcas sanas =
los
modelos gaussiano y esférico se ajustaron mejor dependiendo del mes. Para m=
arzo
y mayo, el modelo gaussiano presentó el menor error cuadrático medio (RMSE),
mientras que en abril y junio el modelo esférico fue el que mejor se ajustó=
. En
términos de R², los valores estuvieron consistentemente altos (por encima de
0.95), lo que indica una buena precisión de los modelos en todos los meses.=
Los
valores del índice de dependencia espacial (IDE) fueron altos, con un grado=
de
dependencia clasificado como ALTA en cada caso, lo que resalta una fuerte
estructura espacial en la distribución de las mazorcas sanas.
Parámetros de ajuste del semivariograma para la
producción de mazorcas sanas de cacao CCN-51
|
Mes |
Nugget |
Sill |
Rango (m) |
Modelo |
RMSE |
R2 |
IDE (%) |
Grado de dependencia |
|
Marzo |
1060000 |
5230000 |
275.40 |
Gaussiano |
4.83x1010 |
0.98 |
79.73 |
ALTA |
|
Abril |
430000 |
3970000 |
252.10 |
Esférico |
1.27x1011 |
0.95 |
89.17 |
ALTA |
|
Mayo |
490000 |
4090000 |
225.86 |
Gaussiano |
7.20x1010 |
0.98 |
88.02 |
ALTA |
|
Junio |
356000 |
1563000 |
110.70 |
Esférico |
1.22x1010 |
0.97 |
77.22 |
ALTA |
RMSE
=3D error cuadrático medio, R2 =3D coeficiente de determinación,=
IDE =3D
índice de dependencia espacial
En
general, el modelo gaussiano fue óptimo para los meses de marzo y mayo,
mientras que el modelo esférico fue adecuado para abril y junio, lo que sug=
iere
una variabilidad temporal en la estructura espacial de las mazorcas de cacao
CCN-51.
La
Tabla 3 muestra los parámetros de ajuste de=
los
semivariogramas para la producción de mazorcas enfermas en el cultivo de ca=
cao
CCN-51. Los resultados muestran que, en los meses de marzo y mayo, el modelo
esférico ofreció el mejor ajuste, evidenciado por un RMSE bajo y valores de=
R²
elevados (0.98 y 0.995, respectivamente), lo que indica una buena precisión=
del
modelo. En contraste, para el mes de abril, el modelo lineal mostró el menor
RMSE, pero su valor de R² (0.881) fue menor en comparación con los otros me=
ses,
lo que se traduce en una menor dependencia espacial, reflejada también en el
IDE del 0%, lo cual implica baja dependencia espacial lo que sugiere una ma=
yor
aleatoriedad en la distribución de las mazorcas enfermas.
Para
junio, el modelo gaussiano fue el que mejor se ajustó, con un R² de 0.995 y=
un
IDE del 79.50%, mostrando una alta dependencia espacial de las mazorcas
enfermas durante este mes.
Parámetros de ajuste del semivariograma para la
producción de mazorcas enfermas de cacao CCN-51
|
Mes |
Nugget |
Sill |
Rango (m) |
Modelo |
RMSE |
R2 |
IDE (%) |
Grado de dependencia |
|
Marzo |
2990000 |
15760000 |
86.50 |
Esférico |
8.01x1011 |
0.98 |
81.03 |
ALTA |
|
Abril |
678683.13 |
678683.13 |
222.65 |
Lineal |
9.66x1010 |
0.88 |
0.00 |
BAJA |
|
Mayo |
2290000 |
19440000 |
144.40 |
Esférico |
5.45x1011 |
0.99 |
88.22 |
ALTA |
|
Junio |
37500000 |
183000000 |
138.56 |
Gaussiano |
5.13x1013 |
0.99 |
79.51 |
ALTA |
RMSE
=3D menor error cuadrático medio, R2 =3D coeficiente de determin=
ación,
IDE =3D índice de dependencia espacial
La
Tabla 4 presenta los parámetros de ajuste d=
el
semivariograma para la producción de cacao seco CCN-51 por hectárea. En tod=
os
los meses evaluados, se observa que el modelo gaussiano proporciona el mejor
ajuste para marzo, abril y mayo, mientras que el modelo esférico es el más
adecuado para junio. Los valores de RMSE varían considerablemente, siendo m=
ayo
el mes con el menor RMSE, lo que indica una mayor precisión del modelo en e=
ste
mes. Los valores de R² se mantienen altos, superiores a 0.90 en todos los
casos, lo cual demuestra una buena capacidad predictiva de los modelos
utilizados. Además, los IDE son altos en todos los meses, reflejando un gra=
do
de dependencia espacial ALTA en la producción de cacao seco por hectárea.
Parámetros de ajuste del semivariograma para la
producción de cacao CCN-51 seco por hectárea
|
Mes |
Nugget |
Sill |
Rango (m) |
Modelo |
RMSE |
R2 |
IDE (%) |
Grado de dependencia |
|
Marzo |
15100 |
101300 |
200.57 |
Gaussiano |
9.92x107 |
0.97 |
85.09 |
ALTA |
|
Abril |
14900 |
240800 |
320.08 |
Gaussiano |
1.30x109 |
0.96 |
93.81 |
ALTA |
|
Mayo |
8100 |
57300 |
224.65 |
Gaussiano |
7134340 |
0.99 |
85.86 |
ALTA |
|
Junio |
2790 |
19930 |
87.50 |
Esférico |
6435133 |
0.92 |
86.00 |
ALTA |
RMSE
=3D menor error cuadrático medio, R2 =3D coeficiente de determin=
ación,
IDE =3D índice de dependencia espacial
Los
resultados de este estudio están en concordancia con los hallazgos de
La
variabilidad dentro de los cultivos frutícolas, como los cítricos, fue
documentada en los estudios de
Al
comparar los resultados de producción de cacao de este estudio con los
obtenidos por
Los resultados del procedimiento de
interpolación indicaron que el kriging podría interpolar la cantidad mazorc=
as
enfermas. Durante el primer mes de cosecha, marzo, se registró un 18 % de la
superficie con la mayor producción de mazorcas sanas por hectárea, concentr=
ada
en la zona suroeste del área de estudio (Figura 2A). En abril, el porcentaj=
e de
superficie con altos niveles de producción de mazorcas sanas por hectárea f=
ue
del 15%, localizado igualmente en el suroeste (Figura 2B). En mayo, esta ár=
ea
representó un 13% de la superficie con producciones altas de mazorcas sanas=
por
hectárea, manteniéndose en la zona suroeste (Figura 2C). Finalmente, en jun=
io,
último mes de cosecha, un 51% de la superficie alcanzó la mayor producción =
de
mazorcas sanas por hectárea, ubicándose principalmente en la zona oeste del
área de estudio (Figura 2D).
Mapas interpolados de
mazorcas sanas en la plantación de cacao para los meses de marzo(A), abril =
(B),
mayo(C) y junio (D).
Los
resultados del proceso de interpolación mostraron que el método de kriging =
fue
efectivo para estimar la cantidad de mazorcas enfermas, siendo aplicable
únicamente en los meses de marzo, mayo y junio. Durante el primer mes de
cosecha, marzo, se observó que un 44% de la superficie presentó la mayor
cantidad de mazorcas enfermas, concentradas en el suroeste del área de estu=
dio
(Figura 3A). En el mes de abril, la interpolación se realizó
mediante el método IDW, debido a la ausencia de dependencia espacial, los
resultados muestran que el 18% de la superficie del área de estudio presentó
las mayores concentraciones de frutos afectados, distribuidos de manera
dispersa en el área de estudio (Figura 3B). En mayo, el
37% de la superficie del área de estudio presentó las mayores concentracion=
es
de frutos enfermos, concentrándose principalmente en la zona central del ár=
ea
de estudio. (Figura 3C). Finalmente, para el mes de
junio, el 42% de la superficie del área de estudio presentó las mayores
concentraciones de frutos enfermos, concentrándose principalmente en la zona
central (Figura 3D).
Mapas interpolados de mazorcas enfermas en la
plantación de cacao para los meses de marzo(A), abril (B), mayo(C) y junio =
(D).
Los resultados del proceso de
interpolación mostraron que el método de kriging fue capaz de estimar el
rendimiento de cacao seco por hectárea durante todos los meses que duró el
estudio. El mes de marzo, primer mes de cosecha, se presentó un 25% de la s=
uperficie
con la mayor producción de cacao seco, principalmente en la parte suroeste =
del
área de estudio (Figura 4A), en el mes de abril, se
presentó aproximadamente el 30% de la superficie con la producción más alta=
de
cacao seco en la parte suroeste (Figura 4B), el mes de =
mayo
se presentó un 27% de la superfici=
e con
las valores más altos de cacao seco en la parte suroeste (Figura =
4C)
y el mes de junio último mes de cosecha se observa que aproximadamente el 2=
3%
de la superficie alcanzó los valores más altos de peso seco, principalmente=
en
las zonas centrales del área de estudio
(Figura 4D). En contraste,=
las
áreas con menores valores de peso seco se concentraron en la parte este.
La variabilidad tanto para frutos
enfermos, así como para frutos sanos que se ve reflejado en la producción
sugiere diferencias en las condiciones de manejo de enfermedades, ya que al=
ser
un cultivo con enfoque convencional tiene una rápida propagación de plagas =
Mapas interpolados de peso seco de cacao para l=
os
meses de marzo(A), abril (B), mayo(C) y junio (D).
Los resultados obtenidos confirman que=
el
clon CCN-51, utilizado en nuestra investigación, presenta susceptibilidad a=
Phytophthora
spp. y resistencia a Moniliophthora roreri, como se evidenció en el
aumento progresivo de la susceptibilidad a enfermedades a lo largo del estu=
dio.
Este comportamiento podría haber sido influenciado por las condiciones
agroclimáticas prevalentes durante el período de investigación, caracteriza=
das
por una alta humedad relativa y precipitaciones constantes, las cuales
favorecieron la proliferación de Phytophthora spp. Este hallazgo est=
á en
concordancia con los resultados reportados en estudios previos, como los de=
La edad es otra característica relevan=
te
en el sistema productivo, ya que tanto la cantidad de frutos como la incide=
ncia
de frutos enfermos aumentan a medida que las plantaciones envejecen. En
particular, se ha observado que, en plantaciones de entre 4.4 y 8.7 años, la
incidencia de enfermedades en los frutos incrementa significativamente, ran=
go
de edad que coincide con el de las plantas empleadas en esta investigación =
4.
Conclusiones
·&nb=
sp;
La producción de mazo=
rcas
sanas disminuyó significativamente a lo largo del periodo de estudio, con el
promedio más bajo en junio, mientras que la cantidad de mazorcas enfermas
aumentó, especialmente en los últimos meses. Esto resalta la influencia de
condiciones ambientales favorables para el desarrollo de patógenos que
afectaron la salud del cultivo de cacao CCN-51.
·&nb=
sp;
Los modelos de
semivariograma esférico y gaussiano fueron efectivos para capturar la
estructura espacial de las mazorcas sanas, enfermas y el rendimiento de cac=
ao
seco, con variaciones mensuales en el ajuste de los modelos. Estos resultad=
os
indican una alta dependencia espacial en la distribución de las enfermedade=
s y
la productividad en el cultivo.
·&nb=
sp;
La interpolación medi=
ante
kriging demostró ser una herramienta útil para estimar la variabilidad espa=
cial
del rendimiento y la distribución de mazorcas sanas y enfermas en el área de
estudio. Este enfoque puede ayudar a identificar zonas de manejo específico=
y a
optimizar las prácticas de control de enfermedades en plantaciones de cacao,
minimizando así el impacto de patógenos en la producción.
5.
Conflicto de
intereses
Los
autores declaran que no existe conflicto de intereses en relación con el
artículo presentado.
6.
Declaración de
contribución de los autores
Todos
autores contribuyeron significativamente en la elaboración del artículo.
7.
Costos de financiamiento
La
presente investigación fue financiada en su totalidad con fondos propios de=
los
autores.
8.
Referencias Bi=
bliográficas
Anzules-Toala,
V., Pazmiño-Bonilla, E., Alvarado-Huamán, L., Borjas-Ventura, R.,
Castro-Cepero, V., & Julca-Otiniano, A. (2021). Control of
cacao (Theobroma cacao) di=
seases
in Santo Domingo de los Tsachilas, Ecuador. =
Agronomía
Mesoamericana, 33(1), 45939. https://doi.org=
/10.15517/am.v33i1.45939
Cabi.
(2021). Phytophthora megakarya
(black pod of cocoa). CABI Digital Library. https://doi.org=
/10.1079/cabicompendium.40979
Cárdenas Pardo, N. J., Darghan Contreras, A. E., Sosa Rico, M.=
D.,
& Rodríguez, A. (2017). Análisis espacial de la incidencia de enfermeda=
des
en diferentes genotipos de cacao (Theobroma cacao L.) en El Yopal (Casanare=
),
Colombia. Acta Biológica Colombiana, 22(2), 209–220. <=
/span>https://doi.org=
/10.15446/abc.v22n2.61161
Colaço,
A. F., Trevisan, R. G., Karp, F. H. S., & <=
span
class=3DSpellE>Molin, J. P. (2020). Yield mapping methods for manually harvested crops. Computers and
Electronics in Agriculture, 177, 105693. https://doi.org/10.1016/j.compag.2020.105693
Cubillos, G. (2023). Model of cultural control of the cacao frosty p=
od
rot disease (Moniliophthora roreri (CIF & Par) Evans et al.). Horticulture International Journal,
7(1), 6–7. https://doi.org=
/10.15406/hij.2023.07.00268
Albores Flores,
V., Gómez Rodríguez, L., López García, J. A., & Grajales Conesa, J. (20=
22).
Mecanismos de infección endógena en frutos de cacao con Moniliophthora rore=
ri. Polibotánica, 1(=
53),
197-209. https://doi.org/10.18387/polibotanic=
a.53.13
Furtado, D. C., & Oliveira, F. C. D. de. (2019). Distribuição
espacial da produtividade e fatores fitossanitários de cacaueiros na Amazôn=
ia
Oriental. UFRA. https://bdta.ufra.edu.br/jspui/ha=
ndle/123456789/1447
Hammam, A. A., Mohamed, W. S., Sayed, S. E.-E., Kucher, D. E., &
Mohamed, E. S. (2022). Assessment of Soil Contamination Using GIS and
Multi-Variate Analysis: A Case Study in El-Minia Governorate, Egypt. Agr=
onomy,
12(5), 1197. https://doi.org/10.3390/agronomy12051197
Kumar, G. R., Challur, G., & Tammana, P. B. (2022). Machine learning techniques for crop yield predict=
ion
in indian agriculture. International
Journal of Scientific Development an=
d Research, 7(11),
475–482. https://api.semanticscholar.org/CorpusID:254587884=
Molin, J. P., Colaço, A. F., Carlos, E. F., & Mattos Junior, D. de.=
(2012). Yield mapping, soil fertility and tree gap=
s in
an orange orchard. Revista
Brasileira de Fruticultura, 34=
(4),
1256–1265. https://doi.org/10.1590/S0100-29452012000400035=
Molin, J. P., & Mascarin, L. S. (2007). Colheita de citros e obtenção de dados para mapeament=
o da
produtividade. Engenharia Agrícola, 27(1), 259–266. https://doi.org/10.1590/S0100-69162007000100020=
Okumura, M. H., de Tomi, G., & Passos, A. (2014). Gerofere=
nced Pest Control Management in Brazilian Citrus
Production. Materials Science & Engineering, 805, 429–434=
. https://doi.org/10.4028/www.scientific.net/MSF.805.429
Pereira, G. W., Valente, D. S. M., Queiroz, D. M. de, Coelho, A. L. de =
F.,
Costa, M. M., & Grift, T. (2022). Smart-Map: An Open-Source QGIS plugin for digital mapping using mach=
ine
learning techniques and ordinary kriging. Agronomy,
12(6), 1350. https://doi.org=
/10.3390/agronomy12061350
Ramírez Gil, J. G. (2016). Pérdi=
das
económicas asociadas a la pudrición de la mazorca del cacao causada por
Phytophthora spp., y Moniliophthora
roreri (Cif y Par) =
Evans et
al., en la hacienda Theobroma, Colombia. Revista=
de Protecc=
ión
Vegetal, 31<=
/i>(1),
42–49. http://scielo.sld.cu/scielo.php?s=
cript=3Dsci_arttext&pid=3DS1010-27522016000100006=
Robertson, G. P. (2008). GS+:
Swan, A. (1998). <=
span
style=3D'mso-bookmark:ref17'>Geostatistics for natural resources evaluation. Geological
Magazine, 135(6), 819–842. https://doi.org/10.1017/S0016756898631502
Talaat, F. M. (2023). Crop yield prediction algori=
thm
(CYPA) in precision agriculture based on IoT techniques and climate changes=
. Neural
Computing and Applications, 35, 17281–17292. https://doi.org/10.1007/s00521-023-08619-5<=
/span>
Ten Hoopen, G., Sounigo, O., Babin, R., Yede, &
Cilas, C. (2009). Spatial and temporal analysis of a Phytophthora megakarya epidemic in a plantation in the centre region of Cameroon. 16th international cacao research conference, 683–687. https://publications.cirad.fr/une_no=
tice.php?dk=3D554228=
Triboni, H. de R., & Barbosa, J. C. (2004). Estimativa do número de
frutos por amostragem de parte da copa em laranjeiras. Revista
Brasileira de Fruticultura, 26(3), 454–458. =
https://doi.org=
/10.1590/S0100-29452004000300020
El artículo que se publica es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el
pensamiento de la Revista Ciencia
Digital.
El artículo queda en propiedad =
de
la revista y, por tanto, su publicación parcial y/o total en otro medio tie=
ne
que ser autorizado por el director de la Revista
Ciencia Digital.
Revis=
ta
multidisciplinar Articulo original
Esta revista está protegida =
bajo
una licencia Creative Commons en la 4.0
International. Copia de la licencia: http://cr=
eativecommons.org/licenses/by-nc-sa/4.0/