Πρωτόκολλο λήψης παρατηρήσεων #
Ο πλέον ενδεδειγμένος τρόπος για την ανίχνευση και παρακολούθηση των επιζήμιων εντόμων μιας καλλιέργειας είναι η χρήση παγίδων (IOBC, 2003). Ανάλογα με το είδος της καλλιέργειας και το αποτέλεσμα που θέλουμε να έχουμε χρησιμοποιούνται διαφορετικά είδη παγίδων. Τα είδη παγίδων που υπάρχουν αφορούν:
• Χρωματικές/ κολλητικές παγίδες
• Τροφικές παγίδες
• Κολλητικές παγίδες
• Φερομονικές παγίδες
• Φωτεινές παγίδες
• Παγίδες εδάφους
• Δεντροπαγίδες
Οι παγίδες που χρησιμοποιούνται σε οπωρώνες για την παρακολούθηση της πτήσης των επιζήμιων εντόμων είναι κυρίως οι φερομονικές παγίδες.
Πρωτόκολλο λήψης παρατηρήσεων και ποσοτικοποίηση της έντασης της εμφάνισης εχθρών #
Η παρακολούθηση των πληθυσμών των εντόμων ανάρσια, φυλλοδέτη και καρπόκαψας πραγματοποιείται στο πλαίσιο της γενικής αρχής της ολοκληρωμένης φυτοπροστασίας, όπως αυτή ορίζεται στο Παράρτημα Δ του Ν. 4036. Η εγκατάσταση των παγίδων για την παρακολούθηση του πληθυσμού των παραπάνω εχθρών πραγματοποιήθηκε σε δύο εμπορικούς οπωρώνες ροδακινιάς του συνεταιρισμού Α.Σ. Καλυβίων, τέλος Μαρτίου με αρχές Απριλίου, πριν την έναρξη εμφάνισης ενήλικων της πρώτης γενιάς των υπό μελέτη εντόμων.
Μεθοδολογία τοποθέτησης παγίδων #
Για κάθε εχθρό τοποθετούνται τρεις (3) παγίδες ανά 5-10στρ. ανά περιοχή έρευνας. Ο αριθμός των παγίδων που χρησιμοποιούνται για την παρακολούθηση των επιζήμιων εντόμων είναι το αποτέλεσμα του συνδυασμού των χαρακτηριστικών του οπωρώνα, π.χ. έκταση, μορφολογία αγροκτήματος, αλλά και βασικών σημείων του βιολογικού κύκλου των εντόμων, όπως ο αριθμός των ενήλικων ατόμων ανά καλλιεργητική περίοδο που κρίνει και τον αριθμό των ενδεχόμενων πτήσεων.
Οι φερομονικές παγίδες που χρησιμοποιούνται είναι τύπου δέλτα και τοποθετούνται στο μέσο του αγροκτήματος, όπου υπάρχουν μεγαλύτεροι πληθυσμοί των υπό μελέτη εντόμων σύμφωνα με παρατηρήσεις προηγούμενων ετών και στην τρίτη καλλιεργητική γραμμή από τις πλευρές, σε απόσταση 60-70 μέτρα μεταξύ τους, σε ύψος 1,70 m περίπου πάνω από το έδαφος και εντός της κόμης του δέντρου. Επιπλέον, εντομοπαγίδες τοποθετούνται πλησίον του οπωρώνα, ο οποίος διατηρείται αψέκαστος. Οι οπωρώνες όπου τοποθετούνται οι εντομοπαγίδες βρίσκονται σε απόσταση τουλάχιστον 2 km από οπωρώνες ροδακινιάς – νεκταρινιάς στους οποίους εφαρμόζεται η μέθοδος της σύγχυσης του φύλλου, «Κομφούζιο». Σε μικρή απόσταση από τις θέσεις τοποθέτησης των παγίδων υπάρχει εγκατεστημένος μετεωρολογικός σταθμός για την λήψη όλων των δεδομένων που είναι απαραίτητα για τον υπολογισμό των ημεροβαθμών.
Μελέτη χωροθέτησης παγίδων #
Η μελέτη χωροθέτησης παγίδων αποτελεί μέρος ενός ευρύτερου σχεδιασμού ολοκληρωμένου συστήματος αντιμετώπισης των εχθρών σε οπωρώνες. Βασική αρχή της ολοκληρωμένης καταπολέμησης είναι ο καθορισμός και η χρησιμοποίηση Ορίων Ανεκτής Πυκνότητας (ΟΑΠ) πληθυσμών του επιζήμιου είδους, δηλαδή πυκνότητας πληθυσμού κατά την οποία θα πρέπει να λαμβάνονται μέτρα καταπολέμησης. Ο σχεδιασμός αυτός περιλαμβάνει (Κατσόγιαννος και Κωβαίος, 1996):
• Τον καθορισμό «κέντρων δειγματοληψίας» από τα οποία θα λαμβάνονται δείγματα ή θα γίνονται οι μετρήσεις και καταγραφή σε προετοιμασμένα πρωτόκολλα.
• Την τοποθέτηση φερομονικών παγίδων για την συστηματική παρακολούθηση της πτήσης βασικών εχθρών.
• Την καταγραφή των εργασιών και των επεμβάσεων όταν γίνουν και εφόσον χρειάζεται.
• Την καταγραφή μετεωρολογικών στοιχείων.
• Την παρατήρηση και καταγραφή «περιστασιακών εχθρών» εφόσον εντοπισθούν καθώς και ωφέλιμων.
• Τον καθορισμό του ΟΑΠ για κάθε επιζήμιο εχθρό, βάση του οποίου θα γίνονται οι επεμβάσεις με τα επιτρεπόμενα μέσα και σκευάσματα.
Προγνωστικά μοντέλα “Predictive Models” #
Ο καλύτερος τρόπος να προβλέψουμε τι μπορεί να συμβεί στο μέλλον είναι να δούμε τα παρελθόντα γεγονότα. Ο όρος “predictive analytics – προγνωστική ανάλυση” αφορά την διαδικασία που πρέπει να ακολουθηθεί για να πραγματοποιηθεί μια πρόβλεψη στο μέλλον. Είναι ένα είδος προχωρημένης ανάλυσης που χρησιμοποιείται για την πρόβλεψη μελλοντικών γεγονότων χρησιμοποιώντας δεδομένα, στατιστικούς αλγόριθμους, αναλυτικά ερωτήματα και τεχνικές μηχανικής μάθησης για να βρεθεί η πιθανότητα μελλοντικών αποτελεσμάτων βάσει ιστορικών δεδομένων. Η τεχνική χρησιμοποιείται καθημερινά από οργανισμούς για τον εντοπισμό πιθανών κινδύνων και ευκαιριών. Η προγνωστική ανάλυση αναλύει πληροφορίες από υπάρχοντα σύνολα δεδομένων με στόχο την εύρεση προτύπων και τάσεων. Σε αντίθεση με την παραδοσιακή προσέγγιση, η προγνωστική ανάλυση αναλύει πρότυπα και τις τάσεις και στη συνέχεια τα χρησιμοποιεί για να προβλέψει πιθανά αποτελέσματα.
Η χρήση της προγνωστικής ανάλυσης στον αγροτικό τομέα σημαίνει ανάλυση δεδομένων του αγροκτήματος από το παρελθόν και το παρόν, ώστε το αποτέλεσμα να χρησιμοποιηθεί για να προβλέψει γεγονότα στο μέλλον και να συμβάλει στη λήψη αποφάσεων που θα έχουν επίδραση στον τελικό χρήστη του αγροτικού προϊόντος. Η προγνωστική ανάλυση υποστηρίζει τη λήψη απόφασεων για εφαρμογές στον αγρό και τις απαιτούμενες ποσότητες φυτοπροστατευτικών προϊόντων βασιζόμενη σε μετρούμενες παραμέτρους και σύνολα δεδομένων με μεγάλο όριο εμπιστοσύνης. Σύμφωνα με τον Van Rijmenam (2013), η προγνωστική ανάλυση στον αγρο-διατροφικό τομέα καθορίζεται ως η δομημένη σκέψη για το τι είναι δυνατό να γίνει, ενώ η μοντελοποίηση της πρόβλεψης επικεντρώνεται στο συνδυασμό της υπάρχουσας πληροφορίας για να προβλέψει μελλοντικά γεγονότα ή τάσεις. Χρησιμοποιεί δυναμικά μοντέλα και αλγορίθμους τα οποία ενσωματώνουν δεδομένα από διαφορετικές πηγές χρησιμοποιώντας βασικές γνώσεις φυσικής, χημείας και φυσιολογίας φυτών, θεμελιώδεις αρχές στην ανάπτυξη και παραγωγή μιας καλλιέργειας, ώστε να προβλέψει τα αποτελέσματα.
O όρος «πρόγνωση» αφορά την περιγραφή της ανάπτυξης μίας μόλυνσης σε πραγματικό χρόνο με βάση μετεωρολογικές μεταβλητές (Magarey et al., 2005).
Τρεις γενικές προσεγγίσεις υπάρχουν για τη δημιουργία προγνωστικών μοντέλων (Van Rijmenam, 2013):
1. Η παραδοσιακή προσέγγιση: Η δημιουργία μοντέλου ξεκινά με τον καθορισμό μίας θεωρίας ή του μοντέλου. Η ανάπτυξη του μοντέλου περιλαμβάνει τη σύνδεση των δεδομένων με το μοντέλο (fitting models to data) χρησιμοποιώντας τις παραδοσιακές μεθόδους, όπως την ανάλυση γραμμικής ή και λογιστικής παλινδρόμησης για την εκτίμηση παραμέτρων γραμμικής πρόβλεψης.
2. Η προσέγγιση της προσαρμογής των δεδομένων: Αυτή η προσέγγιση αναζητά, μέσα σε ένα σύνολο δεδομένων, στοιχεία που είναι χρήσιμα για την πρόγνωση. Δεν χρησιμοποιεί θεωρίες ή υποθέσεις πριν την ανάλυση των δεδομένων και συχνά καλείται στατιστική εκμάθηση (statistical learning) ή εξόρυξη δεδομένων (data mining).
3. Χρήση μοντέλων. Η ανάπτυξη ενός μοντέλου αρχίζει με τη δημιουργία ενός αλγορίθμου ο οποίος χρησιμοποιείται για την αναπαραγωγή δεδομένων προγνώσεων ή συστάσεων. Αυτή η προσέγγιση ενσωματώνει όλα τα χαρακτηριστικά των καλλιεργειών με τη χρήση προσομοιώσεων και μαθηματικού προγραμματισμού το οποίο συνεχώς βελτιώνεται μέσα από τη σύγκριση των παραγόμενων με τα πραγματικά δεδομένα.
Προγνωστικά μοντέλα στο πλαίσιο της Φυτοπροστασίας #
Η φυτοπροστασία αποτελεί το σημαντικότερο και ταυτόχρονα δυσκολότερο μέρος στην εφαρμογή των συστημάτων ολοκληρωμένης διαχείρισης και της γεωργίας ακρίβειας, η οποία στην χώρα μας σχεδόν στο σύνολο της πραγματοποιείται σήμερα με εμπειρικό τρόπο, καθώς ο μεγαλύτερος αριθμός των επεμβάσεων γίνεται είτε ημερολογιακά, είτε με βάση τα φαινολογικά στάδια του φυτού. Αποτέλεσμα αυτού είναι σημαντικό μέρος των φυτοπροστατευτικών επεμβάσεων να είναι άκαιρες και αναποτελεσματικές, επιβαρύνοντας σημαντικά το κόστος παραγωγής και διαταράσσοντας την ισορροπία στο οικοσύστημα. Η ελάττωση της χρήσης των φυτοπροστατευτικών σκευασμάτων αποτελεί σήμερα στόχο της αγροτικής πολιτικής της Ευρωπαϊκής Ένωσης. Προς την κατεύθυνση αυτή, η δυνατότητα πρόβλεψης της επικινδυνότητας εμφάνισης και εξέλιξης μιας ασθένειας και των ενήλικων εντόμων θα μπορούσε να συμβάλλει στο επίκαιρο των ψεκασμών αυξάνοντας την αποτελεσματικότητα τους και επιτυγχάνοντας επαρκή φυτουγειονομική προστασία με λιγότερες εφαρμογές. Επιπρόσθετα, η έγκαιρη και ακριβής εφαρμογή ενός φυτοπροστατευτικού προϊόντος με την κατάλληλη δοσολογία θα επιβραδύνει την εμφάνιση ανθεκτικότητας στα ευρέως χρήσεως φυτοπροστατευτικά προϊόντα, θα μειώσει την αρνητική επίπτωση στους φυσικούς εχθρούς και στον χρήστη και θα αποτρέψει την υποβάθμιση του περιβάλλοντος (Boller et al., 2004).
Η ολοκληρωμένη διαχείριση εχθρών / ασθενειών χρησιμοποιεί πληροφορίες από τον κύκλο ζωής των εχθρών / ασθενειών καθώς και την αλληλεπίδρασή τους με το περιβάλλον, με στόχο την λήψη αποφάσεων για τον έλεγχό τους με τον πιο οικονομικό και οικολογικό τρόπο. Η ανάπτυξη αξιόπιστων εργαλείων λήψης αποφάσεων για την έγκαιρη και ακριβή εφαρμογή των φυτοπροστατευτικών σκευασμάτων από την μια, αλλά και η διαθέσιμη πληροφορία για εναλλακτικές επιλογές φυτοπροστασίας, είναι σημαντικοί παράγοντες επιτυχίας της ολοκληρωμένης διαχείρισης. Πρακτικά, η ολοκληρωμένη διαχείριση βασίζεται στην ανάπτυξη και εφαρμογή τεχνικών παρακολούθησης πληθυσμού / προσβολής, ορίων ανεκτικότητας (thresholds), φαινολογικών σταδίων, προγραμματισμένων καλλιεργητικών πρακτικών και χρήση φυτοπροστατευτικών προϊόντων όπου θεωρείται απαραίτητο. Ωστόσο, όταν οι εναλλακτικές ενέργειες είναι είτε μη διαθέσιμες, είτε μη αποτελεσματικές, τα περισσότερα προγράμματα φυτοπροστασίας βασίζονται στην εφαρμογή φυτοπροστατευτικών προϊόντων (Damos & Savopoulou-Soultani, 2012). Επομένως ο σχεδιασμός και η εφαρμογή συστημάτων λήψης αποφάσεων βασιζόμενων σε διαδικτυακές εφαρμογές και ΙοΤ τεχνολογίες θα ενίσχυε τα προγράμματα της ολοκληρωμένης διαχείρισης καλλιεργειών στην λήψη αποφάσεων για έγκαιρη και ακριβή εφαρμογή (Jones et al., 2010). Πρόσβαση σε σχετικές πληροφορίες και δεδομένα ερευνών μπορεί να συνδυαστούν περαιτέρω με τεχνολογίες πληροφορίας (ΙοΤ) για να δημιουργηθούν απλές συμβουλές σε συγκεκριμένα θέματα όπως η πρόβλεψη εμφάνισης εχθρών / ασθενειών στη φυτοπροστασία. Σε ότι αφορά την ολοκληρωμένη διαχείριση εχθρών / ασθενειών, η πληροφορία που δίνεται στο σύστημα λήψης αποφάσεων μπορεί να περιλαμβάνει αποτελέσματα από την παρακολούθηση πληθυσμών και επεξεργασίας μοντέλων πρόγνωσης εχθρών / ασθενειών τα οποία θα επιτρέψουν τη βελτίωση των ενεργειών διαχείρισης (Damos & Karabatakis, 2013).
Τα εργαλεία πρόβλεψης εχθρών και ασθενειών των καλλιεργειών ή και τα έξυπνα συστήματα πληροφόρησης και πρόγνωσης είναι κατά βάση απλά λειτουργικά συστήματα, τα οποία σε μεγάλο βαθμό συμπληρώνουν ή και αντικαθιστούν την παρουσία φυσικών προσώπων – ειδικών για την φυτοπροστασία και εμπειρογνωμόνων στο πεδίο. Η κύρια προϋπόθεση για την ανάπτυξη τέτοιων συστημάτων, είναι η γνώση σημαντικών βιο-οικολογικών και δημογραφικών παραμέτρων που αφορούν στα είδη που θα μοντελοποιηθούν, αλλά και τον τρόπο με τον οποίο επηρεάζονται οι πληθυσμοί τους από διάφορους παράγοντες του περιβάλλοντος, με σημαντικότερο την θερμοκρασία και την υγρασία. Η χρήση τους αναμένεται να επιφέρει μείωση του αριθμού των ψεκασμών και βελτίωση της αποτελεσματικότητας των ψεκασμών με έμμεσες συνέπειες την μείωση του κόστους παραγωγής, την μείωση της επιβάρυνσης του περιβάλλοντος και την βελτίωση της ποιότητας των παραγόμενων προϊόντων.
Σχεδιασμός Λογισμικών Μοντέλων Πρόγνωσης Ασθενειών #
Ένα μοντέλο ασθενειών αποτελεί μια μαθηματική περιγραφή της αλληλεπίδρασης τριών παραγόντων (μοντέλο της τριγωνικής ασθένειας): α) καλλιέργεια ξενιστή, β) παθογόνου, και γ) περιβάλλοντος με ευνοϊκές μετεωρολογικές συνθήκες, οι οποίοι οδηγούν στην ανάπτυξη μίας ασθένειας (De Wolf & Isard, 2007). Το περιβαλλοντικό τμήμα του μοντέλου είναι το άθροισμα όλων των εξωτερικών βιολογικών, χημικών, φυσιολογικών καταστάσεων που επηρεάζουν το παθογόνο και την καλλιέργεια. Στους μετεωρολογικούς και περιβαλλοντικούς παράγοντες περιλαμβάνονται η θερμοκρασία του αέρα και του εδάφους, η ατμοσφαιρική υγρασία, η δρόσος, το ποσοστό των βροχοπτώσεων, το pH, η γονιμότητα του εδάφους και η παρουσία ξενιστών παθογόνων.
Ο χρόνος πραγματοποίησης της επέμβασης με μυκητοκτόνα είναι πολύ σημαντικός για την ικανοποιητική προστασία της καλλιέργειας. Συνήθως, οι ψεκασμοί πραγματοποιούνται στο χρονικό διάστημα κατά το οποίο δραστηριοποιείται το παθογόνο. Η σημασία της πρόβλεψης των ασθενειών εντοπίζεται στον προσδιορισμό του κατάλληλου χρόνου για την εφαρμογή των χημικών ουσιών και αποσκοπεί στη μείωση του αριθμού των επεμβάσεων που γίνονταν στο παρελθόν.
Προγνωστικά μοντέλα ασθενειών στο πλαίσιο του έργου SmartPeach θα δημιουργηθούν, με βάση την ανάπτυξη συγκεκριμένων αλγόριθμων, για τις παρακάτω εξής ασθένειες:
• Φαιά Σήψη της ροδακινιάς (M. fructicola),
• Εξώασκο ροδακινιάς (T. deformans),
• Κορύνεο της ροδακινιάς (W. carpophila)
• Ωίδιο της Ροδακινιάς (Sph. pannosa)
Σχεδιασμός Λογισμικών Μοντέλων Πρόγνωσης Εντομολογικών Προσβολών #
Για την ανάπτυξη των μοντέλων των εντομολογικών εχθρών το ενδιαφέρον εντοπίζεται στη σχέση που συνδέει από τη μια τους μετεωρολογικούς και τους κλιματικούς παράγοντες και από την άλλη τους εχθρούς των καλλιεργειών. Οι σχέσεις αυτές είναι καθοριστικές για την καταπολέμηση των εχθρών των καλλιεργειών, που προκαλούν σημαντικές καταστροφές στη γεωργική παραγωγή και γενικά στην οικονομία. Η τρέχουσα επιστημονική τάση σχετικά με την αντιμετώπιση των εχθρών των καλλιεργειών αφορά κυρίως τη χρησιμοποίηση φυσικών μέσων καταπολέμησης, δηλαδή περιβαλλοντικών παραγόντων, που απαλλάσσουν τις καλλιέργειες από τους κινδύνους αυτούς, ακολουθώντας τις αρχές της μετεωρολογικής και οικολογικής επιστήμης (Gommes et al., 2010). Κατά τη μελέτη των εχθρών σε σχέση με τους μετεωρολογικούς και κλιματικούς παράγοντες το ενδιαφέρον εστιάζεται κυρίως στη θερμότητα και τη θερμοκρασία. Το φως ή, έμμεσα, η ηλιακή ακτινοβολία είναι ένας ακόμη μετεωρολογικός παράγοντας που επιδρά στους εχθρούς των καλλιεργειών. Είναι γεγονός ότι οι οργανισμοί εκδηλώνουν επαναλαμβανόμενα στοιχεία / ερεθίσματα στην προσπάθειά τους να συγχρονιστούν με το περιβάλλον, η πλειονότητα των οποίων έχει ημερήσια περίοδο.
Οι εντομολογικοί εχθροί απαιτούν ένα συγκεκριμένο ποσό θερμότητας για να αναπτυχθούν από ένα φαινολογικό στάδιο του κύκλου ζωής τους στο επόμενο. Η συνολική ποσότητα θερμότητας για την ανάπτυξη ενός εχθρού είναι συγκεκριμένη και μετρήσιμη. Ο υπολογισμός της αθροιστικής θερμότητας ονομάζεται «φυσιολογικός χρόνος – physiological time». Θεωρητικά ο φυσιολογικός χρόνος αποτελεί ένα κοινό μέτρο υπολογισμού της ανάπτυξης ενός οργανισμού. Παρόλο που οι θερμοκρασίες και οι μέρες για την ενηλικίωση μπορεί να ποικίλουν, ο φυσιολογικός χρόνος (συνδυασμός χρόνου και θερμότητας) ενός οργανισμού παραμένει σχετικά σταθερός. Ο φυσιολογικός χρόνος εκφράζεται σε μονάδες που ονομάζονται ημεροβαθμοί, Degree-days (oD), οι οποίοι ως μονάδα μέτρησης συνδυάζουν την θερμοκρασία με τον χρόνο. Γενικά ισχύει ότι στην χαμηλότερη θερμοκρασία ο χρόνος για την ενηλικίωση απαιτεί τις περισσότερες ημέρες, ενώ στην υψηλότερη θερμοκρασία ο χρόνος ενηλικίωσης απαιτεί τις λιγότερες ημέρες . Με άλλα λόγια η θερμοκρασία και ο χρόνος δρουν συνδυαστικά, ώστε ο χρόνος για την ανάπτυξη του κύκλου ζωής ενός οργανισμού, ή ένα στάδιο κύκλου ζωής του να μειώνεται καθώς η θερμοκρασία αυξάνεται (Knight, 2007). Για πολλά είδη, τα θερμοκρασιακά όρια (ανώτατες και κατώτατες θερμοκρασίες) που επηρεάζουν την ανάπτυξή τους έχουν καθοριστεί ως αποτέλεσμα ελεγχόμενων εργαστηριακών και πεδίου πειραμάτων. Το κατώτερο όριο ανάπτυξης για έναν οργανισμό είναι η θερμοκρασιακή τιμή κάτω από την οποία η ανάπτυξη παύει. Παρόμοια, το ανώτερο όριο ανάπτυξης είναι η θερμοκρασιακή τιμή πάνω από την οποία ο ρυθμός ανάπτυξης αρχίζει να μειώνεται ή και να σταματάει ολοκληρωτικά. Αυτά τα θερμοκρασιακά όρια καθορίζονται ως «θερμοκρασιακά κατώφλια – temperature thresholds». Το χαμηλότερο κατώφλι (TL) για ένα είδος είναι η ελάχιστη θερμοκρασία από όπου ξεκινάει η ανάπτυξή του, ενώ το ανώτερο κατώφλι (TU) είναι η θερμοκρασία στην οποία ο ρυθμός ανάπτυξης παύει να αυξάνει και αρχίζει να μειώνεται. Κάθε έντομο έχει το δικό του ρυθμό ανάπτυξης. Για να είναι δυνατή η παρακολούθηση της ανάπτυξης των εχθρών είναι απαραίτητο να καθοριστεί μια ημερομηνία έναρξης καταγραφής της. Αυτή η ημερομηνία έναρξης καλείται ως «Biofix». Ως σημεία «Biofix» συνήθως καθορίζονται είτε οι ημερομηνίες φύτευσης (για τα ετήσια φυτά), είτε η 1η εμφάνιση εντόμων στην καλλιέργεια ή η 1η καταγραφή εντόμων σε παγίδες. Μετά τον καθορισμό του σημείου «Biofix» ξεκινάει και η παρακολούθηση και το άθροισμα των ημεροβαθμών.
Προγνωστικά μοντέλα εντομολογικών προσβολών στο πλαίσιο του έργου SmartPeach θα δημιουργηθούν για τους παρακάτω εξής εχθρούς:
• Ανάρσια ροδακινιάς: Anarsia lineatella (Lepidoptera: Gelechiidae),
• Φυλλοδέτη ροδακινιάς: Adoxophyes orana (Lepidoptera: Tortricidae),
• Kαρπόκαψα ροδακινιάς: Grapholitha (Cydia) molesta (Lepidoptera: Tortricidae)
Πηγή: #
- Κατσόγιαννος Β. Ι. και Δ. Σ. Κωβαίος, 1996. Ολοκληρωμένη καταπολέμηση εχθρών. Γενικές αρχές και πρόοδος στην εφαρμογή της, προβλήματα και προοπτικές. Γεωργία- Κτηνοτροφία 8, 48-53.
- Van Rijmenam, M., 2013. From Machines to Crops to Animals: Big Data Turns Traditional Farming Upside Down (πηγή: https://datafloq.com/read/machines-crops-animals-big-data-turns-traditional-/157).
- Magarey, R.D., Sutton, T.B. and Thayer, C.L., 2005. A simple generic infection model for foliar fungal plant pathogens. Phytopathology, 95(1), pp.92-100.
- Baskerville, G.L. and Emin, P., 1969. Rapid estimation of heat accumulation from maximum and minimum temperatures. Ecology, 50(3), pp.514-517.
- Boller, E.F., Avilla, J., Jörg, E., Malavolta, C., Wijnands, F., Esbjerg, P., 2004. Integrated production: principles and technical guidelines. IOBC WPRS Bulletin, 27, pp 1–30
- Damos, P. and Karabatakis, S., 2013. Real time pest modeling through the World Wide Web: decision making from theory to praxis. IOBC-WPRS Bulletin, 91, pp.253-258.
- Damos, P. and Savopoulou-Soultani, M., 2012. Temperature-driven models for insect development and vital thermal requirements. Psyche, 2012.
- De Wolf, E.D. and Isard, S.A., 2007. Disease cycle approach to plant disease prediction. Annual Review of Phytopathology, 45, pp.203-220.
- Gommes, R., Das, H., Mariani, L., Challinor, A., Tychon, B., Balaghi, R. and Dawod, M.A., 2010. WMO/CAgM Guide to Agricultural Meteorological Practices (GAMP) WMO n° 134.
- Grove, G.G., 2002. Influence of temperature and wetness period on infection of cherry and peach foliage by Wilsonomyces carpophilus. Canadian Journal of Plant Pathology, 24(1), pp.40-45.
- Jones, V.P., Brunner, J.F., Grove, G.G., Petit, B., Tangren, G.V. and Jones, W.E., 2010. A web‐based decision support system to enhance IPM programs in Washington tree fruit. Pest Management Science: formerly Pesticide Science, 66(6), pp.587-595.
- Knight, A.L., 2014. Adjusting the phenology model of codling moth (Lepidoptera: Tortricidae) in Washington state apple orchards. Environmental entomology, 36(6), pp.1485-1493.
- Luo, Y. and Michailides, T.J., 2001. Risk analysis for latent infection of prune by Monilinia fructicola in California. Phytopathology, 91(12), pp.1197-1208.
- Magarey, R.D., Sutton, T.B. and Thayer, C.L., 2005. A simple generic infection model for foliar fungal plant pathogens. Phytopathology, 95(1), pp.92-100.
- Rossi, V., Bolognesi, M., Languasco, L. and Giosuè, S., 2006. Influence of environmental conditions on infection of peach shoots by Taphrina deformans. Phytopathology, 96(2), pp.155-163.
- Thomidis, T., Rossi, V. and Exadaktylou, E., 2010. Evaluation of a disease forecast model for peach leaf curl in the Prefecture of Imathia, Greece. Crop Protection, 29(12), pp.1460-1465.
- Van Rijmenam, M., 2013. From Machines to Crops to Animals: Big Data Turns Traditional Farming Upside Down (πηγή: https://datafloq.com/read/machines-crops-animals-big-data-turns-traditional-/157)
- Xu, X.M., 1999a. Effects of temperature on the latent period of the rose powdery mildew pathogen, Sphaerotheca pannosa. Plant pathology, 48(5), pp.662-667.
- Xu, X.M., 1999b. Effects of temperature on the length of the incubation period of rose powdery mildew (Sphaerotheca pannosa var. rosae). European Journal of Plant Pathology, 105(1), pp.13-21.
