Progresso da cercosporiose da beterraba sob diferentes regimes de pulverização

Autores

  • Leandro Luiz Marcuzzo Instituto Federal Catarinense, Rio do Sul, SC, Brasil.
  • Sheila Chaiana Harbs Instituto Federal Catarinense, Rio do Sul, SC, Brasil.
  • Bruna Kotkoski Instituto Federal Catarinense, Rio do Sul, SC, Brasil.
  • Aline Cristina Paulakoski Instituto Federal Catarinense, Rio do Sul, SC, Brasil.

DOI:

https://doi.org/10.5965/223811711922020197

Palavras-chave:

Beta vulgaris ssp. vulgaris L., Cercopora beticola, epidemiologia, controle químico

Resumo

A cercosporiose da beterraba, causada por Cercospora beticola Sacc. é controlada por meio de pulverizações foliares com fungicidas seguindo um calendário fixo, sem considerar o progresso da doença. Um sistema de previsão pode predizer o progresso da doença e direcionar o regime de pulverizações, reduzindo o número de aplicações e otimizando o manejo da doença. Com o objetivo de avaliar o progresso da cercosporiose sob os diferentes regimes de pulverização foi aplicada a técnica de modelagem estatística conhecida por modelos mistos. Estes modelos não incluem apenas os efeitos fixos, mas também os efeitos aleatórios para cada um dos indivíduos da população em estudo. Nas safras agrícolas de 2018 e 2019, os regimes de pulverização utilizados foram baseados em sistemas com valores de severidade estimada (SE) acumulada de 0,15; 0,25, e 0,35, além dos controles padrões com intervalos de pulverizações de cinco e sete dias. A severidade acumulada da cercosporiose em função do tempo, nos cinco regimes de pulverização, foi calibrada com um modelo Gompertz ajustado pelo modelo misto e o efeito aleatório ajustado à assíntota superior. Como resultado da calibração do modelo, o tratamento com regime de pulverização com SE=0,35 não diferiu dos controles padrões com relação à área abaixo da curva de progresso da doença (AACPD), severidade final e produtividade. Os dados apresentados nesse trabalho demonstram a eficiência do sistema de previsão no manejo da cercosporiose em beterraba, com a vantagem de reduzir o número de pulverizações com fungicidas e o impacto sobre o ambiente.

Downloads

Não há dados estatísticos.

Biografia do Autor

Leandro Luiz Marcuzzo, Instituto Federal Catarinense, Rio do Sul, SC, Brasil.

Professor, Dr., Instituto Federal Catarinense - IFC/Campus Rio do Sul, C.P. 441, 89163-356 Rio do Sul, SC, fone (47) 3531-3700, e:mail: leandro.marcuzzo@ifc.edu.br

Sheila Chaiana Harbs, Instituto Federal Catarinense, Rio do Sul, SC, Brasil.

Aluna do curso de agronomia do IFC/Campus Rio do Sul e bolsista Pibic-Cnpq, e-mail: sheilaharbs@gmail.com

Bruna Kotkoski, Instituto Federal Catarinense, Rio do Sul, SC, Brasil.

Aluna do curso de agronomia do IFC/Campus Rio do Sul e bolsista Pibiti-Cnpq, e-mail: brunakotkoski@gmail.com

Aline Cristina Paulakoski, Instituto Federal Catarinense, Rio do Sul, SC, Brasil.

Aluna do curso de agronomia do IFC/Campus Rio do Sul e bolsista IFC/Campus Rio do Sul, e-mail: alinepaulakoski@gmail.com

Referências

BARRETO M et al. 2004. Sistemas de previsão e estação de aviso. In: VALE FXR et al. Epidemiologia aplicada ao manejo de doenças de plantas. Belo Horizonte: Perffil. p.243-266.

BATES D et al. 2012. lme4: Linear mixed-effects models using S4 classes. R package. Vienna: R Foundation for Statistical Computing. Disponível em: http://www.R-project.org. Acesso em: 15 dez. 2018.

BERGAMIN FILHO A & AMORIM L. 2011. Sistemas de previsão e avisos. In: AMORIM L et al. Manual de fitopatologia: princípios e conceitos. 4.ed. São Paulo: Ceres. p.389-408.

BERGAMIN FILHO A & AMORIM L. 1996. Doenças de plantas tropicais: epidemiologia e controle econômico. São Paulo: Ceres. 289p.

CAMPBELL CL & MADDEN LV. 1990. Introduction to plant disease epidemiology. New York: Wiley Interscience. 532p.

DAVIDIAN M & GILTINAN DM. 2003. Nonlinear Models for Repeated Measu¬rement Data: An Overview and Update. Journal of Agricultural, Biological, and Environmental Statistics 8: 387-419.

DEEPAYAN S. 2012. Lattice: Multivariate Data Visualization with R. Vienna: R Foundation for Statistical Computing. Disponível em: http://www.R-project.org. Acesso em: 15 dez. 2018.

DELLAMATRICE PM. 2000. Degradação do herbicida 14C Diuron por Acinetobacter baumannii e pela microbiota do solo. Dissertação (Mestrado em Ciências) Piracicaba: USP. 88p.

EMBRAPA. 2013. Empresa Brasileira de Pesquisa Agropecuária. Sistema Brasileiro de classificação de solos. 3.ed. Brasília: Embrapa. 353p.

EPAGRI. 2015. Levantamento de espécies de hortaliças cultivadas na região do Alto Vale do Itajaí, 2010 e 2014. Ituporanga: Epagri. 7p. (Relatório de pesquisa).

FERNANDES JMC & MAFFIA LA. 1994. Simulação de epidemias. Revisão Anual de Patologia de Plantas 2: 293-334.

FERREIRA MD & TIVELLI SW. 1989. Cultura da beterraba: recomendações gerais. Guaxupé: Cooxupé. 14p. (Boletim Técnico 2).

KRANZ J & HAU B. 1980. Systems analysis in epidemiology. Annual Review of Phytopathology 18: 67-83.

KRAUSE RA & MASSIE LB. 1975. Predictive systems: modern approaches to disease control. Annual Review of Phytopathology 13: 31-47.

MAY DE MIO LL et al. 2008. Proposta de escala diagramática para quantificação da cercosporiose da beterraba. Scientia Agraria 9: 331-337.

MARCUZZO LL et al. 2016a. Efeito de fosfito de potássio e de fungicidas no controle da cercosporiose (Cercospora beticola) da beterraba. Summa Phytopathologica 42: 186-187.

MARCUZZO LL et al. 2016b. Influence of temperature and leaf wetness duration on the severity of Cercospora leaf spot of beet. Summa Phytopathologica 42: 89-91.

MIZUBUTI ESG. 1999. Sistema de previsão de doenças de plantas: uma ferramenta útil? In: ZAMBOLIM L. 1° Encontro de manejo integrado de doença e pragas. Viçosa: UFV. p.42-46.

R DEVELOPMENT CORE TEAM. 2012. R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing. Disponível em: http://www.R-project.org. Acesso em: 2 jul. 2018.

RACCA P & JÖRG E. 2007. CERCBET 3 – a forecaster for epidemic development of Cercospora beticola. Bulletin OEPP/EPPO 37: 344–349

REIS EM. 2004. Previsão de doenças de plantas. Passo Fundo: UPF. 316p.

SAKAMOTO Y et al. 1986. Akaike Information Criterion Statistics. Dordrecht: Kluwer Academic Publishers. 290p.

TENG PS. 1985. Comparison of simulation approaches to epidemic modeling. Annual Review of Phytopathology 23: 351-379.

TIVELLI SW et al. 2011. Beterraba, do plantio à comercialização. Campinas: Instituto Agronômico. 45p. (Boletim Técnico 210).

Downloads

Publicado

2020-06-30

Como Citar

MARCUZZO, Leandro Luiz; HARBS, Sheila Chaiana; KOTKOSKI, Bruna; PAULAKOSKI, Aline Cristina. Progresso da cercosporiose da beterraba sob diferentes regimes de pulverização. Revista de Ciências Agroveterinárias, Lages, v. 19, n. 2, p. 197–203, 2020. DOI: 10.5965/223811711922020197. Disponível em: https://periodicos.udesc.br/index.php/agroveterinaria/article/view/16728. Acesso em: 21 nov. 2024.

Edição

Seção

Artigo de Pesquisa - Ciência de Plantas e Produtos Derivados