📄 agriculture

A Predictive Mathematical Framework for Simulating Rusty Grain Beetle Infestation in Bulk Wheat Storage

Este estudio desarrolla un modelo predictivo práctico de tres parámetros que pronostica eficazmente las infestaciones de *Cryptolestes ferrugineus* en trigo a granel mediante la integración del historial de la población con métricas de exposición térmica, tales como los grados-día efectivos y las fluctuaciones de temperatura.

Autores originales: Rakesh Yadav Rakesh, Kirti Bhagirath Kirti

Publicado 2026-08-25

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Rakesh Yadav Rakesh, Kirti Bhagirath Kirti

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En los vastos y silenciosos almacenes donde se guardan millones de toneladas de trigo para el suministro de alimentos del mundo, se libra constantemente una batalla silenciosa contra invasores invisibles. Entre estas plagas, las más persistentes se encuentra el escarabajo del grano oxidado, un diminuto insecto que prospera en el grano de trigo almacenado. A diferencia de otras criaturas, estos escarabajos no dependen de una única señal ambiental para decidir cuándo multiplicarse; en su lugar, el crecimiento de su población es una respuesta compleja a una combinación de factores. El calor del grano, la cantidad de espacio disponible y el número de escarabajos ya presentes trabajan todos juntos para determinar qué tan rápido podría explotar una infestación. Para los gestores de estas instalaciones de almacenamiento, predecir este crecimiento es una cuestión de economía y seguridad alimentaria. Si pueden prever un aumento en los números antes de que se vuelva inmanejable, pueden intervenir tempranamente. Sin embargo, el entorno dentro de una pila de grano no es estático; las temperaturas cambian y la historia de la propia población influye en su futuro, lo que dificulta las predicciones simples.

Los investigadores se propusieron construir una herramienta práctica para resolver este problema, con el objetivo de crear un marco matemático que pudiera pronosticar el aumento de las poblaciones del escarabajo del grano oxidado en el almacenamiento de trigo a granel. Comenzaron probando nueve descripciones matemáticas estándar diferentes del crecimiento poblacional, con la esperanza de encontrar una única ecuación que pudiera rastrear con precisión a los insectos bajo diversas condiciones. Estas ecuaciones variaban desde modelos simples que asumían un crecimiento constante e ilimitado hasta otros más complejos que daban cuenta de los límites del espacio y la ralentización del crecimiento a medida que la población se congestionaba. El equipo aplicó estos modelos a datos recopilados en contenedores de almacenamiento de diferentes tamaños, que iban desde pequeños parches hasta grandes volúmenes a granel, y bajo temperaturas tanto constantes como fluctuantes. Los resultados fueron claros: ninguna de las nueve ecuaciones estándar podía describir consistentemente el comportamiento del escarabajo en todos los diferentes escenarios. Una sola regla simple de crecimiento no era suficiente para capturar la realidad de la situación, ya que los factores dominantes cambiaban dependiendo de la temperatura y del tamaño del área de almacenamiento.

Al reconocer que una sola fórmula no funcionaría, los investigadores cambiaron su enfoque para identificar las variables específicas que más importaban. Analizaron los datos para ver qué factores estaban más estrechamente vinculados con los cambios en el número de escarabajos. Descubrieron que el tamaño de la población del período de observación anterior, la cantidad total de calor que los insectos habían experimentado durante el último mes y el grado en que fluctuaba la temperatura eran los impulsores clave. Para medir la exposición al calor, utilizaron un método que suma los días en que la temperatura fue lo suficientemente cálida para que los escarabajos estuvieran activos, contando efectivamente la "energía térmica" disponible para el desarrollo. Descubrieron que la relación entre este calor acumulado y el número de escarabajos no era una línea recta; en cambio, seguía un patrón curvo donde la población crecía rápidamente al principio y luego se ralentizaba a medida que se acercaba a su densidad máxima.

Combinando estos conocimientos, el equipo desarrolló un nuevo modelo predictivo que integraba la historia de la población con la historia de la temperatura. Este marco final no dependía de una única regla estática, sino que utilizaba el número de escarabajos observados en el último control, las unidades de calor totales acumuladas durante los 28 días precedentes y el patrón de cambios de temperatura para pronosticar el siguiente recuento poblacional. Al probarse contra los datos experimentales, este modelo combinado reprodujo con éxito los principales patrones de aumento de población, funcionando bien tanto bajo condiciones de temperatura constante como cambiante. Fue particularmente preciso al predecir el crecimiento antes de que la infestación alcanzara su densidad máxima, que es la ventana más crítica para la intervención. El estudio sugiere que, al realizar un seguimiento tanto de la historia térmica como de la historia poblacional, los gestores de almacenamiento pueden utilizar una herramienta relativamente simple para estimar la abundancia futura de escarabajos, ofreciendo una forma práctica de proteger el trigo almacenado antes de que una infestación se vuelva severa.

Resumen Técnico: Un Marco Matemático Predictivo para Simular la Infestación de la Escarabajo del Grano Oxidado en el Almacenamiento de Trigo a Granel

Planteamiento del Problema
El escarabajo del grano oxidado, Cryptolestes ferrugineus, representa una amenaza significativa para el trigo almacenado debido a su capacidad de crecimiento poblacional rápido bajo condiciones térmicas favorables. Los modelos de población existentes, que van desde ecuaciones simples de crecimiento exponencial/logístico hasta complejas simulaciones demográficas, a menudo no logran predecir con precisión los niveles de infestación cuando las variables ambientales (temperatura, volumen de almacenamiento y densidad de población) cambian simultáneamente. Específicamente, los modelos derivados bajo regímenes de temperatura constante suelen funcionar deficientemente cuando se aplican a entornos térmicos fluctuantes, típicos del almacenamiento de grano a granel. El desafío radica en desarrollar un marco predictivo que equilibre el realismo biológico con la simplicidad práctica, utilizando variables medibles durante el monitoreo rutinario para pronosticar la severidad de la infestación antes de que alcance niveles dañinos.

Metodología
El estudio empleó un enfoque de modelado de múltiples etapas para desarrollar un marco predictivo para C. ferrugineus en trigo a granel:

Evaluación de Modelos No Estructurados: Se probaron nueve formulaciones matemáticas distintas, incluyendo crecimiento geométrico, crecimiento exponencial, dependencia de la densidad (retroalimentación instantánea y retardada), cosecha y modelos con retardo. Estos fueron calibrados contra conteos de adultos observados (convertidos a poblaciones de hembras mediante la suposición de una relación de sexo 1:1) a través de diversos tamaños de parches de almacenamiento y regímenes de temperatura (constante 21–35 °C, creciente y decreciente). El rendimiento del modelo fue evaluado utilizando el coeficiente de determinación ( $R^2$ ) y el error cuadrático medio (RMSE).
Análisis de Factores Clave: Siguiendo el enfoque de Morris, se realizaron análisis de regresión para identificar las variables más fuertemente asociadas con el cambio poblacional. Se examinaron combinaciones del tamaño de la población previa, la temperatura y la variación de la temperatura para determinar los principales impulsores de la abundancia.
Modelado de Grados-Día: La exposición térmica se cuantificó utilizando grados-día efectivos acumulados ( $DD$ ), calculados con un umbral base de 6.3 °C (la temperatura mínima de movimiento para los escarabajos adultos). La relación entre las unidades de calor acumuladas y la abundancia de insectos se analizó utilizando una función sigmoidea de tres parámetros para dar cuenta de las respuestas no lineales a medida que las poblaciones se acercan a la capacidad de carga.
Desarrollo del Marco Integrado: El modelo final combinó los predictores más significativos identificados en los pasos anteriores: la población registrada en la observación previa, el total de grados-día efectivos acumulados durante un período de 28 días y la fluctuación de temperatura. Se estimaron relaciones de regresión separadas para adultos vivos, adultos totales y descendencia bajo condiciones de temperatura constante y fluctuante.

Resultados Clave

Limitaciones de los Modelos Simples: Ninguna de las nueve ecuaciones de población no estructuradas proporcionó un ajuste satisfactorio en todas las condiciones experimentales. El rendimiento varió significativamente con la temperatura y el tamaño del parche de almacenamiento; por ejemplo, mientras que los Casos I, IV y V funcionaron bien a 35 °C, fallaron al describir los conteos a 25 °C y 30 °C en parches de almacenamiento grandes. Esto indicó que un único mecanismo de crecimiento no podía capturar los efectos combinados de la historia térmica y la escala espacial.
Superioridad de la Respuesta de Grados-Día Sigmoidea: Una función sigmoidea de tres parámetros describió la relación entre los grados-día acumulados y la abundancia de insectos de manera más consistente que los modelos lineales o exponenciales simples. Sin embargo, la aplicación de relaciones ajustadas únicamente a temperaturas constantes a regímenes fluctuantes resultó en una sobreestimación de la abundancia.
Desempeño del Modelo Integrado: El marco predictivo final (Ecuación 18), que incorporó el conteo de población previa ( $N_t$ $N_{t}$ ), los grados-día efectivos durante 28 días ( $X$ $X$ ) y la fluctuación de temperatura, demostró una alta precisión predictiva.
- Para adultos totales, el modelo logró un $R^2$ de 0.96 y un RMSE de 14.7.
- Para adultos vivos, el modelo logró un $R^2$ de 0.91 y un RMSE de 9.2.
- Para descendencia, el modelo logró un $R^2$ de 0.83 y un RMSE de 4.6.
Utilidad Temporal: El modelo resultó ser más efectivo para predecir el crecimiento poblacional durante la fase que precede el acercamiento de la infestación a la densidad máxima.

Significancia y Reivindicaciones
Los autores afirman que el marco propuesto ofrece una herramienta de pronóstico práctica para C. ferrugineus en el trigo almacenado al retener tanto la historia térmica (vía grados-día y fluctuación) como la historia poblacional. El estudio concluye que:

Las leyes de población simples y no estructuradas son insuficientes para escenarios de almacenamiento a granel donde las condiciones ambientales son dinámicas.
Un modelo que integra las unidades de calor acumuladas con la densidad de población y la variación de la temperatura puede reproducir los patrones principales del aumento poblacional bajo temperaturas tanto constantes como cambiantes.
El marco traduce los datos térmicos y poblacionales medidos rutinariamente en estimaciones de la abundancia futura de escarabajos, ayudando en las decisiones de monitoreo y control antes de que las infestaciones se vuelvan severas.

El documento mantiene una postura modesta respecto a su aplicabilidad más amplia, señalando que se requiere una validación adicional con datos de almacenamiento independientes antes de que el modelo pueda ser adoptado como una herramienta de pronóstico general en diversos sistemas de almacenamiento de trigo.

Más como este