54

Geografía y Sistemas de Información Geográfica (GEOSIG). Revista digital del Grupo de Estudios sobre Geografía y Análisis Espacial con Sistemas de Información Geográfica (GESIG). Programa de Estudios Geográficos (PROEG). Universidad Nacional de Luján, Argentina. http://www.gesig-proeg.com.ar (ISSN 1852-8031)

LUJÁN, AÑO 2, NÚMERO 2, 2010, SECCIÓN ARTÍCULOS: I PP. 54-78

UTILIZACIÓN DE DATOS SATELITALES PARA LA GENERACIÓN

DE INFORMACIÓN VINCULADA A LA INFESTACIÓN POR TRIATOMA INFESTANS

Manuel Miller1, Ximena Porcasi2, Walter Sione1 y Marcelo Scavuzzo2

1. Universidad Nacional de Lujan 2. Comisión Nacional de Actividades Espaciales

manuel.miller@gmail.com

Resumen

La Epidemiología Panorámica considera las relaciones e interacciones entre los diferentes elementos de un ecosistema, bajo el supuesto de que la dinámica de la población de vectores o reservorios de la enfermedad son determinados por elementos del paisaje tales como temperatura, vegetación, topografía, etc. En este trabajo se analizan relaciones entre la distribución espacio-temporal de la infestación de peridocilios por Triatoma infestans y características ambientales del departamento de General San Martín, La Rioja, medidas a partir de imágenes satelitales y productos derivados de éstas. El procesamiento de las imágenes MODIS con técnicas de estadística espacial y utilizando herramientas de SIG, proporciona evidencias sobre relaciones entre los patrones de re-infestación por T. infestans observados a campo con variables biofísicas para el departamento de General San Martín.

INTRODUCCIÓN

El abordaje de una problemática de salud a partir de la epidemiología panorámica significa un enfoque relativamente nuevo e interdisciplinario, que involucra la caracterización de áreas ecos geográficas donde una enfermedad puede transmitirse. Este es un acercamiento holístico que tiene en cuenta las relaciones y la interacción entre los elementos de los ambientes físicos y culturales. La teoría detrás de la epidemiología Panorámica es que, conociendo las condiciones necesarias para el mantenimiento de un agente patógeno específico en la naturaleza, (condiciones ecológicas, climáticas, de la vegetación y geológicas entre otras) es posible usar la información de satélite para evaluar la distribución espacial y temporal de riesgo de la enfermedad. Este enfoque puede pensarse como perteneciente a la última generación de aplicaciones de las imágenes de satélite donde el objeto de estudio (el vector o reservorio de la enfermedad) no puede verse directamente.

55

Scavuzo et al., (2001) plantea que el principal objetivo de esta disciplina es el desarrollo de mapas de riesgo para enfermedades específicas para alcanzar la formulación de “sistemas de alerta temprana en salud”. Existen evidencias de que la dinámica de algunas enfermedades transmitidas por artrópodos vectores está influida tanto por factores intrínsecos, como por factores extrínsecos, asociados a condiciones climáticas y ambientales, aunque en la mayoría de los casos no se conoce cuál de estos factores es más importante y/o la manera en que interactúan (Rose et al., 2001). En este trabajo se analizan relaciones entre la distribución espacial de la infestación de peridocilios por Triatoma infestans y características ambientales del departamento de General San Martín, La Rioja, medidas a partir de imágenes satelitales y productos derivados de éstas. Triatoma infestans es el principal vector de la enfermedad del Chagas, se han encaminado muchas acciones locales y regionales para interrumpir el contagio vectorial, sin embargo esta enfermedad sigue activa en 18 países de Latinoamérica incluyendo 19 provincias de Argentina. "La enfermedad de Chagas es la principal endemia en la República Argentina, con un estimado de más de 2.5 millones de personas infectadas y varios millones en riesgo de contraer la enfermedad. A pesar de los importantes avances alcanzados en la última década para controlar el vector Triatoma infestans, la transmisión vectorial de la enfermedad continúa activa en varias de las provincias endémicas del centro y noroeste argentino". Estas provincias forman parte de la bioregión Gran Chaco, en donde combatir las poblaciones de T. infestans y por tanto interrumpir la transmisión vectorial de la enfermedad se ha convertido en un problema de difícil resolución. La complejidad que plantea el problema responde a la interacción de distintos factores de la realidad, que van desde lo ecológico y económico hasta lo histórico-social, característicos de esta región (O. P. S., 2006). En el sudoeste del Gran Chaco se ubica el área de estudio que fue definida por un proyecto que analiza la variación espacial y temporal de la infestación peri-domestica a escala media (o regional). Como parte de este estudio, el departamento de General San Martín, en la Provincia de La Rioja fue objeto de una evaluación entomológica de las estructuras peri-domiciliarias, constituyendo índices de infestación georeferenciados que mostraron un patrón de distribución este-oeste de la infestación. Luego de un rociado técnico con insecticida piretroide en las viviendas y sus peri-domicilios, se identificaron grupos de localidades que mostraron valores de re-infestación significativamente superiores o inferiores a la media regional, estas localidades fueron identificadas mediante análisis espaciales de los datos entomologicos (Porcasi et al., 2006). Esta información de campo es vinculada a información satelital a partir de dos ejes fundamentales: el análisis temporal, que utilizará series multitemporales derivadas del sensor MODIS a bordo del satélite TERRA y el análisis espacial, que toma como

56

insumo una imagen multiespectral del sensor ETM+ a bordo del satélite LANDSAT, y estadísticos provenientes de las series temporales

LA ENFERMEDAD DE CHAGAS La enfermedad del Chagas o Tripanosomiasis Americana, es una antropozoonosis característica del continente americano, especialmente de América Latina, donde se encuentra largamente diseminada. Es transmitida por T. infestans, un insecto hemíptero denominado comúnmente vinchuca (Figura 1) y producida por un parásito (el protozoo Trypanosoma cruzi), pudiendo afectar a las personas y otros mamíferos. Los efectos que desencadena sobre la salud humana constituyen severas patologías cardíacas, del aparato digestivo y del sistema nervioso entre las más frecuentes (Storino, R. 2002). El protozoo Trypanosoma cruzi es el agente causal de la enfermedad, y el Triatoma infestans (vinchuca) es un insecto hematófago que representa el vector más importante para el hombre en la Argentina. Fuera de la región amazónica, la mayor parte de la transmisión de Chagas en Latinoamérica depende de las poblaciones domésticas de los vectores, que viven en las grietas de las paredes y techos, emergiendo durante la noche para alimentarse de los habitantes de las viviendas. “...si bien existen cerca de 120 especies de triatominos y al menos la mitad ha sido hallada natural o experimentalmente infectada por el T. cruzi, son menos de 10 las especies que tienen importancia epidemiológica para el hombre y sus animales domésticos. Estas especies de triatominos significativas para la salud humana son capaces de colonizar la vivienda y poseen alguna tendencia a aumentarse sobre las personas.” (Gürtler, 1994) Particularidades habitacionales y peri-habitacionales determinadas por variables socioeconómicas como construcciones precarias con grietas en techos y paredes, la presencia de animales domésticos y de corral, como así también condiciones biofísicas, como por ejemplo altas temperaturas, constituyen factores favorables para la colonización y reproducción del vector. En el ciclo de transmisión de la enfermedad de Chagas, los humanos y los mamíferos infectados actúan como reservorios del parásito, las vinchucas al alimentarse se infectan y pueden transmitir la infección mediante sus deyecciones. Este insecto defeca inmediatamente después de cada comida, la materia fecal contiene tripanosomas que se depositan sobre la piel y los parásitos pueden penetrar a través de las lastimaduras producidas por el rascado o por mucosas, alcanzando el interior del organismo y diseminándose en la sangre, para alojarse posteriormente en los tejidos. El porcentaje de mortalidad en el Chagas agudo varía del 1% al 5% con una mayor incidencia en niños de corta edad. Esta enfermedad puede llegar a ser mortal en personas que desarrollan lesiones cardíacas graves, las que determinan la muerte en forma sincopal o por insuficiencia cardíaca progresiva (Instituto Nacional de Parasitología, 2007).

57

“En 1993 el Banco Mundial ubicó al Mal de Chagas en el cuarto lugar como causa de morbilidad, detrás de las enfermedades respiratorias, diarreas y SIDA. La organización mundial de la salud estimó que entre 16 y 18 millones de habitantes latinoamericanos se hallarían infectados por el protozoo Trypanosoma cruzi y otros 90 millones habitarían áreas bajo riesgo. La Argentina contaría con 2.5 millones de infectados chagásicos” (Segura et al., 2000). Según la Organización Panamericana de la Salud, Santiago del Estero, Chaco, San Luis, Formosa y La Rioja son las provincias con sero-prevalencias más elevadas, observándose mayor cantidad de casos en las zonas rurales (INCOSUR, 2003). En 1962 en Argentina el Ministerio de Salud y Acción Social de la Nación organizó el Servicio Nacional de Control de Chagas y el Instituto Nacional de Control de la Enfermedad de Chagas En 1990 el ministerio nacional transfiere la responsabilidad operativa a las provincias, con coordinación y normalización a escala nacional (Segura et al., 2002). Esto significó para La Rioja una disminución en las actividades de control vectorial. A principios del año 2004 el gobierno de La Rioja reactiva las actividades de control, haciendo un fuerte hincapié en la región de Los Llanos. Desde entonces, la aplicación de insecticidas piretroides en de estructuras domésticas y peri-domésticas es realizada por profesionales del Programa Provincial de Chagas de La Rioja

Figura 1. Triatoma infestans ÁREA DE ESTUDIO El departamento de General San Martín, La Rioja, se encuentra dentro del Gran Chaco Americano, región biogeográfica de 1.000.000 de Km2 que se ubica en el centro del continente sudamericano. Argentina, Bolivia y Paraguay y un pequeño espacio brasileño comparten este ecosistema (Figura 2), fue una de las regiones de mayor diversidad ambiental y biológica del planeta, y el área boscosa más grande del continente después del Amazonas. El área de influencia de la región en Argentina incluye las provincias de Formosa, Chaco, Santa Fé, Santiago del Estero, Tucumán, Salta, Jujuy, Catamarca, La Rioja y Córdoba. El Gran Chaco se extiende desde latitudes tropicales (18° S), hasta ambientes subtropicales (31° S). Presenta marcados gradientes climáticos, con temperaturas medias anuales entre 20° C y 28° C; evapotranspiración potencial entre 900 mm en el Sur y 1.600 mm en la frontera entre Paraguay y Bolivia. Este gran ecosistema es clasificado según su clima en tres sub-zonas, siguiendo un eje Noreste-Suroeste: el Chaco Sub-húmedo con lluvias de 1200 a 700 mm en las proximidades del río Pilcomayo; el Chaco semiárido con precipitaciones entre 750 y 500 mm; el Chaco árido con lluvias entre 500 y 300 mm por año en el extremo

58

occidental. La región presenta gran diversidad de ambientes, con extensas llanuras, sierras, grandes ríos que la atraviesan, sabanas secas e inundables, esteros, bañados, salitrales y una gran extensión y diversidad de bosques muy deteriorados por las actividades humanas. Esta amplia gama de ecosistemas contienen en forma colectiva una diversidad rica en especies y una tasa relativamente alta de endemismo en comparación con otros ambientes áridos, semi-áridos, y sub-húmedos secos. Muchas de las especies que posee se encuentran enmarcadas por CITES (Convención sobre el Comercio Internacional de las Especies Amenazadas de Fauna y Flora Silvestres). El biosistema es básicamente un macro mosaico de pastizales anegadizos, pastizales de tierra firme, arbustales y bosques caducifolios y semicaducifolios. Posee altísima productividad para un clima subtropical en los pastizales anegadizos. Predominan las maderas duras de un gran peso específico y hay una asignación muy alta de materiales y energía para producir compuestos químicos anti-herbívoros en las maderas principalmente (los taninos y aceites esenciales) El crecimiento es lento en todas las especies (Gallopín, 1999).

Figura 2. Distribución del Gran Chaco en Sudamérica. (Fuente: Naumann M. et al., 2004)

59

El potencial productivo de la región es muy alto. Sin embargo la realidad muestra que este gran ecosistema se encuentra sometido a un severo proceso de degradación de sus recursos naturales y de su biodiversidad, principalmente debido al alto grado de fragilidad de estos ecosistemas y a la difícil reversibilidad de algunos procesos biológicos y socioeconómicos afectados. Tanto la desertificación, en la porción occidental de la región, como las inundaciones recurrentes en su parte este, acentúan la pobreza de las comunidades y su marginalización económica, factores que finalmente dan lugar a migraciones hacia los cinturones urbanos de pobreza (Secretaria de Salud y Medio Ambiente de la Nación, 2006). Chaco Árido El chaco árido Comprende una vasta planicie en el centro norte del país, resultado del relleno sedimentario de gran fosa tectónica chaco-pampeana, producido por aportes eólicos y procesos de origen aluvial y fluvial. El clima es continental, cálido subtropical, con temperaturas medias anuales de 23° a 18° (de norte a sur) y precipitaciones medias anuales de 500 a 700 mm. marcadamente estivales (diciembre-marzo). La región presenta baja disponibilidad de aguas superficiales debido a las escasas precipitaciones y a la alta evapotranspiración además, predominan los suelos arenosos, lo que genera una alta infiltración de las lluvias. Presenta ocasionales interrupciones serranas principalmente en el sur, así como amplios sectores ocupados por salinas. El tipo de vegetación característico es el monte xerófilo, que se alterna con bosques serranos, sabanas y pastizales. La fauna más característica es la de los mamíferos desdentados, auque se encuentran carnívoros de gran porte. El proceso de degradación provocado por la tala del bosque en el Gran Chaco se ha visto agudizado en su parte seca por su ubicación en el límite de aridez del ambiente chaqueño. La extracción selectiva del estrato arbóreo ha ocasionado un aumento de la insolación sobre los estratos inferiores de la vegetación (el arbustal y el pastizal), y la eliminación del efecto amortiguador del bosque frente a las lluvias torrenciales de verano, con la consecuente pérdida de nutrientes y humedad en los suelos por destrucción de su estructura. Su valor de diversidad es medio (Informe GEO, 2004). “La pérdida de oferta vegetal podría ser uno de los factores que contribuyen a explicar las crisis ganaderas de la economía regional en este siglo, las cuales sólo han podido ser superadas por un puñado de productores latifundistas; el resto de la población sigue desarrollando una ganadería de subsistencia, viven en condiciones de extrema pobreza o se han visto obligados a migrar.” (Natenzon, 1984)

Los Llanos Riojanos

La Rioja cubre 89,680 km2 (Figura 3) con alrededor de 55 por ciento de formación de Gran Chaco. La región Gran Chaco de esta provincia, coincide con los Llanos Riojanos, es en general una planicie con vegetación de tipo sabana, aunque hay áreas significativas con bosque nativo, cuyo único quebracho es el blanco; sin embargo, estas áreas selváticas están siendo rápidamente afectadas por la tala indiscriminada. Así resulta que el tipo de vegetación general es el arbustal seco subtropical o arbustal xerófilo subtropical, donde la estructura forestal se mantiene por los emergentes de

60

quebracho blanco, pero el único piso leñoso es el arbustivo (Secretaria de Ambiente y Desarrollo Sustentable de la Nación). El principal factor limitante para la expansión de la producción sostenible de cultivos es el agua. Existe la urgente necesidad de mejorar los métodos de riego de manera de hacer un mejor uso del agua disponible. Al respecto, la búsqueda de cultivos más eficientes tiene una alta prioridad. Los problemas de tenencia de la tierra, como en el resto del Gran Chaco, son comunes. La cría de animales de corral está difundida ampliamente entre los pequeños productores. Los sistemas de cría son en general extensivos y hay un amplio lugar para el mejoramiento del manejo del rodeo y para el desarrollo del manejo del forraje y el pastoreo (Riveros F., 2006). La zona de Los Llanos, en el sur de la Provincia, presenta una densa red de pequeños centros, con un nivel medio de integración provincial. En la zona predomina la actividad ganadera extensiva con bajo nivel de desarrollo, con un alto nivel de NBI, de carencias habitacionales y de equipamiento sanitario y educacional. En el sector rural no se produjo un mejoramiento significativo de la situación habitacional, presentando problemas de hacinamiento, materiales de construcción rústicos (adobe, cañas, algarrobo, ramas de pus pus, barro y cal) y de regulación dominial de viviendas. La región sudoriental, o de Los Llanos, que posee como actividad preponderante la ganadería, resulta de poca significación en la estructura productiva provincial. Sin embargo, es importante la presencia de poblados rurales con niveles medios de accesibilidad y conectividad e indicadores sociales deficitarios y una tasa media de desempleo (Plan Estratégico territorial, 2008).

Figura 3. Ubicación del área de estudio.

a- Imagen MODIS LST Day 05/2005

b- Imagen ETM+. Composición falso color compuesto estándar 03/2005

c- Imagen ETM+ Composición 3, 4, 2. (R, V, A) 03/2005

El departamento de General San Martín (figura 3) se ubica al sudeste de la Provincia, limitando al este con la provincia de Córdoba, al sur con la provincia de San Luis y un pequeño margen limita al oeste con San Juan. Cuenta con una superficie aproximada de 7500 km2, una población de 4921 personas que viven en 1120 hogares. (Censo Nacional 2001)

61

DATOS DE INFESTACIÓN PERI DOMICILIAR POR T. INFESTANS Un estudio entomológico en busca de infestación por T. infestans muestreo estructuras peri domiciliares del departamento de general San Martin, La Rioja. (Porcasi, 2005). Los datos de infestación por T infestans son puntuales (discretos en el espacio) debido a que éste es un insecto totalmente domiciliado, que no se encuentra en la naturaleza en estado silvestre, sino en estrecha asociación con viviendas humanas. Las viviendas del área rural, están muy dispersas, agregadas en pequeños grupos o localidades que se representan como puntos (cada uno con su nivel de infestación asociado) dentro del área de estudio. De allí se desprende un claro patrón este – oeste en la distribución del vector de la enfermedad de Chagas pudiéndose diferenciar grupos de alta y baja infestación peridomiculiar (Figura 4).

Figura 4. Los puntos rojos y verdes mostraron un valor de infestación superior e inferior respectivamente al promedio de todo el departamento. La información de infestación fue obtenida en su formato original (vectorial) y reprocesada a formato compatible con los productos derivados de imágenes de satélite que se presentan como mosaico continuo de valores (raster) (Figura 5).

Figura 5. Los círculos expresan un índice de infestación, el tamaño de estos círculos aumentan en cada imagen, para la primera poseen 10 km. de radio, para la segunda 20 km., y para la tercera 30 km.

Dpto. Gral. San Martin

a b c

0

62

Índice de infestación de hogares = N° de hogares positivos en X km de radio N° total de hogares en X km de radio Donde X = 10 km, 20 km, 30 km respectivamente.

Este calculo se realiza para cada píxel de la imagen que se esta construyendo y considerando entonces, las casa cercanas a las mismas. Como el calculo es en resumen una proporción de peri-domicilios positivos sobre un total, los valores del las imágenes resultantes variaran entre 0 (ninguna casa en todo el radio positiva) hasta 1 (el total de las casa positivas). CLASIFICACIÓN MULTIESPECTRAL

El proceso de análisis espacial denominado clasificación multiespectral consiste en atribuir cada píxel de una imagen satelital a un tipo de clase temática, de manera de obtener como resultado un mapa digital sintético. De esta forma los NDs asociados a cada píxel de la imagen, son identificados como un tipo de cobertura de la superficie terrestre. La asignación de un píxel a una clase u otra depende de su valor, que lo ubicará en un espacio multidimensional denominado “espacio de atributos”, allí cada dimensión, o variable, corresponden a las bandas de la imagen. En este espacio multidimensional los píxeles se agruparán de determinada manera de acuerdo al valor de reflectancia de las distintas coberturas contenidas en la imagen. Existen distintos métodos estadísticos para que a partir de estas agrupaciones se puedan definir clases En este sentido se realizaron dos clasificaciones por distintos métodos, el no supervisado y el supervisado, el primero se basa en la agrupación automática de valores espectrales y se aplicó con intención exploratoria. El segundo definirá las clases temáticas a partir de muestras de campo (sitios de entrenamiento) que servirán de referencia para el agrupamiento espectral. “El método supervisado pretende definir clases informacionales mientras que el no supervisado tiende a identificar las clases espectrales presentes en la imagen” (Chuvieco, 2002) De esta forma se podrán reconocer rasgos sincrónicos del área de estudio que describan las características geofísicas predominantes de la cobertura, sirviendo para contextualizar la distribución espacial de la infestación por T. Infestans. Los resultados de ambos métodos serán comparados en busca de correspondencias entre sí y con los sitios de entrenamiento. Para ambas clasificaciones se utilizaron como imput 6 bandas espectrales no térmicas del sensor ETM+ del satélite Landsat. Metodología

La imagen utilizada para ambas clasificaciones fue adquirida con fecha de marzo de 2005, teniendo en cuenta que los estudios entomológicos utilizados para este trabajo fueron actualizados en este año y que la cubierta vegetal se encuentra en su período de más vigor, facilitando la identificación y separación de clases de vegetación.

63

Para llevar a cabo las clasificaciones se utilizó el software de procesamiento digital de imágenes satelitales ENVI 4.1

Luego de la interpretación visual de diferentes clasificaciones no supervisadas, con distintos números de clases espectrales, se obtuvo finalmente una clasificación con 7 clases. (Figura 6). Se tuvieron en cuenta las continuidades espaciales de las diferentes clases en relación a la interpretación visual de distintas combinaciones filtro - banda de la imagen original y al conocimiento geográfico del área de estudio.

Figura 6. Clasificación no supervisada K-means

La fase de entrenamiento para la realización de la clasificación supervisada consistió entonces en recopilar diferentes puntos tomados en el campo con GPS que representen las categorías temáticas para luego trasladarlos a la imagen en formato vectorial. Los sitios de entrenamiento fueron categorizados a partir de las siguientes clases:

1- Agua 2- Salina 3- Vegetación densa 4- Arbustal 5- Bosque poco denso 6- Suelo desnudo

En esta oportunidad no se fijó un límite de decisión en torno a la media de modo que todos los píxeles de la imagen pertenezcan necesariamente a una clase. En la clasificación supervisada (Figura 7) se observa que las clases con mayor cobertura son el arbustal y el bosque poco denso (88.6 % entre ambas), predominado al oeste el “arbustal” y al este el “bosque poco denso”. La clase “suelo desnudo” es poco frecuente encontrándose principalmente alrededor de la salina, mientras que la “salina” y el “agua” están bien definidas al oeste de la imagen. La clase vegetación densa, también poco frecuente, aparece principalmente al sudeste de la clasificación, debido a que allí se encuentran parcelas agrícolas cultivadas, sin embargo esta clase se presenta en otras áreas asociadas al bosque y al arbustal.

Referencia Clase Porcentaje 1 1.45 2 3.21 3 0.17 4 20.09 5 47.27 6 9.10 7 18.70

64

Figura 7. Clasificación supervisada máxima probabilidad

COMPARACIÓN DE MÉTODOS CLASIFICATORIOS Una vez obtenidas ambas clasificaciones, con la intención de analizar la distribución y frecuencias de aparición de las clases temáticas y espectrales, se optó por trazar sobre ambos productos polígonos rectangulares de 100 píxeles de ancho separados por espacios de la misma dimensión ocupando simétricamente toda el área de estudio (Figura 8). De esta forma se contó con 16 rectángulos verticales y 14 rectángulos horizontales, de cada uno se extrajeron los porcentajes de frecuencia de cada clase y se obtuvieron dos gráficos por clasificación que expresan los resultados. (Figuras: 9 y 10)

Figura 8. Ejemplo del procedimiento para la extracción de frecuencias de aparición de clases en sentido oeste – este (rectángulos blancos) y norte - sur (rectángulos negros)

Referencia Clase Porcentaje

Suelo desnudo

4.12

Salina 3.84 Agua 0.13

Bosque p/denso

30.55

Arbustal 58.12

Vegetación densa 3.12

65

Figura 9: Frecuencias de clases espectrales (a) y temáticas (b) en sentido Este - Oeste

Figura 10: Frecuencias de clases espectrales (a) y temáticas (b) en sentido Norte - Sur

La clasificación supervisada muestra un claro aumento de la clase “arbustal” en el sentido oeste – este, mientras que la clase “bosque poco denso” tiende a disminuir en esta misma dirección. Ambas clases alcanzan una meseta a la altura de la sierra mostrando un comportamiento estable con predominancia del arbustal. Se observa una clara disminución de la clase suelo desnudo en este mismo sentido. Para la clase “vegetación densa” se nota una frecuencia constante con un leve aumento al este de la imagen. La frecuencia de clases temáticas en sentido norte-sur no muestra un patrón claro de variación, aquí se observa la predominancia del arbustal, más del 50% en todas las latitudes, seguida de la clase “bosque poco denso”. A rasgos generales se observa que ambas clases tienden a disminuir en esta dirección encontrándose variaciones puntuales en distintas latitudes. “Vegetación densa” y “suelo desnudo” se mantienen constantes con un leve incremento al sur de la clasificación. Entre ambas clasificaciones se observan fuertes correspondencias en cuanto a cantidad de cobertura y distribución de las clases, especialmente para la “salina” y el “agua” (Clases espectrales 2 y 3 respectivamente). La clase espectral 5 se comporta

66

similarmente a la clase “arbustal” especialmente en el sentido oeste – este. En este mismo sentido la clase espectral 4, se asocia al “bosque poco denso”. Existe mayor variación longitudinal de las clases, lo que se vincula a los resultados de estudios precedentes acerca del comportamiento de las variables bioclimáticas como así también al patrón de infestación presentado por T infestans UBICACIÓN DE HOGARES INFESTADOS EN LAS DIVERSAS CLASES TEMÁTICAS Para contextualizar los muestreos de infestación se incluyeron éstos a las clases temáticas superponiendo los vectores sobre la clasificación supervisada. En principio se observo que solo las clases arbustal, pastizal y suelo desnudo contenían hogares asentados (Figura 11).

Figura 11: Porcentajes de frecuencia de clases temáticas en puntos de alta y baja infestación

La clase suelo desnudo que comprende solo el 4.12 % de la imagen clasificada es la que alberga la mayor cantidad de hogares infestados, seguidas de la clases bosque poco denso (30.55 % de la imagen) y arbustal (58.12% de la imagen). A su vez, bosque poco denso representa la clase con mayor número de hogares con baja infestación seguida de suelo denudo y arbustal. ADQUISICIÓN, CONSTRUCCIÓN Y PROCESAMIENTO DE SERIES MULTITEMPORALES Los productos para la construcción de las series temporales fueron derivados de imágenes MODIS, obtenidos vía fttp a partir de un sitio web perteneciente a la NASA (dicimswww.crusgs.gov). Los productos utilizados para el análisis ambiental del área de estudio fueron los índices de vegetación de MODIS (denominados MOD11Q13) y los productos de temperatura de Superficie del suelo o LST (del ingles Land surface temperature) denominados MOD11A2. Los archivos completos cuentan con múltiples bandas, incluidas las originales utilizadas para la construcción de los productos y otras relacionadas a la calidad de adquisición. Del total de bandas y datos se seleccionaron: LST diurno y nocturno, EVI (Enhanced Vegetation Index) y el NDVI (normalized difference vegetation index).

0

10

20

30

40

50

60

70

arbustal bosque poco denso suelo desnudo

clases tematicas

% d

e fr

ecu

en

cia

alta infestacion

baja infestación

67

Los productos LST poseen una resolución espacial de 1000 metros, una resolución temporal de 8 días y se presentan en dos formatos: uno diurno y otro nocturno (LST night y LST day). En cambio para NDVI y EVI la resolución espacial aumenta a 250 metros, mientras que la resolución temporal disminuye a 16 días. Una vez recibidos la totalidad de los productos se contó con 278 imágenes comprendiendo el periodo 2004 – 2006, en esta instancia se utilizó el software Modis Reprojection Tool para cambiar la proyección original de los archivos de Sinusoidal a la proyección geográfica. El resultado de este procedimiento fueron imágenes geo-referenciadas en una proyección acorde a estudios de mediana escala para América del Sur, con unidades de latitud y longitud expresadas en grados. Las coordenadas de las esquinas de cada imagen re-proyectada son:

Superior izquierda: -30.00° Lat. Sur / -78.32° Long. Oeste Superior derecha: -30.00° Lat. Sur / -57.73° Long. Oeste Inferior izquierda: -40.00° Lat. Sur / -78.32° Long. Oeste Inferior derecha: -40.00° Lat. Sur / -57.73° Long. Oeste

El software ENVI 4.1 permitió unificar los productos en cuatro archivos “meta flies” (dos para los productos de LST y dos para los índices de vegetación) que constituían sucesiones de imágenes en el tiempo (Figura 12), cada banda representa datos de una fecha en particular dentro del periodo considerado y las fechas se ordenaron cronológicamente.

Figura 12: Ejemplificación de una serie temporal

Para la corrección radiométrica y para la generación de productos estadísticos se utilizó el software IDL que es la plataforma en la cual es desarrollado el ENVI. Éste posee un leguaje de programación (comandos lógicos) a partir del cual se construyen algoritmos matemáticos que procesan la información digital de los productos. Durante la corrección radiométrica se identificaron los productos con píxeles erróneos, se promediaron los valores de ND de las imágenes correspondientes a la fecha anterior y posterior del producto que contenía los valores anómalos.

68

Posteriormente a partir del IDL, se generaron nuevas capas con información estadística para cada una de las series temporales: media aritmética, varianza, máximos y mínimos (Figura 13). Para los dos últimos se construyó una capa que indica la localización temporal del valor obtenido. De esta manera se puede identificar a que fecha corresponden los valores máximos y mínimos de las series

Figura 13. A) Mínimos de la serie temporal NDVI (2004-2005). B) Media aritmética de la temperatura de la superficie terrestre Diurna. (2004-2006)

SEMIVARIANZA Y AUTOCORRELACIÓN

La distribución espacial de variables biofísicas como temperatura de superficie y vegetación se ve modificada por elementos estructurales propios del paisaje natural, como lo son, para el departamento de General San Martín, la sierra y la salina. De otra forma estas variables pueden ser modificadas por el uso del ecosistema en el transcurso del tiempo a partir del tipo de ocupación, de las actividades productivas, del uso del agua, etc. Las herramientas de análisis espacial, son utilizadas para dar cuenta de estos cambios, en este caso se tomarán como insumo los estadísticos derivados de las series temporales y se aplicaran las formulas del variograma y la autocorrelación a los promedios de la series temporales MODIS para confrontar estos resultados con la distribución espacial de la infestación por T infestans. Como se vio anteriormente en la clasificaciones existe una variación más pronunciada de las clases en el sentido este-oeste. Estos patrones coinciden con los descriptos en trabajos biogeográficos para la región chaqueña, donde se menciona un aumento de las precipitaciones y abundancia de pastizales hacia el este y aumento de vegetación xerófila y mayor estacionalidad climática hacia el oeste (Cabrera & Willink, 1980; Bucher, 1997). Para modelar esta variación espacial se utilizo la formula del variograma, que muestra que tan parecidos son los puntos en el espacio a medida que estos se encuentran más alejados. La auto-correlación espacial y el semi-varianza miden la asociación de una variable a distancias crecientes. Se parte del supuesto que los rasgos de la cubierta terrestre se

69

parecen más entre sí cuanto más cerca están, ya que en el paisaje son poco comunes los cambios bruscos. El semivariograma se ha utilizado con éxito para analizar la estructura espacial de la vegetación de cara a diferenciar el impacto territorial de una determinada perturbación (Chuvieco, 2002) Tanto la semivarianza como la autocorrelación miden lo mismo y la elección entre una u otra es una cuestión de preferencias. El cálculo de la autocorrelación se ubica en la estadística espacial y el análisis de la semivariaza se desarrolló en el campo de la geoestadística.

SEMIVARIANZA = [Σ (zizih)2] /2N h

Donde: zi es la variable regionalizada medida en el punto i zi-h es la variable regionalizada medida en un sitio desplazado la distancia h con respecto al sitio i h es el intervalo o distancia entre dos datos N es el número de pares de datos y la sumatoria es sobre todos los pares de datos.

COEFICIENTE DE AUTOCORRELACIÓN = Σ (zi z)*(zih z) / Σ (zi z)2

Donde: z es el promedio de la variable en la serie de datos considerados y las sumatorias son sobre todos los pares de datos. h es el intervalo o distancia entre dos datos A medida que la separación h entre dos puntos aumenta, la correlación entre ambos puntos, típicamente, decrecerá. A un cierto valor de h la correlación se hace prácticamente nula, y más allá de este valor se puede decir que los puntos no están correlacionados. A esta distancia se le llama rango (Figura. 14). Para muestreos con independencia espacial se requieren espaciamientos entre muestras mayores que el rango de autocorrelación sin embargo la correlación espacial entre puntos del espacio no es igual en todas las direcciones. Cuando ocurre esto, se observa un proceso anisotrópico, y el vario-grama no es sólo función de la distancia h sino que también de la dirección en la que h crece.

Figura 14. Semivariograma

70

La aplicación de las formulas del variograma y la autocorrelación sobre imágenes raster, que representan las variables en un mosaico continuo, proporciona oportunidades para la medición de relaciones espaciales entre los elementos que componen la cobertura. En este sentido se espera que los resultados obtenidos de los rangos de los semivariogramas se expresen en nuevos productos raster para toda el área de estudio, dando cuenta de espacios más o menos autocorrelacionados, contribuyendo así a explicar la distribución y magnitud de los índices de infestación. El semivariograma y el autocorrelograma serán utilizados para analizar el patrón espacial de las variables, buscando correspondencias entre la extensión espacial de comportamientos homogéneos y los índices de infestación por T infestans. Definirán la distancia en dirección norte – sur y oeste - este, dentro de un espacio determinado, en donde la continuidad del cambio o patrón espacial de la variable se ve interrumpida por la influencia de otros fenómenos. A su vez los rangos derivados del calculo del semivariograma servirán para evidenciar comportamientos anisotrópicos (este – oeste y norte – sur) y analizar su relación con la infestación por T infestans. Metodología A los promedios temporales de cada serie (LST day, LST night, EVI y NDVI) les fue superpuesta una grilla en formato vectorial de 24 columnas por 16 filas. Los vectores de esta grilla se encuentran separados simétricamente entre sí por 15 píxeles de distancia, 3750 m en el terreno y asumirán los valores de los NDs de los productos sobre los cuales fueron apoyados. (Figura 15)

Figura 15. Procedimiento para la obtención del Semivarograma y el Autocorrelograma

71

A- Grilla en formato vectorial. B- Promedios de cada serie temporal (NDVI – LST Day – LST night- EVI). C- Superposición de A sobre B. D- Planilla de cálculo en donde se expresan los valores de las transectas extraídos de C y se calcula la semivarianza y la autocorrelación. E- Grafico de las variables en función de su ubicación (sentido este – oeste y norte - sur para cada transecta) F- Semivarograma. G- Autocorrelograma De esta forma se obtiene una sucesión espacial de valores medios temporales en el sentido este - oeste y norte - sur, a los cuales se le realizaron cortes cada 60 pixeles, obteniéndose 384 transectas en sentido oeste –este y 384 en sentido norte - sur para cada producto. Cada transecta trazada sobre los productos satelitales se transforma en una serie lineal de magnitudes expresada en función de la distancia y la dirección. Estos valores digitales serán utilizados para el cálculo de la semivarianza y la autocorrelación y posteriormente al graficarlos en función de la distancia se obtendrán el semivariograma y el autocorrelograma. Para la estimación del intervalo (o distancia mínima) a partir de la cual los píxeles de cada imagen presenten independencia espacial se procedió a la identificación visual del rango de cada semivariograma, este se expresa a partir de una meseta que alcanza la curva (la primera), para el reconocimiento del rango sirvió de aporte el auto-correlograma, la curva de este alcanza niveles cercanos a cero cuando la correlación espacial disminuye. (Figura 16) Los valores de cada rango, expresados en metros, sirvieron de insumo para la construcción de nuevos raster, cuyos píxeles expresan la distancia en la cual la variable alcanza la independencia espacial En este sentido se obtuvieron 8 nuevos productos raster derivados, expresados por los semivariogramas y autocorrelogramasm, en los sentidos este - oeste y norte - sur,

Figura 16. Procedimiento para la construcción de rasters basados en los rangos de los semivariogramas

A- Reconocimiento del rango de cada uno de los semivariogramas

B- Digitalización del valor de los rangos

C- Georeferenciación de la matriz de datos

72

Para conocer la existencia de comportamientos anisotropicos a los nuevos raster se los correlacionó entre sí. En tal sentido se opto por correlacionar las matrices de las mismas variables pero de diferente sentido. Para establecer relaciones entre el comportamiento de las variables y los índices de infestación se tomaron las matrices correspondientes al los rangos de los semivariogramas y se calcularon las medias aritméticas de las variables en los sentidos este – oeste y norte – sur lo mismo se realizo para los raster derivados de los índices de infestación (figura 17) y se correlacionaros los resultados.

Figura 17. Procesamiento de matrices para la obtención de correlaciones entre vegetación e

infestación. a) Raster de infestación de viviendas. b) Raster derivado de los rangos de los semivariogramas

RESULTADOS ESTADÍSTICOS

La tabla 2 describe de manera sinóptica los resultados estadísticos calculados tomando como imput las matrices que expresan los rangos de los semivariogramas, se puede observar de que manera los rangos se comportan en sentido este oeste y norte sur para las variables NDVI, EVI, LST day y LST night.

Rango promedio (km)

Rango mas frecuente (km)

Porcentaje de frecuencia

Pendiente de la línea de tendencia

NDVI (O-E) 1.78 1.25 19.29 0,101

EVI (O-E) 1.63 1 20.65 0,049

LST day (O-E) 22.29 30 28.26 -0,085

LST night (O-E) 20.05 30 22.28 -0,310

NDVI (N-S) 1.44 1 25.54 0,046

EVI (N-S) 1.24 0.75 34.78 -0,027

LST day (N-S) 17.54 8 16.85 -0,258

LST night (N-S) 15.40 8 14.95 0,234

Tabla 2. Descripción de estadísticos básicos de los productos obtenidos a partir del cálculo de la semivarianza y la autocorrelación

73

Las variables de vegetación alcanzan su independencia espacial en un rango que oscila alrededor de 1 km no observándose grandes diferencias para ambos sentidos. En contraposición las variables de temperatura de superficie se comportan con mayor estabilidad al observarse rangos de mayores dimensiones, sin embargo se manifiestan diferencias para los sentidos este oeste y norte sur. Para el primero la temperatura se comporta más estable alcanzando rangos que oscilan alrededor de los 20 km para el segundo en cambio los rangos disminuyen, lo que muestra mayor variabilidad en el patron de esta variable en este sentido. Las pendientes de las líneas indican la tendencia al crecimiento o decrecimiento de las longitudes de los rangos. Así por ejemplo la temperatura nocturna en sentido oeste este muestra una clara tendencia decreciente, al revés los rangos para NDVI oeste – este tienden a crecer en esta dirección (Figura 18)

Figura 18. Comportamiento medio de los rangos de LST Night y de NDVI en sentido oeste – este Las mismas variables en diferentes sentidos muestran un comportamiento anisotropico considerando las direcciones norte sur y este oeste, se observó que la temperatura posee un comportamiento menos anisotropìco. La tabla 3 muestra los coeficientes de correlación de las variables con un raster derivado de los índices de infestación de hogares.

Tabla 3. Resultados de las correlaciones con índices de infestación por T. infestans

En la tabla anterior se observa que las variables NDVI, EVI y LST Night en sentido longitudinal arrojaron un resultado significativo, arrojando algún grado de evidencia entre el patrón espacial de la vegetación y la temperatura vinculados a la infestación peri domiciliar por T. infestans

Ndvi X EVI X LSTD X LST N X NDVI Y EVI Y Lst D Y Lst N Y

Coeficiente de correlación 0,64 0,42 -0,23 -0,60 0,23 0,25 0,36 0,20

Significancia estadística p=.001 p=.046 p=.298 p=.003 p=.299 p=.253 p=.091 p=.372

p= 0.05000

74

CONCLUSIONES

La problemática de la enfermedad de Chagas requiere de múltiples acciones para su erradicación, disminuir la trasmisión vectorial (fundamentalmente en la región del Gran Chaco Americano) es un eje fundamental para tal finalidad. Existen amplios conocimientos de la biología del principal vector de esta enfermedad (T. Infestans), sin embargo no es así en relación al los factores extrínsecos, de tipo ambiental, que contribuyen a su reproducción y distribución espacio temporal. Los datos obtenidos de sensores remotos constituyeron una fuente de información valida, proporcionando elementos para la descripción de variables que operan a escala departamental en el hábitat del vector T. infestans. Sin embargo las variables de vegetación y temperatura responden a patrones que operan a escala regional por influencia de la elevación, abundancia de precipitaciones, tipos de suelo, latitud, estacionalidad, etc. Los métodos utilizados para la realización de clasificaciones de la cobertura, realizadas con una imagen del sensor ETM+, mostraron como resultado un claro gradiente oeste – este, tanto de las clases temáticas como de las espectrales, esto coincide con estudios biogeográficos previos de estas latitudes y también con la infestación por T. infestans. El procesamiento de las imágenes MODIS con técnicas de estadística espacial y utilizando herramientas de SIG, proporcionó evidencias sobre relaciones entre los patrones de re-infestación por T. infestans observados a campo con variables biofísicas para el departamento de General San Martín. Los productos obtenidos a partir de los cálculos de la semivarianza y la autocorrelacion de las variables de vegetación arrojaron correlaciones significativas con la presencia de T. infestans. Esto muestra que el patrón oeste – este de la infestación también posee condicionamientos regulados por la vegetación. Particularmente se encontró que lugares con altos índices de infestación peri domiciliar se asocian a espacios en donde la variable alcanza su independencia espacial a menos metros que los lugares de baja infestación. Esta menor homogeneidad en el patrón espacial de la vegetación, puede estar influenciada por actividades antropicas, como las viviendas y sus estructuras peri domiciliares (corrales). En resumen se concluye que las variables derivadas del sensor MODIS y del sensor ETM+ pueden ser utilizadas como indicadoras de características ambientales, cuando no se poseen datos de terreno. Sin embargo, los factores biofísicos no son los únicos condicionantes de la enfermedad, otros tales como los de carácter social, económico, sanitario y su interrelación, operan a otras escalas, integrar estas dimensiones con los abordajes propuestos en este trabajo podría convertirse en un desafío para nueva investigaciones

75

BIBLIOGRAFÍA BUCHER, E.; HUSZAR, P. 1997. Manejo ecosistémico del Chaco. Revista Desarrollo Agroforestal y Comunidad. Fundación Des. Agrof. CHUVIECO, E. 2002. Teledetección ambiental. Ariel ciencia. Barcelona. COSTA, J.; PETERSON, A.T.; BEARD, B. 2002. Ecologic niche modelling and differentiation of populations of Triatoma brasiliensis. Neiva, 1911, the most important Chagas´ disease vector in northeastern Brazil (Hemiptera, Reduviidae,Triatominae). American Journal of Tropical medicine and Hygiene 67(5): 516-520. CROSTA, A. P. 2003. Procesamiento digital de imágenes de sensores remotos. Instituto de Geociencias, UNICAM. GALLOPÍN, G. 1999. El futuro ecológico de un continente. Ed. Naciones Unidas. Tokio- Nueva York- Paris. GARRE, M.; CUADRADO, J.; SICILIA, M.; RODRÍGUEZ, D. 1997. Comparación de diferentes algoritmos de clustering en la estimación de coste en el desarrollo de software Dept. de Ciencias de la Computación ETS. Ingeniería Informática, Universidad de Alcalá GORLA, D. E.; PORCASI, X.; CATALÁ, S.S. 2003. Sistemas de Información geográfica y Sensores Remotos como Herramientas en los Programas de Control Vectorial de la Enfermedad de Chagas. GORLA, D. E.; PORCASI, X.; CATALÁ, S.S. 2005. “Sistemas de Información Geográfica y Sensores Remotos como Herramientas en los Programas de Control Vectorial de la Enfermedad de Chagas. Memorias de VI reunión de la Iniciativa Andina para el control de la enfermedad de Chagas. GORLA, D. E.; SCHOFIELD, C.J. 2002. Population dynamics of Triatoma infestans under natural climatic conditions in the Argentine Chaco. Medical and Veterinary Entomology 3:179-94. GORLA, D. E. 1992. “Population dynamics and control of Triatoma infestans”. Med. Vet. Entomol. 6: 91-97. GORLA, D. E.; CATALÁ, S.S.; GRILLI, M.P. 1997. Efecto de la temperatura sobre la distribución de Triatoma infestans y el riesgo de transmisión vectorial de la enfermedad de Chagas en Argentina. Acta Toxicológica Argentina. 5(1): 36-39. GORLA, D. E. 2001. Sensores remotos y sistemas de información geográfica en el estudio de vectores de enfermedades humanas. En Actualizaciones de artropodología sanitaria argentina. Ed. Mundo Sano GÜRTLER, R. E.; PETERSEN, R. M.; CECERE, M. C.; SCHWEIGMANN, N. J.; CHUIT, R.; GUALTIERI, J. M.; WISNIVESKY-COLLI, C. 1994. Chagas disease in north-west

76

Argentina: risk of domestic reinfestation by Triatoma infestans after a single community-wide application of deltamethrin. Transactions of the Royal Society of Tropical Medicine and Hygiene, 88: 27-30. GÜRTLER, R. E.; CECERE, M.; RUBEL, N.; PETERSEN, R.; SCHWEIGMANN, N.; LAURICELLA, M.; BUJAS, M.; SEGURA, E.; WISNIVESKY-COLLI C. 1991. Chagas disease in north-west Argentina: infected dogs as a risk factor for the domestic transmission of Trypanosoma cruzi. Transactions of Royal Society of Tropical Medicine and Hygiene, 85: 741-745. GÜRTLER, R. E.; CECERE, M. C.; LAURICELLA, M. A.; PETERSEN, R. M.; CHUIT, R.; SEGURA, E. L.; COHEN, J.E. 2005 incidence of trypanosoma cruzi infection among children following domestic reinfestation after insecticide spraying in rural northwestern argentina. American Society of Tropical Medicine and Higiene. 73: 95–103. INCOSUR 2003. XIIa. Reunión Intergubernamental INCOSUR/Chagas. Santiago, Chile. INDEC. 2001. Censo Nacional de Población, Hogares y Viviendas 2001. Instituto Nacional de Estadísticas y Censos (http://www.indec.mecon.gov.ar). INFORME GEO. 2004. Perspectivas del medio ambiente de la Argentina. Secretaria de Ambiente y Desarrollo sustentable - PNUMA. MERINO, S. 2000. Variograms of real and simulated high resolution images for analysis of forest canopy structure. Tesis de Maestría. MINISTERIO DE PLANIFICACIÓN FEDERAL, INVERSIÓN PÚBLICA Y SERVICIOS. Plan Estratégico Territorial. Ciudad Autónoma de Buenos Aires. 2008. NATENZON, C.E. 1989 Agua, recurrencia social y organización territorial en los Llanos de La Rioja. Territorio Nº 1. Buenos Aires, Instituto de Geografía, FFyL-UBA. NAUMANN, M.; MADARIAGA M. 2003. Atlas Argentino, Programa de Acción Nacional de Lucha contra la Desertificación, Secretaría de Ambiente y Desarrolo Sustentable, Intituto Nacional de Tecnología Agropecuaria, Deutsche Gesellschaft für Technische Zusammenarbeit, 94 pp.- Buenos Aires. PALMER, M. W. 2002. Scale detection using semivariograms and autocorrelograms. En: S.E.Gergel y M.G. Turner (Eds) Learning Landscape Ecology, Springer, New York. Pp. 129-144. PORCASI, X., GORLA, D.E.; SCAVUZZO, M.; LAMFRI, M. 2005. “Remote Sensing in the study of vectors of Chagas disease: the case of Triatoma infestans“. Revista SELPER Edición especial “Workshop on the use of Space technology for Human Health”, pp: 62-66. PORCASI, X., CATALÁ, S.S.; HRELLAC, H.; SCAVUZZO, C.M.; GORLA, D.E. 2006 “Infestation of rural houses by Triatoma infestans (Hemipera: Reduviidae) in the

77

southern area of the Gran Chaco in Argentina”. Journal of Medical Entomology, 30 (5):1060-1067. RIVEROS, F. 2006. El Gran Chaco. FAO (www.fao.org). ROGERS, D.J. 2000. Satellites, Space, Time and the African Trypanosomiases. Advances in Parasitology 47, 130-171. ROSE, J.B., A. 2001. Health, climate and infectious diseases: a global perspective. American Academy of Microbiology. (http://www.asmusa.org/acasrc/aca1.htm). SCAVUZZO C.M.; LAMFRI, M.A.; CARETTI, J.C. 2001 El Instituto Gulich y el desarrollo de herramientas para aplicaciones de la informacion espacial a la salud. CONAE – Instituto Gulich. En http://www.conae.gov.ar/aplicaciones/espiespa.pdf. SEGURA, E. 2002. El Control de la enfermedad de Chagas en la República Argentina. Pag. 45-97. En El Control de la enfermedad de Chagas en los países del Cono Sur de América. Silveira, A. C. Ed. OPS. SECRETARIA DE AMBIENTE Y DESARROLLO SUSTENTABLE DE LA NACIÓN. 2007. Primer Inventario Nacional de Bosque Nativos. (www.ambiente.gov.ar). STORINO, R. 2002. Enfermedad de chagas con parasitemia evidente. Revista argentina de cardiologia, VOL. 70, N° 1. © Manuel Miller, Ximena Porcasi, Walter Sione y Marcelo Scavuzzo Miller, M.; Porcasi, X.; Sione, W.; Scavuzzo, M. 2010. Utilización de datos satelitales para la generación de información vinculada a la infestación por Triatoma Infestans. Geografía y Sistemas de Información Geográfica. (GESIG-UNLU, Luján). Año 2, N° 2, Sección I:54-78. On-line: www.gesig-proeg.com.ar Recibido: 18 de mayo de 2010 Aprobado: 26 de julio 2010