Sistemas de apoyo a la decisión (DSS) y modelos de predicción para el avellano¶
Contenido generado por inteligencia artificial — verifique antes de aplicar
Este artículo ha sido compilado automáticamente a partir de una colección de literatura sobre el avellano mediante inteligencia artificial y puede contener errores o datos desactualizados. Sirve como punto de partida para investigaciones adicionales, no como asesoramiento técnico. Las dosis, productos y plazos son informativos y dependen de la variedad, la ubicación y la normativa vigente; consulte siempre con el servicio de asesoramiento agronómico y en las fuentes oficiales antes de aplicar.
El Sistema de Apoyo a la Decisión (en inglés Decision Support System, DSS) es una herramienta digital que recopila, conecta y analiza datos de múltiples fuentes —estaciones meteorológicas, sensores de suelo, imágenes satelitales y de drones, así como modelos agronómicos— para proporcionar al productor una recomendación concreta en el momento adecuado: cuándo (y si es necesario) tratar contra enfermedades, cuándo y cuánto regar, y cuándo activar la protección contra heladas. Es importante destacar, tal como señala la literatura, que el DSS no reemplaza al cultivador ni al agrónomo, sino que les proporciona información adicional para tomar mejores decisiones. En el avellano, como cultivo perenne con un largo ciclo productivo y una floración sensible, este tipo de herramienta cierra la brecha entre la sensorización "dura" (IoT, teledetección) y la agrotecnia diaria. Este artículo explica qué modelos y sistemas están disponibles y cómo se utilizan en la práctica.
¿Qué es un DSS y por qué específicamente en una plantación de avellano¶
Tradicionalmente, las decisiones en la plantación se toman basándose en la experiencia y en prácticas establecidas (calendario). Este enfoque, aunque probado, aumenta los márgenes de error: se trata cuando no hay riesgo, se riega "por intuición" y la helada sorprende al turno nocturno. El DSS formaliza este proceso en tres pasos:
- Recopilación de datos — estación agrometeorológica, sensores de humedad del suelo y de las hojas, índices satelitales/de drones, observaciones fenológicas.
- Procesamiento y modelado — los modelos matemáticos transforman los datos brutos (temperatura, humedad, precipitaciones, horas de humedecimiento de las hojas) en índices de riesgo o recomendaciones.
- Recomendación y acción — el cultivador recibe una alerta (p. ej., SMS/aplicación) o el sistema activa automáticamente una acción (p. ej., una válvula de riego).
En el proyecto PANTHEON (H2020), que desarrolló un sistema SCADA para el cultivo preciso del avellano y lo validó en una plantación comercial en Nápoli, Italia, el usuario en la interfaz "analiza las propuestas elaboradas por el sistema de apoyo a la decisión", aprueba las válidas, rechaza las innecesarias, y la planificación de trabajos puede ser tanto manual como automática. Este es un buen modelo de cómo se ve un DSS en la práctica: propuesta → confirmación humana → ejecución.
Equipo típico sobre el que se basa un DSS¶
Según el informe croata para una plantación de avellano (Donji Hrastovac, Municipio de Sunja), se puede ver una lista real de la estación agrometeorológica sobre la que se construye el DSS:
| Componente | Finalidad |
|---|---|
| Unidad central con módulo GPRS | transmisión de datos |
| Sensor de humedad de la hoja (PLWS) | estimación del riesgo de infecciones fúngicas |
| Pluviómetro (RG300) | precipitaciones, lavado, humedecimiento |
| Sensor de temperatura y humedad relativa del aire (RHT35) | heladas, enfermedades, fenología |
| Sensores de humedad del suelo (mín. 2 unidades) | riego |
| Sensor de temperatura del aire y velocidad del viento | heladas, evapotranspiración |
| Módulo fotovoltaico, soporte, SIM/licencia | alimentación y conexión |
| Programa informático + aplicación móvil | visualización y alertas |
En PANTHEON, los datos de la estación se transmiten mediante un módulo LoRa, y la humedad, temperatura, precipitaciones y radiación solar se utilizan para calcular el DPV (déficit de presión de vapor) y el índice de estrés hídrico del cultivo (CWSI), diferenciando así el estrés por sequía del estrés causado por enfermedades o plagas.
Modelos de riesgo para enfermedades y plagas¶
El núcleo de cualquier DSS para la protección de las plantas es el modelo de riesgo: la relación matemática entre la cantidad de inóculo, las condiciones ambientales y el desarrollo de la enfermedad. Según la literatura, estos modelos "son componentes clave de cualquier herramienta de apoyo a la decisión en la protección de las plantas", ya que mejoran la puntualidad y la eficacia, y reducen los costos económicos y ambientales.
Oidio (mal bianco / tipo Erysiphe)¶
Los modelos para el oidio (en italiano mal bianco), adaptados de la experiencia en viticultura, calculan diariamente para cada estación meteorológica:
- la dosis de inóculo que aún no se ha dispersado,
- la tasa de apertura de cleistotecios por evento,
- la eficacia infecciosa de cada evento,
- el momento de la esporulación (aparición de síntomas),
- la presión epidemiológica estacional.
La utilidad práctica: en lugar de pulverizaciones calendáricas, el fungicida se aplica antes del período de riesgo real. De este modo, se reduce el número de tratamientos y aumenta la eficacia.
EFB y pudrición de frutos — DEFHAZ y modelo "incidencia de pudrición"¶
Para el avellano se han desarrollado dos modelos destacados guiados por meteorología que se centran en los frutos defectuosos/podridos (asociados al complejo Diaporthe spp., incluido Diaporthe eres):
DEFHAZ es un modelo mecanístico que opera con datos horarios desde el 1 de enero:
| Entrada | Umbral / parámetro |
|---|---|
| Temperatura del aire | valores cardinales para la infección 14 °C (ópt.), 6 °C (mín.), 32 °C (máx.) |
| Humedad relativa / humedecimiento | condición para infección y latencia |
| Precipitaciones (dispersión de esporas) | > 0,2 mm |
| Desarrollo de pícnidios | GDD ≥ 788 |
El modelo proporciona un índice de infección acumulativo (Dh-I) y predice la probabilidad de que la incidencia de frutos defectuosos supere el 1 %, tanto para defectos ocultos (oscurecimiento interno) como para defectos totales, en las fases BBCH81 (inicio del madurado) y BBCH89 (madurez plena/cosecha). La validación mostró:
- ~95 % de precisión para defectos ocultos (BBCH81 vs. BBCH81),
- 71–89 % para defectos totales (BBCH89),
- 84 % (ocultos) y 71 % (totales) en la predicción anticipada (BBCH81 → BBCH89).
El valor clave: la predicción del riesgo aproximadamente un mes antes de la cosecha, lo que permite dirigir los fungicidas al período de sensibilidad (en la literatura hasta finales de mayo) e identificar "zonas de riesgo".
El modelo simulado de pudrición relacionado (Valeriano et al., 2022, aplicado a siete municipios principales productores en Turquía) conecta un módulo epidemiológico basado en procesos del ciclo de Diaporthe con el desarrollo fenológico del fruto. El número de horas favorables para la dispersión de conidias (CumCS) sirve como medida sustituta del inóculo para el año siguiente, y la sensibilidad de la planta (PS, 0–1) se activa cuando las flores femeninas son receptivas a las esporas. El mensaje práctico: el riesgo de pudrición no es el mismo cada año y depende del tiempo de la temporada anterior; el DSS cuantifica esto.
Curculio (gorgojo del avellano) y enfoque fenológico¶
Para Curculio nucum (gorgojo del avellano) no existe un modelo público tan estandarizado como para la pudrición, pero la lógica es la misma y se basa en la fenología y las sumas térmicas: la aparición de adultos y el período de puesta de huevos se vinculan con la fenofase de desarrollo del fruto y los grados-día acumulados. Un DSS que sigue la fenología (ver continuación) y la captura en trampas ayuda a determinar el umbral y la ventana de tratamiento, en lugar de la pulverización rutinaria. En ausencia de un modelo validado para condiciones locales, confíe en el seguimiento con trampas y en el servicio de asesoramiento agronómico.
Las dosis y productos son informativos
Los modelos de riesgo indican cuándo el riesgo es alto, no prescriben el producto ni la dosis. La elección del preparado, la dosis y el plazo de carencia dependen de la variedad, la ubicación y la registro/etiquetado vigente. Verifique siempre la autorización del producto en Croacia (base de datos FIS) y con el servicio de asesoramiento antes de aplicar.
Modelos fenológicos — el cronometraje de todo lo demás¶
El modelo fenológico estima cuándo ocurrirá cada fase (brotación, floración, receptividad del estigma, maduración) en función de la temperatura del aire y, cada vez más, del fotoperiodo.
Esta es la "columna vertebral" de todo el DSS, ya que tanto los modelos de enfermedades como el cronometraje de los tratamientos y la estimación del riesgo de heladas dependen de la fase de desarrollo.
- Los modelos de tipo Índice de Primavera Americano (implementados, por ejemplo, en MATLAB) combinan la temperatura del aire y el fotoperiodo para estimar el "inicio de la primavera" (primeras hojas o primera floración). Las estimaciones de desplazamientos fenológicos bajo el cambio climático afectan directamente la planificación de la protección y la cosecha.
- En el modelo de pudrición se simulan ocho fases reproductivas femeninas desde la floración hasta la caída del fruto, y la temporada "comienza" el 1 de octubre como fecha de referencia.
- La fenología determina la ventana de sensibilidad: por ejemplo, la receptividad del estigma (fase R8 floración plena → R9 marchitez del estigma) es clave tanto para la polinización como para la entrada de esporas fúngicas.
Prácticamente: si el DSS sabe que la plantación está en la fase de receptividad del estigma, entonces tanto la alerta de helada como la de infección tienen mayor peso, y las recomendaciones pueden priorizarse.
Alarmas contra heladas¶
La helada primaveral es uno de los mayores riesgos para el avellano, que florece muy temprano. El DSS tiene aquí un doble papel: predicción (riesgo para varios días por adelantado) y alarma en tiempo real (la temperatura cae por debajo del límite crítico).
Según las notas tecnológicas eslovenas, está claro el límite de las predicciones generales: el servicio meteorológico estatal advierte del peligro, pero "no puede predecir con exactitud cuándo y cuánto descenderá la temperatura por debajo de cero en una plantación determinada". Por ello, se recomienda:
- predicciones micrometeorológicas para posiciones de riesgo (conectar la situación meteorológica con el relieve),
- actualización de las estaciones agrometeorológicas con sensores de termómetro seco y húmedo a 0,5 m de altura,
- alertas por SMS a los cultivadores interesados (siguiendo el ejemplo del sistema en el Tirol del Sur).
La literatura clásica sobre protección contra heladas (Snyder/Connell) añade elementos prácticos del sistema de alarmas:
- alarmas electrónicas fiables que suenan en el teléfono, activan el ventilador (wind machine) o la bomba cuando entra una masa de aire frío inesperada,
- sensor en una pantalla meteorológica estándar, calibrado según una red de termómetros distribuidos por las parcelas,
- umbrales de alarma establecidos según las temperaturas críticas de los brotes (que dependen de la fenofase).
Para la protección activa, si el DSS activa el riego para "helada" (aspersión), el consumo orientativo es de ~2,5–5,1 mm/h de agua; los métodos dinámicos como Frostbusters (soplador de aire caliente tractor, ~80–100 °C, retorno al punto inicial en ~10 min) requieren viento calmado. Todas estas cifras son informativas y dependen de la plantación y el equipo.
| Función del DSS ante heladas | Qué proporciona al cultivador |
|---|---|
| Predicción de riesgo (varios días) | preparación del equipo, combustible, turnos |
| Alarma en tiempo real (temp. crítica) | señal inmediata para activar la protección |
| Activación automática (válvula/bomba/ventilador) | reacción incluso sin personal presente |
| Calibración según fenofase | umbrales más precisos (temp. crítica del brote) |
| ## Riego basado en modelos |
El concepto de DSS (Sistemas de Soporte de Decisiones) para el riego tiene décadas de antigüedad, y hoy en día se basa en el modelo de balance hídrico (ET-WB) y/o en sensores de humedad del suelo. El objetivo es la "restitución" — devolver exactamente la cantidad de agua que la plantación ha consumido, lo que ahorra agua y evita el estrés hídrico.
- Balance hídrico / ETo: en los modelos se incorporan la evapotranspiración de referencia pronosticada y las precipitaciones; los marcos de trabajo conocidos incluyen AquaCrop, DSSAT, WOFOST, APSIM.
- Enfoque basado en sensores: los sensores de humedad del suelo (en el informe mínimo 2 unidades) y el cálculo del CWSI/VPD procedente de la estación meteorológica (PANTHEON) proporcionan una retroalimentación directa para la gestión de las válvulas.
- Cifras orientativas para el avellano: fuentes promocionales y técnicas indican necesidades estacionales aproximadas de ~800 mm para el avellano común, así como la aplicación de goteros autocompensantes debido a la pendiente del terreno (p. ej., ~1666 m de línea de goteo/ha); el riego puede reducir la proporción de avellanas vacías (se cita ~20 %). En pruebas turcas con goteo subsuperficial (goteros a 40 cm de distancia, caudal de 2 L/h, a 15 cm de profundidad) se compararon regímenes del 70 %, 100 % y de secano (control) — lo cual es precisamente el tipo de decisión que ayuda a tomar el DSS.
| Enfoque | Entrada principal | Salida / decisión |
|---|---|---|
| Balance hídrico (ET-WB) | ETo, precipitaciones, fase, tipo de suelo | cantidad y momento del riego |
| Sensores de humedad del suelo | humedad en la zona radicular | cuándo regar (umbrales) |
| CWSI / VPD (dosel) | temperatura, humedad, radiación | diferenciación entre sequía y enfermedades |
Las cifras son orientativas
Las cantidades indicadas (mm/ha, distancias entre goteros, porcentajes) dependen de la variedad, el suelo, el clima y el sistema, y sirven únicamente como orden de magnitud. Confirme la norma local de riego mediante mediciones y con el servicio de asesoramiento agronómico.
Puente entre la sensorización y la agrotecnia¶
La sensorización (IoT, teledetección) por sí sola solo proporciona números; la agrotecnia necesita una decisión. El DSS es la capa que los conecta:
- Capa de datos — estación meteorológica, sensores de suelo/hojas, satélites/drones (PANTHEON utiliza tanto robots aéreos como terrestres).
- Capa de modelos — fenología, modelos de enfermedades (oidio, DEFHAZ/podredumbre), balance hídrico, heladas.
- Capa de decisión — índice de riesgo, alerta, ventana recomendada; propuesta que el humano confirma.
- Capa de acción — trabajo manual o control automático (riego, protección contra heladas).
Es precisamente esta lógica encadenada lo que aumenta la detección de factores limitantes "para cada planta individual" (falta de agua, plagas, enfermedades) y permite una reacción oportuna — con mayor producción, menor coste y menor impacto ambiental.
Recomendaciones prácticas y errores comunes¶
Recomendaciones
- Comience con una estación meteorológica bien instalada con sensor de humedad foliar y temperatura; esta cubre enfermedades, heladas y fenología.
- Insista en la alarma SMS/push para heladas — un pronóstico sin alarma en tiempo real no es suficiente.
- Calibre los sensores y umbrales según su propia red de termómetros y las temperaturas críticas de los brotes por fenofase.
- Utilice el modelo de riesgo de enfermedades para reducir el número de tratamientos, no para pulverizar ciegamente según un calendario.
- Trate la recomendación del DSS como una propuesta que usted confirma con la observación de campo (trampas, inspección).
Errores comunes
- Confiar en el pronóstico regional general en lugar de la microlocalización de la plantación (el relieve y las zonas de helada alteran significativamente la situación).
- Instalar la estación en una posición no representativa (no en la zona de riesgo, propensa a heladas).
- Confundir el estrés por sequía con el estrés por enfermedades — sin VPD/CWSI o sensores foliares es fácil equivocarse.
- Aplicar dosis y productos "según el artículo" sin verificar la registro y etiqueta para Croacia (RH).
- Ignorar la fenología: las mismas condiciones meteorológicas conllevan un riesgo diferente dependiendo de la fase de desarrollo.
Galería¶
Fuentes¶
Este artículo es un resumen generado por IA a partir de una colección interna de literatura sobre el avellano (corpus RAG) y fuentes públicas. Las fuentes principales utilizadas son:
- Smart Agriculture: Nuove Tecnologie Informatiche in Agrometeorologia e Agronomia (Parisi, 2024.) — Corpus RAG (definición y papel del DSS).
- Precision Farming of Hazelnut Orchards (PANTHEON) — SCADA for Agriculture / PANTHEON: SCADA for Precision Agriculture — Corpus RAG y CORDIS, proyecto 774571; CORDIS Results in Brief
- DEFHAZ: A Mechanistic Weather-Driven Predictive Model for Diaporthe eres Infection and Defective Hazelnut Outbreaks — PMC9784339
- Valeriano et al. (2022.) Rotten Hazelnuts Prediction via Simulation Modeling — A Case Study on the Turkish Hazelnut Sector — Corpus RAG y PMC9014268; doi:10.3389/fpls.2022.766493
- Fungal trunk diseases of fruit trees in Europe (2022.) — Corpus RAG (papel de los modelos en el DSS para la protección de cultivos).
- Studio di differenti strategie... / modelo para mal bianco (oidio) — Corpus RAG.
- Tehnološka navodila za zaščito pred spomladansko pozebo v sadjarstvu (2018.) — Corpus RAG (micrometeorología, alarmas SMS).
- Frost Protection in Orchards and Vineyards (Snyder/Connell) — Corpus RAG (alarmas, calibración, temperaturas críticas de los brotes).
- Elaborat zaštite okoliša... nasad lijeske, Donji Hrastovac, Općina Sunja (2021.) — Corpus RAG (composición de la estación agrometeorológica).
- IRRITEC — irrigation of the common hazel y Farklı Sulama Yönetimleri (fındık) (2022.) — Corpus RAG (cifras orientativas de riego).
- Assessment of potential shifts in hazelnut phenology (2025.) y metodología American Spring Index — Corpus RAG (modelos fenológicos).
- Revisiones sobre DSS para programación de riego y sistemas de predicción de heladas: Survey on Smart Irrigation Scheduling (PMC9083007); Machine Learning-Based Hourly Frost-Prediction System for Orchards (MDPI Atmosphere 12/846)