¿Cuál es la información predictiva de un análisis de riesgo de plagas?
En la evaluación del riesgo de plagas, el tiempo y el espacio son predecibles. La predicción temporal se refiere a la evaluación de riesgos del futuro basada en información existente; la predicción espacial se refiere a la estimación de riesgos de un área determinada basada en información de múltiples puntos. Teng1991 propuso dos métodos de evaluación de riesgos: el método sin modelo y el método modelo. El método no modelo se refiere a la opinión del grupo de expertos, que se basa principalmente en el conocimiento y la experiencia profesional del experto. Actualmente, las evaluaciones del impacto de los riesgos en el ámbito fitosanitario son en su mayoría enfoques que no se basan en modelos. Este método modelo no sólo puede proporcionar el comportamiento de las plagas introducidas en diferentes condiciones ambientales, sino que también refleja la relación entre el huésped, el patógeno y el medio ambiente.
Un modelo amplio se refiere a un modelo matemático basado en computadoras y tecnologías relacionadas. Los modelos predictivos se pueden dividir en dos tipos: uno es el modelo empírico, que suele utilizar métodos estadísticos como los modelos de regresión; el segundo es el modelo de simulación, que suele combinarse con una base de datos. Actualmente, muchos investigadores consideran que los modelos de simulación son las técnicas más fiables para la evaluación de riesgos. En 1990 y 1992, Zeng Shimai et al. combinaron datos climáticos históricos y utilizaron modelos de simulación para predecir los riesgos de varias enfermedades del trigo para la producción de trigo, utilizados por el Departamento de Agricultura de los Estados Unidos para predecir la prevalencia y distribución potencial de la roya de la soja; , también es un modelo de simulación.
En la actualidad, el modelo de predicción de enfermedades de las plantas de mayor éxito es el modelo MARYBLYT diseñado por Steiner (1990) para predecir la niebla del peral y del peral en peral. Con base en la temperatura máxima diaria, la temperatura mínima, la precipitación y la etapa fenológica de las peras y manzanas, combinados con el método de cálculo del número potencial de reproducción diaria de bacterias patógenas, se predijo el tiempo de aparición y el riesgo de infección de cuatro síntomas diferentes de la niebla del peral y del peral en las peras. La aplicación práctica de este modelo en Maryland, Virginia Occidental, Michigan, Washington, Canadá, Polonia y otros países de Estados Unidos ha demostrado que la predicción del momento de aparición de los síntomas de la plaga es muy precisa, con un error de sólo 1 a 2. días desde el hecho real. Actualmente, Canadá, Italia y otros países han utilizado este modelo para estudios de campo, predicciones y seguimiento de cuarentenas. Schouten de los Países Bajos (1991) también estableció un modelo de análisis de riesgo simulado para la niebla del peral y del peral en pera. Fahy et al., 1991 también evaluaron el potencial de colonización de E. amylovora. Teniendo en cuenta la ruta de introducción, la confiabilidad de la detección y la efectividad del tratamiento, los resultados muestran que la probabilidad de que la niebla del peral y del peral ocurra en huertos australianos dentro de 30 años es al menos del 78%. De hecho, la niebla del peral y del peral se descubrió en Australia en 1997.
Las predicciones temporales y espaciales dependen en gran medida de la disponibilidad de una base de datos geográfica. Este tipo de base de datos es clave para las predicciones regionales. Contiene variables como plantas hospedantes, patógenos, clima y suelo que reflejan diferentes atributos del ecosistema. Cada variable forma una capa de información sobre la región. Porque la biología y la física suelen estar relacionadas con la mayoría de las variables de un ecosistema. Por tanto, si se combinan con herramientas que puedan procesar este tipo de datos, como sistemas de información geográfica y geoestadísticas, la precisión y eficacia de las predicciones mejorarán enormemente.