Modelado prediccion enfermedades cultivos - edUTecNe ...

More documents

Recommendations

Info

Modelado para la predicción de enfermedades en cultivos de alto valor comercial agricultura, reduciendo los riesgos de cosecha y mejorando el medio ambiente [Canteri et al., 2004]. 2.1.5.4. Imágenes digitales Las imágenes digitales también pueden ser almacenadas, siendo el punto de partida el procesamiento de la misma. Trabajos en esta área, aplicados a la fitopatología, vienen siendo desarrollados desde la década del 80, cuando las máquinas todavía no poseían gran capacidad de procesamiento. Blanachette [1982] describió un análisis de imágenes como una nueva técnica, útil para medir defectos en árboles. Lindow y Web [1983] se encuentran entre los pioneros en el estudio de sistemas para cuantificar síntomas en hojas afectadas, utilizando análisis de imágenes videodigitalizadas. La aplicabilidad de sistemas de procesamiento de imágenes, fue posible gracias al incremento de la performance de las computadoras. Kampmann y Hausen [1993] utilizaron imágenes digitales coloreadas para cuantificar la severidad de oídio en hojas de pepino. Otro trabajo similar, fue realizado por Kokko et al. [1993] para cuantificar la decoloración de entrenudos del tallo de trigo, provocada por putrefacción ordinaria de raíces. Síntomas de virus en hojas de maíz, provocados por Maize Streak Virus (MSV), también fueron cuantificados en un sistema basado en microcomputador, con alto grado de automatización [Martin y Rybicki, 1998]. Niemira et al. [1999] desarrollaron un sistema para analizar tubérculos de papa en relación a la susceptibilidad a Phytophthora infestans. Más recientemente, el software Image Analysis Software for Plant Disease Quantification (ASSESS), fue proyectado exclusivamente para cuantificar enfermedades a través de imágenes digitales [Lamari, 2002]. El procesamiento de imágenes, además de las aplicaciones citadas precedentemente, también es útil para elaborar escalas diagramáticas [Rodrigues et al., 2002]. Ahmad et al. [1999] desarrollaron un sistema para clasificar semillas de soja con síntomas de daños por hongos y virus. Leemans et al. [1999] presentaron un método para identificar defectos en frutos de manzanas, entre ellos lesiones provocadas por hongos. Guyer y Yang [2000] presentaron un sistema para detección de defectos en frutos de cerezo utilizando imágenes espectrales. 32
Modelado para la predicción de enfermedades en cultivos de alto valor comercial 2.1.5.5. Bioinformática La información hereditaria y funcional de una planta o un patógeno está almacenada en forma de ADN, ARN y proteínas. Estas macromoléculas son cadenas lineales montadas a partir de compuestos químicos bien conocidos (nucleótidos) representados por un alfabeto fijo, C, B, A, T para el ADN, o C, G, A, U para el ARN, y los 20 aminoácidos que pueden componer las proteínas. En función de las cadenas lineales representadas por compuestos conocidos, ellas pueden ser representadas por secuencias de símbolos que pueden compararse para encontrar similitudes con otras moléculas conocidas que aparentan semejanzas en la forma o la función. El análisis genético de la resistencia de plantas a los patógenos y de la patogenicidad de los agentes, producidas por las enfermedades vegetales, está íntimamente relacionado con el conocimiento de la función y composición de dichas secuencias [Canteri et al., 2004]. La comparación de secuencias, es probablemente la herramienta computacional más útil para los fitopatólogos moleculares. Las computadoras, debido a su agilidad, e Internet como medio de comunicación, hicieron posible la comparación de las mencionadas secuencias. Estas herramientas permiten el acceso a los bancos de datos públicos de secuencias de genomas, disponibles en una interfaz amigable para los usuarios de todo el planeta. Con programas simples, un fitopatólogo puede comparar una secuencia de ADN recientemente definida por él, con colecciones de secuencias de ADN públicas, con funciones de resistencia a la patogenicidad, muchas veces conocida para estas moléculas [Canteri et al., 2004]. Cualquier resultado en bioinformática, sea un alineamiento de secuencias, la predicción de una estructura o un análisis de expresión genética, debe responder a una cuestión biológica. Por esta razón la interpretación de un resultado hecha por un investigador, es el paso más importante del proceso científico. Presentaciones bajo la forma de gráficos, comparaciones estadísticas y técnicas como minería de datos, son herramientas computacionales que ayudan a dar sentido a los resultados obtenidos [Gibas y Jambeck, 2001]. 33
Page 1 and 2: Editorial de la Universidad Tecnol
Page 3 and 4: Modelado para la predicción de enf
Page 31: Modelado para la predicción de enf
Page 83 and 84:
Modelado para la predicción de enf
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
7.2. Anexo 2 7.2.1. Bases de datos
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
Page 181 and 182:
Page 183 and 184:
Enrique C. Bombelli Estudios Ingen
show all

Modelado prediccion enfermedades cultivos - edUTecNe ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?