Descripción: Fil: Gaido, Nicolás Esteban. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Sardiña, María Cecilia. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Micó, Fernando Horacio. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Girón, Paula. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Pacente, Ezequiel Martín. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Beltrán, Victor Manuel. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Molina, Cecilia Denisse. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Carrasco, Maribel Adriana. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Santinelli, María Eugenia. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Espinosa, José Luis. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Garello, Federico José. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Diaz Valdez, Santiago Teofilo. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Nico, Magalí. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Ledesma, Roxana. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Gatti, María Laura Amalia. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Bastias Campos, Daniel Alexander. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Couso, Luciana Laura. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Minás, Alexia. Universidad de Buenos Aires. Facultad de Agronomía; Argentina.

Descripción: Fil: Hisse, Ignacio Rubén. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Huarte, Héctor Roberto. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Ibarra, Silvia Elizabeth. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Lazzaro, Pablo Catriel. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Osorio Monsalve, María Eugenia. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Doporto Miguez, Evelin. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Perez, Gonzalo Antonio. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Pingo Lozada, José Félix. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Cassani, Mariano Tomás. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Miccoli, Florencia Estefanía. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Nuñez, Griselda Analía. Universidad de Buenos Aires. Facultad de Agronomía; Argentina.

Descripción: Fil: Giannini Kurina, Franca. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Hodara, Karina. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: El cacao es un cultivo de gran relevancia económica, social y ambiental para Colombia, constituyéndose en una especie primordial del sistema agroforestal campesino de muchas regiones. Sin embargo, existen varios factores que afectan la calidad y producción de los granos de cacao, siendo las enfermedades la principal limitante. La monilia, causada por el hongo Moniliophthora roreri, se destaca como el problema fitosanitario que afecta al cacao en Latinoamérica con mayor severidad. En Colombia, esta enfermedad puede causar pérdidas que oscilan entre el 40% y 100% de la producción, lo cual está relacionado con la severidad del ataque del patógeno, las condiciones ambientales y el manejo del cultivo. En este trabajo se elaboraron modelos matemáticos que permiten identificar y cuantificar el efecto ambientalgenético sobre los niveles de enfermedad, siendo una herramienta de apoyo en el manejo integrado del cultivo. Para satisfacer este objetivo, se utilizaron datos mensuales de incidencia (Inc%) de monilia, durante el periodo 2005 – 2011, registrados por Fedecacao en dos sitios: La Cabaña y Chimita, pertenecientes al departamento Santander, Colombia. En primer lugar, se analizaron los efectos año y mes sobre la incidencia de M. roreri, resultando significativos al 1% en ambos sitios. Por el test de Duncan, el clon FLE-2 (mayor Incidencia de monilia, más susceptible) difirió significativamente del clon CCN-51 (menor Incidencia, más resistente) en La Cabaña y Chimita. Esa diferencia estadística en la respuesta genética de ambos clones respecto a la incidencia de monilia, avaló su inclusión como variable discreta regresora (Susc=0, resistente; Susc=1, susceptible) en modelos de regresión logística de respuesta binaria y ordinal. Las variables meteorológicas regresoras se calcularon a partir de registros diarios de precipitación del periodo 2005 – 2011 provenientes de la estación meteorológica automática San Vicente de Chucurí (Departamento Santander). Las correlaciones de Kendall (rk) entre las variables meteorológicas analizadas (asociadas a la ocurrencia de precipitación) y los niveles de enfermedad (binarios y ordinales) fueron bajas. En La Cabaña se destacó la correlación positiva presentada por la variable PPrec1 (rk= 0,14 y 0,19, para respuesta ordinal y binaria). Valores más altos de PPrec1 (número de períodos de dos días consecutivos con precipitaciones menor a 1mm en ambos días) se asociarían a la satisfacción del requerimiento de mojado del fruto, necesario para el proceso de infección fúngica. En Chimita, los más altos coeficientes de correlación (rk= 0,34 y 0,29, para respuesta ordinal y binaria) se observaron para la variable PPrec8 (períodos de dos días con precipitación menor 8mm en ambos días) En ambos sitios, la variable discreta Susc presentó coeficientes de correlación moderados y positivos (rk de 0,31 a 0,23). Utilizando la técnica de regresión logística se pudieron desarrollar modelos preliminares para predecir las probabilidades de ocurrencia de niveles (binarios y ordinales) de incidencia de monilia, en base a variables genético-ambientales en ambos sitios. Los mayores índices de habilidad predictiva fueron alcanzados por los modelos de regresión logística de respuesta binaria en ambos sitios. En La Cabaña, el modelo de regresión binario más preciso (precisión de predicción: 84,5%) incluyó a las variables PPrec1, PrecAc (precipitación acumulada, pendiente negativa) y Susc (0 o 1: comportamiento de los clones). En Chimita, el más preciso modelo binario precisión de predicción: 77,3%) incluyó una variable simple (PPrec8) y la interacción de la variable discreta (Susc) con DPrec8 (días con precipitación menor a 8mm). PPrec8 y DPrec8 podrían asociarse a la ocurrencia de lluvias con energía suficiente (se descartan los días con lloviznas) necesaria para la dispersión de conidios del patógeno y a la película de agua necesaria para la infección fúngica. Para este estudio, se observó que el período crítico susceptible en el cual se calculan las variables meteorológicas tuvo una extensión de 40 días (inicio y fin: 80 y 40 días previos al fin de cada mes), coincidente con la aparición de síntomas externos después de 40 a 80 días del evento de infección.

Descripción: Fil: Humano, Cristian Ariel. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: En la llamada cuarta revolución industrial se encuentra la necesidad de convivir en un mundo controlado por datos. Los sensores remotos nos ofrecen datos continuos sobre el estado de la vegetación. Es posible utilizar la información satelital para generar índices espectrales relacionados a la biomasa vegetativa, que sirvan para estudiar la evolución del cultivo. La gran cantidad de imágenes provenientes de la constelación Sentinel 2 nos permite obtener datos periódicamente y evaluar el momento donde la variable satelital tenga mayor bondad de ajuste con el rendimiento real. A partir de esta información es posible generar un modelo para la predicción del rendimiento. En el presente trabajo se propone evaluar el ajuste entre el índice de verdor de diferencia normalizada (NDVI) acumulado dentro de distintas ventanas de tiempo alrededor del momento de floración en lotes de producción de maíz semilla ubicados en el sudeste de la provincia de Buenos Aires. Luego, a partir de los datos de la ventana de tiempo de mayor ajuste, y con el objetivo de que tenga un sentido fisiológico, generar un modelo con el cual se realicen estimaciones de rendimiento. Por último, evaluar la precisión del modelo, compararlo con un hipotético modelo ideal y con estimaciones realizadas por el método convencional de conteo de los componentes del rendimiento a campo. La ventana de tiempo donde los datos mostraron mayor bondad de ajuste es entre los 10 y los 20 días después del momento de floración. El modelo desarrollado ofreció estimaciones de rendimiento más precisas que el muestreo convencional.

Descripción: Fil: Ghiglione, Franco Alexis. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: López, María Virginia. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Leszczuk, Andrés Alejandro. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Arce Plata, María Isabel. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Suárez, María José. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: García Baccino, Carolina Andrea. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Durante, Martín. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Dado que las heladas se identifican a partir de la temperatura mínima del aire, el objetivo de este trabajo es presentar modelos de pronóstico a 1, 3 y 5 días de la temperatura mínima (Tmin) diaria para la ciudad de Bahía Blanca. Se trabaja con modelos de regresión lineal múltiple y con modelos numéricos no lineales tales como redes neuronales y elementos finitos. Las variables predictoras son: temperatura y temperatura del punto de rocío a nivel de abrigo, humedad relativa, nubosidad observada en la estación y dirección y velocidad del viento medido a 10 metros de altura, observadas en las cuatro observaciones diarias de las 03, 09, 15 y 21 hora local de la estación meteorológica de Bahía Blanca Aero. El período seleccionado es mayo a septiembre de 1956 a 2015 con las 6 variables mencionadas. El análisis se repite utilizando 4 variables predictoras (temperatura, temperatura de punto de rocío, intensidad de viento y nubosidad), considerando no solamente el período mayo a septiembre, sino también las distintas temporadas del año en forma separada: otoño (marzo-mayo), invierno (junioagosto) y primavera (setiembre-noviembre) en base a información de un período reducido de 9 años (2007-2015). Se busca con esto evaluar la performance" de los modelos utilizando una menor cantidad de información, y a su vez extendiendo el análisis a aquellos meses de mayor susceptibilidad para los cultivos. Para la selección del modelo más adecuado se evalúan el coeficiente de correlación de Pearson (R), el coeficiente de determinación (R2) y el Error Absoluto Medio (EAM). Los resultados del estudio determinan que el modelo de elementos finitos con 4 variables, 9 años de datos y separado por estación del año es el más ventajoso para el pronóstico de Tmin de hasta con 5 días de anticipación, con la ventaja que se emplean solamente observaciones locales.

Descripción: Fil: Salato, Gloria Silvia. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Vecchio, María Cristina. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Ruolo, María Soledad. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Moreno Gómez, Laura. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Vence, Lilia Beatriz. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.

Descripción: Fil: Parreño, Viviana. Universidad de Buenos Aires. Facultad de Agronomía. Escuela para Graduados; Argentina.