Desastres asociados a fenómenos hidrometeorológicos

JOEL FRANCIS AUDEFROY RAYMUNDO PADILLA LOZOYA (2018, [Libro])

Este libro es una contribución de la Red de Desastres Asociados a Fenómenos Hidrometeorológicos y Climáticos (REDESClim) del Programa de Redes Temáticas del Conacyt, la cual tiene por propósito mejorar el conocimiento y la capacidad de respuesta a la variabilidad climática y a las manifestaciones naturales intensas como los huracanes, inundaciones, ondas de calor, sequías y todo tipo de fenómenos hidrometeorológicos que pudieran resultar amenazantes para la sociedad. Por lo anterior, este libro se gestó con la idea de mostrar ese quehacer científico entre especialistas y estudiantes a partir de tres líneas temáticas que inciden en los fenómenos hidrometeorológicos: 1) Las respuestas institucionales y políticas frente a fenómenos hidrometeorológicos; 2) El monitoreo y análisis de fenómenos hidrometeorológicos; 3) Las respuestas sociales a eventos hidrometeorológicos en zonas costeras.

Hidrometeorología Desastres Vulnerabilidad CIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRA

Estimación de la biomasa aérea y su incremento en bosques tropical secos usando datos de campo y de LiDAR aéreo y terrestre

Juan Andrés Mauricio (2023, [Tesis de maestría])

BIOLOGÍA Y QUÍMICA CIENCIAS DE LA VIDA BIOLOGÍA VEGETAL (BOTÁNICA) DESARROLLO VEGETAL DESARROLLO VEGETAL

Caracterización genética y ambiental de poblaciones silvestres de papaya (Carica papaya L.) en su centro de origen

Pedro Jesús Ruiz Gil (2023, [Tesis de doctorado])

BIOLOGÍA Y QUÍMICA CIENCIAS DE LA VIDA BIOLOGÍA VEGETAL (BOTÁNICA) DESARROLLO VEGETAL DESARROLLO VEGETAL

Principles of field experimentation

Berhanu Tadesse Ertiro (2023, [Objeto de congreso])

CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA FIELD EXPERIMENTATION EXPERIMENTAL DESIGN RANDOMIZED BLOCK DESIGN LATTICE DESIGN PLANT BREEDING

Comparación de modelos para estimar la presión real de vapor de agua

ROCIO CERVANTES OSORNIO RAMON ARTEAGA RAMIREZ MARIO ALBERTO VAZQUEZ PEÑA WALDO OJEDA BUSTAMANTE Abel Quevedo Nolasco (2013, [Artículo])

La presión real de vapor de agua es una variable básica para estimar la evapotranspiración de los cultivos, uno de los componentes del ciclo hidrológico. Sin embargo, es difícil y cara de medir de forma directa, por lo que, en la práctica, se recurre a estimaciones basadas en la temperatura y relaciones sicrométricas. El objetivo del presente trabajo fue realizar una comparación de diferentes métodos convencionales para el cálculo de la presión real de vapor y compararlos con las estimaciones realizadas con dos tipos de redes neuronales artificiales: feedforward backpropagation y radial basis function. Se usaron datos meteorológicos de cuatro estaciones del Distrito 075, localizadas en el Valle del Fuerte, al norte de Sinaloa, México. Los resultados indican que la red neuronal artificial tipo radial basis function (escenario E4) mostró ser el mejor método en la estimación de la presión actual de vapor de agua.

Humedad atmosférica Déficit de presión de vapor Distritos de riego Redes neuronales artificiales CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA

Entubamiento de la conducción del agua de riego del tramo San Alejo-Pilcaya y tecnificación del riego de la unidad de riego de Pilcaya, estado de Guerrero

Juan Manuel Angeles MAURO IÑIGUEZ COVARRUBIAS HELENE EMMI KARIN UNLAND WEISS (2008, [Documento de trabajo])

La Unidad de riego Pilcaya, está agrupada en una Sociedad de Aguas de Riego denominada “Flores – Jabalí“. La junta directiva de esta Sociedad hace la distribución del agua, misma que posee la concesión, consta de 429 socios con un total de 412 Acciones, en donde cada Acción comprende una superficie de 1.2 ha, por lo que esta Sociedad de Aguas de Riego representa una superficie total de 494.4 ha, misma que se considera es la superficie regada. Sin embargo, por cuestiones de rotación de cultivos, se tiene una superficie dominada con infraestructura de riego de 1,044.4 ha. El tipo de tenencia de la tierra es pequeña propiedad. La fuente de abastecimiento es uno de los manantiales que proviene de los deshielos del Volcán Nevado de Toluca, mismo que se conduce hasta la Unidad de Riego de Pilcaya, mediante un canal revestido del tramo que va desde la población de San Alejo, municipio de Ixtapan de la Sal, Estado de México, a la cabecera municipal de Pilcaya, Guerrero. Dentro de la zona de riego, se dispone de tres bordos que se utilizan para almacenar y regular el agua de riego. El propósito del entubamiento es dejar preparado para que en un futuro los usuarios puedan instalar sistemas de riego presurizados, sin necesidad de requerir equipo de bombeo.

Riego Redes entubadas Desarrollo tecnológico INGENIERÍA Y TECNOLOGÍA

Editorial: Social and institutional innovations for achieving sustainable agricultural transformation in the global south

Paswel Marenya Jeetendra Aryal Annet Mulema Dil Bahadur Rahut (2023, [Artículo])

Agrifood Systems Transformation Global South Institutional Innovations CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA AGRIFOOD SYSTEMS GREEN REVOLUTION INNOVATION SUSTAINABLE DEVELOPMENT

Multi-environment genomic prediction of plant traits using deep learners with dense architecture

Osval Antonio Montesinos-Lopez Jose Crossa (2018, [Artículo])

Shared Data Resources Deep Learning Genomic Prediction CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA ACCURACY GENOMICS NEURAL NETWORKS FORECASTING DATA MARKER-ASSISTED SELECTION

Product development for Eastern Africa: EA-PP1

&

EA-PP2

Berhanu Tadesse Ertiro Aparna Das Yoseph Beyene Dan Makumbi Manje Gowda Suresh L.M. Anani Bruce Walter Chivasa Vijay Chaikam Juan Burgueño Prasanna Boddupalli (2023, [Objeto de congreso])

CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA PRODUCT DEVELOPMENT TESTING DATA MAIZE

High-throughput plot-level quantitative phenotyping using convolutional neural networks on very high-resolution satellite images

Francisco Pinto Matthew Paul Reynolds Robert Furbank (2024, [Artículo])

Deep Learning Object-Based Image Analysis Optical Imagery CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA AGRICULTURE IMAGE ANALYSIS PLANT BREEDING REMOTE SENSING MACHINE LEARNING