Prevedere il clima e prevenire le malattie delle piante · •Maggiore Area fogliare totale per...
Transcript of Prevedere il clima e prevenire le malattie delle piante · •Maggiore Area fogliare totale per...
Climate change
Temperatura
Precipitazioni
Concentrazione di CO2
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 2
Concentrazione di CO2 Sulla pianta
• Miglioramento della fotosintesi
• Incremento dell’accrescimento fogliare
• Aumento dello spessore della foglia
• Maggiore numero di foglie
• Maggiore Area fogliare totale per pianta
• Aumento dell’efficienza d’uso dell’acqua
• Riduzione della degradazione della lettiera e dei residui vegetali nel suolo
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 3
Ospite
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 4
Prefioritura Allegagione Gemma cotonosa Raccolta
15 aprile 1990 10 settembre
20 marzo 2000 15 agosto
Cosa è successo nel mondo, in Europa, in Italia , in Emilia, a Ferrara: temperature: il salto del 1987, precipitazioni (variabilità) ed eventi estremi.
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 6
Effetto dell’ambiente sullo sviluppo di una epidemia
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 7
Triangolo epidemiologico
Ospite Condizioni favorenti la suscettibilità
In generale lo scoppio epidemico di una malattie avviene come il risultato dell’interazione di 3 fattori principali: • Popolazione dell’ospite • Popolazione del patogeno • L’ambiente
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE
Cambiamento climatico •Temperatura •Contenuto di CO2
•Pioggia •Copertura nuvolosa •etc
ambiente
Interazione fra i fattori
Cambio ospite Varietà Pratica colturale Difesa chimica
Cambio patogeno genetico spostamento
Scenari potenziali al cambiamento
Diminuita intensità della malattia
Maggiori epidemie
Cambiamenti a favore della malattia in uno o
due fattori
Cambiamenti a favore della malattia in tutti e
tre i fattori
Interazione tra i componenti del triangolo epidemico e i potenziali risultati
Garret et al.,2009
8
Tignoletta della vite
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 9
Nelle aree più produttive ci potrebbe essere un effetto negativo, causato dell’asincronia tra gli stadi fenologici resistenti e le larve di tignoletta.
un aumento del numero di generazioni potrebbe essere favorito dal riscaldamento del clima
i danni causati dalla generazione aggiuntiva sarebbero limitati dall’anticipo della raccolta.
Malattie trasmesse da vettori
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 10
• La sopravvivenza può diminuire o aumentare in funzione delle specie
• Alcuni vettori hanno una alta sopravvivenza con temperatura elevata
• Cambiamento del tasso di crescita della popolazione del vettore
• Aumento dell’azione trofica del vettore e di contatto con l’ospite > maggiore possibilità di trasmissione
Difesa anticrittogamica
Scelta del fungicida
antiperonosporico
Conoscenza delle caratteristiche del
formulato
Coltura
Pressione della
malattia
Presenza di altre
malattie
Bassa
Elevata
Fenologia
Velocità di accrescimento
della pianta
Alternaria
Septoria
Batteriosi Modalità d’azione
Dilavabilità
Efficacia
Traslocazione
Clima
CONVEGNO OI POMODORO - CODIGORO - 6/12/2016 11
Latenza delle
oospore
Temperatura Presenza d’acqua
Germinazione
Infezione
Sopravvivenza degli
zoosporangi Sopravvivenza delle zoospore
Temperatura Umidità relativa
Liberazione delle
zoospore
Temperatura Umidità della foglia
Diffusione
Pioggia
Sintomi di malattia
Incubazione
Temperatura Umidità relativa
Presenza d’acqua
Peronospora della vite
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 13
Probabilità statistica d’infezione di P.viticola
14
R2 = 0,75
costante 28,337 0,909
ggp3 -0,769 0,115 67%
ggsp4 0,335 0,069 33%
Variabili Coefficiente SE % Varianza
Y=28,3-0.769*ggp3+0,335*ggsp4
Y’=Y-2.84
20
22
24
26
28
30
32
34
36
20 22 24 26 28 30 32 34 36
Infezioni osservate
Infe
zio
ni
stim
ate
RA93
BO99
PC99
RA99 BO96
PC00
RA00
RA95
BO00
PC93 BO95
BO93
PC96
PC94
RA94
BO94
RA97 BO98
PC98 PC95
RA98
BO97
PC97
RA96
Y’
Y
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 15
Latenza delle oospore di P.viticola
0
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,1
d-gen d-gen d-gen d-gen d-gen d-feb d-feb d-feb d-feb d-mar d-mar d-mar d-mar d-apr d-apr d-apr
1992 1993 1994 1995 1996 1997
1998 1999 2000 2001 2002 2003
2004 2005 2006 2007 2008 2009
2010 2011 2012 2013 2014 2015
media termine latenza 2016 2017
2014 2016 2007
1994
3.6
3
2.4
1.8
1.2
0.6
0
Ind
ice d
i p
ioggia
0 2 4 6 8 10 12 14 16
Pioggia in 48 h (mm)
8 11 14 17 20 23 26
Temperatura (°C)
1.2
0.96
0.72
0.48
0.24
0
Ind
ice d
i te
mp
era
tura
1.2
0.96
0.72
0.48
0.24
0
Ind
ice d
i u
mid
ità
80 84 88 92 96 100
Umidità relativa (%)
Modello IPI (Indice Potenziale Infettivo): Tmin > 7°C
Pioggia cumulata > 0.2 mm
RH > 79%
IPIi = f (Ti, RHi o Pioggiai)
IPI = IPIi
n
i=1Maggio
valori numerici
che aumentano
via via che le
variabili meteo si
avvicinano ai
valori ottimali
per il patogeno.
CONVEGNO OI POMODORO - CODIGORO - 6/12/2016 16
Forecaster Alternaria Solani on Tomato (Madden L., Pennypacker S.P., McNab A.A. (1978) - USA
CONVEGNO OI POMODORO - CODIGORO - 6/12/2016 18
Botrite della fragola: Straw-Bot
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 19
Aflatossine e mais Modello LOG-AF
Input: Dati meteo giornalieri
Output: Rischio superamento soglia di contaminazione della granella alla Raccolta
(Battilani et al., 2008)
Ottimizzare gli interventi colturali
Eventuale trattamento
Stimare le contaminazioni
Definire la raccolta
Gestire il post-raccolta (essiccazioni, operazioni, tempestività, sorting)
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 20
Input: Dati meteo dalla spigatura
(T, RH, Rainfall, LW)
Output: 2 Indici di rischio, giornaliero e accumulato nella
stagione
Indice di Infezione(FHB-inf) per ogni specie di
Fusarium
Indice di accumulo micotossigenonelle cariossidi di F.
graminearum e F. culmorum (FHB-tox)
T
Specie
fungina
SHT
Sintomi sulle spighe
MAH
Micotossine nelle
cariossidi
MIS
Micelio nelle fonti
d’inoculo
SIS
Spore sulle fonti di
inoculo
SHS
Spore sulle spighe
HIH
Micelio nelle spighe
HIS
Micelio nelle
cariossidi
INC
:
Incubazi
one
SPOR: Sporulazione
DIS: Dispersione
INF: Infezione
INV: Invasione
MA
C:
Toss
inogenesi
SP
OR
:
Sporu
lasz
ione
R, T, RH
T, LW, RH
Stadio
fenologico
T, aW
Specie
funginaT, aW
Specie
fungina
Stadio
fenologico
T
T
Specie
fungina
SHT
Sintomi sulle spighe
MAH
Micotossine nelle
cariossidi
MIS
Micelio nelle fonti
d’inoculo
SIS
Spore sulle fonti di
inoculo
SHS
Spore sulle spighe
HIH
Micelio nelle spighe
HIS
Micelio nelle
cariossidi
MIS
Micelio nelle fonti
d’inoculo
SIS
Spore sulle fonti di
inoculo
SHS
Spore sulle spighe
HIH
Micelio nelle spighe
HIS
Micelio nelle
cariossidi
INC
:
Incubazi
one
INC
:
Incubazi
one
SPOR: Sporulazione
DIS: Dispersione
INF: Infezione
INV: Invasione
SPOR: Sporulazione
DIS: Dispersione
INF: Infezione
INV: Invasione
MA
C:
Toss
inogenesi
MA
C:
Toss
inogenesi
SP
OR
:
Sporu
lasz
ione
SP
OR
:
Sporu
lasz
ione
R, T, RH
T, LW, RH
Stadio
fenologico
T, aW
Specie
funginaT, aW
Specie
fungina
Stadio
fenologico
T
FHB-wheat (Fusarium Head Blight on wheat)
Precision Farming GpS
Big Data
Clouding
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 22
Previsioni Meteorologiche Stazioni Meteo ? Sensori ? Dati Reali ? Dati Interpolati ?
MACFRUT 2017 - PREVEDERE IL CLIMA E PREVENIRE LE MALATTIE DELLE PIANTE 23