universidad central del ecuador facultad de … · yo, johanna lizbeth ramos benítez, en calidad...
Post on 14-Jun-2020
3 Views
Preview:
TRANSCRIPT
UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE INGENIERÍA EN GEOLOGÍA, MINAS. PETRÓLEOS Y
AMBIENTAL
CARRERA DE INGENIERÍA AMBIENTAL
“ANÁLISIS DE ESCENARIOS DEL CLIMA CAUSADOS POR LA PÉRDIDA DE
BOSQUE Y LA ACTIVIDAD GANADERA CON VISIÓN ECOSISTEMICA
SALUD - AMBIENTE EN EL CANTÓN SAN MIGUEL DE LOS BANCOS”
Trabajo De Titulación, Modalidad Proyecto de Investigación para la obtención del
Título De Ingeniero Ambiental Grado Académico de Tercer Nivel
AUTOR: Johanna Lizbeth Ramos Benítez
TUTOR: Ing. Susana Rocío Del Cisne Arciniegas Ortega, MSc.
Quito, Mayo, 2016
ii
DEDICATORIA
A mi madre Susana, por el esfuerzo y lucha constante, a mis hermanos Danny y Mishell por ser
el pilar fundamental en todo mi camino. Gracias por nunca dejarme caer y por ser ese apoyo
incondicional.
iii
AGRADECIMIENTO
Agradezco a toda mi familia por todo el apoyo brindado gracias por ser esa luz que ilumina mi
camino.
Andy gracias por ser mi motor de mi vida, mucho de lo que me toco luchar en la universidad lo
hice de tu mano nunca me dejaste desfallecer tu amor, cariño, respeto y apoyo incondicional me
ayudo a salir adelante.
A mi tutora, Ing. Susana Arciniegas por tanta dedicación y esfuerzo gracias por todo el
conocimiento impartido culminando con éxito todo el proyecto.
A la Universidad Central del Ecuador por abrirme sus puertas y formarme como profesional.
Al Centro Internacional de Zoonosis de la Universidad Central del Ecuador por darnos la
apertura y el apoyo necesario para la realización del presente Trabajo de Titulación, fomentando
la investigación y el trabajo multidisciplinario.
iv
AUTORIZACIÓN DE LA AUTORÍA INTELECTUAL
Yo, Johanna Lizbeth Ramos Benítez, en calidad de autora del Trabajo de Investigación
realizada sobre: “Análisis de escenarios del clima causados por la pérdida de bosque y la
actividad ganadera con visión ecosistémica salud -ambiente en el cantón San Miguel de los
Bancos”, por la presente autorizo a la UNIVERSIDAD CENTRAL DEL ECUADOR, hacer uso
de todos los contenidos que me pertenecen o de parte de los que contiene esta obra, con fines
estrictamente académicos o de investigación.
Los derechos que como autor me corresponden, con excepción de la presente autorización,
seguirán vigentes a mi favor, de conformidad con lo establecido en los artículos 5, 6, 8, 19 y
demás pertinentes de la Ley de Propiedad Intelectual y su Reglamento.
En la ciudad de Quito, a los 5 días del mes de mayo de 2016
FIRMA
Johanna Lizbeth Ramos Benítez
C.I. 1720901154
Telf:0983763471
E-mail: jo_ha_liz@hotmail.com
v
APROBACIÓN DEL TUTOR DEL TRABAJO DE TITULACIÓN
Yo, Ing. Susana ARCINIEGAS Ortega, MSc. en calidad de tutor del trabajo de titulación
“Análisis de escenarios del clima causados por la pérdida de bosque y la actividad ganadera
con visión ecosistemica salud-ambiente en el cantón San Miguel de los Bancos”, elaborado
por la estudiante JOHANNA LIZBETH RAMOS BENÍTEZ de la Carrera de Ingeniería
Ambiental, Facultad de Ingeniería en Geología, Minas, Petróleos y Ambiental de la
Universidad Central del Ecuador, considero que el mismo reúne los requisitos y méritos
necesarios en el campo metodológico y en el campo epistemológico, para ser sometido a la
evaluación por parte del jurado examinador que se designe por lo que lo APRUEBO, a fin
de que el trabajo investigativo sea habilitado para continuar con el proceso de titulación
determinado por la Universidad Central del Ecuador.
En la ciudad de Quito, a los 5 días del mes de mayo de 2016.
Firma del Tutor
Ing. Susana Rocío Del Cisne Arciniegas Ortega, MSc.
C.C.170519511
vi
APROBACIÓN DEL TRABAJO DE TITULACIÓN / TRIBUNAL
El tribunal constituido por:
- Dr. Félix Andueza
- Ing. Teresa Palacios
- Quím. Salomón Chacha
Luego de Calificar el Informe Final de Investigación del trabajo de titulación denominado
“Análisis de escenarios del clima causados por la pérdida de bosque y la actividad ganadera con
visión ecosistémica salud-ambiente en el cantón San Miguel de los Bancos” previo a la
obtención del título (o grado académico) de Ingeniera Ambiental presentado por la señorita
JOHANNA LIZBETH RAMOS BENÍTEZ.
Emite el siguiente veredicto: Aprobación del Proyecto de Investigación para su defensa Oral.
Fecha: 05/05/2016
Para constancia de lo actuado firman:
vii
INDICE DE CONTENIDO
Págs.
1. TEORÍA ................................................................................................................................3
2. METODOLOGIA EXPERIMENTAL ..................................................................................7
2.1. TELEDETECCIÓN. MÉTODO PARA LA ELABORACIÓN DE MAPAS DE USO Y COBERTURA DE
SUELO (FRAGMENTACIÓN) ...........................................................................................................9
2.1.1. INSUMOS DE INFORMACIÓN. ............................................................................................9
2.1.2. RESOLUCIÓN ESPACIAL Y SELECCIÓN DE SENSORES. .......................................................9
2.1.3. SELECCIÓN Y RECOPILACIÓN DE IMÁGENES SATELITALES. .............................................9
2.1.4. PROCESAMIENTO DE DATOS (REQUERIMIENTO TECNOLÓGICO). .................................... 11
2.1.4.1. Análisis de bandas. ..................................................................................................... 11
2.1.4.2. Clasificación supervisada. .......................................................................................... 14
2.1.4.3. Cálculo de áreas.......................................................................................................... 15
2.1.4.4. Análisis de fragmentación. ......................................................................................... 16
2.2. MÉTODO PARA ANÁLISIS DE CLIMA .................................................................................. 17
2.2.1. VALIDACIÓN DE LA INFORMACIÓN HIDROMETEREOLÓGICA Y RELLENO DE DATOS....... 18
2.2.1.1. Modelo de correlación- regresión. .............................................................................. 19
2.2.2. ANÁLISIS DE TENDENCIAS. ............................................................................................ 19
2.2.2.1. Precipitación. .............................................................................................................. 20
2.2.2.2. Temperatura. .............................................................................................................. 22
2.2.3. INTERPOLACIÓN DE DATOS. ........................................................................................... 24
2.2.3.1. Kriging ....................................................................................................................... 24
2.2.3.2. Inverso de la distancia (IDW). .................................................................................... 28
2.2.4. CONSTRUCCIÓN DE LA CAPA DEL ÍNDICE OMBROTÉRMICO (IO)..................................... 30
2.2.5. CÁLCULO DE DENSIDAD POBLACIONAL (GARRAPATAS) ................................................ 32
2.2.6. ENCUESTA ..................................................................................................................... 34
3. CÁLCULOS Y RESULTADOS ......................................................................................... 35
3.1. CÁLCULO DE ÁREAS ......................................................................................................... 35
3.2. ÍNDICE DE FRAGMENTACIÓN ............................................................................................ 38
viii
3.3. RELLENO DATOS ESTACIONES METEOROLÓGICAS ............................................................ 44
3.3.1. TEMPERATURA .............................................................................................................. 44
3.3.2. PRECIPITACIÓN .............................................................................................................. 45
3.4. KRIGING ........................................................................................................................... 45
3.5. INVERSO DE LA DISTANCIA (IDW) .................................................................................... 54
3.6. ÍNDICE OMBROTÉRMICO ................................................................................................... 57
3.7. DENSIDAD POBLACIONAL (GARRAPATAS) ........................................................................ 58
3.8. ENCUESTA ........................................................................................................................ 59
4. DISCUSIÓN DE RESULTADOS ....................................................................................... 62
4.1. CAMBIO DE USO DEL SUELO PERÍODO 1988, 1998 Y 2002 ................................................. 62
4.3. TENDENCIAS DE VARIABLES CLIMÁTICAS ........................................................................ 63
4.4. OBTENCIÓN DE MODELO FINAL ........................................................................................ 66
4.5. PERCEPCIÓN SOBRE EL INCREMENTO DE PLAGAS EN LAS ÁREAS DE LOS DIFERENTES TIPOS
DE PASTO .................................................................................................................................... 67
5. CONCLUSIONES .............................................................................................................. 70
6. RECOMENDACIONES ..................................................................................................... 71
7. CITAS BIBLIOGRÁFICAS ............................................................................................... 72
8. BIBLIOGRAFÍA ................................................................................................................. 74
ANEXOS ................................................................................................................................... 76
ix
INDICE DE GRÁFICOS
Págs.
Gráfico 1. Precipitación anual máxima y mínima ...................................................................... 20
Gráfico 2. Precipitación mensual máxima y mínima ................................................................. 21
Gráfico 3. Temperatura anual máxima y mínima ...................................................................... 22
Gráfico 4. Temperatura mensual máxima y mínima .................................................................. 23
Gráfico 5. Histograma Precipitación Media .............................................................................. 25
Gráfico 6. Normal QQPlot Precipitación Media ........................................................................ 25
Gráfico 7. Trend Analysis Precipitación Media ......................................................................... 25
Gráfico 8. Selección de método geoestadistico ......................................................................... 26
Gráfico 9. Distribución de datos ................................................................................................ 26
Gráfico 10. Generación del modelo - kriging ............................................................................ 27
Gráfico 11. Validación del modelo - Kriging ............................................................................ 27
Gráfico 12.Generación del modelo - IDW ................................................................................. 29
Gráfico 13.Validación del modelo - IDW.................................................................................. 29
Gráfico 14.Correlación de temperatura ..................................................................................... 44
Gráfico 15. Correlación de precipitación ................................................................................... 45
Gráfico 16. Histograma de precipitación media ........................................................................ 46
Gráfico 17. Normal QQPlot de precipitación media .................................................................. 46
Gráfico 18. Valida Trend Analysis de precipitación media ....................................................... 47
Gráfico 19. Modelo exponencial cálculo tercer orden ............................................................... 47
Gráfico 20. Histograma de temperatura máxima ....................................................................... 49
Gráfico 21. Normal QQPlot de temperatura máxima ................................................................ 49
Gráfico 22. Trend Analysis de temperatura máxima ................................................................. 50
Gráfico 23. Modelo exponencial cálculo segundo orden ........................................................... 50
Gráfico 24. Histograma de temperatura media .......................................................................... 52
Gráfico 25 Normal QQPlot de temperatura media .................................................................... 52
Gráfico 26. Trend Analysis de temperatura media .................................................................... 53
Gráfico 27. Modelo exponencial cálculo segundo orden ........................................................... 53
Gráfico 28.Validación del modelo - IDW.................................................................................. 55
Gráfico 29.Cambios de temperatura .......................................................................................... 60
Gráfico 30. Cambios de precipitación ....................................................................................... 60
Gráfico 31.Tipo de pastura ........................................................................................................ 61
x
Gráfico 32.Porcentaje de garrapatas .......................................................................................... 61
Gráfico 33.Promedio de temperatura en años ............................................................................ 64
Gráfico 34.Promedio de precipitación en años .......................................................................... 64
Gráfico 35.Precipitación máxima en años ................................................................................. 65
Gráfico 36.Precipitación mínima en años .................................................................................. 65
xi
INDICE DE FIGURAS
Págs.
Figura 1. Mapa ubicación San Miguel de los Bancos ..................................................................8
Figura 2. LandSat 8, de 30m de resolución, junio de 1988 ........................................................9
Figura 3. LandSat 8, de 30m de resolución, marzo de 1998 .................................................... 10
Figura 4. LandSat 8, de 30m de resolución, julio de 2002....................................................... 10
Figura 5. Selección de bandas ................................................................................................... 11
Figura 6. Generación de mapa mediante bandas ....................................................................... 12
Figura 7. Combinación de bandas ............................................................................................. 12
Figura 8. LandSat 8, de 30m de resolución, junio de 1988, bandas 2, 3 y 4 ............................ 13
Figura 9. LandSat 8, de 30m de resolución, marzo de 1998, bandas 7, 4 y 3 .......................... 13
Figura 10. LandSat 8, de 30m de resolución, julio de 2002, bandas 7, 4 y 3 ........................... 14
Figura 11. Puntos de muestreo supervisado .............................................................................. 14
Figura 12. Puntos de muestreo supervisado .............................................................................. 15
Figura 13. Mapa Maximum Likelihood Classification .............................................................. 15
Figura 14. Tabla de áreas .......................................................................................................... 16
Figura 15. Datos de estaciones meteorológicas ......................................................................... 18
Figura 16. Modelo de correlación y regresión ........................................................................... 19
Figura 17. Modelo Kriging de precipitación máxima ................................................................ 28
Figura 18. Modelo IDW de precipitación máxima .................................................................... 30
Figura 19. Análisis Map algebre expression.............................................................................. 31
Figura 20. Modelo Índice ombrotérmico máximo .................................................................... 32
Figura 21. Mapa de densidad poblacional enero ....................................................................... 33
Figura 22. Mapa HotSpot enero ............................................................................................... 34
Figura 23. Mapa San Miguel de los Bancos 1988 .................................................................... 35
Figura 24. Mapa San Miguel de los Bancos 1998 .................................................................... 36
Figura 25. Mapa San Miguel de los Bancos 2002 .................................................................... 37
Figura 26. Mapa índice de fragmentación del área agropecuaria 1988 ...................................... 38
Figura 27. Mapa índice de fragmentación del área natural 1988 ............................................. 39
Figura 28. Mapa índice de fragmentación del área agropecuaria 1998 ..................................... 40
Figura 29. Mapa índice de fragmentación del área natural 1998 ............................................. 41
Figura 30. Mapa índice de fragmentación del área agropecuaria 2002 ...................................... 42
Figura 31. Mapa índice de fragmentación del área natural 2002 ............................................. 43
Figura 32. Modelo ordinario de tercer orden de precipitación media ........................................ 48
xii
Figura 33. Modelo Kriging de temperatura máxima ................................................................. 51
Figura 34. Modelo Kriging de temperatura media .................................................................... 54
Figura 35. Modelo IDW de precipitación media ....................................................................... 55
Figura 36. Modelo IDW de precipitación media ....................................................................... 56
Figura 37. Modelo IDW de temperatura media ......................................................................... 56
Figura 38.Cálculo de índice ombrotérmico ............................................................................... 57
Figura 39. Modelo Índice ombrotérmico máximo ..................................................................... 57
Figura 40. Mapa tipo de pastura ............................................................................................... 58
Figura 41. Mapa HotSpot enero ............................................................................................... 58
Figura 42. Modelo IDW ........................................................................................................... 67
xiii
INDICE DE TABLAS
Págs.
Tabla 1. Coordenadas UTM WGS 84 del Cantón San Miguel de los Bancos..............................7
Tabla 2. Límites del Cantón San Miguel de los Bancos ..............................................................7
Tabla 3. Datos de estaciones meteorológicas ............................................................................ 18
Tabla 4. Indice ombrotermico ................................................................................................... 30
Tabla 5. Muestreo de larvas....................................................................................................... 33
Tabla 6. Cálculo de área 1988. .................................................................................................. 35
Tabla 7. Cálculo de área 1998 ................................................................................................... 36
Tabla 8. Cálculo de área 2002 ................................................................................................... 37
Tabla 9. Resumen cálculo de áreas ............................................................................................ 38
Tabla 10. Datos Temperatura .................................................................................................... 45
Tabla 11. Datos precipitación .................................................................................................... 45
Tabla 12. Porcentaje de larvas en pasturas ................................................................................ 59
Tabla 13. Resumen porcentajes de áreas ................................................................................... 62
Tabla 14. Indice de fragmentación ............................................................................................ 63
Tabla 15. Porcentaje de larvas en pasturas mes a mes ............................................................... 68
INDICE DE FOTOGRAFÍAS
Págs.
Fotografía 1. Toma de puntos de referencia .............................................................................16
xiv
Tema: “Análisis de escenarios del clima causados por la pérdida de bosque y la actividad
ganadera con visión ecosistémica salud-ambiente en el cantón San Miguel de los Bancos”
Autor: Johanna Lizbeth Ramos Benítez
Tutora: Ing. Susana Rocío Del Cisne Arciniegas Ortega, MSc.
RESUMEN
El presente proyecto de investigación tiene como propósito analizar los escenarios del clima
causados por la pérdida de bosque y ganadería mediante una propuesta metodológica con visión
ecosistémica salud ambiente, a partir de información derivada de la base de datos del INAMHI,
Earth Explorer y Worldclim durante un periodo de 60 años aproximadamente. Se modelizó
estadísticamente la variabilidad climática para determinar los efectos de cambio del clima
asociados a entornos ganaderos, obteniendo como resultado 52,55% de perdida en el área
natural, aumento de 30,48% en el área agropecuaria, los valores obtenidos evidencian un alto
grado de alteración en el paisaje. La modelización SIG permitió diseñar mapas para determinar
el comportamiento de precipitación y temperatura en el cantón San Miguel de los Bancos,
concluyendo que la mayor parte de las áreas naturales que se conservarán en el futuro serán
áreas fragmentadas, éste tipo de estudios serán de mucho valor para evitar y revertir la pérdida
de ecosistemas.
PALABRAS CLAVES: /VISIÓN ECOSISTÉMICA/ MODELIZACIÓN/ VARIABILIDAD
CLIMÁTICA/ SISTEMAS DE INFORMACIÓN GEOGRÁFICA/ FRAGMENTACIÓN DEL
ECOSISTEMA/
xv
TITLE: “Analysis of the climate sceneries caused by the livestock activity and the loss of the
forest with health-enviromental ecosystem view in San Miguel de los Bancos”
Author: Johanna Lizbeth Ramos Benítez
Tutora: Ing. Susana Rocío Del Cisne Arciniegas Ortega, MSc.
ABSTRACT
The present research project aims to analyze the climate scenarios caused by loss of forest and
livestock through a methodological proposal with vision ecosystem environment health, based
on information derived from the database of the INAMHI, Earth Explorer and Worldclim for a
period of 60 years approximately. The climate variability was statistically modelled to
determine the effects of climate change associated with livestock environments, obtaining as
result 52,55% loss in the natural area, 30.48% increase in the agricultural area, the obtained
values demonstrate a high degree of alteration in the landscape.
GIS modelling allowed design maps to determine the behavior of precipitation and temperature
in the canton of San Miguel de los Bancos, concluding that the most of the natural areas will be
kept in the future will be areas fragmented, this kind of study will be of much value to prevent
and reverse the loss of ecosystems
KEY WORDS: /VISION ECOSYSTEM/ MODELLING/ CLIMATE VARIABILITY/
GEOGRAPHICAL INFORMATION SYSTEMS/ FRAGMENTATION ECOSYSTEM/
I CERTIFY that the above and foregoing is a true and correct translation of the original
document in Spanish.
___________________________
Ing. Susana Rocío Del Cisne Arciniegas Ortega, MSc. Certified Translator
ID: 170519511
1
INTRODUCCIÓN
El análisis de escenarios del clima causados por la pérdida de bosque y ganadería es una
propuesta metodológica con visión ecosistémica salud ambiente, puesto que es uno de los
sectores más vulnerable a los impactos del cambio climático.
La Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC),
considera el cambio climático como un “cambio del clima atribuido directa o indirectamente a
actividades humanas que alteran la composición de la atmósfera mundial, y que viene a añadirse
a la variabilidad natural del clima observada durante períodos de tiempo comparables”
(UNISDR, 2009).
El cambio climático amenaza al mundo entero, pero los países en desarrollo son los más
vulnerables. Según las estimaciones, soportarán aproximadamente entre 75% y el 80% del costo
de los daños provocados por la variación del clima (Banco Mundial, 2010).
Una opción de adaptación al cambio climático según la Evaluación de los Ecosistemas del
Milenio (2005) es procurar el empoderamiento de los grupos marginados (ganaderos) con el fin
de influir en las decisiones (percepción) que les afectan y sus servicios eco-sistémicos. Sin
embargo esto requiere de esfuerzos que estén enfocados a atender a las limitaciones ya
identificadas en términos de enfrentar el cambio y la variabilidad del clima (Martínez, 2013)
Una de las principales limitaciones está en el uso de tierra dedicada a la ganadería tradicional
(IFAD, 2010). Se considera que en América el mayor uso de la tierra de los agroecosistemas se
encuentra en pasturas (Casasola et al, 2006), principalmente por pastos naturales (Fujisaka et al,
2000) asociada a una baja productividad y rentabilidad (Betancourt et al, 2006).
Sin embargo existen alternativas, surgidas del conocimiento local o percepción para la
adaptación de los sistemas ganaderos al entorno de riesgo, que también están enfocadas con el
fin de desarrollar cambios sostenibles en el uso del suelo y su mayor productividad (Martínez,
2013).
Por otro lado la salud humana depende de la capacidad de una sociedad para mejorar la
interacción entre las actividades humanas y los ambientes físico, químico y biológico. Con el
fin de salvaguardar la salud humana, sin dejar de lado la integridad de los sistemas naturales de
los cuales depende el ambiente. Las alteraciones en los ecosistemas y el daño a la salud de la
población requieren el desarrollo de una metodología para anticiparse a los cambios dramáticos
en el medio ambiente ocasionado por interacciones antrópicas, así como sus consecuencias.
2
Con esta investigación, se introduce una metodología para la generación de escenarios
prospectivos de cambio climático causados por pérdida de bosque y actividad ganadera, basada
en la utilización de sistemas de información geográfica para la búsqueda, manipulación y
generación de información multivariante, y métodos de geo- estadística para el procesamiento
de esta información (Londoño et al, 2007).
3
1. TEORÍA
En el ámbito mundial, las actividades humanas han causado y van a seguir causando una
pérdida en la biodiversidad debido, entre otras cosas, a cambios en el uso y la cubierta de los
suelos; la contaminación y degradación del suelo y del agua (incluyendo la desertificación), la
contaminación del aire, la fragmentación del hábitat; la explotación selectiva de especies; la
introducción de especies no autóctonas, y el agotamiento del ozono estratosférico (PNUMA,
2002).
La pérdida de hábitat y fragmentación se consideran las principales amenazas que afectan a la
diversidad biológica (Harris, 1988); la fragmentación de los hábitats se ha estudiado desde los
años 60 bajo dos fundamentos teóricos: la teoría biogeográfica de islas (MacArthur & Wilson,
1967) y la teoría de metapoblaciones (Levins, 1969). La teoría de islas estudia la influencia del
aislamiento (distancia a otros fragmentos o hábitats) y el tamaño de los fragmentos en la riqueza
y composición de especies, considerando la colonización y extinción como procesos
fundamentales. El termino metapoblación fue introducido por Levins (1969) para describir
poblaciones compuestas por subpoblaciones, y enfatiza el concepto de conectividad y el
intercambio entre poblaciones espacialmente separadas (Hansk, 1999).
Santos (2013) dice: la fragmentación puede producirse por procesos naturales que alteran el
medio lentamente, como el viento, tormentas, derrumbes, fuegos, depredación, forrajeo o por
actividades humanas, como el establecimiento de cultivos, carreteras, ciudades, etc; siendo uno
de los procesos antrópicos con efectos más devastadores sobre la biodiversidad. En primer lugar
la fragmentación involucra la pérdida del hábitat, ya que una porción de paisaje es transformada
a otro tipo de uso de tierra y los flujos naturales de materia y energía se verán alterados.
Cuanto más pequeños son los fragmentos, mayor vulnerabilidad para las especies a las
condiciones ambientales adversas, que son más frecuentes en sus bordes que en el interior, y por
tanto hay una mayor probabilidad de extinción (Ramos et al. 2008).
Los efectos de la fragmentación no son lineales, si no que se multiplican al llegar a cierto
porcentaje de hábitat destruido (Ramos et al. 2008).
Por lo tanto la biodiversidad presente en una región o país es el resultado de procesos
ecológicos y evolutivos que la han venido moldeando a lo largo de millones de años (Dirzo &
Raven 2003). Además del efecto de estos factores históricos, la biodiversidad es dinámica de
cara al futuro, debido al impacto de los factores ambientales que actualmente inciden sobre la
misma.
4
La interacción humana con el medio natural ha llevado a la extracción y transformación de los
recursos naturales y al cambio del uso del suelo. Lo que conduce a la deforestación y
fragmentación de vastas superficies de ecosistemas para usos agropecuarios, industriales y
urbanos (Masera et al. 1997; Challenger 1998).
En los últimos años, los principales cambios se han reflejado en el incremento de la temperatura
y una mayor variabilidad de la precipitación, que se traduce en situaciones extremas de sequías,
inundaciones y variaciones de estacionalidad. Dichos efectos inciden generalmente, de manera
negativa sobre la agricultura y la ganadería, que son sectores altamente dependientes del clima.
(PNUMA, 2012), el clima podría influir directamente en plagas de insectos ya sea matándolos a
través de cambios de temperatura y humedad, o determinando su tasa de crecimiento y
desarrollo. (Pérez et al, 2010).
Mucho se ha escrito sobre la importancia de la diversificación de agroecosistemas para reducir
la incidencia de plagas y patógenos (Altieri & Nicholls, 2004), esta relación entre biodiversidad
y protección de cultivos se ha extendido para lidiar con la variabilidad climática (Altieri &
Koohafkan, 2008).
El aumento de las actividades ganaderas en el mundo, exige que se mejore el rendimiento de los
pastizales y como consecuencia el uso indiscriminado de plaguicidas y del recurso hídrico, lo
que ha llevado a un deterioro de los ecosistemas y el descuido del uso del suelo. Motivo por el
cual se debe analizar la relación entre individuo –ambiente, para formular soluciones que
contribuyan a la gestión ambiental. Dada la interconexión entre el ambiente, los recursos
naturales, las amenazas naturales y la seguridad alimentaria, se hace necesario reducir la
vulnerabilidad mediante la adopción de estrategias de manejo sustentable de recursos naturales
como suelo, agua y bosques, mejorando así la matriz ambiental circundante (Charrón, 2014).
La variabilidad climática hace referencia a las variaciones del estado medio y a otras
características estadísticas (desviación típica, sucesos extremos, etc.) del clima en todas las
escalas temporales y espaciales más amplias que las de los fenómenos meteorológicos. La
variabilidad puede deberse a procesos internos naturales del sistema climático (variabilidad
interna) o variaciones del forzamiento externo natural o antropogénico (variabilidad externa)
(IPCC, 2007).
En términos más precisos, los impactos del clima sobre la sociedad se definen no solo a partir
de las dimensiones biofísicas del fenómeno climático (intensidad y frecuencias de sequias,
precipitaciones, inundaciones, etc.) sino también por condiciones socioeconómicas (grado de
exposición de ciertos tipos de productores a los fenómenos referidos) (IPCC, 2007). La
vulnerabilidad debe ser entendida como una propiedad emergente de la interacción entre los
agro-ecosistemas y los sistemas socioeconómicos acoplados.
5
La preocupación por la variabilidad climática y sus influencias en términos de las alteraciones
en el régimen de lluvias, las temperaturas y otro parámetros, se ha venido incrementando,
particularmente a partir de la década del 90, a raíz de la Conferencia Mundial del Medio
Ambiente, Eco-92 en Río de Janeiro- Brasil y de la Conferencia del cambio climático en
(Córdova, 2003)
Alteraciones atribuibles a la variabilidad climática como: sequias, inundaciones y los flujos
torrenciales, entre otros; impactan la economía y el desarrollo social y se traducen en cuantiosas
pérdidas materiales y humanas. En las últimas décadas del siglo XX y en el temprano siglo XXI
que se inicia, hemos asistido a un aumento creciente de la variabilidad, que de manera
consensual entre la comunidad científica, se atribuye cada vez con más frecuencia, al cambio
climático global (Córdova, 2003).
La dependencia humana del medio ambiente natural es evidente, ya que los sistemas ecológicos
proveen al ser humano de los bienes y servicios esenciales para su supervivencia y buena salud.
En consecuencia, cualquier cambio en el entorno plantea serias amenazas a la salud humana. El
enfoque ecosistémico en salud constituye un nuevo enfoque que conecta la gestión ambiental
integrada con una comprensión holística de la salud humana, tomando en cuenta los factores
sociales, económicos y culturales inherentes a un ecosistema (Pérez et al. 2012).
La salud humana puede ser víctima de la degradación y el cambio ambiental. Los ecosistemas
que son lo suficientemente estables y biológicamente diversos tienden a mantener la calidad de
vida humana (Pérez et al. 2012).
La visión ecosistémica es una estrategia generada en el seno del convenio de diversidad
biológica de la Naciones Unidas para promover la conservación y el uso equitativo de los
recursos de la tierra, el agua y los seres vivos (Simith & Maltby, 2003).
Al entender la salud como un estado de completo bienestar fisiológico y psicológico, está claro
que la raíz de los principales problemas que afectan a la humanidad hoy son resultado de la
relación entre el ser humano y la naturaleza que se estableció durante la era moderna (Leff,
2000).
Para comprender la visión ecosistémica entre salud y ambiente, es necesario realizar un estudio
multidisciplinario, cuyo objeto principal evalué variables ambientales enfocadas en aspectos
biofísicos, como temperatura, precipitación, cobertura vegetal, uso de suelo, entre otras
(Muguruza, 2013). Las cuales son usadas como inputs para modelos de escenarios o unidades
territoriales aplicando sistemas de información geográfica.
Los sistemas de información geográfica se pueden definir ampliamente como: un sistema de
hardware, software y procedimientos, diseñado para realizar la captura, almacenamiento,
6
manipulación, análisis, modelización y presentación de datos georeferenciados especialmente
para la resolución de problemas complejos de planificación y gestión (NCGIA, 1990)
La gestión de información espacial que puede brindar un SIG, es una razón fundamental por la
cual es utilizada esta herramienta. Permitiendo separar la información en diferentes capas
temáticas y las almacena independientemente, permitiendo trabajar con ellas de manera rápida y
sencilla, y facilitando al profesional la posibilidad de relacionar la información existente a través
de la topología de los objetos, con el fin de generar otra nueva que no podríamos obtener de otra
forma (Brenes, 2012).
Lo que puede resolver un Sistema de Información Geográfica es:
1. Localización: preguntar por las características de un lugar concreto.
2. Condición: el cumplimiento o no de unas condiciones impuestas al sistema.
3. Tendencia: comparación entre situaciones temporales o espaciales distintas de alguna
característica.
4. Rutas: cálculo de rutas óptimas entre dos o más puntos.
5. Pautas: detección de pautas espaciales.
6. Modelos: generación de modelos a partir de fenómenos o actuaciones simuladas.
“Una característica importante de un SIG es la alta capacidad de generación de modelos de
simulación, predicción y decisión, que pueden ser utilizados en la elaboración de escenarios”
(Valenzuela, 1994, citado por Jiménez)
7
2. METODOLOGIA EXPERIMENTAL
ÁREA DE ESTUDIO
El Cantón San Miguel de Los Bancos está ubicado a 94 Km al Noroccidente de Quito, se accede
por la vía a la Costa, Calacalí-La Independencia. El cantón tiene un clima bastante húmedo -
lluvioso y se observa con frecuencia la formación de neblina por su ubicación geográfica en ceja
de montaña con una humedad promedio de 95 % (PDOT Cantón San Miguel de Los Bancos,
2012) (Ver figura 1).
Tabla 1. Coordenadas UTM WGS 84 del Cantón San Miguel de los Bancos
Límites Coordenadas
Norte: 10002462,05m
Este: 734020,22m
Fuente: PDOT Cantón San Miguel de los Bancos, (2012).
Tabla 2. Límites del Cantón San Miguel de los Bancos
Límites Cantones y Provincia
Norte: Distrito Metropolitano de Quito y
cantón Pedro Vicente Maldonado
Sur: Provincia Santo Domingo de los Tsáchilas
Este: Distrito Metropolitano de Quito
Oeste: Provincia Santo Domingo de los Tsáchilas
Fuente: PDOT Cantón San Miguel de los Bancos, (2012).
8
Figura 1. Mapa ubicación San Miguel de los Bancos
Fuente: Instituto Geográfico Militar, (2015).
9
2.1. Teledetección. Método para la elaboración de mapas de uso y cobertura de suelo
(fragmentación)
2.1.1. Insumos de información.
Los insumos utilizados para la generación de los mapas de uso y cobertura de suelo
corresponden a imágenes satelitales LandSat 8, cuyo objetivo es capturar información de la
cobertura terrestre, con resolución espacial media (Peralvo & Delgado, 2010).
2.1.2. Resolución espacial y selección de sensores.
Los años de referencia que se tomaron en cuenta para el trabajo de investigación son: 1988,
1998 y 2002. Los dos primeros años corresponden a imágenes LandSat L 1-5 MSS y el año
restante pertenece a LandSat L7 ETM + SLC ON (Peralvo & Delgado, 2010).
Para mantener homogeneidad espacial, los análisis se realizaron en base a la utilización de un
tamaño de píxel de 30 m. La Unidad de Mapeo utilizada para la generación de los mapas de uso
y cobertura del suelo es de 10.000m2 (1 ha).
2.1.3. Selección y recopilación de imágenes satelitales.
Para cada año de referencia, se seleccionaron imágenes con la menor cobertura de nubes
posible.
Figura 2. LandSat 8, de 30m de resolución, junio de 1988
Fuente: Earth Explorer, (2016).
10
Figura 3. LandSat 8, de 30m de resolución, marzo de 1998
Fuente: Earth Explorer, (2016).
Figura 4. LandSat 8, de 30m de resolución, julio de 2002
Fuente: Earth Explorer, (2016).
11
2.1.4. Procesamiento de datos (requerimiento tecnológico).
El sistema de información geográfica utilizada para la generación de los mapas de cobertura y
uso de la tierra es el software ArcGIS, el cual permite crear, analizar, almacenar y difundir datos
geo-espaciales (Peralvo & Delgado, 2010).
La metodología utilizada para este proyecto de investigación exploratoria propone mapear de
forma explícita las áreas de cobertura natural, agropecuaria, cuerpo de agua y área poblada. Esto
requiere la caracterización de los distintos tipos de uso y cobertura de suelo.
2.1.4.1. Análisis de bandas.
Se realiza una fusión de imágenes, con el fin de incrementar la resolución espacial y
proporcionar una mejor visualización de una imagen multibanda con la imagen de banda única
de alta resolución. Estas imágenes se proyectan al sistema de coordenadas de la zona que
corresponde el área de estudio, la cual es WGS_1984_UTM_Zone_17S (ESRI, 2012).
Figura 5. Selección de bandas
Fuente: ArcGIS (Versión 9.3), (2008).
12
Figura 6. Generación de mapa mediante bandas
Fuente: ArcGIS (Versión 9.3), (2008).
Figura 7. Combinación de bandas
Fuente: ArcGIS (Versión 9.3), (2008).
13
Figura 8. LandSat 8, de 30m de resolución, junio de 1988, bandas 2, 3 y 4
Fuente: ArcGIS (Versión 9.3) , (2008).
Figura 9. LandSat 8, de 30m de resolución, marzo de 1998, bandas 7, 4 y 3
Fuente: ArcGIS (Versión 9.3), (2008).
14
Figura 10. LandSat 8, de 30m de resolución, julio de 2002, bandas 7, 4 y 3
Fuente: ArcGIS (Versión 9.3), (2008).
2.1.4.2. Clasificación supervisada.
La clasificación supervisada en tecnología SIG permite agrupar los datos mediante imágenes en
donde cada píxel (celda) pertenece a una clase. Es necesario tener conocimiento previo de las
clases del área de estudio (uso actual del suelo).
Para analizar los patrones espectrales por medio de la clasificación supervisada, se eligió el
procedimiento matemático:
Máxima probabilidad (Maximum Likelihood Classification)
La generación de mapas de clasificación supervisada, se realizó mediante puntos de muestreo y
asignación de un valor numérico para cada clase, los cuales ayudaron a identificar las diferentes
áreas: natural, agropecuario, área poblada y cuerpo de agua.
Figura 11. Puntos de muestreo supervisado
Fuente: ArcGIS (Versión 9.3), (2008).
15
Figura 12. Puntos de muestreo supervisado
Fuente: ArcGIS (Versión 9.3), (2008).
Figura 13. Mapa Maximum Likelihood Classification
Fuente: ArcGIS (Versión 9.3), (2008).
2.1.4.3. Cálculo de áreas.
El cálculo de áreas dadas para el uso de suelo y cobertura vegetal se lo realizó por medio de la
tabla de atributos la cual permite visualizar, consultar y analizar los datos.
16
La tabla de atributos está constituida por filas (registros) y columnas (campos), cada campo
puede almacenar un tipo de dato específico (número, fecha, texto) (ESRI, 2012).
Se realizó el análisis para los años 1988, 1998 y 2002, basándose en la distribución de las áreas:
natural, agropecuario, área poblada y cuerpo de agua con el fin de simplificar la información y
obtener las áreas correspondientes a cada año.
Figura 14. Tabla de áreas
Fuente: ArcGIS (Versión 9.3), (2008).
2.1.4.4. Análisis de fragmentación.
Los modelos de uso y cobertura de suelo fueron verificados en recorridos de campo y mediante
la creación de una memoria fotográfica y puntos de referencia (obtenidos por gps), para
determinar el grado de confiabilidad o certeza del análisis realizado.
Fotografía 1. Toma de puntos de referencia
Fuente: San Miguel de los Bancos, (2016).
17
Posteriormente, se procedió con el análisis de los datos mediante la elaboración de mapas en
diferentes años. Estos mapas permitieron observar la dinámica de cambio y cobertura de suelo
en la zona y la cantidad de hectáreas conservadas o transformadas, una vez seleccionados los
ambientes o grupos de hábitats afines, cuya evolución del grado de fragmentación se desea
evaluar, se crearon los mapas de los años 1988, 1998, 2002, según la combinación de métodos
de fragmentación y temporalidad.
A continuación se llevó a cabo el cálculo del índice de fragmentación sobre cada uno de los
mapas, la ecuación utilizada para calcular el índice de fragmentación (Gurrutxaga, 2003) es la
siguiente:
Ecuación 1. Índice de fragmentación
Fuente: Gurrutxaga, 2003
Donde:
ST: superficie total del hábitat
NM: número de manchas
Rc: dispersión de las manchas = 2 dc (λ/π)
dc: distancia media desde una mancha (su centro o centroide) hasta la mancha más cercana.
λ: densidad media de manchas = (NM/ superficie total del área de estudio en Ha) * 100 =
número de manchas por cada 100 Ha.
2.2. Método para análisis de clima
Las series analizadas para esta investigación, corresponden a datos mensuales de las variables
precipitación y temperatura, expresada en milímetros (mm) y grados (oc) respectivamente,
información suministrada por el INAMHI.
De forma alterna se trabajó también sobre el análisis de información de capas disponibles a
escala global como lo es Worldclim, con el fin de contar con información a manera de una
variable que permita suplir las necesidades de información climática donde estuviera ausente o
en su defecto presente una calidad deficiente en datos obtenidos mediante el INAMHI (Melo et
al. 2013).
18
Tabla 3. Datos de estaciones meteorológicas
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
2.2.1. Validación de la información hidrometereológica y relleno de datos.
El análisis climático necesita de datos meteorológicos continuos, homogéneos y que abarquen el
máximo intervalo temporal posible. En las series de datos de 11 estaciones meteorológicas del
INAMHI se encontraron vacíos de información debido a diferentes causas, ocasionados por:
interrupción de las lecturas, fallos en los instrumentos de medida, errores de transcripción, entre
otros (Barrera, 2012).
Figura 15. Datos de estaciones meteorológicas
Elaborado por: Instituto Nacional de Meteorología e Hidrología
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
CODIGO NOMBRE PROVINCIA x y
M1176 SAN MIGUEL DE LOS BANCOS -HCCP PICHINCHA -78,896389 0,031667
M0025 LA CONCORDIA SANTO DOMINGO -79,380278 -0,024722
M0026 PUERTO ILA SANTO DOMINGO -79,338889 -0,476111
M0339 NANEGALITO PICHINCHA -78,676389 0,066667
M0593 PEDRO VICENTE MALDONADO - INECEL PICHINCHA -79,081667 0,088333
M1190 SAN BERNABE PICHINCHA -79,086111 -0,011111
M0216 SAN MIGUEL DE LOS BANCOS PICHINCHA -78,890000 0,016667
m0115 SAN ANTONIO DE PICHINCHA PICHINCHA -78,436940 -0,010277
m1200 POMASQUI PICHINCHA -78,450000 -0,050000
m0212 MINDO PICHINCHA -78,735500 -0,047700
m0116 CHIRIBOGA PICHINCHA -78,781900 -0,210500
19
2.2.1.1. Modelo de correlación- regresión.
La correlación entre datos es una medida del grado de relación que guardan entre ellos. La
manera más sencilla de estimar el grado de dependencia (correlación) entre datos es preguntarse
si entre ellos existe la posibilidad que dependan linealmente unos de los otros.
Este método es utilizado para rellenar información: en primer lugar se determinó la serie
de datos incompleta de una de las estaciones luego se eligió la estación más cercana con su serie
de datos completa para el mismo periodo.
El valor del coeficiente de correlación R varía entre -1 y 1; toma el valor de 1 cuando la
correlación es completa positiva, es decir las dos variables aumentan conjuntamente; cuando el
coeficiente es -1 se tiene una correlación completa negativa, es decir x aumenta y la variable y
disminuye; cuando el valor de r es cercano a cero las variables no están correlacionadas
linealmente (Press et al., 1992).
A continuación se procedió a encontrar la ecuación de la recta, donde el valor de y corresponde
a la estación con datos incompletos, es decir la variable dependiente, por lo tanto la estación con
datos completos corresponde a x.
Figura 16. Modelo de correlación y regresión
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
2.2.2. Análisis de tendencias.
A partir de los datos validados, rellenados y homogenizados obtenidos a partir de las 11
estaciones repartidas dentro y fuera a nivel de cantón San Miguel de los Bancos, se construyó la
base de datos a nivel mensual y anual de precipitación y temperatura.
AÑOS JUL JUL
1965 23,9 23,6
1966 23,1 22,5
1967 22,7 21,9
1968 22,9 22,4
1969 23,8 24,3
1970 22,9 22,5
1971 23 22,2
1972 24,9 24,82795
1973 23,1 22,9
1974 22,8 22,4
1975 22,7 22
1976 24,2 24,2
1977 23,3 23,1
1978 22,9 22,8
1979 23,3 22,8
1980 23,3 23,2
1981 23,5 23,72265
1982 23,5 23,5
1983 25,3 25,6
y = 0,7895x + 5,1694R² = 0,8636
22
22,5
23
23,5
24
24,5
25
25,5
26
21 22 23 24 25 26
San Miguel de los Bancos vs Mindo
Series1
Lineal (Series1)
20
2.2.2.1. Precipitación.
PRECIPITACIÓN ANUAL
Precipitación máx
Precipitación mín
Gráfico 1. Precipitación anual máxima y mínima
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
0,0
200,0
400,0
600,0
800,0
1000,0
1200,0
19
75
19
76
19
77
19
78
19
79
19
80
19
81
19
82
19
83
19
84
19
85
19
86
19
87
19
88
19
89
19
90
19
91
19
92
Pre
cip
itac
ión
(m
m)
Años
máx
max
0,0
20,0
40,0
60,0
80,0
100,0
120,0
19
75
19
76
19
77
19
78
19
79
19
80
19
81
19
82
19
83
19
84
19
85
19
86
19
87
19
88
19
89
19
90
19
91
19
92
Pre
cip
itac
ión
(m
m)
Años
mín
min
21
PRECIPITACIÓN MENSUAL
Precipitación máx
Precipitación mín
Gráfico 2. Precipitación mensual máxima y mínima
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
0,0
200,0
400,0
600,0
800,0
1000,0
1200,0
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Pre
cip
itac
ión
(m
m)
Meses
máx
0,0
100,0
200,0
300,0
400,0
500,0
600,0
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Pre
cip
itac
ión
(m
m)
Meses
mín
22
2.2.2.2. Temperatura.
TEMPERATURA ANUAL
Temperatura máx.
Temperatura mín
Gráfico 3. Temperatura anual máxima y mínima
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
19,0
19,5
20,0
20,5
21,0
21,5
22,0
22,5
1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992
Tem
per
atu
ra (
°C)
Años
máx
max
18,0
18,5
19,0
19,5
20,0
20,5
21,0
1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992
Tem
per
atu
ra (
°C)
Años
mín
min
23
TEMPERATURA MENSUAL
Temperatura máx.
Temperatura min
Gráfico 4. Temperatura mensual máxima y mínima
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
20,2
20,4
20,6
20,8
21,0
21,2
21,4
21,6
21,8
22,0
22,2
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Tem
per
atu
ra (
°C)
Meses
máx
max
18,4
18,6
18,8
19,0
19,2
19,4
19,6
19,8
20,0
20,2
20,4
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
Tem
per
atu
ra (
°C)
Meses
min
min
24
2.2.3. Interpolación de datos.
“La interpolación de datos ofrece la ventaja de proyectar mapas o superficies continuas a partir
de datos discretos; sin embargo, la utilización de una buena cantidad de puntos del área en
estudio limita su utilización” (Johnston, 2001). Los métodos de interpolación se sustentan en
métodos locales, que consisten en la utilización de los valores más próximos al punto de
interpolación, para estimar el valor requerido de la variable, como una media ponderada.
La bondad de ajuste de los métodos de interpolación depende de múltiples factores
característicos de la zona de estudio, como el tamaño, la forma, la orientación, la orografía, así
como de la naturaleza de las variables que se quieran interpolar, la densidad de datos existentes
y la escala temporal de las variables que se elijan para realizar (Valero, 2014).
Se realizaron los modelos utilizando los métodos de interpolación inverso de la distancia (IDW)
y Kriging para compararlos entre sí, y determinar cuál de estos es el más adecuado para la
generación de escenarios reales.
2.2.3.1. Kriging
El método Kriging cuantifica la estructura espacial de los datos mediante el uso de variogramas
llamados algunas veces semivariogramas debido a su similitud en el cálculo y los predice
mediante la interpolación, usando estadística. Se asume que los datos más cercanos a un punto
conocido tienen mayor peso o influencia sobre la interpolación, influencia que va disminuyendo
conforme se aleja del punto de interés (Burrough & McDonnell 1998).
Para el desarrollo del método se utilizó dos variables que son temperatura (°c) y precipitación
(mm).
El primer paso es el explorar los datos con la herramienta “Histogram” observando factores
como la media y la mediana, estos deben estar lo más cercanos posibles con respecto a sus
valores.
25
Gráfico 5. Histograma Precipitación Media
Fuente: ArcGIS (Versión 9.3), (2008).
Como segunda exploración se realiza con el “Normal QQPlot” observando que los puntos se
encuentren lo más alineados posibles con la recta.
Gráfico 6. Normal QQPlot Precipitación Media
Fuente: ArcGIS (Versión 9.3), (2008).
Se realizó un análisis de tendencias (Trend Analysis) para determinar la función a la que
corresponde los puntos de muestreo con respeto a la cantidad de precipitación y temperatura.
Gráfico 7. Análisis de tendencias de precipitación Media
Fuente: ArcGIS (Versión 9.3), (2008).
26
Después del análisis realizado se procede a la aplicación del método kriging, finalmente se elige
el método a utilizar tomando puntos de muestreo en toda el área, se elige el tipo “ordinary”
debido a que se está empezando el estudio y no se tiene una tendencia acerca de los resultados;
el tipo de transformación seleccionada viene dada de la exploración de datos tipo “Log”. Con el
tipo de orden se realizó diferentes pruebas para determinar el modelo que mejor se ajuste.
Gráfico 8. Selección de método geoestadistico
Fuente: ArcGIS (Versión 9.3), (2008).
Gráfico 9. Distribución de datos
Fuente: ArcGIS (Versión 9.3), (2008).
27
Gráfico 10. Generación del modelo - kriging
Fuente: ArcGIS (Versión 9.3), (2008).
Gráfico 11. Validación del modelo - Kriging
Fuente: ArcGIS (Versión 9.3), (2008).
28
Figura 17. Modelo Kriging de precipitación máxima
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
2.2.3.2. Inverso de la distancia (IDW).
“El inverso de la distancia IDW utiliza un algoritmo simple basado en distancias” (Johnston,
2001).
Se realizó la interpolación una vez definidas las estaciones para el modelo, el cual interpola una
superficie de ráster a partir de puntos utilizando una técnica de distancia inversa ponderada
mediante la herramienta Spatial analyst tools. Cuando más cerca está el punto del centro de la
celda que se está estimando, más influencia o peso tendrá en el proceso de cálculo del promedio
(ESRI, 2012).
Se realizó mapas de precipitación y temperatura, con la finalidad de determinar el
comportamiento en el Cantón San Miguel de los Bancos, se analizó los diferentes modelos de
precipitación y temperatura máxima y media, no se analizó los modelos precipitación y
temperaturas mínimas ya que no refleja las condiciones reales del cantón debido a que la mayor
parte de las estaciones meteorológicas registran valores cero.
29
Gráfico 12.Generación del modelo – inverso de la distancia (IDW)
Fuente: ArcGIS (Versión 9.3), (2008).
Gráfico 13.Validación del modelo – inverso de la distancia (IDW)
Fuente: ArcGIS (Versión 9.3), (2008).
30
Figura 18. Modelo inverso de la distancia (IDW) de precipitación máxima
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
2.2.4. Construcción de la capa del índice ombrotérmico (Io).
El índice ombrotérmico mide la disponibilidad relativa y efectiva del monto anual de la
precipitación en relación a las temperaturas medias anuales. El índice se calcula como:
Io=Pp/Tp, donde Pp= Precipitación positiva anual correspondiente a los meses con temperatura
media mensual superior a 0ºC, Tp = Temperatura positiva anual correspondiente a la suma de
los meses de temperatura media mensual superior a 0ºC en décimas de grados centígrados
(MAE, 2012).
Tabla 4. Indice ombrotermico
OMBROTIPO Io
Desértico 0 – 1
Semiárido inferior 1.0 - 1.5
Semiárido superior 1.5 - 2.0
Seco inferior 2.0 - 2.8
Seco superior 2.8 - 3.6
31
Subhúmedo inferior 3.6 - 4.8
Subhúmedo superior 4.8 - 7.0
Húmedo inferior 7.0 - 10.5
Húmedo superior 10.5 - 14.0
Hiperhúmedo inferior 14.0 - 21.0
Hiperhúmedo superior 21.0 - 28.0
Ultrahúmedo >28.0
Fuente: Rivas – Martinez, 2008
Con el fin de construir la capa del índice ombrotérmico se utilizó como insumo principal las dos
capas desarrolladas anteriormente correspondientes a precipitación y temperatura máxima y
media.
Se realizó su respectivo análisis, a través de un método simple de algebra de mapas, este método
consiste en aplicar un conjunto de operadores sobre una o varias capas ráster de entrada para
producir uno o varios ráster de salida. Estos operadores que pueden ser aritméticos,
trigonométricos, lógicos o condicionales, se aplican mediante ecuaciones a cada celda del ráster
de entrada, para realizar esta operación se hizo uso de la herramienta Map calculator,
Figura 19. Análisis Map algebre expression
Fuente: ArcGIS (Versión 9.3), (2008).
Una vez obtenida la capa del índice ombrotérmico (Io), se reclasificó está según la equivalencia
de los intervalos de acuerdo a la tabla de ombrotipos.
32
Figura 20. Modelo Índice ombrotérmico máximo
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
2.2.5. Cálculo de densidad poblacional (garrapatas)
En el cantón San Miguel de los Bancos, en un estudio de dinámica poblacional de
Rhipicephalus microplus realizado por Jacho (2015) determinó que la precipitación es el
principal factor de regulación de las garrapatas, y que la época más abundante corresponde a los
primeros meses del año.
Para analizar los patrones espectrales por medio de los puntos calientes, se eligió el
procedimiento:
Puntos Calientes (Hot spot analysis)
La generación de mapas de puntos calientes, se realizó mediante puntos de muestreo
correspondientes al número de garrapatas encontradas en los diferentes tipos de pasturas,
información recolecta durante todo el año 2015. Todos estos datos estuvieron a cargo del Centro
Internacional de Zoonosis, según lo refiere Carranza (2016) en su tesis de “Evaluación de la
densidad de garrapatas no parasíticas en diferentes pasturas en el cantón San Miguel de los
Bancos”.
33
Tabla 5. Muestreo de larvas
Fuente: Centro Internacional de Zoonosis
Figura 21. Mapa de densidad poblacional enero
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
Potrero (unidades)
Latitud (grados - minutos)
Longuitud (grados - minutos)
Altitud (m.s.n.m)
Temperatura (°C)
Tipo de pastura (nombre)
Total larvas/potrero (unidades)
1 S0° 01.386' W78° 56.684' 930 28 gramalote 3
2 S0° 04.240' W78° 58.691' 810 28 maralfalfa 0
3 S0° 04.407' W78° 58.676' 773 29 brachiaria 2
4 S0° 04.728' W78° 58.598' 782 27,5 pasto miel 145
5 S0° 04.469' W78° 59.332' 724 29 gramalote 9
6 S0° 04.446' W78° 59.358' 744 27 pasto miel 0
7 S0° 05.093' W78° 58.461' 799 27 pasto miel 185
8 S0° 05.126' W78° 58.464' 778 25 brachiaria 187
9 S0° 01.897' W78° 58.679' 848 24 maralfalfa 0
10 S0° 02.767' W79° 01.952' 676 24,5 brachiaria 523
11 S0° 03.310' W79° 05.036' 698 25,5 saboya 38
12 S0° 03.260' W79° 04.980' 612 25,5 saboya 8
13 S0° 06.093' W78° 58.700' 730 24,5 saboya 1118
14 S0° 02.356' W78° 58.366' 838 23 maralfalfa 26
15 S0° 02.385' W78° 58.307' 851 24 gramalote 20
ENERO
34
Figura 22. Mapa Puntos Calientes enero
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015),
2.2.6. Encuesta
Para la realización de las encuestas, se socializó el proyecto, indicando a la población el motivo
de la investigación y lo importante que es su colaboración en la obtención de información.
La encuesta es una búsqueda sistemática de información en la que el investigador pregunta a los
investigados sobre los datos que desea obtener, y posteriormente reúne estos datos individuales
para obtener durante la evaluación datos agregados. Con la encuesta se trata de "obtener, de
manera sistemática y ordenada, información sobre las variables que intervienen en una
investigación, y esto sobre una población o muestra determinada. Esta información hace
referencia a lo que las personas son, hacen, piensan, opinan, sienten, esperan, desean, aprueban
o desaprueban, o los motivos de sus actos, opiniones y actitudes" (Visauta, 1989: 259).
35
3. CÁLCULOS Y RESULTADOS
3.1. Cálculo de áreas
El cálculo de áreas se lo realizó con el fin de determinar el porcentaje de uso y cobertura de
suelo a través del tiempo, utilizando mapas de los años 1988, 1998 y 2002 (ESRI, 2012) Sus
áreas fueron las siguientes:
Figura 23. Mapa San Miguel de los Bancos 1988
Fuente: Earth Explorer, (2016).
Tabla 6. Cálculo de área 1988.
CLASES ÁREA (m2) ÁREA(Ha) PORCENTAJE (%)
Agropecuario 158405000,9 15840,5 18,62
Área poblada 543600,0 54,4 0,06
Cuerpo de
agua 6697839,0 669,8 0,79
Natural 685073451,0 68507,3 80,53
Área total 850719890,8 85072,0 100
Fuente: ArcGIS (Versión 9.3), (2008).
36
Figura 24. Mapa San Miguel de los Bancos 1998
Fuente: Earth Explorer, (2016).
Tabla 7. Cálculo de área 1998
CLASES ÁREA(m2) ÁREA(Ha) PORCENTAJE (%)
Agropecuario 465747415 46574,7415 54,75
Área poblada 810000 81 0,10
Cuerpo de
agua 6697838,95 669,783895 0,79
Natural 377464637 37746,4637 44,37
Área total 850719891 85071,9891 100
Fuente: ArcGIS (Versión 9.3), (2008).
37
Figura 25. Mapa San Miguel de los Bancos 2002
Fuente: Earth Explorer, (2016).
Tabla 8. Cálculo de área 2002
CLASES ÁREA(m2) ÁREA(Ha) PORCETAJE (%)
Agropecuario 482847462 48284,7462 56,76
Área poblada 1116000 111,6 0,13
Cuerpo de
agua 6697838,95 669,783895 0,79
Natural 360058590 36005,859 42,32
Área total 850719891 85071,9891 100
Fuente: ArcGIS (Versión 9.3), (2008).
38
Tabla 9. Resumen cálculo de áreas
Fuente: ArcGIS (Versión 9.3), (2008).
3.2. Índice de fragmentación
El índice de fragmentación se calculó con la finalidad de determinar que tan fragmentado se
encuentra el ecosistema a través de los años, no es comparable entre diferentes ambientes, dadas
las diferentes características propias de cada uno de ellos en cuanto a patrón de distribución
espacial (Gurrutzaga, 2003). Por tanto, la evaluación de la evolución de este índice se realizó
únicamente entre datos referidos al mismo ambiente dando como resultado los siguientes
índices:
Cálculo del fragmentación agropecuaria 1988
Figura 26. Mapa índice de fragmentación del área agropecuaria 1988
Fuente: ArcGIS (Versión 9.3), (2008).
39
Fuente: Gurrutxaga, 2003
Cálculo
ST = 15840,5 ha
NM = 2339
Rc = 2 dc (λ/π)
dc: distancia media desde una mancha (su centro o centroide) hasta la mancha más cercana =
62,0176 m = 0,620 hm
λ = (2339/ 85072,0) * 100 =2,7
A: superficie total del área de estudio = 85072,0 ha
Rc = 2 (0,620) (2,7 / π) = 1,065
Cálculo del fragmentación natural 1988
Figura 27. Mapa índice de fragmentación del área natural 1988
Fuente: ArcGIS (Versión 9.3), (2008).
40
Fuente: Gurrutxaga, 2003
Cálculo
ST = 68507,3 ha
NM = 16142
Rc = 2 dc (λ/π)
dc: distancia media desde una mancha (su centro o centroide) hasta la mancha más cercana =
60,791 m = 0,607 hm
λ = (15142/ 85072,0) * 100 =17,7
A: superficie total del área de estudio = 85072,0 ha
Rc = 2 (0,607) (17,7 / π) =6.839
Cálculo del fragmentación agropecuaria 1998
Figura 28. Mapa índice de fragmentación del área agropecuaria 1998
Fuente: ArcGIS (Versión 9.3), (2008).
41
Fuente: Gurrutxaga, 2003
Cálculo
ST = 46574,7 ha
NM = 13587
Rc = 2 dc (λ/π)
dc: distancia media desde una mancha (su centro o centroide) hasta la mancha más cercana =
297,007 m = 2,97 hm
λ = (13587/ 85072,0) * 100 =15,9
A: superficie total del área de estudio = 85072,0 ha
Rc = 2 (2,97) (15,9 / π) = 30,063
Cálculo del fragmentación natural 1998
Figura 29. Mapa índice de fragmentación del área natural 1998
Fuente: ArcGIS (Versión 9.3), (2008).
42
Fuente: Gurrutxaga, 2003
Cálculo
ST = 37746,4 ha
NM = 6335
Rc = 2 dc (λ/π)
dc: distancia media desde una mancha (su centro o centroide) hasta la mancha más cercana =
217,221m = 2,172 hm
λ = (6335/ 85072,0) * 100 =7,4
A: superficie total del área de estudio = 85072,0 ha
Rc = 2 (2,172) (7,4 / π) = 10.232
Cálculo del fragmentación agropecuaria 2002
Figura 30. Mapa índice de fragmentación del área agropecuaria 2002
Fuente: ArcGIS (Versión 9.3), (2008).
43
Fuente: Gurrutxaga, 2003
Cálculo
ST = 48284,7 ha
NM = 46302
Rc = 2 dc (λ/π)
dc: distancia media desde una mancha (su centro o centroide) hasta la mancha más cercana =
31,51 m = 0,3151 hm
λ = (46302/ 85072,0) * 100 = 54,4
A: superficie total del área de estudio = 85072,0 ha
Rc = 2 (0,3151) (54,4 / π) =10,912
Cálculo del fragmentación natural 2002
Figura 31. Mapa índice de fragmentación del área natural 2002
Fuente: ArcGIS (Versión 9.3), (2008).
44
Fuente: Gurrutxaga, 2003
Cálculo
ST = 36005,8 ha
NM = 17893
Rc = 2 dc (λ/π)
dc: distancia media desde una mancha (su centro o centroide) hasta la mancha más cercana
=36,8 m = 0,368 hm
λ = (17893/ 85072,0) * 100 = 21,03
A: superficie total del área de estudio = 85072,0 ha
Rc = 2 (0,368) (21,03 / π) = 48,62
3.3. Relleno datos estaciones meteorológicas
Para ambas variables, se elaboraron las alternativas de usar tres, cuatro o cinco estaciones de
apoyo, sus resultados numéricos fueron validados tomando como referencia datos de worldclim
correspondiente a la serie 1950-2000, a partir de estos datos se obtuvieron los datos puntuales
para las estaciones que carecen de información.
3.3.1. Temperatura
Gráfico 14.Correlación de temperatura
Fuente: ArcGIS (Versión 9.3), (2008).
45
Tabla 10. Datos Temperatura
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
3.3.2. Precipitación
Gráfico 15. Correlación de precipitación
Fuente: ArcGIS (Versión 9.3), (2008).
Tabla 11. Datos precipitación
Fuente: Instituto Nacional de Meteorología e Hidrología
3.4. Kriging
El método Kriging fue realizó con el fin de determinar el modelo más adecuado para la
generación de escenarios reales.
AÑOS ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC min max promedio
1982 19,9 20,7 20 20,4 20,3 20,4 20,1 20,4 21,1 20,3 21,2 21,2 19,9 21,2 20,5
1983 20,9 21,4 21,8 21,5 22 20,9 21,8 20,5 21 20,6 20,7 20,3 20,3 22,0 21,1
1984 20,4 20,7 20,2 20,2 20,5 19,9 19,4 19,9 19,7 20,1 20,4 20,3 19,4 20,7 20,1
1985 19,1 19,9 20,1 20,3 20,2 20,1 19,3 19,4 19,6 19,8 19,8 19,8 19,1 20,3 19,8
1986 19,7 20,1 20,2 20,3 20,6 20,5 20,4 20,8 20,4 20,2 20,6 20,2 19,7 20,8 20,3
1987 20,4 20,9 21 20,9 21,0 21,5 21 20,6 20,9 20,8 20,9 20,6 20,4 21,5 20,9
1988 20,3 20,2 20,4 20,7 20,9 19,8 19,7 19,6 19,5 19,4 19,6 19,3 19,3 20,9 20,0
1989 19,5 20 20,8 20,2 20,1 19,9 19,8 20,1 19,8 19,9 20 19,8 19,5 20,8 20,0
1990 19,9 20,1 20,4 20,6 20,7 20,6 20,2 20,4 20,6 20,2 20,3 20 19,9 20,7 20,3
1991 19,9 20,1 20,5 21,6 20,8 19,7 20,5 20,1 20,3 20 19,9 20,2 19,7 21,6 20,3
1992 20,1 20,3 21,4 21,2 20,8 20,3 19,5 19,6 20 19,9 19,9 19,4 19,4 21,4 20,2
min 19,1 19,9 20,0 20,2 20,1 19,7 19,3 19,4 19,5 19,4 19,6 19,3
max 20,9 21,4 21,8 21,6 22,0 21,5 21,8 20,8 21,1 20,8 21,2 21,2
promedio 20,0 20,4 20,6 20,7 20,7 20,3 20,2 20,1 20,3 20,1 20,3 20,1
SAN MIGUEL DE LOS BANCOS
AÑOS ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC min max promedio
1975 302,7 382,3 596,1 667,8 432,6 181,6 98,5 120,2909 128,628 190,2 217,4 149,1 98,5 667,8 288,9
1976 295,5 308,8 1048,9 965,1 766,1 295,7 94 239,6 114,1 90,7 79,8 535,8 79,8 1048,9 402,8
1977 411,2 355,9 740,9 654 221,3 287,1 105,1 94,4 148,1 96,4 33,6 289,2 33,6 740,9 286,4
1978 494 519,5 669,9 761,1 493,3 95,3 149 24,2 76,4 86,4 147,2 245,7 24,2 761,1 313,5
1979 422,5 649,2 633,1 497,5 284,1 260,5 71,7 123,8 213,5 50,8 19,8 151,5 19,8 649,2 281,5
1980 605,8 1005,3 632,7 709 335,3 139,6 36,2 144,1 58,6 171,7 128,9 217 36,2 1005,3 348,7
1981 361,4 579,4 85,2 671,4 407,7 49,6 132,8 136,6 252,9 100,5 79 252,4 49,6 671,4 259,1
1982 544 630,8 723,7 511,7 415 58,1 161,1 75,5 97,1 773,2 865,6 935,2 58,1 935,2 482,6
1983 0 458,3 1070,5 613,2 947,7 55,1 250,6 99,93971 347 248 360,6 396,7 0,0 1070,5 404,0
1984 259,8 678,5 608,2 654,1 398,8 197,1 80,9 89,3 234,7 289,3 92,5 414,2 80,9 678,5 333,1
1985 455,7 391,7 550,5 521,8 464,4 331,8 44,8 56,2 93,7 25 100,1 433,4 25,0 550,5 289,1
1986 726,2 825,3 684,7 836,9 238,5 111,2 41,4 143,9 231,1 100,5 102,7 119,3 41,4 836,9 346,8
1987 604,8 459,9 808,6 567,6 428,1 142,7 81,2 244,4 130,3 101,9 17,4 182,8 17,4 808,6 314,1
1988 621,5 560,9 297,5 684,8 569 282,3 81,4 94,2 108,9 174,7 292,4 215,3 81,4 684,8 331,9
1989 655,5 231,8 618,6 753,5 418,3 187,5 106,7 82,8 165,4 220,8 59,9 335,7 59,9 753,5 319,7
1990 355,5 38,7484 567,8 741,9 283,5 107,9 99,5 47,8 33,3 119,3 138,3 272,7 33,3 741,9 233,9
1991 398,1 718,2 802,2 659,5 530,1 93,045 90,3 36,1 59,8 87,1 191,3 413,9 36,1 802,2 340,0
1992 465,1 861,3 771,8 558,9 597,6 166,6 163 102,1 112,4 188,3 120,4 170,4 102,1 861,3 356,5
min 0,0 38,7 85,2 497,5 221,3 49,6 36,2 24,2 33,3 25,0 17,4 119,3
max 726,2 1005,3 1070,5 965,1 947,7 331,8 250,6 244,4 347,0 773,2 865,6 935,2
promedio 443,3 536,4 661,7 668,3 457,3 169,0 104,9 108,6 144,8 173,0 169,3 318,4
SAN MIGUEL DE LOS BANCOS
46
Precipitación media
Gráfico 16. Histograma de precipitación media
Fuente: ArcGIS (Versión 9.3), (2008).
Gráfico 17. Normal QQPlot de precipitación media
Fuente: ArcGIS (Versión 9.3), (2008).
47
Gráfico 18. Análisis de tendencia de precipitación media
Fuente: ArcGIS (Versión 9.3), (2008).
De acuerdo a los resultados del histograma, la Skewness nos indica que los datos presentan una
distribución normal, gracias a la calidad en la ponderación de los datos. Se muestra una
distribución sesgada a la izquierda. Analizando el gráfico de la Noral QQplot se evidencia que
los datos están muy cercanos a la recta de referencia; por lo tanto la figura nos indica que la
distribución es normal y por último el análisis de tendencia (Trend Analysis) de precipitación
media en la cual se observa una tendencia lineal.
Gráfico 19. Modelo exponencial cálculo tercer orden de precipitación media
Fuente: ArcGIS (Versión 9.3), (2008).
48
Figura 32. Modelo ordinario de tercer orden de precipitación media
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
Del análisis de ésta variable, se escogió el modelo ordinario de tercer orden realizado con la
interpolación kriging (ESRI, 2012). Debido a que proporciona un análisis elaborado y con
fundamentos estadísticos la ecuación que corresponde este modelo es:
0,038934*Exponential(26419) + 0*Nugget
El modelo refleja una distribución lineal con respeto a la distribución media.
49
Temperatura máxima
Gráfico 20. Histograma de temperatura máxima
Fuente: ArcGIS (Versión 9.3), (2008).
Gráfico 21. Normal QQPlot de temperatura máxima
Fuente: ArcGIS (Versión 9.3), (2008).
50
Gráfico 22. Análisis de tendencia de temperatura máxima
Fuente: ArcGIS (Versión 9.3), (2008).
De acuerdo a los resultados del histograma, la Skewness nos indica que los datos presentan una
distribución normal, gracias a la calidad en la ponderación de los datos. Se muestra una
distribución sesgada a la derecha. Analizando el gráfico de la Noral QQplot se evidencia que los
datos están muy cercanos a la recta de referencia; por lo tanto la figura nos indica que la
distribución es normal y por último el análisis de tendencia (Trend Analysis) se observa una
tendencia lineal.
Gráfico 23. Modelo exponencial cálculo segundo orden de temperatura máxima.
Fuente: ArcGIS (Versión 9.3), (2008).
51
Figura 33. Modelo Kriging de temperatura máxima
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
Del análisis de ésta variable, se escogió el modelo ordinario de tercer orden realizado con la
interpolación kriging (ESRI, 2012), debido a que proporciona un análisis elaborado y con
fundamentos estadísticos la ecuación que corresponde a este modelo es:
0,015513*Exponential(36394)+0,002388*Nugget
El modelo refleja una distribución lineal con respeto a la distribución media.
52
Temperatura media
Gráfico 24. Histograma de temperatura media
Fuente: ArcGIS (Versión 9.3), (2008).
Gráfico 25 Normal QQPlot de temperatura media
Fuente: ArcGIS (Versión 9.3), (2008).
53
Gráfico 26. Análisis de tendencia de temperatura media
Fuente: ArcGIS (Versión 9.3), (2008).
De acuerdo a los resultados del histograma, la Skewness nos indica que los datos presentan una
distribución normal, gracias a la calidad en la ponderación de los datos. Se muestra una
distribución sesgada a la derecha. Analizando el gráfico de la Noral QQplot se evidencia que los
datos están muy cercanos a la recta de referencia; por lo tanto la figura nos indica que la
distribución es normal y por último el análisis de tendencia (Trend Analysis) se observa una
tendencia lineal.
Gráfico 27. Modelo exponencial cálculo segundo orden
Fuente: ArcGIS (Versión 9.3), (2008).
54
Figura 34. Modelo Kriging de temperatura media
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
Del análisis de ésta variable, se escogió el modelo ordinario de segundo orden realizado con la
interpolación kriging (ESRI, 2012), debido a que proporciona un análisis elaborado y con
fundamentos estadísticos la ecuación que corresponde a este modelo es:
0,0090672*Exponential(45843)+0,013021*Nugget
El modelo refleja una distribución lineal con respeto a la distribución media.
3.5. Inverso de la distancia (IDW)
Se realizó el mismo análisis por el método IDW se observó que la mayor precipitación media es
coincidente con los anteriores resultados en la parte noroccidental y la menor concentración se
encuentra en la parte nororiental (ESRI, 2012).
55
Precipitación media
Gráfico 28.Validación del modelo – Inverso de la distancia (IDW)
Fuente: ArcGIS (Versión 9.3), (2008).
Figura 35. Modelo Inverso de la distancia (IDW) de precipitación media
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
56
En el análisis de temperatura máxima se evidencia un alto porcentaje a nivel del cantón con un
rango de 20 – 24,5 °c.
Figura 36. Modelo Inverso de la distancia (IDW) de precipitación media
Fuente: Instituto Nacional de Meteorología e Hidrología (2015).
En el análisis de temperatura media a nivel del cantón se obtuvo un rango de 14,9 – 20,6 °c.
Figura 37. Modelo Inverso de la distancia (IDW) de temperatura media
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
57
3.6. Índice ombrotérmico
A partir de los resultados que arroja el mapa de índice ombrotérmico es posible inferir de
manera previa los límites de los ecosistemas hiperhúmedo superior, húmedo superior e
hiperhúmedo inferior.
Figura 38.Cálculo de índice ombrotérmico
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
Figura 39. Modelo Índice ombrotérmico máximo
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
58
3.7. Densidad poblacional (garrapatas)
Los resultados obtenidos mediante el cálculo de las densidades pudo determinar que el pasto
miel y saboya son los tipos de pasto con mayor densidad poblacional, se las realizó una
excepción de datos de los meses de noviembre y octubre debido a falta de información.
Figura 40. Mapa tipo de pasto
Elaborado por: Francisco Carranza
Fuente: Centro Internacional de Zoonosis, (2016).
Figura 41. Mapa de puntos calientes enero
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
59
Porcentajes obtenidos:
Tabla 12. Porcentaje de larvas en diferentes tipos de pastos
MES TIPO DE PASTURA TOTAL LARVAS/POTRERO (%)
Enero Saboya 51,41
Febrero Pasto miel 51,91
Marzo Braciaria 52,05
Abril Saboya 98,76
Mayo Pasto miel 64,42
Junio Saboya 72,14
Julio Bachiaria 67,12
Agosto Pasto miel 87,16
Septiembre Pasto miel 57,36
Octubre Pasto miel 92,05
Fuente: Centro Internacional de Zoonosis
3.8. Encuesta
El cálculo del tamaño de muestra en un a población finita indica que se debe realizar 106
encuestas, de las cuales se logró obtener 98 encuestas.
Las encuestas desde el punto de vista investigativo, proporcionó información cuantitativa y
cualitativa para el análisis de la situación actual del lugar de estudio.
60
Gráfico 29.Cambios de temperatura
Fuente: Centro Internacional de Zoonosis, (2015)
De 98 encuestas se determinó el porcentaje de cambios en la temperatura en San Miguel de los
Bancos durante los ultimos 40 con un 97% si y 3% no.
Gráfico 30. Cambios de precipitación
Fuente: Centro Internacional de Zoonosis, (2015).
De 98 encuestas se determinó el porcentaje de cambios en la precipitción en San Miguel de los
Bancos durante los ultimos 40 con un 97% si y 3% no.
3%
97%
¿Ha notado cambios de temperatura en San Miguel de los Bancos en los últimos 40
años?
si no
3%
97%
¿Ha notado cambios de precipitación en San Miguel de los Bancos en los últimos
40 años?
si no
61
Gráfico 31.Tipo de pastura
Fuente: Centro Internacional de Zoonosis, (2015).
De 98 encuestas se determinó el porcentaje de los tipos de pasto existentes en el sector con un
42% de B. decumbens, 27% pasto miel, 22% saboya, 5% gramalote, 3% otros y finalmente 1%
maralfalfa.
Gráfico 32.Porcentaje de garrapatas
Fuente: Centro Internacional de Zoonosis, (2015).
De 98 encuestas se determinó el porcentaje de la cantidad de garrapatas aproximado con una
valoracion de 0%, 25,% 50%, 75% y 100% dando como resultado un 44% alto, 17%medio alto,
14% medio, 13% bajo y 12% nulo.
42%
27%
22%
5%
3% 1% ¿Cuales son los tipos de pastos que hay
en su finca?
B. decumbens Pasto miel Saboya Gramalote Otros Maralfalfa
2%
57% 8%
8%
25%
¿El ganado de su finca tiene garrapatas?
si no 50% 75% 100%
62
4. DISCUSIÓN DE RESULTADOS
La huella antropogénica del cambio climático que enfrenta actualmente la humanidad, está
asociada fundamentalmente a un paradigma energético basado entre uno de ellos a cambios de
uso de la tierra para el desarrollo agrícola-ganadero.
4.1. Cambio de uso del suelo período 1988, 1998 y 2002
El cambio de uso del suelo inicia con el auge de la ganadería en los años 70’ (Ravera 2007). La
dinámica de cambio es desencadenada y controlada por factores demográficos y las
consecuentes actividades productivas para el área (PANIF 1999), de acuerdo a la investigación
exploratoria que se ha desarrollado en San Miguel de los Bancos, desde el año 1988 a 1998 (10
años), el área agropecuaria ha incrementado en un 26,2%, de 15840,5 Ha a 46574,7 Ha, el área
natural disminuyo su cobertura de 80,53%, de 68507,3 Ha a 37746,5 Ha.
Mientras que en el 2002 el área agropecuaria aumento en un 2,01% correspondiente a 48284,7
Ha y el área natural disminuyo en un 2,05% con un 36005,9 Ha, la expansión de la ganadería en
la zona, ha hecho presión sobre el bosque húmedo premontano y montano bajo, provocando su
disminución (Tabla. 13). Se ha podido observar que gracias a la reforma agraria se ha
controlado y garantizado la seguridad jurídica de los derechos sobre la tierra mediante la
implementación de co-gestión y control de estos derechos con participación representativa de
los diferentes sectores interesados, de tal manera que se garanticen los derechos de los
propietarios y se permitan otras formas de usufructo de la tierra con fines productivos (Brassel
et al, 2008).
Tabla 13. Resumen porcentajes de áreas
CLASES
1988 1998 2002
Área
(ha)
Porcentaje
(%)
Área
(ha)
Porcentaje
(%)
Área
(ha)
Porcentaje
(%)
Agropecuario 15840,5 18,62 46574,7 54,75 48284,7 56,76
Área poblada 54,4 0,06 81,0 0,10 111,6 0,13
Cuerpo de agua 669,8 0,79 669,8 0,79 669,8 0,79
Natural 68507,3 80,53 37746,5 44,37 36005,9 42,32
Área total 85072,0 100 85072,0 100 85072,0 100
Fuente: ArcGIS (Versión 9.3), (2008)
63
4.2. Fragmentación del paisaje
La fragmentación del bosque húmedo montano y montano bajo se da por el reemplazo de
grandes áreas por otros ecosistemas, dejando parches separados del bosque entre sí (Murcia
1995). En el área, se evidencia los diferentes tamaños y formas de los fragmentos en los años
1988, 1998 y 2002 (Tabla. 14). El grado de intervención del área da lugar a una fragmentación
excesiva de los ecosistemas y puede reducir la aptitud de un hábitat para ciertas especies, al no
existir fragmentos suficientemente grandes para mantener poblaciones estables (Usher 1987).
Tabla 14. Indice de fragmentación
CLASES 1988 1998 2002
Io Porcentaje (%) Io Porcentaje (%) Io Porcentaje (%)
Agropecuario 6,35 18,62 O,11 54,75 0,095 56,76
Natural O,62 80,53 0,58 44,37 0,041 42,32
Fuente: ArcGIS (Versión 9.3), (2008).
Entre las principales transiciones de los modelos de cobertura y uso de suelo se encuentran: el
aumento de las zonas agrícolas, el fomento de las actividades forestales, el aumento de
asentamientos humanos y con ello el incremento de la infraestructura necesaria para su
viabilidad comprometiendo seriamente el ambiente (Lambin et al., 2001; Velázquez et al., 2002;
Vitousek et al., 1997)
La categoría dominante en extensión, en ambas fechas 1998 y 2002, ha sido el área
agropecuaria conformando entre ambas más del 50 % de la superficie.
4.3. Tendencias de variables climáticas
Con el propósito de conocer la percepción de los ganaderos de acuerdo al comportamiento de la
temperatura y la precipitación durante los últimos 40 años se realizó una entrevista (anexo 1) en
la cual el 97 % respondieron haber notado cambios en la temperatura y precipitación, su
producción ganadera y agrícola ya no es la misma como años anteriores.
El gráfico. 33 es una representación gráfica de las temperaturas anuales, y muestra un aumento
promedio de 2,0 ° C en el período 1965-2013. El estudio reveló que las décadas de los 80 y 90
fueron las décadas más cálidas dando como resultado en 1983 y 1998 respectivamente los años
más cálidos.
64
Gráfico 33.Promedio de temperatura en años
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
La percepción de los ganaderos sobre el comportamiento de la precipitación coincide con los
reportes del INAMHI, se determinó la precipitación máxima de 505,1 mm en el año 1997
(gráfico.35), y en el año 1993 se registró la precipitación mínima con 0,0 mm (gráfico.36)
Gráfico 34.Promedio de precipitación en años
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
22,0
23,0
24,0
25,0
26,0
Tem
per
ratu
ra (
°c)
Años
Promedio
promedio
0,0
200,0
400,0
600,0
19
63
19
66
19
69
19
72
19
75
19
78
19
81
19
84
19
87
19
90
19
93
19
96
19
99
20
02
20
05
20
08
20
11
20
14
Pre
cip
itac
ión
(m
m)
Años
Promedio
promedio
65
Gráfico 35.Precipitación máxima en años
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
Gráfico 36.Precipitación mínima en años
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
La tendencia de las precipitaciones, y en especial la temperatura, puede indicar diferentes
patrones climáticos debidos al fenómeno de la variabilidad climática (ya sea natural o
antropogénico). La determinación de las tendencias en los datos es útil en la toma de decisiones
a nivel de políticas en la agricultura y la seguridad alimentaria (CAMI, 2012). Por otro lado en
un estudio de las tendencias climáticas actuales en Belice en los últimos 40 años reveló un
0,0
200,0
400,0
600,0
800,0
1000,0
1200,0
19
63
19
66
19
69
19
72
19
75
19
78
19
81
19
84
19
87
19
90
19
93
19
96
19
99
20
02
20
05
20
08
20
11
20
14
Pre
cip
itac
ión
(m
m)
Años
máx
max
0,0
20,0
40,0
60,0
80,0
100,0
120,0
140,0
160,0
19
63
19
66
19
69
19
72
19
75
19
78
19
81
19
84
19
87
19
90
19
93
19
96
19
99
20
02
20
05
20
08
20
11
20
14
Pre
cip
itac
ión
(m
m)
Años
min
min
66
cambio consistente de acuerdo a las alteraciones que se han observado a nivel mundial y en la
región del Caribe (Gonguez 2007).
La variabilidad climática es uno de los mayores retos que enfrenta actualmente la humanidad,
pues sus impactos afectan prácticamente todos los ámbitos de la actividad humana. Es sin duda
el mayor cambio ambiental global que enfrenta nuestro planeta. Y por lo tanto es el primero que
le toca enfrentar a nuestra especie desde los albores de la civilización, con el desarrollo de la
agricultura.
La relación que se establece entre clima y el cultivo de pasto para la ganadería en el sector de
estudio, crea una relación que no solo se da con los recursos naturales (agua, suelo y
biodiversidad), sino también existe una relación con los sectores socioeconómicos que
demandan productos, que en este caso es la producción de forraje.
Puesto que la agricultura es uno de los sectores más vulnerables a los impactos de la
variabilidad climática, es importante también considerar las consecuencias que tiene la adopción
de las prácticas de mitigación en la capacidad de los agricultores y sistemas agrarios de
adaptarse al cambio climático.
4.4. Obtención de modelo final
El método de interpolación IDW obtuvo los valores más próximos a los reales. Estos resultados
podrían estar relacionados a que este método resulta más apropiado en los casos en que exista
con claridad una variación espacial sistemática en la variable, la cual puede ser captada
adecuadamente por una superficie relativamente simple. Y utilizar este procedimiento nos
describe una tendencia global, por lo que produce resultados muy suavizados y normalmente
muy adecuados.
Cada método tiene sus ventajas y desventajas, que dependen en gran medida de las
características del conjunto de puntos de datos. Es así que el IDW elimina los valores más altos
y más bajos, de cara a obtener un menor error en la estimación. En la investigación este método
ofreció una mayor consistencia estadística, un análisis más elaborado, una interpolación menos
brusca, con aéreas de transición menos abruptas y con menores errores de predicción.
67
Figura 42. Modelo Inverso de la distncia (IDW)
Fuente: Instituto Nacional de Meteorología e Hidrología, (2015).
4.5. Percepción sobre el incremento de plagas en las áreas de los diferentes tipos de pasto
Según (Carranza, 2016), la pastura con mayor cantidad de garrapatas fue el pasto miel (27.484)
seguida de la saboya (5.334), gramalote (3.301) y B. decumbens (2.396), la maralfalfa es un
pasto de corte, sin embargo en ella se encontró 100 garrapatas durante el estudio en San Miguel
de los Bancos.
El análisis espectral permitió definir con claridad los puntos focales de las cinco clases de pasto
(tabla 15), donde el ecosistema mayormente representado es el pasto miel con un 71,17%,
saboya 13,81%, gramalote 8,55% B.decumbens 6,20% y finalmente maralfalfa con un 0,26%
del área total del estudio realizado en San Miguel de los Bancos.
68
Tabla 15. Porcentaje de larvas en pasturas mes a mes
Fuente: ArcGIS (Versión 9.3), (2008).
Carranza (2016) encontró lo siguiente: La saboya y el pasto miel son especies que alcanzan una
altura entre 100 a 160 cm y 60 a 150 cm, respectivamente y, se presentan en macollas densas de
hasta un metro de diámetro (Peters et al. 2011; León 2008); estas cualidades crean mejores
condiciones higrométricas para el desarrollo de las garrapatas (Boyard et al. 2007; Zoffoun et al.
2011); estas pasturas permiten tiempos de descanso alrededor de 35 días (Andersson et al.
1990b; Loayza 2008; León 2008), periodo durante el cual se completa la fase de vida parasitaria
y las garrapatas adultas regresan al potrero. En saboya las larvas de garrapatas pueden
sobrevivir hasta 133 días (Hall & Wilkinson 1960).
Por otra parte, Saueressing (1994) afirma que Brachiaria decumbens es más favorable que otras
pasturas como Andropogon gayanus para la eclosión y sobrevivencia de las larvas debido a que
su vegetación es más densa. El mismo autor determinó que, en Brachiaria decumbens, las larvas
de garrapatas pueden sobrevivir hasta 97 días. Barreto & Furlong (2002) estimaron 82,6 días en
Brachiaria decumbens para que todas las larvas muriesen. Estos valores son menores a los
mencionados en saboya. Brachiaria decumbens también requiere de tiempos de descanso en
torno a 35 días y sus hojas presentan vellosidades (León 2008; Peters et al. 2011).
La adaptación a variaciones geográficas y estacionales de plagas y enfermedades siempre ha
sido un reto para los agricultores andinos. La variabilidad climática junto con el desarrollo del
mercado, la presión de población y la globalización ha generado la expansión del alcance de
importantes plagas como la garrapata. Por consiguiente, la veloz expansión de la frontera
agrícola (Gondard & Mazurek, 2001), ha contribuido a la dispersión de plagas hacia otras zonas.
Tipo de pastura
Total
larvas/
potrero (%)
Tipo de pastura
Total
larvas/
potrero (%)
Tipo de pastura
Total
larvas/
potrero (%)
Tipo de pastura
Total
larvas/
potrero (%)
Tipo de pastura
Total
larvas/
potrero (%)
gramalote 1,41 maralfalfa 2,11 pasto miel 16,37 maralfalfa 0,01 pasto miel 64,42
maralfalfa 1,15 gramalote 2,00 gramalote 9,75 brachiaria 0,42 gramalote 0,27
brachiaria 31,45 brachiaria 20,99 maralfalfa 0,39 gramalote 0,28 maralfalfa 0,00
pasto miel 14,58 pasto miel 53,91 brachiaria 52,05 pasto miel 0,53 brachiaria 13,21
saboya 51,41 saboya 20,99 saboya 21,44 saboya 98,76 saboya 22,10
100 100 100 100 100
Enero Febrero Marzo Abril Mayo
Tipo de
pastura
Total
larvas/
potrero (%)
Tipo de
pastura
Total
larvas/
potrero (%)
Tipo de
pastura
Total
larvas/
potrero (%)
Tipo de
pastura
Total
larvas/
potrero (%)
Tipo de
pastura
Total
larvas/
potrero (%)
maralfalfa 0.00 maralfalfa 0,00 pasto miel 87,16 pasto miel 57,36 pasto miel 92,05
brachiaria 8,35 gramalote 0,00 gramalote 8,76 gramalote 10,00 gramalote 6,11
pasto miel 12,23 pasto miel 0,00 brachiaria 1,81 maralfalfa 0,65 maralfalfa 0,02
gramalote 66,02 saboya 31,88 saboya 0,12 brachiaria 2,93 brachiaria 0,60
saboya 72,14 brachiaria 67,12 brachiaria 2,15 saboya 29,05 brachiaria 1,23
100 100 100 100 100
Julio Agosto Septiembre OctubreJunio
69
El clima podría influir directamente en plagas de garrapatas ya sea matándolos a través de
cambios de temperatura y humedad, o determinando su tasa de crecimiento y desarrollo. Es por
esta razón que se ha podido establecer en la zona de estudio que la temperatura para el
desenvolvimiento de la garrapata es en promedio 27°C y la humedad relativa mayor a 70%, lo
que concuerda con lo afirmado por Benavides (1984), quien estudió la capacidad reproductiva
de Rhipicephalus microplus a 28°C de temperatura y 80% de humedad en condiciones
naturales.
Es importante mencionar que la presencia de Rhipicephalus microplus se encuentra desde los 0
msnm (Cortés Vecino et al. 2010) hasta los 2.611 msnm (Ortiz & Angamarca 2014).
La investigación realizada bajo un enfoque ecosistémico se presenta como una alternativa
interesante para el estudio de problemas de salud humana – ambiente cuyo objetivo consiste en
adaptarse a los acontecimientos y crear soluciones adaptativas de manera participativa.
Se ha podido establecer que entre los problemas que puede afectar al Cantón San Miguel de los
Bancos se encuentran la deforestación, debido en gran medida a la dinámica de cambio de uso
de suelo; la pérdida de cobertura vegetal por ende aumento de la franja agropecuaria.
Una de las principales causa de la pérdida de vegetación original, es la fuerte presión de cambio
de uso de suelo, cuando los cambios en un ecosistema superan un umbral, la recuperación es
generalmente lenta y costosa, los umbrales pueden hacerse más bajos en la medida en que los
impactos antropogénicos simplifica estos sistemas naturales y reduce su resiliencia intrínseca
ante el cambio.
San Miguel de los Bancos no cuenta con un plan que permita manejar adecuadamente el uso de
suelo, los cambios en los ecosistemas pueden ocurrir a una escala tan grande que su efecto sobre
la salud humana puede ser catastrófico. Con el estudio se pudo determinar que existe un
creciente riesgo de cambios no lineales en los ecosistemas, incluyendo cambios acelerados,
repentinos y potencialmente irreversibles. La probabilidad creciente de estos cambios no
lineales proviene de la pérdida de biodiversidad y de las presiones cada vez mayores de
múltiples generadores directos de cambio en los ecosistemas (Watson, 2005).
Es de suma importancia tomar en cuenta la relación que existe entre clima ↔ salud ↔
ambiente, ya que mediante esta investigación se pudo determinar la relación e interacción entre
los factores ecológicos y socioeconómicos, y cómo estos inciden en la salud humana.
70
5. CONCLUSIONES
1. De acuerdo a la modelación estadística de la variabilidad climática para efectos de cambio
climático se pudo determinar que en el año 1988 el área agropecuaria fue de un 18,62%
mientras que en el año 1998 un 54,75% y finalmente en el 2002 un 56,76%.
2. Se pudo determinar que en el año 1988 el área natural fue de un 80,53%, mientras que en el
año 1998 un 44,37% y finalmente en el 2002 un 42,32%.
3. Para la modelización de escenarios de variabilidad climática se interpretaron variables como
precipitación y temperatura mediante el uso de la herramienta de ArcGIS, la misma que
permitió el análisis e interpretación a través de interpoladores geoestadisticos.
4. Se concluye que al recibir la información de instituciones públicas se debe analizar, y
determinar el grado de confiabilidad de los datos, debido a que en ocasiones estos datos no
poseen la confiabilidad necesaria los cuales permitan generar modelos adecuados mediante el
uso de la herramienta ArcGIS.
5. Se pudo establecer protocolos para determinar la relación entre clima↔ ambiente ↔ salud y
poder maximizar los beneficios potenciales que nuestra mega diversidad nos ofrece, a través
del crecimiento de políticas públicas que reconozcan las funciones de los ecosistemas y los
valores de los servicios que ofrece.
6. El paisaje fragmentado en el área de estudio es un sistema dinámico, con cambios temporales
notorios. Teniendo en cuenta que la investigación realizada fue de tres escenarios de los años
1988, 1998 y 2002 con índices de fragmentación del área agropecuaria de 6,35, 0,11 y 0,095
respectivamente mientras que en los índices de fragmentación de área natural fueron 0,62, 0,58
y 0,041.
7. Se determinó que la carga parasitaria en los diferentes tipos de pastos varía de una especie
forrajera a otra, en este sentido, de los tipos de pastos evaluados, aquellos con mayor riesgo de
infestación de garrapatas son pasto miel con un 44% y saboya con un 26%, mientras que,
Braciaria decumbens 11%, gramalote 10% y maralfalfa 9% son los tipos de pastos con menor
riesgo.
71
6. RECOMENDACIONES
1. Para la modelización estadística de la variabilidad climática se debería tomar en cuenta
escenarios con periodos de 10 años para determinar verdaderos cambios en sus diferentes áreas.
2. Para realizar trabajos de investigación sobre modelización, se recomienda realizar visitas de
campo con el objetivo de contrastar dicha información, con la obtenida por instituciones.
3. Se recomienda a las Universidades, hacer uso de imágenes satelitales en la enseñanza de
asignaturas relacionadas con la gestión del territorio, ambiente, y salud pública, por lo cual la
Universidad Central del Ecuador debería establecer convenios con instituciones públicas que
posean estas imágenes, para que los estudiantes puedan beneficiarse con esta información
4. En el país se debería realizar los estudios de gestión del territorio, relacionando las variables
clima ↔ salud ↔ ambiente, con el fin de evitar la degradación de los ecosistemas y generar una
mejor relación entre individuo y entorno natural.
5. Se recomienda al GAD del Cantón San Miguel de los Bancos, elaborar estudios de
variabilidad climática, uso de suelo, etc. Ya que es necesario que investigaciones como éstas se
realicen para que el GAD ejecute una correcta gestión del territorio y sus recursos.
6. La incorporación de más parámetros en el uso y cobertura de suelo sería de interés, para
observar cuál es el comportamiento general entre ambos interpoladores. Para ampliar estudios
futuros, el análisis podría consistir en la comparación entre diferentes unidades de uso y
cobertura de suelo y determinar si pueden afectar la variación espacial de las variables y por
ende la eficiencia del uso de interpoladores matemáticos o geoestadísticos
7. El Municipio de San Miguel de los Bancos deberían tomar como opción eficaz la creación
corredores biológicos ya que será una medida importante de conservación y uso sostenible de
los recursos naturales.
72
7. CITAS BIBLIOGRÁFICAS
1. ALTIERI, Miguel A. y NICHOLLS, Clara I. Agroecología y resiliencia al cambio
climático: principios y consideraciones metodológicas. Agroecología, 8(1): 7-20, 2013.
2. ANTLE, J.; CAPALBO, S. M.; ELLIIOTT.E. Adaptation, Spatial Heterogeneity and
the Vulnerability of Agricultural Systems to Climate Change and CO2 fertilization: An
Integreted Assessment Approach. ClimateChage, 64(3): 289-315. 2004.
3. Banco Mundial (BM). Informe sobre el Desarrollo Mundial 2008: Agricultura para el
desarrollo. 2008.
4. BRENES, C.SISTEMAS DE INFORMACIÓN GEOGRÁFICA. 2012.
5. CASASOLA, F; IBRAHIM, M; RAMIREZ, E; VILLANUEVA, C. Influencia del Pago
de servicios ambientales en los cambios de uso de la tierra en fincas ganaderas: la
experiencia del proyecto GEF-silvopastoril en Costa Rica y Nicaragua. Revista
Agroforestería en las Américas. 2007.
6. Centro Internacional de Zoonosis (CIZ). Epidemiología molecular de parásitos y
microorganismos de interés zoonosico: gusano barrenador del ganado, garrapatas. 2014.
7. Cepal., FAO. IICA.Perspectivas de la agricultura y del desarrollo rural en las Américas:
una mirada hacia América Latina y el Caribe 2010. IICA, San José, Costa Rica. 2011.
8. CHARRON, D. La Investigación de Eco salud en la Práctica. España: Una coedición
con International Development Research Center (IDRC). 2014.
9. CÓRDOVA, K. Impactos socio-ambientales de la variabilidad climática. Las sequias en
Venezuela. Terra Nueva Etapa, 28. 2003.
10. CORTÉS VECINO, A.J. et al. Distribución de garrapatas Rhipicephalus (Boophilus)
microplus en bovinos y fincas del Altiplano cundiboyacense (Colombia). Corporación
Colombiana de Investigación Agropecuaria, 11(1), pp.73–84. 2010.
11. DÍAZ, H., & SANTIBÁÑEZ, F. Coming down the mountain: Understanding the
vulnerability of Andean Communities to hydroclimatologic variability and global
environmental change Project. 2012.
12. ESRI. (2012). ArcGIS Desktop URL:
http://help.arcgis.com/es/arcgisdesktop/10.0/help/index.html#//009z00000 0st000000
13. FAO. “Manual Curso Análisis Espacial ArcView 8.2”. Poryecto regional
"Ordenamiento Territorial Rural sostenible". 2003.
14. FUJISAKA, S.: ESCOAR, G. & VENEKLASS.E. Plant community diversity relative to
human. 1998.
73
15. HARRIS, L. The Fragmented Forest: Island Biogeography Theory and the Preservation
of Biotic Diversity. Chicago. 1984.
16. IFAD. Rural Poverty Portal (available at http://www.ruralpovertyportal.org/). Rome.
2015.
17. IGLESIAS, Ana y MEDINA, Felipe. Consecuencias del cambio climático para la
agricultura: ¿un problema de hoy o del futuro?. Revista Española de Estudios
Agrosociales y Pesqueros, (221): 45-70, 2009.
18. IPCC, I. P. IntergovernmentClimate Change 2007: The Physical Science Basis,
Summary for Policymakers. Genova, Switzerland. 2007.
19. IZAGUIRRE, C. Estudio de la variabilidad climática de valores extremos de oleaje.
Santander, España.2010.
20. LONDOÑO, J. CIFUENTES, P. & Blanch,J. Modelización de problemas ambientales
en entornos urbanos utilizando sistemas de información geográfica y métodos
multivariantes. España: Revista Internacional de Sostenibilidad, Tecnología y
Humanismo, p.23. 2007.
21. MARTÍNEZ, C. Adaptación al cambio climático en la ganadería en la cuenca Mopan,
Cayo, Belice: el enfoque de los medios de vida y las capitales de la comunidad.
Magister Scientiae en Agricultura Ecológica. Centro Agronómico Tropical de
Investigación y Enseñanza. Escuela de posgrado. Turrialba. 2013. 159p.
22. NCGIA. (1990). National Centre of Geographic Information and Analysis. URL:
http://www.geogra.uah.es/gisweb/1modulosespanyol/IntroduccionSIG/GI
SModule/GISTheory.htm. (10/02/2015)
23. ORTIZ, G. & ANGAMARCA, J., 2014. Distribución espacial de las diferentes especies
de garrapatas que afectan al ganado bovino en la provincia de Loja y los diferentes
factores de riesgo asociados a su presencia. Universidad Central del Ecuador
24. Plan de Desarrollo y Ordenamiento Territorial Del Cantón San Miguel de Los Bancos
2012 - 2025 (PDOT).
25. UN/ISDR. Living with Risk: A global review of disaster reduction initiatives. Versión
2004, Volumen II Anexos. Ginebra. 2009.
26. VALENZUELA, E., & SILVA, A. Plan de Manejo Ambiental del Parque Ecológico
Distrital Humedal Tibanica. Bogotá. 2004.
27. WATSON, V., CERVANTES, S., CASTRO, C., MORA, L., SOLÍS, M., PORRAS, I.,
& CORNEJO, B. Abriendo espacio para una mejor actividad forestal. Costa Rica:
Centro Científico Tropical (CCT). 1998.
74
8. BIBLIOGRAFÍA
1. ALACAMO, J.; DOLL, P.; SIERBERT, S. Global estimates of wáter withdrawals and
availability under current and future business-as-usual conditions. Hydrological
Sciences Journal, 48: 339-348. 2003.
2. ANDERSON, J. The natural history of ticks. Med Clin North Am. 2002.
3. ANDRADE, L., & MOREANO, R. Sistema de Información para la Interpolación de
datos de Temperatura y ed Precipitación del Ecuador. Revista Politénica, 75. 2013.
4. ANTEZANA, J. Calibración de los factores de erosión utilizando la ecuación universal
de pérdida de suelo revisado "RUSLE" en sistemas de producción agrícola de la cuenta
taquiña. Tesis maestría profesional en "Levantamiento de recursos hídricos". Centro de
levantamientos Aeroespaciales y aplicaiones SIG para el desarrollo sostenible de los
recursos naturales (CLAS). 2001.
5. BONITA, R., BEAGLEHOLE, R., & KJELLSTROM, T. Epidemiología Básica.
Washington: ISBN 978 92 41 547079. 2008.
6. BLUMENTAL, D. Introduction to enviromental helth. New York: Springer Publishing.
1985.
7. ANTLE, J.; CAPALBO, S. M.; ELLIIOTT.E. Adaptation, Spatial Heterogeneity and
the Vulnerability of Agricultural Systems to Climate Change and CO2 fertilization: An
Integreted Assessment Approach. ClimateChage, 64(3): 289-315. 2004
8. BATES, B,: KUNDZEWICZ, Z.; & PALUTIKOF, J. Climate change and water. IPCC,
Technical Report, June 2008, Geneva, Switserland. 2008.
9. COMBA, P., & HARARI, R. El ambiente y la salud: Epidemiología ambiental. Quito:
ABYA-YALA. 2004.
10. CRUZADO, J. Algoritmos de Estimación e Interpolación de parámetros geofísicos.
UPR.2004.
11. ESCOLÁSTICO, C., CABILDO, M., CLARAMUNT, R., & CLARAMUNT, T.
Ecología II: comunidades y ecosistemas. Madrid: ISBN.2013.
12. LAWINSKY, M., MENRTENS, F., SOUSA, C., & TÁVORA, R. Enfoque
ecosistémico en salud humana: la integración del trabajo y el medio ambiente. Cánada.
2012.
75
13. LEBEL, J. Health: An ecosystem approach. Ottawa; Internacional development
research centre. 2003.
14. MÁRQUEZ, F., HIDALGO, A., CONTRERAS, F., RODRÍGUEZ, J., & MUNIAIN,
M. Ticks (Acarina: Ixodidae) as vectors and reservoirs of pathogen microorganism in
Spain. Enferm Infecc Microbiol Clin. 2005.
15. TOKAREVICH, N., TRONIN, A., BLINOVA, O., BUZINOV, R., BOLTENKOV, V.,
YURASOVA, E., et al. The impact of climate change on the expansion of Ixodes
persulcatus habitat and the incidence of tick-borne encephalitis in the north of European
Russia.2011.
76
ANEXOS
77
ANEXO A
HOTSPOT
78
79
ANEXO B
ENCUESTA
ENCUESTA DE LA EXPLOTACIÓN
GARRAPATAS
IDENTIFICACIÓN Y LOCALIZACIÓN DE LA EXPLOTACIÓN
No. general encuesta: ___/___/___
Código
Coordenadas (gg/mm/ss): Lat N(_) S(_)______________Long W(_)____________ Altitud
(msnm): ______________
Fecha: ___/___/20___ Nombre del Encuestador:
_____________________________________________________
PROPIETARIO Nombres:
______________________________________Apellidos:______________________________
___ ________
Teléfono: __/__/__/__/__/__/__/__/__ Celular: __/__/__/__/__/__/__/__/__/_ Provincia:
__________________ Cantón: ______________________Parroquia:
_____________________________ Localidad:
_____________________________________________________________________________
__ _______ Nombre de la persona encuestada:
_________________________________________ Edad:
1.- ¿Ha notado cambios relacionados con la temperatura del cantón San Miguel delos
Bancos en los últimos 40 años?
Sí No
2.- ¿Ha notado cambios relacionados con la precipitación del cantón San Miguel de los
Bancos en los últimos 40 años?
Sí No
3.- ¿El ganado de su finca tiene garrapatas? Sí No No sabe
Especifique una proporción: 25% 50% 75% 100%
4.- ¿Cuáles son las pasturas que hay en su finca?
80
ANEXO C
Fotografías
Larvas de rhipicephalus microplus (garrapatas) en el ápice de las hojas
Frontera agrícola
top related