Descargar archivo

Сomentários

Transcrição

Descargar archivo
VOL. 30, Nº 1
JUNIO 2010
ISSN 0717-2915
SOCIEDAD LATINOAMERICANA DE PERCEPCIÓN REMOTA Y SISTEMAS DE INFORMACIÓN ESPACIAL
SOCIEDADE LATINO-AMERICANA EM SENSORIAMENTO REMOTO E SISTEMAS DE INFORMACAO ESPACIAI
LATINAMERICAN SOCIETY FOR REMOTE SENSING AND SPACE INFORMATION SYSTEMS
Guanajuato - México
Imágen de satélite QuickBird de DigitalGlobe
SOCIEDAD LATINOAMERICANA DE PERCEPCION REMOTA Y SISTEMAS DE
INFORMACION ESPACIAL SOCIEDADE LATINO-AMERICANA EM SENSORIAMENTO
REMOTO E SISTEMAS DE INFORMACAO ESPACIAI LATINAMERICAN SOCIETY ON
REMOTE SENSING AND SPACE INFORMATION SYSTEM
SELPER
JUNIO 2010
VOL. 30 Nº 1
FOTO PORTADA
Guanajuato- México
Imagen de satélite QuickBird de DigitalGlobe,
producto Pansharpened resolución espacial
0.60 metros, en composición Color Natural
(3,2,1) de la Ciudad de Guanajuato tomada el
01 de Marzo de 2006. Sin duda uno de los
circuitos turísticos más interesantes y ricos
de México que guarda una de las más
importantes páginas de la historia nacional,
en un marco arquitectónico de incomparable
belleza. Guanajuato, "Ciudad Patrimonio de
la Humanidad" y las Zonas de Monumentos
Históricos de San Miguel de Allende y
Dolores Hidalgo, C.I.N., consideradas
también "Pueblos Mágicos" poseen
testimonios urbanos y arquitectónicos de una
calidad excepcional que hace obligada y
siempre memorable esta visita. Guanajuato
es sede del próximo Simposio SELPER.
EJEMPLAR DE DISTRIBUCION GRATUITA.
PROHIBIDA SU VENTA
ISSN 0717-2915
02
DIRECCIONES DE CONTACTO
VOL. 30 Nº 1
JUNIO 2010
REVISTA
SELPER
DIRECTORIO SELPER, SEDE CUBA 2008 - 2010
UCT GEOCUBA IC
Calle 4 No. 304, e/ 3ra y 3ra A
Miramar, Playa, La Habana, Cuba CP 11 300
E-mail [email protected]
PRESIDENTE
Eloy Pérez
Cuba
VICE-PRESIDENTE
Silvia Lucero Casas
Mexico
VICE-PRESIDENTE
Myriam Ardila Torres
Colombia
VICE-PRESIDENTE
Pedro Luis García
Cuba
SECRETARIO GENERAL
RESPONSABLE DE DIVULGACIÓN ELECTRÓNICA
Walter F. Sione
Argentina
TESORERO
Gastón Hernández
Cuba
María Antonia García Cisneros
Cuba
COMITÉ DE RELACIONES INTERNACIONALES
COMITÉ EDITORIAL
COMITÉ DE EDUCACIÓN
Paulo Roberto Martini (Brasil)
Presidente
Aurelie Sand – Francia
Maurizio Fea – Italia
Alfredo Cuello – Argentina
Victor Barrena - Perú
Ramiro Salcedo – Venezuela
Myriam Ardila Torres / Colombia
María Elena Pezoa - Chile
Olga Piedad Rudas - Colombia
Anyul del Pilar Mora - Colombia
Luis Geraldo Ferreira - Brasil
Pedro Martínez Fernández - Cuba
María Cristina Serafini (Argentina)
Presidente
Miriam Esther Antes – Argentina
Leila María Fonseca – Brasil
Francisca Celia González – Argentina
Fabián Lozano – México
Jorge Luis Martin – Cuba
Freddy Flores. – Venezuela
Tania María Sausen (Brasil)
Presidente
Joao Avila - Brasil
Maria Antonia García Cisnero - Cuba
Andres Cárdenas - Colombia
Ethel Rubín de Celís Llanos - Perú
CAPÍTULOS CONSTITUIDOS
ARGENTINA
Francisca Celia González
Universidad Nacional del Sur
Departamento de Geología
San Juan 670 (8000)
Bahía Blanca, Argentina
Tel: 54 - 291 - 459 5102 - int. 4360
Fax: 54 - 291 - 459 5127
E-mail: [email protected]
BOLIVIA
Rodolfo Ayala
Carrera de Topografía y Geodesia
Facultad Técnica
Universidad Mayor de San Andrés
Av. Arce 2299 1º Piso
La Paz, Bolivia
Tel.: 591-2-2441401
BRASIL
Leila María García Fonseca
INPE
Av. Dos Astronautas 1758, Sao José dos Campos
San Pablo, Brasil
Tel: 55 - 12-39456000
E-mail: [email protected]
GUATEMALA
Carlos Alberto Duarte
Ingeniería Virtual
Ruta 4, 6-49 Zona 4, Oficina 14
Ciudad de Guatemala (01004), Guatemala
Tel: 502 - 334-1039/4038
Fax: 502 - 331-9390
E-mail: [email protected]
GUYANA FRANCESA
Laurent PolidoriI
Directeur de Recherche IRD / US ESPACE 140
Institut de Recherche pour le Développement
(ex-ORSTOM)
Route de Montabo - BP 165 - 97323 Cayenne
cedex
Tel. (+594) 594 29 92 81
Fax (+594) 594 31 98 55
E-mail:[email protected]
MÉXICO
Silvia Lucero Casas
UAM Agronomía y Ciencias
Universidad Autónoma de Tamaulipas
Centro Universitario Victoria
Cd. Victoria Tamaulipas, México
E-mail: [email protected]
CHILE
Gina Ghio
AYS Ltda
Calle Teatinos 258 of 811
Santiago, Chile.
Tel: 562 - 6903768
Fax: 562 - 6903790
E-mail: [email protected]
URUGUAY
Antonio Alarcón
Servicio de Sensores Remotos Aeroespaciales
Fuerza Aérea Uruguaya
Ruta 101 s/n Km. 19500
Carrasco, Canelones, Uruguay
Tel.: 598 -2 601 4083
Fax: 598 -2 601 4090
E-mail: [email protected]
COLOMBIA
Myriam Ardila
PROSIS S.A.
Calle 94 A n° 11 A-70
Santa Fe de Bogota, Colombia
Tel: 57-1-6357272
Fax: 57-1-6357190
E-mail: [email protected]
VENEZUELA
Ramiro Salcedo
Centro de Procesamiento Digital del Instituto de
Ingenieria en Caracas
Apdo. Postal 40200 / Caracas, Venezuela
Tel/fax: 58 - 212 - 903 -4682
E-mail: [email protected]
CUBA
Eloy Pérez García
UCT GEOCUBA IC
Calle 4 No. 304, e/ 3ra y 3ra A
Miramar, Playa, La Habana, Cuba CP 11 300
[email protected]
PERÚ
Victor Barrena Arroyo
Universidad Nacional Agraria La Molina
Av. La Universidad s/n
La Molina, Lima, Perú
Tel / Fax: 51-1-349-5647 anexo 232/349-2041
E-mail: [email protected]
ECUADOR
José R. Aguiar V.
CLIRSEN
Edif. Instituto Geográfico Militar, Piso 4
Seniergues s/n y Paz y Miño
Apartado Postal 17-08-8216
Quito, Ecuador
Tel.: 593- 2- 254-3193
Fax: 593- 2- 255-5454
E-mail: [email protected]
CAPÍTULOS EN FORMACIÓN
PARAGUAY
Sergio M. Burgos Sosa
IPPA
Dr. César Sánchez 431
San Lorenzo, Paraguay
Tel/Fax: 595- 21-574909
Email: [email protected]
CAPÍTULOS ESPECIALES
ALEMANIA
Klaus Reiniger
DLR
D-8031 Oberpfaffenohfen
Alemania
Tel: 49- 8153- 281.189
Fax: 49- 8153- 281.443
CANADÁ
Fritz P. Dubois
25 Nidland
Crs Nepean Ontario Kh2-8n2
Ontario, Canadá
Tel: 613- 596-4164
Fax: 613- 723-9626
ESPAÑA
José L. Labrandero
Consejo Superior de Investigaciones Científicas (CSIC)
Pinar 25- Madrid 28006, España
Tel: 34- 411.10.98
Fax: 34- 562.55.67
FRANCIA
Aurelie Sand
CNES
31401- Toulouse Cedex 9
France
Tel: 33-1- 447.67500
Fax: 33-1-447.67849
E-mail: [email protected]
HOLANDA
Carlos Valenzuela
ITC
350 Boulevard 1945, P.O.X. 6. 7500 AA
Enschede, Holanda
Tel.: 31 53 874-444
Fax: 31 53 874-400
ITALIA
Maurizio Fea
ESA/ESRIN
Via Galileo Galilei, 00044
Frascati, Italia
Casilla Postal 64
Tel: 39 - 694180940
Fax: 39 - 694180942
E-mail: [email protected]
USA
Patricia M. Ravelo
SPOT
Estados Unidos
Tel: 1-800-ask-spot ext. 137
Fax: 703-648.1813
E-mail: [email protected]
REVISTA
SELPER
INDICE TEMÁTICO Y COMITÉ EDITORIAL
COMITÉ EDITORIAL
María Cristina Serafini (Argentina)
PRODITEL
Universidad Nacional de Luján
Cruce rutas 5 y ex 7
(6700) Luján, Buenos Aires, Argentina
Tel: 54-2323-423171 int 248
Fax: 54-2323-425795
E-mail: [email protected]
Miriam Esther Antes (Argentina)
PRODITEL
Universidad Nacional de Luján
Cruce rutas 5 y ex 7
Luján, Buenos Aires, Argentina
Tel: 54-2323-423171 int 248
Fax: 54-2323-425795
E-mail: [email protected]
Leila María Fonseca (Brasil)
INPE
Av. Dos Astronautas 1758, Sao José dos
Campos, Sao Paulo, Brasil
Tel: 55 - 12-39456000
E-mail: [email protected]
Fabián Lozano (Mexico)
Instituto Tecnológico y de Estudios
Superiores de Monterrey
Av. Euganio Garza Sada # 2501 sur,
Col. Tecnológico, Monterrey, Nuevo
León, México
Tel: 52 - 81 - 8358 - 1400 ext 5275
Fax: 52 - 81 - 8358 - 6280
E-mail: [email protected]
JJorge Martín Chiroles (Cuba)
E-mail: [email protected]
Jorge Luis Martín (Cuba)
E-mail: [email protected]
VOL. 30 Nº 1
JUNIO 2010
03
ÍNDICE TEMÁTICO
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030
EN LA COBERTURA DE SUELO EN LA REGIÓN DE
BURGOS MEDIANTE CADENAS DE HARKOV
Martha Patricia Vela Coiffier
Diego Fabián Lozano García ...................................................................5
ANÁLISIS DE FACTORES EXPLICATIVOS DEL
CRECIMIENTO URBANO EN LA COMUNIDAD DE
MADRID A TRAVES DE METODOS ESTADISTICOS
(RLO Y MLA) Y SIG
Wenseslao Plata Rocha
Montserrat Gómez Delgado
Joaquín Bosque Sendra........................................................................ 15
DESARROLLO DE MAPAS PREDICTIVOS DE
DENSIDAD FOCAL DE AEDES AEGYPTI EN LA
CIUDAD DE PUERTO IGUAZÚ (ARGENTINA),
BASADOS EN INFORMACIÓN AMBIENTAL DERIVADA
DE IMÁGENES SPOT 5 HRG1
Camilo H. Rotela
Manuel O. Espinosa MS
Francisca Celia González (Argentina)
Universidad Nacional del Sur
Departamento de Geología
San Juan 670 (8000)
Bahía Blanca, Argentina
Tel: 54 - 291 - 459 5102 - int. 4360
Fax: 54 - 291 - 459 5127
E-mail: [email protected]
Freddy Flores (Venezuela)
Fundación Instituto de Ingeniería
Carretera Vieja de Baruta, Sector
Sartenejas, Urb. Monte Elena II
Caracas, Venezuela
Tel: 58 2-903 4661-4610
Fax: 58 2- 903 4780
E-mail: [email protected]
Carlos Albornoz
Murielle Lafaye CN
Jean Pierre Lacaux M
Yves M. Tourre M
Cécile Vignolles M, C.
Marcelo Scavuzzo................................................................................. 24
MONITORAMENTO DO MODO DE COLHEITA DA
CANA-DE-AÇÚCAR NO ESTADO DE SAO PAULO BRASIL POR MEIO DE IMAGENS DE SENSORES
ORBITAIS EM DOIS ANOS-SAFRA
Daniel Alves de Aguiar
COMITÉ DE EVALUADORES
Bernardo Friedrich Theodor Rudorff
Wagner Fernando da Silva.................................................................... 34
Walter Sione
(UNLu - Argentina)
Héctor del Valle
CENPAT - Argentina)
Mirta Aída Raed
(CSR, UNLu - Argentina)
Francisca González
(UNS - Argentina)
Editado por: SELPER Internacional
Universidad Nacional de Luján
Rutas 5 y ex 7, (6700) Luján - Bs. As. - ARGENTINA
EJEMPLAR DE DISTRIBUCIÓN GRATUITA
PROHIBIDA SU VENTA
04
VOL. 30 Nº 1
JUNIO 2010
PRESENTACIÓN DEL PRESIDENTE DE SELPER
REVISTA
SELPER
PLAN EDITORIAL SELPER 2008 - 2010
PLAN EDITORIAL SELPER
A partir de las decisiones adoptadas en el marco del XIII Simposio Latinoamericano de Percepción Remota y Sistemas de Información Espacial, llevado a cabo en La Habana, Cuba, en setiembre de 2008, la edición de la Revista SELPER está disponible en
la página de nuestra Sociedad: http://www.selper.org.
En esta oportunidad hacemos llegar la publicación del volumen
30 Número 1, donde se incluyen trabajos que han sido enviados
por especialistas en el área de Teledetección y SIG que desarrollan sus actividades en diferentes instituciones de América Latina
y nos brindan la oportunidad de conocer los alcances de estas
herramientas aplicadas al estudio del espacio geográfico y los
recursos naturales.
Estos trabajos han sido remitidos a expertos evaluadores para
su revisión y aprobación. En este sentido es necesario destacar
el invalorable apoyo brindado por el grupo de evaluadores, a quienes agradecemos muy especialmente por su labor.
NORMAS PARA LOS AUTORES
Los artículos recibidos serán enviados a tres (3)
expertos en la temática para su revisión. Los
trabajos aprobados serán publicados en estricto
orden, de acuerdo a las fechas de llegada de las
contribuciones.
Los idiomas oficiales SELPER son: Español,
Portugués e Inglés.
Los trabajos deberán estructurarse
contemplando las siguientes secciones:
a) Título del trabajo. Nombre de los autores y
direcciones completas
b) Resumen (no más de 150 palabras)
indicando al final las palabras claves. Deberá
incluirse en Español o Portugués, además de
Inglés
c) Introducción
d) Objetivos
e) Metodología empleada y materiales
f) Resultados obtenidos
g) Conclusiones
h) Bibliografía: sólo se incluirá la citada en el
texto. Se indicarán los autores, por orden
alfabético, año, título, revista o medio donde fue
publicado, incluyendo volumen y páginas, cuando
corresponda.
Los títulos y subtítulos de cada sección deberán
e s ta r c l a r a m e n t e i n d i c a d o s ( y a s e a c o n
numeración o tamaño de letras). Las tablas, fotos
y figuras deberán ser suficientemente nítidas,
llevar un título y estar numeradas en forma
consecutiva.
Se deberá enviar una copia del trabajo en
formato Word y una copia papel. La extensión
total del trabajo no deberá superar las 12 páginas,
(DIN-A4).
Los trabajos se enviarán a: [email protected]
05
REVISTA
VOL. 30 Nº 1
JUNIO 2010
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
SELPER
Proyección Tendencial de cambio 2010 y 2030 en la cobertura de suelo
en la región de Burgos mediante Cadenas de Markov
Martha Patricia Vela Coiffier 1 y Diego Fabián Lozano García 2
1
Instituto Tecnológico y de Estudios Superiores de Monterrey Ave. Eugenio Garza Sada 2501
Sur, Monterrey N. L. CP 64849 e-mail: [email protected] Tel. (81) 83 58 2000 ext. 5288
2
Laboratorio de Sistemas de información Georreferenciada del Instituto Tecnológico y de
Estudios Superiores de Monterrey Ave. Eugenio Garza Sada 2501 Sur, Monterrey N. L. CP 64849 e-mail:
[email protected] Tel. (81) 83 58 2000 ext. 5288
RESUMEN
Uno de los atributos ecológicos de mayor importancia
en los procesos de ordenamiento es la cobertura de
suelo, dado que su diagnóstico y pronóstico
tendencial nos permite delimitar áreas que deben ser
preservadas o protegidas y establecer políticas y
lineamientos ecológicos adecuados para las áreas
sometidas a procesos de degradación debido a las
actividades humanas. Como parte de la elaboración
de escenarios en el Ordenamiento Ecológico
Territorial de la Región de Burgos, se realizó un
análisis de la tendencia de cambio de cobertura de
suelo al 2010 y 2030 a partir de las capas temáticas
de vegetación de 1976 y 2000.
La proyección de cambio se realizó mediante
cadenas markovianas (IDRISI v15.0). La
determinación espacial final de cambio se llevó a
cabo mediante el modulo CA-Markov que utiliza un
proceso combinado de Evaluación Multi-criterio,
Evaluación Multi-objetivo y un proceso de
automatización celular que permite la determinación
espacial de cambio.
Las coberturas resultantes para 2010 y 2030 indican
una fuerte tendencia de degradación de la clases de
vegetación natural hacia usos antrópicos (Agricultura,
Pastizales y Asentamientos humanos)
principalmente en los estados de Nuevo León y
Tamaulipas. La clase de cobertura de suelo que
mayor tendencia al aumento tanto para el período
2000-2010 como para el 2000-2030 es la de Pastizal
que aumentó en la prospectiva al 2030 casi un 10%
con respecto al área que ocupaba en 1976, seguida
por la Agricultura con una tendencia de aumento de
5.26% y por los asentamientos humanos con 1.25%.
Dada la tendencia de ocupación de estos usos
antrópicos, las clases de vegetación mas afectadas
son los matorrales.
Palabras clave: vegetación, predicción de cambio,
escenarios, ordenamiento ecológico.
ABSTRACT
One of the most important attributes used in the
processes of Ecological Planning is land cover, since
its diagnosis and tendencies, allows us to delimit
areas that must be preserved or protected and to
establish adequate political and ecological limitations
to the areas subjected to degradation processes due
to the human activities. In this paper, we predicted
land cover changes for the years 2010 and 2030
based upon existing data from the classifications of
1976 and 2000.
The change projected between the dates was
analyzed by means of Markov Chains (IDRISI v15.0).
The final spatial determination of change was carried
out using the CA-Markov module, which uses a
combined process of Multi-criterion and Multi-objetive
Evaluation, and a process of cellular automata that
allows the spatial determination of change.
The resulting coverage for 2010 and 2030 indicate a
strong tendency of degradation for the natural
vegetation classes, geared towards human use
(agriculture, cultivated grasslands and urban) mainly
in the States of Nuevo León and Tamaulipas. The
class of land cover that had a biggest tendency to the
increase during 2000-2010 and for 2000-2030
periods was the cultivated grassland, this class
increased in the 2030 projection by almost 10 % in
relation to the area that occupy in 1976, continued by
the agriculture class with a tendency of increase of
5.26 %, and urban settlements increased by 1.25 %.
Considering the tendency of change classes, the
most affected class of vegetation are brushes.
Key word: vegetation, change prediction, Ecological
Ordering
INTRODUCCIÓN
La Cuenca Gasera de Burgos constituye la reserva de
gas no asociado al petróleo más importante del país,
con una superficie de 50 mil kilómetros cuadrados.
Esta región se ubica en la frontera norte del país,
incluye 98 municipios de los estados de Tamaulipas,
Nuevo León y Coahuila; cuenta con aproximadamente siete millones de habitantes y una extensión
de casi 210 mil kilómetros cuadrados.
La Región es poseedora de enormes recursos
06
VOL. 30 Nº 1
JUNIO 2010
REVISTA
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
naturales, como es el caso de las reservas de gas
natural, una rica y variada vida silvestre y recursos
pesqueros. Dentro de la región se ubica la laguna
Madre, considerada como una zona de gran valor, por
ser hábitat natural y de reproducción de varias
especies de aves residentes y migratorias, así como
de algunas especies marinas. De igual importancia se
pueden mencionar las poblaciones de fauna
cinegética localizadas dentro del Matorral Espinoso
Tamaulipeco. Sin embargo, en los últimos años ha
hecho evidente el incremento de las actividades
humanas en la región, incluyendo el aumento de las
manchas urbanas, la industria maquiladora y la
actividad extractiva que en general causan el
detrimento de los recursos bióticos y abióticos del
área.
Ante esta situación, se suscribió un convenio de
colaboración que establec ió las bases para la
instrumentación del proceso tendiente a la
formulación del programa de Ordenamiento
Ecológico de la Región Cuenca de Burgos celebrado
entre las Secretarías de Medio Ambiente y Recursos
Naturales, las Delegaciones Federales de la
SEMARNAT de los Estados involucrados, la
Secretaría de Desarrollo Social, Petróleos Mexicanos
y los Estados de Nuevo León, Coahuila y Tamaulipas.
El Ordenamiento Ecológico del Territorio es un
proceso de planeación que funciona como un
instrumento de política ambiental y su elaboración
incluye el desarrollo de fases que incluyen la
caracterización, el diagnostico, la prospectiva y la
formulación de la propuesta de ordenamiento. El
presente trabajo se desarrolló dentro de la fase de
prospectiva.
La aridez característica de la región, así como sus
condiciones ecogeográficas, permiten registrar 35
tipos de vegetación y uso de suelo, de los cuales tres
tipos de matorral representan el 75.3% de la
superficie total de la misma: matorral desértico
mircofilo, desértico rosetófilo y espinoso tamaulipeco.
Por otro lado, se encuentran veinte tipos de
vegetación que ocupan menos del 5% de la superficie
cada uno de ellos. El 23.5% del área de estudio
cuenta con algún uso de suelo, integrados por
cultivos agrícolas, pastizales, plantaciones forestales,
asentamientos humanos y cuerpos de agua La
comprensión de los efectos del cambio del uso del
suelo en una región, es un aspecto clave para
entender las presiones que los seres humanos
imponemos sobre los ecosistemas y sus recursos
asociados. Un aspecto clave que recientemente ha
surgido es la posibilidad de predecir las tendencias en
el cambio de la cobertura y el uso de suelo, para poder
entender la dinámica y tendencias y de esta manera
SELPER
poder tomar las decisiones adecuadas para prevenir
y en su caso revertir los efectos negativos de dichos
cambios.
Las predicciones basadas en modelos descansan en
ciertos supuestos acerca de la naturaleza y
funcionalidad de las fuerzas que determinan estos
cambios en el futuro (Aspinall & Justice, 2003). Ante
esta situación, aquellos interesados en predecir las
tendencias de cambio, pueden asumir: a) Que dichas
relaciones y fuerzas son iguales a las que han
ocurrido en el pasado (Aspinall & Justice, 2003), o b)
bien dichas condiciones cambiaran en el futuro
debido al agotamiento de recursos; fluctuaciones
medioambientales o cambios en los paradigmas de
apropiación de los recursos naturales (WOTRO,
2005).
Debido a su importancia económica o relevancia
ecológica, los modelos de predicción en el cambio del
uso del suelo se han desarrollados en lo relacionado
al crecimiento de las ciudades y la predicción de los
cambios en los bosques tropicales (Batty et al. 1997;
Briassoulis, H. 2000).
Más recientemente, varios investigadores han
empleado modelos de Markov para predecir los
cambios en la cobertura del suelo en distintas
regiones (Muller & Middleton, 1994, Huang, Qiuhao;Cai, Yun-long, 2007; Gómez-Mendoza, et al.
2006). La metodología asume que el uso de los
suelos actual y que las tendencias de cambio del
pasado son los mejores predictores de su
comportamiento futuro, ajustándose a las
características estocásticas del proceso mismo.
METODOLOGÍA
Para llevar a cabo este análisis fue necesario
homogenizar el número de clases en las coberturas
de 1976 y del 2000 que fueron la base para el análisis
(figura 1). Para esta homogenización fue necesario
primero revisar ambas capas de información para
evitar polígonos de origen sin clase, e integrar
algunas de las 35 clases originales que no se
presentaban en ambas capas de información a
alguna otra clase informacional. Los criterios
seguidos para este proceso fueron en primer lugar, la
revis ión de los criterios y clases utilizadas en los
modelos de aptitud sectorial, de tal forma que el
resultado final de la modelación pudiera ser aplicado
a los modelos sin alterar la ponderación original de las
clases vegetales, y la categorización de tipos de
vegetación utilizada por SEMARNAT, 2003.
07
VOL. 30 Nº 1
JUNIO 2010
REVISTA
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
SELPER
Tabla1. Reclasificación de los tipos de vegetación para el análisis de cambio 2010 y 2030.
Al finalizar esta homogenización, se integraron en
total 24 clases de vegetación (tabla 1).
La tendencia de cambio en la cobertura de suelo,
entendiéndose por esta la cobertura vegetal natural
representada por los diferentes tipos de vegetación y
algunas categorías de uso de suelo como la
agricultura y los asentamientos humanos, se llevó a
cabo mediante un análisis de cadenas de Markov. El
análisis de Markov, permite encontrar la probabilidad
de que un sistema se encuentre en un estado en
particular en un momento dado.
El análisis completo para la predicción de cambio en
la cobertura de suelo entre las coberturas de 1976 y el
2000, implicó en primer lugar el calculo de
probabilidad de cambio mediante las cadenas de
Markov, en segundo la determinación de la “aptitud”
de cada píxel para cada una de las clases que
intervienen en el análisis y por ultimo el calculo de la
predicción per se del cambio mediante un algoritmo
combinado de Cadenas markovianas y el algoritmo
(Cellular Automata) que permite la identificación
espacial de las áreas de cambio.
Aplicado a coberturas de vegetación el modulo de
Markov, analiza un par de imágenes de cobertura de
suelo de las cuales se obtienen 3 tipos de estadísticas,
en primer lugar calcula una matriz de probabilidad de
transición, que nos indica la probabilidad de cambio
que tiene cada categoría o clase de vegetación con
respecto a las otras clases, en segundo lugar genera
una matriz de áreas de transición, que establecen la
cantidad de cambio (número de píxeles) que se
espera que pase de una categoría a otra en el
siguiente período de tiempo.
Y por último genera un grupo de imágenes de
08
VOL. 30 Nº 1
JUNIO 2010
REVISTA
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
probabilidad condicional, que registran la
probabilidad de permanencia, es decir la probabilidad
de encontrar la misma categoría en cada píxel
después de un número especifico de unidades de
tiempo.
Una vez obtenidos los cálculos de probabilidad de
cambio mediante CA-Markov, para cada una de las
fechas de análisis (2010 y 2030), fue necesario
establecer el potencial que tiene cada píxel en el área
SELPER
para contener cada una de las categorías o clases de
vegetación, es decir establecer la “aptitud” de cada
píxel para cada clase. Para llevar a cabo este análisis
se utilizó el modulo MCE (multi-crite ria evaluation),
en estas evaluaciones se combina un grupo de
factores o criterios además de algunas restricciones
para determinar (expresado en grado de aptitud) las
zonas donde es mas probable que puedan
desarrollarse las diferentes clases de vegetación.
Figura 1. Mapa de la reclasificación de las capas de vegetación de 1976 y 2000 utilizada para el análisis.
09
VOL. 30 Nº 1
JUNIO 2010
REVISTA
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
Para esta evaluación se utilizaron algunos de los
factores que determinan la distribución de los tipos de
vegetación, como es la elevación, la pendiente, el
aspecto (orientación de la pendiente), tipo de suelo,
temperatura (isotermas), precipitación (isoyetas),
también se incluyó dentro de este análisis la distancia
de la clase analizada, las clases de vegetación
con mayor probabilidad de cambio a clase analizada y
la distancia a caminos; como restricciones según la
clase se utilizaron los asentamientos humanos
(exceptuando el modelo de la clase de asentamiento
humano), cuerpos de agua perenne (exceptuando el
modelo de la clase de cuerpos de agua) y limite de
Burgos (se restringió en la modelación de todas las
clases el área que representa el background).
Dada la extensión del área de estudio y a la diversidad
de condiciones biofísicas del área de estudio, la
ponderación de cada una de las clases que
componen los factores para cada categoría de
vegetación se decidió mediante el análisis de
histogramas de frecuencia entre
la categoría de vegetación o uso de suelo y el factor, o
mediante crosstabs (matrices entre el factor contra la
clase). Este análisis multicriterio dió como resultado
una serie de imágenes que muestran el grado de
aptitud por categoría de vegetación analizada (figura
2), las imágenes muestran en color rojo las áreas mas
aptas para el tipo de vegetación y en verde a azul
oscuro las zonas menos aptas.
Una vez llevada a cabo la evaluación multicriterio
para cada una de las clases o categorías incluidas en
el análisis, se utilizó el Modulo CA-Markov para hacer
la predicción de cambio.
Este modulo utiliza procesos de automatización
celular en combinación con las cadenas de Markov y
los módulos de evaluación multicriterio (MCE) y multiobjetive land allocation (MOLA), para la
determinación espacial de cambio.
En esta fase del análisis, la imagen base (última fecha
utilizada en MARKOV) se utiliza como punto de
partida para la simulación de cambio. El archivo de
áreas de transición (Modulo
MARKOV) establece la cantidad de cambio que se
SELPER
espera de una categoría a otra en el siguiente periodo
de tiempo. Las imágenes de aptitud obtenidas para
cada categoría de uso
de suelo o vegetación (MCE), establecen la aptitud
inherente de cada píxel a partir de las áreas
existentes de cada clase (en cada iteración), dando
preferencia a las áreas contiguas.
El número de iteraciones, establece el número de
unidades de tiempo que va a ser utilizada en la
simulación, en este caso se utilizó un plazo de 10
años (2000-2010) para el análisis de las tendencias
de cambio de la cobertura de suelo a corto plazo y 30
años (2000-2030) para el análisis de la tendencia de
cambio a largo plazo.
Dentro de cada iteración, se analiza una clase que es
considerada para esa iteración como la categoría
“anfitriona” o en análisis, mientras que las otras
categorías actúan como competidoras por el espacio.
En esta fase se utiliza el algoritmo MOLA. Los
requerimientos de área de cada una de las clases que
compiten con la clase anfitriona son igual al total
obtenido en el archivo de áreas de transición entre el
número de iteraciones. Los resultados de la
operación del MOLA son sobrepuestos para producir
un nuevo mapa de uso de suelo al finalizar cada
iteración.
Por ultimo el filtro actúa en el calculo de
automatización celular, bajando las aptitudes de los
píxeles que se encuentran distantes de la clase que
se esta analizando. El efecto que se tiene es que para
que el píxel se acepte en algún tipo de transición debe
ser “apto” para la clase analizada y encontrarse
próximo a las áreas en las que se encuentra la clase
en cuestión, el algoritmo no permite que las aptitudes
de los píxeles distantes bajen mas del 90% de su
valor esto con el fin de que puedan encontrarse
“píxeles” aptos cuando no existen probabilidades de
cambio en las áreas próximas a la clase bajo análisis
en algunas áreas.
De esta forma se hace posible determinar
“espacialmente” las áreas de cambio para períodos a
corto, mediano o largo plazo.
10
VOL. 30 Nº 1
JUNIO 2010
REVISTA
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
SELPER
Figura 2. Resultado de la Evaluación multicriterio para las clases de a) Agricultura, b) Pastizal, c) Asentamiento
humano, d) Matorral crasicaule, e) Matorral desértico micrófilo, f) Matorral desértico rosetófilo, g) Áreas sin
vegetación aparente, h) Bosque bajo-abierto i) Bosque de encino, j) Matorral espinoso tamaulipeco, k) Matorral
submontano, l) Mezquital, m) Bosque de oyamel, n) Bosque de pino, ñ) Bosque de pino-encino, o) Palmar, p)
Selva baja espinosa, q) Vegetación de desiertos arenosos, r) Bosque de tascate, s) Chaparral, t) Cuerpo de
agua, u) Vegetación de dunas costeras, v) Vegetación de galería y w) Vegetación halófila y gypsofila.
RESULTADOS
La probabilidad de permanencia indica la
probabilidad de encontrar la misma clase en el mismo
píxel en un determinado período de tiempo, los
resultados indican que las clases con menor
probabilidad de permanencia fueron la vegetación de
desiertos arenosos, las áreas sin vegetación
aparente, el bosque bajo abierto, el mezquital, la
vegetación de galería , así como los cuerpos de agua
y el matorral espinoso tamaulipeco. Sin embargo
algunas de estas categorías presentan bajas
probabilidades de permanencia por diferencias en la
categorización entre las capas de vegetación 1976 y
2000, como es el caso de la vegetación de desiertos
arenosos, las áreas sin vegetación aparente y la
vegetación y el bosque de galería.
Los escenarios de tendencia de cambio para
vegetación y uso de suelo al 2010 y 2030 se muestran
en las figuras 3. La clase de cobertura de suelo que
mayor tendencia al aumento tanto para el período
2000-2010 como para el 2000-2030 es la de Pastizal,
aumentando en la prospectiva al 2030 casi un 10%
con respecto al área que ocupaba en 1976, seguida
por la Agricultura con una tendencia de aumento de
5.26% y por los asentamientos humanos con 1.25%.
Dada la tendencia de ocupación de estos usos
antrópicos, las clases de vegetación mas afectadas
son los matorrales (figura 5).
11
VOL. 30 Nº 1
JUNIO 2010
REVISTA
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
SELPER
Figura 3. Escenarios de vegetación y uso de suelo para los años 2010 y 2030.
Como se muestra en las figuras 4 y 5, los escenarios
obtenidos indican que el área tiene una tendencia a la
transformación de los matorrales hacia pastizales y
hacia uso agrícola, siendo el matorral espinoso
tamaulipeco el tipo de vegetación que tiene una
mayor tendencia al cambio, seguida por los
mezquitales, el matorral submontano y el matorral
desértico microfilo.
Figura 4. Porcentajes de ocupación y diferencia (en porciento) para las principales clases de cobertura de suelo
que sufren cambios importantes durante el periodo de proyección 1976, 2000, 2010 y 2030.
12
VOL. 30 Nº 1
JUNIO 2010
REVISTA
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
SELPER
Figura 5. Tendencia de cambio neto 2000-2030 en las categorías de cobertura de suelo
en la región de Burgos.
En base a estos escenarios y a la cobertura tomada
como base para el cálculo de la tendencia (2000), es
posible calcular para el área de estudio, la tendencia
espacial al cambio, que representa la intensidad de
cambio de una categoría a otra, lo que nos permite
tener una idea precisa de donde se encuentra la
mayor tendencia de cambio de una categoría a otra,
la figura 6 muestra la tendencia espacial de cambio de
la vegetación natural hacia usos antrópicos (pastizal,
agricultura y asentamientos humanos). Como se
puede apreciar el área centro-este de Nuevo León y la
parte colindante de Tamaulipas con este Estado
(color rojo en el mapa) es el área donde la vegetación
natural tiene una mayor tendencia a este tipo de
transformación.
13
VOL. 30 Nº 1
JUNIO 2010
REVISTA
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
SELPER
Figura 6. Intensidad de cambio de vegetación natural a usos antrópicos 2000-2030 en la región de Burgos.
14
VOL. 30 Nº 1
JUNIO 2010
REVISTA
PROYECCIÓN TENDENCIAL DE CAMBIO 2010 Y 2030..
Es necesario señalar, que por la naturaleza del
método utilizado estas tendencias están
directamente influenciadas por el comportamiento de
cambio que se presentó en el período 1976-2000,
punto de referencia para el calculo de la
determinación de los escenarios de cobertura de
suelo, por lo que sería conveniente en un futuro
utilizar una actualización en la cobertura de suelo
para determinar si esta tendencia de cambio sigue, o
a variado después del 2000 (año base).
CONCLUSIONES
Las clases de cobertura de suelo que tuvieron una
mayor tendencia a sufrir perdidas de área en el
REFERENCIAS
Aspinall, R. & C. Justice. 2003. A land Use and land
Cover chanmge science strategy.US Climate Chage
Science Program, Land Use Interagencey Working
Grpup. Workshop report, Nov 19-21, 2003
Smithsonian Institution.
Batty, M., Couclelis, H., and Eichen, M. 1997. “Urban
systems as cellular automata.” Environment and
Planning B 24(2):159–164.
Briassoulis, H. 2000. Analysis of Land Use Change:
Theoretical and Modelling Approaches. Ph.D. Thesis.
University of the? Aegean, Lesvos, Greece.
Gómez-Mendoza, L. E.Vega-Peña, M. I. Ramírez, J.L.
Palacios-Prietoa and L. Galicia. 2006. Projecting
SELPER
periodo de tiempo modelado fueron los matorrales,
principalmente el matorral espinoso tamaulipeco. El
uso de suelo con mayor tendencia al aumento es el de
los pastizales (inducidos y cultivados).
Los resultados obtenidos dependen de los tipos de
cambio de cobertura de suelo que prevalecieron
durante las fechas 1976-2000, por lo que es
necesario que se analice otro punto en el tiempo
reciente para verificar si existe un cambio en las
tendencias aquí presentadas.
Los datos obtenidos en este análisis sirvieron de
insumo para la determinación de la viabilidad
ambiental y como orientación para la asignación de
políticas ambientales en el Ordenamiento de la
Región de Burgos.
land-use change processes in the Sierra Norte of
Oaxaca, Mexico. Applied geography 26(3-4):276-290.
Huang, Qiu-hao;Cai, Yun-long. 2007. Simulation of
land use change using GIS-based stochastic model:
the case study of Shiqian County, Southwestern
China. Stochastic Environmental Research and Risk
Assessment, 21(4): 419-426.
Muller M.R. & J. Middleton. 1994, A Markov model of
land-use change dynamics in the Niagara Region,
Ontario, Canada. Landscape Ecology 9(2):151-157.
WOTRO, 2005. Understanding tropical land use
change. Netherlands Organization for Scientific
research (NOW) WOTRO new may, 2005.
15
VOL. 30 Nº 1
JUNIO 2010
REVISTA
ANALISIS DE FACTORES EXPLICATIVOS DEL CRECIMIENTO URBANO
SELPER
Análisis de factores explicativos del crecimiento urbano en la
comunidad de Madrid a traves de metodos estadisticos
(RLO y MLA) Y SIG
Wenseslao Plata Rocha1, Montserrat Gómez Delgado2 y Joaquín Bosque Sendra3
(1)
Departamento de Geografía de la Universidad de Alcalá de Henares. Calle Colegios, N º 2. Alcalá de Henares Madrid
28801, España. [email protected] (2) Departamento de Geografía de la Universidad de Alcalá de Henares.
Calle Colegios, N º 2. Alcalá de Henares Madrid 28801, España. [email protected] (3)Departamento de
Geografía de la Universidad de Alcalá de Henares. Calle Colegios, N º 2. Alcalá de Henares Madrid 28801, España.
[email protected]
RESUMEN
Este trabajo presenta un análisis de los factores
explicativos del crecimiento urbano, específicamente, para las categorías estructura urbana laxa,
urbanizaciones exentas, zonas industriales y
comerciales y zonas en construcción en la
Comunidad de Madrid en el período 1990-2000. De
todas las categorías artificiales del Corine Land Cover
(CLC), éstas han sido identificadas en estudios
previos como las que mayor crecimiento han
presentado. Como factores explicativos del
crecimiento urbano se tomaron variables
socioeconómicas, biofísicas, de planeación, políticas
y de proximidad/accesibilidad espacializadas a nivel
municipal y a nivel de píxel. El análisis entre las
variables explicativas y el crecimiento urbano se llevó
a cabo a través de técnicas estadísticas de regresión
logística espacial y análisis de regresión logística
multinivel. El ajuste de los modelos se realizó, por un
lado, con el SIG Idrisi Andes, a través de la
herramienta de regresión logística espacial, por otro
lado, para el ajuste de los modelos de regresión
logística multinivel se empleó el software MLwin. Los
resultados obtenidos del ajuste de los modelos
muestran la importancia de algunas variables en la
ubicación de las nuevas zonas urbanas analizadas,
además de identificar la variabilidad de la información
en el área de estudio.
Palabras Clave: SIG, planificación, crecimiento
urbano, modelos, variables, Madrid.
ABSTRACT
This paper presents an analysis of the explanatory
factors of urban growth. Specifically, four categories
were analyzed: residential discontinuous urban,
residential discontinuous sparse urban, commercial
and industrial, and areas under construction. The
study area is located in Madrid (Spain) during the
period of 1990-2000. Previous analysis of Corine
Land cover land use change identified these
categories as having the largest growth during the
study period. Socio-economic, biophysical, planning,
policies and proximity/accessibility variables were
taking in account as explanatory factors of urban
growth. These variables were used at both, municipal
and pixel level.
Logistic and multilevel regressions were used in order
to analyse the relationship between explanatory
variables and urban growth. The adjustment of the
models was performed using two different software
packages: GIS Idrisi Andes to apply the spatial logistic
regression and MLwin to apply the multilevel logistic
regression. Model adjustment showed that
significance among variables varies considerably, this
allows for the identification of the main explanatory
variables of urban growth. Additionally, it was possible
to identify the variability of information at the municipal
and pixel level.
Keyword: GIS, planning, urban growth, models,
variables, Madrid.
INTRODUCCIÓN
Históricamente el crecimiento de las ciudades estaba
determinado por el aumento de la población. Sin
embargo, en la actualidad y en lugares donde hay
poca o ninguna presión demográfica, existe otra
variedad de factores que influyen en su crecimiento
(EEA, 2006).
Esta dinámica de crecimiento urbano está
provocando importantes cambios de usos del suelo,
ocasionando como consecuencia una enorme
presión sobre el territorio y sus recursos naturales,
sobre la calidad de vida de las personas y sobre la
sostenibilidad global del planeta (OSE, 2006). Es de
gran importancia, por tanto, estudiar los patrones de
crecimiento de las nuevas zonas urbanas y analizar
los factores que inciden en el mismo a través de la
relación espacial entre diversas variables
(socioeconómicas, biofísicas, de acc esibilidad, etc.).
En los últimos años se han desarrollado diversos
estudios en este sentido, a partir de la aplicación de
distintos métodos estadísticos (Bocco et al, 2000;
Hoshino, 2001; Cheng y Masser, 2003; Verburg et al,
2004; Conway, 2005; Pan y Bilsborrow, 2005; Serra et
al, 2005; Hu y Lo, 2007). Asimismo, Lesschen et al,
16
VOL. 30 Nº 1
JUNIO 2010
REVISTA
ANALISIS DE FACTORES EXPLICATIVOS DEL CRECIMIENTO URBANO
(2005) en el informe número 7 del programa Land Use
and land Cover Change (LUCC), proporciona una
amplia descripción de técnicas estadísticas y
empíricas utilizadas en el análisis espacial de
cambios de usos y coberturas del suelo.
En general encontramos que una buena parte de
estos estudios se realizan a nivel municipal o alguna
delimitación a nivel regional (Yang et al, 2007; Serra
et al, 2005; Bocco et al, 2000), pero es más común
encontrar trabajos donde el nivel de análisis es el
píxel y en esta unidad de observación la técnica que
ofrece mayores ventajas para determinar factores
explicativos es la regresión logística. También,
existen algunas investigaciones recientes en las
cuales se aplican técnicas con diferentes niveles de
observación (Verburg et al, 2004a; Hoshino, 2001;
Pan y Bilsborrow, 2005). A dichos modelos se les
denomina modelos jerárquicos ò multinivel.
Para el caso de la Comunidad de Madrid existe una
diversidad de factores que guían los cambios de usos
del suelo y en particular los relacionados con el
crecimiento urbano. Asimismo, se tiene como mínimo
dos unidades de observación y que forman una
especie de jerarquía. Las unidades de observación
empleadas en este trabajo son el píxel y los
municipios madrileños.
Se puede decir que la dinámica de la oc upación del
suelo (y más en concreto el crecimiento urbano)
responde, como mínimo, a dos tipos de influencias:
en primer lugar las características físicas del terreno:
la altitud y pendiente del terreno inciden en la
rentabilidad de la construcción de nuevas zonas
residenciales. Lo mas razonable es medir este tipo de
influencias al nivel de cada punto del terreno, cada
píxel, ya que estas características pueden variar
rápidamente en el territorio.
Un segundo tipo de influencias sobre el crecimiento
urbano son las características sociales y económicas
y, también, los hechos legales y administrativos . Es
razonable pensar que la dinámica económica y
SELPER
demográfica y las características de los Planes de
ordenación urbana afectan a donde es más rentable
construir y donde es posible hacerlo desde el punto
de vista legal. Estas variables solo se pueden medir,
en España, es en los municipios.
En resumen, este trabajo tiene como objetivo
determinar los factores que expliquen de forma
cuantitativa la localización de las nuevas superficies
artificiales en la Comunidad de Madrid, a través de
dos métodos estadísticos (Regresión Logística y
Análisis Multinivel) y Sistemas de Información
Geográfica y realizar una comparación de los
resultados obtenidos.
ÁREA DE ESTUDIO Y DATOS
La Comunidad de Madrid se localiza en el centro de
España y limita con las provincias de Guadalajara,
Cuenca, Toledo, Ávila y Segovia (figura 1). Se
encuentra conformada por 179 municipios en una
extensión territorial de 8.025 km2. Su población
estimada es de aproximadamente 6 millones de
habitantes, gran parte de la cual se concentra en el
área metropolitana, aunque a partir de la década de
1990 se evidenciaron fuertes procesos de
descentralización hacia algunos municipios del oeste,
norte y sureste de la región.
En este contexto la Comunidad de Madrid se
consolida como uno de los territorios de mayor
dinamismo del arco mediterráneo, con un crecimiento
de las superficies artificiales aproximado del 48 %
durante la década de los 90, muy por encima del 25%
de crecimiento medio registrado en el territorio
nacional y del 5,4% de la Unión Europea (EEA, 2006;
OSE, 2006). En este sentido las zonas urbanas han
aumentado en 14.310 ha, de las cuales el 80 %
corresponde al tejido urbano discontinuo. La
distribución de estas nuevas zonas aparece en la
figura 1.
Figura 1. Crecimiento urbano en la Comunidad Autónoma de Madrid (1990-2000)
17
VOL. 30 Nº 1
JUNIO 2010
REVISTA
ANALISIS DE FACTORES EXPLICATIVOS DEL CRECIMIENTO URBANO
SELPER
Tabla 1. Descripción de las variables dependientes e independientes utilizadas en el ajuste del modelo. Todas las variables
que miden crecimientos o cambios se refieren al periodo 1990-2000. Las variables que muestran un valor se refieren al
año 1990.
La elección de las variables o factores explicativos de
este fenómeno de expansión urbana se realizó
tomando en consideración la literatura existente
sobre este tipo de análisis y la disponibilidad de
información de la región para llevarlo a cabo. De este
modo, como variables explicativas, y tomando como
referencia el año 1990, se recopiló información de
hasta 32 variables diferentes de tipo socioeconómico,
político, de planificación, proximidad/accesibilidad y
de tipo biofísico (tabla 1).
Por otro lado, un estudio previo obtuvo que las
categorías artificiales que mayor crecimiento tuvieron
en el periodo de 1990 a 2000 en la Comunidad de
Madrid son: estructura urbana laxa, urbanizaciones
exentas, zonas industriales y comerciales, y zonas en
construcción (Plata, Gómez y Bosque, 2008), misma
que son tomadas en este estudio como variables
dependientes (figura 1 y tabla 1)
18
VOL. 30 Nº 1
JUNIO 2010
REVISTA
ANALISIS DE FACTORES EXPLICATIVOS DEL CRECIMIENTO URBANO
METODOLOGÍA
1. Regresión logística espacial
Previo al ajuste de los modelos se realizó un análisis
de correlación y multicolinealidad a las variables para
eliminar aquellas que pudiesen causar problemas en
los modelos .
El modelo de regresión logística se realiza utilizando
la siguiente ecuación:
Donde: b son los parámetros estimados por el
modelo;
, son las variables explicativas
incluidas en el modelo; y P es la probabilidad de que
un píxel se transforme a urbano.
También se generaron para el análisis algunas
variables de vecindad, las cuales se midieron por un
“factor de enriquecimiento” definido como la
proporción de cierto uso del suelo en la vecindad PV
entre la proporción de este mismo uso del suelo en el
área de estudio PAE (Verburg et al, 2004a, Verburg et
al, 2004b) de acuerdo con la siguiente ecuación:
Así, se procedió a ajustar 5 modelos de regresión
logística espacial para el conjunto de variables y 5
modelos de regresión logística para las variables de
vecindad. En todos los casos las variables
dependientes fueron las cinco mencionadas
anteriormente . La validación de los modelos se
certifico con el estadístico ROC (Relative Operating
Characteristic) y a través del porcentaje de píxeles
clasificados correctamente (PCC1).
Por último, la capacidad computacional del SIG Idrisi
Andes en el ajuste de modelos de regresión logística
espacial esta limitada a la inclusión de no más de 20
variables independientes, por tal motivo se realizó
una selección de variables previa, tomando en cuenta
el grado de multicolinealidad, correlación y el ajuste
de cada variable independiente con cada variable
dependiente.
2. Análisis de regresión logística multinivel
Para realizar el análisis multinivel, más complejo y
difícil de utilizar, se utilizó una única como variable
dependiente la G4, es decir la sumatoria de las 4
categorías de mayor crecimiento urbano, y como
variables independientes aquellas que resultaron
más significativas en los análisis realizados a nivel de
SELPER
municipio y píxel.
Para realizar el ajuste de los modelos multinivel, es
necesario primero ajusta r un modelo vacío (modelo
más simple de descomposición de la varianza) para la
variable dicotómica de crecimiento urbano (1
crecimiento, 0 otro) referida a los municipios, sin
tomar en cuenta las variables explicativas a través de
las siguientes ecuaciones:
Donde:
B0 es el intercepto general ò
específicamente es el promedio de los datos de las
probabilidades transformadas y U0j es la desviación
aleatoria de ese
promedio por grupo j (Overmars y Verburg, 2006;
Snijders y Bóxer, 1999: 213).
A partir de este modelo la varianza de la variable
dependiente puede ser descompuesta en dos partes,
una causada por el nivel individual (píxel) y otra
causada por el nivel de grupo (municipio). De esta
forma se utilizó este modelo para saber si la varianza
del nivel de municipio en la variable dependiente es
significativa (Overmars y Verburg, 2006).
Posteriormente, al modelo vacío se le añadieron
variables explicativas a nivel píxel (nivel 1) y nivel
municipal (nivel 2), obteniéndose el modelo regresión
logística binomial de intercepto aleatorio:
Donde:Xkij son k variables explicativas al nivel 1 y Zhj
son las h variables explicativas al nivel 2.
La interpretación de los coeficientes de regresión se
realizó por medio del calculo de los odds ratio ( exp( b)
). Por último, para indicar la proporción de varianza
que es contabilizada por el nivel 2 se utilizó el
coeficiente de correlación intraclases denotado por la
siguiente ecuación:
Donde:
es la varianza del intercepto aleatorio al
nivel de municipio y
es la varianza al nivel de
píxel (nivel 1) para los residuales de una distribución
logística (Snijders y Bóxer, 1999).
1 Porcentaje de votos a Izquierda Unida y PSOE
2 Ayuntamientos en los que la suma de los votos a Izquierda Unida y PSOE supera el 45%.
19
VOL. 30 Nº 1
JUNIO 2010
REVISTA
ANALISIS DE FACTORES EXPLICATIVOS DEL CRECIMIENTO URBANO
SELPER
Tabla 2. Resultado del ajuste del modelo de regresión logístico binomial mixtos.
RESULTADOS
1. Resultado del ajuste de los modelos de
regresión espacial
De la tabla 2 se puede observar que los ajustes de los
modelos son relativamente buenos oscilando los
valores del ROC entre 0.91 y 0.97 y el PPCC1 entre
86 y 93 %. La unidad de observación usada es el píxel.
También s e puede observar que variables como la
proximidad a las zonas urbanas existentes en 1990
(figura 3a), la proximidad a carreteras (figura 3b), la
pendiente (figura 3c), la altitud (figura 3d) y la
densidad de población (figura 3e) son factores que
determinan, hasta cierto punto, la localización de las
nuevas zonas urbanas. En este sentido se pudo
observar, de manera general, que a menores
distancias a carreteras y zonas urbanas, a menores
pendientes y altitudes y a mayores densidades de
población existe mayor probabilidad de que se
localicen nuevas zonas urbanas.
Por su parte la variable densidad de población se
observa que tiene un peso considerable en los
modelos ajustados, resultando que a mayor densidad
de población (en el municipio donde se sitúa ese
píxel) existe mayor probabilidad de crecimiento
urbano (figura 3e).
Por otro lado se observó que las variables suelo
urbanizable y suelo no urbanizable común (variables
medidas en los municipios) se comportan
inversamente proporcional, es decir conforme
aumenta el porcentaje de superficie urbanizable
aumenta la probabilidad de que exista crecimiento
urbano y conforme aumenta el porcentaje de suelo no
urbanizable común dicha probabilidad disminuye
20
VOL. 30 Nº 1
JUNIO 2010
REVISTA
ANALISIS DE FACTORES EXPLICATIVOS DEL CRECIMIENTO URBANO
(figura 3f).
Con respecto al resto de las variables biofísicas y
tomando en consideración los coeficientes
SELPER
estandarizados observamos que éstas no tienen un
peso considerable en los modelos ajustados.
Figura 3. Probabilidades de crecimiento urbano para las diferentes variables analizadas.
Con respecto a los modelos ajustados para las
variables de vecindad (tabla 3) se puede observar
que la variable con mayor peso en la explicación del
crecimiento urbano es la vecindad a tierras de labor
en secano, excepto para las urbanizaciones exentas
(figura 4a). Por su parte el factor de enriquecimiento
para los pastizales tiene un efecto positivo, siendo
para el modelo que aglomera a las 4 categorías el
más correlacionado con el crecimiento de dichas
categorías (figura 4b). Asimismo, la vecindad a la
vegetación escleròfila interactúa de manera negativa
con las categorías urbanas, excepto para las
urbanizaciones exentas.
También se puede observar que los modelos
ajustados tienen un efecto positivo con las variables
de vecindad a las categorías urbanas , aunque
mínimo. Los resultados muestran valores en los ratios
cercanos a la unidad y valores pequeños de
probabilidades, esto se puede atribuir, principalmente,
a la gran extensión del área de estudio lo cual hace
que la proporción en el área de estudio del uso de
suelo analizado sea muy pequeña y distante de la
proporción de dicho uso de suelo en la vecindad.
21
VOL. 30 Nº 1
JUNIO 2010
REVISTA
ANALISIS DE FACTORES EXPLICATIVOS DEL CRECIMIENTO URBANO
SELPER
Figura 4. Probabilidades de crecimiento urbano respecto a las variables de vecindad
Tabla3. Ajuste de los modelos tomando en cuenta solamente las variab les de vecindad
2. Resultados del modelo de regresión logística
multinivel
Los resultados muestran que la varianza para el nivel
2 es significativa (p < 0.05) en los 3 modelos (tabla 4).
Por su parte el coeficiente de correlación intraclases
para el modelo vacío indica que el 25 % de la varianza
puede ser atribuida al nivel 2 (limites de municipio).
En principio, dicha varianza podría ser contabilizada
por algunas variables explicativas.
Tabla 4. Resultado del ajuste de los modelos de regresión logística multinivel.
22
VOL. 30 Nº 1
JUNIO 2010
REVISTA
ANALISIS DE FACTORES EXPLICATIVOS DEL CRECIMIENTO URBANO
De esta forma en el modelo 2 se introducen todas las
variables a nivel de píxel y dos variables a nivel de
municipio . Dichas variables resultan significativas en
este modelo y explican un 8 % de la varianza que se
detectó en el modelo 1 a nivel municipal.
Por otro lado en el modelo 3 se incluye todas las
variables explicativas al nivel 1 y 2, observándose la
existencia de variables significativas en ambos
niveles, pero el coeficiente de correlación intraclases
muestra también que las nuevas variables incluidas
no explican toda la varianza detectada en los modelos
anteriores.
En resumen, se pudo observar que las variables
incluidas al nivel 2 explican muy poco de la varianza
detectada en el modelo vacío, lo cual podría deberse,
principalmente, a la extensión del territorio estudiado,
en el cual la variable dependiente (crecimiento
urbano) se distribuye de forma difusa e irregular, e
incluso en algunos municipio no crece. Lo anterior
ocasiona que exista una gran variación en el
crecimiento urbano a lo largo y ancho de la
Comunidad y que el coeficiente de correlación
intraclases detecte un gran porcentaje de variabilidad
entre el nivel 1 y 2.
CONCLUSIONES
El análisis cuantitativo de los cambios de usos del
suelo que se producen en un territorio y la relación
que tienen con determinados factores, conlleva
habitualmente la incorporación al estudio de una gran
cantidad de variables de muy distinta índole
(socioeconómicas, biofísicas, de proximidad, etc.)
que suelen estar referidas a distintas unidades
espaciales, siendo los límites municipales y el píxel
los más utilizados habitualmente.
En este sentido la regresión logística espacial
permitió incluir ambas unidades de observación
obteniéndose resultados consistentes en los modelos,
REFERENCIAS
Bocco, G.; Mendoza, M.; Masera, O. (2000). “La
dinámica del cambio del uso del suelo en Michoacán.
Una propuesta metodológica para el estudio de los
procesos de deforestación”, Investigaciones
Geográficas, Boletín del Instituto de Geografía,
UNAM, 44, pp. 18-38.
Cheng, J. and Masser, I. (2003): “Urban growth
pattern modelling: a case study of Wuhan city, PR
China”, Landscape and Urban Planning, 62, 199-217.
Conway Tenley M., (2005). “Current and future
patterns of land-use change in the coastal zone of
New Jersey”, Environment and Planning B: Planning
and Design, 32, 877-893.
European Environment Agency (2006). Urban sprawl
SELPER
objetivos y de fácil interpretación. Del mismo modo, la
gráfica de probabilidad permitió observar de manera
clara la influencia que cada variable tiene con el
crecimiento urbano.
Por otro lado, los modelos de regresión logística
multinivel permit ieron detectar la distribución de la
variabilidad de la información en ambos niveles, así
como algunas variables, que en su unidad de
observación, no son significativas en los modelos. Sin
embargo, las variables incluidas al nivel municipal
(nivel 2) no detectan completamente la variabilidad de
la información, con lo cual quedaría, para trabajos
futuros, determinar el grado de interacción que tienen
las variable a ambos niveles, utilizando para ello
modelos con pendiente aleatoria, no obstante esto
suele ser más complejo.
Por último, con el uso conjunto de ambos métodos, se
ha podido comprobar, qué variables tales como: la
densidad y el crecimiento poblacional, la distancia al
centro de negocios, la distancia a vías de
comunicación, la distancia a las zonas urbanas
existentes, la pendiente, la altitud del terreno o el
porcentaje de superficie urbanizable disponible en
cada municipio son determinantes a la hora de tratar
de entender las lógicas que guiaron el crecimiento
urbano en la Comunidad de Madrid.
AGRADECIMIENTOS
Este artículo se ha realizado dentro de las actividades
del pro yecto de investigación "Crecimiento urbano y
sostenibilidad en la Comunidad de Madrid.
Una aproximación a los factores explicativos de los
cambios recientes de usos del suelo” (Ref: CCG06UAH/HUM-0670), financiado por la Consejería de
Educación de la Comunidad de Madrid (Dirección
General de Universidades e Investigación) y la
Universidad de Alcalá.
in Europe, the ignored challenge, EEA Report No
10/2006.
Hoshino Satoshi (2001). “Multilevel modeling on
farmland distribution in Japan”, Land Use Policy, 18,
75-90.
Hu, Z., & Lo, C.P. (2007). “Modeling urban growth in
Atlanta using logistic regression”, Computers,
Environment and Urban Systems, doi:10.1016
/j.compenvurbsys.2006.11.001
Lesschen, J. P.; Verburg, P.H.; Staal, S. J. (2005).
Statistical methods for analysing the spatial
dimension of changes in land use and farming
systems, LUCC Report Series 7, publicado por: The
International Livestock Research Institute, Nairobi,
Kenya y LUCC Focus 3 Office, Wageningen
University, the Netherlands
23
VOL. 30 Nº 1
JUNIO 2010
REVISTA
ANALISIS DE FACTORES EXPLICATIVOS DEL CRECIMIENTO URBANO
Observatorio de la Sostenibilidad en España (2006).
Cambios de ocupación del suelo en España,
implicaciones para la sostenibilidad, Observatorio
para la Sostenibilidad en España, Alcalá de Henares,
Madrid, impreso por Artes Gráficas Cuestas S. A.
SELPER
Serra, P.; Pons, X.; Saurì, D. (2005). “Metodología
para el análisis de las transformaciones paisajísticas
de áreas rurales mediterráneas. Evolución, causas
y consecuencias en el caso del Alto Ampurdán
(Noreste de Cataluña)”, Anales deGeografía 25, pp.
259-278.
Overmars Koen P., Verburg Peter H. (2006).
“Multilevel modelling of land use from field to village
level in the Philippines”, Agricultural Systems, 89,
435–456.
Snijders, T. y Bóxer, R. (1999). Multilevel Analysis. An
introduction to Basic and advanced multilevel
modelling. SAGE Publications.
Pan William K.Y., Bilsborrow Richard E. (2005). “The
use of a multilevel statistical model to analyze factors
influencing land use: a study of the Ecuadorian
Amazon”, Global and Planetary Change, 47, 232–
252.
Verburg Peter H., van Eck Jan Ritsema, de Nijs Ton
C.M., Dijist Martin J., Schot Paul (2004a).
“Determinants of land-use change patterns in the
Netherlands”, Environment and Planning B: Planning
and Design, 31, 125-150.
Plata Rocha, W., Gómez Delgado, M., Bosque
Sendra, J. (2008). Análisis de los cambios de uso del
suelo en la Comunidad de Madrid para el periodo de
1990-2000. Scripta Nova, Universidad de Barcelona.
En revisión.
Verburg Peter H., de Nijs Ton C.M., van Eck Jan
Ritsema, Visser Hans, de Jong Kor (2004b). “A
method to analyse neighbourhood characteristics of
land use patterns”, Computers, Environment and
Urban Systems, 28, 667–690.
24
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
SELPER
Desarrollo de mapas predictivos de densidad focal de aedes aegypti en
la ciudad de Puerto Iguazú (Argentina), basados en información
ambiental derivada de imágenes Spot 5 HRG1
Camilo H. Rotela *, Manuel O. Espinosa MS; Carlos Albornoz *, Murielle Lafaye CN; Jean Pierre Lacaux M, Yves M.
Tourre M, Cécile Vignolles M, C. Marcelo Scavuzzo *
*Comisión Nacional de Actividades Espaciales. Centro Espacial Teófilo Tabanera. Ruta Provincial C-45 km 8 (CP:5187)
Falda del Cañete. Córdoba – Argentina - [email protected]
MS
Fundación Mundo Sano. Av del Libertador 1146, PB (CP 1112ABO), Ciudad de Buenos Aires, Argentina.
[email protected]
CN
Centre National d'Etudes Spatiales (CNES). Applications et Valorisation. 18 Avenue Edouard Belin. 31401 Toulouse.
Cedex9. France.
M Médias-France. Bat.C 1er étage. 10 rue Hermès. 31526 Ramonville St Agne
RESUMEN
resolución - modelo macroambiental - Aedes aegypti-
En la actualidad, el dengue registra un aumento
gradual en su incidencia y distribución en Sudamérica,
generando la necesidad de implementación de
sistemas de alerta temprana eficientes y detallados.
En marco del programa de cooperación internacional
?Monitoreo Argentino en Tele-epidemiología (MATE)?,
este trabajo tiene como objetivo utilizar imágenes
satelitales de alta resolución espacial, para la
creación de productos de vigilancia epidemiológica
del dengue en la en la cuidad de Puerto Iguazú,
Argentina (25°36'S - 54°35'O). El monitoreo y
caracterización ecológica de Aedes aegypti y A.
albopictus (índices de infestación larvaria y de pupas)
es realizado por la Fundación Mundo Sano, desde
Agosto 2007. En cada monitoreo (duración aprox. 40
días), se registra el total de focos detectados y se
tomas muestras de larvas y pupas del 20% de las
manzanas de la ciudad (seleccionadas aleatoria y
estratificadamente). A partir de esta base de datos, en
cooperación con la Comisión Nacional de Actividades
Espaciales de Argentina (CONAE), se genero un SIG
específico para el monitoreo de estas especies. La
imagen SPOT 5 HRG1 utilizada (22/03/2007), fue
provista por la Agencia Espacial Francesa (CNES).
Esta Ortoimagen (Nivel2A) posee 4 bandas
espectrales (V-R-IRC-IRM) y 10m de resolución
espacial (precisión de localización 20m). A partir de su
clasificación supervisada apoyada en índices de
vegetación derivados, se obtuvo un mapa de
ocupación de suelo. Del mismo se extrajeron distintas
variables ambientales como: mapa de distancia a
cada clase (buffer), porcentaje de cada clase por área
(tipo de suelo, vegetación, agua, etc.) y estadísticos
de índices por área. Utilizando como region de
entrenamiento las areas positivas a focos del vector,
se realizo una clasificacion supervisada de las
variables ambientales derivadas. El mapa predictivo
resultante muestra las áreas potenciales al desarrollo
de los vectores en estudio y la abundancia de focos
positivos por hectárea, prediciendo el 87% de las
areas positivas entre los niveles de Media y Alta
susceptibilidad ambiental.
Palabras claves: mapas predictivos - imágenes alta
ABSTRACT
Actually, Dengue fever registers a gradual increase in
its incidence and distribution in South America,
generating the necessity of efficient and detailed early
warning systems implementation. In the context of
Argentinean Monitoring in Tele-epidemiology (MATE)
international program, the main objective of this work
was to use high space resolution satellite images to
develop vector surveillance products in Puerto Iguazú
city, Argentina (25°36'S - 54°35'O). Since August
2007, surveillance and ecological characterization of
Aedes aegypti and A. albopictus is carried out by
Mundo Sano Foundation. Larvae and pupe focuses
are registered from 20% of total city houses (stratified
and randomly blocks selection) approximately each
40 days period. Based on this database, surveillance
GIS was developed by Argentinean space agency
( C O N A E ) . M o r e o v e r, a n e n v i r o n m e n t a l
characterization of study area was performed based
on SPOT5 HRG1 image (22/03/2007 - 2A Level),
provided by French Space Agency. Land use map was
obtained through supervised classification of the 10m
space resolution spectral bands Green, Red, NIR,
MIR and vegetation index (NDVI). A derived set of
environmental variables maps was created
containing: Distance maps to each class and
coverage of each land cover type. Using as training
regions positive areas to vector focuses, a supervised
classification of the derived environmental variables
was carried out. Predictive map obtained shows
potential areas to mosquito's species development
and breeding sites density per hectare, predicting
87% of the positive areas as Medium or High
environmental susceptibility.
KEY WORDS: Predictive maps – high resolution
images – macro-environmental model - Aedes
aegypti
INTRODUCCIÓN
Desde el punto de vista epidemiológico, se considera
que una gran parte de las enfermedades humanas se
propagan en una red de interacciones: todo el mundo
25
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
no está en contacto con todo el mundo, existe una red
de contactos definida por las relaciones entre las
personas. La naturaleza y las propiedades de esa red
determinan tanto la posibilidad de difusión de una
epidemia como su dinámica a largo plazo (Newman.
2002). Los modelisadores han comprendido que la
hipótesis de homogeneidad de contactos no puede
ser aplicada en la mayoría de los desarrollos de
modelos epidemiológicos. Es por ello, que para
arribar a buenas predicciones se necesita tener en
cuenta la heterogeneidad espacio-temporal de la
población y la estructura de sus contactos
(Sattenspiel & Dietz 1995). Por otra parte, el
desarrollo de Sistemas de Información Geográfica
(SIG) y uso de información espacial en salud, han
permitido recientemente a los epidemiólogos incluir
componentes espaciales en estudios epidemiológicos de manera sencilla. Estos han sido utilizados
para el mapeo de diferentes patologías, análisis de la
distribución espacio-temporal de los datos (Chaput et
al. 2002, Tran et al. 2002, Rotela et al. 2007),
identificación de factores de riesgo (Beck et al. 1994,
Boone et al. 2000, Lacaux et al. 2007) y el desarrollo
de mapas de riesgo (Robinson 1998, Einsen y Eisen.
2008). En el caso particular de nuestro país, en los
últimos años y a partir de la acción conjunta de la
Comisión Nacional de Actividades Espaciales
(CoNAE) con numerosas instituciones, la aplicación
de información espacial a la salud humana ha tomado
un especial dinamismo (Porcasi et al. 2004, Rotela et
al. 2007).
La Fiebre del Dengue (FD) es una enfermedad
endemoepidémica cuyo vector reconocido en
Argentina es la especie doméstica Aedes aegypti. Por
otro lado, Rossi et al (1999) y Schweigmann et al
(2004) han registrado la presencia de Aedes
albopictus en el país en 1998, en la Provincia de
Misiones, auque su competencia vectorial en
Argentina no ha sido comprobada. Debido a que esta
enfermedad no cuenta con vacuna o tratamiento
especifico disponible hasta el momento (Ministerio de
salud de la Nación, 1999), a la existencia de
transmisión autóctona en áreas subtropicales del
país y a la introducción de casos por los continuos
movimientos de personas a través de los pasos
fronterizos con países con transmisión viral (Avilés et
al, 2003), la solución más plausible para prevenirla es
el control estratégico del vector. Este control requiere
la identificación de áreas y periodos de riesgo y la
identificación de mecanismos de propagación del
virus en una comunidad para mejorar las estrategias
de prevención (Tran et al, 2004). Teniendo en cuenta
que la cadena epidemiológica se compone de tres
eslabones, patógeno, vector y susceptible, resulta
imprescindible conocer acabadamente a cada uno de
ellos, incluida la biología de los dos primeros, para
poder utilizarlos de base a la hora de construir
modelos a partir de la información que se puede
obtener de los sensores remotos. En este marco el
desafió científico para encarar estas problemáticas
es sumamente complejo dependiendo gran parte de
su desarrollo de trabajo interdisciplinario. A su vez,
SELPER
para poder desarrollar modelos predictivos es
necesario conocer acabadamente la biología del
vector en las zonas donde hay circulación viral,
puesto que se sabe que la misma puede variar de una
región a otra. En cuanto a la distribución de una
especie vector, esta suele estar asociada con
indicadores de la variabilidad espacial y temporal de
la biomasa fotosintéticamente activa, como fuera
demostrado por Rogers y Randolph (1993), Rogers et
al. (2002), Randolph y Rogers (1997) y Gorla (2002),
Porcasi et al. (2006). A nivel local, la disposición
espacial de la vegetación integra efectos de la
temperatura, precipitación y propiedades edáficas;
por ello, en algunas circunstancias puede resultar un
indicador relacionado con variables que influyen
directamente sobre procesos demográficos básicos
(mortalidad, natalidad, dispersión) que operan a
escala local. En este contexto, el Objetivo de este
estudio es el de utilizar imágenes satelitales Spot 5 de
alta resolución espacial, para la creación de
productos de vigilancia epidemiológica del dengue en
la en la cuidad de Puerto Iguazú – Provincia de
Misiones (Argentina).
MATERIALES Y MÉTODOS
Obtención de datos de terreno
En la ciudad de Puerto Iguazú (25°36'S - 54°35'O), y
desde Agosto de 2007 a la actualidad, la Fundación
Mundo Sano, realiza el monitoreo de índices de
infestación larvaria y de pupas y la caracterización
ecológica de los nichos explotados las especies
potenciales vectores del Dengue Aedes aegypti y A.
albopictus. En cada monitoreo, de aproximadamente
40 días de duración (dependiendo de la intensidad y
número de precipitaciones mensuales), se registra el
total de focos detectados y se toma muestras de
larvas y pupas del 20% del total de manzanas de la
ciudad de Puerto Iguazú. Las mismas son
seleccionadas en forma aleatoria y estratificada. Así
mismo, se recopila información meteorológica diaria,
utilizada para ajustar los modelos de series
temporales.
Construcción base de datos georeferenciada:
A partir de la base de datos entomológica y en
cooperación con la Comisión Nacional de Actividades
Espaciales de Argentina (CONAE), se genero un
Sistema de Información Geográfico para el monitoreo
de la distribución espacio temporal de estas especies.
Basados en un mapa catastral y la generación de
puntos de control relevados sobre el terreno mediante
un dispositivo GPS, se genero un mapa catastral
digital georeferenciado. La georeferencia del tipo
map to image fue realizada con el software ENVI 4.1.
A partir del mismo, y mediante la utilización del
software arcview 3.2, se procedió a generar una capa
vectorial del tipo shapefile (formato .shp), en la que
cada punto es equivalente a un lote o unidad
habitacional/catastral. Se creo una formula para
transformar los 3 números identificadores (ID)
catastrales o de lotes (Sector – Manzana – Lote) a un
26
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
único ID, para vincular los datos entomológicos
registrados para cada lote, a la base de datos
catastral en formato vectorial. De esta forma semiautomatizada, se obtuvo un único ID para cada lote
registrado para el total de la ciudad. Esta integración
de la información relevada durante el periodo de
muestreos a un Sistema de Información Geográfico,
permite obtener infamación de las bases de datos
alfanuméricas para cada unidad de estudio.
Imágenes satelitales:
Se utilizo una imagen SPOT 5 HRG1, provista por la
Agencia Espacial Francesa (CNES) de fecha anterior
al comienzo de los relevamientos entomológicos
(22/03/2007), obtenida durante una de las épocas en
SELPER
donde la vegetación presenta mayor vigorosidad.
Esta Ortoimagen, de Nivel 2A de procesamiento,
posee 4 bandas espectrales en las longitudes de
onda del Verde (0.50 - 0.59 µm) – Rojo (0.61 - 0.68
µm) - Infrarrojo Cercano (0.78 - 0.89 µm) e infrarrojo
Medio (1.58 - 1.75 µm). La imagen centrada sobre
Puerto Iguazú – Argentina (Fig.1), posee una
resolución espacial de 10m, correcciones de los
errores residuales de paralaje debidos al relieve,
basado en un Modelo Digital de Elevación,
obteniendo a partir de imágenes estereoscópicas del
instrumento HRS de Spot 5, y una precisión de
localización mejor que 30m (Delta = 30m).
Fig1. Localización del área de estudio. Izquierda arriba, localización a nivel mundial. Izquierda abajo, imagen Spot5
(RGB = XS3-XS2-XS1) del área de triple frontera entre Argentina, Brasil y Paraguay, indicando la zona de trabajo de
campo. A la derecha, magnificación de la imagen Spot5 de 10 metros de píxel (RGB = SWIR-XS3-XS1).
Análisis Espacial de datos entomológicos.
A partir de información discreta, como los puntos de
captura (lote catastral) utilizando la herramienta
Density Point (Arcmap), se genera un continuo del
paisaje o área de estudio, a través de una
rasterización e interpolación de valores, para cada
fecha de muestreo y para el total de meses
estudiados. De esta forma se obtuvieron unidades de
área amigables, como por ejemplo el numero de
criaderos de A. aegypti por Hectárea, para cada píxel
de 10 x 10 m. Este método se utilizo con distintas
parametrizaciones, según: La relación con el bloqueo
químico espacial (400 m radio) en y alrededor del
lugar donde se detecta un caso sospechoso de
dengue, o al rango de vuelo de individuos hembras de
Aedes aegypti (normalmente entre 30m y 100m). En
este sentido, como margen de seguridad para
generar mapas operativos, se consideró un radio de
200m alrededor de cada. A su vez, se realizaron
análisis espaciales con el software Geoda, para
27
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
confirmar la significancia estadística de los
agrupamientos espaciales detectados.
Tratamiento de imágenes
Para la obtención de datos ambientales, se genero
una imagen sintética conteniendo las bandas
originales de la imagen Spot5 y el Índice Normalizado
de Vegetación (NDVI). La fórmula del NDVI pone en
relación la banda Roja (R) y la del Infrarrojo cercano
(NIR). NDVI = R + NIR / R – NIR donde los valores
SELPER
negativos indican ausencia de vegetación, los
próximos a cero, vegetación con escasa cobertura y
los próximos a +1, corresponden con la vegetación
más densa. Se realizo la clasificación supervisada de
la imagen sintética utilizando regiones de
entrenamiento (ROI) como los distintos tipos de
vegetación, cuerpos de agua, zonas urbanas, zonas
cultivadas, etc, obteniéndose un Mapa de Ocupación
de Suelo de la cuidad y zonas aledañas (Fig. 2).
Fig.2. Mapa de Uso de suelo de la ciudad de Puerto Iguazú y alrededores, derivado de la clasificación supervisada de una
imagen Spot5. En ella se aprecia la zona de triple frontera internacional, expresando cada color una clase de uso de suelo
distinta.
Obtención de Variables ambientales:
Basados en las clases obtenidas, se generaron
distintas variables macro-ambientales expresadas
como: - mapas de distancia a cada clase (buffer) y
porcentajes de cada clase por área (tipo de suelo,
vegetación, agua, etc.).
Mapas de Distancia a cada Clase: Se generaron
Imágenes raster de distancia a las diferentes clases,
llamadas usualmente Buffer. Estas imágenes
contienen la distancia que existe entre cada punto de
muestreo entomológico y el píxel más cercano de
cada una de clases de la imagen clasificada. De esta
forma se obtiene una imagen Buffer por cada clase
generada.
Mapas de Porcentaje Clase de Uso de Suelo: Se
crearon imágenes que expresan el porcentaje de
superficie cubierta por cada clase, en un área de 110
X 110 metros (ventana móvil), atribuyendo ese valor
de cobertura al píxel central de cada ventana. Es decir,
considerando el rango de vuelo de A. aegypti,
28
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
consideramos que el área que rodea al píxel, en un
radio aproximado de 50 m, podría describir el
medioambiente urbano que representa el hábitat de
la especie.
SELPER
niveles de riesgo generando un mapa de
susceptibilidad ambiental a la actividad de
oviposición natural de Aedes aegypti.
RESULTADOS
Construcción de un Mapa de susceptibilidad
ambiental.
Las variables macro-ambientales construidas fueron
utilizadas como entrada para una Clasificación
Supervisada por el método del Paralelepípedo,
utilizando como regiones de interés los 603 lotes
(píxeles), de 8552 totales, que resultaron positivos a
estados inmaduros de Aedes aegytpi. El resultado,
considerando, como umbral 0.9 desvíos estándar de
la media de cada variable, fue una imagen de
probabilidad de presencia de focos positivos de
larvas y/o pupas del vector. Esta fue expresada en
Análisis Espaciales de los datos entomológicos
La Fig.3 expresa la densidad de focos de Aedes
aegypti estimada, considerando los 603 focos
registrados en los rastrillajes de la fundación Mundo
Sano (o tratamientos focales) en 277 días de
muestreos entre el 14 de Agosto de 2007 y el 16 de
Mayo de 2008. Es un mapa de abundancia de
criaderos de estados inmaduros de mosquitos
potenciales vectores del Dengue (larvas y pupas),
basado en las capturas
Fig.3. Mapas de la estimación de la densidad de focos positivos a Aedes aegypti en Puerto Iguazú, relevados durante el
total de monitoreos para la ciudad de Puerto Iguazú - Misiones - Argentina. Las unidades, con correspondencia al
gradiente de colores, expresan el número de focos positivos esperados por hectárea, para un píxel de 10 x 10 metros. La
variable densidad se expreso como un modelo de elevación digital con una exageración vertical positiva de 100 y
indicando los puntos blancos los lotes catastrales de la ciudad.
Variables ambientales
La Fig.4 muestra el total de variables macro-
ambientales o mapas temáticos generados a partir de
la metodología descripta.
29
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
SELPER
Fig.4. Totalidad de mapas temáticos generados para la obtención de relaciones espaciales. Bandas (B) 1 a 4: Bandas
originales del satélite spot. B5: Porcentaje de suelo desnudo. B6: Buffer al suelo desnudo. B7: Buffer a la clase agua. B8
a B10: Porcentajes de vegetación baja de tres tipos diferentes. VegetB, representa clases de vegetación Baja, en orden
ascendente de cobertura y verdor. B11: VegetBT es la sumatoria de clases de vegetación Baja. B12 a B14: Buffers a las
clases de vegetación Baja. B15: Buffer a la sumatoria de clases vegetación baja. B16 a B18: Porcentajes de vegetación
Alta de tres tipos diferentes. VegetA, representa clases de vegetación Alta, en orden ascendente de cobertura y verdor. B19:
VegetAT es la sumatoria de las clases de vegetación Alta. B20 a B22: Buffers a las clases de vegetación Alta. B23: Buffer a
la sumatoria de clases vegetación Alta. B24: Es el Porcentaje de Clase Urbana derivada de la imagen spot. B25: Es el
Porcentaje de Clase Urbana derivada del catastro de la ciudad, incluyendo lotes no habitados.
La relación entre las variables macroambientales y
los sitios positivos o focos de Aedes aegypti se puede
apreciar en las Figuras 5 y 6. Cabe destacar que en
relación a los mapas de distancia a cada clase, es
evidente la relación que existe entre el tipo y densidad
de la vegetación y la ruralidad. Las clases generadas
como urbano, describen perfectamente el catastro de
la ciudad, evidenciando la utilidad de las imágenes
spot5 para caracterizaciones urbanas. El mismo
patrón queda evidenciado a partir de los mapas de
porcentaje de cada clase de uso de suelo, en las que
claramente se detectan los patrones de paisaje
típicos de urbanizaciones y en los que los porcentajes
relacionadas a la urbanización decrecen desde la
ciudad hacia las áreas naturales protegidas o riberas
de ríos. La sensibilidad de estas variables es evidente
al detectar zonas suburbanas muy pequeñas.
30
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
SELPER
Fig.5. Relación entre la posición relativa de los focos positivos a Aedes aegypti y las variables de uso de suelo generadas a
partir de la imagen Spot 5.
Fig.6. El grafico muestra el porcentaje de área cubierta por cada clase de cobertura, en los sitios donde se encontraron
focos positivos de Aedes aegypti. El área de interés de cada punto, es equivalente al rango de vuelo para la especie en
estudio.
31
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
Con respecto a la relación del numero de focos Aedes
con la variable distancia al agua, deben realizarse
correcciones en esa capa de información, ya que
existe un arroyo que cruza en sentido Oeste-Este al
sur de la ciudad, que no fue clasificado en la imagen,
debido a que se encuentra cubierto por dosel arbóreo,
y no es detectado como tal por el sensor a bordo de la
plataforma Spot.
Mapa de susceptibilidad ambiental al desarrollo
de focos de Aedes aegypti
Como se muestra en la Fig.7 y Fig. 8, el 8% de toda el
área de estudio fue clasificada como de Alta
susceptibilidad, y el 82% como muy áreas de baja y
muy baja. Este elevado porcentaje de áreas de bajo
riesgo esta relacionado al gran porcentaje de áreas
de vegetación densa y zonas deshabitadas de la
SELPER
región peri urbana. La Fig.7 muestra la clasificación
de susceptibilidad de la ciudad de Córdoba y una
magnificación en barrios suburbanos. Para obtener el
porcentaje real de ambientes susceptibles,
realizamos el análisis de riesgo solamente sobre el
área urbana (ciudad), y sus limites catastrales
(incluyendo parques, plazas, baldíos, etc.) y
eliminando cultivos, áreas naturales y agroecosistemas de la escena completa Spot, a través del
enmascaramiento de los caracteres del paisaje no
deseados. Estos píxeles representan la estadística
de la ciudad en si misma, mostrando, a este nivel, una
susceptibilidad ambiental total Alta en el 17% de la
ciudad y un 60% como baja y muy baja. A su vez, el
87% de todos los focos de Aedes aegypti fueron
registrados en áreas predichas por el modelo como
de Susceptibilidad Alta y Media (Fig.8).
Fig.7. Imagen izquierda: salida del modelo a la que se aplico un filtro de Media (ventana de 5 X 5 píxeles). A la derecha,
zoom del área indicada (recuadro negro y amarillo), que representa la salida natural del modelo, indicando con círculos
turquesa las áreas donde se encontraron focos positivos de Aedes aegypti durante el periodo de monitoreos y con puntos
blancos la ubicación de cada lote del catastro.
32
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
SELPER
Fig.8. Distribución del número de píxeles en cada nivel de susceptibilidad ambiental, para los sitios donde se registraron
focos positivos, para el total de la escena utilizada y para el área urbana de la ciudad de Puerto Iguazú.
CONCLUSIÓN
A pesar de la complejidad de variables a tener en
cuenta en el análisis de la distribución espacial de
vectores antropo-filicos como Aedes aegypti, las
herramientas de análisis espacial y SIG, nos permiten
entender algunas de las relaciones espaciales
existentes entre los focos notificados y variables del
macro-hábitat derivadas de sensores remotos.
Consideramos que la construcción y actualización de
este tipo de mapas, y la verificación de la robustez de
los modelos que los generan, son un paso necesario
para el desarrollo de métodos para la predicción de
áreas de transmisión potencial de la fiebre del dengue.
En este marco, para Argentina, la adopción de
sistemas activos de vigilancia vectorial de este tipo,
constituye una herramienta eficaz para la prevención
y mitigación de brotes de dengue, ayudando a la toma
de decisiones y a la optimización de recursos.
De este modo, nuestros resultados constituyen una
herramienta práctica para la estimación de las áreas
de mayor densidad de focos y de hábitats que
promueven el desarrollo del vector dónde los datos
del campo no están disponibles. En este sentido,
estos refuerzan el uso potencial de los Sensores
Remotos y Sistemas de Información Geográficos en
la vigilancia epidemiológica y estrategias
multidisciplinarias de control. Esta meta, factible sólo
si un sistema geo-referencial preciso está disponible,
está limitado, principalmente, por la calidad de
notificación de los sistemas de vigilancia y el acceso a
validación de campo de los resultados de estudios
basados en sensores remotos.
AGRADECIMIENTOS
A todo el personal técnico de la Fundación Mundo
Sano y principalmente a Gladys Fattore, Diego
Riquelme y Diego Weinberg por su invalorable
interacción y soporte.
A la CONAE por su constante apoyo técnico y
confianza.
33
VOL. 30 Nº 1
JUNIO 2010
REVISTA
DESARROLLO DE MAPAS PREDICTIVOS DE DENSIDAD FOCAL...
SELPER
BIBLIOGRAFÍA
appendiculatus. Parasitology 115: 265-279.
Beck LR, Rodriguez MH, Dister SW, Rodriguez AD,
Rejmankova E, Ulloa A, 1994. Remote Sensing as a
landscape epidemiologic tool to identify villages at
high risk for malaria transmission. Am J Trop Med Hyg
1994;51:271-80.
Robinson T.P., 1998. Geographic Information
Systems and the selection of priority areas for control
of tsetse-transmitted trypanosomiasis in Africa.
Parasitol Today; 14:457-60.
Boone JD, McGwire KC, Otteson EW, DeBaca RS,
Kuhn EA, Villard P, 2000. Remote sensing and
geographic information systems: charting Sin
Nombre virus infections in deer mice. Emerg Infect
Dis; 6:248-58.
Chaput EK, Meek JI, Heimer R., 2002. Spatial
analysis of Human Granulocytic Ehrlichiosis near
Lyme, Connecticut. Emerg Infect Dis; 8:943-8
Eisen, RJ and Eisen, L. 2008. Spatial Modeling of
Human Risk of Exposure to Vector-Borne Pathogens
Based on Epidemiological Versus Arthropod Vector
Data. Journal of Medical Entomology; 45:181-192.
Gorla, D.E. 2002. Variables ambientales registradas
por sensores remotos como indicadores de la
distribución geográfica de Triatoma infestans
(Heteroptera: Reduviidae). Ecología Austral.
Lacaux J.P., Y.M. Tourre, C. Vignolles, J.A. Ndione, M.
Lafaye. 2007. Classification of ponds from highspatial resolution remote sensing: Application to Rift
Valley Fever epidemics in Senegal. Remote Sensing
of Environment. Volume 106, Issue 1, Pages 66-74.
Ministerio de salud de la Nación, 1999. Manual de
normas y procedimientos del sistema Nacional de
vigilancia epidemiológica Si.NA.VE. Revisión
internacional 2.000. Capitulo 7. Enfermedades
vectoriales. Http://www.direpi.vigia.org.ar/pdf/sinave
.pdf
Ministerio de Salud de la Nación, 2002. Boletín
Epidemiológico Nacional, 2002. Dirección de
Epidemiología.
Newman, M. E. J. 2002. "Spread of epidemic disease
on networks." Physical review E66: 016128.)
Porcasi, X., Calderón, G., Lamfri, M. y Scavuzzo, C.M.,
Sabattini, M., Polop, J. 2006. Predictive Distribution
Maps of Zoonoses Reservoir Rodents in a Southern
America. Mastozoología Neotropical. 12(2):199-216
Porcasi, X.; Calderón G.; Lamfri M.; Polop J.;
Sabattini M.; Scavuzzo C.M., 2004. “The use of
satellite data in modelling population dynamics and
prevalence of infection in the rodent reservoir of Junin
virus. Elsevier Editorial (tm) for Ecological Modelling.
Paper sended.
Randolph, S.E. and D.J. Rogers. 1997. A generic
population model for the Africa tick Rhipicephalus
Rogers, D.J. and S.E. Randolph. 1993. Distribution of
tse tse and ticks in Africa: past, present and future.
Parasitology Today 9: 266-271.
Rogers, J., Myers M.F, Tucker C.J., Smith P.F., White
D.J., Backenson P.B., Eidson M., Kramer L.D, Bakker
B., & Simon I.H. 2002. Predicting the distribution of
West Nile Fever in North America using Satellite
Sensor Data. Journal of the America Society for
Photogrammetry and Remote Sensing. Vol 68, N 2.
Rossi GC, Pascual NT, Krsticevic FJ 1999. First
record of Aedes albopictus (Skuse) from Argentina. J
Am Mosq Control Assoc 15: 422
Rotela Camilo, Florence Fouque, Mario Lamfri,
Phillipe Sabatier, Virginia Introini, Mario Zaidenberg,
Carlos Scavuzzo. 2007. Space–time analysis of the
dengue spreading dynamics in the 2004 Tartagal
outbreak, Northern Argentina. Acta Tropica 103 1–13.
Rotela, C.; Fouque, F.; Lamfri, M.; Sabatier, P.; Introini,
V.; Zaidenberg, M.; Scavuzzo, C. 2007. Space-time
analysis of the dengue spreading dynamics in the
2004 Tartagal outbreak, Northern Argentina
Sattenspiel, L. and K. Dietz. 1995. "A structured
epidemic model incorporating geographic mobility
among regions." Mathematical Biosciences 128: 7191.
Schweigmann N, Vezzani D, Orellano P, Kuruc J, Boffi
R 2004. Aedes albopictus in an area of Misiones,
Argentina. Rev Saude Publica 38: 136-138.
Seijo A, Cernigoi B, Deodato B, 2001. Dengue
importado del Paraguay a Buenos Aires. Medicina
(Buenos Aires). 61: 137-141.
Stein, M., G. I. Oria & W. Almirón. 2002. Principales
criaderos para Aedes aegypti y culícidos asociados
en la provincia del Chaco (Argentina). Rev. Saúde
Pública. (En prensa)
Tran A, Gardon J, Weber S, Polidori L Mapping
disease incidence in suburban areas using remotely
sensed data. Am J Epidemiol 2002; 156:662-8.(
Aedes aegypti) Diptera:
Tran, A., X. Deparis, et al. 2004."Dengue Spatial and
Temporal Patterns, French Guiana, 2001." Emerging
Infectious Diseases 10(4).
34
VOL. 30 Nº 1
JUNIO 2010
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
REVISTA
SELPER
Monitoramento do modo de colheita da cana-de-açúcar no estado de São
Paulo - Brasil por meio de imagens de sensores
orbitais em dois anos-safra
Daniel Alves de Aguiar1; Bernardo Friedrich Theodor Rudorff1; Wagner Fernando da Silva1
1
Instituto Nacional de Pesquisas Espaciais - INPE, Divisão de Sensoriamento Remoto – DSR - Av. dos Astronautas, 1758
- Jardim da Granja São José dos Campos, São Paulo - 12.227- 010 - Brasil
{daniel, bernardo, wagner}@dsr.inpe.br
RESUMO
ABSTRACT
A prática agrícola da queima da palha da cana-deaçúcar tem como finalidade facilitar a colheita manual.
Entretanto, esta prática é nociva ao meio ambiente e
à saúde humana. No Estado de São Paulo a queima
da palha da cana é regulamentada por legislação
ambiental e por um protocolo agroambiental,
assinado no ano de 2008, que determina a extinção
gradativa da prática da queima até 2017. Este
trabalho avaliou o total de área colhida com e sem a
prática da queima no Estado de São Paulo em dois
anos-safra, bem como determinou as áreas em que
houve mudança no modo de colheita a fim de atender
a legislação. Foram utilizadas imagens de diversos
sensores adquiridas de março a dezembro, período
correspondente à colheita da cana, para os anos de
2006 e 2007. Imagens SRTM foram utilizadas para
determinar áreas com declividade abaixo de 12%,
propícias à colheita mecânica. As imagens foram
analisadas por meio de técnicas de
geoprocessamento e interpretação visual. Os
resultados foram discutidos a nível estadual e
municipal. Houve um acréscimo de 16,9% de área
total colhida com cana entre os dois anos analisados.
Para a área colhida sem queima houve um acréscimo
de aproximadamente 657 mil hectares, além disso,
5,1% das áreas que foram colhidas com a prática da
queima na safra 2006/07 foram colhidas sem o uso do
fogo na safra posterior. Foram delimitados
3.104.358ha e 3.669.369ha cultivados com cana em
regiões com declividade menor que 12% nas safras
2006/07 e 2007/08, respectivamente. Concluiu-se
que, apesar do aumento da área cultivada com cana,
houve redução considerável das áreas colhidas com
a prática da queima nos dois anos avaliados. A
metodologia apresentada é uma eficiente ferramenta
de fiscalização para a legislação ambiental e
possibilita avaliar e monitorar o avanço da colheita da
cana sem o uso do fogo.
The burning of sugarcane straw prior to harvest is a
common agricultural practice to easy the manual
harvest. However, this practice is harmful to the
environment and to public health. Sugarcane straw
burning in the State of São Paulo, Brazil, is regulated
not only by an environmental legislation but also by an
agro-environmental protocol implemented in 2008
that has established a gradual extinction of the
sugarcane burning practice by 2017. The present
work evaluated the total harvested area with and
without the burning practice for two crop years, as well
as the crop fields where sugarcane is no longer being
burned in compliance with the legislation. Remote
sensing images, from different Landsat type satellites,
acquired from March through December during the
harvest seasons of 2006 and 2007 were used. Images
from SRTM were used to select sugarcane fields with
Palavras chave: sensoriamento remoto; protocolo
agro-ambiental; queima da palha da cana; variação
intra-anual.
slope ≤ 12% that can be mechanized. The images
were analyzed using GIS techniques and visual
interpretation. Results were presented at state and
municipal levels. An increase of 16.9% in cultivated
sugarcane area was observed from crop year
2006/07 to 2007/08. Harvested sugarcane without
burning increased by approximately 657 thousand ha
from 2006 to 2007; furthermore, 5.1% of the
harvested fields with straw burning in 2006 were
harvested in 2007 without burning. A total of
3,104,358 ha and 3,669,369 ha were cultivated in
slope ≤ 12% in 2006 and 2007, respectively. It was
concluded that, although the sugarcane area
increased from 2006 to 2007, the burned harvested
area was considerably reduced. The methodology
presented in this work can be used as an efficient
fiscalization tool for the environmental legislation and
it allows evaluate and monitor the advancement of the
sugarcane harvest without the use of fire.
Key words: remote sensing; agro-environmental
protocolo; sugarcane straw burning; intra-annual
variation.
35
VOL. 30 Nº 1
JUNIO 2010
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
INTRODUÇÃO
A prática da queima da palha da cana-de-açúcar para
facilitar a colheita manual tem causado danos
ambientais e à saúde pública em municípios do
Estado de São Paulo. A extinção da queima da palha
está prevista na legislação estadual e é um tema
complexo que envolve, além das questões
ambientais (ALLEN et al., 2004; LARA et al., 2005),
questões trabalhistas (SCOPINHO et al., 1999) e
econômicas (RAMOS, 2007).
A Lei estadual No 11.241 de 19 de setembro de 2002
regulamenta o fim da prática da queima até 2021 para
áreas com declividade menor que 12%
(mecanizáveis) e até 2031 para áreas com
declividade maior que 12% (não mecanizáveis) e
áreas menores que 150ha. Entretanto, em junho de
2007, a União da Indústria de Cana-de-açúcar
(UNICA) e a Secretaria do Meio Ambiente do Estado
de São Paulo assinaram um protocolo agroambiental
que antecipa os prazos para extinção da queima da
palha da cana nos canaviais paulistas (Secretaria do
Meio Ambiente, 2007). Os prazos estabelecidos
foram: 2014 para áreas mecanizáveis e 2017 para
áreas não mecanizáveis, sendo que 85% das usinas
do Estado aderiram ao protocolo. No mesmo sentido,
em março de 2008, a Organização de Plantadores de
Cana da Região Centro-Sul do Brasil (ORPLANA)
também aderiu ao protocolo. Ao aderir ao protocolo, o
Governo do Estado concede um certificado de
Conformidade agroambiental aos produtores de cana.
O conhecimento do modo de colheita da cana é
primordial para a fiscalização das diretivas técnicas
do protocolo agroambiental. Na safra 2007/2008 a
área total cultivada com cana e disponível para
colheita foi de 3.946.370ha, distribuídas em 457
municípios (Canasat, 2008). Além disso, a colheita da
cana-de-açúcar se estende entre os meses de abril a
REVISTA
SELPER
dezembro. Dessa forma, imagens obtidas por
sensores orbitais aliadas às técnicas de
geoprocessamento apresentam grande potencial
para o monitoramento e definição do modo da
colheita durante a safra (AGUIAR et al., 2007).
Desde 2003, o projeto Canasat (www.dsr.
inpe.br/canasat), desenvolvido pelo Instituto
Nacional de Pesquisas Espaciais (INPE) em conjunto
com a UNICA, com o Centro de Tecnologia
Canavieira (CTC) e com Centro de Estudos
Avançados em Economia Aplicada (CEPEA), vem
mapeando, por meio de técnicas de sensoriamento
remoto, as áreas cultivadas com cana de açúcar no
Estado de São Paulo e desde 2007 está monitorando
o modo de colheita dessas áreas.
O objetivo do presente trabalho é avaliar o modo de
colheita da cana-de-açúcar nos anos-safra de 2006 e
2007, determinando a porcentagem de áreas
cultivadas com cana que atendem ao protocolo
agroambiental, bem como determinar se a evolução
do plantio entre os dois anos está indo ao encontro
dos interesses do protocolo. Pretende-se ainda
apresentar a metodologia que permite o
monitoramento do modo de colheita durante a safra
MATERIAIS E MÉTODOS
Área de estudo
O Estado de São Paulo localiza-se na região sudeste
do Brasil, entre os paralelos 19° 50´S e 24° 30'S e os
meridianos 44° 00'O e 53° 30'O, e ocupa uma área de
248.209,4km2. O plantio da cana-de-açúcar
concentra-se principalmente nas regiões oeste e
centro-norte do Estado. A Figura 1 ilustra a
localização do Estado no Brasil, bem como as áreas
de cultivadas com cana em São Paulo.
Figura 1. Mapa de São Paulo e áreas de cana - ano safra 2006/2007
36
VOL. 30 Nº 1
JUNIO 2010
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
Imagens de sensores remotos e dados auxiliares
Para cobrir toda a área cultivada com cana no Estado
de São Paulo são necessárias 13 cenas do sensor
TM/Landsat-5. Foram selecionadas imagens livres
de nuvens ou com pouca cobertura de nuvens entre
os meses de abril (início da colheita) e dezembro de
cada ano. Imagens CCD/CBERS e DMC foram
utilizadas complementarmente quando imagens TM
foram desconsideradas por cobertura de nuvens e no
período em que o sensor TM não adquiriu imagens
(setembro a dezembro de 2007).
Imagens do projeto Shuttle Radar Topography
Mission – SRTM (RABUS et al., 2003) foram
utilizadas para obter dados de declividade. Estas
imagens foram processadas para remoção das falhas,
redução de artefatos e distribuição da aleatoriedade
por meio de krigagem, conforme VALERIANO et al.
(2006). Durante o processamento os dados foram
reamostrados para a resolução espacial de 30 x 30m.
O mapa das áreas cultivadas com cana-de-açúcar
para os anos safra 2006/2007 e 2007/2008 foram
obtidos do Projeto Canasat. A metodologia para
geração destes mapas está descrita em RUDORFF
et al. (2005) e é baseada na classificação digital e na
interpretação visual de imagens de sensores remotos.
Além de identificar as áreas cultivadas com cana
estes mapas permitem isolar as áreas de cana de
áreas com outros usos e ocupação do solo.
Todas as imagens foram referenciadas ao datum
planimétrico SAD-69 e ao sistema de projeção
Policônica. O registro foi realizado com base nos
mosaicos disponibilizados pela NASA,
confeccionados com imagens ortorretificadas do
sensor ETM+ do Landsat-7 (TUCKER et al., 2004).
REVISTA
SELPER
Os mapas de cana foram utilizados para restringir o
monitoramento apenas às áreas de interesse, ou seja,
áreas cultivadas com cana. Dessa forma as imagens
ficam restritas à apenas dois temas: a) cana
disponível para colheita em cada um dos anos-safra e
b) outros.
A metodologia teve como base o Modelo Linear de
Mistura Espectral (MLME) e técnicas de
geoprocessamento. O MLME é uma técnica de
análise sub-pixel e parte do princípio que o valor, na
escala de cinza, assumido pelo pixel é uma
combinação linear da refletância, em um determinado
comprimento de onda, de diferentes alvos. Assim,
cada pixel contém informação sobre a proporção e a
resposta espectral de cada componente dentro do
elemento de resolução espacial do sensor
(Shimabukuro e Smith, 1991; Lobell e Asner, 2004). O
resultado do MLME são três imagens fração, nas
quais o valor de cada pixel representa a proporção de
três alvos previamente definidos pelo operador.
Para aplicação do MLME é necessário a
determinação de pixels referência ou endmembers,
que servem de parâmetro para gerar as imagens
fração. A escolha criteriosa dos endmembers é
fundamental para a estimativa correta das
proporções dos alvos em cada pixel (PASTOR, 2002;
QUINTANO et al., 2006). Por ter o conhecimento
prévio das respostas espectrais dos alvos de
interesse, sejam eles: cana colhida crua, cana colhida
com o uso do fogo e cana não colhida, neste trabalho,
optou-se pela seleção dos endmembers diretamente
nas imagens do sensor TM em composição colorida
3B4R5G (Figura 2).
Mapeamento do modo de colheita da cana
Figura 2. Resposta espectral da cana colhida sem uso do fogo (1), com uso do fogo (2) e cana em pé (3) em imagem
TM/Landsat de 01/06/2006, órbita/ponto 220/74 na composição colorida 3B4R5G
Para cada cena, representada por uma órbita e um
ponto, foi criado um banco de dados geográfico no
qual foram armazenadas as três bandas espectrais
do sensor TM para as datas selecionadas. O MLME
foi aplicado à cada imagem livre de nuvens contida no
banco de dados. Nesta etapa, as imagens com
presença de nuvens e as imagens dos sensores
CCD/CBERS e DMC não foram utilizadas. A exclusão
das imagens com nuvens justifica-se pela confusão
entre a resposta espectral das áreas de cana colhida
sem o uso do fogo e a resposta espectral das nuvens,
já que ambas têm alta refletância nas imagens das
três bandas utilizadas.
A partir das imagens fração referentes a cada uma
37
VOL. 30 Nº 1
JUNIO 2010
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
das datas livres de nuvens, foi gerada uma imagem
de máximo valor para o endmember cana colhida
crua e outra imagem de máximo para o endmember
cana colhida com o uso do fogo, renomeadas para
cana crua e cana queima. Em outras palavras, cada
pixel destas imagens representa o valor máximo do
endmember, encontrado nas datas analisadas. Foi
gerada também uma imagem de mínimo valor do
endmember cana não colhida. As imagens de
máximo permitem identificar o modo de colheita e na
imagem de mínimo identifica-se as áreas de cana
bisada (endmember cana não colhida).
Dado que os valores dos pixels de cada uma das
imagens fração são relacionados à proporção do
endmember contido nos mesmos, as imagens de
máximo dos endmembers cana crua e cana queima
indicam a quantidade máxima destes endmembers
no tempo e possibilita o mapeamento destas classes.
Por outro lado, um pixel com um valor elevado de
REVISTA
SELPER
cana bisada na imagem de mínimo indica que aquela
área de cana não foi colhida em nenhuma imagem.
As imagens de máximo de cana crua, máximo de
cana queima e mínimo de cana bisada foram fatiadas
por um limiar estabelecido por meio da comparação
entre as áreas de interesse nas imagens TM e os
valores dos pixels correspondentes, uma vez que a
escolha dos endmembers variou para cada data e
para cada órbita/ponto. Nesta etapa o valor de cada
pixel é comparado com o valor do limiar estabelecido
e quando este valor é maior que o limiar o pixel é
classificado de acordo com o tema de interesse. O
passo seguinte foi reunir cada um dos temas fatiados
em um único mapa (mosaico) contendo as três
classes. A regra de decisão estabelecida para realizar
o fatiamento e o mosaico está ilustrado na Figura 3.
Os pixels que não atenderam a nenhum critério
estabelecido foram classificados como dúvida. Este
procedimento evita a sobreposição das classes.
Figura 3. Esquema de regra de decisão para a formação do mosaico dos temas
Sobre o mosaico resultante foi aplicado um algoritmo
para remoção de pixels isolados. Este algoritmo foi
desenvolvido por Berka et al. (2005) e leva em
consideração a vizinhança de cada pixel para
remoção de áreas menores que 20ha e de pixels
isolados.
A fim de minimizar os erros de omissão e de inclusão
gerados durante o processo de fatiamento e de
geração do mosaico, corrigir os possíveis erros de
borda e também verificar se o polígono classificado é
de fato pertencente ao tema atribuído, realizou-se a
interpretação visual das imagens na tela do
computador. Para isto o mapa classificado
automaticamente foi sobreposto às imagens digitais
disponíveis, incluindo as imagens com presença de
nuvens e dos sensores CCD/CBERS e DMC. Nesta
etapa seguiram-se os seguintes critérios:
A interpretação das imagens foi feita utilizando a
composição colorida 3B4R5G;
As imagens com nuvens, que não foram utilizadas na
geração das imagens fração, foram utilizadas para
fornecer informação em áreas parcialmente
nubladas;
As imagens foram avaliadas em ordem cronológica e
ao identificar o modo de colheita ele não foi mais
alterado;
As áreas mapeadas como dúvida, de acordo com a
regra de decisão supracitada, foram dirimidas na
interpretação visual por meio da edição matricial.
Após a interpretação visual, feita por diversos
intérpretes, os mapas resultantes foram revisados
por um único intérprete (revisor) para garantir a
homogeneidade das interpretações. Em seguida,
para cada ano-safra, foi gerado um mosaico que
representa o mapa final do modo de colheita de toda
área de cana do Estado de São Paulo. A intersecção
entre estes mapas e o mapa político-administrativo
do Estado permitiu gerar informações sobre aos
modos de colheita para cada município.
38
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
Identificação das áreas com potencial para a
colheita mecanizada
O potencial de áreas mecanizáveis foi analisado com
base na legislação vigente no Estado (Lei No
11.241/2002) e dados de declividade. Os dados de
declividade foram obtidos de modelos digitais de
elevação gerados a partir das imagens SRTM.
A legislação vigente prevê, levando em consideração
determinações de engenharia, que áreas com
declividade maior que 12% são impróprias para
colheita mecânica. Este limiar foi utilizado para
determinar duas classes na grade de declividade:
áreas mecanizáveis e áreas não mecanizáveis.
Realizou-se a intersecção da grade resultante com o
mapa final do modo de colheita de cada ano-safra,
REVISTA
SELPER
resultando em seis diferentes classes: a) cana
colhida sem uso do fogo em área com declividade
menor que 12% (Cana crua <12%), b) cana colhida
sem uso do fogo em área com declividade maior que
12% (Cana crua >12%), c) cana colhida com uso do
fogo em área com declividade menor que 12% (Cana
queima <12%), d) cana colhida com uso do fogo em
área com declividade maior que 12% (Cana queima
>12%), e) cana bisada em área com declividade
menor que 12% (Cana bisada <12%) e cana bisada
em área com declividade maior que 12% (Cana
bisada >12%). A partir destes dados realizaram-se
análises e comparações para os anos-safras
2006/2007 e 2007/2008.
Tabela 1. Área de cana colhida com e sem o uso do fogo, de cana bisada, total colhido e área total de cana plantada nas
safras 2006/07 e 2007/08. As porcentagens de cana crua e cana queima são em relação ao total de cana colhida.
RESULTADOS E DISCUSSÃO
A estimativa de área sob diferentes modos de colheita
para os dois anos safra avaliados permitiu identificar
a evolução do cultivo de cana-de-açúcar no Estado,
bem como o aumento da área de cana colhida sem o
uso do fogo entre as duas safras (Tabela 1). É válido
destacar que apesar do significativo aumento da área
total colhida (16,9% em relação a 2006), 108.864ha
(5,1% em relação a 2006) deixaram de ser
queimados em 2007. Observa-se ainda que o
acréscimo no total colhido em 2007 poderia ser maior,
pois o total de cana bisada na safra 2007/08 foi 70,3%
maior que na safra 2006/07.
As Figuras 4a e 4b ilustram o porcentual de cana
colhida crua em relação ao total de cana colhida em
cada municipio do Estado de São Paulo. Mesmo
visualmente, percebe-se uma redução, na safra
2007/08, do número de municípios pertencentes às
duas classes com menor porcentual de cana colhida
crua, enquanto as classes com maior porcentual tem
um aumento no número de munícipios. Esse fato
indica que os produtores de cana estão atentando às
leis ambientais e buscando reduzir a colheita sem o
uso do fogo. Os municípios na cor branca não
produzem cana-de-açucar.
39
VOL. 30 Nº 1
JUNIO 2010
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
REVISTA
SELPER
Figura 4. Espacialização do porcentual de área colhida sem o uso do fogo em relação ao total de cana colhida em cada
município do Estado de São Paulo, nas safras: a) 2006/07 e b) 2007/08.
A Fig. 5 ilustra o total de municípios pertencentes a
cada classe de porcentagem de cana colhida sem
uso do fogo em relação ao total de cana colhida nas
safras 2006/07 e 2007/08. Percebe-se, entre as duas
safras, uma redução no número de municípios para
as duas primeiras classes e um aumento nas três
últimas classes. Na safra 2006/07, 109 municípios
colheram até 15% da área sem o uso do fogo. Esse
número reduziu para 37 na safra 2007/08. A classe de
maior mudança foi a de 45-70%, que aumentou em
106 municipios de uma safra para outra. Na safra
2006/07 esta classe continha apenas 84 municipios e
na safra 2007/08 esse número aumentou para 190, o
que representa 41% dos municípios produtores de
cana na referida safra.
A Tabela 2 contém informações sobre os 10
municípios com maior área cultivada com cana-deaçúcar no Estado de São Paulo nos dois anos-safra
avaliados. Esses municípios representaram,
respectivamente, 14%,15% e 13,56% de toda área
cultivada com cana no Estado nos anos safra 2006/07
e 2007/08. Essa redução pode ser explicada pela
expansão estadual de área de cana e ao surgimento
de 26 novos municípios produtores de cana na safra
2007/08.
Figura 5. Número de municípios produtores de cana do Estado de São Paulo divididos em classes de porcentual de
colheita sem o uso do fogo nos anos-safra avaliados
40
VOL. 30 Nº 1
JUNIO 2010
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
Os mesmos municípios aparecem nos dois anossafra, entretanto o ordenamento é diferente em cada
ano, em decorrência da expansão das áreas de cana
em cada município, exceto para as três primeiras
posições que permaneceram inalteradas nos dois
anos.O município de Barretos, que tinha a 6a maior
área de cana na safra 2006/07, ocupou a 4a posição
REVISTA
SELPER
na safra posterior. A mesma tendência foi seguida
pelo município de Guaíra que ganhou duas posições
e passou a ser o 7º município com maior área de cana
na safra 2007/08. Mesmo aumentando a área
plantada em 1315ha, o município de Araraquara
perdeu duas posições e passou a ter a 9a maior área
de cana do Estado na safra 2007/08.
Tabela 2. Ordem decrescente dos 10 municípios com maior área cultivada com cana no Estado de São Paulo nas safras
2006/07 e 2007/08. Área total cultivada com cana (AT); representatividade da AT em relação ao estado de São Paulo
(%SP), área de cana colhida sem uso do fogo (CC), representatividade da CC em relação a AT.
Entre os dez municípios com maior área de cana na
safra 2006/07, o município de Piracicaba foi o que
mais colheu cana sem o uso do fogo (48,61%),
seguido pelo município de Araraquara (41,89%). Na
safra 2007/08, três municípios ultrapassaram a faixa
dos 50% de cana colhida sem o uso do fogo: Guaíra
(70,26%), Piracicaba (59,29%) e Araraquara
(52,01%). O município de Morro Agudo, primeiro da
lista nas duas safras avaliadas, colheu, sem o uso do
fogo, apenas 24,86% e 33,49% de sua área de cana
nas safras 2006/07 e 2007/08, respectivamente. Este
município representou 2,90% e 2,69% de toda a área
de cana colhida no Estado nestes dois anos-safra. O
município de Jaú obteve o menor porcentual de cana
colhida crua nos dois anos-safra avaliados, não
atingindo 8% no primeiro ano, e em 2007 colheu
apenas 17,82%.
A intersecção entre o mapa de colheita resultante
para cada ano-safra e o mapa de declividade oriundo
dos dados SRTM possibilitou identificar as áreas de
cana em diferentes classes de declividade para cada
município. A Figura 6 ilustra, para o município de
Batatais, o mapeamento da colheita de acordo com
as classes de declividade. Percebe-se que a maior
parte da cana colhida encontra-se em declividade
menor que 12%, entretanto, há muita área de cana
com declividade favorável à mecanização (<12%)
que foi colhida com o uso do fogo.
41
VOL. 30 Nº 1
JUNIO 2010
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
REVISTA
SELPER
Figura 6. Mapa temático com a identificação das áreas de cana-de-açucar colhidas com e sem uso do fogo, em áreas com
declividade >12% e <12%, no município de Batatais.
Tabela 3. Identificação do modo de colheita em áreas com declividade >12% e <12%, nos 10 municípios com maior área
cultivada de cana no Estado de São Paulo para as safras 2006/07 e 2007/08. Área total cultivada com cana na classe de
declividade (AT); porcentagem da AT colhida sem uso do fogo na classe de declividade (%CC).
42
VOL. 30 Nº 1
JUNIO 2010
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
No ano safra 2007/08, foram cultivados 3.837.039ha
em áreas com declividade <12% e colhidos
1.725.888ha (45%) sem o uso do fogo e 1.942.925ha
(51%) com o uso do fogo. Para áreas com declividade
>12% foram cultivados 127.325ha, e colhidos
41.018ha (32%) sem o uso do fogo e 80.378ha (63%)
com o uso do fogo. Desconsiderando a série de
variáveis das quais dependem a colheita mecânica e
levando em consideração apenas a declividade,
96,8% da área cultivada com cana no Estado pode
ser colhida com máquinas e sem o uso do fogo.
A Tabela 3 descreve, para os 10 municípios com
maior área cultivada com cana no Estado de São
Paulo, a área de cana cultivada em declividades
>12% e <12%, bem como a porcentagem de cana
colhida sem uso do fogo para cada uma dessas
classes de declividade. No geral, percebe-se que a
maior parte das áreas, para todos os municípios,
encontra-se em declividade favorável à mecanização
(<12%) e, portanto, passíveis de serem colhidas sem
o uso do fogo. O município de Piracicaba apresentou
a maior porcentagem de cana colhida sem uso do
fogo para as duas classes de declividade na safra
2006/07. Para a safra 2007/08, Guairá obteve a maior
porcentagem (70,27%) de cana colhida sem uso do
fogo para áreas em declividade <12%, e para áreas
em declividade >12%, Piracicaba obteve a maior
porcentagem (54,19%). O município de Morro Agudo,
que possui a maior área cultivada de cana do Estado,
teve em média 99,8% da área colhida nas duas safras
em áreas localizadas em declividade <12%.
Entretanto, colheu apenas 24,90% e 33,52% sem o
uso do fogo nas safras 2006/07 e 2007/08,
respectivamente.
Entre os dez maiores produtores de cana do Estado,
REVISTA
SELPER
o município de Jaú apresentou, para os dois anossafra e para as duas classes de declividade, a menor
porcentagem de cana colhida sem uso do fogo. O
município tem a 3ª maior área de cana em declividade
superior a 12% (Tabela 3). Entretanto, estas áreas
representaram apenas 4,9% e 5,3% do total de área
colhida por este município, o que indica que não é a
principal limitação para que o município colha maior
área sem o uso do fogo.
CONSIDERAÇÕES FINAIS
A metodologia apresentada permitiu o mapeamento
da colheita da cana no Estado de São Paulo nos
anos-safra 2006/07 e 2007/08. Neste período pôdese identificar um acréscimo de 18,5% na área
cultivada com cana no Estado, concomitantemente a
um acréscimo de 59,2% de colheita sem o uso do
fogo e a um decréscimo na área colhida com fogo de
5,1%. Apesar do aumento da área cultivada com cana,
houve redução considerável das áreas colhidas com
a prática da queima nos dois anos avaliados.
Entretanto, a porcentagem de cana colhida sem uso
do fogo no Estado pode aumentar, pois a declividade
não é o principal empecilho para esta prática, 96,8%
da área cultivada com cana na safra 2007/08
encontrava-se em regiões com declividade menor
que 12%, o que favorece a mecanização. A avaliação
da colheita nas duas safras aponta para o
atendimento ao protocolo agroambiental e para a
extinção futura da queima da cana. Tal fato está
atrelado, entre outras variáveis, à disponibilidade de
máquinas para colheita da cana crua, políticas
trabalhistas e fatores econômicos.
REFERÊNCIAS
Atmospheric Environment, v. 39, p. 4627-4637.
AGUIAR, D. A.; ADAMI, M; RUDORFF, B. F. T.;
SÁNCHEZ, G. A.; BARROS, M. A.; SUGAWARA, L.
M.; SHIMABUKURO, Y. E.; MOREIRA, M. A. (2007)
Mapeamento da cana colhida no Estado de São
Paulo – ano safra 2006/2007. São José dos Campos.
INPE. 51 p.
LOBELL, D. B.; ASNER, G. P. (2004) Cropland
distributions from temporal unmixing of MODIS data.
Remote Sensing of Environment, v. 93, n 3, p. 412 –
422.
ALLEN, A. G., CARDOSO, A. A., ROCHA, G. O.
(2004) Influence of sugar cane burning on aerosol
soluble ion composition in Southeastern Brazil.
Atmospheric Environment, v.38, n 30, p. 5025 - 5038.
BERKA, L. M. S.; RUDORFF, B. F. T.; FREITAS, R. M.
(2005) Reclassificação controlada de pixels isolados
em mapas de cana-de-açúcar. In: Simpósio Brasileiro
de Sensoriamento Remoto, 12., Goiânia, 2005. Anais...
São José dos Campos: INPE, p. 33-40.
LARA, L.L.; ARTAXO, P.; MARTINELLI, L.A.;
CAMARGO, P.B.; VICTORIA, R.L.; FERRAZ, E.S.B.
(2005) Properties of aerosols from sugar-cane
burning emissions in Southeastern Brazil.
PASTOR, C. Q. (2002) Aplicacíon del modelo de
mezclas espectrales en la teledeteccíon forestal.
Tese (Doutorado em Física Aplicada) - Universidad de
Valladolid.
Q U I N TA N O , C . ; S H I M A B U K U R O , Y. E . ;
FERNANDEZ, A.; DELGADO, J. A. A (2006) Spectral
unmixing approach for mapping burned areas in
Mediterranean countries. International Journal of
Remote Sensing, v. 26, n 7, p. 1493-1498.
RABUS, B. M.; EINEDER, A. R.; BAMLER, R. (2003).
The shuttle radar topography mission- a new class of
digital elevation models acquired by spaceborne
radar. Photogrammetric Engineering and Remote
Sensing, v. 57, p. 241-262.
43
VOL. 30 Nº 1
JUNIO 2010
MONITORAMENTO DO MODO DE COLHEITA DA CANA-DE-AÇÚCAR
RAMOS, P. O futuro da ocupação agrocanavieira no
Brasil. (2007) Informações Econômicas, SP, v.37,
n.11.
REVISTA
SELPER
least-squares mixing models to generate fraction
images derived from remote sensing multispectral
data. IEEE Transactions on Geoscience and Remote
Sensing, v. 29, n. 1, p. 16 – 20. Jan. 1991.
RUDORFF, B. F. T.; BERKA, L. M. S.; MOREIRA, M.
A.; DUARTE, V.; XAVIER, A. C.; ROSA, V. G. C.;
SHIMABUKURO, Y. E. (2005) Imagens de satélite no
mapeamento e estimativa de área de cana-de-açúcar
em São Paulo: ano-safra 2003/04. Agricultura em São
Paulo, São Paulo, SP, v. 52, n. 1, p. 21-39
TUCKER, C. J.; GRANT, D. M.; DYKSTRA, J. D.
(2004). NASA's global orthorectified Landsat data set.
Photogrammetric Engineering and Remote Sensing,
v. 70, n. 3, p. 313-322
SCOPINHO, R. A.; EID, F.; VIAN, C. E. F.; SILVA, P. R.
C. (1999). Novas tecnologias e saúde do trabalhador:
a mecanização do corte da cana-de-açúcar. Caderno
Saúde Pública, Rio de Janeiro, 15(1):147-161
VALERIANO, M. M.; KUPLICH, T M.; STORINO, M.;
AMARAL, B. D.; MENDES JR., J. N.; LIMA, D. J.
(2006). Modeling small watersheds in Brazilian
Amazônia with shuttle radar topographic mission-90
m data. Computers & Geosciences, v. 32, p. 1169 –
1181.
Secretaria do Meio Ambiente do Estado de São Paulo
(SMASP). (2008). Protocolo agroambiental. São
Paulo, 2008. Disponível em: http://www.am
biente.sp.gov.br/ cana/protocolo.pdf Acesso em: 15
de maio de 2008.
SHIMABUKURO, Y. E.; SMITH, J. A. (1991). The
União da Agroindústria Canavieira de São Paulo
(UNICA) (2008) Estatísticas agrícolas. São Paulo,
2 0 0 7 . D i s p o n í v e l e m : < h t t p : / / w w w. p o r t a
lunica.com.br>. Acesso em: 25 de jan. de 2008.
... y Envisat sigue observando el lugar
del próximo simposio (arriba izquierda)
ESA - ESRIN
Via Galileo Galilei,
Casella Postale 64.
00044 Frascati (Roma)
ITALIA
Tel: (39.06) 94180.409
Fax: (39.06) 94180.280
Att: Sr. Francesco Sarti (América Latina)
ESA - Asuntos Internacionales
8-10 rue Mario Nikis,
75738 PARIS Cedex 15, FRANCIA
Tel: (33.1) 5369.7731, Fax: (33.1) 5369.7627
Att: Sra. Marie Elisabeth De Vel (América Latina)
REVISTA - JOURNAL SELPER
ECUADOR
1980 - 1983
CUBA
2008 - 2010
PERU
CHILE
BRASIL
ARGENTINA
COLOMBIA
1983 - 1986 1986 - 1989 1989 - 1991 1991 - 1993 1993 - 1995
VOL. 30, Nº 1, 2010
VENEZUELA
MEXICO
1995 - 1997 1997 - 1999
ARGENTINA
BOLIVIA
2000 - 2002 2002 - 2004
CHILE
COLOMBIA
2004 - 2006 2006 - 2008

Documentos relacionados

Vol 26 - Selper Internacional

Vol 26 - Selper Internacional GUYANA FRANCESA Laurent PolidoriI Directeur de Recherche IRD / US ESPACE 140 Institut de Recherche pour le Développement (ex-ORSTOM) Route de Montabo - BP 165 - 97323 Cayenne cedex Tel. (+594) 594 ...

Leia mais