Revista Geoespacial Nº 9

CARRERA DE INGENIERÍA GEOGRÁFICA Y DEL MEDIO AMBIENTE

DEPARTAMENTO DE CIENCIAS DE LA TIERRA Y

CONSTRUCCIÓN

ESCUELA POLITÉCNICA DEL EJÉRCITO

Revista Geoespacial Nº 9 Revista oficial de difusión científica y tecnológica de la Carrera de Ingeniería Geográfica y del Medio Ambiente del Departamento de Ciencias de la Tierra y Construcción de la Escuela Politécnica del Ejército Periocidad: La revista Geoespacial es publicada un número anualmente Revista Geoespacial, Diciembre 2012 Editor: Dr. Alfonso Tierra. Centro de Investigaciones Científicas. Escuela Politécnica del Ejército-Ecuador Comité Editorial: Dr. Theofilos Toulkeridis M.Sc. Mario Cruz Ing. Oswaldo Padilla Comité Científico Dr. Roberto Luz Teixeira - IBGE - Brazil M. Sc. Gustavo Barrantes - Universidad Nacional - Costa Rica M. Sc. Rodrigo Márquez - Universidad Católica - Chile Dr. Vinicio Carrera - ESPE - Ecuador Ph.D Luis Cumbal - ESPE-Ecuador Dr. Pascal Podwojewski - IRD - France Dr. Christoph Heubeck - Freie Universitat Berlin - Germany Dr. Hans Joachim Massonne - University of Stuttgart - Germany Dr. Arne Willner Ruhr - University of Bochum - Germany Dr. Mariano Cerca - UNAM - México M.Sc. Noris Martínez - Universidad Tecnológica de Panamá - Panamá Ph.D. Robert Buchwaldt - MIT - USA Ph.D. Steven Taylor - University of Illinois - USA Aaron Addison . Ph.D. - Washington University - USA Diseño de Portada Ing. Oswaldo Padilla Preguntas y Correspondencia Departamento de Ciencias de la Tierra y Construcción. Av. Gral. Rumiñahui S/N. Sangolquí – Pichincha – Ecuador. artierra@espe.edu.ec Los contenidos de los artículos, aquí publicados, son de responsabilidad de los autores.

Revista Geoespacial Nº 9, Diciembre 2012 ISSN 1390-3993

Revista Geoespacial Sumario Número 9, 2012 MODELAMIENTO GEOESTADÍSTICO DE CAMBIO FUTURO DE COBERTURA DE SUELO COMO APOYO A LOS PLANES DE ORDENAMIENTO TERRITORIAL EN LA AMAZONÍA DEL ECUADOR. PABLO CABRERA BARONA ………………………………………………

Pag.

1

IMPLEMENTACION DE UN ALGORITMO DE LÓGICA FUZZY APLICADO A LA DETERMINACION DE LA SUSCEPTIBILIDAD A DESLIZAMIENTOS EN EL ÁREA MONJAS – FERROVIARIA – LA MAGDALENA – ITCHIMBÍA, DEL DISTRITO METROPOLITANO DE QUITO, (DMQ). OSWALDO PADILLA ALMEIDA; MARIO A. CRUZ D’HOWITT; LORENA P. ANDOCILLA LÒPEZ …………………………………………

 

12

CAMPO DE VELOCIDADES DEL ECUADOR OBTENIDO A TRAVÉS DE MEDICIONES DE CAMPAÑAS GPS DE LOS ÚLTIMOS 15 AÑOS Y MEDIDAS DE UNA RED GPS PERMANENTE. DAVID ALEXANDER CISNEROS REVELO; JEAN-MATHIEU NOCQUET ..……………………….………………………………………

30 ANÁLISIS DEL PODER BIOACUMULADOR DE CROMO EN LA PAPA (Solanum tuberosum) PAULINA GUEVARA GARCIA; LUIS E. MONTES PAGUAY ………. CLASIFICACIÓN DE IMÁGENES SATELITALES UTILIZANDO LOS MÉTODOS ORIENTADO A OBJETOS Y POR PÍXELES. XAVIER A. MEJÌA R; PABLO J. MONCAYO; FRANCISCO LEÒN L; EDUARDO P. KIRBY P. ……………………………………………………

50

63

P á g i n a | 1

MODELAMIENTO GEOESTADÍSTICO DE CAMBIO FUTURO DE COBERTURA DE SUELO COMO APOYO A LOS PLANES DE ORDENAMIENTO TERRITORIAL EN LA AMAZONÍA DEL ECUADOR.

PABLO CABRERA BARONA1

1 UNIGIS EN AMÉRICA LATINA /UNIVERSIDAD SAN FRANCISCO DE QUITO Diego de Robles y Avenida Interoceánica. Cumbayá. Quito. Ecuador E-mail: pablo.cabrera@team.unigis.net

Recibido: 28 de agosto 2012 / Aceptado: 30 de noviembre 2012

RESUMEN A partir del año 2009 empezaron a desarrollarse los Planes de Ordenamiento Territorial (POT) para los diferentes niveles de gobierno en Ecuador. Actualmente, tenemos una variedad de Planes de Ordenamiento Territorial, pero realmente pocos se han sujetado a un proceso metodológico completo, tomando en cuenta no solo procesos participativos y de análisis territorial, sino también métodos más científicos como el modelamiento prospectivo de cambio de cobertura de suelo usando técnicas geo estadísticas. La mayor parte de la Amazonía del Ecuador se encuentra cubierta de bosques, por lo que los POT en esta región tienen que poseer una perspectiva del cambio de cobertura de suelo, con el fin de procurar un desarrollo tomando en cuenta la protección de sus bosques. En el presente estudio, se realizaron modelamientos con técnicas geo estadísticas utilizando cadenas de Markov y automatismo celular en base a mapas de uso de suelo y cobertura vegetal del Cantón Amazónico de Taisha, a escala 1:50000, de los años 1990 y 2008, y tomando como caso de estudio el Cantón amazónico de Taisha, Provincia de Morona Santiago, Ecuador. Los resultados obtenidos demuestran que la pérdida de bosque húmedo tropical es evidente en la zona respecto al año 1990. Los modelos indican un aumento de áreas agropecuarias para el año 2026, aunque muestran una baja probabilidad de que actuales áreas de bosque se transformen en áreas agropecuarias para ese año. Con estos resultados, el Cantón Taisha cuenta con información útil para que los tomadores de decisiones puedan tener mejores criterios al implementar políticas públicas. Así también, es una muestra de cómo las herramientas y el modelamiento SIG, son un gran apoyo, y complemento, a los conocimientos territoriales locales. Palabras clave: Ordenamiento Territorial, Amazonía, cobertura de suelo, modelamiento

ABSTRACT Since 2009 Ecuador began to develop the Land Management Plans (LMP) for its different levels of government. Currently, we have a variety of LMP, but few have been subjected to a complete methodological process, taking into account not only participatory processes and spatial analysis, but also more scientific methods, as prospective modeling land cover change using geo statistical techniques. Most of Ecuador's Amazon is covered by forest, so the LMP in this region must have a perspective of

P á g i n a | 2 land cover change, in order to procure a development taking into account the protection of their forests. In the present study, conducted with technical geo statistics modeling using Markov chains and cellular automata, based on land use and land cover maps (1:50000 scale, years 1990 and 2008) of the Amazonian local government of Taisha (Province of Morona Santiago, Ecuador). The results show that the loss of tropical rain forest in the area is evident from the year 1990. Models indicate agricultural areas will increase by 2026, but show a low probability that of existing forest areas are transformed into agricultural areas by the year. With these results, the Taisha local government has useful information for decision makers to have better criteria to implement public policies. So, too, is an example of how GIS and modeling tools, are very supportive, and complement, for local´s knowledge. Palabras clave: Land Managment, Amazon region, land cover, modeling 1. INTRODUCCIÓN Existen algunas experiencias de Ordenamiento Territorial (OT) en la Amazonía del Ecuador tomando en cuenta perspectivas locales y comunitarias, como también, cosmovisión indígena (Resl, 2009). La importancia de esta clase de trabajos, radica en que la Amazonía del Ecuador es habitada, a más del pueblo mestizo, por 10 Nacionalidades Indígenas, cada una con características culturales propias. En Ecuador el análisis de tenencia de la tierra y de mapeo de comunidades indígenas se ha realizado con bastante éxito (Sarango, 2011), y existen muchas experiencias positivas de mapas participativos con el fin de contar con información de uso de suelo (FIDA, 2009), tenencia de la tierra (Poole 2010) y tierras indígenas (Chapin et al, 2010) de aspectos sociales, productivos y culturales del territorio (FIDA, 2009; Belair et al, 2010), y hasta de mapeo a diversas escalas de zonas comunitarias y fincas (Smith et al, 2009). Por otro lado, existen experiencias, que se basan en el levantamiento y recopilación de información mediante técnicas establecidas, usando tecnologías de información, GPS, sensores remotos y cartografía, pero que pueden alejarse muchas veces del concepto de geografía social y participativa institucional (Lobatón, 2009) muy útil en procesos de OT en territorios indígenas. Por tal motivo, podemos decir que un proceso de levantamiento de información y de aplicación metodológica eficiente, en tiempo y recursos, se puede lograr uniendo diferentes talentos y metodologías (Poole, 2010), tanto institucionales (cartografía oficial), participativas (cartografía participativa) como científicas (por ejemplo, modelamiento espacial). El presente estudio se enfoca en el modelamiento espacial geo estadístico de cambio temporal de cobertura de suelo en el Cantón Taisha, usando dos clases de modelamiento predictivo: cadenas Markov y automatismo celular. El Cantón Taisha es un gobierno local cuyo territorio en su mayoría está ocupado por Nacionalidades Indígenas, Shuar y Achuar, y este estudio, a más de identificar los cambios de uso de suelo usando los dos modelos mencionados, discute como esta clase de análisis espacial puede apoyar a la toma de decisiones del gobierno local, como también, unirse y enriquecerse con el conocimiento local.

P á g i n a | 3

2. METODOLOGÍA El área de estudio es el Cantón Taisha ubicado en la Provincia de Morona Santiago, Ecuador, en los límites con Perú (Figura 1). Se utilizó como información para el modelamiento los mapas de cobertura vegetal y uso de suelo a escala 1:50000, de los años 1990 y 2008 (MAE, 2011) y la información base de vías y de poblados escala 1:50000, del territorio del Cantón.

Figura 1. Área de estudio

Se aplicó dos tipos de modelos predictivos, a) cadenas de Markov, y b) algoritmos de autómata celular. En las cadenas de Markov, cada variable (o píxel en una imagen) ocupa un sitio determinado, y el valor de cada sitio es dependiente de los valores del mismo sitio en un tiempo anterior (Tso y Mather, 2001). El modelo con cadenas de Markov es un modelo discreto, en donde el valor de la variable en el tiempo futuro va a depender del valor de la misma variable en el tiempo o período anterior. (Paegelow et al, 2003), por lo que toma en cuenta la dinámica interna del sistema, es decir, la evolución a través del tiempo de las distintas coberturas dentro de un área determinada, sin tomar en cuenta las dinámicas o factores externos de dicha evolución (Tso y Mather, 2001; Paegelow et al, 2003; Poska et al, 2008).

P á g i n a | 4

El modelo de autómata celular, es un método que usa los resultados generados por la cadena de Markov y simula cambio de una variable de un estado a otro en función del estado de dicha variable en un tiempo anterior y de los valores de las variables vecinas, siendo estos cambios funciones de reglas específicas de decisión (Poska et al, 2008). En este caso, cada célula es un píxel, y su estado en un determinado tiempo es una función del estado de las células que la rodean (Wolfram, 1984; Vázquez y Oliver, 2008). Por ejemplo, el valor o estado V de una célula en posición (i,j) estaría expresado de la siguiente manera:

Vi,j = f(Vi+1,j , Vi-1,j , Vi,j+1 , Vi,j-1)

Donde Vi+1,j , Vi-1,j , Vi,j+1 y Vi,j-1 son los valores o estados de sus células vecinas.

En el modelo con cadenas de Markov se ingresó la imagen de cobertura y uso de suelo de tiempo inicial, la del año de 1990, y la de tiempo final, de 2008. Como la diferencia de años entre 1990 y 2008 son 18, se calculó la matriz de probabilidades de cambio de coberturas al año 2026 (18 años desde el 2008). Para el modelo que utilizó cadenas de Markov y autómata celular, primero se ingresó al modelo una imagen de tiempo inicial, la del 2008, después se ingresó la matriz de áreas de transición de una clase de cobertura de suelo a otra, obtenida mediante cadenas de Markov y finalmente una imagen condicionante o imagen factor, en función de la cobertura de bosque y de presencia de vías y poblados. Las imágenes de factores, son imágenes de ubicación ideal de una cobertura, cuya escala de valores va desde 0 a 255, siendo los valores más altos los que representan mejores condiciones para el desarrollo de una cobertura dada (Clark Labs, 2003; Poska et al, 2008). Para producir dicha imagen, se asignó valores de 0 a un radio de 200 metros alrededor de vías, a un radio de 400 metros alrededor de poblados, y a las zonas agropecuarias, mientras que para el resto de la imagen se asignó valores de 255. La razón de esto, fue que en los recorridos de campo, se logró observar un cambio de la cobertura de bosque intervenido a bosque más denso/primario en un rango de 200 metros a partir de límites de caminos y a un rango de 400 metros alrededor de límites de vías. Los valores de 255 fueron asignados a la mayoría del territorio del Cantón, que es bosque amazónico primario.

P á g i n a | 5

3. RESULTADOS Y DISCUSIÓN

La Figura 2 muestra las probabilidades en el territorio del Cantón Taisha de que las actuales coberturas de suelo se transformen en zonas agropecuarias.

Figura 2. Probabilidades de cadenas de Markov de cambio al año 2026

Se aprecia que la cobertura de bosque actual posee solo un 1% de probabilidad de convertirse en zona agropecuaria para el año 2026. Actualmente existen también algunas coberturas de tipo arbustivo y herbáceo en el territorio de Taisha, sin embargo las mismas son de tamaño mínimo y no han experimentado cambios bruscos en los años de estudio, como también, no se presentan como coberturas representativas para el año 2026. Al contrario, sí existe una presencia representativa de zonas agropecuarias, las mismas que para el año 2026 presentan una probabilidad de 93% de continuar siendo zonas de cultivos.

P á g i n a | 6

En la Figura 3 se puede apreciar visualmente que las coberturas agropecuarias experimentarían un crecimiento en extensión, según los modelos realizados, aunque para el modelamiento prospectivo se observa que algunos pequeños parches de zonas agropecuarias desaparecen y se vuelven bosque, la generalidad es que muchos parches agropecuarios crecen de tamaño y otros que se encontraban aislados entre sí, se conectan, originando parches más grandes.

Figura 3. Modelo de cambio de cobertura de suelo para el año 2026

En la Figura 4 se ve claramente el decrecimiento de la extensión de bosque, en 1990 hubieron 535300 Ha de bosque en el Cantón, para el año 2008 llegaron a 509000 Ha y para el año 2026 se estima un área de bosque de 501600 Ha, es decir, un decrecimiento de 33 700 Ha respecto al año 1990; la Figura 5 muestra un incremento de áreas agropecuarias de 10520 Ha para 1990 a 35020 Ha para el año 2008, y para el año 2026 se estima un área de zonas agropecuarias de 44220 Ha.

Ecmbctep

Figu

Figura 5. C

Es importantcalculadas comientras el pbosque se cocrecimiento dtal razón, podencuentran enparámetros qu

ura 4. Cambio

Cambio de cob

te determinaron cadenas dprimero mueonviertan en de zonas agrdemos afirman función delue puedan in

o de cobertura

bertura de áre

r el enlace ede Markov yestra una pr

zonas agropopecuarias, ear que las prl cambio de e

ncentivar – o

de bosque par

as agropecuar

entre las proby los resultadrobabilidad mpecuarias, eles decir, pérdrobabilidadesestado de unfrenar este ca

ra los años 199

rias para los añ

babilidades ddos del modmuy baja del segundo mdida de cobes de cadenas n píxel de un ambio – .

P

90, 2008 y 20

ños 1990, 200

de cambios delo de autóm

e que actualmuestra una tertura vegetade Markov saño a otro, y

P á g i n a | 7

26.

8 y 2026.

de coberturamata celular:es zonas detendencia del nativa. Porsolamente sey no de otros

7

a

e e r e

P á g i n a | 8

Por otro lado, ya que el modelo de autómata celular toma en cuenta influencia de vías y poblados actuales, calcula necesariamente un decrecimiento de bosque. Se puede decir que los resultados muestran la tendencia de cambio de coberturas de suelos en función de lo que estas mismas coberturas han experimentado en la zona de estudio estos últimos años, más influencia vial/zona poblada, sin embargo no necesariamente esto refleja la realidad actual o la realidad que puede pasar en el futuro. En primer lugar hay que tomar en cuenta la escala de trabajo, 1:50000, que si bien es suficiente para trabajar con el territorio de Taisha, los mapas utilizados, por su naturaleza misma (producto de análisis digital de imágenes satelitales) poseen ya un grado de error. En segundo lugar, el modelamiento geo estadístico, como su nombre lo indica, es de naturaleza probabilística y randómica, sujeta en una primera fase solamente al cambio de “estado” de coberturas de suelo, para posteriormente ser en alguna medida modelado este cambio con ayuda de condiciones o factores.

Son estas mismas condiciones o factores, que pueden ser muy variados, los que intervienen en la sensitividad de un modelo y por ende en sus resultados; en el caso del presente estudio se tomaron en cuenta presencia de vías y poblados, pero indudablemente se pueden utilizar en el modelamiento de cambio de uso de suelo de Taisha otros factores, no solo físico-ambientales o de infraestructura, sino factores sociales, culturales o económicos. En este caso nos estamos desligando de la praxis comúnmente aplicada en el modelamiento, donde el contexto socio-cultural es poco explorado, y nos acercamos más a una visión más intregral y necesaria para las realidades de la amazonía ecuatoriana.

Supongamos que la comunidad indígena de un gobierno local plantea que un área de su territorio es sagrada y debe ser protegida de cualquier intervención que origine deforestación, mientras que determinan que otra área puede ser aprovechada para uso forestal ya que culturalmente ese lugar es de menor importancia; en este caso surgen varias preguntas, por ejemplo, ¿Qué valores asignar en el modelo de cambio de cobertura de suelo a los territorios sagrados de bosque?, ¿Cómo ponderar estos valores respecto a los valores de influencia de vías y poblados?, ¿Hasta qué límite podemos aumentar más factores o variables explicativas de cambio de cobertura de suelo?. En este caso es importante evaluar la sensitividad del modelo, ya que algunas variables pueden cambiar fuertemente los resultados del modelo, mientras que para otras, el modelo puede no ser sensitivo. Como siguiente punto, es importante señalar la importancia de esta clase de modelos para el ordenamiento territorial (OT) de los territorios de gobiernos locales amazónicos.

En la Figura 6 se observa algunos pasos importantes que se deben realizar con el fin de obtener estrategias territoriales para la planificación. Una primera fase tiene que ver con la caracterización por sistemas (ambiental, social, económico, de infraestructura –principalmente-) del territorio, su zonificación y evaluación, mientras que una segunda fase explora los escenarios territoriales que se pueden dar, con el fin de obtener mejores criterios de planificación.

P á g i n a | 9

Figura 6. Fases de diagnóstico y definición de escenarios territoriales en un OT (Modificado de Pérez y Tamayo, 2011)

4. CONCLUSIONES FINALES

Observamos que existen muchos procesos de OT que llegan solamente a la primera fase mencionada anteriormente. La segunda fase tiene que ver con el diseño de escenarios, los cuales pueden ser escenarios tendenciales y escenarios alternativos: aquí se encuentra el link entre los procesos “técnicos” y los procesos participativos, en donde la tendencia de cambio territorial es marcada por la realidad actual del territorio y su tendencia de cambio en función de variables que pueden ser determinadas,

DISEÑO DE

ESCENARIOS

ESCENARIOS CONCERTAD

OS DEFINICIÓN DE CONFLICTOS

ESRATEGIAS TERRITORIALE

S

ESCENARIOS TENDENCIALES

ESCENARIOS ALTERNATIVOS

CARACTERIZACIÓN POR SISTEMAS Y ZONIFICACIÓN

EVALUACION INTEGRAL DEL TERRITORIO

P á g i n a | 10

mientras que la realidad alternativa territorial puede ser planteada abiertamente por la comunidad independientemente de datos estadísticos o matemáticos, sino en función de su percepción. Aquí el tipo de experiencias semejantes al presente trabajo toma gran interés, ya que en la práctica el uso de la geo estadística y de modelamiento espacial para obtener modelos de cambio tendencial o prospectivo es casi nulo, y suponiendo que en un OT si se ha trabajado con escenarios, comúnmente los escenarios tendenciales son inferidos solamente en función de la zonificación territorial obtenida, obviando cualquier otro tipo de análisis más avanzado como el geo estadístico, análisis que incluso es recomendado por diversos técnicos gubernamentales con el fin de obtener información más completa. El caso de que un gobierno local indígena cuente con información de modelamiento geo estadístico para su plan de OT, y que al mismo tiempo pueda ligar esta información con información de mapeo participativo que las mismas comunidades locales puedan producir, es un caso en donde los actores y tomadores de decisiones locales cuentan con herramientas poderosas para la planificación. Sin embargo, hay que tomar en cuenta que este tipo de modelamiento refleja solamente una posible realidad, al mismo tiempo que puede ser mejorado con nuevas variables de interés como se mencionó anteriormente. A futuro recomiendo esto, como también, una política de capacitación a técnicos locales que fomenten las bases de conocimiento en SIG y ciencia geográfica en su gobierno local, mejorando la capacidad de auto gestión y auto producción de información, para le evaluación continua del ordenamiento territorial.

REFERENCIAS Chapin, M; Lamb, Z; y Threlkeld, B. 2010. Mapeo de tierras indígenas. Annual Review of

Anthropology 3 Clark Labs. 2003. Manual de Idrisi Kilimanjaro Bélair, C; Ichikawa, K; Wong, BYL; Mulongoy, K.J. (Editors) 2010. Sustainable use of

biological diversity in socio-ecological production landscapes. Background to the ‘Satoyama Initiative for the benefit ofbiodiversity and human well-being.’ Secretariat of the Convention on Biological Diversity, Montreal. Technical Series no. 52, 184 pages.

FIDA. 2009. Buenas prácticas en cartografía participativa. Fondo Internacional de Desarrollo Agrícola

Lobatón, S. 2009. Reflexiones sobre Sistemas de Información Geográfica Participativos (SIGP) y cartografía social. Universidad Nacional de Colombia

MAE. 2011. Mapas de Uso de Suelo del Ecuador 1:50000. Primer nivel de información Paegelow ,M; Camacho Olmedo ,MT; Menor Toribio, J. 2003. Cadenas de Markov, evalución

multicriterio y evaluación multiobjetivo para la modelización prospectiva del paisaje. GeoFocus 3: 22-44.

Pérez, A; Tamayo, D. 2011. Ordenamiento Territorial. GIS con Ordenamiento Territorial con nacionalidades y pueblos indígenas. UNIGIS en América Latina/GeoCentro USFQ

P á g i n a | 11 Poole, P. 2010. ¿Hay vida después del mapeo de la tenencia? Aprendizaje y acción

participativos. Poska, A; Sepp, E; Veski, S; Koppel, K. 2008. Using quantitative pollen-based land-cover

estimations and a spatial CA_Markov model to reconstruct the development of cultural landscape at Rouge, South Estonia. Veget Hist Archaeobot 17:527–541

Resl, R. 2009. UNIGIS in Latin America 1999-2009: Experiences of a Distance Education Program for GIS in Latin America. Universidad San Francisco de Quito-Universidad de Salzburg

Sarango, J. 2011. GeoCentro USFQ. Mapeo Participativo en la planificación de los Pueblos y Nacionalidades. Panel “Gestión Territorial con enfoque a Pueblos y Nacionalidades del Ecuador”. Charlas de Estudios Ecuatorianos LASA. FLACSO.

Smith, J; Sarmiento, L; Acevedo, D; Rodríguez, M; Romero, R. 2009. Un método participativo para mapeo de fincas y recolección de información agrícola aplicable a diferentes escalas espaciales

Tso, B; Mather, P. 2001. Classification Methods for Remotely Sensed Data. Taylor and Francis Group, Great Britain. USA

Vázquez, JI; Oliver, J. 2008. Evolución de autómatas celulares utilizando algoritmos genéticos. Universidad de Deusto. Spain

Wolfram, S. 1984. Cellular automata as models of complexity. Nature 311: 419 - 424

P á g i n a | 12

IMPLEMENTACION DE UN ALGORITMO DE LÓGICA FUZZY APLICADO A LA DETERMINACION DE LA SUSCEPTIBILIDAD A DESLIZAMIENTOS EN EL ÁREA MONJAS – FERROVIARIA – LA MAGDALENA – ITCHIMBÍA, DEL DISTRITO METROPOLITANO DE QUITO, (DMQ).

OSWALDO PADILLA ALMEIDA1; MARIO A. CRUZ D’HOWITT1; LORENA P. ANDOCILLA LÓPEZ2

1 DEPARTAMENTO DE CIENCIAS DE LA TIERRA Y LA CONSTRUCCION. UNIVERSIDAD DE LAS FUERZAS ARMADAS - ESPE. Av. General Rumiñahui, s/n. Sangolquí – Ecuador. 2CARRERA DE INGENIERÍA GEOGRÁFICA Y DEL MEDIO AMBIENTE. DEPARTAMENTO DE CIENCIAS DE LA TIERRA. UNIVERSIDAD DE LAS FUERZAS ARMADAS - ESPE. Av. General Rumiñahui, s/n. Sangolquí – Ecuador. ovpadi@hotmail.com; macruz@espe.edu.ec; boandocilla@hotmail.com  Recibido: 29 de octubre 2012 / Aceptado: 03 de diciembre 2012

RESUMEN

En este proyecto se propone la implementación de un algoritmo de Lógica Fuzzy aplicado a plataformas SIG para la generación de varios modelos probabilísticos de ocurrencia de deslizamientos en el Centro - Sur de la ciudad de Quito, como herramienta alternativa para una efectiva Gestión de Riesgos en este sector del DMQ. Este algoritmo mostró su eficacia al contrastarlo con un inventario de deslizamientos obtenido a partir de técnicas de fotointerpretación y verificación de campo. Como resultado de la aplicación de esta metodología, se obtuvo diferentes modelos tridimensionales, que, según los parámetros estadísticos aplicados, concordaron en más del 90% con la realidad observada en el del terreno. El Modelo 4 (diez percentil) elimina los valores de los pequeños deslizamientos en la zona sur oriental, y es concordante con el 99% de los deslizamientos grandes y medianos observados en el campo, por ello, este modelo podría interpretarse como un posible mapa que representa la vulnerabilidad física de la zona. Además, se elaboró un programa que automatiza el proceso de obtención de estos modelos probabilísticos sobre plataformas SIG, aplicable a cualquier lugar donde la posible ocurrencia de inestabilidades del terreno represente una amenaza para la vida y obras civiles existentes.

Palabras clave: Algoritmo, Lógica Fuzzy; SIG, deslizamiento, vulnerabilidad.

P á g i n a | 13

ABSTRACT

This project proposes the implementation of a Fuzzy logic algorithm applied to GIS platforms for the generation of several probabilistic models of landslides occurrence in the south-center of Quito city, as an alternative tool for an effective risks management in this sector of the QMD. This algorithm showed its effectiveness when contrasted with an inventory of landslides from photo interpretation and field verification techniques. As a result of the application of this methodology was different three-dimensional models, which, according to the statistical parameters applied, agreed on more than 90% with the field reality. Model 4 (ten percentile) removes small landslides in the South East area, and is consistent with 99% of medium and large landslides observed, therefore, this model could be interpreted as a possible physical vulnerability map of the area. In addition, this research shows a program that automates the process of obtaining these probabilistic models in GIS platforms, applicable to any place where the possible occurrence of instabilities of the terrain poses a threat to the life and existing civil works was developed.

 Key words: algorithm, Fuzzy logic; GIS, landslide, vulnerability.

 

1. INTRODUCCION

En los últimos años, durante el período lluvioso, varios sectores de la ciudad de Quito se han visto afectados por inestabilidades del terreno e inundaciones que han afectado a la población y a las vías principales (pasos deprimidos) especialmente en el Centro - Sur de Quito. Los taludes de las avenidas perimetrales de la ciudad han experimentado deslizamientos que ocasionaron la pérdida de vidas, bienes materiales y la interrupción del tráfico vehicular por algunos días, agravando los problemas de movilidad de la ciudad. Un estudio de la Secretaría de Riesgos del I. Municipio de Quito, revela que hay 1500 familias que viven en zonas de riesgo por deslizamientos y derrumbes en todo el Distrito, (El Comercio 23/11/2010), especialmente en sectores colinados con fuertes pendientes, al borde de quebradas y en zonas de relleno. Esto ocurre debido a la carencia de políticas claras de ordenamiento urbano, falta de una cultura de prevención y carencia de cartografía temática de riesgos a escalas de detalle, factores que impiden a las entidades seccionales elaborar un adecuado plan de desarrollo territorial que procure una ocupación racional del suelo. Por tanto, la determinación de la susceptibilidad a deslizamientos en Quito, con nuevas metodologías como el empleo de la lógica Fuzzy, constituye un instrumento fundamental para la toma de decisiones en lo relacionado a ordenamiento territorial, seguridad ciudadana y gestión del riesgo en general.

El presente estudio es un aporte para la Administración Metropolitana de Quito, que se halla empeñada en considerar a la Gestión del Riesgo como un factor clave para el desarrollo de la ciudad. El objetivo principal de esta investigación ha sido desarrollar un método de generación automática de cartografía 3D, que muestre las

2

áreas suscintervienen

2. ZONA DE

La zona d1). El Disten la zona de Quito pBolívar haAlta y Baj

eptibles a den en la ocurr

E TRABAJO

de estudio se trito Metropo

a central nortepropiamente dacia el Este, a, al Norte y

eslizamientosencia de los m

O

encuentra deolitano de Que del país. Eldicha, dentrola Vía Occi

y los barrios l

Figura 1. Ub

s, consideranmismos.

entro del Disuito está local proyecto se o de un polígoidental, Parqla Ferroviaria

bicación del á

ndo por igual

strito Metropalizado en laubica en el C

ono delimitadque Itchimbíaa, Guajaló y

área de estudio

P á

l a todos los

politano de Qa provincia dCentro – Sur do por la Ava al Oeste, LSan Bartolo,

o

á g i n a | 14

factores que

Quito (Figurade Pichincha,

de la ciudadenida Simón

La Vicentina, por el Sur.

 

e

a

d n a

P á g i n a | 15

3. METODOLOGIA

3.1. RECOPILACIÓN DE INFORMACIÓN E INSUMOS NECESARIOS

Información y cartografía temática, a escalas grandes, de la ciudad de Quito, es escasa, dispersa y considerada como reservada en las instituciones estatales visitadas. La información e insumos necesarios fueron generosamente facilitados por la Empresa Pública Metropolitana de Agua Potable y Saneamiento, una de las pocas instituciones que ha realizado estudios a detalle en la zona de estudio. Los insumos más importantes fueron fotografías aéreas verticales, escala 1:5.000 de la ciudad de Quito; base digital vial de la ciudad de Quito, escala 1:1.000 en formato DWG; Imagen satelital Landsat 7 (ETM+) de la ciudad de Quito. Información temática a escalas más pequeñas consistieron en cartografía geológica (Hojas geológicas de Quito y Sangolquí, 1:50.000, INIGEMM), cobertura vegetal, (Secretaría de Ambiente del I. Municipio de Quito) y datos meteorológicos de los años 2000 al 2009, (INAMHI).

3.2 GENERACIÓN DE DATOS

La información base adquirida se la organizó, sistematizó y validó, para iniciar luego la interpretación de fotografías aéreas con el objetivo de identificar deslizamientos activos, paleo deslizamientos y deslizamientos en estado pasivo o de precario equilibrio en la zona de estudio, a fin obtener los puntos de muestra para la calibración posterior de los modelos a obtener. La interpretación de la imagen Landsat 7 permitió la identificación de lineamientos, fallas geológicas y estructuras. Estos resultados se validaron con visitas de campo, especialmente a lo largo de la avenida Simón Bolívar, (sector de Puengasí), Av. Velasco Ibarra (Itchimbía), El Trébol, El Panecillo y La Ferroviaria. De la fotointerpretación se obtuvieron las zonas susceptibles a deslizamientos (Figura 2), o puntos de muestreo para la posterior calibración de los modelos, acorde con los siguientes criterios: clase de rocas y suelos (dureza, permeabilidad, cohesión); pendiente del terreno; presencia de fallas geológicas y actividad sísmica; cantidad de precipitación; cobertura vegetal; actividad humana (cortes en laderas, falta de canalización de aguas, etc.); erosión (por actividad humana y de la naturaleza).

Paralelameconjunto dmosaico ddel terrenherramientde informfotointerprdeslizamiede deyecdeslizamietectónicas Este primdeslizamie

Figu

ente a la fde fotografía

del área invesno, o modelotas GIS a par

mación temátiretación, desento; fallas gcción; depóentos activoy aluviales.

mer productoentos en la zo

ura 2: Zonas su muestreo

fotointerpretaas aéreas vertigada, a parto digital delrtir de los daica geolólogistacándose logeológicas insito de acs, pasivos y

o fue la baona indicada

      usceptibles a d(para posterio

ación se rerticales escaltir del cual sel terreno –D

atos de altitudico – geomoos siguientesnversas y norcumulación, y paleo –

ase que permy su posterio

deslizamientosor calibración d

ealizó la orla 1:5.000 y e construyó u

DTM- (Figurd. Sobre esteorfológica obs detalles: esrmales; camb

lagunares deslizamient

mitió modelor calibración

P á

s y puntos de de modelos)

rto-foto-rectifse obtuvo u

una representra 3), cread

e DTM se cobtenida en elscarpes de ebios de pendy fluvio –

tos; rellenos

lar la suscen.

á g i n a | 16

ficación delun orto foto-tación en 3Do utilizando

olocó la capal proceso deerosión y dediente; conos– lacustres;s y terrazas

eptibilidad a

6

l

D o a e e

a

P á g i n a | 17

     

     Figura 3: Modelo Digital del Terreno (DTM)

3.3 APLICACIÓN DE LA LÓGICA FUZZI

Las metodologías para modelamiento de diferentes fenómenos o variables GIS más conocidas y usadas son de tipo determinístico. Una alternativa es utilizar elementos relacionados con la probabilidad, es decir que ocurra o no una determinada condición. La Lógica Fuzzy se usa para capturar la incertidumbre que muchos observadores sienten al definir una clasificación especifica, y se presenta como una alternativa más eficaz al método de la evaluación multicriterio.

 

P á g i n a | 18

  En resumen la Lógica Fuzzy es una gama intermedia de posibles respuestas entre el sí y el no, de forma cualitativa. Es decir, aplicando la Lógica Fuzzy, se obtienen valores numéricos probables comprendidos entre el 0 y el 1 (0% a 100%). Para la Lógica Fuzzy las funciones que se aplican son el Seno y el Coseno ya que, el rango en el que se trabaja es entre 0 y 1.

Los casos de lógica Fuzzy en los cuales se sustenta el presente trabajo son 3 (Tabla 1), sobre la base de los conceptos anteriores: en el primer caso, el rango a ser utilizado en el análisis es de [0,1], sin valores negativos utilizando la curva Seno no cuadrática. El segundo caso es aquel donde la probabilidad de ocurrencia es inversamente proporcional al evento analizado. En el tercer caso, la probabilidad de ocurrencia, es directamente proporcional al evento analizado.

Tabla 1: Casos en Lógica Fuzzy

CASOS FUZZY RANGO FUNCION

Primer Caso

Figura 4: Rango de interés de la

función Seno

0° a 180°

en radianes

0 a π

Función Seno

Segundo Caso

Figura 5: Segundo caso del análisis

Fuzzy

0° a 90°

en radianes

0 a π/2

Función Coseno

Tercer Caso

 

Figura 6: Tercer caso del análisis Fuzzy

 

0° a 90°

en radianes

0 a π/2

Función Seno

 

33.4 ANÁLIS

Para el indirectadistanciade cobecomportala lógica

VARIABLE

PENDIENTE (PEND)

PRECIPITACION(PRECS)

DISTANCIA A VIAS DE

COMUNICACIÓN(DTS_VIAS)

DISTANCIA A FALLAS

GEOLOGICAS (DTS_FALLAS)

SIS FUZZI D

análisis samente en la a carreterasertura vegetaamiento de cFuzzy, (Tab

Tabla

Existe una redecir que mexista, mayode grandes o

N

Existe una reentre la canti de inestabilid

N

La distancia es inversamdeslizamientola distanciacarretera, mapresenten des

La distancia falla geológinversamentedeslizamientola distancia activa, mayodeslizamiento

DE LAS VAR

e considerala generaciós, distancia aal, dureza

cada variable la 2):

2: Análisis Fu

DESCRIPCI

elación directameientras a mayor

or será la probabpequeños desliza

elación directamedad de lluvia caíddades del terreno

desde el punto cente proporcionos. Es decir, mie

a del punto seayor es la probslizamientos y vi

desde el puntogica activa (sisme proporcional os. Es decir, miedel punto selec

or es la probabilios y viceversa.

RIABLES SE

aron 7 varón de desliza fallas geolóde la roca.de acuerdo

uzzy de las va

ION

ente proporcionagrado de pendi

bilidad de ocurreamientos.

nte proporcionalda y la ocurrenci

o.

considerado a unanal a ocurrenciaentras más cortaeleccionado a babilidad de queceversa.

o considerado a mo generadora),

a ocurrencia entras más cortacionado a una idad de que ocu

ELECCIONA

riables que zamientos: pógicas activa. A continua los diferen

ariables selecc

al, es iente encia

Caso 3. L

, ia

Caso 3. L

a vía a de a sea

una e se

Caso 2. LVías de c

una , es

de a sea falla

urran

Caso 2. LFallas Ge

0

1

0

1

0

1

0

0

1

P á

ADAS

intervienenpendiente, ps, distancia auación se e

ntes casos qu

cionadas

GRAFICO

Lógica Fuzzy. Pen

Lógica Fuzzy. Pre

Lógica Fuzzy. Disomunicación

Lógica Fuzzy. Diseológicas

0 30 60

0 30 60

0 30 60

0 30 60

á g i n a | 19

n directa oprecipitación,a ríos, gradoexplicará ele ocurren en

ndientes.

ecipitación.

stancia a

stancia a

90

90

90

90

o l n

P á g i n a | 20

VARIABLE DESCRIPCION GRAFICO

DISTANCIA A RED HIDRICA

(DTS_HIDR)

La distancia desde el punto considerado a un río es inversamente proporcional a la ocurrencia de deslizamientos. Es decir, mientras más corta sea la distancia del punto seleccionado a un río mayor es la probabilidad de que ocurran deslizamientos y viceversa. (Esta relación tiene que ver con la erosión lateral y socavamiento de taludes, que realizan las corrientes hídricas).

Caso 2. Lógica Fuzzy. Distancia a Red Hídrica.

INFLUENCIA DE COBERTURA

VEGETAL (VEGETAL)

La existencia de cobertura vegetal es inversamente proporcional a la ocurrencia de deslizamientos y viceversa; es decir, a mayor cobertura de vegetación, menor será la probabilidad de deslizamientos en un determinado sector.

Caso 2. Lógica Fuzzy. Influencia Cobertura Vegetal.

INDICE DE DUREZA DE LA

ROCA (DUR)

Existe una relación inversamente proporcional entre la dureza de la roca y la ocurrencia de deslizamientos y viceversa; ya que mientras más resistente sea la roca menor afectación presentará ante eventos como la denudación (meteorización física y química y agentes de la erosión).

Caso 2. Lógica Fuzzy. Índice de Dureza de la Roca.

 

3.5 GENERACION Y AJUSTE DE MODELOS

Los diferentes modelos creados se realizaron utilizando herramientas GIS, mediante operaciones algébricas; posterior a ello se realizó su análisis. Para la obtención de los modelos se utilizó un software comercial GIS y la herramienta Raster Calculator.

Para obtener los modelos expuestos anteriormente fue necesario agrupar las fórmulas y escribirlas de tal forma que puedan utilizarse como algoritmos de cálculo en un programa GIS, creando los códigos necesarios para la generación de los diferentes modelos según los casos que se dan en la lógica Fuzzi, (Tabla 3).

 

0

1

0 30 60 90

0

1

0 30 60 90

0

1

0 30 60 90

P á g i n a | 21

Tabla 3: Resumen del proceso para la generación de los modelos

MODELO DATOS UTILIZADOS

FORMULA

NORMALIZACION

CONVERSION A RADIANES

OBTENCION DE

PROBABILIDAD

MODELO 1

Valores máximo (VM) y mínimo (Vm) de las variables originales (Vo)

N = (Vo - Vm ) /

(VM -Vm)

R = N * (π/2)

π/2 =1.5707963268

R = radianes

P=sin(R) (1)

O

P=cos (R) (2)

MODELO 2

Valores máximo (VM) y mínimo (Vm), excluyendo valores intermedios. Se obtienen a partir de puntos de muestreo.

N = (Vo - Vm ) /

(VM -Vm)

R = N * (π/2)

π/2= 1.5707963268

R = radianes

P=sin(R) (1)

O

P=cos (R) (2)

MODELO 3

Valores máximo (VM) y mínimo (Vm), a partir de los puntos de muestreo.

Además del Valor más cercano = (1/289).

Valor más lejano =

(1 – 1/289))

Los valores se utilizan previo un análisis de ecuaciones mediante los casos de lógica Fuzzy.

y – y1 =

(((y2 – y1)/(x2 – x1))* (x - x1))

R = N * (π/2)

π/2= 1.5707963268

R = radianes

P=sin(R) (1)

O

P=cos (R) (2)

MODELO 4

Valores máximo (VM) y mínimo (Vm), a partir de los puntos de muestreo. Además del Valor más cercano = 0.1

Valor más lejano = 0.9

Los valores se utilizan previo a un análisis de ecuaciones mediante los casos de lógica Fuzzy.

y – y1 =

(((y2 – y1)/(x2 – x1))* (x - x1))

R = N * (π/2)

π/2= 1.5707963268

R = radianes

P=sin(R) (1)

O

P=cos (R) (2)

D

 

El ajusteestándar,cuanto pútil para desviacióa la medsiguiente

Donde: N = ValoValoprobestán

de los mode, por ser un

pueden alejarbuscar la pr

ón estándar edia aritmétice fórmula:

N

ajuste or medido = or calculado babilidades (Yndar se encue

Figu

elos se realizóna medida drse los valoreobabilidad d

es simplemenca. El ajuste

N = Valor m

1 o valor de l= cálculo d

Y) de los difeentra en las p

ura 7: Media y

ó según los rdel grado de es respecto a

de que un evente el promede realizado

medido – Valo

O

N = 1 – Y

los puntos dede la desvia

ferentes modepropiedades d

y Desviación e

resultados arrdispersión d

al promedio ento ocurra. Ddio o variacióen los proce

or Calculado

e muestra ación estándaelos. La infordel raster, en

estándar en Ar

P á

rojados por lde los datos(media); porDicho de otrón esperada cesos SIG, se

ar de los prrmación de lArcGIS (Fig

rcGIS.

á g i n a | 22

la desviación, que indicar lo tanto esra manera, lacon respectoe basa en la

romedios dea desviación

gura 7).

 

n a

a

a

n

P á g i n a | 23

De acuerdo a este ajuste, todos los modelos muestran, a su manera, la probabilidad de ocurrencia de deslizamientos, ya que al ejecutar los casos de Lógica Fuzzy, cada modelo muestra que su variabilidad es semejante a los datos reales tomados en campo. Esto permite concluir que los diferentes modelos de deslizamientos muestran gran semejanza con la realidad; en consecuencia, dependiendo de los valores de desviación estándar de cada uno de ellos, se puede seleccionar el modelo que mejor representa a la realidad. El mejor modelo está definido por el menor valor de desviación estándar, de acuerdo al ajuste realizado, (Tablas 4 y 5).

Tabla 4: Desviaciones estándar de los modelos MODELOS PREDICTIVOS

MODELO 1 MODELO 2 MODELO 3 MODELO 4

PROMEDIO 0.283363 0.287414 0.286305 0.221055

DESVIACIÓN ESTÁNDAR 0.076784 0.086394 0.08549 0.095627

Tabla 5: Ajuste de los modelos

MODELOS PREDICTIVOS MODELO 1 MODELO 2 MODELO 3 MODELO 4

AJUSTE 0.9232 0.91360 0.91451 0.90437

 

4. RESULTADOS

En los análisis Fuzzy desarrollados se evidenciaron algunas discordancias con la realidad en zonas muy específicas del área de estudio, (La Ferroviaria), lo que se explica debido a la distribución no homogénea de los puntos de muestreo elegidos, (deslizamientos vistos en campo).

Los modelos se realizaron utilizando distintas ecuaciones, a pesar de ello, las diferencias son mínimas entre ellos. Esto se evidencia de mejor manera gracias a la escala de color utilizada: el color rojo intenso revela la más alta probabilidad de ocurrencia de deslizamientos; en todos los modelos generados, las zonas con esta coloración coinciden totalmente con los puntos de muestreo determinados fotogeológicamente y verificados en campo, correspondiendo a sectores con deslizamientos activos o con alta posibilidad de ocurrencia de éstos, por coexistir en ellos la mayoría de factores disparadores de estos eventos. Las tonalidades rojo claro indican que la probabilidad de que ocurra un deslizamiento es media y en su mayoría están en las zonas aledañas a los sectores de máxima probabilidad a ocurrencia de deslizamientos. Las zonas en color verde indican la menor

P á g i n a | 24

probabilidad de ocurrencia de deslizamientos, y corresponden a áreas donde no concurren todos los factores que intervienen en la generación de dichos eventos, por corresponder a zonas planas o con morfologías sinuosas muy suaves.

Como se dijo anteriormente los modelos son bastante semejantes entre sí. En los modelos 2 y 3 se advierte que la variación de la desviación estándar y su ajuste es mínima, (0.913 y 0.914 respectivamente), según se ve en las figuras 8 y 9.

 

Figura 8: Modelo predictivo 2

P á g i n a | 25

 

 

Figura 9: Modelo predictivo 3

 

P á g i n a | 26

De acuerdo con la lógica Fuzzy, el modelo 4, (diez percentil), es el que mejor debería representar la realidad por tener el menor valor de ajuste (0.904), (Figura 7); sin embargo, se puede advertir una gran inconsistencia con la realidad en la zona Sur oriental, (sector al norte de La Argelia-círculo blanco), en donde este modelo ha eliminado los valores correspondientes a las zonas con mediana probabilidad de ocurrencia de deslizamientos y elimina, además, pequeños deslizamientos pasivos y/o paleo deslizamientos vistos en la fotointerpretación.

 Figura 10: Modelo predictivo 4

P á g i n a | 27

Esta investigación plantea la hipótesis de que el modelo predictivo 4, comparado con la realidad vista en el campo (tipo y calidad de la infraestructura física, valores catastrales y tipo de predios, entre otros indicadores), podría representar más bien los diversos grados de vulnerabilidad de la infraestructura física, desde el punto de vista de las pérdidas económicas que supondría la ocurrencia de un fenómeno de remoción en masa en el área investigada.

4.1 IMPLEMENTACION DEL ALGORITMO (PROGRAMA) Otra finalidad de esta investigación fue la de implementar un programa que automatice la generación de estos modelos, utilizando los algoritmos Fuzzy sobre plataformas GIS y presentar los resultados en forma gráfica y en formatos compatibles con el software existente en el mercado (shp, DWG). Los resultados que arroja el programa son archivos raster que contienen información sobre la probabilidad de ocurrencia de deslizamientos en una zona determinada. El programa presenta en su pantalla principal (Figura 11), la zona donde se plotean las variables que se van seleccionando e ingresando al programa como archivos GeoTIFF. Existe un panel donde se imprimen los valores de los rangos que se van a utilizar en los cálculos de cada modelo y también un menú desplegable donde se selecciona el modelo con el que se desee trabajar. Existe además un botón de ayuda, donde está el manual de usuario que explica cómo funciona el programa. Un botón de información despliega información acerca de los autores de este proyecto y un botón de salida que finaliza el programa. La figura 12 muestra una captura de pantalla donde se observa la distribución espacial de la variables a utilizarse y, finalmente, en la figura 13 se puede apreciar el resultado final, que es la obtención del modelo probabilístico elegido de entre los 4 que permite la lógica Fuzzy.  

 

Figura 11: Pantalla Principal del programa

P á g i n a | 28

 

Figura 12: Visualización de la distribución espacial de las variables

 

 

Figura 13: Obtención del modelo probabilístico Fuzzy, elegido

 

 

P á g i n a | 29

5. CONCLUSIONES - La presente investigación es un aporte para la Administración Metropolitana de

Quito, que se halla empeñada en considerar a la Gestión del Riesgo como un factor clave para el desarrollo de la ciudad.

- Las metodologías para modelamiento de diferentes fenómenos o variables GIS más conocidas y usadas son de tipo determinístico. Una alternativa es utilizar elementos relacionados con la probabilidad, es decir que ocurra o no una determinada condición.

- La Lógica Fuzzy se presenta como una alternativa más eficaz que el método de la evaluación multicriterio, porque es una gama intermedia de posibles respuestas entre el sí y el no, de forma cualitativa, sesgando la subjetividad de los métodos tradicionales al momento de asignar pesos o atributos a las variables dependientes.

- De acuerdo con la lógica Fuzzy, el modelo 4, (diez percentil), es el que mejor debería representar la realidad por tener el menor valor de ajuste (0.904). Sin embargo este modelo elimina los valores correspondientes a las zonas con mediana probabilidad de ocurrencia de deslizamientos y elimina, además, pequeños deslizamientos pasivos y/o paleo deslizamientos vistos en el campo.

- Esta investigación plantea la hipótesis de que el modelo predictivo 4, comparado con la realidad vista en el campo podría representar más bien los diversos grados de vulnerabilidad de la infraestructura física, desde el punto de vista de las pérdidas económicas que supondría la ocurrencia de un fenómeno de remoción en masa en el área investigada.

- El modelo predictivo 2, con un ajuste de 0.913 es, en consecuencia, el que representa de mejor manera la probabilidad de ocurrencia de deslizamientos en la zona de estudio.

- Un objetivo adicional de esta investigación fue desarrollar un método de generación automática de cartografía 3D, que muestre las áreas susceptibles a deslizamientos, considerando por igual a todos los factores que intervienen en la ocurrencia de los mismos.

6. REFERENCIAS

Orellana H., Zea J., 1993 “Peligrosidad de terrenos inestables en Quito, detección y mitigación. Sub – proyecto No. 5. CODIGEM.”, Quito.

Avilés M., Hermosa L., Padilla O., Cruz M. 2009 “Análisis y modelamiento de susceptibilidad a deslizamientos mediante SIG y geoestadística en las parroquias de Papallacta y Cuyuja, Cantón Quijos”. Tesis de Grado, ESPE, Sangolquí.

Campos C., Reyes X., Rodríguez X., Padilla O., Cruz M., 2003 “Desarrollo de una aplicación SIG orientada a la administración de riesgos volcánico y sísmico en el tramo de la carretera Papallacta- Lago Agrio, y por movimientos en masa en el tramo Papallacta – Baeza.” Tesis de Grado, ESPE, Sangolquí.

Carranza D., Padilla O., Cruz M., 2008 “Aplicación de la lógica difusa para la ubicación de especies faunísticas y florísticas, y su comparación con otros métodos geoestadísticos”, Tesis de Grado, ESPE, Sangolquí.

Padilla O., 2007 “Fundamento teórico para la modelización de variables ambientales mediante operadores difusos”. Revista Geoespacial No.4 , ESPE Sangolquí.

P á g i n a | 30    

CAMPO DE VELOCIDADES DEL ECUADOR OBTENIDO A TRAVÉS DE MEDICIONES DE CAMPAÑAS GPS DE LOS ÚLTIMOS 15 AÑOS Y MEDIDAS DE UNA RED GPS PERMANENTE. DAVID ALEXANDER CISNEROS REVELO CENTRO DE PROCESAMIENTO DE DATOS GNSS DEL ECUADOR, RED GNSS DE MONITOREO CONTINUO. INSTITUTO GEOGRÁFICO MILITAR. Seniergues E4-676 y Gral. Telmo Paz y Miño, El Dorado, Quito - Ecuador. david.cisneros@mail.igm.gob.ec JEAN-MATHIEU NOCQUET UNIVERSITÉ DE NICE SOPHIA-ANTIPOLIS, IRD - CNRS - GEOAZUR, NICE - FRANCE. INSTITUTO GEOFÍSICO ESCUELA POLITÉCNICA NACIONAL, Quito - Ecuador. nocquet@geoazur.unice.fr Recibido: 7 de septiembre de 2012/ Aceptado: 03 de diciembre de 2012

RESUMEN

La Red Nacional GPS del Ecuador RENAGE, es el Marco Geocéntrico de Referencia Nacional materializado a través de estaciones Pasivas y el sustento técnico por el cual el Ecuador atravesó el umbral de la Geodesia Convencional a la era de los Sistemas Satelitales de Navegación Global. La RENAGE está referida a SIRGAS95 cuya realización coincide con el ITRF94, época de referencia 1995,4. La realización SIRGAS95, en el transcurso del tiempo ha experimentado varios agentes y fenómenos geofísicos que afectan su consistencia tales como el continuo desplazamiento de las placas tectónicas, los efectos de la subducción, sismos, fallas geológicas, deformación local e incluso diferencias en el cálculo de las efemérides y la actualización del ITRS. Aparte de las deformaciones continuas tenemos también que considerar movimientos no continuos del terreno como por ejemplo los producidos por terremotos (movimientos no lineales). Las coordenadas SIRGAS deben ser corregidas por estos movimientos antes de ser utilizadas como un Marco de Referencia Nacional. En consecuencia, las coordenadas SIRGAS95 de las estaciones terrestres que materializan la RENAGE, no son válidas para una época diferente a 1995.4, por tal razón es necesario trasladar las coordenadas a la época actual de observación para garantizar la compatibilidad entre el segmento espacial, el segmento de control y las mediciones realizadas por el usuario del sistema GPS. Para compatibilizar estas diferencias con el tiempo, se requieren para cada estación las componentes de velocidad V (es decir, cambios en las coordenadas dX/dt, dY/dt, dZ/dt). Precisamente esta compatibilización es el principal justificativo para desarrollar un Campo de Velocidad en el Ecuador que permita determinar con certeza la magnitud (diferencia expresada en metros) existente entre las coordenadas SIRGAS 95 y las calculadas en el marco de referencia vigente; IGS. Palabras clave. RENAGE, ITRF, Velocidad, SIRGAS95, IGS

P á g i n a | 31

ABSTRACT

The National Network GPS of Ecuador RENAGE, it is the Geocentric National Reference Frame materialized across Passive stations and the technical sustenance for which the Ecuador crossed the threshold of the Conventional Geodesy to the age of the Global Navigation Satellites Systems. The RENAGE is referred to SIRGAS95 whose accomplishment coincides with the ITRF94, epoch of reference 1995,4. The reference frame SIRGAS95, on the course of the time it has experimented several agents and geophysical phenomena that affect his consistency such as the continuous displacement of the tectonic plates, the effects of the subduction, earthquakes, geological faults, local deformation and even differ in the calculation of the ephemerides and the update of ITRS. Apart from the constant deformations we have also that to consider to be not constant movements of the area as for example them produced by earthquakes (not linear movements). The coordinates SIRGAS must be corrected for these movements before being used as a Frame of National Reference. In consequence, the coordinates SIRGAS95 of the terrestrial stations that materialize the RENAGE, are not valid for a different epoch from 1995.4, for such a reason it is necessary to move the coordinates to the current epoch of observation to guarantee the compatibility between the spatial segment, the segment of control and the measurements realized by the user of the system GPS. To make compatible these differences with the time, there are need for every station the speed components V (it is to say, changes in the coordinates dX/dt, dY/dt, dZ/dt). Precisely this compatibility is the principal justificative one to develop a Speed field in the Ecuador that allows to determine with certainty the magnitude (difference expressed in meters) existing between the coordinates SIRGAS 95 and the calculated ones in the frame of in force reference; IGS.

Key words. RENAGE, ITRF, Velocity, SIRGAS95, IGS

1. INTRODUCCIÓN

Partiendo del hecho que en la Tierra todo se mueve y su forma cambia constantemente, salta la pregunta de conocer con certeza si el Marco Geodésico de Referencia Nacional vigente en el Ecuador es dinámicamente compatible al movimiento lineal y no lineal de la corteza terrestre, brindando una cierta precisión al momento de expresar sus coordenadas referidas a una época y un ITRF definido.

Obviamente, este planteamiento inicial se lo podría resolver si habláramos de la existencia de un Marco de Referencia dinámico en el Ecuador definido en su totalidad por estaciones GNSS de monitoreo continuo, el cual permita analizar y compensar todo tipo de movimiento producido ya sea por fenómenos geofísicos, tectónicos, atmosféricos o simplemente por la consecuencia de nuevas realizaciones del ITRF y por ende su respectiva adopción.

En la actualidad, el Ecuador posee una Red GNSS de Monitoreo Continuo provista de equipos de última generación cuya distribución está en proceso de brindar una cobertura a nivel nacional, por tal razón la REGME a futuro permitirá definir un marco de referencia dinámico y compatible con las técnicas de navegación global vigentes en la actualidad.

P á g i n a | 32

Mientras esto suceda, es necesario contar con una Referencia Geodésica que permita desarrollar todas las actividades concernientes a la geoinformación; en tal virtud, el IGM, entró a formar parte del proyecto SIRGAS a partir del año 1993. En aquel tiempo, el Ecuador participó conjuntamente con el resto de países de América en las campañas de observación de la red GPS que se desarrollaron entre los años 1994, 1996 y 1998.

Los resultados de este trabajo son las coordenadas Geocéntricas Cartesianas de 135 puntos expresadas en el Report 73: Processing of the Ecuadorian National GPS Network within the SIRGAS Reference Frame (Tremel H., Urbina R., 2000), cuya realización corresponde a SIRGAS95, ITRF94, época de referencia 1995,4; constituyéndose en la REd NAcional GPS del Ecuador – RENAGE.

2. METODOLOGÍA

2.1 DESCRIPCIÓN DEL SET DE DATOS USADOS EN EL PROYECTO

La precisión obtenida al calcular un campo de velocidad depende no solo de la estrategia de procesamiento aplicada para el cálculo; también influye la calidad de las observaciones GPS, la duración de cada una de ellas (es importante contar con mediciones GPS de larga duración) y la cantidad de mediciones repetidas de un mismo punto obtenidas en épocas diferentes de tiempo, por esta razón, se analizó toda la información generada en las campañas de medición de la red pasiva RENAGE (y las densificaciones que se derivan de ésta) y la red activa REGME (junto con las demás subredes IGEPN -

ADN_IRD) entre los años 1994 (enero de 1994, GPS Week 730) y 2011 (marzo de 2011, GPS Week 1627); con el objetivo de obtener una gran precisión del campo y un recubrimiento a escala del territorio nacional. Ver Figura No. 1.

El análisis del territorio insular del archipiélago de Galápagos, no cuenta con mucha información de sitios GPS de la cual se pueda obtener un buen cálculo de velocidad, por tal razón se utilizó únicamente la información disponible del mojón Baltra y la estación permanente del IGS denominada GLPS y GALA, la cual se encuentra ubicada en la estación científica Charles Darwin, en la isla Santa Cruz.

P á g i n a | 33

2.2 PROCESAMIENTO DE LOS DATOS GPS MEDIANTE EL SOFTWARE CIENTÍFICO GAMIT / GLOBK

La plataforma de procesamiento científico usado en el proyecto es el software GAMIT/GLOBK versió10.4 desarrollado por el Instituto de Tecnología de Massachusetts (King & Bock, 2010) y el sistema operativo LINUX (distribución Ubuntu 10.10). Tanto el sistema operativo como el software de procesamiento científico son herramientas informáticas catalogadas como Open Source.

GAMIT, realiza el cálculo de soluciones libres (libre de un marco de referencia) en el espacio, para lo cual utiliza dobles diferencias de fase entre las estaciones y satélites para cancelar completamente los efectos de las variaciones del reloj. GAMIT incorpora un algoritmo de mínimos cuadrados ponderados para calcular las posiciones relativas de un conjunto de estaciones.

La estrategia de procesamiento adoptada incluye la aplicación de variables que intervienen en un procesamiento científico, a través de la inclusión (download) de los Parámetros de Rotación de la Tierra (EOP), Órbitas Precisas del IGS (efemérides Reprocesadas-repro1), Grillas Atmosféricas, Carga Oceánica, efectos de las mareas de la Luna y del Sol (ut1, luntab, soltab) respecto al Marco de Referencia.

El procesamiento también incluye parámetros calculados como los Retrasos al Cenit de las ondas de los satélites inducidas por la tropósfera, la posición y las ambigüedades de fase. Dado que el modelo funcional

sobre las observaciones y los parámetros no es lineal, el ajuste por mínimos cuadrados para cada sesión es necesario (en ciertos casos) repetirlo hasta encontrar la convergencia.

El resultado del procesamiento son los h-files obtenidos por cada día procesado, los cuales poseen todas las estimaciones de la solución libre (loosely constrained), conjuntamente con las matrices de varianza/covarianza.

GLOBK, es un Filtro de Kalman cuyo propósito es combinar soluciones obtenidas del procesamiento de datos GPS. La entrada primaria

son las soluciones libres - loosely constrained (h-files) obtenidas del procesamiento con GAMIT. Las soluciones libres deben ser estabilizadas dentro de un Marco de Referencia Global (por ejemplo ITRF94, ITRF2005, IGS08, etc.) en nuestro caso

P á g i n a | 34

usamos el IGS08, para lo cual mediante el modelo de transformación de Helmert calculamos 7 parámetros (3Rx, 3Tx, 1fe).

Para el cálculo de los 7 parámetros de Helmert debemos escoger estaciones del IGS como referencia, tomando en cuenta una buena geometría, es decir, cuya ubicación cubra toda el área del proyecto por niveles de distancia en los cuatro cuadrantes (en lo posible las más cercanas) y considerando únicamente las estaciones que no sufran efectos geodinámicos o estén afectadas por fenómenos geofísicos transitorios (cambios bruscos de la posición con respecto al movimiento lineal). Las soluciones obtenidas son usadas en tres aplicaciones con GLOBK:

- Para generar series de tiempo de las estaciones, realizar test de repetibilidad e identificar y remover outliers de cada estación. - Para obtener una estimación promedio de las coordenadas de múltiples días de procesamiento, combinando sesiones individuales de las observaciones de los sitios GPS. - Para estimar velocidades de las estaciones a partir de las coordenadas promedio obtenidas de varios años de observación repetitiva. 2.3 EVALUACIÓN DE LA CALIDAD DE LOS RESULTADOS OBTENIDOS DEL PROCESAMIENTO GAMIT/GLOBK

Para evaluar la calidad de los resultados del procesamiento hay dos opciones, la Desviación Estándar que se obtiene de la matriz varianza y covarianza de las coordenadas y componentes de la velocidad; y la Repetibilidad diaria (REP), que es el promedio ponderado del error cuadrático. A pesar de que la desviación estándar formal es el primer indicador de la calidad del procesamiento por lo general proporciona valores muy optimistas por la calidad de los parámetros, sin embargo, la Repetibilidad proporciona una medida más realista de la precisión de las coordenadas de la estación y es un indicador de la dispersión de las soluciones de todos los días (JM Nocquet, 2011).

En este punto, con el fin de evaluar la calidad de nuestro procesamiento, hemos seleccionado la Repetibilidad que se da por la siguiente expresión (Blewitt, 1998):

P á g i n a | 35

donde n es el número de días de ocupación, Ri es la estimación de coordenadas, σi es la desviación estándar de las coordenadas para el i día y Rm es la media ponderada de las coordenadas de la estación.

La Repetibilidad por lo tanto, permite cuantificar la magnitud en término de la diferencia y variación de la coordenada de un mismo punto en el transcurso del tiempo; considerando todos los agentes externos que puedan provocar un salto importante en las series de tiempo de esta estación. El cálculo de la Repetibilidad y las Series Temporales serán expresadas en el Marco de Referencia aplicado en la estabilización de las soluciones. Una buena repetibilidad garantiza un buen procesamiento de datos GPS.

2.4 ANÁLISIS DE LA REPETIBILIDAD Y LAS SERIES DE TIEMPO El análisis de la repetibilidad y las series de tiempo comprende dos aspectos diferentes: análisis a corto plazo y análisis a largo plazo.

Dado que el proyecto abarca datos de los últimos 15 años, es conveniente realizar un análisis de repetibilidad y series de tiempo a largo plazo con el fin de confirmar la calidad del procesamiento, analizar el comportamiento de las soluciones estabilizadas en el transcurso del tiempo, detectar saltos en las series de tiempo, outliers, ruido, errores de altura en la componente vertical e incompatibilidad de códigos usados en el nombre de los sitios. Este análisis permite depurar los errores (principalmente los

outlier) y obtener una Solución Acumulada “limpia” (depurada y libre de errores) de la cual se obtendrán las velocidades finales de los sitios que conforman el Campo de Velocidad.

Tanto las series de tiempo como la repetibilidad, están expresadas en el Marco de Referencia Global usado en el proyecto, es decir el IGS08. Para obtener las series temporales, otorgamos un peso menor a la componente vertical, por tal razón esta componente tiene mayor desviación estándar que la componente horizontal.

Las series de tiempo muestran los resultados obtenidos respecto al valor promedio de las posiciones de los puntos calculadas para cada día.

P á g i n a | 36

La desviación estándar de las series de tiempo obtenidas con GLOBK posee dos contribuciones, una contribución de la precisión del cálculo libre y otra contribución de la definición del marco de referencia.

Si tomamos como ejemplo y analizamos las series de tiempo de la estación permanente denominada RIOP (Riobamba), observamos que la Repetibilidad a Largo Plazo está en el orden de los 2 mm en las componentes horizontales. La componente vertical tiene un nivel de repetibilidad de 4 mm. En general, el nivel de repetibilidad (wrms) en la mayor parte de las series de tiempo tanto de la red pasiva RENAGE como las redes activas REGME, IGEPN, ADN es muy bueno. El nivel de dispersión de la repetibilidad dentro del ITRF, se mantiene dentro de los 3-5 mm en la componente horizontal y 20 mm en la componente vertical. Ver Figura No. 2. Repetibilidad a largo plazo, Estaciones Permanentes.

Repetibilidad a largo plazo, sitios de la red pasiva RENAGE

Figura. No 2: Componentes de repetibilidad ENU, a largo plazo de las estaciones permanente y RENAGE.

Este análisis implica, que el nivel de acuerdo entre la solución obtenida del procesamiento GAMIT/GLOBK y el IGS08; es compatible.

P á g i n a | 37

2.5 ESTIMACIÓN DE LA VELOCIDAD DE LOS SITIOS, A TRAVÉS DE MEDICIONES GPS DE LOS ÚLTIMOS 15 AÑOS

Las velocidades son vectores de taza de desplazamiento que tienen una dirección y una magnitud definida. GLOBK toma todas las soluciones libres calculadas para cada día de observación GPS y las ingresa al Filtro de Kalman, el cual por medio de la estimación secuencial de mínimos cuadrados y teniendo en cuenta los procesos estocásticos, acumula progresivamente coordenadas y velocidades de todas las soluciones libres (filtra únicamente las soluciones que mantienen un valor X² aceptable) obteniendo una Solución Acumulada final.

Esta solución acumulada final, posee las coordenadas y velocidades de los sitios (dirección y magnitud) a lo largo de los 15 años de medidas GPS y referida a una época específica. En nuestro caso la época de referencia es 2011.0. Esta solución se encuentra libre en el espacio (en un lugar cuyos ejes son totalmente desconocidos) por tal razón es necesario estabilizarla dentro de un Marco de Referencia definido, el cual tiene un origen, velocidades y posiciones conocidas (calculados por el ITRF).

En esta etapa, GLOBK permite calcular los saltos que aparecen en la serias temporales. También implementa el “Ruido de Markov”, el cual permite tomar en cuenta la correlación temporal de un sitio en el transcurso de varios días de observación GPS (evalúa el cambio de la coordenada de un sitio en el transcurso de varios días de observación). Esta etapa es importante para obtener al final desviaciones estándar que reflejen el nivel de precisión de las velocidades. Es importante también atribuir un “peso realista” a cada observación incluida en el cálculo de la solución final.

Tomamos el valor de la mediana de este ruido para aplicar a las estaciones de campaña que no tienen suficiente cantidad de medidas GPS para hacer un análisis complejo del nivel de ruido en estos sitios. Además, hemos visto que las campañas de 1994 y 1998 tienen un nivel de ruido más alto que las otras.

En 1994, este resultado es debido a un número reducido de estaciones del IGS existentes en ese tiempo, lo que forzó a calcular líneas base muy largas, cuya consecuencia disminuyó la precisión del cálculo.

Para la campaña GPS de 1998, el uso de los receptores codeless ASHTECH L-XII generó un problema sobre la componente Este; debido a un error de reloj existente en este tipo de receptor. Ver http://facility.unavco.org/data/docs/ashtech-L2P-codeless.html.

En conclusión, para mejorar la precisión del cálculo y mitigar los efectos descritos anteriormente, decidimos añadir un ruido de 3 mm adicional para los sitios de estas campañas GPS.

P á g i n a | 38

2.6 ESTABILIZACIÓN DE LA SOLUCIÓN ACUMULADA

Para estabilizar la Solución Acumulada (libre) dentro de un Marco de Referencia Global, GLOBK asume el modelo de transformación de Helmert y calcula catorce parámetros de transformación: 3 Rotaciones (R), 3 Traslaciones (T), 1 Factor de Escala (D) y sus respectivas variaciones (rates R1, R2, R3, T1, T2, T3 y D) con respecto al ITRF.

Para el cálculo de los 14 parámetros debemos escoger estaciones del IGS como referencia, tomando en cuenta una buena geometría, es decir, cuya ubicación cubra toda el área del proyecto por niveles de distancia en los cuatro cuadrantes (en lo posible las

Figura No 3. Estaciones IGS08 más cercanas), que posean coordenadas en el ITRF que estamos calculando el proyecto (en este caso IGS08) y considerando únicamente las estaciones que no sufran efectos geodinámicos o estén afectadas por fenómenos geofísicos transitorios (cambios bruscos de la posición con respecto al movimiento lineal). Figura No.3: The 91 primary station of the IGS 08 Core Tracking Network

En geodesia, este procedimiento se define generalmente como “Estabilización”, pero es más conocido como "Marco de Referencia". Por lo tanto nuestra solución está bien definida dentro de un marco de referencia mundial, por lo que podemos utilizarlo para evaluar y obtener con precisión las velocidades de nuestras estaciones GPS y definir un marco de referencia muy estable.

2.7 ANÁLISIS DEL CAMPO DE VELOCIDADES DEL ECUADOR, CONFORME A LA CINEMÁTICA DE LAS PLACAS TECTÓNICAS PRESENTES EN AMÉRICA DEL SUR Y SUS EFECTOS A NIVEL LOCAL

Nuestro planeta Tierra no es un cuerpo totalmente inerte, pues en su interior continua muy caliente y actúa como un verdadero “motor” de los cambios geológicos que afectan a su superficie. Esto determina que la corteza terrestre se mueva en diferentes

P á g i n a | 39

direcciones, conforme a la cinemática de las Placas Tectónicas presentes a lo largo del planeta.

Teóricamente, la corteza terrestre se encuentra dividida en al menos 15 Placas Tectónicas, las mismas que interactúan entre sí; moviéndose en diferentes direcciones y con magnitudes independientes. Ver Figura No. 4.

Para analizar los resultados obtenidos del VEC_Ec, es necesario revisar inicialmente la Cinemática de las Placas Litosféricas presentes en la corteza terrestre Sudamericana, particularmente en el Ecuador; las cuales contribuyen en el cálculo de la velocidad, para lo cual, dividimos el área del proyecto de investigación en tres zonas con diferentes escenarios de comportamiento Geofísico. Ver Figura No.5

ZONA 1: Esta zona está ubicada en la parte Oriental, al Este de la Coordillera de los Andes y alejada de la zona de Subducción.

En término del desplazamiento, podemos ver que no existe mayor magnitud en los sitios ubicados en esta zona, lo cual concuerda con la teoría. La mayor parte de los sitios tienen una velocidad mínima y una dirección similar conforme a la tendencia del movimiento de la placa Sudamericana.

Figura No. 4: Cinemática de las Placas Tectónicas en el mundo,

P á g i n a | 40

Figura No. 5 Zonificación del VEC_Ec, conforme a la cinemática de las placas litosféricas y sus efectos Geofísicos a nivel local.

ZONA 2: Entre el interior estable de la placa América del Sur y la fosa de subducción se extiende una zona de deformación, que comprende la Cordillera de los Andes y parte de la planicie costera. Esta zona es conocida como bloque nor andino.

Los sitios presentes en este sector, muestran un comportamiento variable en cuanto a la magnitud de su velocidad y los vectores se desplazan en diferentes direcciones de manera independiente. Esta zona posee afectación de la subducción y deformación local producida por la presencia de la cordillera y su actividad sísmica/volcánica. ZONA 3: Nos referimos por completo a la zona costera. En esta zona el movimiento es inestable e independiente. Los sitios se mueven en magnitudes diferentes en relación a la parte estable de la placa sudamericana. Posee gran influencia de efectos causados por la subducción de las placas marítima de Nazca y continental de Sudamérica en la zona de convergencia de las mismas (fosa de subducción) provocando también la presencia de deformación local.

Luego que la placa Nazca subduce bajo el margen Ecuatoriano, una parte de la interface entre la placa Nazca y el margen queda bloqueado. Esta zona acumula esfuerzos cizallantes que aumentan con el tiempo. Este es el régimen inter-sísmico. Cuando los esfuerzos pasan un cierto umbral, el deslizamiento se inicia y un sismo ocurre (Adaptado de Nocquet, Mothes, Alvarado, 2008); destruyendo en términos geodésicos el Marco de Referencia Geocéntrico densificado en este sector.

P á g i n a | 41

El campo de velocidad se obtuvo a partir de medidas GPS redundantes en los últimos quince años, de un total de 30 Estaciones GPS Permanentes y 102 Sitios de Campaña GPS, ubicados de manera homogénea a lo largo del territorio nacional.

3. RESULTADOS Y DISCUSIÓN

3.1 CAMPO DE VELOCIDADES DEL ECUADOR - VEC_EC

Bajo estas consideraciones importantes y resumiendo todo el proceso descrito en los párrafos anteriores, se presenta a continuación el CAMPO DE VELOCIDADES DEL ECUADOR, obtenido a través de Mediciones de Campañas GPS de los últimos 15 años y medidas de una Red GPS Permanente.

Las velocidades están expresadas con respecto al Marco de Referencia Global y corresponde con la siguiente realización:

Marco Geodésico de Referencia Global: IGS08, Época de referencia: 2011.0

CAMPO DE VELOCIDADES VEC_Ec, TERRITRORIO ECUATORIANO CONTINENTAL

PLACA TECTÓNICA SUDAMERICANA, ZONA 17 - 18

P á g i n a | 42

CAMPO DE VELOCIDADES VEC_Ec, ARCHIPIÉLAGO DE GALÁPAGOS PLACA TECTÓNICA DE NAZCA, ZONA 15 - 16.

Si el Campo de Velocidad VEC_Ec es utilizado, la referencia bibliográfica correspondiente es: Cisneros, D. and Nocquet, JM. (2011). CAMPO DE VELOCIDADES DEL ECUADOR, obtenido a través de Mediciones de Campañas GPS de los últimos 15 años y medidas de una Red GPS Permanente, IGM – IGEPN – GEOAZUR - IRD. Nice – France , 2011.

3.2 COMPARACIÓN ENTRE LA SOLUCIÓN OFICIAL DEL IGS Y LA SOLUCIÓN FINAL OBTENIDA DEL CAMPO DE VELOCIDAD VEC_EC

Con el fin de garantizar el nivel de acuerdo y consistencia entre la solución oficial del IGS y la obtenida por medio de GLOBK para el cálculo del campo de velocidad VEC_Ec, se analizó los resultados obtenidos los cuales se encuentran referidos al Marco de Referencia Global IGS08, época 2011.0.

Para este efecto, se tomó los sitios comunes de ambas soluciones (usados en la estabilización) y se analizó el nivel de acuerdo de las coordenadas geocéntricas cartesianas y la variación de las velocidades.

La Mediana (Me) obtenida al comparar las coordenadas Geocéntricas Cartesianas y las Velocidades es la siguiente:

COORDENADAS CARTESIANAS VELOCIDADES Me_X Me_Y Me_Z Me_vX Me_vY Me_vZ 0.15 -0.60 -0.10 -0.10 -0.40 0.00

P á g i n a | 43

Esta comparación demuestra que existe un excelente nivel de acuerdo y precisión entre la solución final obtenida con GLOBK para el cálculo del Campo de Velocidad del Ecuador y la solución oficial del IGS; por tal razón los resultados que se deriven de la aplicación del VEC_Ec son compatibles con el Marco de Referencia Global IGS08, época 2011.0.

3.3 EVOLUCIÓN DEL ITRF A LO LARGO DE LOS ÚLTIMOS 15 AÑOS Y SU CONTRIBUCIÓN CON EL MARCO GEOCÉNTRICO DE REFERENCIA NACIONAL DEL ECUADOR

La evolución del ITRF en sus diferentes realizaciones, también contribuye con diferencias significativas en la definición de un Marco de Referencia Nacional.

La actualización del ITRF presenta las siguientes realizaciones, las cuales en su momento fueron adoptadas como “ITRF vigente” llegando a la solución actual; IGS08.

Todas las realizaciones incluyen posiciones y velocidades de las estaciones que forman parte de la red de seguimiento en una época de tiempo específica. Las soluciones se encuentran relacionadas por medio de parámetros de transformación, los mismos que permiten comparar (o migrar de un ITRF a otro) las observaciones en diferentes épocas de medida; por tal razón el ITRF se actualiza constantemente.

El ITRF adoptado de “hecho” en el Ecuador, corresponde con el ITRF94, época 1995.4. En el tiempo transcurrido hasta la presente época 2011.0 (2011.0 - 1995.4 = 15.6 años) se han realizado varias actualizaciones siendo la vigente el nuevo Marco de Referencia; IGS08.

A partir de la semana GPS 1632 correspondiente al 17 de Abril de 2011, el IGS empezó a utilizar el nuevo Marco de Referencia Global vigente, IGS08; para la generación de sus productos (Rebischung, P. 2011).

Este cambio al igual que las anteriores actualizaciones del ITRS, genera un salto en las series de tiempo de las estaciones, puesto que a partir de esta fecha los productos calculados por el IGS tales como las efemérides satelitales, los parámetros de orientación terrestre EOPs y las correcciones a los relojes de los satélites estarán dados en este nuevo marco de referencia vigente. Adicionalmente, el IGS difundió la actualización del modelo de corrección absoluta de las antenas (PCV) denominado igs08_1685.atx (actualización 27 Abril 2012). Fuente: http://igscb.jpl.nasa.gov/mailman/listinfo/igsmail

P á g i n a | 44

Dado que el Sistema de Referencia Geocéntrico para las Américas SIRGAS, incluye en el procesamiento semanal de la red SIRGAS_CON los productos calculados por el IGS, las coordenadas semanales de las estaciones SIRGAS se refieren también al IGS08 a partir de la semana GPS 1632. Adaptado de www.sirgas.org

La tabla 1, que se muestra a continuación, permite observar la diferencia existente entre las coordenadas de la Red Nacional GPS del Ecuador (RENAGE), cuya densificación concuerda con SIRGAS95, ITRF94; época de referencia 1995.4 y las calculadas (VEC_Ec) en el Marco de Referencia IGS08, época 2011.0.

Como podemos observar, la diferencia existente está en el orden de los centímetros en las tres componentes, siendo la componente horizontal del punto Baltra el valor que posee el mayor desplazamiento (Este = 0.78m). Este desplazamiento concuerda con la teoría y confirma los resultados obtenidos del Campo de Velocidad.

Cabe indicar también, que el tiempo transcurrido entre los dos marcos de referencia es de: (t - t0) = 15.6 años; siendo t = 2011.0 y t0 = 1995.4. Tabla 1. Diferencia entre RENAGE y SIRGAS95

3.4 COMPARACIÓN ENTRE EL MODELO DE INTERPOLACIÓN VEMOS 2009 Y EL CAMPO DE VELOCIDADES DEL ECUADOR VEC_EC

El Modelo de Velocidades para América del Sur y El Caribe (VEMOS2009) ha sido calculado a partir de las coordenadas SIRGAS95 y SIRGAS2000, de las velocidades de las estaciones SIRGAS-CON determinadas por el IGS-RNAAC-SIR y de diferentes proyectos geodinámicos desarrollados en la región (Drewes and Heidbach 2009). Dado que la precisión de las coordenadas trasladadas en el tiempo depende directamente de la confiabilidad de este modelo, su cualificación permanente también es un objetivo central de SIRGAS. Fuente: www.sirgas.org/index.php?id=54

VER TI CE X Y Z N E h X Y Z N E h3 0 0 9 Esm 1148305,483 -6272977,101 109353,910 109346,874 652825,861 19,949 1148305,688 -6272976,994 109354,156 109347,122 652826,082 19,885

D I FEREN CI A - 0 , 2 4 8 - 0 , 2 2 1 0 , 0 6 4

BALTRA -28822,438 -6377927,538 -50938,985 9949022,611 805120,619 60,448 -28821,651 -6377927,434 -50938,794 9949022,801 805121,407 60,339ZON A15 D I FEREN CI A - 0 , 19 0 - 0 , 7 8 8 0 , 10 9

LATAC UNGA 1258247,886 -6255142,665 -90040,863 9909956,133 764160,996 2941,238 1258247,972 -6255142,642 -90040,693 9909956,303 764161,085 2941,230D I FEREN CI A - 0 , 17 0 - 0 , 0 8 9 0 , 0 0 8

QU I NI N DE 1165008,426 -6270855,124 36218,099 36216,016 669656,419 122,105 1165008,600 -6270855,013 36218,288 36216,206 669656,610 122,029D I FEREN CI A - 0 , 19 0 - 0 , 19 1 0 , 0 7 6

GALA -33796,164 -6377522,618 -82120,929 9917818,126 800125,779 7,418 -33795,397 -6377522,677 -82120,741 9917818,314 800126,547 7,471ZON A15 D I FEREN CI A - 0 , 18 8 - 0 , 7 6 8 - 0 , 0 5 3

R ENAGE S I RGA S 9 5 , I TRF 9 4 , é poc a 19 9 5 . 4 RENA GE I GS 0 8 , é poc a 2 0 11. 0C OORD EN ADA S CA RTES I AN AS COOR DENA DAS P LA NA S COOR DENAD AS C ARTES I A NA S COORD EN AD AS P LAN AS

P á g i n a | 45

El mantenimiento del marco de referencia SIRGAS incluye, por lo tanto, aparte de la conservación física del monumento (redes pasivas), la evolución en el tiempo de las coordenadas por medio del traslado desde la época de referencia a la época de observación. Las velocidades Vx, Vy, Vz que se aplican en este cálculo deben tomarse del Campo de Velocidades del Ecuador obtenidas a través de mediciones GPS repetitivas a lo largo de los últimos 15 años.

X (t) = X (t0) + (t - t0) * Vx Y (t) = Y (t0) + (t - t0) * Vy Z (t) = Z (t0) + (t - t0) * Vz

siendo X(t), Y(t), Z(t) las coordenadas en la época deseada, X(t0), Y(t0), Z(t0) las coordenadas en la época de referencia, (t - t0) el intervalo de tiempo transcurrido entre la realización del sistema de referencia y el levantamiento GNSS y Vx, Vy, Vz las velocidades de las estación de referencia. Adaptado de www.sirgas.org.

La tabla 2, y la Figura No.6, muestra la comparación entre las velocidades obtenidas por medio del Modelo de Interpolación VEMOS2009 (Drewes and Heidbach 2009) y las velocidades del Campo de Velocidad del Ecuador VEC_Ec, obtenidas a través de observaciones GPS repetidas. Esta comparación está referida al ITRF2005, época 2009.0 para compatibilizar la realización del modelo VEMOS con el VEC_Ec.

Tabla 2. Comparación entre velocidades VEMOS2009 y VEC_EC

Como podemos observar, los vectores de velocidad obtenidos mediante la aplicación del Modelo de Velocidades VEMOS (color amarillo), difieren en magnitud y dirección respecto a los obtenidos con el Campo de Velocidades del Ecuador VEC_Ec (color rojo). Es evidente, que la diferencia existente se debe a que las velocidades determinadas por el Modelo Vemos, son obtenidas por medio de la aplicación de un modelo de interpolación (VMS2009); mientras que las velocidades generadas por el VEC_Ec, resultan del cálculo de medidas GPS redundantes de larga duración en épocas diferentes de tiempo.

Tomando en cuenta el criterio establecido por SIRGAS en su página web: http://www.sirgas.org/index.php?id=54

MODELO VEMOS - SIRGAS CAMPO VELOCIDAD VEC_EC VERTICE vX (m) vY (m) vZ (m) vX (m) vY (m) vZ (m)

3009 Esmeraldas 0.0124 0.0025 0.0118 0.01422 0.00357 0.01532 LATACUNGA 0.0052 0.0009 0.0095 0.00641 -0.00895 0.01062

QUININDE 0.0112 0.0021 0.0114 0.01038 0.00368 0.01109 PROGRESO 0.0072 0.0008 0.0089 0.00519 0.0018 0.01199

P á g i n a | 46

“Aquellos puntos cuyas velocidades no han sido derivadas de diferentes ocupaciones GPS en diferentes épocas de tiempo, sino obtenidas a partir de un modelo de interpolación (por ejemplo VEMOS), no deben usarse como puntos de referencia.”

Figura No. 6: VEMOS2009 – Campo de Velocidad VEC_EC

Por consiguiente, las velocidades obtenidas del VEC_Ec, pueden ser utilizadas para el mantenimiento del Marco Geocéntrico de Referencia del Ecuador.

3.5 MARCO DE REFERENCIA NACIONAL

Finalmente, se obtuvieron las coordenadas Geocéntricas Cartesianas (X, Y, Z) y precisiones (δ_X, δ_Y, δ_z) de 30 Estaciones GPS Permanentes y 102 Sitios de Campaña GPS, ubicados de manera homogénea a lo largo del territorio nacional.

Cada uno de estos 132 sitios tanto de la red activa (30) como la red pasiva (102), poseen velocidades (vX, vY, vZ) y sus correspondientes precisiones (δ_vX, δ_vY, δ_Vz).

Estas coordenadas y velocidades constituyen el Marco de Referencia Nacional, el cual se encuentra estabilizado (referido) al Marco de Referencia Global IGS08, época de referencia 2011.0.

Se cita el sitio de la red pasiva RENAGE denominado 3009 ubicado en Tachina provincia de Esmeraldas y la estación permanente GYEC ubicada en la ciudad de Guayaquil, ver Tabla 3. El documento completo se lo puede encontrar en el Instituto Geográfico Militar, Quito.

P á g i n a | 47 Tabla 3. Coordenadas y velocidades de dos vértices

STATION X (m) Y (m) Z (m) v(X)m/a

v(Y)m/a

v(Z)m/a

EPOCA

σ_X(m)

σ_Y(m)

σ_Z(m)

σ_vX(m)

σ_vY(m)

σ_vZ(m)

3009_GPS 1148305.688 -6272976.994 109354.1558 0.01422 0.00357 0.01532 2011.0 0.0028 0.0098 0.0019 0.0004 0.0013 0.0003

GYEC_GPS 1118628.434 -6274783.815 -237610.2448 0.00417 0.00175 0.01385 2011.0 0.0005 0.0017 0.0004 0.0007 0.0018 0.0007

3.6 VELOCIDADES OBTENIDAS PARA LAS ESTACIONES PERMANENTES DE LA RED SIRGAS_CON Y LA RED GLOBAL DEL IGS

En la figura No. 7, se muestra el campo de velocidad obtenido en las estaciones permanentes de la red continental SIRGAS_CON y ciertas estaciones de la red global del IGS.

Estas estaciones fueron usadas en el proceso de estabilización de la solución acumulada final y la obtención del Marco de Referencia Nacional IGS08.

Figura No. 7: Campo de velocidad, estaciones permanentes SIRGAS_CON e IGS

P á g i n a | 48

4. CONCLUSIONES

- Un campo de velocidad busca conseguir la máxima precisión con observaciones GPS repetidas y no la conversión por métodos de interpolación.

- Aquellos puntos cuyas velocidades no han sido derivadas de ocupaciones GPS repetidas en diferentes épocas de tiempo, sino obtenidas a partir de un modelo de interpolación (por ejemplo VEMOS), no deben usarse como puntos de referencia.

- Las coordenadas SIRGAS95 de las estaciones terrestres que materializan la RENAGE, no son válidas para una época diferente a 1995.4, por tal razón es necesario trasladar las coordenadas a la época actual de observación para garantizar la compatibilidad entre el segmento espacial, el segmento de control y las mediciones realizadas por el usuario del sistema GPS.

- Las diferencias entre SIRGAS95, ITRF94; época 1995.4 e IGS08, época 2011.0; confirman el desplazamiento de los sitios de la RENAGE a través del tiempo.

- El Campo de Velocidad confirma la deformación local en el Ecuador de 0 a 3 cm/a y concuerda con la estimación del movimiento de la Placa Sudamericana a razón de 1 cm/a.

- El procesamiento GPS realizado para el cálculo del VEC_Ec, consideró todas las variables necesarias para asegurar un procesamiento científico de gran precisión, incluyendo la compensación de los efectos de deformación provocados por los eventos geofísicos sucitados en los últimos quince años que afectan el área de estudio.

- El mantenimiento del marco de referencia SIRGAS incluye, por lo tanto, aparte de la conservación física del monumento (redes pasivas), la evolución en el tiempo de las coordenadas, garantizando la consistencia entre el sistema de referencia terrestre y el satelital.

- El procesamiento preciso de datos GNSS requiere que las coordenadas de las estaciones de referencia estén dadas en la misma época en que se adelanta la medición y que estén asociadas al mismo marco de referencia de las órbitas satelitales.

- La metodología aplicada en el desarrollo del proyecto, permitió adquirir los conocimientos necesarios para el procesamiento científico de datos GPS con el software GAMIT, series temporales y coordenadas referidas a un marco de referencia definido con sus respectivas velocidades.

- El Campo de Velocidad del Ecuador VEC_Ec, constituye un aporte técnico del Instituto Geográfico Militar, a través del Centro de Procesamiento de Datos GNSS del Ecuador (en participación conjunta con otras instituciones nacionales e internacionales), el cual permitirá el desarrollo de las actividades en el campo de las Ciencias de la Tierra (Geociencias) tales como la Geodesia, Geofísica, Geografía, Oceanografía, Gestión del Riesgo, entre otras.

P á g i n a | 49

- El VEC_Ec, es el sustento técnico que permitirá el análisis y la toma de decisiones en cuanto al mantenimiento del Marco de Referencia Nacional, mediante la adopción de un Marco de Referencia Vigente; referido a una época actual y compatible con las técnicas de medición satelital vigentes en la actualidad.

AGRADECIMIENTOS

- Instituto Geográfico Militar del Ecuador – IGM. - Centro de Procesamiento de Datos GNSS del Ecuador – CEPGE. - Red GNSS de Monitoreo Continuo del Ecuador – REGME. - Proceso de Geodesia, IGM – Ecuador. - Institut de Recherche pour le Développement. IRD – France. - Géosciences Azur - GeoAzur France. - Le Centre national de la recherche scientifique CNRS – France. - Nice Université, Sophia Antipolis, Valbone – France. - Instituto Geofísico de la Escuela Politécnica Nacional – IGEPN. - Escuela Politécnica Nacional – EPN. - Massachusetts Institute of Technology. MIT – USA. - Sistema de Referencia Geocéntrico para las Américas. SIRGAS. - Instituto Geográfico Nacional del Perú. - Instituto Geográfico Agustín Codazzi IGAC. Colombia. - Centro de Procesamiento IGAC. Colombia. - Instituto Brasileiro de Geografia e Estatística IBGE. Brasil. - Centro de Procesamiento CIMA. Argentina. - Instituciones públicas y privadas que apoyan el desarrollo de la REGME a nivel nacional.

REFERENCIAS

Tremel H., Urbina R. 2000. Processing of the Ecuadorian National GPS Network within the SIRGAS Reference Frame.

King, R.W. and Bock, Y.1998. Documentation for the MIT, GPS analysis software: GAMIT. Mass. Inst. of Technology, Cambridge.

Nocquet, J-M. 2011. Géodésie Spatiale et Géodynamique. CNRS - UMR Géosciences Azur, Sophia Antipolis – France.

Blewitt, G. 1998. GPS Data Processing Methodology: From Theory to Applications, in: GPS for Geodesy, p. 231-270, Eds. P.J.G. Teunissen and A. Kleusberg, Springer-Verlag, Berlin, ISBN 3-540-63661-7.

Nocquet, J-M., Mothes, P., Alvarado, A. 2008. Geodesia, geodinámica y ciclo sísmico en Ecuador.

Rebischung, P. 2011. Upcoming switch to IGS08/igs08.atx, IGS. Drewes, H., O. Heidbach. 2012. The 2009 Horizontal Velocity Field for South America and the

Caribbean. In: Kenyon S., M.C. Pacino, U. Marti (Eds.), "Geodesy for Planet Earth", IAG Symposia, 136: 657-664.

www.sirgas.org/index.php?id=54

P á g i n a | 50

ANÁLISIS DEL PODER BIOACUMULADOR DE CROMO EN LA PAPA (Solanum tuberosum)

PAULINA GUEVARA GARCÍA; LUIS E.MONTES PAGUAY1 1CARRERA DE INGENIERÍA GEOGRÁFICA Y DEL MEDIO AMBIENTE, DEPARTAMENTO DE CIENCIAS DE LA TIERRA Y LA CONSTRUCCIÓN, ESCUELA POLITÉCNICA DEL EJÉRCITO, Av. El Progreso, S/N. Sangolquí-Ecuador. pvguevara@espe.edu.ec ; mluis3125@hotmail.com Recibido: 7 de septiembre 2012/ Aceptado: 05 de diciembre 2012

RESUMEN

El desarrollo industrial en el Ecuador ha provocado un incremento en la explotación de recursos naturales de manera tecnificada o artesanal. En el País son pocas las industrias que disponen de un sistema de tratamiento de aguas residuales; las industrias que no cuentan con un sistema de tratamiento de sus descargas que sobrepasan la Normativa TULAS contaminan los suelos con residuos de metales pesados. Estos metales pesados se mezclan con el suelo a través de las aguas que son descargadas directamente a ríos o quebradas sin previo tratamiento, afectando directamente a los sectores agrícolas que emplean estas aguas en el proceso de riego de sus cultivos. La dispersión de metales pesados en el suelo conlleva a la contaminación de los productos que son sembrados en estos suelos, consecuentemente si las concentraciones sobrepasan los límites permisibles pueden ocasionar trastornos en la salud de humanos y animales. El objetivo de esta investigación fue analizar la capacidad bioacumuladora del tubérculo papa (Solanum tuberosum) con el metal cromo. Con los datos obtenidos se podrá emplear este tubérculo en el proceso de remoción del contaminante cromo, empleando el método de Fitorremediación, a fin de realizar la recuperación de suelos contaminados y dar una alerta de la capacidad que tiene este tubérculo de bioacumular en su estructura los metales pesados que se encuentran en los suelos. Para determinar el poder de bioacumulación, se realizó semanalmente una contaminación controlada en el laboratorio, empleando diferentes soluciones de Cr 6+. Los resultados de esta investigación permitieron concluir que la papa tiene un 40% de capacidad de absorción del metal pesado cromo en el tubérculo mismo y en menor proporción en tallos, hojas y material volatilizado. Palabras clave: Fitoremediación, bioacumulación, absorción

P á g i n a | 51

ABSTRACT Industrial development in the Ecuador has led to an increase in the exploitation of natural resources in tech or handicraft way. In the country there are few industries that have a wastewater treatment system; the industries that do not have a system of treatment of discharges that exceed the regulations TULAS pollutant soils with heavy metal residues. These heavy metals are mixed with the soil through waters that are unloaded directly to rivers or streams without prior treatment, directly affecting the agricultural sectors that use these waters in the process of their crop irrigation. The dispersion of heavy metals in the soil leads to the contamination of products that are planted in these soils, as a result if concentrations exceed the permissible limits can cause disorders on the health of humans and animals. The objective of this research was to analyze the tuber bioacumuladora potato (solanum tuberosum) with chrome metal. With the data obtained shall be employed this vegetable in the removal of pollutant chromium process, using the method of phytoremediation, in order to carry out the recovery of contaminated soil and give an alert of the capacity that has this tuber accumulate heavy metals that are in the soil in its structure. To determine the power of bioaccumulation, weekly was a contamination controlled in the laboratory, using different solutions of Cr 6+. The results of this research allowed concluding that the potato has 40% absorption capacity of heavy metal Cr on the same tuber and to a lesser extent in stems, leaves and volatilized material. Key words: phytoremediation, bioaccumulation, absorption. 1. INTRODUCCIÓN La Contaminación viene de tiempos remotos, ya sea de forma natural como es el paso de un acuífero rico en estratos de arsénico o por acción antropogenica, la mismo que se ha ido incrementando desde la Revolución Industrial, donde de forma gradual se fueron generando diferentes tipos de residuos. Al principio no se prestaba interés por la generación de residuos porque se confiaba en la capacidad del medio para asimilarlos y se desconocía además sus efectos devastadores en la salud humana. A partir de los años 60 se empezó a tener conciencia del problema de los contaminantes ambientales. (Castillo y col., 2005). Una de las consecuencias más negativas de la revolución industrial ha sido la dispersión de los contaminantes en el agua, atmósfera y suelo. De éstos, el suelo es el medio más estático, donde los contaminantes pueden permanecer durante mucho tiempo. Esta permanencia a largo plazo es especialmente grave en el caso de contaminantes inorgánicos como los metales pesados, que no pueden ser degradados. Su persistencia, acumulación progresiva y/o su transferencia a otros sistemas supone una amenaza para la salud humana y la de los ecosistemas. (Becerril J., etc., 2007) El precio de recuperar los ecosistemas contaminados es incalculable, y es por ello que los gobiernos, las industrias y la sociedad han reconocido la necesidad de utilizar

P á g i n a | 52

alternativas más económicas a los métodos tradicionales fisicoquímicos. No es de extrañar que la fitorremediación constituya una de las metodologías en expansión, considerándose como una tecnología muy competitiva y económica. (Viñas y col., 2001) La fitorremediación de suelos contaminados se basa en el uso conjunto de plantas, enmiendas del suelo y técnicas agronómicas para eliminar, retener, o disminuir la toxicidad de los contaminantes del suelo (Chaney et al., 1997). Este grupo de fitotecnologías reúne un gran número de ventajas, especialmente la limpieza y la economía; no utilizan reactivos químicos peligrosos, ni afectan negativamente a la estructura del suelo, sólo aplican prácticas agrícolas comunes; además, el proceso se realiza 'in situ' evitando costosos transportes (Cunningham et al., 1995). Para su implementación se debe analizar el tipo y la cantidad de contaminante que se quiere remover, el entorno o las condiciones que presenta el lugar, y el tipo de planta a utilizar, en consecuencia es importante realizar un estudio de plantas endémicas hiperacumuladoras en la zona que puedan ser utilizadas, en el caso de que no existan, sería importante encontrar una que pueda desarrollarse de manera efectiva aceptando las condiciones del sitio. Esta tecnología es sostenible gracias a que se emplean maquinarias, técnicas y suministros conocidos en agricultura, resultando de fácil implantación y mantenimiento. Se debe destacar que la tecnología todavía está en proceso de desarrollo ya que aún se presentan ciertos inconvenientes o limitantes por ejemplo, la profundidad que puedan alcanzar la rizosfera en el suelo contaminado o los largos periodos necesarios para completar la recuperación de los suelos contaminados. Valores permisibles de exposición del Cromo. Los Valores Límites y en Medios Biológicos han sido propuestos por la American Conference of Governmental Industrial of Hygienists (ACGIH) (15,18), la NIOSH (19), la OSHA y otros. La Secretaria Distrital de Salud de Bogotá reporta valores de referencia para Población General hasta 10 μg/L y para población expuesta hasta 20 μg/L. (Agudelo, 2009, p.301) Estudios realizados acerca de la contaminación con cromo, han reportado que este compuesto se encuentra en forma de óxidos, cromatos y dicromatos, los mismos que son contaminantes ambientales presentes en agua, suelos y efluentes de industrias, debido a que dicho metal es ampliamente utilizado en distintas actividades manufactureras, tales como cromado electrolítico, fabricación de explosivos, curtido de pieles, aleación de metales, fabricación de colorantes y pigmentos, etc. (Acosta I., etc., 2010)

P á g i n a | 53

En las regiones del Ecuador existen diferentes tipos de fuentes que evacuan residuos con metales pesados, los mismos que al tomar contacto con el suelo podría superar los limites permisibles que tiene el suelo según su uso. Esta contaminación se puede dar en forma natural o antropogénico, dentro de esta última podrían estar inmiscuidas industrias del ejército ecuatoriano. La iniciativa de este estudio ha sido buscar los métodos, técnicas y tecnologías que ayuden a descontaminar el ambiente y brindar una mejor calidad de vida a los habitantes expuestos a esta contaminación. Empleando Absorción Atómica que es un método que consiste en la cuantificación de las especies atómicas por su absorción a una longitud de onda particular se cuantifico la concentración de cromo en suelo y tubérculo. Actualmente no se encontró estudios sobre el poder bioacumulador de tubérculos endémicos del Ecuador con el Cromo, pudiendo verse afectada la salud del ser humano por la ingesta de tubérculos contaminados. Este metal debe su toxicidad a que se absorbe por vía oral, respiratoria o dérmica. Se distribuye a nivel de médula ósea, pulmones, ganglios linfáticos, bazo, riñón, e hígado. La absorción del Cromo III es menor que la del Cromo VI. El Cromo III no atraviesa las membranas celulares. (Agudelo, 2009, p.301) 2. MATERIALES Y METODOLOGÍA 2.1 EQUIPO.- Se utilizo un Equipo de Absorción Atómica Perkín Elmer analyst 200, con sistema de Detección de llama, Tabla 1. Tabla 1. Condiciones para la cuantificación de cromo por Absorción Atómica

Longitud onda: 357.87 nm Flujo de oxidante: Aire 6 l/min Flujo de reductor: Acetileno

4 l/min

Flama directa: Aire - acetileno 2.2 REACTIVOS, ESTÁNDAR Y FORTIFICADOS.- Reactivos grado analítico utilizados fueron: Acido Nítrico para análisis Merck al 65% y 1.39 g/cm3, Dicromato de Potasio granular marca Mallinckrodt, Estándar comercial de calibración para absorción atómica marca PerkinElmer de 1000ug/ml ± 3.0 de Cromo en 2% HNO3., valores que se encuentran declarados en el certificado de análisis del estándar, Tabla 2.

Tabla 2. Estándares de Calibración

Estándar final

(ppm)

Volumen de aforo de estándar final en sol

10% HNO3 (ml)

Estándar inicial (ppm)

Volumen de estándar inicial

(ml) 100 100 1000 10

P á g i n a | 54

0.1 50 100 0.05 1 50  100 0.5 2 50  100 1 4 50  100 2 5 50  100 2.5 10 50  100 5

A partir del estándar de 1000ppm de Cr, se tomo un volumen de 10ml., se coloco en un balón de 100ml. aforando con HNO3 al 10% de concentración para obtener una concentración de 100 ppm de Cromo, de igual manera se prepararon los estándares que fueron empleados para la calibración del equipo de Absorción Atómica a partir del estándar de 100 ppm, como lo indica la tabla 2. 2.3 PROCEDIMIENTO DE ANÁLISIS 2.3.1 Recolección, contaminación del suelo Se realizó la siembra de tubérculos en maseteros, los mismos que se ubicaron en los laboratorios de la Carrera de Ingeniería Geográfica y del Medio Ambiente de la ESPE matriz acantonado en la parroquia de Sangolqui del cantón Rumiñahui. La cantidad de suelo que se empleo fue de 4kg. de suelo de cultivo previamente abonado. La contaminación intencional se hizo en referencia a la metodología empleada por Dra. Meneses L, 2009 con modificaciones a las condiciones de trabajo como; inicio de la contaminación del suelo desde la tercera semana de cultivo del tubérculo con contaminaciones semanales de 100 ml. de solución de Cromo VI con las siguientes concentraciones 10, 50, 100, 500, 1000 ppm y un blanco, este procedimiento se realizó hasta el desarrollo completo del tubérculo estudiado (14 semanas).

Foto 1. Tubérculos estudiados en diferentes concentracionces de

P á g i n a | 55 contaminación intencional. Sector Laboratorio de la ESPE 2.3.2 Pre tratamiento Se tomaron aproximadamente 4gr. de suelo, se coloco a 75°C por 24h, consecutivo a esto se peso 2gr. de suelo seco y se sometió al proceso de extracción del metal cromo, para su posterior medición de concentración del metal cromo en el equipo de Absorción Atómica. 2.3.3 Proceso de Extracción La digestión se realizo con 10 ml. de acido nítrico al 10%, mediante una plancha de calentamiento se volatilizo y se filtro 10ml. de extracto de cada una de las muestras de suelo, hoja, tallo y tubérculo para su posterior lectura en el equipo de Absorción Atómica Perkin Elmer 2.3.4 Determinación de la bioacumulación de Cromo en suelo, tubérculo y planta. Se tomo como referencia los métodos estándar 3030 (digestión de metales) y 3111 (flama directa de aire-acetileno) se procedió a realizar el análisis correspondiente en el laboratorio de la carrera de Ingeniería Geográfica para la determinación de cromo acumulado en el tubérculo, suelo y planta por cada nivel de contaminación intencional, Fotos del 2 al 11.

Fotos 2 y 3: Homogenización del suelo, y separación de tallo y tubérculo.

P á g i n a | 56

Fotos 4 y 5: Análisis de concentración de cromo en el suelo

Fotos 6 y7: Análisis de concentración de cromo en el tubérculo

P á g i n a | 57

Fotos 8 y 9: Análisis de concentración de cromo en el tallo de la planta del tubérculo

Foto 10 y 11: Análisis de concentración de cromo en las hojas de la planta del tubérculo 2.3.5 Cuantificación La concentración de Cromo en el suelo, tubérculo y en la planta, fue cuantificado mediante el Equipo de absorción atómica Perkin Elmer analyst 200 con 10ml. de dilución de cada muestra, Fotos 12 y 13.

P á g i n a | 58

Foto 12. Equipo de absorción atómica Perkin Elmer analyst 200.

Foto 13. Muestras de suelo diluidas

2.3.6 Validación del Método Para la validación del método, se trabajo con muestras fortificadas en cada uno de los análisis realizados en el suelo, planta y tubérculo. Se trabajo con muestras de blanco de suelo, planta y tubérculo. Al blanco se le agrego 0,4ml de Cromo a 100ppm, y se verifico su recuperación posterior al proceso de extracción, la concentración esperada debe estar dentro del +/-20% de incertidumbre. • Linealidad, función respuesta.

P á g i n a | 59

Se trabajo con seis estándares. Las concentraciones de los estándares fueron de 0,1ppm, 1ppm, 2ppm, 4ppm, 5ppm y 10ppm. Con estos estándares se elaboró la curva de calibración del equipo de Absorción Atómica, Foto 14.

Foto 14. Estándares de Cromo El equipo de absorción atómica señala la curva de calibración de los estándares analizados; eje Y (respuesta del equipo en Absorbancia) y eje X (concentración del analito en ppm), Foto 15

Foto 15. Respuesta del Equipo de Absorción Atómica (Y) vs concentración de estándares de Cr en ppm (X)

Obteniéndose un coeficiente de correlación de 0, 998837 y una pendiente de 0.04193 como se indica en la foto 15, que para este análisis es aceptable ya que se considero un coeficiente de correlación de mayor a 0,995. Con estos datos se genero la curva de

P á g i n a | 60

calibración del equipo que permitió el cálculo de concentración de Cromo en muestras con un volumen de 10 ml del extracto concentrado. 3. CÁLCULOS: 3.1 Determinación de concentración esperada de Cromo en el suelo al final del desarrollo del tubérculo.

Ec. 1 X= Concentración esperada [Cr] = Concentración del contaminante (ppm) Vc = Volumen total del contaminante (ml) MT = Masa total donde se realizo la contaminación (gr) Ej: [Cr] = 1000 ppm Vc = 1000 cm3 MT = 4000 gr.

1000 1000400

250 

3.2 Determinación de concentración final de Cromo en el suelo al final del desarrollo del tubérculo(real) [y] = Concentración final de Cr en el suelo [Cr’] = Concentración de Cr, según la lectura del equipo de absorción atómica (ppm) Va = Volumen de aforo del extracto (ml) W = Peso del suelo analizado (gr)

  Ec. 2

Ej:

[Cr’] = 27.683 ppm Va = 10 ml W = 2.0026 gr.

 27.683 102.0026

 138.23 

P á g i n a | 61

4. RESULTADOS Los resultados de la validación del método de análisis de concentración de Cromo en el suelo se presentan en la siguiente tabla 3

Tabla 3. Resultados de la validación con muestras fortificadas.

MUESTRA CONCENTRACIÓN

DE CR ESPERADA

CONCENTRACIÓN PROMEDIO DE CR

OBTENIDA

% RECUPERACIÓN

blanco de suelo fortificado 4 ppm 3,216 80,4

blanco de acido fortificado 4 ppm 3,766 94,15

La concentración obtenida al final del desarrollo del tubérculo se detalla a continuación. Restando la concentración esperada con la suma de la concentración final del suelo mas la concentración obtenida en el tallo, hojas y tubérculo, se puede determinar el porcentaje de absorción, cabe señalar que la concentración faltante por balance de masa se concluye que a través de la planta se volatizo hacia el medio ambiente

Tabla 4. Resultados del porcentaje de absorción y volatilización de cromo en la planta y tubérculo.

MUESTRACONCENTRACIÓN ESPERADA (ppm)

CONCENTRACIÓN FINAL DEL SUELO

CONCENTRACIÓN DE LA HOJA (ppm)

CONCENTRACIÓN FINAL DEL TALLO (ppm)

CONCENTRACIÓN FINAL DEL TUBÉRCULO (ppm)

CONCENTRACIÓN TOTAL DE CROMO (SUELO + HOJA + TALLO

+ TUBERCULO), AL FINAL DEL DESARROLLO DEL TUBÉRCULO 

CONCENTRACIÓN VOLATIZADA %

PORCENTAJE TOTAL DE ABSORCIÓN %

BLANCO 0,000 0 0 0 0 0 0,00% 0%1 2,847 1,699 0,029 0,733 0,399 2,860 0,00% 40,33%2 13,908 6,664 0,977 2,214 2,142 11,997 13,74% 52,09%3 28,140 16,187 2,545 5,234 4,057 28,023 0,41% 42,47%4 132,967 85,084 9,149 4,763 7,676 123,647 19,78% 36,01%5 268,889 118,946 10,633 4,606 7,155 141,341 47,44% 55,76%

P á g i n a | 62

5. CONCLUSIONES • El suelo analizado en el estudio, tiene Cromo en su composición, por lo cual este

valor se utilizo como fondo en las lecturas analizadas, a fin de poder determinar el valor real de concentración de Cr en cada una de las muestras analizadas.

• En un periodo de 14 semanas de desarrollo de la planta de la papa, la raíz, el tallo y el bulbo han tolerado 1100ml. de contaminante a diferentes concentraciones de Cr sin mostrar daños significativos. Entre mas alta era la concentración se podía observar menor cantidad de tallos y hojas en la planta.

• De la concentración esperada de cromo en el cultivo, al finalizar el periodo de crecimiento de la planta se encontró que en el tallo, hoja, raíz y bulbo de la papa existe una acumulación de aproximadamente el 40%, siendo el restante la suma del cromo en suelos y volatilizado al medio ambiente con lo que se observa que la papa es un tubérculo bioacumulador.

• Tomando en cuenta el corto periodo en que se desarrolla el cultivo de la papa (14 semanas), sería factible emplear este tubérculo como método para remediar suelos contaminados con metales pesados en la región sierra.

• De los resultados obtenidos se identifica que a mayor concentración de contamínate en el suelos mayor migración del mismo se produce a las diferentes estructuras de la planta en especial tallo y hojas.

• Por los resultados obtenidos se puede determinar que este tubérculo absorbe el 40% de los contaminantes metálicos del suelo, por lo que para su cultivo se requiere de un análisis previo de los contaminantes del suelo a fin de evitar daños a la salud humana por la capacidad de absorción de este tubérculo con metales pesados.

6. REFERENCIAS Castillo, F. y col. 2005. Biotecnología ambiental. Editorial TÉBAR, S. L. Madrid. Becerril J., et al., 2007. Especies nativas de suelos contaminados por metales: aspectos

ecofisiológicos y su uso en fitorremediación Viñas, M.; et al., 2001. Ensayos de tratabilidad en la recuperación de suelos contaminados por

la tecnología de la biorremediación. Acosta I., et al., 2010, Remoción de Cromo (VI) en Solución Acuosa por la Biomasa de la

Cáscara de Tamarindo Agudelo C., et al., 2009 Prioridades de Investigación en Salud en Colombia: Perspectiva de los

Investigadores. Revista de Salud Pública, vol. 11, núm. 2, abril, 2009, pp. 301-309 Universidad Nacional de Colombia Bogotá, Colombia

Chaney, R.L., Malik, M., Li, Y.M., Brown, S.L., Brewer, E.P., Angle, J.S., Baker, A.J.M. 1997. Phytoremediation of soil metals. Curr. Opin. Biotechnol. 8: 279-284.

Cunningham, S.D. , Berti, W.R., Huang, J.W. 1995. Phytoremediation of contaminated soils and sediments. En: Bioremediation: Science and Applications (eds. Skipper, H.D. y Turco, R.F.), pp. 145-56, Soil Sci. Soc. Am., Madison,

Meneses L., Arteaga M., 2009. Estudio de la bioacumulación de cadmio en el rábano, Pontificia universidad católica del Ecuador.

P á g i n a | 63 CLASIFICACIÓN DE IMÁGENES SATELITALES UTILIZANDO LOS MÉTODOS ORIENTADO A OBJETOS Y POR PÍXELES. XAVIER A. MEJÍA R. (1), PABLO J. MONCAYO S. (2), FRANCISCO. LEÓN L. (3), EDUARDO P. KIRBY P. (3)

(1) SEEARTH CONSULTING GROUP, Alberto Guerrero N34-16 & Federico Paez, Quito, Ecuador. e-mail: xavier.mejia@seearth.com, xavier.mejia.geografo@gmail.com (2) MINISTERIO DEL AMBIENTE DEL ECUADOR, PROGRAMA SOCIO BOSQUE, Calle Luis Cordero y Av. 6 de Diciembre, Edificio Canopus Plaza, 2do Piso, Quito, Ecuador. e-mail: pmoncayo@ambiente.gob.ec, pabmons@yahoo.com (3) CARRERA DE INGENIERÍA GEOGRÁFICA Y MEDIO AMBIENTE. DEPARTAMENTO DE CIENCIAS DE LA TIERRA Y LA CONSTRUCCIÓN. ESCUELA POLITÉCNICA DEL EJÉRCITO. Avenida Gral. Rumiñahui, S/N. Sangolquí-Ecuador; e-mail: efleon@espe.edu.ec, epkirby@espe.edu.ec Recibido: 29 de octubre de 2012/ Aceptado: 30 de noviembre de 2012

RESUMEN

En la actualidad, el surgimiento de imágenes satelitales con mayor resolución espacial, ha permitido observar objetos a mayor detalle, esto a su vez ha generado la investigación de nuevas formas de procesamiento de las mismas, como es el caso del método orientado a objetos. Este trabajo de investigación busca encontrar el mejor tipo de clasificador en imágenes de moderada y alta resolución espacial para la obtención de mapas de uso y cobertura del suelo, mediante los métodos de clasificación por píxeles y orientado a objetos. En ese sentido, como pasos previos a las clasificaciones, en primer lugar se utilizaron equipos GPS de precisión para la georeferenciación de imágenes y posteriormente se generó la cartografía en la que se estableció la leyenda temática; luego se aplicaron los algoritmos de clasificación Isodata para la clasificación No Supervisada y algoritmo Máxima Probabilidad en la Supervisada para el método de píxeles utilizando un software comercial, y los algoritmos Isoseg para la clasificación No Supervisada y Battacharya en la Supervisada para la clasificación orientada a objetos a partir del uso de software libre (spring programa desarrollado por el INPE). Finalmente, se validó la cartografía temática de las clasificaciones, calculando un tamaño de la muestra estadísticamente robusto y se aplicaron matrices de confusión para obtener el índice Kappa por cada algoritmo utilizado, y con ello conocer cuál es el método que da mejores resultados para las imágenes de alta y moderada resolución

Palabras clave: Aster, Ikonos, Control Posicional, píxel, Matrices de Confusión.

ABSTRACT

P á g i n a | 64 Nowadays, the emergence of satellite images with higher special resolution has permitted to observe objects in detail and this has generated the research of new ways of processing them like the object-oriented method. This research seeks to find the best type of classifier images of moderate and high special resolution to obtain maps of land use and coverage through the pixels and object orientated classification methods. In that sense as previous steps to the classifications in first order, GPS equipments were used for georeferencing images. Afterwards the thematic mapping was generated; in which the thematic legend was established. Then the algorithms of Isodata classification were applied for the Unsupervised Classification, the algorithm Maximum Likelihood for the pixel method using commercial software, and the Isoseg algorithms for the Unsupervised and Bhattacharya Supervised for the object oriented classification from free software (spring software developed by INPE). Finally, the thematic mapping was validated by calculating a portion of a sample and some matrices were applied to obtain the Kappa index per algorithm used. Based on this we were able to acknowledge which of the method gives the best results for moderate or high resolution images. Key words: Aster, Ikonos, pixel, confusion matrix.

1. INTRODUCCIÓN.

Mediante el empleo de las geotecnologías se puede construir escenarios que ayuden a la toma de decisiones y que permitan llegar a gestionar diferentes procesos como: el ordenamiento territorial, gestión de riesgos, estudios ecológicos, ambientales, establecimiento de tasas de deforestación, entre muchos otros.

Actualmente, la necesidad de obtener información de calidad para gestionar el territorio y sus interrelaciones con el hombre, ha sufrido un importante giro con el aparecimiento de imágenes satelitales de alta resolución espacial y características mejoradas. En ese sentido, para la ejecución de esta investigación y resolver las necesidades mencionadas, se realizaron encuestas para determinar que metodologías eran las más utilizadas para la clasificación de imágenes satelitales, obteniendo que la basada en píxeles, con imágenes de moderada resolución, era la más difundida; sin embargo, existen nuevas formas de clasificación, como la que se analizará, la orientada a objetos.

De esta manera, se procedió a contrastar y evaluar imágenes de alta y moderada resolución con metodologías de clasificación orientadas a objetos con un programa de libre acceso (Spring) y uno comercial, para la clasificación por píxeles (Erdas).

Lo novedoso de la clasificación de imágenes satelitales basadas en objetos, es que éstas pasan por un proceso previo de segmentación para poder trabajar con la imagen a nivel de conjunto o regiones, lo que amplía notablemente la cantidad de información y el nivel de generalización de detalles complejos que no se podrían abordar a nivel de píxel como un elemento individual.

En tal virtud, esta investigación pretende evaluar diferentes métodos de clasificación (métodos basados en píxeles versus métodos orientados a objetos) a través del uso de imágenes satelitales de moderada y alta resolución espacial de los sensores Aster e

P á g i n a | 65

Ikonos, para la obtención de mapas de uso y cobertura del suelo en un área de 60 Km2 de la parroquia Shushufindi. 1.1 ÁREA DE ESTUDIO.- la zona de estudio que se ilustra en la Figura 1, abarca un área efectiva de 60 Km2 (6 x 10 km), se encuentra ubicada en la parroquia y cabecera cantonal Shushufindi, provincia de Sucumbíos; está atravesada por el río Eno, posee una pendiente baja a nula, con una altura media de 280 metros (m) sobre el nivel medio del mar.

Figura 1. Ubicación del Área de Estudio.

Las coordenadas están referidas a la proyección Universal Transversa de Mercator (UTM), zona 18 sur, Datum World Geodetic System (WGS84), las cuales se encuentran descritas en la tabla 1.

Tabla 1. Coordenadas de la zona de estudio. ESTE (m) 312257.973 318257.973 312257.973 318257.973

NORTE (m) 9987095.796 9987095.796 9977095.796 9977095.796 Límites Esq. Sup Izq Esq. Sup Der Esq. Inf Izq Esq. Inf Der

P á g i n a | 66

2. MARCO TEÓRICO 2.1 ETAPA PREVIA A LA CLASIFICACIÓN DE IMÁGENES SATELITALES. 2.1.1 Corrección Geométrica: es un proceso de rectificación llevado a cabo en vectores y rasters, por medio del cual el objeto no georeferenciado se ajusta a su verdadera posición en la Tierra respecto a un sistema de referencia. Se pueden implementar los siguientes aspectos para georeferenciar una imagen: • Funciones de transformación.- El método consiste en el cálculo de los coeficientes de un polinomio (normalmente de segundo grado), mediante el conocimiento de coordenadas del terreno (x, y) – Puntos de Control sobre el Terreno (GCP) - en un Sistema Geodésico y Proyección Cartográfica dada y de su homólogo (u, v) fila y columna. Las ecuaciones serían: u = a0 + a1x + a2y + a3xy + a4x2 + a5y2 (1) v = b0 + b1x + b2y + b3xy + b4x2 + b5y2 • Marcado de puntos de georeferenciación.- se localizan los puntos de apoyo (GCP) comunes en la imagen a corregir y en la fuente de referencia, siendo la referencia de mayor precisión (hitos, puntos GNSS, cartografía, imágenes georeferenciadas con mayor resolución espacial, etc.). Según Villa (2008), se deben tomar de 3 a 4 puntos por el número de coeficientes del polinomio considerado; para un polinomio de orden 2, se deberán entonces considerar de 18 a 24 puntos de control, los mismos que han distribuirse homogéneamente en toda la imagen. • Asignación de los niveles digitales radiométricos.- para la asignación de los nuevos valores de los niveles digitales se utilizan varios métodos como por ejemplo “vecino más cercano” (Nearest Neighbour), el cual disminuye la alteración de los niveles digitales cuando se efectúa una clasificación de imágenes. 2.1.2 Control Posicional.- conocido como verdad terrestre, en donde se comprueba el error de la corrección geométrica efectuada en la imagen. Para dicha comprobación, se puede aplicar el Test National Map Accuracy Standard (NMAS) (Ruano, 2008), en el cual se comparan 20 puntos entre una muestra homogénea de la imagen a analizar y otros perfectamente localizados sobre una fuente de mayor exactitud (Ej. GPS); máximo el 10% de los puntos de la muestra pueden tener un error horizontal que sobrepase el valor de la precisión GPS para la escala de trabajo. Finalmente, se aplica la t de student para obtener el nivel de confianza a partir de la siguiente ecuación:

  (2)

P á g i n a | 67

Donde: n = tamaño de la muestra.

= la desviación estándar.  = es el valor que representa el área bajo la curva de la t de student y que sirve para

el cálculo del nivel de confianza. = es el error permitido o tolerado en el proceso.

2.2 ETAPA DE CLASIFICACIÓN DE IMÁGENES SATELITALES. 2.2.1 Método Por Píxeles.- según Moreira (2005), en la clasificación píxel a píxel, el algoritmo clasificador procura asociar un determinado píxel de la imagen a una de las clases contenidas en el paquete de entrenamiento; se considera al píxel como una entidad aislada e independiente de los píxeles que componen el resto de la escena. En la clasificación no supervisada, se puede ejecutar el algoritmo Isodata que utiliza la distancia Euclidiana que busca la distancia de dos píxeles en un espacio espectral; y en la clasificación supervisada, se puede aplicar entre varios algoritmos, el de Máxima Probabilidad, que busca encontrar a que clase corresponde cada píxel en el cual tenga mayor probabilidad de pertenecer.

2.2.2 Método Orientado A Objetos.- los métodos de clasificación basados en objetos utilizan como criterio de decisión el nivel digital de cada píxel y su relación espacial con sus píxeles vecinos dentro de la imagen; estos clasificadores procuran simular el comportamiento de un foto intérprete y de esta manera reconocer áreas homogéneas en la imagen, Moreira (2005).

Como método de segmentación se emplea el Crecimiento de Regiones, que utiliza dos criterios para la generación de regiones: el primero es un parámetro de área, que indica el número de píxeles que se agruparan en una región, y para esto, se requiere calcular la Unidad Mínima Mapeable (UMM) mediante la aplicación de la siguiente ecuación:

        (3) 4     4         trabajo (Salichev, 1979).

Donde:

: Unidad mínima visible. Como segundo criterio, se analiza la Similitud, que es el límite mínimo debajo del cual dos áreas son consideradas similares y agrupadas en una única región.

Para la clasificación no supervisada, se puede emplear el algoritmo Isoseg que utiliza la distancia de Mahalanobis, la misma que busca agrupar un píxel a un grupo de datos; y para la clasificación supervisada, se puede utilizar entre varios algoritmos, el de Bhattacharya, que busca medir la separabilidad estadística entre un par de clases espectrales.

P á g i n a | 68

2.3 ETAPA DE LA VALIDACIÓN DE LA CLASIFICACIÓN DE IMÁGENES. 2.3.1 Tamaño De La Muestra Para Puntos De Validación De Mapas De Uso Del Suelo Y Cobertura Vegetal En Campo.- para realizar el cálculo del tamaño de la muestra mencionada, Chávez en el año 2010, propone la siguiente ecuación:

  ∑     ∑    

(4)

Donde: = Población o universo de predios en el Estrato (Área del Estrato).

Desviación Standard de los elementos de la población en el estrato h.  Varianza deseada de la superficie total de predios en el Universo o Población.

2.3.2 Matriz De Confusión.- según Chuvieco (2007), la matriz de confusión representa los conflictos que se presentan entre las diferentes categorías de uso y cobertura del suelo. Las columnas representan la información de referencia (verdad sobre el terreno) y las filas indican el resultado de una clasificación de uso y cobertura del suelo. A partir de esta matriz se puede obtener varios estadísticos, el principal es el índice Kappa que permite conocer la calidad de una clasificación obtenida. 2.3.3 El Índice Kappa- de acuerdo con Congalton y Green (1998), las clasificaciones de las imágenes generadas en sensores remotos son categorizadas en determinados intervalos de valores, conforme a los niveles de aceptación. El valor de definirá el grado de dependencia entre dos clasificaciones, una de referencia y otra a ser comparada en la matriz de confusión.

Así mismo, Landis y Kock (1977), caracterizaron ciertos valores   con relación al grado de concordancia. En la Tabla 2, se indican los intervalos de aceptación de los resultados del índice Kappa.

Tabla 2. Intervalos de aceptación del índice Kappa.

Finalmente, el índice capa se puede obtener aplicando la siguiente ecuación:

∑ ∑∑

(5)

VALOR DE KAPPA 0.00 0.00 –

0.20 0.20 – 0.40 0.40 – 0.60

0.60 – 0.80 0.80 – 1.00

CALIDAD Pésima Mala Razonable Buena Muy buena Excelente

P á g i n a | 69

Donde: = Número de coberturas de la matriz de confusión. = Número total de observaciones de la matriz.

= Número de observaciones en la línea y columna en la diagonal principal.   = Es la sumatoria de los valores de una categoría en una fila.   = Es la sumatoria de los valores de una categoría en una columna.

2.4 CARACTERÍSTICAS GENERALES DE LAS IMÁGENES ASTER E IKONOS.- en la tabla 3, se presentan en forma comparativa las características de los sensores mencionados:

Tabla 3. Comparación de las características de los sensores Aster e Ikonos.

ASTER IKONOS

Es un sensor para aplicaciones regionales (resolución 15 m a 90 m.)

Es un sensor para dar soluciones locales (resolución 1 y 4 m.)

14 bandas. 5 bandas. Incluye bandas termales. No incluye bandas termales.

No tiene banda pancromática. Tiene banda pancromática. Periodo de revisita de 16 días. Período de revisita de 1.5 días para

multiespectral y de 2.9 días para pancromático. Tamaño de escena de 60 x 60 km2. Tamaño de escena de 11 x 11 km2.

Capacidad de construir modelos digitales de elevación (MDE), con resolución espacial

de 15 m

Capacidad de construir MDE con resolución espacial de 1 m

Está a una altura de 705 km. Está a una altura de 680 km. Sirve para escalas de trabajo 1:50.000

(Pereyra, 2007) Sirve para escalas de trabajo 1:25.000 (López,

1987) Poseen el mismo tipo de órbita, sincrónica con el sol.

3. METODOLOGÍA. Partiendo del método comparativo, se realizó una contrastación de los métodos orientado a objetos con los de píxeles, tanto para las clasificación Supervisada cómo la No Supervisada en las imágenes de moderada y de alta resolución. Este procedimiento plantea tres etapas: una etapa previa de preparación y ajuste de la imagen a su verdadera posición en la Tierra, la clasificación en sí y finalmente, la fase de validación de las clasificaciones con el empleo de la matriz de confusión.

P á g i n a | 70

3.1 ETAPA PREVIA A LA CLASIFICACIÓN DE IMÁGENES SATELITALES. 3.1.1 Corrección Geométrica: en dicha corrección se aplicó la ecuación (1), en donde se calcularon inicialmente 6 puntos y siguiendo las recomendaciones de Villa (2004), para la imagen Ikonos se recolectaron 21 puntos, mientras que para la imagen Aster se materializaron 40 puntos. 3.1.2 Control Posicional.- Se procedió a aplicar el Test NMAS y se tomaron 21 puntos en la Imagen Ikonos y 21 también en la Aster. Finalmente, se aplica la t de student para obtener el nivel de confianza para ambas imágenes por medio de la ecuación (2).

3.2 CLASIFICACIÓN DE IMÁGENES DIGITALES. En la figura 2, se ilustran las metodologías a seguir para realizar las diferentes clasificaciones, así como también las etapas para la validación:

Figura 2. Metodologías para realizar las diferentes clasificaciones y su validación.

P á g i n a | 71

3.2.1 Fase De Análisis Visual.- Se verifica el estado de la imagen y se efectúa correcciones como el enmascaramiento de nubes y definición de la leyenda temática. 3.2.2 Fase De Entrenamiento.- Toma de puntos GPS en campo (puntos calibración), para la leyenda temática.

3.2.3 Fase De Asignación Y Clasificación.- Métodos de clasificación de imágenes supervisado y método no supervisado, por píxeles y por objetos.

En la Figura 3, se indica los métodos y algoritmos de clasificación utilizados:

Figura 3. Esquema de la metodología de clasificación de imágenes.  

Para la clasificación supervisada por píxeles como para la orientada por objetos, existen pasos previos similares como son la identificación de áreas representativas así como homogéneas y la recolección de muestras (áreas de entrenamiento de las diferentes coberturas). Los procesos metodológicos que los diferencian se describen a continuación:

3.2.3.1 Clasificación supervisada por píxeles.-

En el programa Erdas 9.1, se procedió a crear áreas de entrenamiento sobre las imágenes. Para la imagen Ikonos, se seleccionaron 19 clases de la leyenda temática y

P á g i n a | 72

para la imagen Aster, se consideraron 12 clases; aplicando finalmente el algoritmo de Máxima Probabilidad en cada imagen.

3.2.3.2 Método orientado a objetos.

En el programa Spring 5.2, se seleccionó el método de segmentación por Crecimiento de Regiones, el mismo que genera un archivo vector en donde se guardan los parámetros de área (ecuación 3) y similitud. En la imagen Ikonos se calcularon 625 píxeles con un valor de similitud de 5 y para la imagen Aster, se calculó un área de 117 píxeles con un parámetro de similitud igual a 1.

3.2.3.3 Clasificación supervisada por objetos.-

Se procedió a escoger el vector generado anteriormente con los parámetros de área y similitud, y se eligieron los polígonos como áreas de entrenamiento. Para indicar las clases correspondientes a la leyenda temática, en la imagen Ikonos se seleccionaron 16 clases, mientras que en la imagen Aster se escogieron 11. Luego de esto, se aplicó el algoritmo de Bhattacharya con un umbral de aceptación del 95% para ambas imágenes.

A continuación, se describen los procedimientos generales seguidos en las clasificaciones no supervisadas ejecutadas en las imágenes de moderada y alta resolución:

3.2.3.4 Clasificación no supervisada por píxeles.-

Se ingresaron 19 clases para la imagen Ikonos y 12 para la imagen Aster; en ambas imágenes se realizaron 10 iteraciones con un nivel de confianza del 95%, y con ello asegurar que este porcentaje de píxeles quede asignado a un solo agrupamiento.

3.2.3.5 Clasificación no supervisada por objetos.-

Se seleccionó el vector generado por el método de Crecimiento de Regiones, y se utilizó el algoritmo Isoseg, con un umbral de aceptación del 95% y 10 iteraciones para la imagen Ikonos y Aster.

3.3 Fase de validación.- aquí se procedió a la comprobación de la calidad temática de la clasificación de las imágenes, calculando el tamaño de la muestra, empleando la ecuación 4 para la toma de puntos GPS en campo, y luego, contrastando estos puntos mediante matrices de confusión, cuyos resultados se observan en el siguiente capítulo. 3.3.3 Matriz de confusión.- para la elaboración de la matriz de confusión se empleó la ecuación 5, y se tomó como referencia la realidad en el terreno y esta información se comparó con el producto resultante de la clasificación. Los resultados alcanzados se observan en el capítulo 4 del presente estudio.

P á g i n a | 73

4 RESULTADOS.  

4.1 RESULTADOS DE LOS MÉTODOS DE CLASIFICACIÓN PARA USO Y COBERTURA DEL SUELO DE LA IMAGEN IKONOS (ALTA RESOLUCIÓN).- En la Figura 4, se pueden observar los resultados de las clasificaciones a la imagen Ikonos. En el extremo izquierdo, se ilustran los resultados de los métodos supervisados por píxeles con el algoritmo de Máxima Probabilidad y orientado a objetos, el algoritmo Bhattacharya. En la imagen derecha, se aprecian los métodos no supervisados por píxeles con el algoritmo Isodata y también, por objetos con el algoritmo Isoseg.

Figura 4. Clasificaciones obtenidas de los 4 algoritmos sobre la imagen Ikonos.  

En la Tabla 4, se observan los resultados de la cuantificación por áreas expresado en hectáreas del uso del suelo en cada clase para las clasificaciones supervisadas en la imagen Ikonos, tanto por píxeles y orientada a objetos; así como también, la contabilización de la diferencia de superficies y la variabilidad porcentual.

P á g i n a | 74 Tabla 4. Resultados de las clasificaciones supervisadas basadas en píxeles y orientada a objetos de la imagen Ikonos.

LEYENDA NIVEL III

CLASES TEMÁTICAS

IKONOS PIXELES

SUPERVISADO MAXIMA

PROBABILIDAD

IKONOS POR OBJETOS

SUPERVISADO BHATTACHARYA

PROMEDIO DIFERENCIA VARIABILIDAD PORCENTUAL

CODIGO NOMBRE ÁREA (HA) ÁREA (HA) ÁREA (HA) ÁREA (HA) %21 BOSQUE NATIVO 2727,3 2725,6 2726,5 1,6 0,0%23 PISCICOLAS 3,1 0,0 1,6 3,1 0,1%24 MAIZ 195,2 64,3 129,8 130,9 2,2%25 MALANGA 109,6 632,5 371,0 -522,9 8,7%26 PALMITO 73,7 36,8 55,3 37,0 0,6%27 CAFE 561,8 43,6 302,7 518,3 8,6%28 CACAO 119,1 4,7 61,9 114,4 1,9%29 FRUTALES 253,4 50,1 151,8 203,3 3,4%30 PALMA AFRICANA 407,4 104,8 256,1 302,7 5,0%31 PASTOS CULTIVADOS 282,9 1217,6 750,3 -934,7 15,6%32 MOSAICO AGROPECUARIO 171,5 52,3 111,9 119,2 2,0%33 VEGETACION ARBUSTIVA 502,3 262,4 382,4 239,9 4,0%34 HERBAZALES INUNDABLES 137,4 0,0 68,7 137,4 2,3%35 CUERPOS DE AGUA (NATURAL) 13,8 16,8 15,3 -3,0 0,1%36 ZONAS POBLADAS 193,7 398,2 295,9 -204,5 3,4%37 SUELO DESNUDO 100,2 294,2 197,2 -194,0 3,2%38 MATERIAL METALICO 39,3 0,0 19,6 39,3 0,7%39 MATERIAL DE LASTRE 71,5 114,9 93,2 -43,4 0,7%40 MATERIAL DE ASFALTO 43,1 2,8 22,9 40,3 0,7%

TOTAL 6006,4 6021,6 6014,0

En la Tabla 5, se observan los resultados de la cuantificación por áreas expresado en hectáreas del uso del suelo en cada clase para las clasificaciones no supervisadas en la imagen Ikonos, tanto por píxeles y orientada a objetos.

Tabla 5. Áreas obtenidas de la clasificación No Supervisada por píxeles de la imagen Ikonos. LEYENDA NIVEL

IIICLASES TEMÁTICAS

IKONOS PIXELES NO

SUPERVISADO ISODATA

IKONOS POR OBJETOS NO

SUPERVISADO ISOSEG

PROMEDIO DIFERENCIA

CODIGO NOMBRE ÁREA (HA) ÁREA (HA) ÁREA (HA) ÁREA (HA)

21 BOSQUE NATIVO 3124,3072 2926,2 3025,2 198,1

23 PISCICOLAS 0,0 0,0 0,0 0,0

24 MAIZ 0,0 0,0 0,0 0,0

25 MALANGA 0,0 0,0 0,0 0,0

26 PALMITO 0,0 0,0 0,0 0,0

27 CAFE 0,0 0,0 0,0 0,0

28 CACAO 0,0 0,0 0,0 0,0

29 FRUTALES 0,0 0,0 0,0 0,0

30 PALMA AFRICANA 0,0 0,0 0,0 0,0

31 PASTOS CULTIVADOS 1027,6 1869,5 1448,5 -841,8

32 MOSAICO AGROPECUARIO 627,3 0,0 313,7 627,3

33 VEGETACION ARBUSTIVA 358,7 593,9 476,3 -235,2

34 HERBAZALES INUNDABLES 0,0 0,0 0,0 0,0

35 CUERPOS DE AGUA (NATURAL 115,8 22,5 69,1 93,3

36 ZONAS POBLADAS 234,1 609,6 421,8 -375,5

37 SUELO DESNUDO 371,3 0,0 185,6 371,3

38 MATERIAL METALICO 0,0 0,0 0,0 0,0

39 MATERIAL DE LASTRE 147,3 0,0 73,7 147,3

40 MATERIAL DE ASFALTO 0,0 0,0 0,0 0,0

TOTAL 6006,4 6021,6 6014,0

P á g i n a | 75

4.1 RESULTADOS DE LOS MÉTODOS DE CLASIFICACIÓN PARA USO Y COBERTURA DEL SUELO DE LA IMAGEN ASTER (RESOLUCIÓN MODERADA).- En la Figura 5, se pueden observar los resultados de las clasificaciones a la imagen Aster. En el extremo izquierdo, se ilustran los resultados de los métodos supervisados por píxeles con el algoritmo de Máxima Probabilidad y orientado a objetos, el algoritmo Bhattacharya. En la imagen derecha, se aprecian los métodos no supervisados por píxeles con el algoritmo Isodata y también, por objetos con el algoritmo Isoseg.

Figura 5. Clasificaciones obtenidas de los 4 algoritmos sobre la imagen Aster.  

En la Tabla 6, se observan los resultados de la cuantificación por áreas expresado en hectáreas del uso del suelo en cada clase para las clasificaciones supervisadas en la imagen Aster, tanto por píxeles y orientada a objetos; así como también, la contabilización de la diferencia de superficies y la variabilidad porcentual

P á g i n a | 76 Tabla 6. Resultados de la clasificación supervisada basada en píxeles y orientada a objetos de

la imagen Aster.

LEYENDA NIVEL II

CLASES TEMÁTICAS

ASTER, POR PÍXELES SUPERVISADO,

MAXIMA PROBABILIDAD

ASTER, POR OBJETOS SUPERVISADO,

BHATTACHARYAPROMEDIO DIFERENCIA VARIABILIDAD

PORCENTUALCODIGO NOMBRE ÁREA (HA) ÁREA (HA) ÁREA (HA) ÁREA (HA) %

7 BOSQUE NATIVO 2091,4 1713,2 1902,3 378,2 6,3%10 CULTIVOS ANUALES 283,9 566,5 425,2 -282,6 4,7%11 CULTIVOS PERMANENTES 1032,2 577,7 805,0 454,5 7,6%12 PASTO CULTIVADO 326,5 1215,0 770,7 -888,5 14,8%13 MOSAICO AGROPECUARIO 29,4 122,0 75,7 -92,6 1,5%14 VEGETACION ARBUSTIVA 895,7 537,6 716,6 358,1 6,0%16 CUERPOS DE AGUA 21,3 14,8 18,0 6,5 0,1%17 ZONAS POBLADAS 109,1 337,5 223,3 -228,4 3,8%18 SUELO DESNUDO 485,3 283,6 384,4 201,6 3,4%19 INFRAESTRUCTURA 366,3 273,0 319,7 93,3 1,6%20 SIN INFORMACIÓN 405,2 405,2 405,2 0,0 0,0%

TOTAL 6046,1 6046,1 6046,1

En la Tabla 7, se observan los resultados de la cuantificación por áreas expresado en hectáreas del uso del suelo en cada clase para las clasificaciones no supervisadas en la imagen Aster, tanto por píxeles y orientada a objetos.

T

abla 7. Áreas obtenidas de la clasificación No Supervisada por píxeles de la imagen Aster.

LEYENDA NIVEL III

CLASES TEMÁTICASASTER PIXELES NO

SUPERVISADO ISODATA

ASTER POR OBJETOS NO

SUPERVISADO ISOSEG

PROMEDIO DIFERENCIA VARIABILIDAD PORCENTUAL

CODIGO NOMBRE ÁREA (HA) ÁREA (HA) ÁREA (HA) ÁREA (HA) %7 BOSQUE NATIVO 2496,4 2953,1 2724,8 -456,6 7,6%10 CULTIVOS ANUALES 420,1 0,0 210,1 420,1 7,0%11 CULTIVOS PERMANENTES 0,0 130,9 65,5 -130,9 2,2%12 PASTO CULTIVADO 1517,7 19,8 768,7 1497,9 25,0%13 MOSAICO AGROPECUARIO 0,0 0,0 0,0 0,0 0,0%14 VEGETACION ARBUSTIVA 0,0 2498,5 1249,3 -2498,5 41,6%16 CUERPOS DE AGUA 0,0 0,0 0,0 0,0 0,0%17 ZONAS POBLADAS 279,4 0,0 139,7 279,4 4,7%18 SUELO DESNUDO 597,5 38,6 318,0 558,9 9,3%19 INFRAESTRUCTURA 329,7 0,0 164,9 329,7 5,5%20 SIN INFORMACIÓN 386,1 386,1 386,1 0,0 0,0%

TOTAL 6027,0 6027,0 6027,0

P á g i n a | 77

En la Tabla 8, se observan los resultados del cálculo para la obtención del número de puntos de toma en campo, tanto para la imagen Aster como para Ikonos.

Tabla 8. Resultados del cálculo del tamaño de la muestra para puntos de validación de mapas de uso del suelo y cobertura vegetal en campo.

NIVEL I NIVEL II NIVEL IIIÁREA (km^2)

DESVIACIÓN ESTANDAR

CÁLCULO MUESTREO

ESTRATIFICADO NIVEL II

No MUESTRAS NIVEL II (ASTER)

CÁLCULO MUESTREO ESTRATIFI

CADO NIVEL III

No MUESTRA

S NIVEL III

(IKONOS)

Bosque Bosque Nativo Bosque Nativo 27,26 1,0 11,760299 12 11,76030 12

Piscícolas Piscícolas 0,02 1,0 0,000007 1 0,00001 1

Maíz 1,30 0,08977 1Malanga 3,71 0,73406 1Palmito 0,55 0,01628 1

Café 3,03 0,23724 1Cacao 0,62 0,00992 1

Frutales 1,52 0,05964 1Palma Africana 2,56 0,16984 1

Pasto Cultivado Pasto Cultivado 7,50 1,00 1,295611 2 1,29561 2Mosaico

Agropecuario (Asociaciones)

Mosaico Agropecuario

(Asociaciones)1,12 1,00 0,033773 1 0,03377 1

Vegetación Arbustiva

Vegetación Arbustiva

3,82 1,00 0,367673 1 0,36767 1

Herbazales Inundables

Herbazales Inundables

0,69 1,00 0,012890 1 0,01289 1

Cuerpos de agua Natural Natural 0,15 1,00 0,000648 1 0,00065 1Zonas Pobladas Zonas Pobladas 2,96 1,00 0,225108 1 0,22511 1Suelo Desnudo Suelo Desnudo 1,97 1,00 0,102541 1 0,10254 1

Material Metálico 0,20 0,00018 1Material de Lastre 0,93 0,00416 1Material de Asfalto 0,23 0,00020 1

Sin información Sin Información Sin Información 0,00 0,00 0,000000 0 0,00000 0Area Total 60,14

Varianza total 35,94 N° de muestras 24 31

Áreas Agropecuarias

Zonas AntrópicasInfraestructura

Cultivos Anuales

Cultivos Permanentes

Vegetación Arbustiva y Herbácea

0,840115 1

1,08 0,476644

0,42 0,004587

1

1

1,65

 

 

 

 

 

 

P á g i n a | 78

4.2 RESULTADOS DE LA MATRIZ DE CONFUSIÓN.-

En la Tabla 9 y 10, se observan los resultados de las Matrices de Confusión, tanto para Ikonos como para Aster.

Tabla 9. Resultado comparativo de las Matrices de confusión para Ikonos. IMAGEN

IKONOS

Clases bien estimadas 23 25 30 23

Total de clases 54 54 54 54

Fiabilidad estimada (%) 42,59 46,30 55,56 42,59

Error de muestreo 6,73 6,79 6,76 6,73

Fiabilidad Global (intervalo de confianza) 29,40 55,78 33,00 59,60 42,30 68,81 29,40

Índice Kappa 0,36 0,39 0,49 0,33

Índice Kappa (Calidad) Razonable Razonable Buena Razonable

POR PÍXELES ORIENTADO A OBJETOSSUPERVISADO

(MÁXIMA PROBABILIDAD)

NO SUPERVISADO (ISODATA)

SUPERVISADA (BHATTACHARYA)

NO SUPERV(ISOSE

Tabla 10. Resultado comparativo de las Matrices de confusión para Aster.

IMAGEN

ASTER

Clases bien estimadas 26 16 18 9

Total de clases 49 49 49 49

Fiabilidad estimada (%) 53,06 32,65 36,73 18,37

Error de muestreo 7,13 6,70 6,89 5,53

Fiabilidad Global (intervalo de confianza) 39,09 67,03 19,52 45,78 23,24 50,23 7,53 29,21

Índice Kappa 0,47 0,22 0,29 -0,02

Índice Kappa (Calidad) Buena Razonable Razonable Pésima

Índice Kappa (Comparación entre

métodos)Primero Tercero Segundo Cuarto

SUPERVISADO (MÁXIMA

PROBABILIDAD)

NO SUPERVISADO (ISODATA)

SUPERVISADA (BHATTACHARYA)

NO SUPERVISADA (ISOSEG)

POR PÍXELES ORIENTADO A OBJETOS

 

P á g i n a | 79

5 CONCLUSIONES En la imagen Ikonos se obtuvo como mejor clasificador, el método orientado a objetos con el algoritmo de Bhattacharya, consiguiendo un valor de 0.49 en el índice Kappa, correspondiente a una clasificación buena. Los clasificadores de Isodata, Máxima Probabilidad e Isoseg, alcanzaron un índice Kappa razonable con valores de 0.39, 0.36 y 0.33 respectivamente. Para la imagen Aster, el mejor clasificador es procesado con el método de píxeles mediante el algoritmo de Máxima Probabilidad, obteniendo un valor de 0.47 en el índice Kappa, correspondiente a una clasificación buena. Los clasificadores de Bhattacharya e Isodata, alcanzaron un índice Kappa razonable con valores de 0.29 y 0.22, mientras que el algoritmo Isoseg consiguió un índice Kappa de -0.02, correspondiente a una clasificación pésima.

Finalmente, se concluye que para realizar una clasificación que responda al uso y cobertura del suelo, el mejor método de clasificación para imágenes de alta resolución es aquel que sigue el proceso orientado a objetos a través del algoritmo Bhattacharya; y para las imágenes de moderada resolución, el método supervisado por píxeles del algoritmo Máxima Probabilidad.

AGRADECIMIENTOS

Los autores del proyecto, agradecen a la Escuela Politécnica del Ejército, al Departamento de Ciencias de la Tierra y la Construcción, a la Facultad de Ingeniería Geográfica y del Medio Ambiente, por permitir realizar esta investigación; a Seearth Consulting Group, por el apoyo institucional y al Ministerio del Ambiente del Ecuador, por facilitarnos las imágenes satelitales.

REFERENCIAS

Villa, 2004, III Curso de Procesamiento Digital de Imágenes de Satélite, “Aplicaciones cartográficas de la Teledetección”, Antigua, Guatemala.

Atkinson A.D.J, 2001, Los diferentes test para el control de calidad posicional en cartografía, XII Congreso de Ingeniería Gráfica, Badajoz, España.

Chavez, 2010, Manual de diseño muestral geográfico, Curso de introducción a la Geoestadística, Quito, Ecuador.

Chuvieco E, Teledetección Ambiental, 2007, tomo 1, 3ra edición, Editorial Ariel, S.A, Barcelona, España.

Congalton R.G; Green K, 1988, Assessing the accuracy of remotely sensed data: principles and practices, Lewis Publishers, 137 p, New York.

Federal Geographic Data Committee, 1998, Geospatial Positioning Accuracy Standards, National Standard for Spatial Data Accuracy, Part 3, 28, Reston Virginia, EE.UU.

P á g i n a | 80 Kirby E, 2007, Metodología para el cálculo de las anomalías de Bouguer Completa, Tesis de

grado, p 74, Quito, Ecuador. Landis J y Kock G.G, 1977, The measurements of observer agreement for categorial data.

Biometrics. Moreira M.A, 2005, Fundamento do sensoriamento remoto e metodologías de aplicação. 2.ed.,

307p, Viçosa, Minas Gerais, Brasil. Ruano E, 2008, Control de la Exactitud Posicional en Cartografía, primer borrador, Instituto

Geográfico Militar, Quito, Ecuador. Salichev K, 1979, Cartografía, Editorial Pueblo y Educación, 215 p, La Habana, Cuba.

INSTRUCCIONES GENERALES PARA LOS AUTORES Todo artículo sometido debe ser original y se enviará al Comité Editorial, quién decidirá la aceptación o no para la publicación en base a la revisión de pares conformados por especialistas del área Idioma: Los artículos pueden ser escritos en español, inglés, o portugués Extensión: La extensión de los artículos puede ser de hasta 15 páginas. Deberán ser escritos en papel tamaño Ejecutivo (18.41x26.67 cm), en procesador de palabras, a simple espacio, con el tipo de letra TIMES NEW ROMAN, dejando los siguientes márgenes:

- Arriba 2.5 cm - Izquierdo 2cm - Abajo 2.5 cm -Derecho 1.5 cm Carátula: La carátula deberá incluir el título del artículo (14 ptos en mayúsculas, negrito y justificado); nombre(s) completo(s) del(os) autor(es) (10 ptos, mayúsculas, negrito y justificado), el nombre de la Institución (mayúsculas, sin negrito, justificado), dirección de la institución, correo electrónico. Las páginas no deben estar numeradas. Resumen: Cada artículo debe ser precedido por un resumen corto (no debe exceder de 500 palabras), el cual debe permitir al lector tener una idea de la importancia y el campo que abarca el artículo. El resumen deberá presentarse en español. La palabra RESUMEN debe ser de 10 ptos, centrado, mayúsculas y con negrito. El cuerpo del resumen es de 10 ptos sin negrito y justificado. En caso que el artículo sea en Inglés no es necesario colocar el resumen, o el resumo. Abstract: Igual que resumen o resumo pero en Inglés Palabras clave (palavras chave, Key words): un máximo de 10 palabras Páginas del texto: El texto se escribirá con TIMES NEW ROMAN 12 ptos. Los títulos de capítulos de primer orden, serán escritos con mayúsculas, negrito y justificado. Los de segundo orden con mayúsculas, sin negrito y justificado. Los de tercer orden, sin negrito, justificado y las primeras letras con mayúsculas. Después de cada título dejar un espacio. Ecuaciones: Se debe dar especial atención a la ubicación de índices y subíndices con el propósito de evitar errores. Las ecuaciones deben ser numeradas secuencialmente en paréntesis en el lado derecho de la página. Se debe dar especial atención a las ecuaciones a fin de que los símbolos sean claramente identificados. Tablas. El título debe ser colocado en la parte superior y la primera letra con mayúscula (11 ptos), debe estar numerada secuencialmente. Figuras, gráficos, imágenes . Sólo podrán incluirse ilustraciones originales (fotografías de alto contraste, gráficas, mapas, dibujos, figuras, etc.) listos para impresión. El título debe ser colocado en la parte inferior y la primera letra con mayúscula (11 ptos), debe estar numerada secuencialmente. Agradecimientos: En caso de existir colocarlos a 11 ptos con negritas y mayúsculas Referencias: Las referencias deben ser citadas de la siguiente forma con 11 ptos con negrillas y mayúsculas:

• Para un libro, debe ir el nombre del autor(es), año de publicación, seguido del título con mayúsculas las primeras letras , editora, edición, lugar

• Para una revista, debe ir el nombre del autor (es), año de publicación, seguido del nombre del artículo, nombre de la revista con mayúsculas la primera letra, volumen, número, páginas del artículo separado por guión, lugar.

Sólo podrán incluirse ilustraciones originales (fotografías de alto contraste, gráficas, mapas, dibujos, figuras, etc.) listos para impresión. Debe adjuntarse una lista completa de ilustraciones. Cada ilustración será numerada y acompañada de una leyenda de identificación e indicación de su ubicación exacta dentro del texto; adicionalmente deberá ser suavemente etiquetada en la parte posterior a fin de identificar claramente la parte superior e inferior y el número que le corresponde. Las figuras, fotos, imágenes, y otros, cuyos archivos deberán ser generadas con una resolución mínima de 600 pixeles en formato .tiff, recomendamos comprimirlas para su envío (formato .zip). Textos electrónicos: Los autores deberán enviar sus contribuciones por correo electrónico en procesador compatible con PC (Office) a: artierra@espe.edu.ec