- Bienvenidos al Repositorio Institucional del INIA
Comunidades en el Repositorio
Seleccione una comunidad para explorar sus colecciones.
Envíos recientes
Reporte de Repositorio Institucional del 01 al 31 de Octubre 2024
(Instituto Nacional de Innovación Agraria, 2024-10-31) Instituto Nacional de Innovación Agraria, INIA
Durante el mes de octubre se incorporaron 12 publicaciones técnico científicas, en el Repositorio Institucional del INIA, contando a la fecha con un total de 2463 publicaciones, divididas en comunidades y colecciones. El objetivo de este reporte es mantener actualizados los datos sobre las publicaciones técnico-científicas que vienen siendo incorporadas por el área a cargo de la administración del Repositorio Institucional del INIA.
Reporte de Investigadores del INIA en RENACYT del 01 al 31 de octubre 2024
(Instituto Nacional de Innovación Agraria, 2024-10-31) Instituto Nacional de Innovación Agraria, INIA
En este reporte de investigadores del INIA en RENACYT se observa que al finalizar el mes de octubre se cuenta con un total de 93 investigadores, divididas en 79 afiliados y 14 no afiliados. El objetivo de este reporte es mantener actualizados los datos sobre los investigadores del INIA en el RENACYT.
Reporte de Investigadores del INIA en RENACYT del 01 al 30 de setiembre 2024
(Instituto Nacional de Innovación Agraria, 2024-09-30) Instituto Nacional de Innovación Agraria, INIA
En este reporte de investigadores del INIA en RENACYT se observa que al finalizar el mes de setiembre se cuenta con un total de 85 investigadores, divididas en 72 afiliados y 13 no afiliados. El objetivo de este reporte es mantener actualizados los datos sobre los investigadores del INIA en el RENACYT.
Reporte de Investigadores del INIA en RENACYT del 01 al 31 de Agosto 2024
(Instituto Nacional de Innovación Agraria, 2024-08-31) Instituto Nacional de Innovación Agraria, INIA
En este reporte de investigadores del INIA en RENACYT se observa que al finalizar el mes de agosto se cuenta con un total de 90 investigadores, divididas en 78 afiliados y 12 no afiliados. El objetivo de este reporte es mantener actualizados los datos sobre los investigadores del INIA en el RENACYT.
Reporte de Investigadores del INIA en RENACYT del 01 al 31 de Julio 2024
(Instituto Nacional de Innovación Agraria, 2024-07-31) Instituto Nacional de Innovación Agraria, INIA
En este reporte de investigadores del INIA en RENACYT se observa que al finalizar el mes de julio se cuenta con un total de 89 investigadores, divididas en 74 afiliados y 15 no afiliados. El objetivo de este reporte es mantener actualizados los datos sobre los investigadores del INIA en el RENACYT.
Characterization and typification of small-scale goat production systems in the highlands of southeast Peru
(Frontiers Media, 2024-11-14) Palomino Guerrera, Walter; Godoy Padilla, David; Huaripaucar Huancahuari, Joseen; Sessarego Dávila, Emmanuel; Trillo Zárate, Fritz; Cruz Luis, Juancarlos
Goat breeding in Peru is one of the main activities of smallholders. Goats are distributed in different agroecological zones and regions of the country, developing under heterogeneity of production systems, making it difficult to understand goat breeders’ socioeconomic, technological, and productive situations. This study aimed to characterize and typify the goat production systems in the highlands
of southeast Peru. A survey was conducted with 91 goat farmers from five districts of Ayacucho, Peru, using a structured and individualized questionnaire administered on their farms. The socio-economic, productive, and commercial characteristics of the goat production systems were recorded. A multiple correspondence analysis (MCA) and hierarchical classification analysis (HCA) were performed to establish a typology of the smallholders. The results reveal that the breeding system is extensive, where there is no breeding program, with natural pastures and crop stubble being the source of food for the herds. Only slightly more than half (54%) carry out a deworming program. Farmers were categorized into three different groups, corresponding to three different farming systems: Group 1 farmers raised goats solely for home consumption; Group 2 breeders raised goats for both consumption and marketing of surplus products (cheese, milk, and meat), and Group 3 farmed focused on producing cheese and goat kids and selling to local markets. The study provides valuable insights that will help design effective breeding strategies to develop sustainable goat farming in the region, considering different production systems and their respective socio-economic and trade dynamics. This classification will be essential
for tailoring development programs to the specific needs of each group, promoting better use of resources, improving productivity, and enhancing the livelihoods of smallholder goat producers in Peru
Using UAV images and phenotypic traits to predict potato morphology and yield in Peru
(MDPI, 2024-10-24) Ccopi Trucios, Dennis; Ortega Quispe, Kevin; Castañeda Tinco, Italo; Rios Chavarria, Claudia; Enriquez Pinedo, Lucia; Patricio Rosales, Solanch; Ore Aquino, Zoila; Casanova Nuñez-Melgar, David; Agurto Piñarreta, Alex; Zúñiga López, Luz Noemí; Urquizo Barrera, Julio
Precision agriculture aims to improve crop management using advanced analytical tools.In this context, the objective of this study is to develop an innovative predictive model to estimate the yield and morphological quality, such as the circularity and length–width ratio of potato tubers, based on phenotypic characteristics of plants and data captured through spectral cameras equipped on UAVs. For this purpose, the experiment was carried out at the Santa Ana Experimental Station in the central Peruvian Andes, where advanced potato clones were planted in December 2023 under three levels of fertilization. Random Forest, XGBoost, and Support Vector Machine models were used to predict yield and quality parameters, such as circularity and the length–width ratio. The results showed that Random Forest and XGBoost achieved high accuracy in yield prediction (R2 > 0.74). In contrast, the prediction of morphological quality was less accurate, with Random Forest standing out as the most reliable model (R2 = 0.55 for circularity). Spectral data significantly improved the predictive capacity compared to agronomic data alone. We conclude that integrating spectral índices and multitemporal data into predictive models improved the accuracy in estimating yield and certain morphological traits, offering key opportunities to optimize agricultural management.
Manual del Sistema de Vigilancia e Inteligencia
(Instituto Nacional de Innovacion Agraria, 2024-11-01) Instituto Nacional de Innovacion Agraria, INIA
Politica de Vigilancia e Inteligencia
(INIA, 2024-11-01) Instituto Nacional de Innovación Agraria , INIA
Huanca Mamani, Teodosio
(-, 2022-02) Huanca Mamani, Teodosio