Video Experimental Relacionado
Updated: Sep 10, 2025

RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
Avanzar en la predicción del riesgo de esclerotinia para la colza de invierno en Alemania: integrar la fenología de
Vera Krause1, Nazanin Zamani-Noor2, Lena Müller3
1Julius Kühn-Institute (JKI), Institute for Strategies and Technology Assessment, Kleinmachnow, Germany.
Este estudio mejora el modelo SkleroPro para pronosticar la podredumbre del tallo de Sclerotinia en la colza de invierno. El modelo mejorado aumenta la precisión de la predicción del riesgo de enfermedades, ayuda al manejo sostenible de los cultivos y reduce el uso de fungicidas.
Área de la Ciencia:
- Ciencias Agrícolas
- Patología vegetal
- Protección de los cultivos
Sus antecedentes:
- La podredumbre del tallo de la esclerotinia, causada por *Sclerotinia sclerotiorum*, representa una amenaza significativa para la producción de colza de invierno alemana (*Brassica napus*), que puede causar una pérdida de rendimiento de hasta el 30%.
- La precisión predictiva del modelo SkleroPro existente para la evaluación del riesgo regional de esclerotinia ha disminuido.
Objetivo del estudio:
- Mejorar el modelo de pronóstico de riesgo de enfermedad SkleroPro para la colza de invierno.
- Mejorar la precisión predictiva mediante la integración de un nuevo modelo fenológico y un módulo de germinación de esclerotios.
Principales métodos:
- Desarrolló un modelo fenológico utilizando la temperatura y el fotoperíodo para predecir las etapas de floración (BBCH 58-70).
- Se creó un modelo de germinación de esclerotia utilizando la temperatura máxima media y la humedad relativa.
- Integró estos módulos en el modelo SkleroPro para mejorar la evaluación del riesgo de enfermedad.
Principales resultados:
- El modelo fenológico logró un error cuadrado de la raíz media (RMSE) de 3,83 días para predecir las etapas de floración.
- El modelo de germinación de esclerotia demostró una precisión del 79%.
- La integración aumentó la precisión de la predicción del riesgo de enfermedad de SkleroPro del 39% al 66%, con una sensibilidad del 90%.
Conclusiones:
- El modelo mejorado SkleroPro proporciona una mejor previsión del riesgo de enfermedad para la colza de invierno.
- Identifica las ventanas óptimas de aplicación de fungicidas, apoyando prácticas sostenibles y reduciendo los tratamientos innecesarios.
- La herramienta está siendo validada para su futura disponibilidad para los agricultores.
Más Videos Relacionados
Videos de Conceptos Relacionados
Adaptations that Reduce Water Loss
Light Acquisition
What is Climate?
Steps in Outbreak Investigation

