Fusarium Head Blight (FHB) is a disease of great concern in wheat (Triticum aestivum). Due to its relatively narrow susceptible phase and environmental dependence, the pathosystem is suitable for modeling. In the present work, a mechanistic model for estimating an infection index of FHB was developed. The model is process-based driven by rates, rules and coefficients for estimating the dynamics of flowering, airborne inoculum density and infection frequency. The latter is a function of temperature during an infection event (IE), which is defined based on a combination of daily records of precipitation and mean relative humidity. The daily infection index is the product of the daily proportion of susceptible tissue available, infection frequency and spore cloud density. The model was evaluated with an independent dataset of epidemics recorded in experimental plots (five years and three planting dates) at Passo Fundo, Brazil. Four models that use different factors were tested, and results showed all were able to explain variation for disease incidence and severity. A model that uses a correction factor for extending host susceptibility and daily spore cloud density to account for post-flowering infections was the most accurate explaining 93% of the variation in disease severity and 69% of disease incidence according to regression analysis.

do trigo -aspectos epidemiológicos e modelos de previsão. Fitopatologia Brasileira 29: 587-605. 2004. RESUMOA giberela ou fusariose da espiga é, atualmente, uma das mais importantes doenças da cultura do trigo (Triticum aestivum). Epidemias severas têm sido observadas nos últimos anos em diversas regiões do mundo, promovendo perdas na produtividade e na qualidade dos grãos. No Brasil, a giberela alcançou o status de principal doença nas regiões tritícolas, principalmente no Sul do Brasil. A sua natureza esporádica está associada à dependência climática, sendo as mais severas epidemias observadas em anos com maior freqüência de chuvas, durante a fase de florescimento e enchimento de grãos. Poucas são as cultivares com resistência genética aceitável e essas normalmente falham em anos muito favoráveis a epidemias. Medidas de controle com fungicidas têm sido preconizadas, entretanto, a dificuldade reside no momento e na tecnologia de aplicação, para se obter resultados satisfatórios. O melhor entendimento dos fatores que influenciam a dinâmica da doença pode auxiliar no manejo da cultura visando a minimizar os riscos de epidemias. Aspectos como aerobiologia e tipo de inóculo, distribuição espacial e gradiente espacial da doença podem contribuir no conhecimento da associação e a importância de fontes de inóculo local ou distante ao campo. Recentemente, uma grande atenção tem sido dada ao desenvolvimento de modelos de previsão ou de risco de giberela. Tais modelos podem auxiliar na tomada de decisão no acionamento de medidas de controle bem como alertar níveis epidêmicos da doença em uma determinada região, ou mesmo quanto à alta contaminação do trigo com micotoxinas de Fusarium spp.Palavras-chave adicionais: Fusarium graminearum, simulação de epidemias, modelos de risco, distribuição espacial, aerobiologia, Gibberella zeae. ABSTRACT Fusarium head blight of wheat -Epidemiological aspects and forecast modelsFusarium Head Blight (FHB) is one of the most important wheat (Triticum aestivum) diseases worldwide. Severe epidemics have been recently reported in various countries, causing great losses in yield and grain quality. In Brazil, FHB emerged in the last decade as a disease of great concern, mainly in the Southern region. The sporadic nature of the epidcmics is related to strong weather dependence. Epidemic levels are observed in years with a high frequency of rain occurring from flowering to grain filling developmental stages. Most wheat varieties are susceptible and few show acceptable genetic resistance. Fungicides applied at flowering, sometimes, can help in preventing economic losses but their efficacy is dependent on application timing and technology for a good spike covering. A better understanding of the many factors influencing disease occurrence and development is needed for better disease management to minimize risks. Studies on the aerobiology, importance of spore types and spatial and temporal patterns of the disease may contribute to develop hypotheses regarding the association and importance of local ve...

No abstract

RESUMOEste trabalho teve como objetivo implementar um modelo computacional para simular a dinâmica operacional de uma linha industrial de abate de suínos. O sistema real modelado pertence à empresa Frigorífico Frimesa, sediada no município de Medianeira (PR). O modelo implementado é tipo dinâmico, discreto e estocástico. Este simula 34 operações unitárias e foi estruturado com o uso da linguagem de simulação EXTEND TM . Para validação do modelo foram coletados dados relativos a cinco dias de operação, em que foram abatidos 1.346, 1.630, 1.360, 1.585 e 1.550 suínos, respectivamente. Como parâmetros de comparação entre os dados obtidos a partir do sistema e gerados pelo modelo foram selecionadas as seguintes variáveis: (i) tempo de duração da operação; (ii) tempo de deslocamento da insensibilização até a depiladeira; (iii) tempo deslocamento da insensibilização até a câmara fria; (iv) número de carcaças re-inspecionadas; e (v) número final de carcaças. Na validação do modelo, foi constatado que, para a variável tempo de duração da operação por meio do teste Tukey a 1% de significância, não foram detectadas diferenças estatísticas entre os valores obtidos do sistema real e os gerados pelo modelo. Considerando-se esta e outras análises, foi concluído que o modelo aplica-se à finalidade para a qual foi implementado. Sendo assim, foram realizadas duas análises de sensibilidade. Na primeira, ao alterar o número de suínos a abater de 1 mil para 2 mil, foi determinado que os tempos de duração da operação variariam de 6,20 a 10,10 h, respectivamente. Para a segunda, ao abater 1.340 suínos e alterar a velocidade das nórias de 300 para 600 animais por hora, o tempo de duração da operação passou de 8,10 para 7,40 h, respectivamente. Palavras-chave: suínos, abate, simulação. SUMMARYDYNAMIC OPERACIONAL SIMULATION OF AN INDUSTRIAL SLAUGHTERLINE FOR SWINE. This work was carried out with the objective to implement a computational model for simulating the dynamics of an industrial slaughtering for swine. Modeled real system belongs the Frimesa enterprise, located in Medianeira city, Paraná State, Brazil. Implemented model was classified as: dynamic, discrete and stochastic, and simulates thirty-four unity operations. For model implementation it was employed the simulation language EXTEND TM . Model validation was carried out comparing data related to five operational shifts, when it was slaughtered 1,346, 1,630, 1,360, 1,585 and 1,550 pigs, respectively. As contrasting parameters between data gotten from real system and generated by model, it was selected the following variables: (i) spent operational time; (ii) spent time from stunning area to scrap machine, (iii) spent time from stunning area to cold storage chamber; (iv) number of re-inspected carcasses; and (v) final number of edible slaughtered swine. At model validation was evidenced that for spent operational time averages, according to Tukey's test, at the significance level of 1%, it was not detected statistical differences between real system and generated simulation mod...

Resumo Este trabalho apresenta uma revisão das metodologias mais utilizadas como ferramentas de apoio ao planejamento da produção de sistemas de manufatura. Dentre elas destacam-se as práticas industriais conhecidas como técnicas avaliativas de soluções e os métodos de otimização conhecidos como técnicas gerativas de solução. Procura-se discutir como estas técnicas trabalham e analisar as vantagens e desvantagens de cada uma delas. Na conclusão a otimização é apresentada como uma ferramenta complementar para superar certas deficiências encontradas durante a aplicação das práticas industriais, tornando-se assim essencial ao planejamento da produção.Palavras-chave: MRP, JIT, programação matemática, planejamento da produção.