Modelado agroclimático para la predicción de Monilia (Moniliophthora roreri) en el cultivo de cacao (Theobroma cacao L.) en la República de Colombia

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.