invertebrados terrestres (no artrÓpodos) · de control de plagas más adecuadas desde el punto de...

Técnicas taxonómicas Técnicas de muestreo

INVERTEBRADOS TERRESTRES (NO ARTRÓPODOS)

ASPECTOS

APLICADOS

Ejemplo:

investigación aplicada

al control de plagas

de gasterópodos

en la agricultura

Diseño

Metodología

Resultados

Conclusiones

DESARROLLO DE UN MODELO DE PREDICCION DE ACTIVIDAD DE LA BABOSA GRIS, Deroceras

reticulatum, PARA SU APLICACIÓN EN PROGRAMAS DE CONTROL DE PLAGAS

EN

E

FE

B

MA

R

AB

R

MA

Y

JU

N

JU

L

AG

O

SE

P

OC

T

NO

V

DIC

BAJA

MEDIA

ALTA

MES

NIVEL DE

ACTIVIDAD

75-100

50-75

25-50

0-25

C

Y

C

L

E

ACTIVITY

ARTIFICIAL

NATURAL MODELLING

0

5

10

15

20

Métodos de control: 1. Plaguicidas (molusquicidas) químicos clásicos * metaldehído * carbamatos

*Eficacia Elevada, pero sólo a corto plazo *Inconvenientes Residuos (suelo, aguas, plantas) Efectos sobre otros animales

Métodos de control: 2. Nuevos plaguicidas químicos * fosfato de hierro

3. Control biológico * nematodos

*Eficacia Menor, sólo a corto plazo *Inconvenientes Caros Otros??

Métodos de control: 4. Nuevos métodos de control * protozoos (control biológico) * ovicidas químicos * cultivos-trampa * cultivos transgénicos * etc.

10 m

../../../Personal/Square/DEF_PRUEBAS_OPOSICION/CONCURSO/Presentaciones/portada Tesis Barrada.ppt

¿El “mejor”?

* Elevada eficacia * Bajo coste * Fácil aplicación * Amplia distribución

Objetivo:

Racionalización de su uso (utilizar menos cantidad de plaguicida, manteniendo o aumentando la eficacia)

¿CUANDOAPLICAR?

PLAGUICIDA PLAGA CULTIVO

CONTROL DE PLAGAS: Concepto tradicional: OBJETIVO: erradicar la plaga ESTRATEGIA: plaguicidas químicos

C.I.P (control integrado de plagas): OBJETIVO: mantener la plaga bajo control ESTRATEGIA: combinación de métodos



C.I.P (control integrado de plagas): “El C.I.P. es un proceso de integración de los conocimientos provenientes de multitud de disciplinas (biología, química, agronomía, economía, climatología, etc.) con el fin de desarrollar las estrategias de control de plagas más adecuadas desde el punto de vista económico, ambiental, y de salud pública” (Dent, 1991) “…el C.I.P. es un proceso de “toma de decisiones”: sobre la base de toda la información relevante disponible hay que decidir si se deben adoptar medidas de control y, en caso afirmativo, qué medidas adoptar, para que el control resulte eficaz, rentable y lo menos agresivo que sea posible desde el punto de vista ambiental” (Bechinski et col., 2002)

CAPACIDAD DE PREDICCIÓN DE: •Cuando se van a producir los daños (anticipación de riesgos) •Que efectos a largo plazo tienen los tratamientos sobre las poblaciones (anticipación de efectos)

JUSTIFICACIÓN DE LOS TRATAMIENTOS APLICADOS

SIN CAPACIDAD DE PREDICCIÓN: • No aplicación de plaguicidas (asumir riesgos) • Aplicación sistemática (asumir costes, sin justificación de la necesidad real de aplicación)

• los molusquicidas son muy baratos • son fáciles de aplicar • riesgo de daños por babosas es permanente • baja tolerancia de los cultivos a los daños (“daños cosméticos”)

DAÑOS COSMÉTICOS

DESARROLLO DE UN MODELO DE PREDICCION

POTENCIAL DE DAÑOS • Cantidad de animales • Estado de actividad o inactividad

FASES Y OBJETIVOS 1. Cantidad de animales conocer la dinámica y estructura de la población, y sus variaciones a lo largo del tiempo 2. Estado de actividad o inactividad

conocer la influencia de las condiciones ambientales sobre el nivel de actividad de los animales

3. Integrar toda la información obtenida en un modelo de predicción

• Estudio cuantitativo • Densidad de población (individuos/m2) (babosas, huevos) • Estructura de población (por grupos de edad, de talla, de madurez sexual) • Variaciones temporales

DINÁMICA y ESTRUCTURA DE POBLACIONES:

Metodología

MUESTREO DE

LA POBLACIÓN

HUEVOS

BABOSAS

• TAMAÑO (masa)

• FASE DE MADUREZ

SEXUAL

CUANTIFICACIÓN CARACTERIZACIÓN

(tamaño de población) (estructura de población)

Tipo de muestreo: muestras de suelo

Extracción mensual

de 20 muestras de

25 x 25 x 10 cm

10 cm

• Localización de las muestras en la parcela: al azar • Tamaño de la muestra: estándar

Determinación del número de muestras

• La figura representa la variación del grado de error y de la varianza del

número de babosas por muestra, en función del número de muestras.

• Para obtener un grado de error menor o igual al 10%, serían suficientes

18 muestras

• Muestreo preliminar

• Para cada número de

muestras se calculó el grado

de error dividiendo la

desviación típica por la media

aritmética.

0,00

0,05

0,10

0,15

0,20

0,25

0,30

0,35

0,40

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

nº de muestras

va

ria

nza

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

gra

do

de e

rro

r

varianza grado de error

Tramiento de las muestras de suelo

Lavado de las

muestras de tierra

sobre tamices

CUANTIFICACIÓN CUANTIFICACIÓN

Y CARACTERIZACIÓN

Caracterización de los individuos

Glándula

hermafrodita

(gónada)

Glándula

de la

albúmina

Masa corporal

Sacrificio

Disección

Extracción de:

Glándula de la

albúmina masa en miligramos



Glándula hermafrodita

masa en miligramos fijación en Carnoy

conservación

deshidratación

rehidratación

deshidratación MICROSCOPIO

ÓPTICO (determinación del estado de

madurez sexual)

inclusión en parafina

cortes de 8μ de espesor

tinción hematoxilina-eosina

25μ

Masa compacta de células indiferenciadas

Estados (fases) de madurez sexual

(Runham y Laryea,1968)

Espermatogonia



Espermatocito

50μ

Células alargadas con el núcleo retirado a uno de sus extremos



Espermátida

50μ 25 μ

Células similares a los espermatozoides pero con la cola rodeada de citoplasma



Espermatozoo

50μ 25 μ

Células masculinas maduras



Oocito

50μ 25 μ

Células femeninas maduras con el citoplasma cargado de vitelo



Senescente

50μ 25 μ

Epitelio cuboidal en la cara interior de la pared del acino


1. indiferenciado-espermatogonia

2. espermatocito

3. espermátida

4. espermatozoo

5. oocito

6. senescente

INDIVIDUOS INMADUROS

INDIVIDUOS MADUROS



1. Masa corporal

2. Masa de la glándula de la albúmina

3. Masa de la glándula hermafrodita

4. Estado de madurez sexual

5. Índice de la glándula de la albúmina :

masa gl. albúmina x 100 / masa del individuo

6. Índice de la glándula hermafrodita:

masa gl. hermafrodita x 100 / masa del individuo

Cada individuo caracterizado por:

Resultados. Tamaño de población

0

10

20

30

40

50

60

70

j a s o n d e f m a m j j a s o n d e f m a m j

ba

bo

sa

s/m

2

1999 2000 2001

BABOSAS

MÁXIMOS : 68 babosas m-2(marzo, abril)

60,8 babosas m-2 (marzo)

mes


0

10

20

30

40

50

60

70


ba

bo

sa

s/m

2

1999 2000 2001

BABOSAS

MÍNIMOS: 0,8 babosas m-2 (septiembre, agosto)

mes

0

20

40

60

80

j a s o n d e f m a m j

ba

bo

sa

s/m

2

año 1 (julio-99 a junio-00)año 2 (julio-00 a junio01)

BABOSAS


1er año

2º año

verano- otoño

10,8 babosas m-2

invierno-primavera

51,2 babosas m-2

verano- otoño

6,5 babosas m-2

invierno-primavera

32,9 babosas m-2

MÁXIMO: 248 huevos m-2 (enero-2000)

118,4 huevos m-2 (diciembre –2000)

MÍNIMO: períodos junio-septiembre

0

90

180

270


hu

evo

s/m

2

1999 2000 2001


HUEVOS

mes

Resultados. Ciclo de maduración

0

100

200

300

400

500

esper

mat

ocito

esper

mat

ida

esper

mat

ozoo

oocito

senes

cente

mg

0

1

2

3

4

5

6

7

%

I.G.H (%)

I.G.A. (%)

masa corporal (mg)

0

4

8

12

0 150 300 450

masa corporal (mg)

ma

sa

gl.

he

rma

fro

dit

a (

mg

)

0

6

12

18

24

0 150 300 450

masa corporal (mg)

ma

sa

gl.

de

la

alb

úm

ina

(m

g)

Resultados. Estructura poblacional

328

227

(43,1%)

(29,8%)

206

(27,1%)

≤ 20 mg estado indiferenciado otros estados de madurez

De las 761 babosas capturadas:

• 328 no fueron diseccionadas al

poseer una masa corporal inferior a 20

mg.

• 227 presentaban una glándula

hermafrodita indiferenciada a pesar de

presentar una masa corporal > 20 mg.

• 206 se encontraban en alguno de los

otros estados de madurez

328

227


(43,1%)

(29,8%)

25

22

65

6

88

(3,3%)

(2,9%)

(8.5%)

(11,6%)

(0,8%)

≤ 20 mg espermatozoo indiferenciado oocito espermatocito senescente espermátida


0.8%

79.1%

20.1%

Inmaduros Maduros Senescentes


• La población está formada mayoritariamente por individuos inmaduros durante casi

todo el año.

• Sólo a principios del otoño (octubre y noviembre) las babosas maduras fueron las

más abundantes en la población.

0

20

40

60

80


ba

bo

sa

s/m

2

inmaduros maduros senescentes

1999 2000 2001mes

Resultados. Dinámica generacional

0.00

0.50

1.00

1.50

2.00

2.50

3.00

3.50


log

mg

peso corporal

1999 2000 2001

G5

G1

G2

G3

G4


0.00

0.50

1.00

1.50

2.00

2.50

3.00

3.50


log

mg

peso corporal

1999 2000 2001

G5

G1

G2

G3

G4

GENERACIONES OTOÑALES (G2, G4): SURGEN EN EL OTOÑO

GENERACIONES PRIMAVERALES (G1, G3, G5): SURGEN EN INVIERNO/PRIMAVERA


Primavera

Verano

Otoño

Invierno

Generaciones otoñales

Generaciones primaverales

GENERACIONES

OTOÑALES

• maduración rápida

(3-5 meses)

GENERACIONES

PRIMAVERALES

• maduración lenta

(6-7 meses)

• muchos efectivos

(max. densidad

de población)

• pocos efectivos

(mín. densidad

de población)

• reproducción en

inv./prim.

• reproducción en

otoño

• pocas puestas • puestas numerosas

• aparición otoñal • aparición inv./prim.

• maduran con un

tamaño menor

• maduran con un

tamaño mayor

Comparación con otros trabajos

Sucesión directa de

generaciones

(sur de Europa)

Sucesión alterna de

generaciones

(centro y norte de Europa)


Sucesión directa:

Período de incubación

de los huevos en el

suelo = 1-2 meses

Sucesión alterna:

Período de incubación

De los huevos en el

Suelo = 3-7 meses


M F E D N O S A J J M A

INVIERNO OTOÑO VERANO PRIMAVERA

LENINGRADO (RUSIA)

Dimitrieva (1969)

ROTHAMSTED Y NEWCASTLE

(INGLATERRA); Bet (1960)

Hunter y Symonds (1971), South (1989b)

TOULOUSSE (SUR DE FRANCIA)

Ballanger y Champolivier (1990)

SANTIAGO DE COMPOSTELA

(ESPAÑA) Presente trabajo

Existe un gradiente latitudinal respecto a la localización temporal de las

época del año más favorable (elevada densidad de población y

reproducción) para las poblaciones de D. reticulatum

ESTUDIO DE LA ACTIVIDAD

Tipo de muestreo: sólo individuos activos

Muestreos durante 3

noches consecutivas por

mes, 24 meses

• Temperatura del suelo

• Temperatura del aire

• Humedad del aire (%HR)

Registro de

variables ambientales

Modelo

Datos de

actividad observada

3 categorías de

actividad

BAJA

MEDIA

ALTA

Variable dependiente

(de respuesta)

Variables independientes

(de predicción)

Variables ambientales registradas

en estación meteorológica Variables ambientales

registradas in situ

Variables de tipo

temporal

Variables

poblacionales

Procedimiento estadístico

REGRESIÓN ORDINAL

(McCullagh, 1980; McCullagh y Nelder, 1989)

• Variable de respuesta

cualitativa con más de

dos categorías: - actividad baja

- actividad media

- actividad alta

• Variables de predicción

cualitativas (factores): - presencia/ausencia

de lluvia in situ

- mes

- estación

• Variables de predicción

cuantitativas (covariables) - temperaturas

- precipitaciones

- %HR

- días desde la última

precipitación

-insolación, etc.

)/( xjYP Actividad de las babosas

Categoría: baja, media, alta

Variables de predicción

Variable de respuesta (actividad):

actividad baja

actividad media

actividad alta

= 1

= 2

= 3

Procedimiento estadístico

Categorías de actividad

0.00

0.05

0.10

0.15

0.20

0.25

<50

51-1

00

101-

150

151-

200

201-

250

251-

300

301-

350

351-

400

401-

450

451-

500

501-

550

551-

600

601-

650

651-

700

701-

750

751-

800

nº de babosas activas

fre

cu

en

cia

Número medio de babosas activas por noche = 201,2 individuos

Valor máximo de actividad = 779 individuos

Valor mínimo de actividad = 16 individuos

ACTIVIDAD OBSERVADA

0.00

0.05

0.10

0.15

0.20

0.25

<50

51-1

00

101-

150

151-

200

201-

250

251-

300

301-

350

351-

400

401-

450

451-

500

501-

550

551-

600

601-

650

651-

700

701-

750

751-

800

nº de babosas activas

fre

cu

en

cia

Categorías de actividad para el desarrollo del modelo de predicción:

ACTIVIDAD BAJA: noches con un nº de babosas activas ≤ 100

ACTIVIDAD MEDIA: noches con un nº de babosas activas > 100 y ≤ 300

ACTIVIDAD ALTA: noches con un nº de babosas activas > 300

P25 = 96

P75 = 302


0

100

200

300

400

500

baja media alta

categoría de actividad

nº

de

ba

bo

sa

s a

cti

va

s

nº de casos Actividad media

Actividad baja 22 53

babosas/noche

Actividad media 31 173,8

babosas/noche

Actividad alta 19 419,3

babosas/noche


Desarrollo del modelo

• Densidad de población

• Temperatura del aire in situ

• % de humedad relativa del aire in situ

• Mes

• Lluvia in situ

COVARIABLES

FACTORES

30 variables de predicción

Eliminación, una a una, de aquellas

que no eran significativas (P > 0,05)

Regresión ordinal (SPSS)

log (-log( 1- P(Y j / X ))= θj- [-0,0687 DENSPOB +

+0,268 TAINSITU +

+0,122 HRINSITU +

+2,027 (si LLUVIA = 0)+

-2,564 (si MES = 10)]

-3,866 (si MES = 9) +

+3,122 (si MES = 1) +

+2,395 (si MES = 2) +

+6,124 (si MES = 3) +

+3,790 (si MES = 4) +

Y= actividad de las babosas

j = 1 (baja), 2 (media), 3 (alta)

θ= valor de tolerancia para

cada categoría de actividad

DENSPOB= densidad de población

(nº babosas m-2)

TAINSITU= temperatura del aire in situ

(ºC)

HRINSITU= humedad relativa del

aire in situ (%)

LLUVIA= lluvia in situ

(0=ausencia; 1=presencia)

MES= mes del año (1= enero, .....

12=diciembre)

Modelo obtenido

Modelo: ejemplo de cálculo

log (-log( 1- P(Y j / X ))= θj- [-0,0687 DENSPOB +

+0,268 TAINSITU +

+0,122 HRINSITU +

+2,027 (si LLUVIA = 0)+

-2,564 (si MES = 10)]

-3,866 (si MES = 9) +

+3,122 (si MES = 1) +

+2,395 (si MES = 2) +

+6,124 (si MES = 3) +

+3,790 (si MES = 4) +

DENSPOB= 4,0 babosas m-2

TAINSITU= 11,7ºC

HRINSITU= 89%

SIN LLUVIA

MES = octubre

Y= 1 (actividad baja)

θ= 12,117 (Valor de la Tolerancia para la categoría

de actividad baja)


TAINSITU= 11,7 ºC

HRINSITU= 89,0 %

LLUVIA= 0 (ausencia)

MES= 10 (octubre)


Paso 1. Cálculo de la probabilidad de actividad baja

log (-log( 1- P(Y1 / X ))= 12,117- [(-0,0687 x 4,0) +

+ (0,268 x 11,7) +

+ (0,122 x 89,0) +

+ (2,027) +

+ (-2,564)]

log (-log( 1- P(Y1 / X ))= -1,03456

P (Y 1/ X) = 0,3

Probabilidad de actividad baja= 30,0%


Paso 2. Cálculo de la probabilidad de actividad media

log (-log( 1- P(Y2 / X ))= 15,088- [(-0,0687 x 4,0) +

+ (0,268 x 11,7) +

+ (0,122 x 89,0) +

+ (2,027) +

+ (-2,564)]

Y= 2

θ= 15,088


TAINSITU= 11,7 ºC

HRINSITU= 89,0 %


MES= 10 (octubre)

log (-log( 1- P(Y2 / X ))= 1,93644

P (Y 2/ X) = 0,999

Probabilidad de actividad media= 69,9%

P (Y 2/ X) - P (Y 1/ X) = P (Y= 2/ X)

0,999 - 0,3 = 0,699


Paso 3. Cálculo de la probabilidad de actividad alta

P (Y 3/ X) = 1

P (Y= 3/ X) = 1 - P (Y= 2/ X) - P (Y= 1/ X)

P (Y= 3/ X) = 1 - 0,699 - 0.3

Probabilidad de actividad alta= 0,1%

Probabilidad de actividad alta= 0,1%


TAINSITU= 11,7 ºC

HRINSITU= 89,0 %


MES= 10 (octubre)

Probabilidad de actividad media= 69,9%

Probabilidad de actividad baja= 30,0%


Análisis del modelo: global

0

100

200

300

400

500

600

700

800


nº

de

ba

bo

sa

s a

cti

va

s

1999 2000 2001

Numero de casos pronosticados

Categorías

de actividad

Baja

Media

Alta

Total

% de acierto

Numero de

casos

observados

Baja

Media

Alta

16

3

0

5

25

3

1

3

16

22

31

19

72,7%

80,6%

84,2%

Total 19 33 20 72 79,2%

χ2=70,4

g.l.=4

P<0,001

Actividad baja

Actividad media

Actividad alta

Análisis del modelo: por variables

0

10

20

30

40

baja media alta

Categoría de actividad

ind

ivid

uo

s m

-2

DENSIDAD DE POBLACIÓN: NS

0

2

4

6

8

10

12

14

baja media alta


ºC

TEMPERATURA DEL AIRE: NS

75

80

85

90

95

100

baja media alta


%H

R

*

HUMEDAD RELATIVA DEL AIRE: P<0,05 LLUVIA in situ: P<0,05

0

0.2

0.4

0.6

0.8

baja media alta

Categoría de actividad observada

fre

cu

en

cia

lluvia si lluvia no

0

0,2

0,4

0,6

0,8

1

frecu

en

cia

ene feb mar abr may jun jul ago sep oct nov dic

Mes

0

0,2

0,4

0,6

0,8

1

frecu

en

cia


Mes

Observado

Pronosticado

Actividad baja

Actividad media

Actividad alta

MES DEL AÑO: P<0,001

Análisis del modelo: por variables

Actividad baja

Actividad media

Actividad alta

0

0,2

0,4

0,6

0,8

1

frecu

en

cia


Mes

0

0,2

0,4

0,6

0,8

1

frecu

en

cia


Mes

Observado

Pronosticado

Actividad baja

Actividad media

Actividad alta

Análisis del modelo: por meses

0

0.2

0.4

0.6

0.8

1

frecu

en

cia

invierno primavera verano otoño

Estación

0

0.2

0.4

0.6

0.8

1

frecu

en

cia


Estación

Observado

Pronosticado

% DE ACIERTO EN EL PRONÓSTICO

primavera: 88,9%

Actividad baja

Actividad media

Actividad alta

Análisis del modelo: por estaciones


0

0.2

0.4

0.6

0.8

1

frecu

en

cia


Estación

0

0.2

0.4

0.6

0.8

1

frecu

en

cia


Estación

Observado

Pronosticado

% DE ACIERTO EN EL PRONÓSTICO

invierno y otoño: 77,8%

Actividad baja

Actividad media

Actividad alta


0

0.2

0.4

0.6

0.8

1

frecu

en

cia


Estación

0

0.2

0.4

0.6

0.8

1

frecu

en

cia


Estación

Observado

Pronosticado

Actividad baja

Actividad media

Actividad alta % DE ACIERTO EN EL PRONÓSTICO

verano: 72,2%

• Cálculo de la probabilidad de las tres categorías de actividad para todas las

situaciones posibles

* para cada mes

* condiciones con y sin lluvia

* para valores de temperatura del aire entre 2ºC y 20ºC,

con incrementos de 1ºC

* para valores de %HR del aire entre el 70% y 100%HR,

con incrementos del 2%

* para los valores mensuales de densidad de población obtenidos

en el estudio de la dinámica de poblaciones

Aplicación: predicción de la actividad de las babosas


Categoría de actividad pronosticada con una probabilidad 50%

Actividad baja

Actividad media

Actividad alta

DICIEMBRE (SIN LLUVIA)

70

75

80

85

90

95

100

2 4 6 8 10 12 14 16 18 20

Temperatura (ºC)

%H

R


NOVIEMBRE

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

0.55

0.6

0.65

0.7

0.75

0.8

0.85

0.9

Probabilidad de que la actividad sea alta

CAPACIDAD DE PREDICCIÓN: •Cuando se van a producir los daños (anticipación de riesgos) •Que efectos a largo plazo tienen los tratamientos sobre las poblaciones (anticipación de efectos)

JUSTIFICACIÓN DE LOS TRATAMIENTOS APLICADOS

IMPLICACIONES

I. Predicción del riesgo de daños causados por D. reticulatum

(mayor probabilidad de actividad alta mayor probabilidad de

daños)

II. Formulación de una estrategia de control a largo plazo

IMPLICACIONES

IMPLICACIONES. 1. Anticipación de riesgos

E F M A M J J A S O N D

Densidad de población

• Elevada densidad de población


INMADUROS MADUROS SENESCENTES

• Abundancia de individuos de gran talla






• Elevada probabilidad de actividad alta






• Elevada probabilidad de actividad alta

• Elevada susceptibilidad de los cultivos

IMPLICACIONES. 2. Anticipación de efectos

INVIERNO PRIMAVERA VERANO OTOÑO


Control de las poblaciones

Preguntas de examen:

• Que tipo de grupos o clases utilizarías para describir la estructura de una

población de babosas (ej. grupos establecidos por la edad de los animales, por

sexos, por su estado de madurez sexual, por tamaños....)

• Como harías un muestreo para determinar la densidad de población, en una

población de babosas?

• Por qué resulta útil disponer de capacidad de predicción en el ámbito del

control de plagas? Que es lo que se intenta predecir?

• Que es el “control integrado de plagas”?

• En el desarrollo del modelo matemático para pronosticar el nivel de actividad

de D. reticulatum en función de variables ambientales, se trabajó con dos tipos

de variables. Cita alguna de las variables de predicción cualitativas (factores) y

alguna de las cuantitativas (covariables).

invertebrados terrestres (no artrÓpodos) · de control de plagas más adecuadas desde el punto de...

Documents